Distribución de Poisson
La distribución de Poisson es una distribución de probabilidad discreta que
se aplica a las ocurrencias de algún suceso durante un intervalo determinado.
Nuestra variable aleatoria x representará el número de ocurrencias de un
suceso en un intervalo determinado, el cual podrá ser tiempo, distancia, área,
volumen o alguna otra unidad similar o derivada de éstas.
Se dice que una variable aleatoria X sigue la distribución de Poisson si su
función de densidad viene dada por:
Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe
ser positivo.
Esta distribución suele utilizarse para contajes del tipo número de individuos
por unidad de tiempo, de espacio, etc.
Propiedades del modelo de Poisson
Esperanza: E(X) = λ.
Varianza: V(X) = λ.
La suma de dos variables aleatorias independientes con distribución
de Poisson resulta en una nueva variable aleatoria, también con
distribución de Poisson, de parámetro igual a la suma de parámetros:
X1 ~ P(λ = λ1) y X2 ~ P(λ = λ2)
y definimos Z = X1 + X2, entonces,
Z ~ P(λ = λ1 + λ2)
El campo de variación de la variable, al tratarse de un modelo
discreto, es el conjunto de los números naturales, incluido también el
cero.
Sea x el número de veces que se repite el evento estudiado, y λ un
número positivo que nos indica el número de veces que se repite
dicho evento durante un intervalo de tiempo o espacio dado; donde λ
será nuestro parámetro. Entonces, la función de probabilidad de la
distribución de Poisson es:
El valor de la media o esperanza y el de la varianza coinciden y son
iguales al parámetro λ: E[x]=Var[x]= λ.
La función de distribución es:
La función generatriz es:
La representación en función del parámetro es:
La distribución de Poisson cumple la propiedad reproductiva, es
decir, podemos sumar dos distribuciones de Poisson de parámetro λ1
y λ2 respectivamente, de tal forma que obtenemos una distribución
de Poisson cuyo parámetro será igual a la suma de los anteriores:
λ1+ λ2.
Este resultado se extiende inmediatamente al caso de n variables aleatorias
independientes con distribución de Poisson. En este caso, la variable suma
de todas ellas sigue una distribución de Poisson de parámetro igual a la suma
de los parámetros.
La distribución de Poisson debe de cumplir los siguientes
requisitos:
La variable discreta x es el número de ocurrencias de un suceso durante un
intervalo.
Las ocurrencias deben ser aleatorias y no contener ningún vicio que
favorezca unas ocurrencias en favor de otras.
Las ocurrencias deben estar uniformemente distribuidas dentro del
intervalo que se emplee.
¿Cuándo se usa la Distribución de Poisson?
La distribución de Poisson es particularmente importante ya que tiene
muchos casos de uso. Podemos poner como ejemplos de uso: la disminución
de una muestra radioactiva, la llegada de pasajeros de un aeropuerto o
estación de trenes o autobuses, los usuarios que se conectan a una web
determinada por hora (es un caso particularmente interesante que usa
Googlee en sus métricas predictivas de visitantes únicos a una web).
Protomisil V2 de los
que se lanzaban
sobre Londres desde
Calais ( Francia )
Como caso realmente interesante cabe mencionar que la distribución de
poisson fue utilizada para determinar si durante la segunda guerra mundial
los alemanes al bombardear Londres desde Calais (Francia 🇫🇷) con los
protomisiles V1 y V2 apuntaban o simplemente disparaban al azar. Era un
hecho realmente importante determinar ese punto pues si los objetivos
alcanzados con estos primitivos misiles eran los blancos que los alemanes
habían seleccionado, implicaba que éstos disponían de una tecnología
balística muy superior a la sospechada. En las vídeoclases haré un ejercicio
muy similar a dicho problema para ver un caso de utilidad que ha sido real
Proceso experimental del que se puede hacer derivar
Esta distribución se puede hacer derivar de un proceso experimental de
observación en el que tengamos las siguientes características
Se observa la realización de hechos de cierto tipo durante un cierto
periodo de tiempo o a lo largo de un espacio de observación.
Los hechos a observar tienen naturaleza aleatoria; pueden producirse
o no de una manera no determinística.
La probabilidad de que se produzcan un número x de éxitos en un
intervalo de amplitud t no depende del origen del intervalo (Aunque,
sí de su amplitud).
La probabilidad de que ocurra un hecho en un intervalo infinitésimo
es prácticamente proporcional a la amplitud del intervalo.
La probabilidad de que se produzcan 2 o más hechos en un intervalo
infinitésimo es un infinitésimo de orden superior a dos.
En un intervalo infinitésimo podrán producirse O ó 1 hecho, pero
nunca más de uno
Características
En este tipo de experimentos los éxitos buscados son expresados por unidad
de área, tiempo, pieza, etc.
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de
tiempo, área, o producto, la fórmula a utilizar sería:
donde:
p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio
de ocurrencia de ellos es l
l = media o promedio de éxitos por unidad de tiempo, área o producto
e = 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra
Hay que hacer notar que en esta distribución el número de éxitos que ocurren
por unidad de tiempo, área o producto es totalmente al azar y que cada
intervalo de tiempo es independiente de otro intervalo dado, así como cada
área es independiente de otra área dada y cada producto es independiente de
otro producto dado.
Relaciones con otras distribuciones
Parte de la importancia de esta distribución se debe a la relación existente
con otras distribuciones. Podemos vincularla con las siguientes:
Distribución binomial: Diremos que una distribución binomial de
parámetros n y p, se aproxima a una distribución de Poisson de
parámetro λ =np, cuando se cumpla que n>30, p< 0,1 y np<10.
Distribución normal: Por el Teorema Central del Límite, tenemos
que una distribución de Poisson de parámetro λ, tiende a una
distribución normal donde la media es λ, y la varianza es λ.
Distribución exponencial: Cuando el número de eventos de un
fenómeno estudiado sigue una distribución de Poisson, entonces los
tiempos discurridos entre dos eventos seguidos diremos que sigue una
distribución exponencial.
Ejemplos
1. Si un banco recibe en promedio 6 cheques sin fondo por día,
¿cuáles son las probabilidades de que reciba, a) cuatro cheques sin
fondo en un día dado, b) 10 cheques sin fondos en cualquiera de
dos días consecutivos?
Solución:
a) x = variable que nos define el número de cheques sin fondo
que llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc,
etc.
l = 6 cheques sin fondo por día
e = 2.718
b)
x= variable que nos define el número de cheques sin fondo que
llegan al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco
en dos días consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de
otra forma, debe “hablar” de lo mismo que x.
2. En la inspección de hojalata producida por un proceso
electrolítico continuo, se identifican 0.2 imperfecciones en
promedio por minuto. Determine las probabilidades de identificar
a) una imperfección en 3 minutos, b) al menos dos imperfecciones
en 5 minutos, c) cuando más una imperfección en 15 minutos.
Solución:
a) x = variable que nos define el número de imperfecciones en
la hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en
la hojalata
b) x = variable que nos define el número de imperfecciones en
la hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la
hojalata
=1-(0.367918+0.367918) = 0.26416
c) x = variable que nos define el número de imperfecciones en
la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos
en la hojalata
=
0.0498026 + 0.149408 = 0.1992106
