12/4/2016

DISTRIBUCIN DE POISSON

DISTRIBUCINDEPOISSON
irascriptdeladistribucindePoisson
Estadistribucines una de las ms importantes distribuciones de variablediscreta. Sus principales
aplicaciones hacen referencia a la modelizacin de situaciones en las que nos interesa determinar el
nmero de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio, bajo
presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes es la
consideracinlmitedeprocesosdicotmicosreiteradosungrannmerodevecessilaprobabilidadde
obtenerunxitoesmuypequea.
Procesoexperimentaldelquesepuedehacerderivar
Esta distribucin se puede hacer derivar de un proceso experimental de observacin en el que
tengamoslassiguientescaractersticas
Seobservalarealizacindehechosdeciertotipoduranteunciertoperiododetiempooalolargo
deunespaciodeobservacin
Los hechos a observar tienen naturaleza aleatoria pueden producirse o no de una manera no
determinstica.
La probabilidad de que se produzcan un nmero x de xitos en un intervalo de amplitud t no
dependedelorigendelintervalo(Aunque,sdesuamplitud)
La probabilidad de que ocurra un hecho en un intervalo infinitsimo es prcticamente
proporcionalalaamplituddelintervalo.
La probabilidad de que se produzcan 2 o ms hechos en un intervalo infinitsimo es un
infinitsimodeordensuperiorados.
Enconsecuencia,enunintervaloinfinitsimopodrnproducirseO1hechoperonuncamsde
uno
SienestascircunstanciasaleatorizamosdeformaquelavariablealeatoriaXsignifiqueodesigne
el "nmero de hechos que se producen en un intervalo de tiempo o de espacio", la variable X se
distribuyeconunadistribucindeparmetrol.As:
Elparmetrodeladistribucines,enprincipio,elfactordeproporcionalidadparalaprobabilidadde
unhechoenunintervaloinfinitsimo.Selesueledesignarcomoparmetrodeintensidad,aunquems
tardeveremosquesecorrespondeconelnmeromediodehechosquecabeesperarqueseproduzcanen
unintervalounitario(mediadeladistribucin)yquetambincoincideconlavarianzadeladistribucin.
Porotroladoesevidentequesetratadeunmodelodiscretoyqueelcampodevariacindelavariable
serelconjuntodelosnmeronaturales,incluidoelcero:

Funcindecuanta
Apartirdelashiptesisdelproceso,seobtieneunaecuacin diferencialdedefinicindelmismo
https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

1/7

12/4/2016

DISTRIBUCIN DE POISSON

quepuedeintegrarseconfacilidadparaobtenerlafuncindecuantadelavariable"nmerodehechos
queocurrenenunintervalounitariodetiempooespacio"
Quesera:

iraprogramadeclculo

Cuyarepresentacingrficaparaunmodelode
media11seralaadjunta.
Obsrvenselosvaloresprximosenlamediay
suformaparecidaalacampanadeGauss, en
definitiva,aladistribucinnormal

La funcin de distribucin vendr

dadapor:
FuncinGeneratrizdeMomentos
Suexpresinser:

dadoque

tendremosque

luego:
Para la obtencin de la media y la varianza aplicaramos la F.G.M. derivndola sucesivamente e
igualandotacero.
As.

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

2/7

12/4/2016

DISTRIBUCIN DE POISSON

Unavezobtenidalamedia,obtendramoslavarianzaenbasea:

haciendot=0

porloque

asseobservaquemediayvarianzacoincidenconelparmetrodelmodelo
siendo,l
En cuanto a la moda del modelo tendremos que ser el valor de la variable que tenga mayor
probabilidad,portantosiMoeselvalormodalsecumplirque:
Y,enparticular:
A partir de estas dos desigualdades, es muy sencillo probar que la moda tiene que verificar:
Demaneraquelamodaserlaparteenteradelparmetrolodichodeotraforma,laparte
enteradelamedia
Podemosobservarcmoelintervaloalquedebepertenecerlamodatieneunaamplituddeunaunidad
,demaneraquelanicaposibilidaddequeunadistribucintengadosmodasserquelosextremosde
esteintervaloseannmerosnaturales,oloqueeslomismoqueelparmetrolseaentero,encuyocaso
lasdosmodassernl1yl.
Teoremadeadicin.
LadistribucindePoissonverificaelteoremadeadicinparaelparmetrol.
"La variable suma de dos o ms variables independientes que tengan una distribucin de Poisson de
distintosparmetrosl(dedistintasmedias)sedistribuir,tambin con una distribucin de Poisson con
parmetrollasumadelosparmetrosl(conmedia,lasumadelasmedias):
Enefecto:
https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

3/7

12/4/2016

DISTRIBUCIN DE POISSON

Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de Poisson de distintos
parmetrossiendoademsxeyindependientes
As

DebemosprobarquelavariableZ=x+yseguirunaPoissonconparmetroigualalasumadelosde
ambas:
EnbasealasF.G.MparaX

ParaY
DemaneraquelafuncingeneratrizdemomentosdeZserelproductodeambasyaqueson
independientes:
Siendo

laF.G.MdeunaPoisson

ConvergenciadeladistribucinbinomialalaPoisson
SepuedeprobarqueladistribucinbinomialtiendeaconvergeraladistribucindePoissoncuandoel
parmetrontiendeainfinitoyelparmetroptiendeasercero,demaneraqueelproductodenporpsea
una cantidad constante. De ocurrir esto la distribucin binomial tiende a un modelo de Poisson de
parmetroligualanporp
Este resultado es importante a la hora del clculo de probabilidades , o , incluso a la hora de inferir
caractersticasdeladistribucinbinomialcuandoelnmerodepruebasseamuygrande
y la
probabilidaddexitoseamuypequea

Elresultadoseprueba,comprobandocomolafuncindecuantadeunadistribucinbinomialcon
y
tiendeaunafuncindecuantadeunadistribucindePoissoncon
siempre
queesteproductoseaunacantidadconstante(unvalorfinito)
Enefecto:lafuncindecuantadelabinomiales
Yllamamos

tendremosque:

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

4/7

12/4/2016

DISTRIBUCIN DE POISSON

realizando

queeslafuncindecuantadeunadistribucindePoisson

EstimacinBayesianasobremuestrasdepoisson.
Anlogamente a como plantebamos el problema de necesitar estimar la proporcin de una
caracterstica ,en el caso de un modelo binomial , en alguna situacin prctica , podemos estar
interesados en determinar el parmetro desconocido de una distribucin de Poisson. Por ejemplo
podramosestarinteresadosendeterminarelnmeromediodeclientesqueacudenaunaventanillade
unaoficinapblica.
El planteamiento de la estimacin podra hacerse utilizando informacin suministrada por una
experiencia{laobservacindecuntoshechosseproducenenunintervaloexperimental),conjuntamente
conalgnotrotipodeinformacinapriori.Enestecaso,estaramos,comoyacomentbamosenelcaso
binomialanteunplanteamientobayesianodelproblema.
Lasolucinrequerirquedispongamosdeunainformacininicialquepuedeespecificarseatravsde
una distribucin a priori de probabilidad. De manera que la funcin de cuanta de esta distribucin a
priori(osuf.dedensidadsifueracontinua)nosasigneprobabilidadesacadaposiblevalordelparmetro
l.
Utilizandonicamentelainformacininiciallaestimacinseralamediadeladistribucinapriori.
Pero realizando una experiencia podremos mejorar la informacin acerca de l Si observamos la
realizacindehechosduranteunintervaloexperimentalyseproducenxhechos,paracadaposiblevalor
delpodremos calcular su verosimilitud definida como la probabilidad de que se d ese resultado si el
valordeleselconsiderado:

ObviamenteestaprobabilidadcondicionadaserlafuncindecuantadeunadistribucindePoisson
con
.paraelvalordelavariablex.
Finalmente podemos calcular las probabilidades de cada valor alternativo de , condicionada al
resultadodelaexperienciaaplicandoelteoremadeBayes:

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

5/7

12/4/2016

DISTRIBUCIN DE POISSON

Estas probabilidades finales (a posteriori) constituirn la funcin de cuanta de la distribucin a

posterioriquenosdarcuentadetodalainformacindisponible(tantomuestralcomonomuestral).
Laestimacinmejoradadelparmetroser,entonces,lamediadeladistribucinaposteriori.
Planteamosunejemplo:
Tres ejecutivos del Insalud opinan que el nmero medio de pacientes que llegan a cierto servicio
nocturnodeguardiaduranteunahoraes2,segnelprimero,3,segnelsegundo,y5segneltercero.
Sus opiniones pueden ponderarse teniendo en cuenta que el primero tiene el doble de experiencia
profesionalquelosotrosdos.
Paratomarunadecisindeasignacindepersonaleneseservicioquierenestimarelnmeromediode
pacientes, sin despreciar sus opiniones , por lo que realiza una experiencia controlando una hora de
actividadenelservicioenlaqueacuden3pacientes.Estainformacinlavanacombinarconlainiciala
travsdeunprocesoBayesiano:cmoloharan?
Ladistribucinapriorisertalquedeberasignarseeldobledeprobabilidadalaalternativapropuesta
porelprimerexpertoquealasdelosotrosdos.Asqueser:
li

P(li)

0,5

0,25

0,25

Demaneraquelaestimacininicialdesera,lamediadeladistribucinapriori:

Realizadalaexperiencia,lasverosimilitudesdelastresalternativasnosvendrndadasporlafuncinde
cuantadeladistribucindePoisson,con
li
2

0,180447

0,224042

0,140374

La funcin de cuanta de la distribucin a posteriori la obtendremos aplicando elTeorema de Bayes y

resultarser:
https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

6/7

12/4/2016

DISTRIBUCIN DE POISSON

li
2

0,497572

0,308891

0,193536

Esta distribucin a posteriori nos dar cuenta de toda la informacin disponible acerca del parmetro
desconocido, (nmero medio de pacientes por hora) tanto de la informacin subjetiva de los expertos
(convenientementeponderada)comodelainformacinempricasuministradaporlaobservacin.
Apartirdeestadistribucinaposterioripodemosplantear nosdarunvalorconcretoparalaestimacin
de considerando una funcin de prdida cuadrtica . La estimacin adecuada sera la media de la
distribucinaposteriori:

pacienteslahora

iramodelosdeprobabilidadIII
iramodelosdeprobabilidad

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

7/7