Comprender la distribución de la enfermedad mediante eventos cotidianos

La distribución Poisson es una distribución discreta de probabilidad que modela el número de veces que un evento ocurre en un intervalo fijo de tiempo, espacio, volumen o cualquier otro dominio continuo. Es particularmente eficaz para describir eventos que son raros en relación con el tamaño del intervalo, ocurre independientemente, y sucede a un ritmo promedio constante. Desde la cuenta de llegadas de clientes en una cafetería para rastrear la decadencia radiactiva, la mecánica Poisson distribuye puentes teoría práctica y ejemplos de caminar.

¿Qué es la distribución de Poisson?

La distribución Poisson toma su nombre del matemático francés Siméon Denis Poisson, que publicó su trabajo sobre la ley de grandes números para variables binarias en 1837. La distribución se define por un solo parámetro, λ (lambda), que representa el número promedio de eventos en el intervalo. k los eventos se dan por la fórmula:

P(k; λ) = (λ)k · e–λ¡K!

Donde:

  • k = número de ocurrencias (integer no negativo, 0,1,2,...)
  • λ = número promedio de ocurrencias por intervalo (λ > 0)
  • e ♥ 2.71828 (número de Euler)
  • ¡K! = factorial de k

La fórmula representa todos los recuentos posibles, y la suma de probabilidades sobre k de 0 a infinito equivale a 1.

Principales Asunciones

Para que el modelo Poisson sea apropiado, estas condiciones deben tener:

  1. Independencia – La ocurrencia de un evento no afecta la probabilidad de otro. (Por ejemplo, las llegadas de correo electrónico de los remitentes no relacionados son típicamente independientes.)
  2. Estabilidad – La tasa promedio λ es constante a lo largo del intervalo. Si la tasa cambia con el tiempo, se necesita un proceso Poisson dependiente del tiempo.
  3. Rarity – Los eventos son lo suficientemente raros que la probabilidad de dos o más eventos que ocurren en una subintervalación infinitamente pequeña es insignificante.
  4. Contable – El número de eventos en subintervalos disjoint son independientes.

Propiedades y características

Significado y variación

Una característica definitoria de la distribución Poisson es que su media y varianza son iguales. Ambos iguales al parámetro λ:

  • Significa (valor estimado) = λ
  • Diferencia = λ
  • Desviación estándar = √λ

Esta propiedad es única entre distribuciones comunes – por ejemplo, la distribución binomial tiene varianza np(1‐p) que es generalmente menor que su media. Cuando se ve datos de cuenta real donde la media muestra y la varianza de muestra son similares, un modelo Poisson es a menudo un buen punto de partida.

Forma de la forma

Para pequeñas λ (p. ej., λ = 0.5), la distribución es muy esquejada, con la mayor masa de probabilidad en eventos cero. A medida que λ crece más grande (λ > 20), la distribución Poisson aproxima una distribución normal con media λ y varianza λ, gracias al termo límite central.

Ejemplos de distribución de la Poisson

La distribución se aplica donde contemos ocurrencias a lo largo de un intervalo fijo. Ejemplos comunes incluyen:

  • Correos electrónicos recibidos por hora – El promedio podría ser de 10; la distribución le dice la posibilidad de tener 15 en una hora ocupada.
  • Clientes que entran en una tienda por 5 minutos de bloque – Útil para decisiones de personal.
  • Llamadas telefónicas a un centro de llamadas por minuto – Ayuda a predecir cuántos operadores son necesarios.
  • Tipos por página – La distribución Poisson puede modelar la dispersión aleatoria de errores.
  • Accidentes en una intersección ocupada por día – Usado por ingenieros de seguridad de tráfico.
  • Intentes de disparo en un juego de baloncesto – El número de disparos intentados en un cuarto puede seguir una distribución Poisson.
  • Terremotos de magnitud 5 o superior por año en una determinada región – Modelo de riesgo geológico.

Ejemplo de trabajo detallado: Biblioteca Lost‐Book Emails

Ampliamos el escenario del artículo: Una biblioteca universitaria recibe un promedio de 3 emails por día sobre libros perdidos (λ = 3). Queremos calcular probabilidades para diferentes valores k.

Calcular la probabilidad de recibir exactamente 5 emails en un día

Usando la fórmula:
P(5; 3) = (35 · e-3¡5!

  • 35 = 243
  • e-3 Entendido
  • 5! = 120

P(5) ♥ (243 × 0.049787) / 120 ♥ 12.102 / 120 ♥ 0.1009 (alrededor del 10.1%). Así que aproximadamente un día en diez, la biblioteca recibirá exactamente 5 emails de libros perdidos.

Probabilidad de recibir menos de 2 emails en un día

Necesitamos P(k=0) + P(k=1):

  • P(0) = (3)0 · e-3)/0! = (1 × 0,049787)/1 = 0,0498
  • P(1) = (31 · e-3)/1 = (3 × 0,049787)/1 = 0.1494

Total = 0,0498 + 0.1494 = 0.1992, o alrededor del 19.9%. La biblioteca puede esperar un día muy ligero aproximadamente 1 día en 5.

Probabilidad de recibir al menos 4 emails en un día

En lugar de sumar de k=4 a infinity, utilice el complemento: 1 – P(k ≤ 3). Compute P(k=0),1,2,3:

  • P(0) = 0,0498
  • P(1) = 0.1494
  • P(2) = (9 × 0,049787)/2 = 0.2240
  • P(3) = (27 × 0,049787)/6 = 0.2240

Sum ≤3 = 0,0498+0.1494+0.2240+0.2240 = 0.6472. Luego, al menos 4 = 1 – 0.6472 = 0.3528, o 35,3%. La biblioteca puede necesitar reservar personal extra en aproximadamente un tercio de los días.

Visualización de la distribución

Una manera práctica de comprobar es enumerar probabilidades para k = 0 a 10. Se elevan cerca de λ, disminuyendo simétricamente para λ más grande. La varianza λ = 3 significa que la mayoría de los días verá entre λ ± √λ = 3 ± 1,73, es decir, 1 a 5 emails.

Otro ejemplo: Divación radiactiva

La desintegración radiactiva es un proceso clásico de Poisson. Suponga una muestra de un isótopo radiactivo emite un promedio de 2 partículas por minuto (λ = 2). ¿Cuál es la probabilidad de detectar exactamente 4 partículas en el minuto siguiente?
P(4;2) = (24 · e-2)/24 = (16 × 0.13534)/24 ♥ 2.1654/24 = 0.0902 (9,0%). Y la probabilidad de detectar al menos una partícula? Eso es 1 – P(0) = 1 – (e-2) = 1 – 0.1353 = 0.8647.

Relación con la distribución binomial

La distribución Poisson se introduce a menudo como un caso limitado de la distribución binomio cuando el número de ensayos n es muy grande y la probabilidad de éxito p es muy pequeña, tal que el producto np = λ permanece constante. En la práctica, esta aproximación funciona bien cuando n ≥ 20 y p ≤ 0,05, o para n ≥ 100 incluso si p es un poco mayor. Por ejemplo, considere el número de 10.000 artículos de coto en un coto

Aplicaciones en Industria e Investigación

Call Center Staffing

Los centros de llamadas utilizan la distribución Poisson para modelar llamadas entrantes por minuto. Con λ = 5 llamadas por minuto en promedio, pueden calcular la probabilidad de recibir 8 o más llamadas – y luego el personal suficiente agentes para que la probabilidad de tiempos de espera excesivos permanezca por debajo de un umbral.

Control de calidad en la fabricación

Inspección de rollos de tela – el número de defectos por metro cuadrado a menudo sigue una distribución Poisson. Si λ = 0,3 defectos/m2, la posibilidad de que un medidor cuadrado aleatorio esté libre de defectos es e-0.3 Ω 0,744. Los ingenieros de calidad establecen límites aceptables en consecuencia.

Seguro y Gestión de Riesgos

Las compañías de seguros de la reclamación modelo cuentan por mes utilizando la distribución Poisson (aunque a menudo con una extensión binomial negativa cuando la varianza supera la media – un giro común del mundo real). Actuarios fijan primas basadas en λ y la gravedad de las reclamaciones.

Biología y Ecología

El número de hojas de trébol con cuatro folletos en un campo, o el número de colonias de bacterias en un plato Petri, se puede modelar como procesos de Poisson cuando los eventos subyacentes son aleatorios e independientes.

Limitaciones y extensiones

La distribución Poisson asume una tasa constante e independencia. Cuando fallan, variaciones como las Distribución binomio negativa (para datos de cuenta sobredispersos, donde varia > media) o Poisson de cero inflado (por un exceso de ceros) se utilizan. Para eventos que ocurren con el tiempo con una tasa que cambia (por ejemplo, más alto durante la hora de prisa), una proceso de Poisson no homogéneo es necesario.

Además, el Poisson sólo puede contar con modelos; no se ocupa del tiempo entre eventos (la distribución exponencial cubre eso).

Cómo calcular las probabilidades de Poisson

Calcular factoriales a mano para k grande es poco práctico, pero las herramientas modernas manejan al instante:

  • Excel / Hojas de Google: – establecer cumulative=0 para PMF, =1 para CDF.
  • Python (SciPy): o .
  • R: y .
  • Calculadoras en línea: muchos sitios le permiten introducir λ y k para obtener probabilidades al instante (por ejemplo, Calculadora de Stattrek Poisson).

Interpretando los resultados de Poisson en la vida real

Comprender las probabilidades de Poisson ayuda con la toma de decisiones bajo incertidumbre. Por ejemplo, si un departamento de emergencia hospitalario ve un promedio de 8 pacientes por hora (λ=8), la probabilidad de ver 14 o más en una hora es de aproximadamente 3,3%. Si los administradores quieren asegurarse de que tales cirugías se manejan sin esperar excesivamente, pueden programar personal extra cuando la probabilidad supera el 5%.

Misconcepciones comunes

  • “Poisson requiere que los eventos sean raros”. – No exactamente; requiere que el número esperado en una pequeña subintervalación sea pequeño. El recuento total de intervalos puede ser grande (por ejemplo, λ=1000 eventos por día).
  • “Los acontecimientos deben ser igualmente probables a través del intervalo”. – La tasa debe ser constante; si la tasa cambia, el modelo falla.
  • “El medio debe igualar la varianza”. – Esa es una propiedad, no una suposición. Si los datos reales muestran variabilidad mucho más grande que la media, el Poisson no es un buen ajuste.

Resumen

La distribución Poisson es una herramienta elegante y práctica para modelar los recuentos de eventos raros o aleatorios en un intervalo fijo. Su parámetro único λ hace fácil estimar de promedios históricos, y su igualdad de medios y varianza proporciona un simple cheque para la adecuación del modelo. Desde la comprensión de los volúmenes de correo electrónico diarios hasta el control de calidad industrial, la distribución Poisson convierte los recuentos en probabilidades factibles.

Para más lectura sobre la base matemática y el contexto histórico, vea artículo de Wikipedia sobre la distribución PoissonPara una inmersión más profunda en su uso en la teoría de colas, consulte recursos como Introducción de distribución Poisson de la Academia Khan.