DISTRIBUCIN DE POISSON

ir a script de la distribucin de Poisson

Esta distribucin es una de las ms importantes distribuciones de variable

discreta. 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 consideracin lmite de procesos dicotmicos reiterados
un gran nmero de veces si la probabilidad de obtener un xito es muy
pequea .
Proceso experimental del que se puede hacer derivar
Esta distribucin se puede hacer derivar de un proceso experimental de
observacin en el que tengamos las siguientes caractersticas
Se observa la realizacin de hechos de cierto tipo durante un cierto
periodo de tiempo o a lo largo de un espacio de observacin
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 depende del origen del intervalo (Aunque, s de
su amplitud)
La probabilidad de que ocurra un hecho en un intervalo infinitsimo es
prcticamente proporcional a la amplitud del intervalo.
La probabilidad de que se produzcan 2 o ms hechos en un intervalo
infinitsimo es un infinitsimo de orden superior a dos.
En consecuencia, en un intervalo infinitsimo podrn producirse O 1
hecho pero nunca ms de uno
Si en estas circunstancias aleatorizamos de forma que la variable
aleatoria X signifique o designe el "nmero de hechos que se producen en
un intervalo de tiempo o de espacio", la variable X se distribuye con una
distribucin de parmetro . As :
El parmetro de la distribucin es, en principio, el factor de
proporcionalidad para la probabilidad de un hecho en un intervalo
infinitsimo. Se le suele designar como parmetro de intensidad , aunque ms
tarde veremos que se corresponde con el nmero medio de hechos que cabe

esperar que se produzcan en un intervalo unitario (media de la distribucin); y

que tambin coincide con la varianza de la distribucin.
Por otro lado es evidente que se trata de un modelo discreto y que el campo
de variacin de la variable ser el conjunto de los nmero naturales, incluido
el cero:

Funcin de cuanta
A partir de las hiptesis del proceso, se obtiene una ecuacin diferencial
de definicin del mismo que puede integrarse con facilidad para obtener la
funcin de cuanta de la variable "nmero de hechos que ocurren en un
intervalo unitario de tiempo o espacio "

Que sera :

ir a
programa de clculo

Cuya representacin grfica

para un modelo de media 11
sera la adjunta .
Obsrvense los valores
prximos en la media y su
forma parecida a la campana
de Gauss , en definitiva , a
la distribucin normal

La funcin de distribucin vendr dada por :

Funcin Generatriz de Momentos

Su expresin ser
:

dado que

tendremos

que

luego :
Para la obtencin de la media y la varianza aplicaramos la F.G.M.;
derivndola sucesivamente e igualando t a cero .
As.

Una vez obtenida la media , obtendramos la varianza en

base a :

haciendo t = 0

por lo que

as se observa que media y varianza coinciden con el

parmetro del modelo siendo ,
En cuanto a la moda del modelo tendremos que ser el valor de la variable
que tenga mayor probabilidad , por tanto si Mo es el valor modal se cumplir
que :

Y, en particular:
A partir de estas dos desigualdades, es muy sencillo probar que la
moda tiene que verificar:
De manera que la moda ser la parte
entera del parmetro o dicho de otra forma, la parte entera de la media
Podemos observar cmo el intervalo al que debe pertenecer la moda tiene
una amplitud de una unidad , de manera que la nica posibilidad de que una
distribucin tenga dos modas ser que los extremos de este intervalo sean
nmeros naturales, o lo que es lo mismo que el parmetro sea entero, en
cuyo caso las dos modas sern -1 y .
Teorema de adicin.
La distribucin de Poisson verifica el teorema de adicin para el parmetro .
"La variable suma de dos o ms variables independientes que tengan una
distribucin de Poisson de distintos parmetros (de distintas medias) se
distribuir, tambin con una distribucin de Poisson con parmetro la suma
de los parmetros (con media, la suma de las medias) :
En efecto:
Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones
de Poisson de distintos parmetros siendo adems x e y independientes
As

e
Debemos probar que la variable Z= x+y seguir una Poisson con

parmetro igual a la suma de los de ambas:

En base a las F.G.M para X

Para Y
De manera que la funcin generatriz de momentos de Z ser el producto de
ambas ya que son independientes
:

Siendo

la F.G.M de una

Poisson

Convergencia de la distribucin binomial a la Poisson

Se puede probar que la distribucin binomial tiende a converger a la
distribucin de Poisson cuando el parmetro n tiende a infinito y el parmetro
p tiende a ser cero, de manera que el producto de n por p sea una cantidad
constante. De ocurrir esto la distribucin binomial tiende a un modelo de
Poisson de parmetro igual a n por p
Este resultado es importante a la hora del clculo de probabilidades , o ,
incluso a la hora de inferir caractersticas de la distribucin binomial cuando
el nmero de pruebas sea muy grande
muy pequea

y la probabilidad de xito sea

El resultado se prueba , comprobando como la funcin de cuanta de una

distribucin binomial con
y
de una distribucin de Poisson con
cantidad constante ( un valor finito)

tiende a una funcin de cuanta

siempre que este producto sea una

En efecto : la funcin de cuanta de la binomial es

Y llamamos

tendremos que:

realizando
distribucin de Poisson

que es la funcin de cuanta de una

Estimacin Bayesiana sobre muestras de poisson.

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 podramos estar
interesados en determinar el nmero medio de clientes que acuden a una
ventanilla de una oficina pblica.
El planteamiento de la estimacin podra hacerse utilizando informacin
suministrada por una experiencia {la observacin de cuntos hechos se
producen en un intervalo experimental),conjuntamente con algn otro tipo de
informacin a priori .En este caso, estaramos ,como ya comentbamos en el
caso binomial ante un planteamiento bayesiano del problema.
La solucin requerir que dispongamos de una informacin inicial que
puede especificarse a travs de una distribucin a priori de probabilidad. De
manera que la funcin de cuanta de esta distribucin a priori (o su f. de
densidad si fuera continua) nos asigne probabilidades a cada posible valor del
parmetro .
Utilizando nicamente la informacin inicial la estimacin sera la media de la
distribucin a priori.
Pero realizando una experiencia podremos mejorar la informacin acerca
de Si observamos la realizacin de hechos durante un intervalo experimental
y se producen x hechos, para cada posible valor de podremos calcular su
verosimilitud definida como la probabilidad de que se d ese resultado si el
valor de es el considerado:

Obviamente esta probabilidad condicionada ser la funcin de cuanta de

una distribucin de Poisson con

. para el valor de la variable x.

Finalmente podemos calcular las probabilidades de cada valor alternativo

de , condicionada al resultado de la experiencia aplicando el teorema de
Bayes:

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

de la distribucin a posteriori que nos dar cuenta de toda la informacin
disponible (tanto muestral como no muestral) .
La estimacin mejorada del parmetro ser, entonces, la media de la
distribucin a posteriori.
Planteamos un ejemplo:
Tres ejecutivos del Insalud opinan que el nmero medio de pacientes que
llegan a cierto servicio nocturno de guardia durante una hora es 2 , segn el
primero, 3 , segn el segundo, y 5 segn el tercero.
Sus opiniones pueden ponderarse teniendo en cuenta que el primero tiene el
doble de experiencia profesional que los otros dos.
Para tomar una decisin de asignacin de personal en ese servicio quieren
estimar el nmero medio de pacientes, sin despreciar sus opiniones , por lo
que realiza una experiencia controlando una hora de actividad en el servicio
en la que acuden 3 pacientes .Esta informacin la van a combinar con la
inicial a travs de un proceso Bayesiano :cmo lo haran?
La distribucin a priori ser tal que deber asignarse el doble de probabilidad
a la alternativa propuesta por el primer experto que a las de los otros dos. As
que ser:
i

P( i)

0,5

0,25

0,25

De manera que la estimacin inicial de sera,la media de la distribucin a

priori:

Realizada la experiencia, las verosimilitudes de las tres alternativas nos

vendrn dadas por la funcin de cuanta de la distribucin de Poisson,
con
i
2

0,180447

0,224042

0,140374

La funcin de cuanta de la distribucin a posteriori la obtendremos aplicando

el Teorema de Bayes y resultar ser:
i
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 (convenientemente
ponderada) como de la informacin emprica suministrada por la observacin.
A partir de esta distribucin a posteriori podemos plantear nos dar un valor
concreto para la estimacin de considerando una funcin de prdida
cuadrtica . La estimacin adecuada sera la media de la distribucin a
posteriori:

pacientes la hora