Lo esencial que conviene tener claro desde el principio
- La Poisson modela conteos de eventos en un intervalo fijo, no resultados de sí o no.
- Su fórmula básica es P(X = k) = e-λ · λk / k!.
- λ representa la media esperada en el intervalo y también la varianza del modelo.
- Funciona mejor cuando los eventos son independientes y la tasa media se mantiene estable.
- Para preguntas como “al menos uno”, suele ser más cómodo usar el complemento.
- En exámenes, se confunde con frecuencia con la binomial, pero no resuelven el mismo tipo de situación.
Qué describe realmente esta distribución
Yo la explico siempre como un modelo de recuento. La pregunta no es si algo pasa o no pasa, sino cuántas veces pasa en una ventana concreta: una hora, una página, un kilómetro, un turno de trabajo o un área determinada. Por eso aparece tanto en estadística aplicada, porque muchos fenómenos reales no se miden mejor con una respuesta binaria, sino con una cuenta discreta.
Ejemplos típicos de uso son estos:
- número de llamadas que recibe un centro de atención en 10 minutos;
- número de erratas en una página impresa;
- número de coches que pasan por un punto en un minuto;
- número de defectos en una pieza o en un lote;
- número de clientes que llegan a una ventanilla durante una franja fija.
La idea de fondo es sencilla: si el fenómeno ocurre de manera relativamente rara, sin que un evento arrastre de forma clara al siguiente, Poisson suele encajar bien. Con esa base ya se entiende por qué la fórmula tiene la forma que tiene.
Y precisamente ahí entra el siguiente paso: traducir esa intuición en símbolos sin convertir el problema en un bosque de letras.
La fórmula y el significado de cada símbolo
La expresión estándar es esta:
P(X = k) = e-λ · λk / k!, para k = 0, 1, 2, 3, ...
En notación de variable aleatoria, se escribe también X ~ Poisson(λ). Yo recomiendo leerla así: “la probabilidad de observar exactamente k eventos cuando la media esperada es λ”.| Símbolo | Qué significa |
|---|---|
| X | Variable aleatoria que cuenta el número de sucesos. |
| k | Número exacto de eventos que quieres calcular. |
| λ | Media esperada de eventos en el intervalo elegido. |
| e | Constante de Euler, aproximadamente 2,71828. |
| k! | Factorial de k: 1·2·3·...·k. |
Hay dos detalles que conviene no pasar por alto. Primero, λ no es un valor cualquiera: tiene que corresponder a la media en ese intervalo concreto. Segundo, el factorial hace que la fórmula solo tenga sentido para conteos enteros, porque aquí no hablamos de fracciones de evento. A partir de esa lectura ya se entiende mejor cómo cambia la curva cuando cambia λ.
Cómo interpretar el parámetro λ y la forma de la curva
Este punto suele aclarar más cosas que la propia fórmula. λ marca la intensidad media del proceso y, al mismo tiempo, el centro de la distribución. Si λ es pequeño, la masa de probabilidad se concentra cerca de 0 y 1; si λ crece, la distribución se desplaza hacia la derecha y se vuelve menos asimétrica.
También hay una propiedad muy útil para examen: en Poisson, la media y la varianza coinciden. Es decir, la media es λ y la dispersión también está controlada por λ. Eso ayuda a detectar si un ejercicio está realmente bien planteado para este modelo.
| Valor orientativo de λ | Qué suele pasar |
|---|---|
| Pequeño | Muchos ceros, curva muy sesgada hacia la derecha. |
| Medio | La distribución sigue siendo discreta, pero la forma empieza a equilibrarse. |
| Grande | La silueta se aproxima visualmente a una campana, aunque sigue sin ser continua. |
Una forma práctica de estimar λ es multiplicar la tasa por la longitud del intervalo. Si en promedio hay 3 llamadas por minuto y te interesan 10 minutos, entonces λ = 30. Ese gesto simple evita muchos errores de escala y prepara el terreno para calcular probabilidades de forma correcta.
Con esa interpretación ya podemos pasar a lo que más suele interesar al lector: resolver probabilidades de verdad, no solo repetir la fórmula.
Cómo resolver una probabilidad paso a paso
Voy con un ejemplo limpio. Supón que una central recibe, de media, 4 llamadas por minuto. Queremos calcular la probabilidad de que en un minuto lleguen exactamente 2 llamadas.
- Defino la variable: X ~ Poisson(4).
- Identifico lo que piden: P(X = 2).
- Aplico la fórmula: P(X = 2) = e-4 · 42 / 2!.
- Simplifico: P(X = 2) = 8 · e-4.
- Obtengo el valor aproximado: P(X = 2) ≈ 0,1465.
La lectura final es que hay alrededor de un 14,65 % de probabilidad de que entren exactamente dos llamadas en ese minuto. Yo siempre remato la cuenta con una frase interpretativa, porque en examen no basta con obtener un decimal: hay que decir qué significa.
Cuando el enunciado cambia, cambia también la estrategia. Si te preguntan “a lo sumo 2”, sumas desde 0 hasta 2; si te preguntan “al menos 1”, normalmente compensa usar el complemento 1 - P(X = 0). Ese atajo ahorra tiempo y reduce errores de sumatorio.
| Lo que pide el ejercicio | Qué conviene hacer |
|---|---|
| Exactamente k | Usar la fórmula directa. |
| A lo sumo k | Sumar desde 0 hasta k. |
| Al menos k | Usar el complemento si simplifica la cuenta. |
| Más de k | Calcular 1 - P(X ≤ k). |
Una vez dominas ese esquema, el siguiente filtro es saber cuándo el modelo es apropiado y cuándo no conviene forzarlo.
Cuándo usarla y cuándo no conviene forzarla
La Poisson no sirve para todo. Yo la usaría cuando el problema cumpla, al menos de forma razonable, estas condiciones:
- se cuentan eventos en un intervalo fijo de tiempo, espacio o volumen;
- la tasa media se mantiene bastante estable;
- los eventos son aproximadamente independientes entre sí;
- la aparición de un evento no cambia de forma fuerte la probabilidad del siguiente;
- la probabilidad de dos o más eventos en un intervalo muy pequeño es despreciable.
En cambio, no la forzaría si los datos muestran agrupamientos claros, picos por franjas horarias o una dependencia fuerte entre eventos. Por ejemplo, si el volumen cambia mucho según la hora del día, una Poisson simple puede quedarse corta. En esos casos, el modelo sigue siendo una referencia útil, pero ya no describe bien la realidad.
También conviene desconfiar cuando la dispersión observada es muy superior a la que esperaría el modelo. Si la media y la variabilidad no se parecen en absoluto a lo que predice λ, yo revisaría el planteamiento antes de seguir calculando. Y justo aquí aparece la comparación que más confusión genera en clase: la binomial.
Relación con la binomial en ejercicios de examen
La binomial y la Poisson se parecen por fuera, pero no cuentan lo mismo. La binomial trabaja con un número fijo de intentos y una probabilidad de éxito p; la Poisson se centra en eventos por intervalo con una media λ. Yo suelo explicarlo así: la binomial cuenta éxitos en ensayos, mientras que la Poisson cuenta llegadas o ocurrencias en un espacio continuo o en una ventana fija.
| Aspecto | Poisson | Binomial |
|---|---|---|
| Qué cuenta | Eventos por intervalo | Éxitos en n intentos |
| Parámetros | λ | n y p |
| Media | λ | n · p |
| Varianza | λ | n · p · (1 - p) |
| Uso típico | Llegadas, fallos, errores, incidencias | Ensayos con dos resultados posibles |
Hay una conexión muy útil: cuando n es grande y p es pequeña, la binomial puede aproximarse por una Poisson con λ = n · p. Ese recurso aparece mucho en control de calidad y en problemas de fiabilidad. Si te dicen que de 100 piezas el 5 % sale defectuoso, entonces λ = 5; en ese tipo de contexto, la aproximación suele ser una buena ayuda para resolver rápido sin perder precisión relevante para el nivel del ejercicio.
Con esa comparación clara, solo quedan los tropiezos más comunes, que son precisamente los que más puntos cuestan cuando uno va con prisa.
Errores típicos al aplicar la fórmula
La mayoría de fallos en este tema no vienen de la fórmula, sino de la interpretación. Estos son los más habituales que yo veo una y otra vez:
- Confundir λ con k: λ es la media esperada; k es el número concreto que quieres calcular.
- Olvidar el intervalo: si la tasa es “por hora” y el problema pide 15 minutos, hay que ajustar la media.
- Usar la fórmula directa cuando piden “al menos”: en muchos casos el complemento es más limpio.
- Pasar por alto el factorial: para k = 0, el valor de 0! es 1, no 0.
- Forzar el modelo cuando hay dependencia: si un evento altera mucho al siguiente, Poisson pierde sentido.
- Mezclar media observada y media teórica: no siempre la cifra del enunciado es λ sin más; a veces hay que construirla.
Mi consejo práctico es revisar siempre tres cosas antes de calcular: qué se cuenta, en qué intervalo se cuenta y cuál es la media correcta para ese intervalo. Ese pequeño filtro evita la mayoría de errores tontos, que son los más frustrantes porque no tienen nada que ver con entender mal la teoría.
Lo que conviene recordar para resolverla rápido en examen
Si yo tuviera que quedarme con una idea operativa, sería esta: Poisson es un modelo de conteo con media fija por intervalo. Cuando el enunciado habla de sucesos aislados, una tasa más o menos estable y una pregunta del tipo “cuántos”, merece la pena probarla casi de inmediato.
- Escribe la variable como X ~ Poisson(λ).
- Traduce bien el intervalo antes de meter números.
- Decide si piden exactamente, como máximo o al menos.
- Usa el complemento cuando te simplifique la cuenta.
- Comprueba que λ corresponde a la media del intervalo correcto.
