Lexicon Redes Neuronales

Distribución de Poisson

Modelando el número de eventos en un intervalo

La distribución de Poisson describe el número de veces que ocurre un evento en un intervalo fijo de tiempo, espacio o cantidad, cuando estos eventos suceden de forma independiente y a una tasa promedio constante.

👉 Es ideal para modelar eventos raros o conteos en intervalos.

Definición corta

La distribución de Poisson modela el número de eventos que ocurren en un intervalo dado con una tasa constante.

📐 Definición matemática

P(X=k)=λke−λk!P(X = k)=\frac{\lambda^k e^{-\lambda}}{k!}

👉 donde:

  • kkk: número de eventos
  • λ\lambdaλ: tasa promedio de ocurrencia

🧠 Intuición

La Poisson responde:

👉 “¿Cuántos eventos ocurren en un intervalo si suceden al azar?”

Intervalo fijo  ↓  Eventos aleatorios  ↓  Conteo total

📊 Ejemplo simple

  • número de llamadas por hora
  • número de errores en un sistema
  • número de clientes en una tienda
λ = 3 eventos/hora  ↓  Probabilidad de 0,1,2,... eventos

🔄 Relación con otras distribuciones

  • Binomial → aproximación cuando nnn grande y ppp pequeño
  • Exponencial → tiempo entre eventos

📊 Ejemplo conceptual

Muchos ensayos  ↓  Eventos raros  ↓  Poisson

📐 Propiedades clave

🔹 Media

E[X]=λ\mathbb{E}[X] = \lambda

🔹 Varianza

Var(X)=λ\text{Var}(X) = \lambda

👉 media = varianza.

📊 Interpretación

λ alto → más eventos  λ bajo → eventos raros

🧠 Supuestos clave

Para usar Poisson:

  1. eventos independientes
  2. tasa constante
  3. eventos discretos
  4. ocurren uno a uno

📊 Ejemplo conceptual

Independencia  ↓  Tasa constante  ↓  Modelo válido

🧠 Forma de la distribución

  • asimétrica
  • se vuelve más simétrica con λ grande

📊 Ejemplo conceptual

λ pequeño → sesgada  λ grande → casi normal

🧠 Uso en machine learning

La distribución de Poisson aparece en:

  • modelado de conteos
  • regresión de Poisson
  • análisis de eventos
  • sistemas de colas

📊 Ejemplo conceptual

Eventos en tiempo  ↓  Distribución Poisson  ↓  Predicción

🧠 Relación con proceso de Poisson

  • modelo continuo de eventos
  • Poisson → conteo
  • exponencial → tiempo entre eventos

📊 Ejemplo conceptual

Tiempo continuo  ↓  Eventos  ↓  Conteo discreto

📊 Ejemplo en Python

import numpy as np
samples = np.random.poisson(lam=3, size=5)
print(samples)

Ejemplo con scipy

from scipy.stats import poisson
print(poisson.pmf(2, 3))

🧠 Qué muestra este ejemplo

  • conteo de eventos
  • comportamiento probabilístico
  • simulación realista

⚠️ Errores comunes

Usar Poisson sin tasa constante

Rompe el modelo.

Confundir con binomial

Poisson → eventos en tiempo, binomial → ensayos.

Ignorar independencia

Clave para validez.

📊 Ejemplo conceptual en ML

Eventos  ↓  Conteo  ↓  Distribución Poisson  ↓  Modelo

🧠 Interpretación profunda

La distribución de Poisson refleja un principio clave:

👉 Los eventos aleatorios en el tiempo pueden modelarse con una tasa promedio

Permite:

  • modelar fenómenos reales
  • predecir conteos
  • entender procesos aleatorios

Conclusión

La distribución de Poisson modela el número de eventos en un intervalo fijo bajo condiciones de independencia y tasa constante.

👉 Es fundamental para análisis de eventos y conteos en machine learning.

Related Concepts