🔒 100% privado — funciona en tu navegador, no se sube nada

Calculadora de distribución de Poisson

Función de probabilidad y de distribución para datos de conteo: exactamente k eventos, k o menos, o más de k, a partir de λ.

La distribución de Poisson responde a una familia de preguntas: cuando los eventos ocurren de forma independiente a una tasa media estable, ¿qué probabilidad tiene cada conteo posible en un intervalo fijo? Su único parámetro, λ, es a la vez la media y la varianza, y la probabilidad de exactamente k eventos es e^(−λ) · λ^k ÷ k!. Con λ = 3, los valores de referencia son P(X = 0) ≈ 0,0498, P(X = 2) ≈ 0,224042 y P(X ≤ 2) ≈ 0,423190: fíjate en que un conteo «típico» de 2 es, por sí solo, menos probable que la probabilidad combinada de 0 o 1, y por eso citar un único conteo más probable sin sus vecinos engaña.

El modelo de Poisson supone que los eventos llegan de forma independiente, a una tasa media estable y de uno en uno. Si tus eventos se agrupan (una llegada hace más probable otra), llegan en tandas o la tasa varía dentro del intervalo, las probabilidades reales diferirán, a menudo con colas más pesadas de lo que Poisson predice.

Respuestas rápidas

¿Cómo se calcula una probabilidad de Poisson?

P(X = k) = e^(−λ) · λ^k ÷ k!. Para λ = 3 y k = 2: e^(−3) × 9 ÷ 2 ≈ 0,224042. Las probabilidades acumuladas suman las barras: P(X ≤ 2) con λ = 3 ≈ 0,423190.

λ es a la vez la media y la varianza de la distribución. El modelo supone eventos independientes a una tasa constante: la agrupación o una tasa variable hacen las colas reales más pesadas de lo que Poisson predice.

¿Qué significa λ en la distribución de Poisson?

El número medio de eventos por intervalo: por hora, por día, por página, el intervalo que use tu conteo. Debe ser positivo y no tiene por qué ser entero: una media de 2,5 eventos por hora es perfectamente válida.

Cambia el intervalo y λ escala con él: 6 llamadas por hora es λ = 3 por media hora. k, el conteo sobre el que preguntas, debe ser siempre un número entero.

Cómo se usa

  1. Introduce λ: el número medio de eventos en tu intervalo (llamadas por hora, llegadas por día, defectos por lote).
  2. Introduce k, el conteo sobre el que preguntas; debe ser un número entero, porque los eventos vienen de uno en uno.
  3. Elige la pregunta: exactamente k, k o menos, o más de k.
  4. Verifica la respuesta con un valor conocido: con λ = 3, P(X = 2) debería dar 0,224042.

Acerca de esta herramienta

Los supuestos del modelo son sus límites. Necesita eventos independientes (una llegada no hace otra ni más ni menos probable), una tasa realmente constante durante el intervalo y eventos que lleguen de uno en uno. Los centros de llamadas incumplen lo primero tras una caída del servicio, el tráfico incumple lo segundo en hora punta y las llegadas en grupo incumplen lo tercero: en cada caso, los conteos reales se dispersan más de lo que Poisson permite (sobredispersión) y las probabilidades de cola de esta página se quedarán cortas. La aritmética aquí es exacta — los factoriales se suman en espacio logarítmico para que los k grandes no desborden —, pero una aritmética exacta sobre un modelo inadecuado sigue siendo un modelo inadecuado.

Preguntas frecuentes

¿Cómo hallo la probabilidad de exactamente 2 eventos cuando λ = 3?

P(X = 2) = e^(−3) × 3² ÷ 2! = 0,049787 × 9 ÷ 2 ≈ 0,224042: en torno a un 22,4 % de probabilidad. El modo «exactamente k» de la calculadora, con λ = 3 y k = 2, devuelve la misma cifra.

¿Qué diferencia hay entre P(X = k) y P(X ≤ k)?

La primera es una sola barra de la distribución (exactamente ese conteo); la segunda es la suma acumulada de todas las barras hasta k inclusive. Para λ = 3: P(X = 2) ≈ 0,224042, pero P(X ≤ 2) ≈ 0,423190, porque también incluye los conteos 0 y 1. La mayoría de las preguntas reales («como máximo dos», «sin superar la capacidad») son del tipo acumulado.

¿Por qué k debe ser un número entero?

Los conteos son enteros: un intervalo contiene 2 llegadas o 3, nunca 2,5. λ, en cambio, es una media y es habitualmente fraccionaria: una media de 2,5 llegadas por hora tiene todo el sentido, y esta página acepta cualquier λ > 0.

¿Cuándo es Poisson el modelo equivocado?

Cuando los eventos se agrupan, se desencadenan entre sí o llegan en grupos; cuando la tasa sube y baja dentro del intervalo; o cuando hay un tope duro a los conteos posibles. La señal en los datos es una varianza claramente mayor que la media: Poisson obliga a que sean iguales, así que una varianza ≫ media en tus conteos significa que el modelo ya está fallando.

Más herramientas en español