poisson
Propiedades[editar]
La función de masa o probabilidad de la distribución de Poisson es
f(k,\lambda)=\frac{e^{-\lambda} \lambda^k}{k!}donde
k es el número de ocurrencias del evento o fenómeno (la función nos da la probabilidad de que el evento suceda precisamente k veces).
λ es un parámetro positivo que representa el número de veces que se espera que ocurra el fenómeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad de queocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribución de Poisson con λ = 10×4 = 40.
e es la base de los logaritmos naturales (e = 2,71828...)
Tanto el valor esperado como la varianza de una variable aleatoria con distribución de Poisson son iguales a λ. Los momentos de orden superior son polinomios de Touchard en λ cuyos coeficientes tienen una interpretacióncombinatorio. De hecho, cuando el valor esperado de la distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n-ésimo momento iguala al número de particiones de tamaño n.
La moda de una variable aleatoria de distribución de Poisson con un λ no entero es igual a \scriptstyle\lfloor \lambda \rfloor, el mayor de los enteros menores que λ (los símbolos \scriptstyle\lfloor \rfloorrepresentan la función parte entera). Cuando λ es un entero positivo, las modas son λ y λ − 1.
La función generadora de momentos de la distribución de Poisson con valor esperado λ es
\mathrm{E}\left(e^{tX}\right)=\sum_{k=0}^\infty e^{tk} f(k;\lambda)=\sum_{k=0}^\infty e^{tk} {\lambda^k e^{-\lambda} \over k!} =e^{\lambda(e^t-1)}.
Las variables aleatorias de Poisson tienen la propiedad de serinfinitamente divisibles.
La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parámetro λ0 a otra de parámetro λ es
D_{\mathrm{KL}}(\lambda||\lambda_0) = \lambda \left( 1 - \frac{\lambda_0}{\lambda} + \frac{\lambda_0}{\lambda} \log \frac{\lambda_0}{\lambda} \right).
Intervalo de confianza[editar]
Un criterio fácil y rápido para calcular un intervalo de confianzaaproximada de λ es propuesto por Guerriero (2012)1 . Dada una serie de eventos k (al menos el 15 - 20) en un periodo de tiempo T, los límites del intervalo de confianza para la frecuencia vienen dadas por:
F_{low}=(1-\frac{1.96}{\sqrt{k-1}}) \frac{ k}{T}
F_{upp}=(1+\frac{1.96}{\sqrt{k-1}}) \frac{ k}{T}
entonces los límites del parámetro \lambda están dadas por: \lambda_{low}=F_{low} T;\lambda_{upp}=F_{upp} T.
Relación con otras distribuciones[editar]
Sumas de variables aleatorias de Poisson[editar]
La suma de variables aleatorias de Poisson independientes es otra variable aleatoria de Poisson cuyo parámetro es la suma de los parámetros de las originales. Dicho de otra manera, si
X_i \sim \mathrm{Poi}(\lambda_i)\,, i=1,\dots, N
son N variables aleatorias de Poissonindependientes, entonces
Y = \sum_{i=1}^N X_i \sim \mathrm{Poi}\left(\sum_{i=1}^N \lambda_i\right)\,.
Distribución binomial[editar]
La distribución de Poisson es el caso límite de la distribución binomial. De hecho, si los parámetros n y \theta de una distribución binomial tienden a infinito (en el caso de 'n') y a cero (en el caso de \theta) de manera que \!\lambda=n\theta se mantenga constante,...
Regístrate para leer el documento completo.