¿Qué es un proceso de Poisson?
Un proceso de Poisson con tasa λ es un proceso estocástico en tiempo continuo \(N(t)\) que cuenta el número de eventos ocurridos hasta el tiempo \(t\). Se caracteriza por tres propiedades fundamentales:
- Incrementos independientes: el número de eventos en intervalos de tiempo disjuntos son variables aleatorias independientes. Lo que ocurre en \([0,s]\) no afecta a lo que ocurre en \([s,s+t]\).
- Incrementos estacionarios: \(N(s+t) - N(s)\) tiene la misma distribución que \(N(t)\) para todo \(s \geq 0\). La distribución de los eventos depende solo de la longitud del intervalo, no de su posición en el tiempo.
- Orderliness (ausencia de eventos simultáneos): la probabilidad de que ocurran dos o más eventos en un intervalo muy pequeño \([t, t+\Delta t]\) es \(o(\Delta t)\), es decir, despreciable respecto a \(\Delta t\).
Como consecuencia de estas propiedades, el número de eventos en cualquier intervalo de longitud \(t\) sigue una distribución de Poisson con media \(\lambda t\):
\[ P(N(t) = k) = \frac{e^{-\lambda t} (\lambda t)^k}{k!}, \quad k = 0, 1, 2, \ldots \]
La varianza también es \(\lambda t\), lo que implica que la variabilidad relativa \(\sqrt{\lambda t}/(\lambda t) = 1/\sqrt{\lambda t}\) decrece con el tiempo: cuanto más largo el horizonte, más predecible (en términos relativos) el número de eventos.
La distribución exponencial como tiempo entre eventos
Sea \(T_1\) el tiempo hasta el primer evento. Calcular su distribución es sencillo aprovechando la conexión con el proceso de Poisson:
\[ P(T_1 > t) = P(N(t) = 0) = e^{-\lambda t} \]
Por tanto, \(T_1 \sim \text{Exponencial}(\lambda)\) con función de densidad \(f(t) = \lambda e^{-\lambda t}\), media \(1/\lambda\) y mediana \(\ln(2)/\lambda\).
Por la propiedad de incrementos independientes y estacionarios, todos los tiempos entre eventos consecutivos \(T_1, T_2, T_3, \ldots\) son independientes e idénticamente distribuidos como \(\text{Exponencial}(\lambda)\). Esta propiedad es equivalente a que el proceso sea de Poisson.
La distribución exponencial satisface la famosa propiedad de falta de memoria:
\[ P(T > s + t \mid T > s) = P(T > t) \]
Es decir, el tiempo restante hasta el próximo evento no depende del tiempo que ya lleva esperando. Esta es la única distribución continua con esta propiedad — el análogo continuo de la distribución geométrica (la única discreta con falta de memoria).
Aplicaciones del proceso de Poisson
El proceso de Poisson es el modelo de referencia para eventos raros o eventos que llegan de forma aleatoria a tasa constante. Algunas aplicaciones clásicas:
- Teoría de colas (M/M/1): las llegadas de clientes a un servicio (banco, ventanilla, servidor web) se modelan frecuentemente con un proceso de Poisson con tasa λ. Las colas M/M/1 suponen además que el tiempo de servicio es exponencial con tasa μ. La estabilidad del sistema requiere ρ = λ/μ < 1.
- Desintegración radiactiva: las emisiones de partículas alfa o beta de una muestra radiactiva siguen (con gran precisión) un proceso de Poisson, ya que cada núcleo se desintegra de forma independiente con probabilidad constante por unidad de tiempo.
- Tráfico de red: los paquetes de datos en redes de telecomunicaciones, las solicitudes a un servidor web o las llamadas telefónicas entrantes se modelan con procesos de Poisson como primera aproximación.
- Reclamaciones de seguros: en actuaría, el número de siniestros en un período se modela con una Poisson (proceso de Poisson compuesto cuando cada siniestro tiene un monto aleatorio).
- Epidemiología de enfermedades raras: la incidencia de enfermedades raras en una población de tamaño n, con probabilidad p pequeña de padecerla, puede aproximarse por Poisson(np).
- Astronomía y física de partículas: los fotones que llegan a un detector, los cósmicos que impactan en un área, o las colisiones en un acelerador de partículas.
Generalizaciones del proceso de Poisson
El proceso de Poisson homogéneo (tasa λ constante) tiene varias generalizaciones importantes:
- Proceso de Poisson no homogéneo: la tasa varía con el tiempo, \(\lambda(t)\). El número esperado de eventos en \([0, T]\) es \(\int_0^T \lambda(t)\,dt\). Útil cuando la intensidad del proceso cambia a lo largo del día (p. ej., llamadas telefónicas: más frecuentes a mediodía que a las 3 de la madrugada).
- Proceso de Poisson compuesto: cada evento lleva asociado un "tamaño" o "severidad" aleatoria \(Y_i\). El proceso \(S(t) = \sum_{i=1}^{N(t)} Y_i\) es un proceso de Poisson compuesto. Es el modelo básico en riesgo de seguros para el total de reclamaciones.
- Proceso de Cox (Poisson doblemente estocástico): la tasa \(\lambda\) es en sí misma un proceso estocástico. Captura la sobredispersión observada cuando la varianza empírica supera a la media (algo que el Poisson puro no puede modelar).
- Proceso de Hawkes: proceso de Poisson autoexcitante en el que cada evento aumenta temporalmente la intensidad futura. Modela fenómenos de contagio (p. ej., terremotos réplica, propagación de noticias en redes sociales, órdenes en mercados financieros).
- Proceso de Poisson marcado: generalización en la que cada evento lleva una "marca" que puede contener información adicional (tipo de evento, ubicación espacial, magnitud, etc.).
Preguntas frecuentes
¿Por qué la tasa λ aparece tanto en la distribución de Poisson como en la exponencial?
Son dos caras de la misma moneda. λ es la tasa de ocurrencia del proceso: cuántos eventos esperamos por unidad de tiempo. En la distribución de Poisson, λt es el número esperado de eventos en el intervalo \([0,t]\). En la distribución exponencial, \(1/\lambda\) es el tiempo esperado hasta el próximo evento. Si λ es grande (muchos eventos por unidad de tiempo), la media \(1/\lambda\) del tiempo entre eventos es pequeña — las llegadas son frecuentes y los esperas cortas. Ambas formulaciones son equivalentes: especificar uno determina completamente el otro.
¿Puede usarse el proceso de Poisson cuando los eventos no son completamente independientes?
No directamente. La independencia de los incrementos es una propiedad esencial del proceso de Poisson: si el conocimiento de lo que ha ocurrido en el pasado cambia nuestra expectativa de lo que ocurrirá en el futuro (más allá del tiempo transcurrido), el proceso no es Poisson. Para eventos con correlación temporal — p. ej., terremotos (una réplica aumenta la probabilidad de otra), actividad en redes sociales (un tuit viral genera más respuestas), o datos de crédito (la morosidad de un cliente influye en la de vecinos) — se utilizan modelos más ricos como los procesos de Hawkes, los procesos de Poisson con frailty o los procesos de renovación generalizados.
¿Cómo se relaciona el proceso de Poisson con la distribución binomial?
Cuando \(n \to \infty\) y \(p \to 0\) con \(np = \lambda\) fijo, la distribución \(\text{Binomial}(n, p)\) converge a la distribución \(\text{Poisson}(\lambda)\). Esta es la ley de los sucesos raros (o de Poisson). Intuitivamente: dividamos el intervalo \([0,T]\) en \(n\) subintervalos pequeños de longitud \(T/n\). En cada uno puede ocurrir un evento con probabilidad \(p \approx \lambda T/n\). El número total de eventos es aproximadamente \(\text{Binomial}(n, p)\) que converge a \(\text{Poisson}(\lambda T)\) cuando \(n \to \infty\). Esta derivación también justifica las propiedades del proceso de Poisson de forma constructiva.
¿Cómo interpreto la varianza empírica si coincide con la media?
En la distribución de Poisson, la varianza teórica es igual a la media: \(\text{Var}(N(T)) = \mathbb{E}[N(T)] = \lambda T\). Si en tus simulaciones la media y la varianza empíricas son similares, es una confirmación de que el proceso simulado es efectivamente de Poisson. Si la varianza empírica supera mucho a la media (sobredispersión), podría indicar que el modelo subyacente real no es Poisson puro, y valdría la pena considerar una distribución binomial negativa o un proceso de Cox.
Herramientas relacionadas