Que el estudiante entienda que la Poisson modela cuántos eventos ocurren en un intervalo y la exponencial modela cuánto tiempo transcurre entre eventos, y que ambas aparecen naturalmente cuando analizamos llegadas aleatorias en colas y operaciones.
Si en promedio llegan 4 clientes por hora, ¿cómo describís cuántos llegan en una hora? ¿Y cómo describís el tiempo que pasa hasta el próximo cliente?
Es el mismo proceso visto de dos maneras: una por conteos (Poisson) y otra por esperas entre eventos (exponencial). Cambiar la tasa media cambia ambas descripciones al mismo tiempo.
La distribución de Poisson se usa cuando queremos modelar cuántos eventos ocurren en un intervalo fijo de tiempo o espacio. Por ejemplo: cuántos clientes llegan en una hora, cuántas llamadas entran en diez minutos o cuántas fallas aparecen en un turno.
Si la tasa media de llegadas es λ eventos por unidad de tiempo y observamos un intervalo de longitud Δt, entonces la cantidad esperada de eventos en ese intervalo es:
μ = λΔt
Ese valor μ es el centro de la Poisson. Si aumentás la tasa λ, esperás más eventos por unidad de tiempo. Si mantenés fija la tasa pero hacés más largo el intervalo Δt, también esperás más eventos, porque estás dejando pasar más tiempo para que ocurran llegadas.
En términos operativos, Poisson sirve para hablar de carga de trabajo: cuántas cosas llegan a una caja, a un servidor, a una máquina o a un centro de atención durante un período.
La distribución exponencial describe cuánto tiempo transcurre entre dos eventos consecutivos. Si las llegadas ocurren con una tasa media constante λ, entonces el tiempo hasta la próxima llegada tiene media:
E[T] = 1/λ
Eso significa que, cuando λ sube, el tiempo esperado entre eventos baja. En palabras simples: si llegan más eventos por unidad de tiempo, la espera entre uno y otro se acorta.
La exponencial suele verse “alta” cerca de cero y con una cola hacia la derecha. La interpretación es intuitiva: los tiempos cortos entre eventos son relativamente frecuentes, mientras que los tiempos muy largos pueden ocurrir, pero cada vez son menos probables.
En operaciones, esto es útil para pensar tiempos entre clientes, tiempos entre llamadas o tiempos entre fallas.
Poisson y exponencial no son temas separados. Son dos miradas del mismo mecanismo de llegadas aleatorias:
Por eso, cuando cambiás λ, cambian al mismo tiempo los conteos y las esperas.
No hace falta memorizar fórmulas complicadas para empezar. Lo importante es captar estas ideas:
En muchos modelos introductorios de colas, las llegadas se representan con este esquema: conteos Poisson + tiempos entre llegadas exponenciales. Eso permite estudiar congestión, tiempos de espera, utilización y capacidad.
Esta web no resuelve todavía toda una cola. Lo que hace es construir la base probabilística para entender de dónde salen esos modelos.
Arriba ves la línea de tiempo con las llegadas. Abajo ves los conteos por intervalo. La idea es relacionar ambas cosas: si en una franja temporal los eventos aparecen muy juntos, ese intervalo debería mostrar una barra más alta.
A la izquierda se compara la muestra con la Poisson. A la derecha se compara la muestra con la exponencial. Mirá si la teoría acompaña razonablemente la forma de los datos y recordá que pequeñas diferencias son normales.
En una cola simple, Poisson ayuda a modelar cuántos clientes llegan por hora y la exponencial ayuda a pensar cuánto falta para la próxima llegada. Estas ideas son la base de muchos modelos de espera y capacidad.
Poisson cuenta; exponencial espera. Son dos lenguajes para describir el mismo mecanismo de llegadas aleatorias.
Porque λ es una tasa por unidad de tiempo. Si mirás un intervalo más largo, esperás más eventos. Por eso la cantidad esperada en un intervalo de longitud Δt es λΔt.
Porque, cuando la tasa de llegadas es constante, los tiempos cortos entre eventos son relativamente comunes y los tiempos largos son cada vez menos probables.
Sí. Sobre todo si usás pocos intervalos o pocos eventos. La teoría describe el comportamiento esperado; la muestra concreta puede desviarse por azar.
Muchísima. En muchos modelos introductorios, las llegadas se representan con un proceso tipo Poisson y los tiempos entre llegadas con una exponencial. Eso permite estudiar espera, utilización y congestión.