Prueba de tasa de Poisson de una muestra
La prueba de tasa de Poisson de una muestra estima una tasa de eventos por unidad de exposición y la compara con una tasa hipotética. Úsela para conteos de eventos independientes en una exposición fija, no para datos de pasa/no pasa. Los datos pueden ser una columna de conteos o un tamaño de muestra y un total. Ofrece el método exacto o la aproximación normal, y entrega la tasa muestral, su intervalo de confianza y un valor p.
Última revisión:
Idea clave
La prueba de tasa de Poisson de una muestra estima la tasa a la que ocurren eventos, como defectos por panel o averías por mes, con un intervalo de confianza, y comprueba si difiere de una tasa objetivo o histórica.
En esta página
Finalidad
La prueba de tasa de Poisson de una muestra estima la tasa a la que ocurren eventos, como defectos por panel, averías por mes o llamadas por hora, y la compara con una tasa objetivo o histórica. Entrega la tasa con un intervalo de confianza y, si lo desea, una prueba de si la tasa difiere del valor hipotético, o si es mayor o menor que él. Úsela para conteos de eventos en una cantidad fija de exposición (unidades, área, tiempo) en los que cada evento es independiente, y no para resultados de pasa/no pasa, que requieren la prueba de proporción de una muestra.
Capacidades principales
- Datos como una columna de conteos (un conteo por unidad) o como un resumen: tamaño de muestra y total de ocurrencias.
- Método exacto (prueba de Poisson exacta e intervalo de confianza exacto) o aproximación normal (prueba z).
- Alternativas bilaterales o unilaterales, con un intervalo bilateral o una cota unilateral acorde.
- Tasa por unidad de cualquier duración de observación, p. ej., por panel, por 100 m² o por turno.
- Solo el intervalo de confianza, sin prueba, cuando se desmarca Perform hypothesis test.
Métodos estadísticos
Con N unidades, cada una observada durante una duración t (Length of observation, por defecto 1), la exposición total es T = N·t. Si se cuentan X eventos en total, la tasa muestral es λ̂ = X / T. Bajo la hipótesis nula, el conteo X sigue una distribución de Poisson con media μ₀ = λ₀·T, donde λ₀ es la tasa hipotética.
Método exacto: para Rate > hypothesized rate el valor p es P(X ≥ x | μ₀), para Rate < hypothesized rate es P(X ≤ x | μ₀), y en la prueba bilateral el valor p suma la probabilidad de la cola opuesta más allá del conteo que es igualmente improbable según la regla de la razón de verosimilitud. El intervalo de confianza es el intervalo exacto (Garwood) basado en la distribución chi-cuadrado: inferior = χ²(α/2; 2x) / (2T), superior = χ²(1 − α/2; 2x + 2) / (2T), con α / 2 sustituido por α en una cota unilateral.
Aproximación normal: z = (λ̂ − λ₀) / √(λ₀ / T), con el valor p de la distribución normal estándar, y el intervalo λ̂ ± z·√(λ̂ / T), truncado en cero. Se aproxima al método exacto cuando el conteo esperado es grande. Ambos métodos suponen que los eventos ocurren de forma independiente a una tasa constante, de modo que la varianza de los conteos es igual a su media; si los conteos varían mucho más que la media (conglomerados de defectos), el valor p será demasiado pequeño.
Campos de entrada y opciones
Campo | Descripción |
Data | Summarized data (por defecto) o Counts in a column. |
Sample | Con Counts in a column: la columna de conteos, uno por unidad. Los conteos deben ser números enteros iguales o mayores que 0; las celdas en blanco se ignoran. |
Sample size / Total occurrences | Con Summarized data: el número de unidades y el número total de eventos contados. |
Perform hypothesis test | Marcada por defecto. Desmárquela para obtener solo la tasa y su intervalo de confianza. |
Hypothesized rate | Obligatorio para la prueba. La tasa objetivo o histórica por duración de observación; mayor que 0. |
Confidence level | Por defecto 95; de 75 a 100. |
Alternative hypothesis | Rate ≠ hypothesized rate (por defecto), Rate < hypothesized rate o Rate > hypothesized rate. |
Method | Exact (por defecto) o Normal approximation. |
Length of observation | Por defecto 1. La cantidad de exposición de cada unidad, en las unidades en que se expresa la tasa. |

Figura 1 — Opciones del ejemplo: defectos de pintura contados en cada panel, tasa hipotética 2, bilateral, método exacto.
Descripción de la salida
- Descriptive Statistics — N, Total Occurrences, Sample Rate y el intervalo de confianza para λ (o una cota inferior o superior en una prueba unilateral), con notas que indican la columna, el método y cualquier duración de observación distinta de 1.
- Test — las hipótesis nula y alternativa, y el P-Value (con el Z-Value en la aproximación normal).
- Exportación a PDF mediante Download.

Figura 2 — 148 defectos en 50 paneles: una tasa de 2.96 por panel, IC del 95% de 2.502 a 3.477, p < 0.001 frente a la tasa histórica de 2.
Ejemplo
Históricamente, un panel de puerta de automóvil tiene en promedio 2 defectos de pintura. Un ingeniero de una planta de pintura inspecciona 50 paneles al azar y cuenta los defectos de cada uno. ¿Ha cambiado la tasa? Data = Counts in a column, Sample = Paint Defects, Hypothesized rate = 2, Confidence level = 95, Alternative hypothesis = Rate ≠ hypothesized rate, Method = Exact, Length of observation = 1.
Los 50 paneles tienen 148 defectos en total, una tasa muestral de 2.96 defectos por panel. El intervalo de confianza del 95% para λ va de 2.502 a 3.477: todo el intervalo está por encima de 2. El valor p exacto es inferior a 0.001, por lo que la tasa de defectos ha cambiado; es aproximadamente un 50% mayor que antes. Los conteos parecen de Poisson: su varianza (2.37) es cercana a su media, por lo que no hay indicios de que los defectos aparezcan en conglomerados que harían la prueba demasiado optimista.
La aproximación normal lleva a la misma conclusión (z = 4.8, p < 0.001, intervalo de 2.483 a 3.437). Si la pregunta es solo si la tasa ha aumentado, Rate > hypothesized rate da una cota inferior del 95% de 2.571 defectos por panel: la tasa de defectos es al menos un 29% superior al nivel histórico, y el ingeniero debe investigar qué cambió en el proceso de pintura. El mismo resultado se obtiene con Data = Summarized data, Sample size = 50 y Total occurrences = 148.
Preguntas frecuentes
¿Qué es una prueba de tasa de Poisson de una muestra?
Una prueba de tasa de Poisson de una muestra estima la tasa a la que ocurren eventos, como defectos por panel, averías por mes o llamadas por hora, y la compara con una tasa objetivo o histórica. Entrega la tasa con un intervalo de confianza y puede comprobar si la tasa difiere del valor hipotético, o si es mayor o menor que él.
¿Cuándo usar una prueba de tasa de Poisson en lugar de una prueba de proporción de una muestra?
Use la prueba de tasa de Poisson para conteos de eventos en una cantidad fija de exposición, como unidades, área o tiempo, en los que cada evento es independiente y una unidad puede tener varios eventos. Para resultados de pasa/no pasa, en los que cada elemento simplemente es conforme o no, utilice en su lugar la prueba de proporción de una muestra.
¿Cuáles son los supuestos de la prueba de tasa de Poisson?
Tanto el método exacto como la aproximación normal suponen que los eventos ocurren de forma independiente a una tasa constante, de modo que la varianza de los conteos es igual a su media. Si los conteos varían mucho más que la media, por ejemplo cuando los defectos aparecen en conglomerados, el valor p será demasiado pequeño.
¿Cuál es la diferencia entre el método exacto y la aproximación normal?
El método exacto usa la distribución de Poisson para el valor p y el intervalo exacto de Garwood basado en la distribución chi-cuadrado. La aproximación normal usa una prueba z y el intervalo tasa más o menos z por la raíz cuadrada de la tasa dividida por la exposición. Se aproxima al método exacto cuando el conteo esperado es grande.
