Bondad de ajuste de Poisson
Una prueba de bondad de ajuste de Poisson determina si unos datos de recuento siguen una distribución de Poisson, que describe cuántas veces ocurre un evento raro en un intervalo fijo de tiempo, área, volumen u oportunidad. Si los datos se ajustan bien a la distribución de Poisson, se confirma que los eventos ocurren de forma aleatoria e independiente con una tasa media constante.
Última revisión:
Idea clave
Una prueba de bondad de ajuste de Poisson determina si unos datos de recuento siguen una distribución de Poisson, que describe cuántas veces ocurre un evento raro en un intervalo fijo de tiempo, área, volumen u oportunidad.
En esta página
¿Qué es la bondad de ajuste de Poisson?
Una prueba de bondad de ajuste de Poisson determina si unos datos de recuento siguen una distribución de Poisson, que describe cuántas veces ocurre un evento raro en un intervalo fijo de tiempo, área, volumen u oportunidad. Si los datos se ajustan bien a la distribución de Poisson, se confirma que los eventos ocurren de forma aleatoria e independiente con una tasa media constante.
Entre las aplicaciones habituales está comprobar si el número de defectos por unidad, de llegadas de clientes por hora o de fallos de equipos por mes sigue el modelo de Poisson, que es el fundamento de las gráficas C y U del control estadístico de procesos.
Definición sencilla: Una prueba que comprueba si los datos de recuento se ajustan a la distribución de Poisson, confirmando que los eventos raros ocurren de forma aleatoria e independiente con una tasa media constante.
¿Cuándo usar la bondad de ajuste de Poisson?
- Úsela cuando los datos sean recuentos de eventos (no mediciones), como defectos por unidad, errores por documento o fallos por máquina y mes.
- Úsela cuando quiera validar el supuesto de un proceso de Poisson antes de aplicar gráficas C, gráficas U o regresión de Poisson.
- Úsela cuando los eventos sean raros en relación con el tamaño de la oportunidad : la distribución de Poisson es adecuada cuando la probabilidad de un evento individual es baja pero el número de oportunidades es grande.
- Úsela para diagnosticar la sobredispersión : si los datos no superan de forma significativa el ajuste de Poisson, la varianza supera la media, lo que sugiere fuentes adicionales de variación que una gráfica C o U estándar no detectaría.
Pautas para el uso correcto de la bondad de ajuste de Poisson
- Los eventos deben ser independientes : la ocurrencia de un evento no debe influir en la probabilidad del siguiente.
- La tasa media de ocurrencia debe ser constante en todos los períodos de observación: si la tasa cambia con el tiempo, el modelo de Poisson no es adecuado.
- Asegúrese de que las frecuencias esperadas de cada categoría de recuento sean de al menos 1 a 5 : combine las categorías de recuento bajo si es necesario para obtener una prueba fiable.
- Un valor p inferior a 0.05 indica que los datos no se ajustan a la distribución de Poisson: investigue si la causa es la sobredispersión, la agrupación o el cambio de las tasas.
Alternativas: cuándo no usar la bondad de ajuste de Poisson
- Si los datos de recuento no superan el ajuste de Poisson por sobredispersión, use la distribución binomial negativa o las gráficas U' / P' de Laney
- Si la respuesta es categórica y no un recuento, use la bondad de ajuste chi-cuadrado (Chi-Square Goodness of Fit)
- Si la respuesta es continua, use la prueba de normalidad o la identificación de distribución individual (Individual Distribution Identification)
- Si los eventos no son raros o la tasa de eventos es alta, puede que no se cumpla el supuesto de Poisson: considere pruebas de la distribución binomial
Ejemplo de bondad de ajuste de Poisson
Un ingeniero de calidad quiere saber si los defectos por teléfono móvil siguen una distribución de Poisson. El ingeniero selecciona al azar 300 teléfonos móviles y registra el número de defectos de cada uno. La prueba sigue estos pasos:
- Se reunieron los datos necesarios.

- Ahora se analizan los datos en Zometric Statistical Software en https://statsai.zometric.com/.
- Para encontrar la bondad de ajuste de Poisson, elija Statistical module> Hypothesis Test> Poisson Goodness Of Fit.
- Dentro de la herramienta, se introducen los datos junto con otros parámetros de la siguiente manera:

5. Tras usar la herramienta indicada, se obtiene la siguiente salida:


Cómo realizar la prueba de bondad de ajuste de Poisson
La guía es la siguiente:
- Inicie sesión en Zometric Statistical Software en https://statsai.zometric.com/
- En la página de inicio, elija Statistical Tool> Hypothesis Test >Poisson Goodness Of Fit .
- A continuación, introduzca los datos manualmente o copie todos los datos (Ctrl+C) de una hoja de Excel y péguelos (Ctrl+V) aquí.
- Complete las opciones necesarias.
- Por último, haga clic en calculate en la parte inferior de la página para obtener los resultados deseados.
En el tablero de Poisson Goodness Of Fit, la ventana está dividida en dos partes.

En la parte izquierda se encuentra el panel de datos (Data Pane). En el Data Pane, cada fila forma un subgrupo. Los datos pueden introducirse manualmente, o bien copiarse por completo (Ctrl+C) desde una hoja de Excel y pegarse (Ctrl+V) aquí.
Load example: Se cargarán los datos de ejemplo.
Load File: Se usa para cargar directamente los datos de Excel.
En la parte derecha hay numerosas opciones, como las siguientes:
- Variable Seleccione la columna que contiene los datos de recuento que desea probar; por ejemplo, el número de defectos por unidad, de errores por documento o de fallos por máquina y período de inspección. Cada valor de esta columna representa un recuento de cuántas veces ocurrió un evento dentro de una oportunidad o un intervalo de tiempo definidos. Es la entrada principal que usa la prueba para evaluar si los datos siguen una distribución de Poisson. Este campo es obligatorio.
- Frequency Variable Seleccione la columna que contiene la frecuencia de cada valor de recuento , es decir, cuántas veces apareció cada recuento concreto en el conjunto de datos. Este campo es opcional y se usa cuando los datos ya están resumidos en una tabla de frecuencias en lugar de enumerados como observaciones individuales.
- Por ejemplo, si los datos muestran que un recuento de 0 defectos ocurrió 15 veces, un recuento de 1 defecto ocurrió 22 veces y un recuento de 2 defectos ocurrió 8 veces, introduciría los valores de recuento (0, 1, 2) en la columna Variable y las frecuencias correspondientes (15, 22, 8) en la columna Frequency Variable. Si los datos están en forma bruta, con una observación por fila, deje este campo vacío.
- Bar Chart of Observed and Expected Values Cuando está activada, muestra una gráfica de barras comparativa entre los recuentos observados reales y los recuentos esperados bajo una distribución de Poisson. Es la salida visual más informativa: muestra de inmediato si la forma de los datos observados coincide con la curva teórica de Poisson o si se desvía significativamente, y en qué dirección (más dispersa, más concentrada o con otra asimetría de la esperada).
- Bar Chart of Each Category Contribution to the Chi-Square Value Cuando está activada, muestra una gráfica de barras con cuánto contribuye cada valor de recuento individual al estadístico de prueba chi-cuadrado global. Las barras más altas representan los valores de recuento que más se desvían de lo esperado según Poisson, lo que ayuda a identificar exactamente dónde falla la distribución en lugar de saber solo que el ajuste global es deficiente. Es especialmente útil para diagnosticar si el resultado se debe a sobredispersión, subdispersión o un recuento inusual concreto.
- Display Bars from Largest to Smallest Cuando está activada, ordena las barras de la gráfica de contribuciones en orden descendente , del mayor al menor contribuyente. Esto facilita identificar de inmediato qué valores de recuento son los principales responsables de cualquier desviación de la distribución de Poisson, centrando la atención primero en las desviaciones más significativas en lugar de leer las barras en el orden secuencial de los recuentos.
- Display Test Results Cuando está activada, muestra la salida estadística completa de la prueba, incluidos el estadístico chi-cuadrado, los grados de libertad, la media de Poisson estimada (lambda) y el valor p , junto a la gráfica. Así se pueden ver los resultados visuales y numéricos juntos en un solo lugar, lo que facilita interpretar la conclusión global sin tener que cambiar entre paneles de salida distintos.
Preguntas frecuentes
¿Qué es una prueba de bondad de ajuste de Poisson?
Una prueba de bondad de ajuste de Poisson determina si unos datos de recuento siguen una distribución de Poisson, que describe con qué frecuencia ocurre un evento raro en un intervalo fijo de tiempo, área, volumen u oportunidad. Un buen ajuste respalda la conclusión de que los eventos ocurren de forma aleatoria e independiente con una tasa media constante, como los defectos por unidad o los fallos por mes.
¿Cuándo conviene usar una prueba de bondad de ajuste de Poisson?
Úsela cuando los datos sean recuentos de eventos y no mediciones, y quiera validar el supuesto de Poisson antes de aplicar gráficas C, gráficas U o regresión de Poisson. También se usa para diagnosticar la sobredispersión: si los datos no superan claramente el ajuste de Poisson, la varianza supera la media, lo que sugiere fuentes adicionales de variación que una gráfica C o U estándar no detectaría.
¿Cómo se interpreta el valor p de la bondad de ajuste de Poisson?
Un valor p inferior a 0.05 indica que los datos no se ajustan a la distribución de Poisson, por lo que debe investigarse si la causa es la sobredispersión, la agrupación o el cambio de las tasas. La salida informa el estadístico chi-cuadrado, los grados de libertad, la media de Poisson estimada (lambda) y el valor p, y la gráfica de la contribución de cada categoría al chi-cuadrado muestra qué valores de recuento se desvían más de lo esperado según Poisson.
¿Qué hacer si los datos de recuento no se ajustan a una distribución de Poisson?
Si los datos no superan el ajuste de Poisson por sobredispersión, considere una distribución binomial negativa o las gráficas U' o P' de Laney. Si los eventos no son raros, considere las pruebas de la distribución binomial. Compruebe también que las frecuencias esperadas de cada categoría de recuento sean de al menos 1 a 5, combinando las categorías de recuento bajo si es necesario para obtener una prueba fiable.
