Revision Exponencial Poisson

FIMCP Ingeniera y Administraci on de la Producci on Industrial
Complemento para Teora de Colas:

Revisi on de la Distribuci on Exponencial y de
Poisson
Investigaci on de Operaciones II
Andr es G. Abad, Ph.D.
agabad@espol.edu.ec
ESCUELA SUPERIOR POLIT
ECNICA DEL LITORAL

Ingeniera y Administraci on de la Producci on Industrial
Andr es G. Abad, Ph.D. agabad@espol.edu.ec Complemento para Teora de Colas:Revisi on de la Distribuci on Exponencial y de Poisson
Revisi on de la distribuci on exponencial I
Decimos que una variable aleatoria T sigue una distribuci on
exponencial con par ametro si su funci on de densidad f (t ) es:
f (t ) = P{T = t } =
e
t
, for t 0;
0, for t < 0.
As, su funci on de distrubci on F(t ) es:
F(t ) = P{T t } = 1 e
t
1 F(t ) = P{T > t } = e
t
Adem as:
E[T] =
1
; VAR[T] =
1
2
Revisi on de la distribuci on exponencial II
Revisi on de la distribuci on exponencial III
Ejemplos descritos por la distribuci on exponencial
El tiempo que puede transcurrir en un servicio de urgencias,

para la llegada de un paciente
El tiempo hasta que un aparato electr onico falle
El tiempo hasta la siguiente llamada entrante en un call center
El tiempo que tarda una partcula radiactiva en desintegrarse
El conocimiento de la ley que sigue este evento se utiliza en

Ciencia para, por ejemplo, la dataci on de f osiles o cualquier
materia org anica mediante la t ecnica del carbono 14, C14;
Revisi on de la distribuci on exponencial IV
Ejemplo de ilustraci on
El call center de un departamento de mantenimiento recibe un
promedio de 5 llamadas por hora. Comenzando en un momento
aleatoriamente seleccionado, determine la probabilidad de que
una llamada llegue dentro de media hora.
Revisi on de la distribuci on exponencial V
Soluci on
Dado que en promedio una llamada entra cada 0.2 horas (12
minutos), tenemos
E[T] =
1
= 0.2
y as = 5 llamadas por hora.
Ahora, para obtener la probabilidad de que al menos una llamada
entre durante la pr oxima media hora, debemos evaluar:
P{T t = 0.5 hora} = 1e
t
= 1e
5(0.5)
= 10.082 = 0.918
Propiedades de la distribuci on exponencial I
Propiedad 1
f
T
(t ) es una funci on estrictamente decreciente de t (t 0)
Como consequencia P{0 T t } > P{t T t + t }

P{0 T
1
2a
} = 0.393
P{
1
2a
T
3
2a
} = 0.383
Es relativamente probable que T tome un valor peque no cercano a
cero
Propiedades de la distribuci on exponencial II
Es esta una propiedad razonable para T en un modelo de colas?
Servicios en esencia no son id enticos
El servidor no siempre realiza la misma secuencia de

operaciones
Descarta las situaciones en las que los clientes que llegan al

sistema tienden a posponer su entrada si ven que otro cliente
entra antes que ellos
Propiedades de la distribuci on exponencial III
Propiedad 2 - Falta de memoria
La distribuci on de probabilidad del tiempo que falta hasta que
ocurra el evento siempre es la misma sin importar cu anto tiempo
t haya pasado
Matem aticamente:
P{T > t + t |T > t } = P{T > t }
Propiedades de la distribuci on exponencial IV
P{T > t + t |T > t } = P{T > t }
P{T > t + t |T > t } =
P{T > t + t ; T > t }
P{T > t }
=
P{T > t + t }
P{T > t }
=
e
(t +t )
e
t
= e
t
Propiedades de la distribuci on exponencial V
Tiempo entre llegadas
El tiempo que falta hasta la llegada siguiente es totalmente

independiente de cu ando ocurri o la ultima llegada
Tiempo de servicio
Si ha pasado un tiempo de servicio considerable, la unica

implicaci on puede ser que este cliente en particular requiera
un servicio m as extenso que los dem as
Propiedades de la distribuci on exponencial VI
Propiedad 3
El mnimo de varias variables aleatorias exponenciales e
independientes tiene distribuci on exponencial
Sean T
1
, T
2
, . . . , T
n
, n variables aleatorias exponenciales con
parametro
1
,
2
, . . . ,
n
respectivamente. Denimos
U = min{T
1
, T
2
, . . . , T
n
}, tal que
P{U > t } = P{T
1
> t ; T
2
> t ; . . . ; T
n
> t }
= P{T
1
> t }P{T
2
> t } P{T
n
> t }
= e
1
t
e
2
t
e
n
t
= exp
i =1
i
t
Propiedades de la distribuci on exponencial VII
Tiempos entre llegadas
El tiempo entre llegadas del sistema de colas completo U, tiene
distribuci on exponencial con par ametro
=
n
i =1
i
donde
i
es el par ametro de la distribuci on exponencial del tiempo
de llegada del cliente i
Propiedades de la distribuci on exponencial VIII
Tiempos de servicios
El tiempo de servicio del sistema de colas tiene distribuci on
exponencial con par ametro
= n
i
donde
i
es el par ametro de la distribuci on exponencial del
servidor i
Propiedades de la distribuci on exponencial IX
Propiedad 4 - Relaci on con distribuci on de Poisson
Propiedades de la distribuci on exponencial X
Sea X(t ) el n umero de ocurrencias de alg un evento

modelado por una funci on exponencial hasta el tiempo t
(t > 0). Entonces
P{X(t ) = n} =
(t )
n
e
t
n!
, for n = 0, 1, 2, . . .
Es decir, {X(t ); t > 0} es un proceso de Poisson con
parametro t
Propiedades de la distribuci on exponencial XI
Distribuci on exponencial Distribuci on de Poisson
P{T > t } = e
t
P{X(t ) = 0} = e
t
Probabilidad de que el primer
evento ocurra despu es del
tiempo t (t > 0)
Probabilidad de que no ocurra
ning un evento hasta el tiempo
t (t > 0)
La media de la distribuci on de Poisson es E[X(t )] = t
es la tasa media a la que ocurren los eventos

Propiedades de la distribuci on exponencial XII
Llegadas
Tiempo entre dos llegadas
consecutivas tiene distribuci on
exponencial con media 1/
X(t ) : el n umero de llegadas
en un tiempo transcurrido t ,
tiene distribuci on Poisson con
media
Servicios
Tiempo de servicio tiene dis-
tribuci on exponencial con me-
dia 1/
X(t ) : el n umero de servicios
en un tiempo transcurrido t ,
tiene distribuci on Poisson con
media
Propiedades de la distribuci on exponencial XIII
Propiedad 5
Para t > 0, P{T t + t |T > t } t , para valores

peque nos de t
Si ha pasado un tiempo t sin que ocurra un evento, la probabilidad
de que ocurra un evento dentro del siguiente intervalo de tiempo
de longitud t ja puede aproximarse por t .
Propiedades de la distribuci on exponencial XIV
P{T t + t |T > t } = P{T t }
= 1 e
t
Ya que
e
x
= 1 + x +
n=2
x
n
n!
Tenemos
P{T t + t |T > t } = 1 1 +t
n=2
(t )
n
n!
t , para peque nos valores de t
Propiedades de la distribuci on exponencial XV
Propiedad 6 - No afectada por agregaci on o desagregaci on
Supongamos que hay n tipo de clientes llegando al sistema
Las llegadas del cliente del tipo i ocurren de acuerdo a un

proceso de poisson con parametro
i
Asumiendo estos son procesos de poisson independientes

tenemos que el proceso de llegada agregado es tambi en un
proceso de poisson con parametro =
1
+
2
+
n
Revisi on de la distribuci on de Poisson I
La distribuci on de Poisson
Es una distribuci on de probabilidad discreta que expresa la
probabilidad que un determinado n umero de eventos ocurran en
un determinado periodo de tiempo
Una frecuencia media conocida
Independiente del tiempo transcurrido desde el primer evento

Revisi on de la distribuci on de Poisson II
Para que las llegadas de los clientes a un sistema sigan un
proceso de poisson deben satisfacter:
Estacionaridad: Para un intervalo de tiempo dado, la

probabilidad de que llegue un cliente es la misma que para
todos los dem as intervalos de la misma longitud
Independencia: La llegada de un cliente no tiene inuencia

sobre la llegada de otro
Revisi on de la distribuci on de Poisson III
La probabilidad de que un evento ocurra exactamente n veces
durante un intervalo de duraci on t est a dada por:
P{X(t ) = n} =
(t )
n
e
t
n!
, for n = 0, 1, 2, . . .
n = es el n umero de ocurrencias del evento o fen omeno durante
un intervalo de duraci on t
= es un par ametro positivo que representa el n umero de veces
que se espera que ocurra el fen omeno durante una unidad de
tiempo
e = es la base de los logaritmos naturales (e = 2, 71828 . . . )
n! = n (n 1) (n 2) 2 1
Revisi on de la distribuci on de Poisson IV
Ejemplo de ilustraci on
Los clientes llegan a Lucas de acuerdo a una distribuci on de
Poisson. Entre las 8:00AM y las 9:00AM llegan en promedio 6
clientes al local comercial. Cu al es la probabilidad de que
k = 0, 1, 2, 3 clientes lleguen entre las 8:00AM y las 8:30AM?
Revisi on de la distribuci on de Poisson V
Soluci on
Tenemos los siguientes valores:
= 6 clientes por hora
t = 0.5 horas (media hora)
t = (6)(0.5) = 3
P{X(0.5) = n} =
(3)
n
e
3
n!
n P{X(0.5) = n}
0 0.049
1 0.149
2 0.224
3 0.224

Revision Exponencial Poisson

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Revision Exponencial Poisson

Cargado por

Copyright:

Formatos disponibles

FIMCP Ingeniera y Administraci on de la Producci on Industrial

Complemento para Teora de Colas:

ECNICA DEL LITORAL

El tiempo que puede transcurrir en un servicio de urgencias,

El tiempo hasta que un aparato electr onico falle

El tiempo hasta la siguiente llamada entrante en un call center

El tiempo que tarda una partcula radiactiva en desintegrarse

El conocimiento de la ley que sigue este evento se utiliza en

Como consequencia P{0 T t } > P{t T t + t }

Servicios en esencia no son id enticos

El servidor no siempre realiza la misma secuencia de

Descarta las situaciones en las que los clientes que llegan al

Tiempo entre llegadas

El tiempo que falta hasta la llegada siguiente es totalmente

Si ha pasado un tiempo de servicio considerable, la unica

Sea X(t ) el n umero de ocurrencias de alg un evento

La media de la distribuci on de Poisson es E[X(t )] = t

es la tasa media a la que ocurren los eventos

Para t > 0, P{T t + t |T > t } t , para valores

Supongamos que hay n tipo de clientes llegando al sistema

Las llegadas del cliente del tipo i ocurren de acuerdo a un

Asumiendo estos son procesos de poisson independientes

Una frecuencia media conocida

Independiente del tiempo transcurrido desde el primer evento

Estacionaridad: Para un intervalo de tiempo dado, la

Independencia: La llegada de un cliente no tiene inuencia

También podría gustarte