Está en la página 1de 5

Proceso de Poisson

Procesos de Renovaci on y el Proceso de Poisson


Sean T1 , T2 , . . . variables aleatorias i.i.d no negativas y Sn = T1 + + Tn si n 1 y S0 = 0 Pensemos en {Sn } como los tiempos en los que se reporta una incidencia (fallo, reclamo, etc.) en un sistema. El proceso que representa el total de incidencias hasta el tiempo t , denido por N (t ) = max{n : Sn t }, se conoce como proceso de renovaci on. El caso particular en el que los tiempos entre incidencias T1 , T2 , . . . son variables exponenciales con media > 0 se denomina proceso de Poisson con intensidad . A partir de la f ormula de convoluci on para la suma de variables independientes, se demuestra que N (t ) es una variable aleatoria Poisson con media t .
Ra ul Jim enez y Rosario Romera (UC3M) Procesos Estoc asticos Diciembre 2008 1/5

Proceso de Poisson

Propiedades
Teorema. {N (t ), t 0} es un proceso de Poisson con intensidad si y s olo si
1 2 3

N (0) = 0 N (t ) N (s ) Poisson((t s )), para todo 0 s < t {N (t ), t 0} tiene incrementos independientes. Es decir, si t0 < t1 < < tm entonces N (t1 ) N (t0 ), N (t2 ) N (t1 ), . . . , N (tn ) N (tn1 ) son variables aleatorias independientes

Adem as de ser un proceso de renovaci on y un proceso con incrementos independientes, veremos m as adelante que el proceso de Poisson es un proceso de Markov a tiempo continuo. A partir de el se pueden construir varios procesos de inter es
Ra ul Jim enez y Rosario Romera (UC3M) Procesos Estoc asticos Diciembre 2008 2/5

Proceso de Poisson

Proceso de Poisson no homg eneo


En numerosas situaciones es realista suponer que hay m as incidencias a ciertas horas que a otras. Para modelar esta situaci on, es conveniente la siguiente generalizaci on del Proceso de Poisson: Decimos que {N (t ), t 0} es un proceso de Poisson no homog eneo con intensidad (t ) si 1 N (0) = 0
2 3

N (t ) N (s ) Poisson

t s

(r )dr , para todo 0 s < t

{N (t ), t 0} tiene incrementos independientes

Los tiempos entre ocurrencias asociados a un Proceso de Poisson no homog eneo no tienen por que ser exponenciales. Es suciente calcular la distribuci on del tiempo de la primera incidencia P (T1 t ) = 1 P (N (t ) = 0) = 1 e
Ra ul Jim enez y Rosario Romera (UC3M) Procesos Estoc asticos

Rt
0

(s )ds

Diciembre 2008

3/5

Proceso de Poisson

Proceso de Poisson compuesto


Podemos asociar variables a cada incidencia que representen costos de atenci on o reclamos. As , si Yi representa el costo de atenci on de la incidencia i - esima, el proceso S (t ) = 0 Y1 + + YN (t ) si N (t ) = 0 si N (t ) 1 (1)

representa el costo acumulado a tiempo t . Cuando los reclamos {Yi } sean i.i.d., un supuesto com un en teor a del riesgo, y el proceso N (t ) en (1) es de Poisson, el proceso {S (t ), t 0} se conoce como Proceso de Poisson Compuesto. La media y la varianza de S (t ) se puede calcular para el caso m as general: ES (t ) = EN (t ) EYi Var (S (t )) = EN (t )Var (Yi ) + Var (N (t ))(EYi )2

Ra ul Jim enez y Rosario Romera (UC3M)

Procesos Estoc asticos

Diciembre 2008

4/5

Proceso de Poisson

Proceso de Riesgo Colectivo


Consideremos una cartera de seguros que recibe un ingreso por primas de c euros por unidad de tiempo. Denotemos por Yi el monto del reclamo del siniestro i y sea N (t ) el proceso que registra el n umero de reclamos a tiempo t . El proceso de riesgo est a denido por X (t ) = X (0) + ct S (t ), siendo {S (t ), t 0} el proceso denido en (1)
350px-Samplepathcompoundpoisson.JPG 350!301 pixels

El tiempo de ruina es = inf {t > 0 : X (t ) < 0}


t

y la probabilidad de ruina (x ) = P ( < |X (0) = x ) Problema cl asico: calcular (x )


Ra ul Jim enez y Rosario Romera (UC3M) Procesos Estoc asticos Diciembre 2008 5/5