Procesos de Poisson

FaMAF

22 de marzo 2012

1 / 25

Distribucin exponencial

Denicin
Una v.a. X con funcin de densidad dada por
f (x) = ex ,

x > 0,

para cierto > 0 se dice una v.a. exponencial con parmetro .

E[X ] =

Var (X ) =

1
2

2 / 25

Propiedades
t

exp(x) t
|0 = 1 exp(t)

0
P(X > t) = 1 [1 exp(t)] = exp(t)
F (t) =

exp(x)dx =

Una variable aleatoria con distribucin exponencial tiene falta de

memoria.
P(X > s + t | X > s) = P(X > t).
P(X > s+t | X > s) =

exp(x)dx
t+s

exp(x)dx
s

exp(s + t)
= P(X > t).
exp(s)

Son las nicas v.a. continuas con falta de memoria.

El anlogo en el caso discreto son las v.a. geomtricas.
Si X E(), entonces c X E( 1 ).
c

3 / 25

Variable aleatoria Gamma

Denicin
Una variable aleatoria con funcin de densidad de probabilidad
f (t) = et

(t)n1
(n 1)!

se dice una variable aleatoria gamma con parmetros (n, ).

4 / 25

Variable aleatoria gamma (n, )

Corolario
La suma de n variables aleatorias exponenciales independientes,
cada una de ellas de parmetro , es una variable aleatoria Gamma
de parmetro (n, ).

(2, 2)
(5, 2)
(1, 2) E(2)

5 / 25

Procesos estocsticos
Denicin
Un proceso estocstico es una sucesin de variables aleatorias
observadas sobre el mismo espacio muestral.

Ejemplo
Supongamos tener una pieza de material radioactivo, el experimento
consiste en observar cuantas partculas se desintegran en un
intervalo de tiempo, y el tiempo que tarda en desintegrarse cada
partcula. El nmero de partculas que se desintegran en [0, t] es una
variable aleatoria N(t) y el tiempo en que se desintegra la n-esima
partcula Dn tambin es una variable aleatoria. La coleccin de
variables forman procesos estocsticos realcionados.

Ejemplo
Consideremos llamadas telefnicas que llegan a una central
telefnica y sea Dn el tiempo en que la n-esima llamada ingresa a la
central y N(t) el nmero de llamadas que ingresa en un intervalo de
tiempo [0, t].
6 / 25

Proceso de Poisson homogneo

N(t),

t 0,

es un proceso de Poisson homogneo de razn , > 0, si:

N(0) = 0 proceso comienza en cero
incrementos independientes Para cada n 1 y cada particin
0 t0 < t1 < < tn se tiene que N(t0 ), N(t1 ) N(t0 ), . . . ,
N(tn ) N(tn1 ) son variables aleatorias independientes.
incrementos estacionarios Para cada t 0, s > 0, se cumple
que la distribucin de N(t + s) N(t) es igual a la de N(s).
limh0

P(N(h) = 1)
= ,
h

limh0

P(N(h) 2)
= 0.
h
7 / 25

Incrementos independientes

N(tn ) N(tn1 )

N(t1 )
0

1
0

t1

1
0
11
00

t2 t3

11
00
tn1

1
0

tn

N(t1 ): nro. de llegadas hasta t = t1 .

N(tn ) N(tn1 ): nro. de llegadas entre tn1 y tn .
En dos intervalos de tiempo disjuntos, las variables nmero de
llegadas son independientes.

8 / 25

Incrementos estacionarios

N(s)
0

N(t + s) N(t)

1
0

11
00
t

1
0

t +s

La distribucin del nmero de llegadas depende slo de la longitud

del intervalo.
N(s) N(t + s) N(t),

s < t.

9 / 25

Ocurrencia de 1 o ms eventos

La probabilidad de que ocurra un evento en un intervalo de

tiempo pequeo es proporcional al tamao del intervalo.
Constante = .
P(N(h) = 1)
lim
= ,
h0
h
La probabilidad de ocurrencia de dos o ms eventos en un
intervalo muy pequeo es cero.
lim

h0

P(N(h) 2)
= 0.
h

10 / 25

Consecuencias

Proposicin
Supongamos que N(t) es el nmero de llegadas en el intervalo de
tiempo [0, t], que forma un proceso de Poisson de tasa . Entonces,
la distribucin de cada N(t) es Poisson de tasa t

11 / 25

La variable aleatoria N(t)

n intervalos

11
00
1
0
1
0
11
00
1
0
11111111
00000000
11111
00000
11
00
1
0
1
0
0

t
n

2t
n

11
00
11
00
11
00
t

Para probarlo, dividamos el intervalo en n pedazos, cada uno de

t
largo n .
En cada sub-intervalo, el nmero de llegadas es una v.a.
t
Bernoulli, con p = n
El nmero total de llamadas en [0, t] es el nmero de
sub-intervalos que contienen una llegada.
La independencia de los sub-intervalos implica que el nmero
t
total de llegadas N(t) es binomial de parmetro p = n .
12 / 25

La variable aleatoria N(t)

Cuando n tiende a innito, tenemos

pN(t) (k ) lim

t
n

n(n 1) . . . (n k + 1)
n
k!
(t)k
n k !

t
n

(t)k
t
lim 1
k ! n
n

lim

lim

t
n

n
k

t
n

nk

1
k

t
n

nk

n(n 1) . . . (n k + 1)
nk
1

t
n

1
n

1
1

2
n

t
n

... 1

k 1
n

13 / 25

Poisson

Observando que
lim

t
n

= e

y que los otros trminos a la derecha del lmite tienen lmite 1, se

obtiene
(t)k t
pN(t) (k ) =
e
k!
donde t, esa constante que supusimos existe, es la tasa de
llegadas en el intervalo [0, t].
N(t) es una variable con distribucin Poisson de tasa t.

14 / 25

Tiempos entre llegadas

e1

X1

1
0

e2 e3

X2

1
03
11
00
X

en1

en

11
00 Xn 0
1

ei : tiempo en que ocurre el evento i.

X1 : tiempo transcurrido hasta el primer evento.
Xj : tiempo transcurrido entre el (j 1)-simo evento y el j-simo,
para j > 1.
{Xj } es la sucesin de tiempos entre llegadas

15 / 25

Distribucin de los tiempos entre llegadas

Proposicin
Las variables aleatorias X1 , X2 , . . . , son v.a. independientes,
igualmente distribuidas, con distribucin exponencial con parmetro
.
Xi E(),

i = 1, 2, . . . .

16 / 25

Tiempo entre llegadas

Para probar esto veamos que

X1 es una variable aleatoria exponencial de parmetro .
P(X1 > t) = P(N(t) = 0) = et

P(X2 > t | X1 = s)

= P(0 eventos en (s, s + t] | X1 = s)

= P(0 eventos en (s, s + t])
= e t

X2 E(), y es independiente de X1 .

17 / 25

Tiempo entre llegadas

Sea s = s1 + + sj1 : tiempo hasta el evento j 1.

P(0 eventos en (s, s + t]

X1 = s1 , . . . , Xj1 = sj1 )

(incrementos independientes) = P(0 eventos en (s, s + t])

(incrementos estacionarios) = et

18 / 25

Sn

El tiempo hasta el n-esimo evento es Sn =

Xj , una suma de
j=1

exponenciales independientes por lo cual tiene densidad

fn (t) = et

(t)n1
(n 1)!

Gamma de parmetros (n, ).

19 / 25

Conclusion

N es un proceso de Poisson con tasa entonces para cada t, N(t),

el nmero de llegadas, es una variable Poisson con tasa t, Xn el
tiempo entre n-esima llegada y la anterior, es exponencial de tasa y
Sn el tiempo hasta la n esima legada es Gamma de parmetros
(n, ).

20 / 25

El proceso de Poisson no homogneo

N(t),

t 0

es un proceso de Poisson no homogneo con funcin de intensidad

(t), t 0, si:
1. N(0) = 0
2. para cada n 1 y cada particin 0 t0 < t1 < < tn se tiene
que N(t0 ), N(t1 ) N(t0 ), . . . , N(tn ) N(tn1 ) son variables
aleatorias independientes.
3. limh0

P(N(t + h) N(t) = 1)
= (t),
h

4. limh0

P(N(t + h) N(t) = 1) 2)
= 0.
h

21 / 25

Valor medio del proceso

t

m(t) =

(s) ds
0

Si (t) = , constante, entonces m(t) = t.

22 / 25

Nmero de eventos en (t, t + s]

Proposicin
Para cada t 0 y s > 0 se tiene que N(t + s) N(t) es una variable
aleatoria Poisson con media
t+s

m(t + s) m(t) =

(x) dx.
t

Corolario
Si (t) = (es constante), N(t + s) N(t) es una variable aleatoria
Poisson con media t.

23 / 25

Poisson homogneo y Poisson no homogneo

Existen eventos del tipo A y eventos del tipo B.

Independientemente de lo que ocurri antes, si ocurre un evento
del tipo A entonces ocurre uno del tipo B con probabilidad p(t).
N(t)= nmero de eventos del tipo A en [0, t]
A(t)= nmero de eventos del tipo B en [0, t].

Proposicin
Si (N(t))t0 es un proceso de Poisson homogneo con razn > 0,
entonces (A(t))t0 es un proceso de Poisson no homogneo con
funcin de intensidad (t) = p(t), t > 0.

24 / 25

Poisson homogneo y Poisson no homogneo

El proceso A(t) cumple con las condiciones de comenzar en el

cero, tener incrementos independientes y probabilidad nula de
observar instantneamente mas de un evento.
Para ver la tasa instantnea de observar un evento
P(1 evento del tipo B en [t, t+h]) = P(un evento y es de tipo B)+
+P(dos o mas eventos y exactamente uno es de tipo B) hp(t)

25 / 25