Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AUTORES:
Mara Isabel Martnez Rendn
Jean Carlos Herrera Meza
Ingeniera de Sistemas
Curso Teora de Probabilidad y Colas
Introduccin
Procesos de Poisson
Un proceso de Poisson, tambin conocido como ley de los sucesos raros, es
un proceso que consiste en "contar" eventos raros (de ah el nombre "sucesos
raros") que ocurren a lo largo del tiempo. El tiempo entre cada par de eventos
consecutivos tiene una distribucin exponencial con el parmetro , y cada uno de
estos tiempos entre llegadas se supone que es independiente de otros tiempos
entre llegadas.
Un proceso Poisson con intensidad (o tasa)
tiempo continuo
, donde
es
aleatorias con las siguientes propiedades:
1.
2. Si
es un proceso de contar en
una coleccin de variables
.
, entonces
3. Para todo
aleatorias
4. Para toda
, las variables
son independientes.
Por ejemplo,
f ( h )=h2
f ( h ) tal que:
es o(h), pero
f ( h )=h
no lo es.
Definicin
Sean
T1 , T2 ,
(intensidad) por:
N t =mx { n :T n t } , t 0
Es el nmero de eventos que se han producido desde el instante cero hasta el
instante .
Tn
Propiedades
A partir de la definicin, es posible demostrar que:
Si
denota el tiempo transcurrido desde el (k-1)-simo evento hasta el ksimo, entonces
es una variable aleatoria con distribucin exponencial y
parmetro .
Si
denota el tiempo transcurrido desde el inicio del conteo hasta el nsimo evento, entonces
Gamma(n,).
Observaciones.
-
( N t n ) =( Sn t)
Demostracion:
n 1
Para
Sn
T1 + + Tn
escribir como:
n1
P ( S n t )=1et
k =0
Por lo tanto,
( t )k
k!
e t
( t )n
n!
n1
1e t
k=0
n
( t )k
( t )k
1+ et
k!
k=0 k !
Es decir, Nt
Poisson(t) .
E[Nt]= t
Cuando t=1
E[N1]=
El parmetro es el nmero promedio de eventos que ocurren en un proceso de
Poisson por unidad de tiempo.
Ejemplos:
Un cable submarino tiene defectos de acuerdo a un proceso de Poisson de
parmetro = 0.1 por km.
- Cul es la probabilidad de que no haya defectos en los primeros dos kilmetros
de cable?
R/= N2 tiene distribucin de Poisson de parmetro (0.1)(2) = 0.2.
Por lo tanto P(N2 = 0) = e 0.2 = 0.8187.
-Si no hay defectos en los primeros dos kilmetros, cul es la probabilidad de
que tampoco los haya en el tercer kilmetro?
R/= N3 -N2 y N2 N0 =N2 son independientes.
De modo que P(N3 -N2 = 0| N2 = 0) = P(N3 -N2= 0) = e 0.1 = 0.9048
P N 1 =1, N 5 =5 =P N 1 =1, N 5 N 1 =4
) (
(2 e )(
1
4 ( )
2
( e
1
4( )
4
2
4 (2) ( 4 (2) )
)(e
)
1!
4!
( )
512 8
e )
3
=0.0155
P [ N ( t + s )N ( t )=k ]=e
( s )k
k =0,1, .. ,
k!
(definidas en un espacio de
probabilidad
) es un proceso de Poisson homogneo con intensidad
>0, si satisface las siguientes propiedades:
N0
P =0)=1, lo que indica que
1.
N0
siempre es 0.
( N t N s ) Poisson (( ts))
0 t 1 <<t n ; n 1
N t N t
n
n1
, ,
N t N t
2
Nt
son independientes
4. Incrementos estacionarios: la distribucin solo depende de la
longitud del intervalo (t-s), esto garantiza que el proceso es no
decreciente.
t0
Para todo
la variable aleatoria
parmetro t.
1 se tiene que
N0
N
( t N 0 ) Poisson( (t0)) , y por la propiedad
N
( t) Poisson( t ) , ahora, para todo
N
( tN s ) Poisson( (ts ))
y por lo
incremento
N t N s
y la variable aleatoria
tN
(
s 0 )=1
dice que
, pues
P
N (ts)
N
N
P( tN s =k )=1
( tN s 0 )=
k=0
P
De esto se concluye que la distribucin solo depende de la longitud del intervalo
(t-s)
Dnde:
: Representa el nmero promedio de llegadas.
e: Euler
E[X]: La esperanza
V(X): La varianza
Ejemplo:
sean X y Y variables aleatorias independientes con distribucin ,
XPoisson(1t) , YPoisson(2t)
del sexto rojo. Por otro lado, si hay 5 o menos rojos en los primeros 9, entonces
tendremos al menos 4 verdes y a lo sumo 5 rojos.
Podemos ahora ver el problema en el marco de un proceso de Poisson general
que incluye rojos y verdes, y tiene parmetro ( + ). Para cada llegada
escogemos al azar el color lanzando una moneda con probabilidad p = /( + )
para rojo. La probabilidad que nos interesa es:
9
(9k ) p k (1 p)9k
k=6
1
9 = 140 =0.273
()
Se tienen 3 gallinas. Una de ellas pone en promedio 2 huevos por da. Otra
pone en promedio 3 huevos por da. La restante pone en promedio 4
huevos por da. Cul es la probabilidad de que en un determinado da
se produzcan exactamente 10 huevos?
R/= Vamos a asumir que las gallinas ponen huevos independientemente, es decir,
que la cantidad de huevos que pone una gallina no influencia la cantidad de
huevos que ponen las otras. Se tiene:
X1Poisson(1=2(t=1))
X2Poisson(2=3(t=1))
X3Poisson(3=4(t=1))
Y=
X1+ X 2+ X 3
( 9 )10
=0,11858
10 !
V(X(t)) = tE[Y12]
Por ejemplo, el proceso puede representar los carros que llegan a un centro
comercial y las variables asociadas, el nmero de pasajeros que hay en cada uno
de ellos; o el proceso puede representar los mensajes que llegan a un computador
central para ser transmitidos va internet y las variables Y i pueden representar el
tamao de los mensajes. Es natural considerar la suma de las variables Y i como
una variable de inters:
S ( t )=Y 1+ +Y N (t )
donde ponemos S(t) = 0 si N(t) = 0. Ya hemos visto que para suma aleatorias, la
media es el producto de las medias de N e Y, mientras que la varianza est dada
por:
2
Ejemplo:
Por los clculos anteriores sabemos que el ingreso medio por da es 30* $150 =
$4.500. La varianza del ingreso total es:
30*[($50)2 + ($150)2] = 750.000
( 16 )+2( 13 )+ 3( 13 )+4 ( 16 )= 52
E [ Y i2 ]=12
Por lo tanto, si X(5) denota el nmero de personas que han llegado al rea
durante un perodo de 5 semanas, se tiene que:
E [ X ( 5 ) ]=( 25 ) ( E [ Y i ]) =10 E [ Y i ]=
V [ X (5 ) ] =( 25 ) ( E [Y i ] )=
105
=25
2
1043 215
=
6
3
5.
0 h<t
, para todo
es
es
Ejemplo:
El centro que recibe llamadas de emergencia de una ciudad recibe en
promedio 42 llamadas por hora en la hora punta, comprendida entre las 9 y
13 horas AM. Cada llamada requiere alrededor de 2 minutos de la
telefonista para atender y derivar la llamada al personal correspondiente
(bomberos, carabineros o ambulancia). El centro debe tener un adecuado
nmero de telefonistas, y se ha pedido a un consultor que determine el
nmero adecuado de telefonistas. El consultor asume que las llamadas
entran en un orden completamente aleatorio y por lo tanto aplica el Proceso
de Poisson. Sin embargo, el telefonista actual puntualiza que entre las 10 y
las 12 horas. llegan muchas ms llamadas que en el resto del tiempo. Qu
implica este hecho para el uso de la distribucin de Poisson?
R/= No se cumple la propiedad de incrementos estacionarios, por lo tanto es un
proceso de Poisson No Homogneo. La frmula de la probabilidad del proceso es:
m (t 1 ,t 2)
P [ N ( t 1 ,t 2 )=k ]=e
( m(t 1 ,t 2))
n!
n=0,1, .. ,
A
un
Banco
llegan clientes de acuerdo a un proceso Poissoniano no homogneo, cuya
tasa est dada
por
El tiempo est medido en horas y el banco opera desde las 9 hasta las 14 horas.
Los clientes, sin embargo, llegan entre las 9 y las 14:06 horas.
a) Cul es la probabilidad de que el primer cliente llegue entre las 10:00 y las
11:00?
b) Si todos los clientes se demoran exactamente 12 min. Dentro del banco,
determine el nmero esperado de clientes dentro del banco en cualquier instante
del da.
a)
b) (12 min= 0.6 horas). Los clientes que estn en el banco en t son los que
han llegado entre t 0,2 y t. As:
E( N (t0,2 ; t))=u(t 0,2; t )=2[ 14,1( t0,2 ) 14,1t ]
c) Los que llegan despus de las 14:00
E ( N (14 ; 14,1 ) )=2 [ 0,1 0 ] =2 0,1
Para que disminuya a la mitad:
1
E ( N ( x ; 14,1 ) )= ( 2 0,1)
2
2 [ 14,1x 0 ] =0,1
x=14,0975
Modelo de Colas
Los modelos de colas consisten en frmulas y relaciones matemticas que pueden
usarse para determinar las caractersticas operativas (medidas de desempeo)
para una cola.
Las caractersticas operativas de inters incluyen las siguientes:
- Probabilidad de que no hayan unidades o clientes en el sistema.
Cantidad
promedio
de
unidades
en
la
lnea
de
espera.
- Cantidad promedio de unidades en el sistema (la cantidad de unidades en la
lnea de espera ms la cantidad de unidades que se estn atendiendo).
- Tiempo promedio que pasa una unidad en la lnea de espera.
- Tiempo promedio que pasa una unidad en el sistema (el tiempo de espera ms el
tiempo
de
servicio).
- Probabilidad que tiene una unidad que llega de esperar por el servicio.
Para poder hablar de los modelos de colas que existen, debemos fijarnos en una
notacin que se le ha dado para referenciarlos, esta notacin es la notacin de
Kendall, la cual se representa de la siguiente manera:
Ejemplos:
M / M / s: Tiempos entre llegadas exponenciales,
exponenciales y se tienen s servidores.
tiempos de servicio
tiempos de servicio
Es aquel donde existe una poblacin, un sistema de llegada, adems existe solo
un sistema de cola y de servicio (sin importar en nmero de colas, ni el nmero de
servidores). Es decir, en este sistema las entidades al recibir el servicio salen del
sistema y no ingresan a otro.
Cada cliente debe pasar por un canal, una estacin para tomar y surtir el pedido,
para colocar el pedido, pagar la cuenta y recibir el producto. Cuanto llegan ms
clientes forman una lnea de espera y aguardan que se desocupe la estacin para
tomar y surtir el pedido.
Con la notacin de Kendall, se pueden tener para este tipo de modelo los
siguientes casos:
Probabilidad de que una unidad que llega tenga que esperar para obtener el
servicio:
Conclusin
La teora de colas o lneas de espera, es un fenmeno comn que ocurre cuando
la demanda de un servicio excede a la oferta. Muchas veces no nos gusta esperar
en una fila, por lo que queremos que apenas lleguemos nos atiendan de manera
rpida, es casi imposible hacer que cada usuario que llegue a una empresa sea
atendido de manera inmediata; como pudimos ver, la teora de colas busca
reducir, con mtodos matemticos, la espera de los clientes y en ocasiones la
perdida de estos, con un equilibrio entre: costos de servicios (pagados por la
empresa) y costos de espera (pagados por el cliente).
Esta teora no resuelve directamente el problema, pero contribuye a tomar
decisiones respecto a eventos que hayan transcurrido a lo largo del proceso de
existencia de la compaa, prediciendo posibles situaciones que puedan ser
mejoradas entorno al beneficio de la empresa (beneficio tambin de los clientes).
Los mtodos y modelos utilizados, buscan ser matemticamente sustentados para
el beneficio de una poblacin, con un margen de error que, se espera, sea el
mnimo de acuerdo a la cantidad de clientes o canales asignados.
Bibliografa
-