Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Poisson 6 PDF
Poisson 6 PDF
El proceso de Poisson
En el presente y en el siguiente captulo estudiaremos el modelo de cadena
de Markov a tiempo continuo. Como una introducci
on a la teora general que
se expondra m
as adelante, en este captulo estudiaremos uno de los ejemplos
m
as importantes de este tipo de modelos: el proceso de Poisson. Definiremos
este proceso de varias formas equivalentes y estudiaremos algunas de sus
propiedades, sus generalizaciones y algunas de sus aplicaciones. El proceso
de Poisson es un modelo relevante tanto en las aplicaciones como en la teora
general de los procesos estocasticos.
4.1.
Definici
on
116
4. El proceso de Poisson
max tn 1 : T1
Tn
tu.
Se postula adem
as que el proceso inicia en cero y para ello se define m
ax H
0. En palabras, la variable Xt es el entero n m
aximo tal que T1 Tn es
menor o igual a t, y ello equivale a contar el n
umero de eventos ocurridos
hasta el tiempo t. A este proceso se le llama proceso de Poisson homogeneo,
tal adjetivo se refiere a que el par
ametro no cambia con el tiempo, es
decir, es homogeneo en
Xt p q
el tiempo. Una trayectoria
3
tpica de este proceso puede
observarse en la Figura 4.2,
2
la cual es no decreciente,
1
constante por partes, continua por la derecha y con
t
lmite por la izquierda. A
W1 W2
W3
0
los tiempos T1 , T2 , . . . se les
T1
T2
T3
T4
llama tiempos de estancia
o tiempos de interarribo,
Figura 4.2: El proceso de Poisson
y los tiempos de ocurrencia de eventos.
y corresponden a los tiempos que transcurren entre
un salto del proceso y el siguiente salto. Hemos supuesto que estos tiempos
son independientes y que todos tienen distribucion exppq. En consecuencia,
la variable Wn T1 Tn tiene distribucion gamapn, q. Esta variable representa el tiempo real en el que se observa la ocurrencia del n-esimo
evento. Observe la igualdad de eventos pXt nq pWn tq, esto equivale
a decir que al tiempo t han ocurrido por lo menos n eventos si, y s
olo si, el
n-esimo evento ocurrio antes de t. Una de las caractersticas sobresalientes
b
bc
bc
bc
n
4.1. Definicio
117
nq et ptn!q
Demostraci
on. Como Wn tiene distribucion gamapn, q, su funcion de
distribuci
on es, para t 0,
P pWn tq 1 et
n1
k 0
ptqk .
k!
nq
P pXt
nq P pXt n 1q
P pWn tq P pWn 1 tq
ptqk .
et
k!
Entonces, dado que Xt tiene una distribucion Poissonptq, se tiene que
E pXt q t, y VarpXt q t. Por lo tanto t es el promedio de observaciones o registros del evento de interes en el intervalo r0, ts. As, mientras
mayor es la longitud del intervalo de observacion, mayor es el promedio de
observaciones realizadas, y mayor tambien la incertidumbre del n
umero de
observaciones.
P
erdida de memoria y sus consecuencias
Una de las propiedades que caracterizan de manera u
nica a la distribucion
exponencial dentro del conjunto de distribuciones absolutamente continuas
es que satisface la propiedad de perdida de memoria, esto es, si T tiene
distribuci
on exppq, entonces para cualesquiera tiempos s, t 0 se cumple
la igualdad
P pT t s | T sq P pT tq.
118
4. El proceso de Poisson
bc
bc
bc
Proposici
on 4.2 Para cualesquiera tiempos 0 s t, y para n 0, 1, . . .
P pXt Xs
Demostraci
on.
P pXt Xs
sqs
nq P pXts nq eptsq rpt n!
(4.1)
nq
P pXt Xs
n | Xs kq P pXs kq.
k 0
nq
P pXts
nq P pXs kq
k 0
P pXts
nq
P pXts
n q.
P pXs
kq
k 0
n
4.1. Definicio
119
(4.2)
Demostraci
on.
a) Considere las probabilidades condicionales
P pXtn
P pXtn
xn | Xt x1 , . . . , Xt xn1q,
xn | Xt xn1q,
1
n 1
n 1
120
4. El proceso de Poisson
x1, Xt Xt x2 , . . . , Xt Xt xnq
2
n 1
es igual a
P pXt1
n 1
n 1
Las propiedades c), y d) son consecuencia inmediata de (4.1). La estacionariedad de los incrementos significa que la distribucion de la variable Xt Xs ,
nicamente a traves de la diferencia
para 0 s t, depende de s y de t u
t s, lo cual es evidente de (4.1).
La expresi
on (4.2) establece de manera clara que las probabilidades de transici
on son estacionarias en el tiempo, es decir, no dependen del par
ametro s,
y se escriben simplemente como pij ptq. Pero tambien es interesante observar
que (4.2) dice que estas probabilidades son estacionarias en el espacio, es
decir, dependen de los estados i y j u
nicamente a traves de la diferencia
j i. En smbolos, para j i,
pij ptq p0,j i ptq.
Ejemplo 4.1 (Paradoja del autob
us) Suponga que la llegada de autobuses a una estaci
on se modela mediante un proceso de Poisson de par
ametro
, es decir, el tiempo que transcurre entre la llegada de un autob
us y el siguiente es una variable aleatoria con distribuci
on exppq. Suponga que el
tiempo es medido en minutos. La propiedad de perdida de memoria en este
contexto puede interpretarse de la siguiente forma: una persona ha llegado a la estaci
on y ha esperado s minutos sin que un autob
us aparezca. La
probabilidad de que tenga que esperar m
as de t minutos adicionales es la
misma que la probabilidad de espera de m
as de t minutos para una persona
que acaba de llegar a la estaci
on!
ametro y sea
Ejemplo 4.2 Sea tXt : t 0u un proceso de Poisson de par
S una variable aleatoria continua con soporte el intervalo p0, 8q e independiente del proceso de Poisson. Entonces para cualquier t 0, el incremento
n
4.1. Definicio
121
XS t Xt tiene distribuci
on Poissonptq. En efecto, para cualquier entero
k 0, y suponiendo que F psq es la funci
on de distribuci
on de la variable S,
P pXS
t Xt k q
8
0
8
08
P pXS
Xt k | S sq dF psq
P pXs
Xs kq dF psq
kq dF psq
P pXt kq.
0
P pXt
Xt
Yt
Xt
Yt
ppX
Y qr0,t1 s
0, pX
Y qrT1 ,T1
t2
s 0, . . . , pX
Y qrTn1 ,Tn1
tn
s 0q,
122
4. El proceso de Poisson
esto es,
pXr0,t s 0q X pYr0,t s 0q
pXrT ,T t s 0q X pYrT ,T t s 0q
pXrT ,T t s 0q X pYrT ,T
n 1
n 1
n 1
n 1
tn
s 0q.
Por la independencia de los procesos, la propiedad de incrementos independientes de cada uno de ellos, y el resultado del Ejemplo 4.2, la probabilidad
de este evento es
0q P pYr0,t s 0q
P pXrT ,T t s 0q P pYrT ,T t s 0q
P pXrT ,T t s 0q P pYrT ,T
P pXr0,t1 s
1
n 1
n 1
n 1
n 1
tn
s 0q.
Por lo tanto,
P pT1
q ep1
2 t1
2 t2
ep
q .
2 tn
k | Xt nq
n
k
s t, y sean k
p st qk p1 st qnk .
y n
n
4.1. Definicio
Demostraci
on.
P pXs
123
Por la definicion de probabilidad condicional,
n
k
1
1
qk p1
1
1
qnk .
Por la hip
otesis de independencia entre los procesos,
X2 ptq nq
X2 ptq nq
X2 ptq nq
X2 ptq nq
X2 ptq nq.
Proposici
on 4.6 Dado el evento pXt nq, el vector de tiempos reales
pW1, . . . , Wnq tiene la misma distribucion que el vector de las estadsticas de
on
orden pYp1q , . . . , Ypnq q de una muestra aleatoria Y1 , . . . , Yn de la distribuci
uniforme en el intervalo r0, ts, es decir,
fW1,...,Wn|Xt pw1 , . . . , wn | nq
$
& n!
tn
%
0
si 0 w1
otro caso.
wn t,
124
4. El proceso de Poisson
Demostraci
on. La formula general para la funcion de densidad conjunta
de las estadsticas de orden Yp1q , . . . , Ypnq de una muestra aleatoria Y1 , . . . , Yn
de una distribuci
on con funcion de densidad f py q es, para y1 yn ,
fYp1q ,...,Ypnq py1 , . . . , yn q n! f py1 q f pyn q.
Cuando la funci
on de densidad f py q es la uniforme en el intervalo r0, ts, esta
funci
on de densidad conjunta es la que aparece en el enunciado. Demostraremos que la distribuci
on conjunta de las variables W1 , . . . , Wn , condicionada
al evento pXt nq tambien tiene esta misma funcion de densidad. Usaremos
nuevamente la identidad de eventos pXt nq pWn tq. Para tiempos
0 w1 wn t, la funcion de densidad conjunta condicional
fW1 ,...,Wn |Xt pw1 , . . . , wn | nq
se puede obtener a traves de las siguientes derivadas
Bn P pW w , W w , . . . , W w | X nq
1
1
2
2
n
n
t
Bw1 Bwn
n
Bw B Bw P pXw 1, Xw 2, . . . , Xw n | Xt nq
1
n
n
B
Bw Bw P pXt Xw 0, Xw Xw 1, . . .
1
n
. . . , Xw Xw 1, Xw 1q{P pXt nq
n
Bw B Bw eptw q epw w q pwn wn1q
1
n
epw w q pw2 w1q ew w1 {r et ptqn {n! s
n
Bw B Bw n! pwn wn1q pw2 w1qw1 {tn
1
n
n!{tn.
Observe que bajo el signo de derivada, la probabilidad del evento pXw
1, Xw 2, . . . , Xw n, Xt nq, que aparece en la primera igualdad, es
identica a la probabilidad de pXt Xw 0, Xw Xw 1, . . . , Xw
Xw 1, Xw 1q, pues si alguna de estas identidades (exceptuando la
1
n 1
n 1
n 1
125
4.2.
Definiciones alternativas
La Definici
on 4.1 de proceso de Poisson es constructiva pues a partir de los
tiempos de interarribo se construye el proceso de conteo correspondiente.
Existen otras formas equivalentes y un tanto axiomaticas de definir a este
proceso. Revisaremos y comentaremos a continuaci
on dos de ellas. Una de
las ventajas de contar con estas definiciones alternativas es que para demostrar que un cierto proceso es de Poisson se puede tomar cualquiera de
las definiciones a conveniencia.
Definici
on 4.2 (Segunda definici
on) Un proceso de Poisson de par
ametro 0 es un proceso a tiempo continuo tXt : t 0u, con espacio de
estados t0, 1, . . . u, y que cumple las siguientes propiedades:
a) X0
0.
Xt 1q h ophq.
h Xt 2q ophq.
h
126
4. El proceso de Poisson
hq
p0 ptq p0 pt, t
p0 ptq p1 h
hs
ophqq.
cuya soluci
on es p0 ptq c et , en donde la constante c es uno por la condici
on inicial p0 p0q 1. Ahora encontraremos pn ptq para n 1. Nuevamente
por independencia,
p n pt
hq
pn ptq p0 pt, t
pn ptq p1 h
hs
ophqq
Haciendo h 0 se obtiene
1
pn ptq pn ptq
pn1 ptq ph
hs
ophq
ophqq
ophq.
pn1 ptq,
con condici
on inicial pn p0q 0 para n 1. Definiendo qn ptq et pn ptq
1
la ecuaci
on diferencial se transforma en qn ptq qn1 ptq, con condiciones
qn p0q 0 y q0 ptq 1. Esta ecuaci
on se resuelve iterativamente primero para
q1 ptq, despues para q2 ptq, y as sucesivamente, en general qn ptq ptqn {n!
Por lo tanto,
pn ptq et ptqn {n!
Esto significa que Xt tiene distribuci
on Poissonptq. Debido al postulado de
incrementos estacionarios, la variable Xt s Xs tiene la misma distribuci
on
que Xt .
127
Definici
on 4.3 (Tercera definici
on) Un proceso de Poisson de par
ametro
0 es un proceso a tiempo continuo tXt : t 0u con espacio de estados
t0, 1, . . .u, con trayectorias no decrecientes y que cumple las siguientes propiedades:
a) X0
0.
Xt 1q
1 P pXt
1 eh
1 p1 h
h
ophq.
Xt 0q
ophqq
Analogamente
P pXt
Xt 2q 1 P pXt h Xt 0q P pXt h Xt 1q
1 eh eh h
1 p1 h ophqq ph ophqq
ophq.
128
4. El proceso de Poisson
Estos c
alculos y lo desarrollado antes demuestran que pDef. 4.2q pDef. 4.3q.
Tambien antes hemos demostrado que pDef. 4.1q pDef. 4.3q. Para demostrar pDef. 4.3q pDef. 4.1q es necesario comprobar que los tiempos
de interarribo T1 , T2 , . . . son independientes con distribucion exppq. Daremos una demostracion no completamente rigurosa de este resultado. Sean
t1 , . . . , tn 0 tiempos cualesquiera y sean t1 , . . . , tn las longitudes que
se muestran en la Figura 4.5.
t1
t1
t2
tn
t2
tn
Figura 4.5
La probabilidad de que T1 tome un valor en el intervalo t1 , T2 tome un
valor en el intervalo t2 , y as sucesivamente es
fT1 ,...,Tn pt1 , . . . , tn qt1 tn
tn q
129
4.3.
a) X0 0.
b) Los incrementos son independientes.
c) Para cualquier t 0, y cuando h 0,
i) P pXt
ii) P pXt
Xt 1q ptq h
h Xt 2q ophq.
h
ophq.
t
0
psq ds,
130
4. El proceso de Poisson
es decir, para n 0, 1, . . .
P pXt
nq eptq rpn!tqs
Demostraci
on. La prueba es an
aloga a una de las realizadas en el caso homogeneo. Se define nuevamente pn ptq P pXt nq y se considera cualquier
h 0. Denotaremos por pn pt, t hs a la probabilidad P pXt h Xt nq.
Por la hip
otesis de independencia, para t 0 y cuando h 0,
p 0 pt
hq
p0 ptq p0 pt, t
hs
p0 ptq p1 ptqh
ophqq.
1
Calculando la derivada se obtiene la ecuaci
on diferencial p0 ptq ptq p0 ptq,
cuya soluci
on es p0 ptq c eptq , en donde la constante c es uno debido a
la condici
on inicial p0 p0q 1. Ahora encontraremos pn ptq para n 1.
Nuevamente por independencia,
pn pt
hq
pn ptq p0 pt, t
hs
pn ptq p1 ptqh
ophqq
hs
ophq
ophqq
ophq.
1
on inicial pn p0q 0
Entonces pn ptq ptq pn ptq ptq pn1 ptq, con condici
p
t
q
on diferencial se transpara n 1. Definiendo qn ptq e pn ptq la ecuaci
1
forma en qn ptq ptq qn1 ptq, con condiciones qn p0q 0 y q0 ptq 1. Esta
ecuaci
on se resuelve iterativamente primero para q1 ptq, despues para q2 ptq, y
as sucesivamente, en general qn ptq pptqqn {n! y de aqu se obtiene pn ptq.
Las trayectorias de un proceso de Poisson no homogeneo son semejantes
a las trayectorias de un proceso de Poisson, es decir, son trayectorias no
decrecientes y con saltos unitarios hacia arriba, pero la frecuencia promedio
con la que aparecen los saltos cambia a lo largo del tiempo. De manera
an
aloga al caso homogeneo, los incrementos de este proceso tambien tienen
distribuci
on Poisson.
Proposici
on 4.9 Para el proceso de Poisson no homogeneo, la variable
on Poissonppt sq psqq.
incremento Xt s Xs tiene distribuci
131
Demostraci
on. Se escribe Xt s Xs pXt s Xs q, en donde, por el
axioma de incrementos independientes, en el lado derecho aparece la suma
de dos variables aleatorias independientes. Recordando que la funcion generadora de momentos de la distribucion Poissonpq es M pr q exp rper 1qs,
al aplicar este resultado a la ecuaci
on anterior se obtiene
exp rpt
1qs MX X prq.
Por lo tanto, MX X pr q exp rppt sq psqq per 1qs.
Si la funci
on ptq es constante igual a , entonces ptq t, y se recupera
el proceso de Poisson homogeneo. Cuando ptq es continua, ptq es diferenciable y por lo tanto 1 ptq ptq. A la funcion ptq se le llama funcion de
intensidad y a ptq se le conoce como funcion de valor medio. A un proceso
de Poisson no homogeneo en donde tptq : t 0u es un proceso estocastico
t s
t s
Proposici
on 4.10 Sea tXt : t 0u un proceso de Poisson
no homogeneo
t
on de intensidad ptq 0 psq ds. Defina la
de par
ametro ptq, y funci
funci
on
1 ptq nf tu 0 : puq tu.
Entonces el proceso tX1 ptq : t
de par
ametro 1.
Demostraci
on. Usaremos la Definici
on 4.3 del proceso de Poisson. El
proceso tX1 ptq : t 0u empieza en cero y tiene incrementos independientes, pues si se consideran cualesquiera tiempos 0 t1 t2 tn ,
132
4. El proceso de Poisson
bajo la funci
on creciente 1 ptq estos tiempos se transforman en una nueva
colecci
on mon
otona de tiempos
0 1 pt1 q 1 pt2 q 1 ptn q.
Por lo tanto las siguientes variables son independientes
X1 pt1 q , X1 pt2 q X1 pt1 q , . . . , X1 ptn q X1 ptn1 q
Finalmente, para cualesquiera tiempos s, t 0 el incremento X1 pt
X1 psq tiene distribuci
on Poisson de par
ametro
p1 pt
q
sq s t.
4.4.
Nt
n 0
Yn .
(4.3)
133
bc
bc
bc
Proposici
on 4.11 El proceso de Poisson compuesto (4.3) cumple las siguientes propiedades:
1. Tiene incrementos independientes y estacionarios.
2. E pXt q t E pY q.
3. VarpXt q t E pY 2 q.