Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ndice
1. Introduccin 2
3. Proceso de Conteo 6
7. Denicin equivalente 16
* Notas de la Primera Parte del curso impartido durante el Segundo y Tercer Verano de
1
1. Introduccin
En estas notas se compila parte del material que se cubri en el curso de
Probabilidad I de las Licenciaturas en Matemticas y en Computacin de la
Universidad de Guanajuato, en el semestre agosto-diciembre del 2008.
Estas notas son un complemento al material de la primera parte del Curso
de Procesos de Poisson del III Verano de Probabilidad y Estadstica. Contienen
material bsico sobre Procesos de Poisson, el cual aparece en la mayora de
los textos que tratan este tema. El nfasis en estas notas es en el rigor de las
deniciones y las demostraciones detalladas de las principales propiedades de
estos procesos, usando conceptos y resultados sencillos de probabilidad.
Los autores agradecen de antemano los comentarios que los participantes
puedan tener. Nuestro objetivo es terminar pronto una Notas de Introduccin
al Tema de Procesos de Poisson, dirigidas a alumnos que han tomado un primer
curso de probabilidad en licenciatura.
ke
k ( ) = l m P (X = k) = (1)
n!1 k!
para toda r 0. (notemos que cuando n crece, p decrece).
x n
Ejercicio 1 Probar (1). Sugerencia: Recordar que l mn!1 1 + n = ex .
ke
P (X = k) = k ( )= k 0
k!
2
donde puede tomar cualquier valor > 0.
1. E (X) = .
2. V ar (X) = .
t
3. La funcin generadora de momentos de X P( ) (t) = e (e 1)
.
P (X = 0) = 1,
P (X = +1) = 1.
Demostracin. Ejercicio.
Por induccin, podemos ver fcilmente que este resultado es cierto para
cualquier suma nita de variables aleatorias independientes. Adems se tiene la
siguiente propiedad importante.
converge, entonces
1
X
S= Xj
j=1
3
Demostracin. Por el Teorema 1, tenemos que
n
X
Sn = Xj
j=1
y por tanto1
P (S r) = l m P (Sn r)
n!1
r
X
= lm P (Sn = r)
n!1
k=0
Xr
= lm k ( n)
n!1
k=0
r
X
= lm k ( n) .
n!1
k=0
y
P (S = r) = r ( ).
Por lo tanto S es nita con distribucin P ( ).
Si n ! 1,
r
X
P (S r) = k ( )
k=0
r
X k
n
= e n
! 0.
k!
k=0
Entonces
P (S > r) = 1.
1 Si An 2 F , n 1 y An # A, entonces P (A) = l mn!1 P (An )
4
Como este resultado es cierto 8r 0, podemos concluir que S diverge con
probabilidad 1.
5
As, M y N M son variables aleatorias independientes Poisson con medias p
y (1 p) respectivamente.
3. Proceso de Conteo
Denicin 2 (Proceso de Conteo) Se dice que un proceso estocstico fN (t) ; t 0g
es un proceso de conteo si representa el nmero de eventos ocurridos hasta el
tiempo t, esto es, satisface:
i) N (0) 0.
ii) N (t) toma valores enteros.
iii) Es no decreciente, i.e. si s < t, entonces N (s) N (t).
iv) Para s < t, N (t) N (s) es igual al nmero de eventos que ocurrieron en
el intervalo (s; t].
6
distribucin del incremento N (t) N (s) y la de la variable aleatoria N (t s)
es la misma. Adems esto nos dice que P(N (t) N (s) 0) = 1, pues
1
X
P(N (t) N (s) 0) = P(N (t) N (s) = k) = 1,
k=0
7
Sea ! 0 2 fTm tg. Entonces
) fTm tg = fN (t) mg
Ahora que ya vimos que los tiempos de llegada son variables aleatorias,
veamos qu distribucin tiene el primer tiempo de llegada.
1
Proposicin 3 La v.a. Tm tiene distribucin G m; .
1 m 1 t
(m) e si t 0
fTm (t) = .
0 de otra forma
2 Recordardenicin de variable aleatoria.
3 Recordemos que Runa variable aleatoria X tiene distribucin exponencial de parmetro
> 0 si P (X x) = 0x f (t) dt, con f (t) = e t .
8
Demostracin. De la proposicin 1 tenemos
Derivando obtenemos
m
!
d X1 ( t)k
t
fTm (t) = e
dt k!
k=0
m
X1 m
X1 k 1
t ( t)k t ( t)
= e e k
k! k!
k=0 k=1
m
!
X1 ( t) k m
X1 ( t)
k 1
t
= e
k! (k 1)!
k=0 k=1
m
!
X1 ( t)k
m
X2 ( t)k
t
= e
k! k!
k=0 k=0
m 1
t ( t)
= e
(m 1)!
1 m m 1
= t e
(m)
1
que es la funcin de densidad de una v.a. con distribucin G m; .
P( 1 s1 ; 2 < s2 ) = P( 1 s1 )P( 2 s2 ).
4 (!) Checar que est bien denido...
9
P( 1 s1 ; 2 s2 ) = P(T1 s1 ; T2 T1 s2 )
= P(T1 s1 ; T2 s2 + T1 )
= P(T1 s1 ; T2 s1 + s2 )
= P(N (s1 ) 1; N (s1 + s2 ) 2)
X1
= P(N (s1 ) = k1 ; N (s1 + s2 ) 2)
k1 =1
X1 1
X
= P(N (s1 ) = k1 ; N (s1 + s2 ) = k2 )
k1 =1 k2 =2
k1 <k2
1
X 1
X
= P(N (s1 ) = k1 ; N (s1 + s2 ) = k2 )
k1 =1 k2 =k1 +1
X1 X1
= P(N (s1 ) = k1 ; N (s1 + s2 ) N (s1 ) = k2 k1 )
k1 =1 k2 =k1 +1
10
Del lado izquierdo de (2) tenemos
l m P( 1 s1 ; 2 s2 ) = P( 2 s2 ),
s1 "1
y como
l m P(T1 s1 ) = 1,
s1 "1
tenemos que
s2
P( 2 s2 ) = 1 e 80 < s1 < 1
) 2 E( ).
Entonces
P( 1 s1 ; 2 s2 ) = P ( 1 s1 ) P ( 2 s2 ) ,
esto es, 1 y 2 son independientes y tienen la misma distribucin exponencial
E ( ).
Veamos ahora el caso para n 2.
Supongamos que 1 ; 2 ; : : : ; n son independientes y que i E( ) para
1 i n, esto es, 8 0 < s1 < s2 < < sn < 1 tenemos que
n
Y n
Y
si
P( 1 si ; 1 i n) = ( i si ) = 1 e .
i=1 i=1
11
por incrementos independientes
0 0 1 0 1 1
X n+1
Y Xi Xi 1 i 1
X
P( i s1 ; 1 i n+1) = P @N @ sj A N@ sj A ki kj A
1 k1 < <kn+1 i=1 j=1 j=1 j=1
entonces
n
!
Y
sn+1
P( i si ; 1 i n + 1) = P( i si ) 1 e .
i=1
12
Por lo tanto, 8 n 1, las variables aleatorias 1 ; : : : ; n son independientes y
tienen la misma distribucin exponencial E ( ).
t := nf fs 0 ; N (s + t) N (t) = 1g
como el tiempo de la primera falla a partir del tiempo t.
Proposicin 4 t tiene distribucin exponencial E( ) independiente de t.
Demostracin. Sea g(s) = 1 P ( t s) = P ( t > s).
Observemos que f t > sg = f t > t + sg 8 s < t.
g(s + h) = P( t > s + h)
= P( t > t + s + h)
= P( t > t + s ; N (t + s + h) N (t + s) = 0) .
El evento f t s + tg depende de lo que pasa hasta el tiempo t + s5 y
por la propiedad de incrementos independientes, es independiente de lo que
ocurre en el intervalo (t + s; t + s + h]. Esto nos dice que f t s + tg, y
fN (t + s + h) N (t + s) = 0g son independientes, y por lo tanto f t > s + tg
yfN (t + s + h) N (t + s) = 0g tambin lo son6 .
Entonces tenemos
g (s + h) = P( t > t + s) P (N (t + s + h) N (t + s) = 0)
= P( t > s) P (N (h) = 0)
h
= g(s)e .
5 Esto es lo que se conoce como tiempo de paro.
6 Recordemos que si dos eventos A y B son independientes, entonces AC y B son indepen-
dientes, A y B C son independientes y AC y B C son independientes.
13
As,
h
g(s + h) g(s) g(s) e 1
=
h h
y tomando lmites nos queda que
h
g(s) e 1
g 0 (s) = lm
h!0 h
h
e 1
= g (s) l m
h!0 h
= g (s) .
Sabemos que las nicas soluciones para g 0 (s) = g (s) son de la forma
s
g (s) = ke k 2 R;
y tambin que
g (0) = P ( t > 0) = 1.
Entonces
s
P( t > s) = e ,
por lo tanto
s
P( t s) = 1 e s > 0.
Esto es, 8t t tiene distribucin exponencial E ( ).
14
Proposicin 6 Un proceso de Poisson de parmetro > 0, tiene la propiedad
de prdida de memoria.
lt := nf fs 0 : N (t) N (t s) = 0g
P (lt = t) = P (N (t) N (t t) = 0)
= P (N (t) = 0)
= P (T1 t)
t
= e .
P (lt s) = P (N (t) N (t s) 1)
entonces
s
P (lt s) = 1 e
15
6. Simulacin de un Proceso de Poisson
1
Proposicin 8 Sean U U (0; 1) y > 0. Entonces ln (1 U) E ( ).
1 x
1 e x 0
P ln (1 U) x =
0 x 0.
1
P ln (1 U) x = P (ln (1 U) x)
x
= P 1 U e
x
= P U 1 e .
Recordemos que
x 0 x 1
FU (x) =
0 en otro caso,
entonces
x
x 1 e x 0
P U 1 e =
0 x 0,
como queramos.
1
Por lo tanto ln (1 U) E ( ).
7. Denicin equivalente
Denicin 7 (Proceso de Poisson homogneo) Una coleccin de variables
aleatorias fN (t) ; t 0g es un Proceso de Poisson homogneo de parmetro
> 0 si:
1. P (N (0) = 0) = 1.
a) P (N (t + h) N (t) = 1) = h + o (h).
16
b) P (N (t + h) N (t) > 1) = o (h).
Observaciones:
P (N (t + h) N (t) = 1) = P (N (h) = 1)
h
= ( h) e
h
= h+ h e 1
Luego, como
h
h e 1 h
lm = lm e 1 = 0,
h!0 h h!0
tenemos que
P (N (t + h) N (t) = 1) = h + o (h) .
b)
y como
k e hh
( h)
lm k!
= l m hk 1
e hk
=0 k 2
h!0 h k! h!0
tenemos que
1
X h
k e
lm ( h) = 0,
h!0 k!
k=2
esto es,
P (N (t + h) N (t) > 1) = o (h) .
17
Por lo tanto (3))(7).
Veamos ahora que (7))(3). Falta ver que (7))(3.ii).
Denamos una funcin
f (t; n) := P (N (t) = n) .
h
Veamos que f (t; 0) = e .
f (t + h; 0) = P (N (t + h) = 0)
= P (N (t) = 0 ; N (t + h) N (t) = 0)
= P (N (t) = 0) P (N (t + h) N (t) = 0)
= f (t; 0) (1 P (N (t + h) N (t) 1))
= f (t; 0) (1 (P (N (t + h) N (t) = 1) + P (N (t + h) N (t) > 1)))
= f (t; 0) (1 (( h + o (h)) + o (h)))
= f (t; 0) (1 ( h + o (h)))
= f (t; 0) (1 h + o (h)) .
Tenemos entonces
f (t + h; 0) f (t; 0) f (t; 0) ( h + o (h))
lm = lm
h!0 h h!0 h
f 0 (t; 0) = f (t; 0) ,
de donde
t
f (t; 0) = e .
Notemos que 8n > 1
d
f (t; n) = (f (t; n 1) f (t; n)) .
dt
18
f (t + h; n) = P (N (t + h) = n)
Xn
= P (N (t) = n k ; N (t + h) N (t) = k)
k=0
Xn
= P (N (t) = n k) P (N (t + h) N (t) = k)
k=0
= P (N (t) = n) P (N (t + h) N (t) = 0) + P (N (t) = n 1) P (N (t + h) N (t) = 1)
Xn
+ P (N (t) = n k) P (N (t + h) N (t) = k)
k=2
= f (t; n) (1 P (N (t + h) N (t) 1)) + f (t; n 1) ( h + o (h))
X1
n k e t
+ ( t) o (h)
(n k)!
k=2
= f (t; n) (1 (P (N (t + h) N (t) = 1) + P (N (t + h) N (t) > 1)))
+ h f (t; n 1) + o (h)
= f (t; n) (1 (( h + o (h)) + o (h))) + h f (t; n 1) + o (h)
= f (t; n) + h (f (t; n 1) f (t; n)) + o (h) .
Entonces
f (t + h; n) f (t; n) h (f (t; n 1) f (t; n)) + o (h)
lm = lm
h!0 h h!0 h
d
f (t; n) = (f (t; n 1) f (t; n)) .
dt
n e t
Veamos ahora que 8n 0, f (t; n) = ( t) n! .
n+1
d n+1 e t d n+1 t
( t) = t e
dt (n + 1)! (n + 1)! dt
n+1
= (n + 1) tn e t
tn+1 e t
(n + 1)!
t
n e n+1 e t
= ( t) ( t)
n! (n + 1)!
Luego, por el Teorema de Existencia Unicidad de solucin de ecuaciones difer-
enciales, tenemos el resultado.
Por lo tanto fN (t) ; t 0g es un Proceso de Poisson de parmetro (de
acuerdo con las denicin (3).
19
8. Combinacin de Procesos de Poisson
Teorema 5 Sean fN1 (t) ; t 0g y fN2 (t) ; t 0g procesos de Poisson in-
dependientes con parmetros 1 y 2 respectivamente. Sea N (t) = N1 (t) +
N2 (t) ; t 0. Entonces fN (t) ; t 0g es un proceso de Poisson de parmetro
1 + 2.
20
Demostracin. Sea f k gk 0 una sucesin de variables aleatorias Bernoulli de
parmetro p1 . Entonces
N (t)
X
N1 (t) = k
k=1
y
N (t)
X
N2 (t) = (1 k) = N (t) N1 (t) .
k=1
= P (N (t + h) N (t) = 1 ; k = 1)
= P (N (t + h) N (t) = 1) P ( k = 1)
= ( h + o (h)) p1
= p1 h + o (h) .
y
k1 + k2 k1 k2
P (N1 (t) = k1 ; N2 (t) = k2 j N (t) = k1 + k2 ) = p1 p2
k1
21
entonces
s1 X
X s2
k1 + k2 k1 k2 k +k e t
P (N1 (t) s1 ; N2 (t) s2 ) = p1 p2 ( t) 1 2
k1 (k1 + k2 )!
k1 =0 k2 =0
Xs1 X s2
1 k k
= pk1 ( t) 1 pk22 ( t) 2 e (p1 +p2 )t
k1 !k2 ! 1
k1 =0 k2 =0
Xs1 X s2 p1 t p2 t
k1 e k2 e
= ( p1 t) ( p2 t)
k1 ! k2 !
k1 =0 k2 =0
Xs1 X s2
= P (N1 (t) = k1 ) P (N2 (t) = k2 )
k1 =0 k2 =0
s1
! s2
!
X X
= P (N1 (t) = k1 ) P (N2 (t) = k2 )
k1 =0 k2 =0
= P (N1 (t) s1 ) P (N2 (t) s2 ) .
Por lo tanto fN1 (t) ; t 0g y fN2 (t) ; t 0g son procesos de Poisson in-
dependientes con parmetros p1 y p2 .
donde
0 si i 6= j
ij =
1 si i = j.
Entonces fN1 (t) ; t 0g ; : : : ; fNn (t) ; t 0g son procesos de Poisson inde-
pendientes con parmetros p1 ; : : : ; pn respectivamente.
a) P(N (0) = 0) = 1.
22
b) N (t) tiene incrementos independientes.
k e ( (t) (s))
c) 8 0 < s < t se tiene que P (N (t) N (s) = k) = ( (t) (s)) k!
k = 0; 1; 2; : : :. Esto es N (t) N (s) P ( (t) (s)), donde (t) es no
decreciente y (0) = 0.
P (T1 t) = P (N (t) 1)
= 1 P (N (t) = 0)
(t)
= 1 e .
Esto es
(t)
FT1 (x) = 1 e .
Si (t) es diferenciable en t con derivada (t), entonces
(t)
fT1 (t) = (t) e .
donde (s) 0 8 s.
23