Unidad 3 Estocasticos

Proceso de Poisson
Modelos estocásticos
Javiera Silva
javiera.silvarroyo@gmail.com
21 de julio de 2017
www.unab.cl
Outline
D. de Poisson
D. Exponencial 1 Distribución de Poisson
Procesos de Conteo
Propiedades
Inc. independientes
2 Distribución Exponencial
Inc. estacionarios
P. de Poisson
Función Cero
Propiedad de orden 3 Procesos de Conteo
Definición Propiedades
Tiempo entre llegadas
Procesos de conteo con incrementos independientes
Procesos de conteo con incrementos estacionarios
Propiedades
P. Poisson compuesto
Anexos
4 Procesos de Poisson
Función Cero
Propiedad de orden
Definición
Distribución del tiempo entre llegadas
Propiedades
Proceso de Poisson compuesto
Anexos
Javiera Silva Proceso de Poisson 21 de julio de 2017 2/63

Distribución de Poisson
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson
Función Cero
Propiedad de orden
Definición
Propiedades
Anexos

D. de Poisson
D. Exponencial
Procesos de Conteo Distribución de Poisson

Propiedades
Inc. independientes
Inc. estacionarios Una variable aleatoria X = {0, 1, 2, . . . } se distribuye Poisson de pará-
P. de Poisson metro λ si para algún λ > 0 se tiene que:
Función Cero
Propiedad de orden
λi
f (i) = f (X = i) = e−λ
Definición
i = 0, 1, . . . (1)
Propiedades
i!
Anexos La
P∞ecuación (1) define una función de masa de probabilidad, ya que
i=0 f (i) = 1.
Esperanza: E(x) = λ
Varianza: V (x) = λ

Distribución Exponencial
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson
Función Cero
Propiedad de orden
Definición
Propiedades
Anexos

D. de Poisson
D. Exponencial
Definición
Procesos de Conteo
Propiedades
Inc. independientes Una variable aleatoria (v.a.) continua X se distribuye Exponencial (X ∼Exp)
Inc. estacionarios
de parámetro λ, donde λ>0, si su función de densidad de probabilidad
P. de Poisson
Función Cero
(fdp) está dada por:
Propiedad de orden (
Definición
λe−λx x ≥ 0
Tiempo entre llegadas f (x) =
Propiedades
0 x <0
Anexos
Donde:
1
Esperanza: E(X )=
λ
1
Varianza: V (X )=
λ2

D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson
Función de Probabilidad Acumulada
Función Cero
Propiedad de orden
Definición
La función de probabilidad acumulada F (a) para esta distribución es:
Propiedades
Anexos
F (a) = P{X ≤ a}

D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson
Función Cero
Propiedad de orden
Definición
Propiedades
Anexos

D. de Poisson
D. Exponencial
La distribución exponencial se utiliza como modelo para representar el
Procesos de Conteo
tiempo transcurrido entre dos eventos (los cuales se contabilizan por
Propiedades medio de una distribución de Poisson). Así, esta distribución se utiliza
Inc. independientes
Inc. estacionarios
para representar tiempos de funcionamiento o de espera.
P. de Poisson
Función Cero
Propiedad de orden Ejemplos
Definición
Propiedades 1. El tiempo que tarda una particula radioactiva en desintegrarse.
Anexos
2. El tiempo que transcurre hasta la llegada de un paciente en un ser-

vicio de Urgencias.
3. El tiempo trancurrido entre la llegada de un usuario del metro y otro.

D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes Esperanza
Inc. estacionarios
P. de Poisson
Función Cero
La Esperanza se obtiene de la siguiente manera:
Propiedad de orden Z ∞
Definición
Tiempo entre llegadas E(x) = xf (x)dx
Propiedades −∞
Anexos Z ∞
= xλe−λx dx
0

D. de Poisson
D. Exponencial
Función Generadora de Momentos
Procesos de Conteo
Propiedades
Inc. independientes Para una variable aleatoria X discreta:
Inc. estacionarios
X tx
P. de Poisson φ(t) = E[etX ] = e f (x) (2)
Función Cero
Propiedad de orden
x
Definición
Tiempo entre llegadas Para una variable aleatoria X continua:
Propiedades
Z ∞
Anexos φ(t) = E[etX ] = etx f (x)dx (3)
−∞
Llamamos a φ(t) = E[etX ] la función generadora de momentos, pues-

to que todos los momentos de X pueden ser obtenidos diferenciando
sucesivamente φ(t).

D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades Función Generadora de Momentos
Inc. independientes
Inc. estacionarios
P. de Poisson
De acuerdo con esto, derivando esta función y evaluándola en t = 0 se
Función Cero obtiene:
φ0 (0) = E[X ]
Propiedad de orden
Definición
Propiedades φ00 (0) = E[X 2 ]
Anexos
φ000 (0) = E[X 3 ]
Y en general:
φn (0) = E[X n ]

D. de Poisson
D. Exponencial
Función Generadora de Momentos
Procesos de Conteo
Propiedades
Inc. independientes La función generadora de momentos, φ(t), está dada por la siguiente
Inc. estacionarios
expresión:
P. de Poisson
Función Cero
Propiedad de orden
Definición φ(t) = E[etx ]
Propiedades Z ∞
etx λe−λx dx
Anexos =
0
λ
=
λ−t
Donde: t<λ

D. de Poisson
Con la función generadora de momentos podemos calcular:
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Primer Momento
Inc. estacionarios
P. de Poisson
Función Cero
d

E[X ] = φ(t)
Propiedad de orden

Definición dt
Tiempo entre llegadas t=0
Propiedades

λ
Anexos

=

2
(λ − t)

t=0
1
=
λ
¿A qué corresponde este primer momento?

D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes Segundo Momento
Inc. estacionarios
P. de Poisson
Función Cero

d2
Propiedad de orden

2
E[X ] = φ(t)

Definición
dt 2
Propiedades t=0

Anexos
2λ(λ − t)

=
(λ − t)4

t=0
2
=
λ2

D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
Varianza
P. de Poisson
Función Cero
Propiedad de orden
Definición V [X ] = E[X 2 ] − (E[X ])2
Propiedades
P. Poisson compuesto 2 1
Anexos = − 2
λ2 λ
1
=
λ2

D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios Propiedad: Memoryless
P. de Poisson
Función Cero
Propiedad de orden El resultado de la variable X (tn + 1) no depende de la experiencia (es
Definición
decir los resultados anteriores X (tn − 1), X (tn − 2),. . . ,X (t1 )), sino so-
Propiedades lamente del resultado actual X (tn ), es decir:
Anexos
P{X > s + t|X > t} = P{X > s}

D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Si pensamos que X la variable aleatoria que mide es el tiempo de vida
Inc. independientes
Inc. estacionarios de algún instrumento, entonces la ecuación anterior establece que la
P. de Poisson probabilidad que el instrumento viva por al menos s+t horas dado que
Función Cero
Propiedad de orden
ha sobrevivido t horas es la misma que la probabilidad inicial que viva
Definición por al menos s horas.
Propiedades
Por lo tanto, si el instrumento sigue funcionando al tiempo t, entonces
Anexos la distribución de la cantidad remanente de tiempo en el que sigue
funcionando es la misma que la distribución del tiempo de vida origi-
nal.
En pocas palabras, el instrumento no tiene memoria o no recuerda
que ya ha estado en uso por un tiempo t.

D. de Poisson
D. Exponencial Propiedad: Memoryless

Procesos de Conteo
Propiedades
Inc. independientes Esta propiedad es equivalente a:
Inc. estacionarios
P. de Poisson
Función Cero P{X > s} P{X > t}
Propiedad de orden P{X > s + t|X > t} =
Definición P{X > t}
Propiedades
P. Poisson compuesto = P{X > s}
Anexos
P{X > s + t} = P{X > s} P{X > t}

D. de Poisson
D. Exponencial
Propiedad: Memoryless
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
De acuerdo a lo anterior, es posible señalar que la Distribución Expo-
P. de Poisson
nencial no tiene memoria o es memoryless, ya que:
Función Cero
Propiedad de orden
Definición
P{X > s + t} = e−λ(s+t)
e−λ(s) e−λ(t)
Propiedades
=
Anexos
= P{X > s} P{X > t}
Observación: La distribución exponencial no sólo carece de memoria,

sino que es la única distribución (continua) con tal propiedad.

D. de Poisson
D. Exponencial Ejemplo 1
Procesos de Conteo
Propiedades
Inc. independientes
Suponga que la cantidad de tiempo que uno gasta en un banco está
1
Inc. estacionarios exponencialmente distribuido con λ = 10 clientes por minuto.
P. de Poisson
Función Cero a. ¿Cuál es la probabilidad que una cliente gastará más de 15 minutos
Propiedad de orden
Definición en el banco?
Propiedades
b. ¿Cuál es la probabilidad que una cliente gastará más de 15 minutos
Anexos en el banco dado que ella está aún en el banco después de 10
minutos?
Solución:
a. 3
P{X > 15} = 1 − P{X ≤ 15} = e−15λ = e− 2 ≈ 0, 22

D. de Poisson
D. Exponencial Ejemplo 1
Procesos de Conteo
Propiedades
Inc. independientes
Suponga que la cantidad de tiempo que uno gasta en un banco está
1
Inc. estacionarios exponencialmente distribuido con λ = 10 clientes por minuto.
P. de Poisson
Función Cero a. ¿Cuál es la probabilidad que una cliente gastará más de 15 minutos
Propiedad de orden
Definición en el banco?
Propiedades
b. ¿Cuál es la probabilidad que una cliente gastará más de 15 minutos
Anexos en el banco dado que ella está aún en el banco después de 10
minutos?
Solución:
b. 1
P{X > 5} = P{X > 15|X > 10} = e−5λ = e− 2 ≈ 0, 604

D. de Poisson
D. Exponencial
Ejemplo 2
Procesos de Conteo
Propiedades Supongamos que el tiempo que un estudiante dedica diariamente al
Inc. independientes
Inc. estacionarios estudio se distribuye exponencialmente con media 2 horas.
P. de Poisson
Función Cero a. ¿Cuál es la probabilidad de que el estudiante estudie más de 3 ho-
Propiedad de orden
ras?
Definición
Propiedades b. ¿Cuál es la probabilidad de que estudie más de 3 horas sabiendo
Anexos
que lleva 1 hora estudiando?
Solución:
a. La probabilidad de que estudie más de 3 horas es:
3
P{X > 3} = e−3λ = e− 2 ≈ 0, 22

D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes Ejemplo 2
Inc. estacionarios
P. de Poisson
Función Cero
Supongamos que el tiempo que un estudiante dedica diariamente al
Propiedad de orden
estudio se distribuye exponencialmente con media 2 horas.
Definición
Propiedades a. ¿Cuál es la probabilidad de que el estudiante estudie más de 3 ho-
Anexos
ras?
b. ¿Cuál es la probabilidad de que estudie más de 3 horas sabiendo
que lleva 1 hora estudiando?

Procesos de Conteo
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson
Función Cero
Propiedad de orden
Definición
Procesos de Conteo
Propiedades
Anexos

Procesos de Conteo
D. de Poisson
D. Exponencial
Procesos de Conteo Ejemplos de Procesos de Conteo

Propiedades
Inc. independientes
Inc. estacionarios 1. Si N(t) corresponde al número de personas que entran a una tienda en par-
P. de Poisson ticular en o previo al tiempo t, entonces {N(t),t≥0} es un proceso de conteo
Función Cero en el cual un evento corresponde a una persona que entra en la tienda.
Propiedad de orden
Definición 2. El número de litros de agua que han llegado a un pantano hasta el instante
Propiedades
t (Supuesto: el contador solo contabiliza litros completos) es un proceso de
P. Poisson compuesto conteo.
Anexos
3. El número de trabajos enviados a una impresora hasta el instante t es un
proceso de conteo.
4. Si N(t) corresponde al número de goles que un jugador de fútbol dado marca
hasta el tiempo t, entonces {N(t),t≥0} es un proceso de conteo. Un evento
de este proceso ocurrirá cada vez que el jugador de fútbol marque un gol.

Procesos de Conteo
Propiedades
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson 1. N(t)≥0.
Función Cero
Propiedad de orden 2. N(t) corresponde a un número perteneciente al conjunto de Núme-
Definición
Tiempo entre llegadas ros Enteros.
Propiedades
Anexos
3. Sean t y s dos instantes de tiempo, tal que s<t, entonces N(s)≤N(t).
∴ N(t) es un proceso no decreciente en el tiempo.
4. Para s<t, N(t) − N(s) corresponde al número de eventos que ocu-
rren en el intervalo [s,t].

Procesos de Conteo
Propiedades
D. de Poisson
Suponga que N(t) denota el número de clientes que llegan a un banco
D. Exponencial
hasta el instante t, para todo t>0. Gráficamente:
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson
Función Cero
Propiedad de orden
Definición
Propiedades
Anexos

Procesos de Conteo
Procesos de conteo con incrementos independientes
D. de Poisson
D. Exponencial Procesos de conteo con Incrementos Independientes

Procesos de Conteo
Propiedades
Inc. independientes Un proceso de conteo {N(t),t≥0} posee incrementos independientes
Inc. estacionarios
si el número de eventos que ocurren en intervalos de tiempo disjuntos
P. de Poisson
Función Cero son independientes.
Propiedad de orden
Definición
Propiedades
Anexos
Un proceso de conteo tiene incrementos independientes si el número

de sucesos que ocurren en el intervalo (t1 , t2 ), vale decir, N(t2 )-N(t1 ), es
independiente del número de sucesos en (t3 , t4 ), es decir, N(t4 )-N(t3 ).

Procesos de Conteo
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades Procesos de conteo con Incrementos Estacionarios
Inc. independientes
Inc. estacionarios
P. de Poisson Un proceso de conteo {N(t),t≥0} posee incrementos estacionarios

Función Cero
Propiedad de orden
si la distribución del número de eventos que ocurren en cualquier inter-
Definición valo de tiempo depende sólo de la longitud del intervalo de tiempo.
Propiedades
Anexos En otras palabras:
El número de sucesos que se dan en el intervalo [t1 +s, t2 +s], es decir,
N(t2 +s)-N(t1 +s), tiene la misma distribución que el número de suce-
sos ocurridos en el intervalo [t1 , t2 ], es decir, N(t2 )-N(t1 ), ∀ t1 <t2 , s≥0.

Procesos de Conteo
D. de Poisson
Procesos de conteo con Incrementos Estacionarios
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson
Función Cero
Propiedad de orden
Definición
Propiedades Esta distribución no depende del instante en que este intervalo co-
Anexos
mience o termine.
No depende de la ubicación exacta del intervalo en el tiempo.
Depende sólo de la longitud del intervalo de tiempo.
El proceso es estable a lo largo del tiempo (distribuciones).
N(t1 +s, t2 +s)∼
=N(t1 , t2 )

Procesos de Conteo
D. de Poisson
D. Exponencial
Ejemplo 1
Procesos de Conteo
Propiedades
Inc. independientes
Un ejemplo de un proceso de conteo con incrementos indepen-
Inc. estacionarios dientes es el número de trabajos que llegan a una impresora, ya que
P. de Poisson los trabajos que llegan en un intervalo de tiempo no tienen por qué
Función Cero
Propiedad de orden
influir en los que llegan en otro intervalo de tiempo que sea disjunto
Definición dicho intervalo.
Propiedades
Anexos Sin embargo, puede que este caso no sea de incrementos estacio-
narios, ya que, por ejemplo, es de esperar que el número de trabajos
que lleguen en el intervalo de tiempo de nueve a diez de la mañana
no coincida con los que llegan de dos a tres de la tarde (en muchas
empresas, este periodo coincide con el horario de almuerzo). Por lo
tanto, cabe esperar que el número de trabajos enviados a la impreso-
ra en el segundo intervalo sea considerablemente menor.

Procesos de Poisson
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson
Función Cero
Propiedad de orden
Definición
Procesos de Poisson
Propiedades
Anexos

Procesos de Poisson
Función Cero
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios Definición: Función Cero
P. de Poisson
Función Cero
Propiedad de orden La función f (•) se dice que es σ(h) (función cero) si:
Definición
f (h)
Propiedades lim =0
P. Poisson compuesto h→0 h
Anexos
En otras palabras, f (h) se va a cero más rápido que h.

Procesos de Poisson
Función Cero
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades Función Cero
Inc. independientes
Inc. estacionarios
P. de Poisson
La función f (x)=x 2 es σ(h):
Función Cero
Propiedad de orden
f (h) h2
Definición lim = lim = lim h = 0
Tiempo entre llegadas h→0 h h→0 h h→0
Propiedades
Anexos La función f (x)=x no es σ(h):
f (h) h
lim = lim = lim 1 = 1
h→0 h h→0 h h→0

Procesos de Poisson
Función Cero
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades Función Cero
Inc. independientes
Inc. estacionarios
P. de Poisson
Si f (•) es σ(h) y g(•) es σ(h), entonces f (•)+g(•) también lo es
Función Cero
Propiedad de orden f (h) + g(h) f (h) g(h)
Definición lim = lim + lim =0+0=0
Tiempo entre llegadas h→0 h h→0 h h→0 h
Propiedades
Anexos Si f (x) es σ(h), entonces la función g(x)=cf (x) es σ(h):
cf (h) f (h)
lim = c lim = c0 = 0
h→0 h h→0 h

Procesos de Poisson
Propiedad de orden
D. de Poisson
Con la definición de Función cero:
D. Exponencial
Procesos de Conteo Propiedad de Orden

Propiedades
Inc. independientes
Inc. estacionarios
El proceso de conteo tiene la propiedad de orden si:
P. de Poisson
Función Cero
Propiedad de orden
P{N(h)=1}=λh+σ(h)
Definición
Tiempo entre llegadas P{N(h)≥2}=σ(h)
Propiedades
Anexos
Esta propiedad establece que para intervalos de tiempo pequeños
[0, h], la probabilidad de que ocurra un evento está dominada por la
función lineal λh (recordar que para h pequeño, σ(h) es de menor
orden que h).
Además, la probabilidad de que ocurran dos o más eventos en el in-

tervalo [0, h] es despreciable en comparación a la probabilidad de que
ocurra un evento.

Procesos de Poisson
Propiedad de orden
D. de Poisson
D. Exponencial
Con la definición de Función cero:
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
Propiedad de Orden
P. de Poisson
Función Cero El proceso de conteo tiene la propiedad de orden si:
Propiedad de orden
Definición
Tiempo entre llegadas P{N(h)=1}=λh+σ(h)
Propiedades
P. Poisson compuesto P{N(h)≥2}=σ(h)
Anexos
Esto quiere decir que, cuando h es pequeño, existen dos eventos do-
minantes: que ocurra un evento o que no ocurra ninguno.
Las llegadas u ocurrencias se generan “uno a uno”.

Procesos de Poisson
Definición
El proceso de conteo {N(t)≥0} es un proceso de Poisson de tasa λ

D. de Poisson
(λ>0), si:
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
(I) N(0)=0
P. de Poisson
Función Cero
Propiedad de orden
(II) El proceso posee incrementos independientes.
Definición
Tiempo entre llegadas (III) El número de eventos en cualquier intervalo de longitud t esta
Propiedades
distribuido Poisson con media λt. Esto es, para todo s, t ≥0.
Anexos
(λt)n
P(N(t + s) − N(s) = n) = e−λt , n = 0, 1, . . .
n!
(IV) Cumple con la propiedad de orden.
Notar que de la condición (iii) se concluye que el proceso de Poisson

posee incrementos estacionarios.

Procesos de Poisson
Definición
D. de Poisson
D. Exponencial
Procesos de Conteo Proceso de Poisson

Propiedades
Inc. independientes
Inc. estacionarios El proceso de Poisson con parámetro λ (λ≥0) dependiente del tiempo
P. de Poisson t≥0, es tal que :
Función Cero
Propiedad de orden
Definición
Tiempo entre llegadas e−λt (λt)k
Propiedades P{N(t) = k } = k = 0, 1, . . . (4)
k!
Anexos
Donde, además:
Esperanza: E(N(t))=λt
Varianza: Var (N(t))=λt

Procesos de Poisson
Definición
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes Ejemplos de Procesos de Poisson
Inc. estacionarios
P. de Poisson
Función Cero
Llegadas de clientes a una cola
Propiedad de orden
Definición Llamadas a una central telefónica
Propiedades
Llegada de pacientes a la emergencia de un hospital
Anexos
Llegada de autos a un estacionamiento

Llegada de buses a un paradero

Procesos de Poisson
Definición
D. de Poisson
D. Exponencial
Ejemplo
Procesos de Conteo
Propiedades
Inc. independientes Sea un sistema bancario con un proceso de llegadas que cumplen la propiedad
Inc. estacionarios de incrementos independientes y la propiedad de orden.
P. de Poisson
Función Cero
Entre 9:00 y 10:30 de la mañana llegan en promedio 200 personas por hora.
Propiedad de orden
Definición Entre 10:30 y 12:30 llegan 100 personas por hora.
Propiedades Entre 12:30 y 14:00 llegan 300 personas por hora.
Anexos
a) ¿Cuál es la probabilidad de que en los primeros 5 minutos de operación no

llegue ningún cliente?
b) ¿Cuál es la probabilidad de que en los primeros 3 minutos lleguen 5 clientes
y que en los primeros 3 minutos de la segunda jornada lleguen 2 clientes?
c) ¿Cuál es la probabilidad de que en los primeros 3 minutos más de 5 clientes?

Procesos de Poisson
Definición
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
Solución
P. de Poisson
Función Cero a) ¿Cuál es la probabilidad de que en los primeros 5 minutos de ope-
Propiedad de orden
Definición
ración no llegue ningún cliente?
Tiempo entre llegadas 200
Propiedades Para este caso, primero se debe observar que λ= [llegadas/minuto]=
60
Anexos
e−λt (λt)0
P{N(5) = 0} = = e−3,33∗5 = 0, 000000058
0!

Procesos de Poisson
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson
Función Cero
Propiedad de orden
Definición
Propiedades
Anexos

Procesos de Poisson
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
Consideremos un proceso de Poisson
P. de Poisson
Función Cero
Para n>1, sea Tn el lapso de tiempo entre el (n − 1) − esimo y el
Propiedad de orden n − esimo evento.
Definición
Propiedades La secuencia {Tn , n=1,2,. . . } es llamada secuencia de tiempos entre
Anexos
llegadas.
Buscamos determinar la distribución de Tn .

Procesos de Poisson
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Para lograr este objetivo, debemos notar que el evento {T1 >t} toma
Inc. independientes lugar si y sólo si ningún evento del Proceso de Poisson ocurre en [0,
Inc. estacionarios
t]:
P. de Poisson
Función Cero P{T1 > t} = P{N(t) = 0}
Propiedad de orden
e−λt (λt)n
Definición =
Tiempo entre llegadas n!
Propiedades
e−λt (λt)0
P. Poisson compuesto =
Anexos 0!
= e−λt
1
Por lo tanto, T1 tiene una distribución exponencial con media λ
.

Procesos de Poisson
D. de Poisson
D. Exponencial
Procesos de Conteo
Ahora,
Propiedades
Inc. independientes P{T2 > t|T1 = s} = P{N(t + s) − N(s) = 0|T1 = s}
Inc. estacionarios
= P{N(t + T1 ) − N(T1 ) = 0}
P. de Poisson
Función Cero = P{N(t) = 0}
Propiedad de orden
Definición
= e−λt
Propiedades
P. Poisson compuesto Concluimos que T2 es también una variable aleatoria exponencial con
Anexos
media λ1 y que T1 es independiente de T2 .
Notar que Tn es memoryless, por lo que el tiempo entre dos eventos
consecutivos posee la misma distribución que el tiempo hasta que
ocurre el primer evento.

Procesos de Poisson
D. de Poisson
D. Exponencial Sn , con n=1,2,... es el tiempo de arribo del n − esimo evento, también

Procesos de Conteo llamado tiempo de espera hasta el n −esimo evento. Se puede ver que:
Propiedades
Inc. independientes
Inc. estacionarios n
X
P. de Poisson Sn = Ti , n≥1
Función Cero
Propiedad de orden
i=1
Definición
Propiedades
Y por lo tanto, se deduce de la proposición anterior y de la suma de v.a.
P. Poisson compuesto exponenciales que Sn posee una Distribución gamma de parámetros
Anexos
n y λ.
Esto es, la densidad de probabilidad de Sn esta dada por:
(λt)(n−1)
fSn (t) = λe−λt , t ≥0
(n − 1)!

Procesos de Poisson
D. de Poisson
D. Exponencial
Ejemplo
Procesos de Conteo
Propiedades
Inc. independientes
Suponga que gente que inmigra dentro de un territorio a una tasa Pois-
Inc. estacionarios
P. de Poisson
son λ=1 por día.
Función Cero
Propiedad de orden a. ¿Cuál es el tiempo esperado hasta que el décimo inmigrante llegue?
Definición
Propiedades
b. ¿Cuál es la probabilidad que el lapso de tiempo entre el décimo y el
P. Poisson compuesto undécimo arribo exceda los dos días?
Anexos
Solución:
10
a. E(S10 ) = =10 días
λ
b. P{T11 > 2} = e−2λ = e−2 ≈ 0,133

Procesos de Poisson
Propiedades
D. de Poisson
Propiedad de Agregación
D. Exponencial Considerar los Procesos de Poisson independientes de tasas λi , i =
Procesos de Conteo 1, 2, . . . , k . Cada uno de estos procesos cuenta el número de eventos
Propiedades
Inc. independientes de tipo i que ocurren hasta el tiempo t.
Inc. estacionarios
P. de Poisson Definamos un nuevo proceso de conteo N(t) = N1 (t) + N2 (t) + · · · +

Función Cero
Nk (t), este tambien es un proceso de Poisson de tasa λ = (λ1 + λ2 +
Propiedad de orden
Definición · · · + λk ), y cuenta el número de eventos de cualquier tipo ocurridos
Propiedades
hasta el tiempo t.
Anexos

Procesos de Poisson
Propiedades
Propiedad de Desagregación
D. de Poisson
D. Exponencial Considerar un proceso de Poisson N(t), de tasa λ tal que los eventos
Procesos de Conteo que cuenta pueden ser clasificados en k categorías excluyentes entre
Propiedades
Inc. independientes
sí. La probabilidad de
P ocurrencia de un evento del tipo i = 1, 2, . . . , k
Inc. estacionarios es pi , de forma que ki=1 pi = 1.
P. de Poisson
Función Cero A partir de este proceso se pueden definir k procesos N1 (t), N2 (t), . . . , Nk (t)
Propiedad de orden
Definición
donde la tasa de cada uno de estos procesos es λi = λpi . Cada uno
Tiempo entre llegadas de estos procesos cuenta el número de eventos de tipo i que ocurren
Propiedades
hasta el tiempo t
Anexos

Procesos de Poisson
Propiedades
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
P. de Poisson De las propiedades de agregación y desagregación se desprende que:

Función Cero
Propiedad de orden
Definición
λi
pi = (5)
Propiedades
λ1 + λ2 + · · · + λk
Anexos

Procesos de Poisson
Propiedades
D. de Poisson
D. Exponencial
Ejemplo
Procesos de Conteo
Propiedades Considerar una etapa de un proceso productivo que está constituida
Inc. independientes
Inc. estacionarios por dos máquinas en paralelo:
P. de Poisson
Función Cero Los productos llegan a esta etapa de acuerdo a un proceso de Pois-
Propiedad de orden
Definición
son de tasa λ.
Propiedades Al llegar a esta etapa, los productos son derivados a la máquina 1 con
Anexos
probabilidad p, y a la máquina 2 con probabilidad (1 − p).
Cada producto es asignado a alguna de estas dos máquinas, en for-
ma independiente de los demás productos.
Se puede considerar el proceso de conteo de las llegadas de productos
al sistema (N(t)), y los procesos de conteo de llegadas de productos a
las máquinas 1 y 2 (N1 (t) y N2 (t)).

Procesos de Poisson
Propiedades
D. de Poisson
D. Exponencial
Ejercicio
Procesos de Conteo
Propiedades El número de clientes que ingresa a una tienda de mascotas en un día dado
Inc. independientes
puede ser modelado como un Proceso de Poisson. La tienda abre de 11 a 19
Inc. estacionarios
horas, y los clientes ingresan a una tasa de 15 clientes por día. Estudios sobre
P. de Poisson
el comportamiento de estos clientes indican que éstos tienen una probabilidad
Función Cero
Propiedad de orden
del 0,6 de realizar una compra. Además se sabe que, siendo que la tienda se
Definición especializa en la venta de artículos para tortugas, gatos o erizos de tierra, hay
una probabilidad del 0,3 de que la compra realizada sea un artículo para gatos
Propiedades
y una probabilidad del 0,5 de que la compra sea de un artículo para erizos de
Anexos tierra. En base a esta información:
1 Dibuje un diagrama que represente el proceso anteriormente descrito.

2 Cuál es la probabilidad de que ingresen 10 clientes en una hora.
3 De acuerdo a su respuesta de la pregunta b), ¿cuál es la probabilidad de que,
de esos 10 clientes, 4 compren una rueda para erizos de tierra, 3 compren
juguetes para gatos y el resto no haga compra alguna?

Procesos de Poisson
D. de Poisson
D. Exponencial
Procesos de Conteo Proceso de Poisson Compuesto

Propiedades
Inc. independientes
Inc. estacionarios
Un proceso estocástico {X (t), t ≥ 0} es un proceso de Poisson com-
P. de Poisson
Función Cero
puesto si se puede representar como:
Propiedad de orden
Definición
Tiempo entre llegadas N(t)
Propiedades
X
Yi
Anexos i=1
Donde {N(t), t ≥ 0} es un proceso de Poisson e {Yi , i ≥ 1} es una familia

de variables aleatorias independientes e idénticamente distribuidas que
son independientes de {N(t), t ≥ 0}.

Procesos de Poisson
D. de Poisson
D. Exponencial Ejemplo: Proceso de Poisson Compuesto

Procesos de Conteo
Propiedades
Inc. independientes
Sea un sistema de llegadas de buses en que la llegada de cada bus
Inc. estacionarios puede ser modelado como un proceso de Poisson.
P. de Poisson
Función Cero Supongamos que cada vehículo i traerá una cantidad de pasajeros
Propiedad de orden
Definición Yi , de acuerdo a una distribución de probabilidad específica.
Propiedades
Asi, en un instante t llegaran N(t) buses (de acuerdo a un proceso de
Anexos conteo con distribución de Poisson).
La cantidad de personas que llegaran al paradero, en base a lo ante-
rior, es:
N(t)
X
Yi
i=1

Procesos de Poisson
D. de Poisson No es posible encontrar una expresión cerrada para la distribución de Xt , ya que

D. Exponencial
esta expresión dependerá de la distribución de probabilidades de los Yi .
Procesos de Conteo
Propiedades
Inc. independientes
Esperanza P. P. Compuesto
Inc. estacionarios
P. de Poisson
Función Cero PN(t)
Propiedad de orden
E(X (t)) = E[ i=1 Yi ]
Definición P∞ Pk
Tiempo entre llegadas = k =0 E[ i=1 Yi ]P{N(t) = k }
Propiedades
P∞ Pk
= k =0 [ i=1 E(Yi )]P{N(t) = k }
Anexos
P∞
= k =0 [k µ]P{N(t) = k }
= µλt
En general, tenemos que:

E(X (t)) = λtE(Y )

Procesos de Poisson
D. de Poisson
D. Exponencial
Procesos de Conteo No es posible encontrar una expresión cerrada para la distribución de

Propiedades
Inc. independientes
Xt , ya que esta expresión dependerá de la distribución de probabilida-
Inc. estacionarios des de los Yi .
P. de Poisson
Función Cero
Propiedad de orden Varianza P.P. Compuesto
Definición
Propiedades
La varianza del proceso de Poisson Compuesto puede ser obtenida de
Anexos la siguiente manera:
V (X (t)) = λtE(Y 2 )

Procesos de Poisson
Anexos
Esperanza para una Distribución de Poisson

D. de Poisson
X
D. Exponencial E[Y ] = yp(y )
Procesos de Conteo y
Propiedades
Inc. independientes
X e−λ λy
Inc. estacionarios
= y
y
y!
P. de Poisson
Función Cero X e−λ λy
Propiedad de orden = y
Definición
y
(y − 1)!y
Propiedades X e−λ λy
P. Poisson compuesto = Factorizamos una λ
Anexos
y
(y − 1)!
X e−λ λy −1
=λ Sustituimos z = y − 1
y
(y − 1)!
X e−λ λz X e−λ λz
=λ Sabemos que =1
z
(z)! z
(z)!
=λ

Procesos de Poisson
Anexos
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades Varianza para una Distribución de Poisson
Inc. independientes
Inc. estacionarios
Primero,
P. de Poisson
Función Cero
Propiedad de orden V [Y ] = E[y 2 ] − (E[Y ])2
Definición
E[Y (Y − 1)] = E[Y 2 ] − E[Y ]
Propiedades
Anexos Entonces
V [Y ] = E[Y (Y − 1)] + E[Y ] − (E[Y ])2 usaremos este forma de la
varianza para hacer la demostración.

Procesos de Poisson
Anexos
D. de Poisson
Varianza para una Distribución de Poisson
D. Exponencial
X e−λ λy
Procesos de Conteo E[Y (Y − 1)] = y (y − 1)
Propiedades
y
y!
Inc. independientes
e−λ λy
Inc. estacionarios X
P. de Poisson = y (y − 1) Eliminamos
Función Cero
y
(y − 2)!(y − 1)y
Propiedad de orden
Definición X e−λ λy
= Factorizamos λ2
Propiedades
y
(y − 2)!
Anexos
X e−λ λy −2
= λ2 Sustituimos z = y − 2
y
(y − 2)!
X e−λ λz X e−λ λz
= λ2 =1
z
(z)! z
(z)!
= λ2

Procesos de Poisson
Anexos
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios
Varianza para una Distribución de Poisson
P. de Poisson
Función Cero
Ahora sustituimos para encontrar la varianza:
Propiedad de orden
Definición
V [Y ] = E[Y (Y − 1)] + E[Y ] − (E[Y ])2 Sabemos que E[Y ] = λ
Propiedades 2 2
=λ +λ−λ
Anexos
=λ

Preguntas?

Unidad 3 Estocasticos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad 3 Estocasticos

Cargado por

Copyright:

Formatos disponibles

Proceso de Poisson

D. Exponencial 1 Distribución de Poisson

Javiera Silva Proceso de Poisson 21 de julio de 2017 2/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 3/63

Procesos de Conteo Distribución de Poisson

Javiera Silva Proceso de Poisson 21 de julio de 2017 4/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 5/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 6/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 7/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 8/63

2. El tiempo que transcurre hasta la llegada de un paciente en un ser-

3. El tiempo trancurrido entre la llegada de un usuario del metro y otro.

Javiera Silva Proceso de Poisson 21 de julio de 2017 9/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 10/63

Llamamos a φ(t) = E[etX ] la función generadora de momentos, pues-

Javiera Silva Proceso de Poisson 21 de julio de 2017 11/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 12/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 13/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 14/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 15/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 16/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 17/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 18/63

D. Exponencial Propiedad: Memoryless

P{X > s + t} = P{X > s} P{X > t}

Javiera Silva Proceso de Poisson 21 de julio de 2017 19/63

= P{X > s} P{X > t}

Observación: La distribución exponencial no sólo carece de memoria,

Javiera Silva Proceso de Poisson 21 de julio de 2017 20/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 21/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 22/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 23/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 24/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 25/63

Procesos de Conteo Ejemplos de Procesos de Conteo

Javiera Silva Proceso de Poisson 21 de julio de 2017 26/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 27/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 28/63

D. Exponencial Procesos de conteo con Incrementos Independientes

Un proceso de conteo tiene incrementos independientes si el número

Javiera Silva Proceso de Poisson 21 de julio de 2017 29/63

P. de Poisson Un proceso de conteo {N(t),t≥0} posee incrementos estacionarios

Javiera Silva Proceso de Poisson 21 de julio de 2017 30/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 31/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 32/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 33/63

En otras palabras, f (h) se va a cero más rápido que h.

Javiera Silva Proceso de Poisson 21 de julio de 2017 34/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 35/63

Javiera Silva Proceso de Poisson 21 de julio de 2017 36/63

Procesos de Conteo Propiedad de Orden

Además, la probabilidad de que ocurran dos o más eventos en el in-

Javiera Silva Proceso de Poisson 21 de julio de 2017 37/63

Las llegadas u ocurrencias se generan “uno a uno”.

Javiera Silva Proceso de Poisson 21 de julio de 2017 38/63

El proceso de conteo {N(t)≥0} es un proceso de Poisson de tasa λ

(IV) Cumple con la propiedad de orden.

Notar que de la condición (iii) se concluye que el proceso de Poisson

Javiera Silva Proceso de Poisson 21 de julio de 2017 39/63

Procesos de Conteo Proceso de Poisson

Javiera Silva Proceso de Poisson 21 de julio de 2017 40/63

Llegada de autos a un estacionamiento

Javiera Silva Proceso de Poisson 21 de julio de 2017 41/63