Introducción a los Procesos

Estocásticos

Maturana, J. (2021). Introducción a los

Procesos Estocásticos [apunte]. Chile. UNAB
Proceso Poisson

PROCESO POISSON

1. Introducción

Un proceso estocástico es un modelo matemático de un experimento que evoluciona o

se repite en el tiempo, generando una secuencia de variables aleatorias. Ejemplos de
procesos estocásticos son los siguientes:

• El precio diario de una acción.

• La demanda mensual de cierto producto.
• El tiempo entre fallas de una máquina.
• El número de clientes que arriban a un banco en cada hora de la jornada bancaria.

En muchos de los sistemas que nos interesa modelar, analizaremos situaciones en donde
los elementos llegan a un sistema particular. En este sentido, estos elementos pueden
ser personas que ingresan a un supermercado, llamadas a una central telefónica,
trabajos que deben ser procesados en un computador, entre muchos otros ejemplos.

Para poder analizar problemas asociados a la toma de decisiones en estos y otros 1

contextos es necesario contar primero con modelos matemáticos que permitan modelar
adecuadamente estos procesos de llegada a los sistemas. Particularmente en modelos
estocásticos nos interesa poder contar la cantidad de entidades que llegan a sistema un
sistema particular.

El proceso Poisson y sus extensiones representan un primer modelo estocástico para

poder realizar este conteo y poder determinar por ejemplo la cantidad de personas que
llegan a una estación de servicio en un tiempo determinado. Para poder modelar
procesos con este tipo de modelo primero debemos realizar un breve repaso sobre
distribuciones de probabilidad que serán útiles. Luego, revisaremos algunas propiedades
que son relevantes para que los procesos de conteo se comporten efectivamente como
un proceso Poisson. Finalmente, revisaremos las extensiones del modelo para
representar situaciones más realistas.
Proceso Poisson

2. Propiedades de los procesos de conteo

2.1 Procesos de conteo

En todos los procesos de llegada de entidades a un sistema, se debe representar la forma

en que estas entidades llegan a lo largo del tiempo que el sistema está funcionando. En
este sentido, es importante utilizar una notación estándar para representar el conteo de
las entidades. Normalmente los procesos de conteo se representan con la simbología:

{N(t), t >= 0}

En este contexto, N(t) es un proceso de conteo si corresponde al número de eventos,

ocurrencias o llegadas que ocurren en el intervalo de tiempo entre 0 y t. Normalmente
se utiliza la notación [0,t] para representar dicho intervalo. Además, el proceso de conteo
tiene o cuenta con las siguientes propiedades:

• N(t) es un número entero no negativo. 2

• Si s < t, entonces N(s) <= N(t).
• Si s < t, entonces el número de eventos que ocurren en el intervalo [s,t]
corresponde a N(t) – N(s)

Más adelante utilizaremos una representación gráfica para entender estas propiedades.

Observa que todos los procesos de llegada que fueron mencionados con anterioridad (al
inicio de este apunte) son procesos de conteo (es decir los elementos que van llegando
a un sistema cualquiera pueden ser individualizados y contados a lo largo del tiempo).
Para poder determinar algunas probabilidades de ocurrencia de manera analítica (es
decir con fórmulas) es necesario definir algunas propiedades y luego asumir que este
proceso de conteo cumple con las propiedades definidas.

2.2 Propiedad de incrementos independientes

Se dice que un proceso de conteo tiene la propiedad de incrementos independientes si

la cantidad de eventos que ocurren en intervalos de eventos disjuntos son
Proceso Poisson

independientes entre sí. En el fondo, lo que quiere decir esta propiedad es que lo que
ocurre en intervalos de tiempo diferentes y disjuntos no se influencian entre sí.

Esta propiedad es relevante dado que permite analizar los intervalos de tiempo sin
preocuparse de lo que ocurre en los otros intervalos. Esto significa que la propiedad de
incrementos independientes se puede interpretar también como que el proceso de
conteo no tiene memoria (concepto que también estudiamos como propiedad
Markoviana en la unidad 2). Gráficamente tenemos que:

Si observas bien, las llegadas que ocurren en el intervalo [t1,t2] no influyen en las
llegadas que ocurren en el intervalo [t3,t4]. Por lo tanto, es un proceso sin memoria.

3
Ejemplo: Supongamos que estamos analizando la llegada de personas a una estación de
Metro. Se define N(t) como la cantidad de personas que llegan a la estación en el
intervalo [0,t] (por ejemplo una hora). La cantidad de personas que llega entre las 10
y las 11 de la mañana no tiene injerencia o no influye en la cantidad de personas que
llega entre las 12 y las 13 horas del mismo día. En consecuencia, es posible asumir que
este proceso de conteo cuenta con la propiedad de incrementos independientes (observe
que esto ocurre dado que la población de origen es muy grande).

Ejemplo 2: Normalmente las carreras de Ingeniería tienen un cupo para la cantidad de

estudiantes que se matriculan. Por ejemplo, supongamos que la carrera de Ingeniería
Civil Industrial de la UNAB tiene una capacidad de matrícula para alumnos de primer año
de 100 personas. En este contexto, suponga que se está contando la cantidad de
estudiantes que llegan a la oficina de matrícula cuando son aceptados en la carrera. La
oficina atiende durante la mañana entre las 8 AM y las 13 horas. Dado que la población
de origen en este caso es finita (y corresponde la máxima matrícula disponible en la
carrera) la cantidad de personas que llegue entre las 8 y las 9 de la mañana condicionará
la cantidad de personas que lleguen entre las 10 y las 11 AM. Si se nos informa que
entre las 8 y las 9 llegaron 10 personas, entonces entre las 9 y las 13 horas llegarán
Proceso Poisson

como máximo 100 – 10 = 90 personas. En este caso este proceso de conteo no cuenta
con la propiedad de incrementos independientes.

2.3 Propiedad de incrementos estacionarios

La propiedad de incrementos estacionarios indica que la distribución de probabilidades

de número de eventos se mantiene constante en un intervalo de tiempo fijo. Esta
propiedad permite asumir que el parámetro de la distribución de probabilidades que se
utiliza para realizar los cálculos se mantiene constante durante todo el proceso de
conteo. En este contexto, uno de los parámetros más relevantes en los conteos es la
intensidad con la cual las entidades llegan a un sistema. Esta intensidad se puede medir
en personas por hora, fotones por segundo o llamadas por minuto, dependiendo del
contexto de aplicación.

Continuación ejemplo 1: En el caso de la estación de metro, la intensidad claramente

varía en el tiempo. La intensidad con la que llegan las personas a una estación de metro
en horario punta (por ejemplo, a las 7 de la tarde) no es la misma con que llegan las
personas a la misma estación en horario valle (al medio día). Así, este ejemplo no cuenta
con la propiedad de incrementos estacionarios (¿Qué ocurrirá con el caso de la llegada 4
de estudiantes a matricularse?).

El caso en que el proceso de conteo no cumple con la propiedad de incrementos

estacionarios es más complejo y está fuera de los límites de este curso. En consecuencia,
nosotros trabajaremos en este capítulo con procesos que cumplen con esta propiedad.

Ambas propiedades (incrementos independientes y estacionarios) permiten simplificar

el proceso de cálculo de probabilidades para procesos de conteo. Cuando ambas
propiedades se cumplen el cálculo es mucho más sencillo. Sin embargo, ninguna de las
dos propiedades nos ofrece una función matemática explicita para el cálculo de
probabilidades (es decir, aún no podemos determinar cuál es la probabilidad de que
lleguen exactamente 3 personas a una estación de metro entre las 7 y las 8 de la
mañana).

Para poder realizar este tipo de cálculos necesitamos la tercera propiedad, que se define
a continuación.
Proceso Poisson

2.4 Propiedad de orden

Para poder definir la propiedad de orden necesitamos una definición previa. Se dice que
una función f() (una función cualquiera con un argumento cualquiera) es 𝜎𝜎(ℎ) (se lee “o
chica de h) si:

𝑓𝑓(ℎ)
lim =0
ℎ→0 ℎ

En palabras sencillas, este límite representa que la función f tiende a 0 más rápido que
h.

Un proceso de conteo N(t) cuenta con la propiedad de orden si:

• 𝑃𝑃(𝑁𝑁(ℎ) = 1) = 𝜆𝜆ℎ + 𝜎𝜎(ℎ)

• 𝑃𝑃(𝑁𝑁(ℎ) ≥ 2) = 𝜎𝜎(ℎ)
5
En función de lo descrito anteriormente, la propiedad de orden establece que en el
intervalo [0,h] (en donde h es un valor pequeño) la probabilidad de que ocurra un evento
estará dominada por una función lineal 𝜆𝜆ℎ. Además, la probabilidad que ocurran dos o
más eventos es despreciable con respecto a la probabilidad que ocurra un evento (dado
que la función “o chica de h” es de menor orden).

Lo importante de esto, es que cuando se cumple la propiedad de incrementos

estacionarios, la propiedad de orden se cumple para cualquier valor de h. Esto significa
que la propiedad de orden junto con la propiedad de incrementos estacionarios permite
definir una distribución de probabilidades específica para poder calcular
probabilidades.

3. Proceso Poisson

Se dice que un proceso de conteo {N(t), t >= 0} es un proceso Poisson si tiene la

propiedad de incrementos independientes, la propiedad de incremento estacionarios, y
Proceso Poisson

la propiedad de orden. En este sentido, se dice que N(t) se distribuye Poisson de

parámetro 𝜆𝜆𝜆𝜆, es decir:

𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(𝜆𝜆𝜆𝜆)

Por lo tanto es posible decir que la probabilidad que lleguen exactamente k elementos
en el intervalo [0,t] viene dada por:

𝑒𝑒 −𝜆𝜆𝜆𝜆 (𝜆𝜆𝜆𝜆)𝑘𝑘
𝑃𝑃(𝑁𝑁(𝑡𝑡) = 𝑘𝑘 )) =
𝑘𝑘!

Esta ecuación se puede utilizar gracias a la propiedad de orden. Además, la propiedad

de incrementos estacionarios asegura que el parámetro 𝜆𝜆 sea siempre el mismo. En este
contexto, 𝜆𝜆 representa la intensidad de llegada (por ejemplo, en personas por hora).

Ejemplo 1: Una nueva población en Peñablanca requiere una instalación de tendido 6

eléctrico completamente nueva. Los cables utilizados para esta instalación tienen fallas
de acuerdo con un proceso Poisson de intensidad 0,2 por kilómetro.

¿Cuál es la probabilidad que en los primeros dos kilómetros no haya defectos?

Para responder esta pregunta primero definimos:

𝑁𝑁(𝑡𝑡): 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙𝑙𝑙 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 [0, 𝑡𝑡] 𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(0,2𝑡𝑡)

𝑒𝑒 −0,2∗2 (0,2 ∗ 2)0

𝑃𝑃(𝑁𝑁(2) = 0) = = 𝑒𝑒 −0,4 ≈ 0,67
0!

En términos del cálculo de probabilidades en esta unidad, a veces será conveniente dejar
el cálculo expresado en términos de 𝑒𝑒. Observe que cuando es fácil de calcular (como en
el ejemplo anterior) se puede obtener el valor decimal.
Proceso Poisson

Si no hay defectos en los primeros dos kilómetros ¿Cuál es la probabilidad de que

tampoco haya en el tercer kilómetro?

𝑃𝑃(𝑁𝑁[2,3] = 0 / 𝑁𝑁[0,2] = 0)

En este caso podemos aplicar la propiedad de incrementos independientes dado que los
intervalos de tiempo son disjuntos (recuerde que la probabilidad planteada arriba),
luego:

𝑒𝑒 −0,2∗1 (0,2 ∗ 1)0

𝑃𝑃(𝑁𝑁[2,3] = 0) = = 𝑒𝑒 −0,2 ≈ 0,81
0!

3.1 Tiempos entre eventos

Dado que estamos contando llegadas a un sistema, es importante estudiar el tiempo

que transcurre entre dos llegadas consecutivas. De hecho, lo que ocurra con estos
tiempos es muy relevante para el análisis analítico de los procesos de conteo. En esta 7
primera parte estudiaremos tiempos entre eventos que se distribuyen Exponencial, sin
embargo, es posible que esta distribución no siempre este presente en este fenómeno.
Casos más complejos en donde estos tiempos no son exponencial los estudiaremos en
la Unidad 04 (el proceso de renovación).

Sea X1 el tiempo que transcurre desde t = 0 hasta que ocurre el primer evento. Sea X2
el tiempo que transcurre entre el primer y segundo evento, y en general sea Xi el tiempo
que transcurre entre el evento (i-1) y el evento i.

En un Proceso Poisson que tiene intensidad 𝜆𝜆, los tiempos X1, X2, …Xi son variables
independientes e idénticamente distribuidas, con distribución exponencial de intensidad
𝜆𝜆. Dado esto, entonces la probabilidad que el tiempo entre dos eventos ocurra antes de
un tiempo t0 es:

𝑃𝑃(𝑋𝑋𝑖𝑖 ≤ 𝑡𝑡0 ) = 1 − 𝑒𝑒 −𝜆𝜆𝜆𝜆

Proceso Poisson

Sea N(t) un Proceso Poisson en donde se cuenta el número de veces que una ampolleta
ha sido reemplazada. Si la ampolleta lleva funcionando 10 horas ¿Cuánto tiempo más
funcionará correctamente la ampolleta, antes de ser reemplazada?, para poder
responder esta pregunta necesitamos una demostración matemática:

Sea Y la variable aleatoria asociada al tiempo que transcurre hasta la siguiente falla. La
probabilidad que buscamos determinar es:

𝑃𝑃(𝑌𝑌 > 𝑥𝑥) = 𝑃𝑃(𝑋𝑋1 > 𝑠𝑠 + 𝑥𝑥 / 𝑋𝑋1 > 𝑠𝑠)

(Observación: la probabilidad planteada anteriormente se lee como: “la probabilidad de

que el tiempo hasta la siguiente falla sea mayor que s+x dado que ya han transcurrido
s horas desde su instalación).

𝑃𝑃(𝑋𝑋1 > 𝑠𝑠 ∧ 𝑋𝑋1 > 𝑠𝑠 + 𝑥𝑥) 𝑃𝑃(𝑋𝑋1 > 𝑠𝑠 + 𝑥𝑥) 𝑒𝑒 −𝜆𝜆(𝑠𝑠+𝑥𝑥)

𝑃𝑃(𝑌𝑌 > 𝑥𝑥) = = = −𝜆𝜆(𝑠𝑠) = 𝑒𝑒 −𝜆𝜆(𝑥𝑥)
𝑃𝑃(𝑋𝑋1 > 𝑠𝑠) 𝑃𝑃(𝑋𝑋1 > 𝑠𝑠) 𝑒𝑒
8

Esta demostración es fundamental, dado que el resultado indica que el tiempo que
transcurre hasta la siguiente llegada (en este caso la llegada es la falla de la ampolleta)
es independiente al hecho que ya hayan transcurrido 10 horas de uso. En este sentido,
se dice que la distribución exponencial cuenta con la propiedad de no memoria, y más
aún, es la única distribución continua que cuenta con esta propiedad.

Sea N(t) un proceso Poisson que cuenta las llegadas de personas a una estación de
servicio. La intensidad con las que llegan las personas a esta estación es de 0,5
[personas/minuto]. Si la estación está vacía en el instante actual, la probabilidad que
continúe vacía después de 5 minutos se determina de la siguiente manera:
Proceso Poisson

Sea

𝑋𝑋 = 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑎𝑎 𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠

𝑋𝑋~𝐸𝐸𝐸𝐸𝐸𝐸(0,5)

𝑃𝑃(𝑋𝑋 > 5) = 𝑒𝑒 −0,5∗5 = 𝑒𝑒 −2,5

De la misma manera, la probabilidad de que llegue una persona antes de tres minutos
es:

𝑃𝑃(𝑋𝑋 < 3) = 1 − 𝑒𝑒 −3∗0,5 = 1 − 𝑒𝑒 −1,5

Observe que en ningún caso se considera el tiempo que ha transcurrido desde la última
llegada, dado que la distribución exponencial no tiene memoria. Finalmente, dadas las
propiedades de la distribución Exponencial, el tiempo promedio que transcurre hasta la
siguiente llegada es:
9

1 1
𝐸𝐸(𝑋𝑋) = = = 2 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
𝜆𝜆 0,5

Nota: Si un proceso de conteo es un proceso Poisson, entonces los tiempos entre

llegadas se distribuyen exponencial con la misma intensidad. Además, el converso
también es verdadero: si los tiempos entre llegadas se distribuyen exponencial de
intensidad 𝜆𝜆, entonces el proceso de conteo es un proceso Poisson con tasa 𝜆𝜆. En
términos de lógica proposicional, esto corresponde a una doble implicancia. En este
apunte docente no demostraremos la veracidad del converso, se deja como tarea para
el lector.

3.2 La triada del proceso Poisson

Así como tenemos tiempos entre eventos, la consecuencia natural es querer estudiar
cuánto tiempo transcurre hasta que ocurren “k” eventos en un sistema. Esto puede ser
relevante de estudiar para poner límites a la entrada a algún sistema (por ejemplo, dada
Proceso Poisson

la pandemia por COVID-19 es normal limitar la cantidad de personas permitidas en un

espacio cerrado).

Es posible demostrar (lo cual queda fuera del objetivo de este apunte) que al sumar una
seguidilla de variables aleatorias exponenciales se obtiene la distribución Erlang. Esto se
puede observar a través del siguiente gráfico de resumen:

10

En este sentido, se define la variable aleatoria 𝑆𝑆𝑘𝑘 = 𝑋𝑋1 + 𝑋𝑋2 + ⋯ + 𝑋𝑋𝑘𝑘 como suma de
variables aleatorias exponenciales Xi que representan el tiempo que transcurre entre la
llegada de dos eventos consecutivos. En consecuencia, el proceso general es:
Proceso Poisson

Luego, la variable aleatoria 𝑆𝑆𝑘𝑘 se distribuye Erlang de parámetros 𝜆𝜆 y k, donde el primero

representa la intensidad de llegada del Proceso Poisson y k la cantidad de llegadas que
se desea estudiar. La representación es 𝑆𝑆𝑘𝑘 ~𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸(𝜆𝜆, 𝑘𝑘).
11

La función densidad de probabilidades en este caso es:

𝜆𝜆𝑘𝑘 𝑥𝑥 𝑘𝑘−1 𝑒𝑒 −𝜆𝜆𝜆𝜆

𝑓𝑓(𝑥𝑥, 𝑘𝑘) =
𝑘𝑘!

En este sentido, para calcular probabilidades asociadas a la distribución Erlang debemos

integrar la función presentada anteriormente.

𝑡𝑡
𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 𝑡𝑡) = � 𝑓𝑓(𝑥𝑥, 𝑘𝑘)𝑑𝑑𝑑𝑑
0

La triada Poisson-Exponencial-Erlang se utiliza para modelar procesos de conteo en

donde se cumplen las propiedades revisadas anteriormente. El proceso Poisson se utiliza
para sistemas en donde el tiempo avanza continuamente en el tiempo (por ejemplo, en
segundos, minutos u horas) y en donde múltiples ensayos pueden ocurrir en un intervalo
Proceso Poisson

de tiempo determinado. Este proceso de conteo encuentra importantes aplicaciones en

el estudio y rediseño de sistemas de Ingeniería en donde las llegadas aleatorias toman
relevancia para su correcto funcionamiento.

A modo de conocimiento general, es importante destacar que dentro de los procesos de

conteos existentes también está el proceso Bernoulli, en donde el tiempo avanza
discretamente en el tiempo (por ejemplo, una vez al día) y en donde cada proceso se
observa un único ensayo. En este caso, la triada de distribuciones que representa este
proceso son las variables aleatorias Binomial-Geométrica-Pascal (por supuesto esto
queda fuera de los límites de este curso).

4. Separación y composición de procesos de conteo

En sistemas productivos de bienes nos podemos encontrar con situaciones en donde los
flujos de producto se separan bajo cierta condición o probabilidad. Por ejemplo, en una
empresa agrícola donde se cosechan manzanas rojas y verdes, es posible encontrar una
línea continua en donde las manzanas son lavadas e inspeccionadas y en algún momento
llegan a una bifurcación donde se separan de acuerdo con su color. En este contexto,
las manzanas rojas y verdes llegan de acuerdo con una proporción dependiendo de cómo 12
se posicionan en la cinta al inicio del proceso. En consecuencia, esta proporción es
aleatoria.

El esquema general para la separación y composición de procesos de conteo es la

siguiente:
Proceso Poisson

Nosotros nos enfocaremos en las dos partes separadamente. La primera de ellas

corresponde a la separación de procesos de conteo en base a cierta probabilidad de
ocurrencia; la segunda, a la composición o suma de procesos que se juntan en cierto
punto de un proceso productivo. Esto puede ser útil para analizar procesos productivos
como el descrito anteriormente, flujos vehiculares como bifurcaciones o flujos
concurrentes, y también mercados que atienden grupos disjuntos (como atención de
hombres y mujeres, clientes vip y clientes normales, etc.).

4.1 Separación de procesos

Sea un proceso productivo con bifurcaciones (como por ejemplo dos máquinas en
paralelo) como el que se muestra en la figura a continuación:

13

La separación se define como la operación de generar dos o más procesos de conteo a

partir de un proceso total. En este contexto, si el Proceso A es un Proceso Poisson,
entonces nos interesa caracterizar los procesos 1 y 2 en función de lo que ocurre con el
Proceso A. Esto significa poder determinar dichos procesos pueden ser modelados como
un Proceso Poisson de igual equivalente al proceso A.

En el ejemplo de la imagen se presentan exclusivamente dos alternativas, una con

probabilidad p y otra con probabilidad (1-p). Sin embargo, esto puede ser extendido de
la siguiente manera:
Proceso Poisson

Sea N(t) un Proceso Poisson. Suponga que N(t) cuenta el número de ocurrencias de un
evento A. Además, suponga que A puede ser clasificado en k categorías excluyentes
𝐴𝐴1 , 𝐴𝐴2 , … , 𝐴𝐴𝑘𝑘 con probabilidades 𝑝𝑝1 , 𝑝𝑝2 , … , 𝑝𝑝𝑘𝑘 respectivamente. Sea {𝑁𝑁𝑖𝑖 (𝑡𝑡), 𝑡𝑡 ≥ 0} el proceso de
conteo de la partición 𝐴𝐴𝑖𝑖 . Se cumple entonces que cada proceso 𝑁𝑁𝑖𝑖 (𝑡𝑡) es un Proceso
Poisson con intensidad 𝜆𝜆𝑖𝑖 = 𝑝𝑝𝑖𝑖 𝜆𝜆.

La intuición podría llevar a pensar que existe una relación de dependencia entre, por
ejemplo, los 𝑁𝑁1 (𝑡𝑡) 𝑦𝑦 𝑁𝑁2 (𝑡𝑡) de la imagen presentada anteriormente. Sin embargo, es
importante destacar que al particionar el proceso en partes excluyentes entonces no
queda más que la información que ocurre en uno de los sub-procesos no es relevante
para los efectos de conteo de los otros sub-procesos. En consecuencia, todos los
procesos asociados a las categorías excluyentes 𝐴𝐴𝑖𝑖 son procesos Poisson independientes.

La llegada de vehículos a una estación de servicio sigue un proceso Poisson con una
intensidad de 60 vehículos por hora. El 70% de los vehículos son automóviles y el 30%
restante son camionetas. Sean:

𝑁𝑁(𝑡𝑡): 𝐿𝐿𝐿𝐿 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑣𝑣𝑣𝑣ℎí𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑞𝑞𝑞𝑞𝑞𝑞 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑎𝑎 𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
14
𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(60𝑡𝑡)

𝑁𝑁1 (𝑡𝑡): 𝐿𝐿𝐿𝐿 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎ó𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑞𝑞𝑞𝑞𝑞𝑞 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑎𝑎 𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠

𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(42𝑡𝑡)

𝑁𝑁2 (𝑡𝑡): 𝐿𝐿𝐿𝐿 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑞𝑞𝑞𝑞𝑞𝑞 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑎𝑎 𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠

𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(18𝑡𝑡)

La probabilidad de que lleguen 25 automóviles en un período de una hora es:

𝑒𝑒 −42∗1 (42 ∗ 1)25

𝑃𝑃(𝑁𝑁1 (1) = 25) =
25!
Proceso Poisson

La probabilidad de que lleguen 25 automóviles en un periodo de una hora dado que 60

camionetas llegaron en el mismo periodo es equivalente a la probabilidad anterior, dado
que los procesos de conteo de automóviles y camionetas son independientes. Esto es:

𝑃𝑃(𝑁𝑁1 (1) = 25 / 𝑁𝑁2 (1) = 60) = 𝑃𝑃(𝑁𝑁1 (1) = 25)

4.2 Superposición de procesos de conteo

En contraposición con la separación, una superposición es la operación de juntar dos o

más procesos de conteo para generar un nuevo proceso global. Por ejemplo, el conteo
de distintos tipos de clientes que llegan a un banco (titular, externo, tercera edad, etc.)
puede superponerse para generar un conteo total de la cantidad de personas que llegan
a una sucursal específica. En este caso la propiedad reproductiva de la distribución
Poisson (explicada más adelante) permite concluir rápidamente que la superposición de
procesos Poisson es también un proceso Poisson.

15

Sea {𝑁𝑁𝑖𝑖 (𝑡𝑡), 𝑡𝑡 ≥ 0} con i = 1,2,…k Procesos Poisson independientes. Sea además 𝜆𝜆𝑖𝑖 la tasa
de llegada de cada uno de los procesos. Entonces, la suma

𝑁𝑁(𝑡𝑡) = 𝑁𝑁1 (𝑡𝑡) + 𝑁𝑁2 (𝑡𝑡) + ⋯ + 𝑁𝑁𝑘𝑘 (𝑡𝑡)

Representa un Proceso Poisson con tasa 𝜆𝜆 = 𝜆𝜆1 + 𝜆𝜆2 + ⋯ + 𝜆𝜆𝑘𝑘 .

Los trabajos enviados para su ejecución en un computador central están divididos en

tres categorías de prioridad: baja, media y alta. Las llegadas de cada proceso ocurren
con una intensidad de 15, 10 y 5 trabajos por minuto, respectivamente. En este
contexto, se puede definir el proceso total de llegadas como:
Proceso Poisson

𝑁𝑁(𝑡𝑡) = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑞𝑞𝑞𝑞𝑞𝑞 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(15 + 10 + 5)

En este sentido, la probabilidad de que lleguen en total 50 trabajos en los siguientes dos
minutos es:

𝑒𝑒 −30∗2 (30 ∗ 2)50

𝑃𝑃(𝑁𝑁(2) = 50) =
50!

4.3 Relación entre un proceso Poisson y la distribución binomial

En una separación de procesos Poisson es posible establecer una relación entre la 16

distribución Poisson y una distribución binomial. Para ilustrar esta relación revisaremos
un ejemplo.

Una sucursal bancaria tiene dos cajeros. El tiempo de atención (en minutos) del cajero
1 es una variable aleatoria exponencial con tasa 0,2 [clientes/minuto], mientras que el
tiempo del cajero 2 es también una variable aleatoria exponencial con media de 10/3
[minutos/cliente]. Suponga que en el instante en que se empieza a evaluar la salida de
los clientes ambos cajeros están ocupados y hay una cola muy larga.

Si durante la primera hora terminan su servicio 10 personas, determine la probabilidad

de que exactamente 6 de ellas provengan del cajero 1.

En este contexto, se definen los siguientes procesos:

𝑁𝑁1 (𝑡𝑡): 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 1 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 0 𝑦𝑦 𝑡𝑡 𝑁𝑁1 (𝑡𝑡)~𝑃𝑃𝑃𝑃(0,2𝑡𝑡)
Proceso Poisson

𝑁𝑁2 (𝑡𝑡): 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 2 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 0 𝑦𝑦 𝑡𝑡 𝑁𝑁2 (𝑡𝑡)~𝑃𝑃𝑃𝑃(0,3𝑡𝑡)

𝑁𝑁(𝑡𝑡): 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 0 𝑦𝑦 𝑡𝑡 𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(0,5𝑡𝑡)

P 
N1 (0, 60) = 6  = P ( N1 (0, 60) = 10 )
6 ∩ N (0, 60) =
 N (0, 60) = 10  P ( N (0, 60) = 10 )

P ( N1 (0, 60) 6=
= ) P ( N 2 (0, 60) 4 )
P ( N (0, 60) = 10 )

 e −12 126   e −18 184 

  
 6!   4! 
  
≈ 0,1114
 e 3010 
−30

 
 10! 
 

17
Esta expresión puede ser reordenada convenientemente para obtener lo siguiente
(observe el ejemplo que por propiedades de las potencias los Euler se simplifican):

126 184 10!

� 3010
� �6!4!�

Recuerde que una variable aleatoria binomial permite representar una cantidad de éxitos
sobre una cantidad de ensayos totales. En este caso, definimos:

𝑋𝑋: 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑞𝑞𝑞𝑞𝑞𝑞 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 1 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 10 𝑋𝑋~𝑏𝑏(10, 0,4)

¿Cómo determinamos la probabilidad de “éxito” en este caso? Esta probabilidad se

refiere simplemente a los casos favorables sobre casos totales, lo cual podemos
determinar a través de las tasas de llegada. La probabilidad o proporción de personas
que salen del cajero 2 es:
Proceso Poisson

0,2
𝑝𝑝 = = 0,4 = 40%
0,2 + 0,3

Observe que la proporción 12 sobre 30 también entrega como resultado 40% (lo cual es
equivalente para el contexto del ejercicio).

Por lo tanto,

10 
P ( X= 6=
)  4  ( 0, 4 ) ( 0, 6 ) ≈ 0,1114
6 4

 

Observe que no es necesario calcular esta probabilidad a mano. Una calculadora

disponible en internet (www.stattrek.com) permite realizar este cálculo rápidamente:

18
Proceso Poisson

Se invita amablemente al lector a corroborar estos resultados a través de una

calculadora científica o Excel. De esta manera, se demuestra que ambas probabilidades
son equivalentes.

Referencias

1. Gazmuri, P. (1995). Modelos estocásticos para la Gestión de Sistemas. Ediciones

Universidad Católica de Chile.
2. Beichelt, F. (2006). Stochastic processes in science, engineering, and finance.
Chapman and Hall/CRC.
3. Maturana-Ross, J. (2021). Apuntes de clase.
4. Canales, W. (2021). Apuntes de clase.

19