Proceso de Poisson

3 LA DISTRIBUCION EXPONENCIAL Y EL PROCESO DE POISSON1
3.1 INTRODUCCIÓN.
Al construir un modelo matemático de un fenómeno real, siempre es necesario hacer ciertas

suposiciones que simplifican el modelo para hacerlo manejable matemáticamente. De otra parte, no es
posible hacer demasiadas suposiciones que simplifiquen el modelaje porque nuestras conclusiones,
obtenidas del modelo matemático no serían aplicables al fenómeno real. Así, en resumen, debemos
realizar suficientes suposiciones simplificadoras que nos permitan manejar las matemáticas, pero no
tantas que el modelo matemático no se quede pareciendo al sistema real. Una de las suposiciones
simplificadoras que a menudo se hace es suponer que ciertas variables se distribuyen
exponencialmente. La razón de esta suposición es que la distribución exponencial es fácil de manejar
y a menudo es una buena aproximación a la distribución actual.
La propiedad de la distribución exponencial que la hace fácil de analizar es que no se deteriora con el
tiempo. Con esto queremos decir que si la vida de un artículo se distribuye exponencialmente,
entonces un artículo que ha estado en uso por diez horas (o cualquier número de horas) es tan bueno
como un artículo nuevo, con relación a la cantidad de tiempo que le falta hasta que falle. Esto se
definirá en la sección 2. La exponencial es la única distribución continua que tiene esta propiedad. En
el caso discreto, esta propiedad la tiene la distribución geométrica
En la sección 3 estudiaremos los procesos de conteo, con énfasis especial en una clase de proceso de
conteo conocido como el proceso de Poisson, y descubriremos la íntima relación entre este proceso y
la distribución exponencial, y su posterior aplicación a la teoría de los Fenómenos de Espera.
3.2 LA DISTRIBUCIÓN EXPONENCIAL
3.2.1 Definición
Una variable aleatoria continua se dice que sigue una distribución exponencial con parámetro α, α > 0
si su función de probabilidad está dada por:
α −αx x ≥0
f (x ) = e
0 x <0
o equivalentemente, si su función de distribución o función acumulada está dada por:
F( x ) = P(X ≤ x ) =
x x −αtdt = 1 − − αx ,
∫0 f (t )dt = ∫0 α e e x≥0
El valor esperado de la distribución exponencial está dada por:

∞
E (X ) = ∫0 xf ( x )dx = ∫0 xα e−αxdx
x
-αx
Integrando por partes ( u= x, dv = αe dx)2 se obtiene:
1
Capítulo 5 del libro "Introduction to Probability Models " ,de Sheldon M. Ross. Traducido y adaptado por
Bernardo A. Calderón C.
2 2
Algunas integrales de tipo exponencial se pueden evaluar más fácilmente si se expresan en términos de la
función gama. La función gama de k, denotada por √(k), está definida como:
∞
Γ(k ) = ∫0 t k −1 e− t dt
Se puede demostrar que la función gama de k cumple que √(k) = (k – 1 )√(k - 1), y haciendo uso de la expresión
anterior se la función gama de k se expresa como:
√(k) = (k – 1 )(k – 2)(k – 3)….√(a)
"Distribución Exponencial y el Proceso de Poisson". Bernardo A. Calderón C. 2
∞ ∞ − αx
E(X )= − x e− αx +
0 ∫0 e
dx =1 / α,
1
V ( X) =
α
2
La función generadora de momentos ϕ(t) de la distribución exponencial está dada por:
∞
φ( t ) = E e tx  = ∫ etx e−αxdx =
α
(2.1)
  0 α−t
Todos los momentos de X pueden obtenerse ahora diferenciando (2.1). Por ejemplo
2 2α 2
E  X 2  = d φ( t ) = =
 
d 2
t t =0
(α− t )3 t =0
α
2
Para calcular la varianza Var(X), se tiene que
Var (X)= E(X 2) − [E(X)] 2= 22 − 12 = 12

α α α
3.2.2 Propiedades de la Distribución Exponencial: Propiedad de Pérdida de Memoria
Una variable aleatoria X se dice que es sin memoria (o desmemoriada) si

P{ X > t + s / X > t } = P { X > s} para todo s, t ≥ 0 (2.2)
Si consideramos que X es la vida de un instrumento, entonces (2.2) nos dice que la probabilidad de
que el instrumento viva al menos t+s horas dado que ya ha sobrevivido t horas es la misma que la
probabilidad inicial de que viva al menos s horas. En otras palabras, si el instrumento está
funcionando en el tiempo t, entonces la distribución de la vida restante del instrumento es la misma
que la distribución original, esto es, el instrumento no recuerda que ya ha estado en uso por un
tiempo t.
La condición (2.2) es equivalente a:
P( X > t + s,X > t )

P( X > t + s / X > t )= =P( X > s)
P( X > t )
ó P{ X > t + s } = P{ X > t } P { X > s } (2.3)
Para el caso de la distribución exponencial se tiene:
P(X > t + s, X > t ) e−α ( t +s ) −αs

P(X > t + s / X > t ) = = − αt
=e
P(X > t ) e
por lo cual se concluye que las variables distribuidas exponencialmente no tienen memoria
Ejemplo 2a: Suponga que la cantidad de tiempo que uno gasta en un banco se distribuye
exponencialmente con una media de 10 minutos, es decir, α = 1/10. a) Cual es la probabilidad de que
un cliente gaste mas de 15 minutos en el banco?. b) Cuál es la probabilidad de que un cliente gaste
mas de 15 minutos en el banco si ya ha estado en él durante 10 minutos?
Solución: a) Si X representa la cantidad de tiempo que el cliente gasta en el banco, entonces la

primera probabilidad pedida está dada por:
donde ”a” es un valor entre cero y uno, cuya función gama se puede extraer de tablas construidas numéricamente
para esta función.
-15α -15/10
P ( X > 15 ) = e =e = 0.220
b) La segunda pregunta tiene que ver con la probabilidad de que un cliente que ha gastado en el
banco 10 minutos, tenga que permanecer en él al menos otros cinco minutos. Sin embargo, dado que
la distribución exponencial no "recuerda" que el cliente ha gastado en el banco 10 minutos, esta debe
ser igual a la probabilidad de que un cliente que recién entra se gaste cinco minutos en el banco. La
probabilidad deseada está dada por:
-5α -5/10
P(X > 5 ) = e =e = .604
Ejemplo 2b: Considere una oficina postal que es manejada por dos empleados. Suponga que cuando
Usted entra, encuentra que Juan está siendo atendido por un empleado y Jaime por el otro. Suponga
que Usted será atendido tan pronto terminen de atender a Juan o a Jaime. Si el tiempo que cada
empleado gasta atendiendo un cliente es exponencial con media 1/ α, cuál es la probabilidad de que
de los tres, Usted sea el último en salir del banco?
Solución: La respuesta se obtiene usando el siguiente razonamiento: Considere el instante en que

Usted encuentra un empleado libre. En este momento o Juan o Jaime han salido y el otro se
encuentra aún siendo atendido. Sin embargo, por la propiedad de pérdida de memoria de la
distribución exponencial, se sigue la cantidad de tiempo que este otro señor se gasta en la oficina
postal se distribuye exponencialmente con media 1/α. Esto es, es la misma que si apenas hubiera
comenzado el servicio en este momento. Por simetría, la probabilidad de que termine primero que
Usted es 1/2.
Resulta que la distribución exponencial no sólo es “sin memoria” sino que es la única distribución
continua que tiene esta propiedad. Para ver esto, suponga que X es sin memoria y sea F(x) =
P(X>x). Entonces por (2.3) se sigue que
F(s + t) = F(s) F(t)

Esto es, F(x) satisface la ecuación funcional
G(s+t) = g(s) g(t)

Sin embargo, resulta que la única solución continua por la derecha de esta ecuación funcional es
g(x) = e-λx 3
y dado que una función de distribución es siempre continua a la derecha debemos tener
F(x) = e-λx
ó F(x) = P(X≤x) = 1 - e-λx
Ejemplo 2c. Suponga que la cantidad de tiempo que un bombillo trabaja antes de fundirse se
distribuye exponencialmente con una media de 10 horas. Suponga que una persona entra a una sala
en la cual está funcionando un bombillo. Si esta persona desea trabajar 5 horas, cuál es la
probabilidad de que logre terminar su trabajo antes e que se funda el bombillo?. Qué puede decirse
acerca de esta probabilidad cuando la distribución no es exponencial?
3
Esto se prueba como sigue: Si g(s+t) = g(s)g(t) entonces
 2   1 1  2 1 
g  = g  +  = g  
n n n n
y repitiendo este proceso se obtiene g(m/n) = gm(1/n). También
1 1 1  n 1   1
g (1)= g + ... +  = g   ó g  = (g(1))
1/ n
n n n n n
Por lo tanto g(m/n) = (g(1))m/n lo cual implica, dado que g es continua a la derecha, que g(x) = (g(1))x. Dado que
g(1) = (g(1/2))2 ≥0 obtenemos que g(x) = e-λx, donde λ = -log(g(1)).
Solución: Dado que el bombillo está funcionando cuando la persona entra en la sala se sigue, por la
propiedad de pérdida de memoria de la distribución exponencial, que la duración restante es
exponencial con una media de diez horas. Por lo tanto la probabilidad deseada es:
P{vida restante > 5} = 1 – F(5) = e-5α = e-1/2.
Sin embargo, si la distribución de la duración no es exponencial, entonces la probabilidad relevante es
1− F( t + 5)
P{duración > t + 5 / duración > t}}=
1 − F( t )
donde t es la cantidad de tiempo que el bombillo ha sido usado antes de que la persona entrara a la
sala. Esto es, si la distribución no es exponencial, entonces se necesita información adicional
(básicamente t) antes de que la probabilidad deseada pueda calcularse. En efecto, es por esta razón,
principalmente que la distribución de la vida restante es independiente de la cantidad de tiempo que el
objeto ya ha sobrevivido, que la suposición de una distribución exponencial se usa tan a menudo.
La propiedad de pérdida de memoria es ilustrada a continuación por la función de tasa de falla

(también denominada función de riesgo) de la distribución exponencial.
Considere una variable aleatoria continua X que tiene una función de distribución F y de densidad f. La
función de tasa de falla (o tasa de riesgo) λ(t) se define como
f (t )
λ (t ) = (2.4)
1− F (t )
Para interpretar λ(t), suponga que X ha sobrevivido por t horas y deseamos la probabilidad de que X
no sobrevivirá por un tiempo adicional dt. Esto es, considere P{X ∈ (t, t+dt) / X > t}. Ahora
P´{X∈( t , t + dt ), X > t} P´{X∈( t , t + dt )}

P´{X∈( t , t + dt ) / X > t}= =
P´{X > t} P´{X > t}
f ( t )dt
≈ = λ ( t ) dt
1− F( t )
Esto es, λ(t) representa la densidad de probabilidad de que falle un equipo con una edad de t años.
Suponga ahora que la distribución de la duración es exponencial. Entonces, por la propiedad de
pérdida de memoria, se sigue que la distribución de la vida restante de un artículo con una edad de t
años es la misma de un artículo nuevo. Por lo tanto, λ(t) debería ser constante. Esto puede
comprobarse dado que
f (t) α e−αt
λ( t ) = = =α
1 − F( t ) e− αt
Así, la función de tasa de falla para la distribución exponencial es constante. A menudo, el parámetro
α se lo denomina la tasa de la distribución. (Observe que la tasa es el inverso de la media, y
viceversa).
La función de tasa de fallas λ(t) determina unívocamente la distribución F. Para probar esto, notamos
por (2.4) que
dF( t ) / dt
λ(t ) =
1− F( t )
Integrando ambos lados se obtiene
t
log(1− F( t )) = − ∫ λ( t )dt + k ⇒ 1− F( t ) = ek e− ∫0 λ ( t )dt
t
0
Haciendo t = 0 se demuestra que k = 0 y por lo tanto
t
F( t ) =1− e− ∫0 λ ( t )dt
3.2.3 Otras propiedades: Suma de exponenciales.
Suponga que X1 y X2 son variables aleatorias independientes e idénticamente distribuidas con

distribución exponencial con media 1/α. Calculemos la distribución de X1 + X2. De los primeros
principios tenemos que:
t
FX1+ X2 (t ) = P{X1 + X2≤ t}= ∫0 P{X1 + X2≤ t / X 2=s}f 2 (s)ds
= ∫ P{X1 ≤ t −s}α e−αs)ds

t
0
= ∫ {1−e−α ( t −s)}α e−αs)ds =1−e−αt − αt e−αt
t
0
Por lo tanto, diferenciando la expresión anterior obtenemos la función de densidad que está dada por
2 − αt , t ≥ 0
f X1+ X2 (t )=α t e
O, en otras palabras, X1 + X2 tiene una distribución gama con parámetros 2 y α
En general se tiene que si X1, X2,...Xn son un conjunto de variables aleatorias independientes e
idénticamente distribuidas con distribución exponencial con media 1/α, entonces X = X1 + X2 + ... +
Xn tiene una distribución gama (Erlang) con parámetros n y α. Este resultado puede obtenerse bien
sea usando la función generadora de momentos o por inducción matemática.
n −1
(αx )
f ( x ) = α e −αx , x >0
(n − 1)!
Su media y su varianza están dados por E[X] = n/α y Var(X) = n/α2
3.2.4 Otras propiedades: Probabilidad de que una variable sea menor que otra.
Otro cálculo útil es determinar la probabilidad de que una variable aleatoria sea menor que otra. Esto
es, suponga que X1 y X2 son variables aleatorias exponenciales con medias respectivas de 1/α y 1/β.
Entonces cual es P{X1 < X2}?. Esta probabilidad se calcula condicionando en X2 como sigue:
∞
P( X 1< X 2) = ∫ P( X 1< X 2 / X 2 = x) f 2 ( x)dx
0
∞ ∞
P(X1< X 2) = ∫0 P(X1< x )β e−βx dx = ∫0 (1−e−ax )β e−βx dx
∞ ∞ β α
= ∫0 β e−βx dx − ∫0 β e−( α + β ) x )dx =1− =
α +β α +β
Ejemplo 2d: Suponga que Usted tiene un equipo con dos componentes: Un radio y un pasacintas. Si
la vida del radio se distribuye exponencialmente con una media de 1000 horas y la vida del pasacintas
también se distribuye exponencialmente pero con una duración media de 500 horas, independiente de
la vida del radio, cual es la probabilidad de que una falla en el sistema sea ocasionada por una falla en
el radio?
Solución: El radio tiene una duración media de 1000 horas, y por lo tanto una tasa de 1/1,000
(fallas/hora), mientras que la tasa media del pasacintas es de 1/500 (fallas/hora) Por lo tanto, la
probabilidad pedida estará dada por:
1/ 1000
P(X radio < X pasac int as) = =1/ 3
1/ 1000 +1/ 500
3.2.5 Otras propiedades: Distribución del mínimo de varias variables aleatorias

exponenciales
Teorema. El mínimo de varias variables aleatorias exponenciales independientes tiene una

distribución exponencial
Sean T1, T2,...Tn variables aleatorias exponenciales e independientes con parámetros α1, α2,... αn, Sea
U la variable aleatoria igual al mínimo de T1, T2,...Tn, es decir, U = mínimo(T1, T2,...Tn) y representa el
tiempo hasta que ocurra el primero de n eventos. Estamos interesados en la probabilidad de que el
mínimo de las variables aleatorias sea mayor que un valor t, es decir, P(U > t)
Para que el mínimo de varias variables aleatorias sea mayor que un valor t se requiere que cada una
de esas variables aleatorias sea mayor que t, es decir:
P(U>t) = P(T1>t, T2>t,...,Tn>t) == P(T1>t)P(T2>t)...P(Tn>t)
n n
− α1 t − α2 t − αn t − ∑ αit
=e e ... e =e i =1
= exp(− t ∑ αi)
i =1
n
⇒U sigue una distribución exponencial con parámetro α = ∑ αi
i =1
Aplicaciones: Sistema de colas. Considere un sistema de colas con k servidores cada uno con tasa
µ. Suponga que hay n servidores ocupados (n≤k). Sea U el tiempo que transcurre para la próxima
terminación de servicio. De acuerdo con lo anterior este tiempo tiene una distribución exponencial con
parámetro α= nµ
Confiabilidad. Sistemas en serie. Considere un sistema de n componentes en serie, cada uno con
distribución exponencial con parámetro αi. Como el sistema falla cuando falle el primero de los
componentes, entonces el tiempo de funcionamiento del sistema tiene una distribución exponencial
con parámetro
α= α1+ α2+...+ αn,
3.3 EL PROCESO DE POISSON
3.3.1 Procesos de conteo
Un proceso estocástico {X(t), t≥0) es un proceso de conteo si X(t) representa el número total de
"eventos" que han ocurrido hasta el tiempo t. Algunos ejemplos de procesos de conteo son los
siguientes:
a) Si X(t) es igual al número de personas que han entrado a una tienda en o antes de t, entonces X(t)
es un proceso de conteo en el cual un "evento" corresponde a una persona que entra a la tienda.
Observe que si X(t) representa el número de personas que hay en la tienda en el tiempo t,
entonces X(t) no sería un proceso de conteo. Por qué?
b) Si decimos que ocurre un evento cuando nace un niño, entonces X(t) es un proceso de conteo
cuando X(t) es igual al número total de niños que han nacido hasta el tiempo t. Incluye X(t) las
personas que han muerto hasta el tiempo t? Por qué?. Por qué no?
c) Si X(t) es igual al número de goles que un jugador de fútbol ha marcado hasta el tiempo t,
entonces X(t) es un proceso de conteo.
De su definición se concluye que un proceso de conteo debe cumplir las siguientes condiciones:
i. X(t) ≥ 0
ii. X(t) es una variable entera.
iii. Si s < t entonces X(s) ≤ X(t)

iv. Para s < t, X(t) - X(s) representa el número de eventos que han ocurrido en el intervalo (s,t].
Un proceso de conteo se dice que tiene incrementos independientes si el número de eventos que
ocurren en intervalos disjuntos de tiempo son independientes. Por ejemplo, esto significa que el
número de eventos que han ocurrido hasta el tiempo 10, (esto es, N(10)) debe ser independiente del
número de eventos que ocurren entre los tiempos 10 y 12 ( es decir, N(12) - N(10)).
La suposición de incrementos independientes puede ser razonable para el ejemplo a), pero no para el
ejemplo b). La razón de esto es que si en el ejemplo b) X(t) es muy grande, entonces es probable que
haya mucha gente viva en el tiempo t y esto nos llevaría a creer que el número de nuevos
nacimientos entre t y t + s también tendería a ser grande (esto es, no parece razonable que X(t) sea
independiente de X(t+s) - X(t), y por lo tanto X(t) no tendría incrementos independientes). La
suposición de incrementos independientes en el ejemplo c) se justificaría si creyéramos que las
oportunidades de un jugador de marcar un gol no dependiera de "como le está yendo" en determinada
temporada.
Un proceso de conteo tiene incrementos estacionarios si la distribución del número de eventos que
ocurren en cualquier intervalo de tiempo depende solamente de la longitud del intervalo de tiempo. En
otras palabras, el proceso tiene incrementos estacionarios si el número de eventos en el intervalo
(t1+s, t2+s], que es igual a X(t2+s) - X(t1+s) tiene la misma distribución que el número de eventos
en el intervalo (t1,t2], correspondiente a X(t2) - X(t1) para todo t1< t2, y s > 0.
La suposición de incrementos estacionarios solo sería razonable en el ejemplo a) si no hubiera épocas

del día en las cuales la gente tuviera mas tendencia a entrar a la tienda. Así, por ejemplo, si hubiera
períodos de mayor afluencia (períodos pico, por ejemplo entre las 12 M y la 1 PM) en cada día,
entonces la suposición de estacionaridad no se justificaría. Si creyéramos que la población de la tierra
es básicamente constante ( una creencia no sostenida por muchos científicos), entonces la suposición
de estacionaridad sería razonable en el ejemplo b). Será razonable esta suposición en el ejemplo c)?
3.3.2 Definición del Proceso de Poisson.
Uno de los procesos de conteo más importantes es el proceso de Poisson, que se define como sigue
Definición 3.1 El proceso de conteo {X(t), t≥0} es un proceso de Poisson con tasa α, α>0, si:
i. X(0) = 0
ii. El proceso tiene incrementos independientes
iii. El número de eventos que ocurren en cualquier intervalo de tiempo se distribuye según Poisson
con media αt. Esto es, para s, t ≥ 0
− αt n
e (αt )
P{X(t+s) - X(s) =n} = n= 0,1,2,...
n!
De la condición iii) se sigue que un proceso de Poisson tiene incrementos estacionarios y que el valor
medio está dado por E[X(t)] = αt, lo cual explica por qué α es llamada la tasa del proceso.
Con el fin de definir si un proceso de conteo arbitrario es un proceso de Poisson se debe demostrar
que se cumplen las condiciones i), ii) y iii). La condición i) simplemente especifica que el proceso de
conteo empieza en t=0, y la condición ii) puede verificarse del conocimiento que se tenga del proceso.
Sin embargo no es fácil verificar que se cumple la condición iii), razón por lo cual se da una definición
alternativa del proceso de Poisson.
Como una introducción a esta segunda definición es necesario definir el concepto de función f(.)
como función o(∆t) ó función cero delta t
Definición : Una función f(.) se dice que es una función o(∆t) (función cero delta t) si
lim f(∆t) = 0
∆t→0 ∆t
Ejemplo 3a:
i) La función f(x) =x2 es o(∆t) dado que:
lim f(∆t) = lim (∆t)2 = lim (∆t) = 0

∆t→0 ∆t ∆t→0 ∆t ∆t→0
i) La función f(x) = x no es una función o(dt) dado que:
lim f(∆t) = lim (∆t) = lim 1 = 1

∆t→0 ∆t ∆t→0 ∆t ∆t→0
iii) Si f(.) es o(∆t) y g(.) es o(∆t) entonces f(.) + g(.) también lo es.
lim f(∆t) + g(∆t) = lim f(∆t) + lim g(∆t) = 0 + 0 = 0

∆t→0 ∆t ∆t→0 ∆t ∆t→0 ∆t
iv) Si f(.) es o(∆t) entonces cf(.) también lo es.
lim cf(∆t) = c lim f(∆t) = c.0 = 0
∆t→0 ∆t ∆t→0 ∆t
De iii) y iv) se sigue que cualquier combinación lineal finita de funciones o(∆t) es también o(∆t).
Para que una función f(.) sea o(∆t) se requiere que f(∆t)/∆t tienda a cero a medida que ∆t tienda a
cero. Pero si ∆t tiende a cero, la única forma para que f(∆t)/∆t tienda a cero es que f(∆t) tienda a cero
mas rápidamente que ∆t. Esto es, para ∆t pequeño, f(∆t) debe ser pequeño comparado con ∆t.
Definición 3.2 El proceso de conteo {X(t), t≥0} es un proceso de Poisson con tasa α, α>0 si
i. X(0) = 0
ii. El proceso tiene incrementos independientes y estacionarios.
iii. P{X(∆t) = 1} = α ∆t + o(∆t)
iv. P{X(∆t) ≥ 2} = o(∆t)
Teorema 3.1. Las definiciones 3.1 y 3.2 son equivalentes.
Prueba: Primero se demostrará que la definición 3.2 implica la definición 3.1. Para hacerlo, considere:
P0(t) = P{ X(t) = 0}
Inicialmente se derivará una ecuación diferencial para P0(t) de la siguiente manera:
P0(t+∆t) = P{X(t +∆t) = 0}

= P(X(t) = 0, X(t+∆t) - X(t) = 0} = P(X(t) = 0) P(X(t+∆t) - X(t) = 0}
= P(X(t) = 0)P(X(∆t) = 0} = P0(t) {1 - α∆t +o(+∆t)}
= P0(t) - α∆t P0(t) +o(∆t)}
donde las dos últimas ecuaciones resultan de la suposición ii) y del hecho que las suposiciones iii) y iv)
implican que
P[X(∆t) = 0] = 1 - P[ X(∆t) ≥ 1] = 1 - α∆t + o(∆t)
P ( t + ∆t ) − P 0 ( t ) 0(∆t )
Por lo tanto
0
= − α P0 ( t ) +
∆t ∆t
Haciendo que ∆t → 0 se obtiene:
P0'(t) = -α P0(t)
dP 0 (t)
o equivalentemente ∫ P 0 (t)
= −a ∫ dt
Integrando se tiene que:

Log P0(t) = - α t + c
-
o equivalentemente P0(t) = e αt+c
Dado que P0(0) = P[X(0) = 0] = 1, se llega a que
P0(t) =e-αt
Similarmente, para n > 0 se tiene:

PX(t+∆t) = P{X(t +∆t) = n}
= P(X(t+∆t) = n, X(t+∆t) - X(t) = 0}
+ P{X(t) = n -1, P(X(t+∆t) - X(t) = 1}
+ P{X(t) ≤ n-2, X(t+∆t) - X(t) ≥ 2}
Sin embargo por la condición iv) el último término de la ecuación anterior es o(∆t), y por la condición
ii) se tiene:
Pn ( t + ∆t ) = Pn ( t )P0 ( ∆t )+Pn−1( t )P1( ∆t )+ o( ∆t )

Pn ( t + ∆t ) = P n ( t ){1−α∆t + o(∆t )} + P n −1( t ){α∆t + o(∆t )}+ o( ∆t )
Por lo cual
P (t + ∆t )=P (t )−α∆t P
n n n
( t ) + α∆t P n −1 ( t ) + o(∆t )
P (t + ∆t )−P ( t ) =− α
n n
( t ) +α Pn −1 ( t )+
o ( ∆t )
∆t P n
∆t
y si dejamos que ∆t → 0, tenemos:
' ⇒ P 'n ( t ) + α P n ( t ) = α P n −1( t )
P n (t ) = − α P n ( t ) + α P n −1( t )
Si se tiene una ecuación diferencial del siguiente tipo:
dy
+P( x )y =Q( x ) , su solución es la siguiente:
dx
y = e− ∫ P( x )dx { ∫ Q( x )e∫ P( x )dx dx } + c
Si hacemos n = 1 tenemos:
− αt
P1 ( t ) + α P1 ( t )=α P0 ( t ) = α e
'
⇒ p ( x ) = α , Q ( x ) = α P 0 ( t ) = α e − αt
P1'(t) + α P1(t) = α P0(t) ⇒ P(x) = α, Q(x) = α P0(t)
− αt
P1 ( t ) =e {∫ α e − αt e αt dt}+ c =αt e −αt +c
Para t = 0 se tiene que P1 (0) = 0, por lo tanto c = 0 y
-αt
P1(t) = α e
Para n = 2 se tiene:
'
P2 ( t ) + α P2 ( t ) = α P1(t ) ⇒ P( x ) = α, Q( x ) = α P1( t ) = α2 t e−αt
−αt{ 2 −αt αt dt}+ c

P2 ( t ) = e ∫α te e
(αt ) e−αt (αt) e−αt
2 2
P2 (t ) = +c= , donde c = 0 dado que P2(0) = 0.
2 2
Por inducción se puede demostrar que
−αt n
e (αt )
Pn (t ) = n!
3.3.3 Distribución de tiempos entre llegadas.
Consideremos un proceso de Poisson, y denotemos por T1 el tiempo de ocurrencia del primer evento.
Además, para n > 1, sea Tn el tiempo que transcurre entre los eventos n-1 y n. La secuencia {Tn, n =
1,2,3,...} es llamada la secuencia de tiempos entre llegadas o entre eventos. Por ejemplo, si T1 = 5 y
T2 = 10, entonces el primer evento del proceso de Poisson ocurrió en el tiempo 5 y el segundo a los
10 minutos, es decir en el tiempo 15.
Para calcular la distribución de Tn considere lo siguiente: El evento {T1 > t} ocurre si y solo si ningún
evento del proceso de Poisson ocurre en el intervalo [0,t], y entonces:
-αt -αt
P[ T1 > t] = P[ X(t) = 0] = e ⇒ P{ T1 ≤ t] = 1- P [ T1 > t} = 1- e
Por lo tanto T1 tiene una distribución exponencial con media 1/α. Ahora considere:
P [ T2 > t] = E [ T2 > t / T1 ]
Sin embargo:
P [ T2 > t /T1 = s] = P [ 0 eventos en s, s+t/T1=s]
-αt
= P ( 0 eventos en s, s+t] = e
donde las dos últimas expresiones son consecuencia de la condición de incrementos independientes y
estacionarios. Por lo cual se concluye que T2 también es una variable aleatoria con distribución
exponencial con media 1/α y es independiente de T1. Repitiendo el proceso anterior se llega a la
siguiente proposición:
Proposición 3.1 Los tiempos entre llegadas {Tn ,n =1,2,3,..,} son variables aleatorias
independientes e idénticamente distribuidas con una distribución exponencial con tasa α, es decir, con
media 1/α
Nota: La conclusión anterior no debería sorprendernos. La suposición de incrementos estacionarios e

independientes es básicamente equivalente a afirmar que, en cualquier punto del tiempo, el proceso
se reinicializa probabilísticamente. Esto es, en cualquier punto, el proceso es independiente de lo que
ha ocurrido hasta el momento y tiene la misma distribución del proceso original (por incrementos
estacionarios). En otras palabras, el proceso no tiene memoria, y por lo tanto se espera una
distribución exponencial para los tiempos entre llegadas.
3.3.4 Distribución de tiempos de espera.
Otra cantidad de interés es Sn , el tiempo de espera del n-ésimo evento, también llamado tiempo de
espera hasta la ocurrencia del evento número n. Este tiempo está dado por:
Sn = T1 + T2 +...+ Tn
y de acuerdo con la proposición 3.1 y las propiedades de la distribución exponencial tiene una
distribución Gama con parámetros n y α. Esto es, su función de densidad está dada por
n −1
− αt (αt )
f Sn (t ) =α e (n − 1)!
, t >0 (3.4)
La ecuación (3.4) también pudo haberse derivado observando que el n-ésimo evento ocurrirá en o
antes del tiempo t si y solo si el número de eventos que ocurren por el tiempo t es al menos n. Es
decir,
N(t) ≥ n ⇔ Sn ≤ t
Y por lo tanto
∞ j
− λt (λt )
FSn ( t ) = P{Sn ≤ t}= P{N( t )≥ n}= ∑ e j!
j= n
Diferenciando lo anterior se obtiene
∞ j ∞ j−1
− λt (λt ) + − λt (λt )
f Sn ( t ) = − ∑ λe j!
∑ λe ( j − 1)!
j= n j= n
n −1 ∞ j ∞ j−1
(λt ) (λt ) (λt )
= λe− λt − ∑ λe− λt + ∑ λe−λt
(n − 1)! j= n j! j= n +1 ( j − 1)!
n −1
= − λt (λt )
λe (n − 1)!
Ejemplo 3b: Suponga que la gente llega a cierto territorio de acuerdo con un proceso de Poisson con
tasa “α” = 1 por día.
a) Cuál es el tiempo esperado hasta que llegue la décima persona?

b) Cuál es la probabilidad de que el tiempo transcurrido entre la décima y la undécima persona exceda
a dos días?
a) E [ S10] = 10/α = 10/1 = 10 días.

-2α -2
b) P[T11 > 2] = e = e = 0.133
3.3.5 Otras propiedades del proceso de Poisson.
Considere un proceso de Poisson {X(t), t ≥ 0} con tasa α, y suponga que cada evento que ocurre es
clasificado como tipo I o como tipo II. Cada evento es clasificado como tipo I con probabilidad p, y
como tipo II con probabilidad 1-p, independientemente de otros eventos. Por ejemplo, suponga que
los clientes llegan a una tienda de acuerdo con un proceso de Poisson con tasa α, y que cada llegada
es hombre con probabilidad de 1/2, y mujer con probabilidad de 1/2. Entonces un evento tipo I
corresponde a la llegada de un hombre, y uno tipo II a la llegada de una mujer.
Sean X1(t) y X2(t) el número de eventos tipo I y tipo II que ocurren en el intervalo (0,t). Observe que
X(t) = X1(t) + X2(t)
Proposición 3.2 {X1(t), t ≥ 0} y {X2(t), t ≥ 0} son ambos procesos de Poisson, que tienen tasas
respectivas de αp y α (1-p). Además, los dos procesos son independientes.
Prueba: Consideremos la probabilidad conjunta P[X1(t) = n, X2(t) = m). Para hacerlo condicionemos
primero en X(t) teniendo en cuenta que para que ocurran n eventos tipo I y m eventos tipo II tienen
que haber ocurrido un total de n + m eventos en (0,t). Esto es:
P[X1(t) = n, X2(t) = m] = P[X1(t) = n, X2(t) = m/X(t) = n + m) P(X(t) = n + m]
P[X1(t) = n, X2(t) = m/X(t) = k) = 0, cuando k ≠ n+m
Por lo tanto:
n+m
P( X 1 (t ) = n, X 2 (t ) =m)= P( X 1 (t )= n, X 2 (t ) = m) / X (t ) = n + m)
e
−αt
(αt )
(n + m)!
Sin embargo, dado que ocurren n+m eventos y como cada evento tiene una probabilidad p de ser tipo
I y una probabilidad 1-p de ser tipo II, se concluye que la probabilidad de que n de ellos sean tipo I y
m tipo II es binomial y está dada por:
n + m n
 p (1− p)
m
P( X 1 (t ) = n, X 2 (t ) =m) / X (t )= n + m) =
 n 
Así se tiene que:
n+m
(1− p) e−αt (αt )
n m
(n + m)! p
P( X 1 (t ) = n, X 2 (t ) =m)=
n!m! (n + m)!
−αtp
(αtp) e−α (1− p)t{α (1− p)t}
n m
=
e
n! m!
donde e-αt se escribió como e-αt +αtp-αpt ó e-αtp - αt(1-p)
.
Para encontrar la distribución marginal de X1(t), se tiene que:
−αtp
(αtp) {αt (1− p)}
−αt (1− p )
n m
∞ ∞
P( X 1 (t ) = n) = ∑ P ( X 1 (t ) =n, X 2
e e
(t )= m) =
n!
∑ m!
m =0 m
−αtp
(αtp)
n
P( X 1 (t )= n) =
e
n!
Esto es, { X1(t), t ≥ 0} es un proceso de Poisson con tasa αp.
Similarmente, se puede demostrar que:
−αt (1− p )
{αt (1− p)}
m
P( X 2 (t ) = m) =
e
m!
y por lo tanto, { X2(t), t ≥ 0} es también un proceso de Poisson con tasa α (1-p).
Finalmente, los dos procesos son independientes.
Nota: No sorprende que X1(t) y X2(t) sean procesos de Poisson. Lo que sí es sorprendente es el
hecho de que sean independientes. Por ejemplo, suponga que los clientes llegan a un banco a una
tasa Poisson de α = 30 por hora y suponga que cada cliente es hombre con probabilidad 1/2 y mujer
con probabilidad 1/2. Ahora, suponga que llegaron 100 hombres en las primeras 2 horas. Cuantas
mujeres esperaría Usted que hubieran llegado en ese lapso?. Uno podría argumentar que como el
número de hombres que llegaron es 100, y cada llegada es hombre con probabilidad de 1/2, entonces
el número esperado de llegadas sería 200, y por lo tanto el número esperado de llegadas mujeres
sería también 200. Pero, como se demostró en la proposición anterior tal razonamiento no tiene
validez y el número esperado de llegadas mujeres en las primeras dos horas es 30, independiente del
número de llegadas hombres en el mismo período.
Ejemplo 3c: Si los inmigrantes a un área llegan a una tasa Poisson de 10 por semana y si cada
inmigrante es peruano con una probabilidad de 1/12, cual es la probabilidad de que no llegue ningún
inmigrante peruano durante el mes de abril?
Respuesta: Según la proposición anterior el número de inmigrantes peruanos al área sigue una
distribución de Poisson con una media de 4 x 10 x 1/12=10/3. Por lo tanto la probabilidad deseada
es e-10/3
El siguiente calculo probabilístico relacionado con procesos de Poisson que haremos es la probabilidad
de que ocurran n eventos en un proceso de Poisson antes de que hayan ocurrido m eventos en un
segundo proceso independiente de Poisson. Más formalmente, sean {N1(t), t ≥ 0} y {N2(t), t ≥ 0} pos
proceso independientes de Poisson que tienen tasas respectivas de α1 y α2. Además, dejemos que S1n
denote el tiempo del n-ésimo evento del primer proceso y S2 m el tiempo del m-ésimo evento del
segundo proceso. Buscamos
(
P S1n <S2m ) (3.6)
Antes de intentar calcular (3.6) para m y n generales consideremos el caso particular n = m = 1.

Dado S1 2
1 , el tiempo del primer evento del proceso N1(t) y S1 el tiempo del primer evento del proceso
N2(t) , ambos son variables aleatorias exponencialmente distribuidas con medias respectivas de 1/α1 y
1/α2, se sigue de la sección 2.3 que
P(S11<S12)= α1 (3.7)
α1+α 2
Consideremos ahora la probabilidad de que ocurran dos eventos del proceso N1(t) antes de que ocurra
un evento en el proceso N2(t). Esto es P( 2< 1 ) . Para calcular esto razonemos como sigue: Con el
1 2
S S
fin de que el proceso N1(t) tenga dos eventos antes de que ocurra uno sólo en el proceso N2(t)
primero es necesario que el evento inicial que ocurra sea un evento del proceso N1(t) y esto ocurre,
por (3.7), con probabilidad α1 /(α1 + α2). Ahora, dado que el evento inicial es del proceso N1(t), lo
siguiente que debe ocurrir para que S12 sea menor que S12 es que el segundo evento sea también un
evento del proceso N1(t). Sin embargo, cuando el primer evento ocurre, ambos procesos empiezan de
nuevo (por la propiedad de pérdida de memoria de los procesos de Poisson), y por lo tanto esta
probabilidad es también α1 /(α1 + α2), y por consiguiente la probabilidad deseada está dada por:
2
 α1 
P(S 2< 1 ) =
1
S
2
 
 α1+α 2 
En efecto, este razonamiento muestra que cada evento que ocurre va a ser un evento del proceso
N1(t) con probabilidad α1 /(α1 + α2), y un evento del proceso N2(t) con probabilidad α2 /(α1 + α2)
independientemente de todo lo que haya ocurrido previamente. En otras palabras, la probabilidad de
que el proceso N1(t) alcance n antes de que el proceso N2(t) alcance m es justamente la probabilidad
de que aparezcan n caras antes de m sellos si se lanza una moneda que tiene una probabilidad p =
α1/(α1 + α2) de que aparezca una cara. Considerando que este evento ocurrirá si y solo si los primeros
n+m-1 lanzamientos resultan en n o más caras entonces la probabilidad buscada está dada por:
k n + m −1− k
n + m −1  n + m − 1  α   α 
P´( n < m)=
1 2
S S ∑  
1 2  
k=n  k  1  α +α
2 1  2 α +α 
3.3.6 Distribución condicional de los tiempos de llegada.
Suponga que se nos informa que ocurrió un evento de Poisson durante el tiempo t, y se nos pide
determinar la distribución del tiempo en el cual pudo haber ocurrido el evento. Dado que el proceso de
Poisson tiene incrementos independientes y estacionarios, parece lógico pensar que cada intervalo en
[0,t] de igual longitud tendría la misma probabilidad de contener el evento. En otras palabras, el
tiempo del evento debería distribuirse uniformemente en el intervalo [0.t]. Esto se verifica
examinando la siguiente probabilidad:
P(T 1 < s, X (t ) = 1) P[1 evento en (0, s ), 0eventos en ( s, t )]

P(T 1 < s / X (t ) = 1)= =
P( X (t ) = 1) P( X (t ) = 1)
−αs −α (t − s )
αs e e s
= −αt
=
αt e t
3.4 GENERALIZACIÓN DE UN PROCESO DE POISSON
3.4.1 Proceso No homogéneo de Poisson
En esta sección consideraremos dos generalizaciones del proceso de Poisson, la primera de las cuales
es el proceso no homogéneo, también llamado proceso no estacionario de Poisson, que se obtiene
permitiendo que la tasa de llegada en el tiempo t sea una función de t.
Definición 4.1. El proceso de conteo {X(t), t ≥0} es un proceso no homogéneo de Poisson con
función de intensidad α(t), t ≥ 0, si
i) X(0) = 0
ii) {X(t), t ≥ 0} tiene incrementos independientes.
iii) P[X(t + ∆t) - X(t) ≥ 2 ] = o(∆t)
iv) P[X(t+∆t) - X(t) = 1] = α(t) ∆t + o(∆t).
t
Si denotamos por m( t ) = ∫ α(s)ds , entonces puede demostrarse que:
0
P[ X (t ) + s ) − X (t ) = n]=
e
m (t + s ) − m (t )
[m(t + s)− m(t )] , n ≥ 0
n
n!
O en otras palabras, X(t+s) - X(t) se distribuye según Poisson con media m(t+s) - m(t). Así, por
ejemplo, X(t) se distribuye según Poisson con media m(t) y por esta razón m(t) es denominada
función del valor medio del proceso. Observe que si α(t) = α, (esto es, si tenemos un proceso de
Poisson), entonces m(t) = αt, y el proceso no homogéneo se reduce al caso particular del proceso
homogéneo.
Ejemplo: Norberto administra un almacén de repuestos que abre a las 8 AM. Los clientes llegan de
acuerdo a un proceso de Poisson, pero a una tasa variable, dependiendo de la hora del día. De 8 A.M.
a las 11 A.M. los clientes llegan, en promedio, a una tasa que aumenta constantemente y que empieza
con un valor inicial de 5 clientes por hora a las 8 AM y alcanza un máximo de 20 a las 11. De 11 AM a
la 1 PM la tasa parece permanecer constante en 20 clientes por hora. Sin embargo, la tasa de llegada
cae uniformemente en el período de 1 PM a las 5 PM, hora de cierre, en que toma el valor de 12. Si el
número de clientes que llegan en intervalos disjuntos de tiempo es independiente, calcule:
a) La distribución de probabilidad del número de clientes que llegan en cualquier hora del día.
b) La probabilidad de que:
- No llegue nadie entre las 8:30 AM y las 9:30 AM?.
- No Llegue nadie entre las 12:30 y la 1 PM?.
c) El número esperado de clientes entre las 8:30 AM y las 9 AM? Entre las 12:30 PM y la 1 PM?.
Solución: a) Un buen modelo para este ejercicio debe suponer que las llegadas constituyen un proceso
no homogéneo de Poisson con función de intensidad dada por:
5 + 5t , 0≤ t <3
20 3≤ t <5

α( t ) = 
20 − 2( t − 5) 5≤ t <9
α ( t −9) t ≤9
Observe que X(t) representa el número de llegadas durante las primeras t horas que la tienda está
abierta. Esto es, no contamos las horas entre las 5 PM y las 8 AM. Si por alguna razón deseáramos
que X(t) representara el número de llegadas durante las primeras t horas, independiente de si la
tienda está abierta o no, entonces, suponiendo que el proceso empieza a medianoche, tendríamos:
0 0 ≤ t <8
5 + 5( t −8) 8≤ t <11

α( t ) = 20 11≤ t <13
20 − 2( t − 13) 13≤ t <17

α( t − 24) t ≥ 24
b) Probabilidad de que nadie llegue entre las 8:30 AM. y las 9:30 AM. El número medio de llegadas en
este intervalo está dado por m(3/2) - m(1/2), en la primera representación, (ó por m(9 1/2) -
m(8 1/2 en la segunda representación); tenemos que la probabilidad de que este número sea cero es:
1.5
− ∫ (5 + 5 t )dt
e 0.5
= e −10
1.5
− ∫ (5 + 5 t )dt
y el número medio de llegadas está dado por e 0.5
= e −10
3.4.2 Proceso Compuesto de Poisson.
Un proceso {X(t), t≥ 0} se dice que es un proceso compuesto de Poisson si se puede representar

como:
X(t) = Y1 + Y2 +...+ YN(t)
donde {N(t), t ≥ 0} es un proceso de Poisson y {Yn, n≥0} es una familia de variables aleatorias
independientes e idénticamente distribuidas, que también son independientes de {N(t), t ≥ 0}
Ejemplos de procesos compuestos de Poisson.
i. Si Yi = 1, entonces X(t) = N(t) y tendríamos el proceso de Poisson.
ii. Suponga que los buses llegan a un evento deportivo de acuerdo con un proceso de Poisson, y
suponga que los pasajeros de cada bus son independientes e idénticamente distribuidos. Entonces
{X(t), t ≥ 0} es un proceso compuesto de Poisson que representa el número de pasajeros que han
llegado al evento deportivo hasta el tiempo t. En esta representación Yi representa el número de
pasajeros del i-ésimo bus.
iii. Suponga que los clientes llegan a un supermercado de acuerdo con un proceso de Poisson. Si Yi,
representa las cantidades gastadas por el i-ésimo cliente y son variables aleatorias independientes e
idénticamente distribuidas, entonces {X(t), t ≥ 0} es un proceso compuesto de Poisson, donde {X(t)
representa el dinero total gastado hasta el tiempo t.
Valor esperado y varianza del proceso compuesto X(t).
Para calcular el valor esperado E[X(t)] condicionamos en N(t) para obtener E[X(t)] = E{E[X(t)/N(t)]}
 N( t )  n 
E[X ( t ) / N ( t ) = n ]= E  ∑ Yi / N ( t ) = n  = E  ∑ Yi 
Ahora  i =1  i =1 
[ ]
= E Y1+ Y 2+...+ Y n = n E Yi [ ]
donde se ha usado la suposición de independencia de los Yi y N(t). Por lo tanto:
E[X(t)/N(t)] = N(t) E[Yi]
y por lo tanto E[X(t) = αt E[ Yi]
Para calcular la varianza de X(t) usamos la fórmula de la varianza condicional, dada por:
Var[X(t)] = E{ Var[ X(t)/N(t) } + Var{ E[X(t)/N(t)] }
Ahora :
 N( t )  n 
Var[X( t ) / N( t )= n ] = Var  ∑ Y i / N( t ) =n  = Var  ∑ Y i 
 i =1  i =1 
= Var[Y1+ Y 2 +...+ Y n ]= n Var[Y i ]
y por lo tanto:
Var[X(t)/N(t] = N(t) Var(Yi)
Usando los resultados anteriores, se tiene que:

Var(X(t) = E[ N(t) Var(Yi)] + Var[ N(t) E(Yi)]
2
= αt Var(Yi) + {E(Yi)} α t
= α t [Var(Yi) + {E(Yi)}2] = α t E[ Yi2]
donde se ha usado el hecho de que Var[N(t)] = αt, dado que N(t) se distribuye Poisson con media αt
Ejemplo: Suponga que las familias llegan a un área de acuerdo con un proceso de Poisson con una
tasa α = 2 por semana. Si el número de personas de cada familia es independiente y toma los valores
de 1, 2, 3 y 4 con probabilidades respectivas de 1/6, 1/3, 1/3 y 1/6, cual es el número esperado de
personas que llegan al área durante un período fijo de 5 semanas ?
Solución: Si Yi denota el número de personas en la familia i, se tiene que:
E[Yi] = 1(1/6) + 2(1/3) + 3(1/3) + 4(1/6) = 5/2
2 2 2 2
E(Yi2) = 1 (1/6) + 2 (1/3) +3 (1/3) + 4 (1/6) = 43/6
Por lo tanto, si X(5) denota el número de personas que han llegado al área durante un período de 5
semanas, se tiene que
E[X(5)] = 2 x 5 x 5/2 = 25
Var[X(5)] = 2 x 5 x 43/6 = 215/3
3.5 Estimación de parámetros y pruebas de bondad de ajuste
3.6 PROBLEMAS SOBRE EL PROCESO DE POISSON
1) El tiempo T requerido para reparar una máquina se distribuye exponencialmente con una media de
1/2 hora. Cual es la probabilidad de que:
a) Una reparación exceda 1/2 hora (R = e-1)

b) Una reparación tome al menos 4 1/2 horas, dado que su duración excede de 4 horas? (R=e-1)
2) Considere una oficina postal con dos empleados. Tres personas, A, B y C entran simultáneamente.
A y B van directamente a los empleados y C espera hasta que A o B salgan, antes de que empiece
su servicio. Cual es la probabilidad de que A esté aún en la oficina después de que los otros dos
hayan salido cuando:
a) El tiempo de servicio de cada empleado es exactamente 10 minutos. (R= 0)
b) Los tiempos de servicio son i con probabilidad de 1/3, para i= 1, 2, 3. (R = 1/27)
c) Los tiempos de servicio son exponenciales con media 1/u. (R = 1/4)
3) La vida de un radio se distribuye exponencialmente con una media de 10 años. Si Juan compra un
radio viejo, con 9 años de uso, cual es la probabilidad de que dure otros 9 años? ? (R = e-9/10)
4) Norberto y Pedro entran a una peluquería simultáneamente. Norberto desea una afeitada y Pedro
un corte de pelo. Si el tiempo requerido para un corte de pelo es exponencial con una media de 20
minutos, y para la afeitada es 15 minutos, y si ambos son atendidos inmediatamente entran, cual
es la probabilidad de que Pedro salga primero que Norberto? (R = 3/7)
5) Los carros cruzan cierto punto de una autopista de acuerdo con un proceso de Poisson con una
tasa α = 3 por minuto. Si un ciego desea cruzar la calle ( sin ayuda de nadie), cuál es la
probabilidad de que no sea herido, si el tiempo que gasta cruzando la calle es s segundos?.
Realice los cálculos para s= 2, 5, 10 y 20. Suponga que si está cruzando la calle y pasa un carro,
el ciego es golpeado por el carro. (R= e-1/10, e-1/4, e-1/2, e-1)
6) En el ejercicio anterior, suponga que el ciego es lo suficientemente ágil para escapar de un carro,
pero si encuentra dos o más carros mientras intenta cruzar, el ciego es herido. Cual es la
probabilidad de que logre cruzar la calle sin ser herido, si se gasta s segundos en cruzar. Realice
los cálculos para s =5, 10, 20 y 30 segundos.
7) Ciertas llamadas especiales a una oficina ocurren de acuerdo con un proceso de Poisson con una
tasa de dos por hora.
a) Cuál es la probabilidad de que no ocurra ninguna llamada entre las 6 PM y las 8 PM?
b) Cuál es la probabilidad de que no ocurra ninguna llamada entre las 2 PM y las 4 PM?
c) Empezando a medio día, cual es el tiempo esperado al cual ocurre la cuarta llamada?
d) Cual es la probabilidad de que dos o más llamadas ocurran entre las 6 PM y las 8 PM?
e) Cuál es el tiempo esperado entre la segunda y la cuarta llamada?
f) Cuál es el tiempo esperado entre la quinta y la sexta llamada?
g) Si la cuarta llamada ocurrió a las 3 PM y a las 4 PM no había entrado ninguna otra llamada,
cual es la probabilidad de que antes de la 5 PM haya entrado la sexta llamada?
8) Los impulsos llegan a un contador Geiger de acuerdo con un proceso de Poisson a una tasa de tres
llegadas por minuto. Cada partícula que llega al contador tiene una probabilidad de 2/3 de ser
registrada. Sea x(t) el número de partículas registradas en t minutos. Se desea calcular:
a) P{ X(t) = 0}. (R = e-2t)
b) E[X(t)]. (R = 2t)
9) Los carros pasan en una intersección de una autopista de acuerdo con un proceso de Poisson, a
una tasa de uno por minuto. Si un 10% de los carros son marca Dodge, entonces:
a) Cuál es la probabilidad de que pase al menos uno Dodge durante una hora? (R = 1-e-6)
b) Dado que han pasado 10 carros tipo Dodge durante una hora, cual es el número esperado de
carros que han pasado durante esa hora?. (R = 64)
c) Si han pasado 50 carros durante una hora, cual es la probabilidad de que cinco de ellos hayan
45
sido Dodge?. R = 
 50 

5 
5
(0.1)  19 
   20 
10) Los clientes llegan a un banco de acuerdo con un proceso de Poisson a una tasa α. Suponga que
dos clientes llegan durante la primera hora. Cual es la probabilidad de que:
a) Ambos hayan llegado durante los primeros 20 minutos?. (R = 1/9)

b) Al menos uno haya llegado durante los primeros 20 minutos?. (R = 5/9)
11) Los reclamos en pólizas de vida de una compañía de seguros ocurren de acuerdo con un proceso
de Poisson con una tasa de 5 por semana. Si la cantidad de dinero que se paga en cada póliza se
distribuye exponencialmente con una media de $ 1 000 000, cual es la media y la varianza de del
dinero pagado por la compañía durante una semana?
12) Para un proceso de Poisson demuestre que para s < t:
()( )
 n s k n−k
s
P{N ( s) = k / N ( t ) = n} =   1− , k =0, 1, 2,...,n
 k t t
13) Una tienda abre a las 8 AM. De las 8 a las 10 los clientes llegan de acuerdo con un proceso de
Poisson a una tasa de cuatro por hora. De las 10 a las 12 llegan de acuerdo con un proceso de
Poisson a una tasa de 8 por hora. De las 12 a las 2 PM la tasa de llegada aumenta uniformemente
de ocho por hora a las 12 hasta llegar a 10 a las 2 PM; y de 2 a 5 PM la tasa cae constantemente
hasta llegar a cuatro por hora.
a) Defina la distribución de probabilidad del número de clientes que llegan a la tienda a cualquier
hora del día.
b) Calcule la probabilidad de que lleguen cinco clientes:
i) Entre las 9 y las 10 AM.
ii) Entre las 12 M y la 1 PM.
iii) Entre las 4 y las 5 PM.
c) Cual es la probabilidad de que no llegue nadie en los intervalos anteriores de tiempo?.
d) Cual es el número esperado de clientes que llegan en los intervalos anteriores de tiempo?.
14) Norberto administra un almacén de repuestos que abre a las 8 AM. Los clientes llegan de acuerdo
a un proceso de Poisson, pero a una tasa variable, dependiendo de la hora del día. De 8 AM a las
11 los clientes llegan, en promedio, a una tasa que aumenta constantemente y que empieza con
un valor inicial de 5 clientes por hora a las 8 AM y alcanza un máximo de 20 a las 11. De 11 AM a
la 1 PM la tasa parece permanecer constante en 20 clientes por hora. Sin embargo, la tasa de
llegada cae constantemente en el período de 1 PM a las 5 PM, hora de cierre, en que toma el valor
de 12. Si el número de clientes que llegan en intervalos disjuntos de tiempo son independientes,
calcule:
a) La distribución de probabilidad del número de clientes que llegan en cualquier hora del día?.
b) La probabilidad de que:
i) No llegue nadie entre las 8:30 AM y las 9 AM?.
ii) No llegue nadie entre las 12:30 y la 1 PM?.
c) El número esperado de clientes entre las 8:30 AM y las 9 AM? Entre las 12:30 PM y la 1 PM?.
15) Cierto contador de partículas registra únicamente cada segunda partícula que llega al contador.
Suponga que las partículas llegan de acuerdo a un proceso de Poisson a una tasa de 4/minuto.
Sea T el tiempo, en minutos, entre dos partículas sucesivas que son registradas por el contador.
Determine :
a) P(T > 1)
b) E [ T ]
16) Un bebé llora de acuerdo con un proceso de Poisson a una tasa de 12 veces por hora. Si sus
padres solamente responden a cada tercer gemido, cual es la probabilidad de que transcurran 10
minutos entre dos respuestas sucesivas de sus padres?
17) (17.4.1) Suponga que un sistema de colas tiene dos servidores, una distribución de tiempos entre
llegadas exponencial con una media de dos horas y una distribución de tiempos de servicio
exponencial con una media de dos horas. Lo que es mas, a las doce del día acaba de llegar un
cliente.
a) Cuál es la probabilidad de que la siguiente llegada ocurra antes de la 1:00 PM?. Entre la 1:00
PM y las 2:00 PM?. Después de las 2:00 PM?
b) Suponga que no llegan más clientes antes de la 1:00 PM. Cual es la probabilidad de que la
siguiente llegada ocurra entre la 1:00 y las 2:00 PM?
c) Cuál es la probabilidad de que el número de llegadas entre la 1:00 PM y las 2:00 PM sea cero,
uno, dos o más?
d) Suponga que ambos servidores están atendiendo clientes a la 1:00. Cuál es la probabilidad de
que ningún servidor haya completado su servicio antes de las 2:00 PM. ? Antes de la 1:10
PM. ? Antes de la 1:01 PM. ?
18) (17.4.6) Considere un sistema de colas con dos tipos de clientes. Los clientes tipo 1 llegan de
acuerdo con un proceso de Poisson con una tasa media de 5 por hora. Los clientes tipo 2 llegan
también de acuerdo con un proceso de Poisson con una tasa media de 6 por hora. El sistema tiene
dos servidores que atienden ambos tipos de clientes. Para los dos tipos el tiempo de servicio tiene
una distribución exponencial con una media de 10 minutos. El servicio se presta sobre la base de
primero en llegar, primero en ser atendido.
a) Cuál es la distribución de probabilidad (incluyendo la media y la varianza) del tiempo entre
llegadas consecutivas de clientes al sistema.
b) Cuando llega un cliente específico del tipo 2 encuentra dos clientes tipo 1 en proceso de ser
atendidos, y ningún otro cliente en el sistema. Cuál es la distribución de probabilidad
(incluyendo la media y la varianza) del tiempo de espera en la cola para este tipo de cliente?.
19) (17.4.8) Un sistema de colas tiene dos servidores cuyos tiempos de servicio son variables
aleatorias independientes e idénticamente distribuidas con distribución exponencial con media de
15 minutos. El cliente X llega cuando ambos servidores están ociosos. Cinco minutos después llega
el cliente Y mientras que atienden al cliente X. Diez minutos más tarde llega el cliente Z mientras
que aún atienden a los clientes X y Y. No llegan más clientes durante este intervalo de 15
minutos.
a) Cuál es la probabilidad de que el cliente X termine su servicio antes que el cliente Y?
b) Cuál es la probabilidad de que el cliente Z termine su servicio antes que el cliente X?
c) Determine la función de densidad del tiempo de espera (antes de ser atendido) para el cliente
Z. Especifique su valor esperado y varianza.
20) (17.4.3) El tiempo requerido por un mecánico para reparar una máquina tiene una distribución
exponencial con una media de 4 horas. Sin embargo, una herramienta especial reduciría esta
media a dos horas. Si el mecánico repara una máquina en menos de dos horas se le pagan $100;
de otra manera se le pagan $80. Determine el aumento esperado en el pago del mecánico si usa
esta herramienta especial.
21) (17.4.4) Un sistema de colas de tres servidores tiene un proceso de llegadas controlado que
proporciona clientes a tiempo para mantener ocupados continuamente a los tres servidores. Los
tiempos de servicio tienen una distribución exponencial con media de 0.5 Se observa el arranque
del sistema con los tres servidores que inician servicio en el tiempo t = 0. La primera terminación
ocurre en t = 1. Dada esta información, determine el tiempo esperado después de t = 1 hasta que
ocurra la siguiente terminación de servicio.
22) (17.4.5) Un sistema de colas tiene tres servidores con tiempos esperados de servicio de 20, 15 y
10 minutos. Los tiempos de servicio tienen distribución exponencial. Cada servidor ha estado
ocupado con el cliente actual durante 5 minutos. Determine el tiempo esperado que falta para la
siguiente terminación de servicio.
23) (17.4.7) Considere un sistema de colas con dos servidores donde todos los tiempos de servicio
son independientes e idénticamente distribuidos según una distribución expoencial con media de
10 minutos. Cuando llega un cliente dado, encuentra quel los dos servidores están ocupados y
que no hay nadie esperando en la cola.
a) Cuál es la distribución de probabilidad (con su media y desviación estándar) del tiempo de
espera de este cliente en la cola?
b) Determine el valor esperado y la desviación estándar del tiempo de permanencia de este
cliente en el sistema.
c) Suponga que el cliente espera en la cola 5 minutos después de su llegada. Dada esta
información, ¿de qué manea cambia el valor esperado y la desviación estándar del tiempo de
permanencia de este cliente en el sistema a partir de las respuestas obtenidas en el inciso b?

Proceso de Poisson

Cargado por

Información del documento

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

Proceso de Poisson

Cargado por

Copyright:

Formatos disponibles

3 LA DISTRIBUCION EXPONENCIAL Y EL PROCESO DE POISSON1

Al construir un modelo matemático de un fenómeno real, siempre es necesario hacer ciertas

3.2 LA DISTRIBUCIÓN EXPONENCIAL

o equivalentemente, si su función de distribución o función acumulada está dada por:

El valor esperado de la distribución exponencial está dada por:

La función generadora de momentos ϕ(t) de la distribución exponencial está dada por:

Para calcular la varianza Var(X), se tiene que

Var (X)= E(X 2) − [E(X)] 2= 22 − 12 = 12

Una variable aleatoria X se dice que es sin memoria (o desmemoriada) si

La condición (2.2) es equivalente a:

P( X > t + s,X > t )

P(X > t + s, X > t ) e−α ( t +s ) −αs

Solución: a) Si X representa la cantidad de tiempo que el cliente gasta en el banco, entonces la

Solución: La respuesta se obtiene usando el siguiente razonamiento: Considere el instante en que

F(s + t) = F(s) F(t)

G(s+t) = g(s) g(t)

La propiedad de pérdida de memoria es ilustrada a continuación por la función de tasa de falla

P´{X∈( t , t + dt ), X > t} P´{X∈( t , t + dt )}

3.2.3 Otras propiedades: Suma de exponenciales.

Suponga que X1 y X2 son variables aleatorias independientes e idénticamente distribuidas con

= ∫ P{X1 ≤ t −s}α e−αs)ds

Su media y su varianza están dados por E[X] = n/α y Var(X) = n/α2

3.2.5 Otras propiedades: Distribución del mínimo de varias variables aleatorias

Teorema. El mínimo de varias variables aleatorias exponenciales independientes tiene una

3.3.1 Procesos de conteo

iii. Si s < t entonces X(s) ≤ X(t)

La suposición de incrementos estacionarios solo sería razonable en el ejemplo a) si no hubiera épocas

3.3.2 Definición del Proceso de Poisson.

i) La función f(x) =x2 es o(∆t) dado que:

lim f(∆t) = lim (∆t)2 = lim (∆t) = 0

i) La función f(x) = x no es una función o(dt) dado que:

lim f(∆t) = lim (∆t) = lim 1 = 1

lim f(∆t) + g(∆t) = lim f(∆t) + lim g(∆t) = 0 + 0 = 0

Teorema 3.1. Las definiciones 3.1 y 3.2 son equivalentes.

Inicialmente se derivará una ecuación diferencial para P0(t) de la siguiente manera:

P0(t+∆t) = P{X(t +∆t) = 0}

Integrando se tiene que:

Dado que P0(0) = P[X(0) = 0] = 1, se llega a que

Similarmente, para n > 0 se tiene:

Pn ( t + ∆t ) = Pn ( t )P0 ( ∆t )+Pn−1( t )P1( ∆t )+ o( ∆t )

y = e− ∫ P( x )dx { ∫ Q( x )e∫ P( x )dx dx } + c

−αt{ 2 −αt αt dt}+ c

Nota: La conclusión anterior no debería sorprendernos. La suposición de incrementos estacionarios e

3.3.4 Distribución de tiempos de espera.

a) Cuál es el tiempo esperado hasta que llegue la décima persona?

a) E [ S10] = 10/α = 10/1 = 10 días.

3.3.5 Otras propiedades del proceso de Poisson.

X(t) = X1(t) + X2(t)

P[X1(t) = n, X2(t) = m/X(t) = k) = 0, cuando k ≠ n+m

Similarmente, se puede demostrar que:

Antes de intentar calcular (3.6) para m y n generales consideremos el caso particular n = m = 1.

3.3.6 Distribución condicional de los tiempos de llegada.

P(T 1 < s, X (t ) = 1) P[1 evento en (0, s ), 0eventos en ( s, t )]

3.4 GENERALIZACIÓN DE UN PROCESO DE POISSON

3.4.1 Proceso No homogéneo de Poisson

Un proceso {X(t), t≥ 0} se dice que es un proceso compuesto de Poisson si se puede representar

Ejemplos de procesos compuestos de Poisson.

i. Si Yi = 1, entonces X(t) = N(t) y tendríamos el proceso de Poisson.

Valor esperado y varianza del proceso compuesto X(t).

E[X(t)/N(t)] = N(t) E[Yi]

y por lo tanto E[X(t) = αt E[ Yi]

Usando los resultados anteriores, se tiene que:

Solución: Si Yi denota el número de personas en la familia i, se tiene que:

E[Yi] = 1(1/6) + 2(1/3) + 3(1/3) + 4(1/6) = 5/2