Proceso Poisson: Distribución Exponencial

Proceso de Poisson
Modelos estocásticos
Javiera Silva
javiera.silvarroyo@gmail.com
5 de abril de 2018
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 5 de abril de 2018 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
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
Definición
f (i) = f (X = i) = e−λ i = 0, 1, . . . (1)
Tiempo entre llegadas i!
Propiedades
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
Procesos de Conteo Definición

Propiedades
Inc. independientes Una variable aleatoria (v.a.) continua X se distribuye Exponencial
Inc. estacionarios
(X ∼Exp) de parámetro λ, donde λ>0, si su función de densidad de
P. de Poisson
Función Cero
probabilidad (fdp) está dada por:
(
Propiedad de orden
λe−λx x ≥0
Definición
f (x) =
Propiedades
0 x <0
P. Poisson compuesto Donde:
Anexos 1
Esperanza: E(X )=
λ
1
Varianza: V (X )= 2
λ

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 La función de probabilidad acumulada F (a) para esta distribución es:
Definición
Propiedades F (a) = P{X ≤ a}
Anexos

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
Inc. independientes
medio de una distribución de Poisson). Así, esta distribución se utiliza
Inc. estacionarios para representar tiempos de funcionamiento o de espera.
P. de Poisson
Función Cero Ejemplos
Propiedad de orden
Definición
1. El tiempo que tarda una particula radioactiva en desintegrarse.
Propiedades
Anexos
2. El tiempo que transcurre hasta la llegada de un paciente en un servi-
cio 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
La Esperanza se obtiene de la siguiente manera:
Función Cero Z ∞
Propiedad de orden
Definición E(x) = xf (x)dx
Tiempo entre llegadas −∞
Propiedades
P. Poisson compuesto Z ∞
Anexos
= xλe−λx dx
0

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

D. de Poisson
D. Exponencial
Procesos de Conteo
Función Generadora de Momentos
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
φ(t) = E[etx ]
Definición
Tiempo entre llegadas Z ∞
Propiedades
= etx λe−λx dx
Anexos
0
λ
=
λ−t
Donde: t<λ

D. de Poisson
D. Exponencial Con la función generadora de momentos podemos calcular:

Procesos de Conteo
Propiedades Primer Momento
Inc. independientes
Inc. estacionarios

P. de Poisson d

E[X ] = φ(t)
Función Cero

Propiedad de orden dt
Definición t=0
Propiedades

λ

=

Anexos
(λ − t)2

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

D. de Poisson
D. Exponencial Con la función generadora de momentos podemos calcular:

Procesos de Conteo
Propiedades
Inc. independientes
Segundo Momento
Inc. estacionarios
P. de Poisson

d2
Función Cero

2
E[X ] = φ(t)

Propiedad de orden
dt 2
Definición
t=0
Propiedades
2λ(λ − t)

Anexos
=
(λ − t)4

t=0
2
=
λ2

D. de Poisson
D. Exponencial
Procesos de Conteo Con la función generadora de momentos podemos calcular:

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

D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades
Inc. independientes
Inc. estacionarios Propiedad: Memoryless
P. de Poisson
Función Cero
El resultado de la variable X (tn + 1) no depende de la experiencia (es
Propiedad de orden decir los resultados anteriores X (tn − 1), X (tn − 2),,X (t1 )), sino sola-
Definición
Tiempo entre llegadas mente del resultado actual X (tn ), es decir:
Propiedades
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 de algún instrumento, entonces la ecuación anterior establece que la
Inc. estacionarios
probabilidad que el instrumento viva por al menos s+t horas dado que
P. de Poisson
Función Cero
ha sobrevivido t horas es la misma que la probabilidad inicial que viva
Propiedad de orden por al menos s horas.
Definición
Propiedades
Por lo tanto, si el instrumento sigue funcionando al tiempo t, entonces
P. Poisson compuesto la distribución de la cantidad remanente de tiempo en el que sigue
Anexos
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
Procesos de Conteo Propiedad: Memoryless

Propiedades
Inc. independientes Esta propiedad es equivalente a:
Inc. estacionarios
P. de Poisson P{X > s} P{X > t}

Función Cero P{X > s + t|X > t} =
Propiedad de orden P{X > t}
Definición
Propiedades = P{X > s}
Anexos o
P{X > s + t} = P{X > s} P{X > t}

D. de Poisson
D. Exponencial
Propiedad: Memoryless
Procesos de Conteo
Propiedades
Inc. independientes
De acuerdo a lo anterior, es posible señalar que la Distribución Expo-
Inc. estacionarios nencial no tiene memoria o es memoryless, ya que:
P. de Poisson
Función Cero P{X > s + t} = e−λ(s+t)
Propiedad de orden
Definición
Propiedades
= e−λ(s) e−λ(t)
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 Suponga que la cantidad de tiempo que uno gasta en un banco está
Inc. independientes 1
Inc. estacionarios exponencialmente distribuido con λ = 10 clientes por minuto.
P. de Poisson a. £Cuál es la probabilidad que una cliente gastará más de 15 minutos
Función Cero
Propiedad de orden
en el banco?
Definición b. £Cuál es la probabilidad que una cliente gastará más de 15 minu-
Propiedades
tos en el banco dado que ella está aún en el banco después de 10
P. Poisson compuesto minutos?
Anexos
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 Suponga que la cantidad de tiempo que uno gasta en un banco está
Inc. independientes 1
Inc. estacionarios exponencialmente distribuido con λ = 10 clientes por minuto.
P. de Poisson a. £Cuál es la probabilidad que una cliente gastará más de 15 minutos
Función Cero
Propiedad de orden
en el banco?
Definición b. £Cuál es la probabilidad que una cliente gastará más de 15 minu-
Propiedades
tos en el banco dado que ella está aún en el banco después de 10
P. Poisson compuesto minutos?
Anexos
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
Inc. independientes
Supongamos que el tiempo que un estudiante dedica diariamente al
Inc. estacionarios estudio se distribuye exponencialmente con media 2 horas.
P. de Poisson a. £Cuál es la probabilidad de que el estudiante estudie más de 3 horas?
Función Cero
Propiedad de orden b. £Cuál es la probabilidad de que estudie más de 3 horas sabiendo que
Definición
lleva 1 hora estudiando?
Propiedades
Anexos 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
Inc. estacionarios Ejemplo 2
P. de Poisson
Función Cero Supongamos que el tiempo que un estudiante dedica diariamente al
Propiedad de orden
Definición
estudio se distribuye exponencialmente con media 2 horas.
Tiempo entre llegadas a. £Cuál es la probabilidad de que el estudiante estudie más de 3 horas?
Propiedades
P. Poisson compuesto b. £Cuál es la probabilidad de que estudie más de 3 horas sabiendo que
Anexos
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 1. Si N(t) corresponde al número de personas que entran a una tienda en parti-
Inc. estacionarios
cular en o previo al tiempo t, entonces {N(t),t≥0} es un proceso de conteo en
P. de Poisson el cual un evento corresponde a una persona que entra en la tienda.
Función Cero
Propiedad de orden 2. El número de litros de agua que han llegado a un pantano hasta el instante
Definición
t (Supuesto: el contador solo contabiliza litros completos) es un proceso de
Propiedades
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
Inc. independientes Propiedades
Inc. estacionarios
P. de Poisson 1. N(t)≥0.
Función Cero 2. N(t) corresponde a un número perteneciente al conjunto de Números
Propiedad de orden
Definición Enteros.
Propiedades
3. Sean t y s dos instantes de tiempo, tal que s<t, entonces N(s)≤N(t).
P. Poisson compuesto ∴ N(t) es un proceso no decreciente en el tiempo.
Anexos
4. Para s<t, N(t)−N(s) corresponde al número de eventos que ocurren
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 Un proceso de conteo {N(t),t≥0} posee incrementos independientes
Inc. independientes
Inc. estacionarios
si el número de eventos que ocurren en intervalos de tiempo disjuntos
P. de Poisson
son independientes.
Función Cero
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 Un proceso de conteo {N(t),t≥0} posee incrementos estacionarios
P. de Poisson si la distribución del número de eventos que ocurren en cualquier inter-
Función Cero
Propiedad de orden valo de tiempo depende sólo de la longitud del intervalo de tiempo.
Definición
Propiedades
En otras palabras:
Anexos
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 Un ejemplo de un proceso de conteo con incrementos indepen-
Propiedades
Inc. independientes dientes es el número de trabajos que llegan a una impresora, ya que
Inc. estacionarios
los trabajos que llegan en un intervalo de tiempo no tienen por qué
P. de Poisson
Función Cero
influir en los que llegan en otro intervalo de tiempo que sea disjunto
Propiedad de orden dicho intervalo.
Definición
Propiedades
Sin embargo, puede que este caso no sea de incrementos estacio-
Anexos
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
La función f () se dice que es σ(h) (función cero) si:
Propiedad de orden
Definición f (h)
Tiempo entre llegadas lim =0
Propiedades 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 La función f (x)=x 2 es σ(h):
P. de Poisson
Función Cero
f (h) h2
Propiedad de orden
lim = lim = lim h = 0
Definición
h→0 h h→0 h h→0
Propiedades
La función f (x)=x no es σ(h):
Anexos
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
Si f () es σ(h) y g() es σ(h), entonces f ()+g() también lo es
P. de Poisson
Función Cero
f (h) + g(h) f (h) g(h)
Propiedad de orden
lim = lim + lim =0+0=0
Definición h→0 h h→0 h h→0 h
Propiedades Si f (x) es σ(h), entonces la función g(x)=cf (x) es σ(h):
Anexos
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 P{N(h)=1}=λh+σ(h)
Función Cero
Propiedad de orden P{N(h)≥2}=σ(h)
Definición
Propiedades
P. Poisson compuesto Esta propiedad establece que para intervalos de tiempo pequeños
Anexos
[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
Procesos de Conteo Con la definición de Función cero:

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 P{N(h)=1}=λh+σ(h)
Definición
Propiedades
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
D. de Poisson
D. Exponencial
El proceso de conteo {N(t)≥0} es un proceso de Poisson de tasa λ
Procesos de Conteo (λ>0), si:
Propiedades
Inc. independientes
Inc. estacionarios
(I) N(0)=0
P. de Poisson
Función Cero
(II) El proceso posee incrementos independientes.
Propiedad de orden (III) El número de eventos en cualquier intervalo de longitud t esta distri-
Definición
Tiempo entre llegadas buido Poisson con media λt. Esto es, para todo s, t ≥0.
Propiedades
(λt)n
Anexos
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
Propiedades Proceso de Poisson
Inc. independientes
Inc. estacionarios
El proceso de Poisson con parámetro λ (λ≥0) dependiente del tiempo
P. de Poisson
Función Cero
t≥0, es tal que :
Propiedad de orden
Definición
e−λt (λt)k
Tiempo entre llegadas P{N(t) = k } = k = 0, 1, . . . (4)
Propiedades 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
Inc. estacionarios Ejemplos de Procesos de Poisson
P. de Poisson
Función Cero Llegadas de clientes a una cola
Propiedad de orden
Definición
Llamadas a una central telefónica
Tiempo entre llegadas Llegada de pacientes a la emergencia de un hospital
Propiedades
P. Poisson compuesto Llegada de autos a un estacionamiento
Anexos
Llegada de buses a un paradero

Procesos de Poisson
Definición
D. de Poisson
D. Exponencial
Procesos de Conteo
Ejemplo
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 Entre 9:00 y 10:30 de la mañana llegan en promedio 200 personas por hora.
Función Cero
Propiedad de orden Entre 10:30 y 12:30 llegan 100 personas por hora.
Definición
Tiempo entre llegadas Entre 12:30 y 14:00 llegan 300 personas por hora.
Propiedades
P. Poisson compuesto a) £Cuál es la probabilidad de que en los primeros 5 minutos de operación no
Anexos
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
Solución
Inc. estacionarios
a) £Cuál es la probabilidad de que en los primeros 5 minutos de opera-
P. de Poisson
Función Cero
ción no llegue ningún cliente?
Propiedad de orden 200
Definición Para este caso, primero se debe observar que λ= [llegadas/minu-
60
Propiedades to]=3,33
e−λt (λt)0
Anexos
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 (n1)esimo y el nesimo
Propiedad de orden 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 nesimo evento, también

Procesos de Conteo llamado tiempo de espera hasta el nesimo 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
Procesos de Conteo
Ejemplo
Propiedades
Inc. independientes Suponga que gente que inmigra dentro de un territorio a una tasa Pois-
Inc. estacionarios
son λ=1 por día.
P. de Poisson
Función Cero
a. £Cuál es el tiempo esperado hasta que el décimo inmigrante llegue?
Propiedad de orden b. £Cuál es la probabilidad que el lapso de tiempo entre el décimo y el
Definición
Tiempo entre llegadas undécimo arribo exceda los dos días?
Propiedades
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
Procesos de Conteo
Ejemplo
Propiedades
Inc. independientes
Considerar una etapa de un proceso productivo que está constituida
Inc. estacionarios por dos máquinas en paralelo:
P. de Poisson Los productos llegan a esta etapa de acuerdo a un proceso de Pois-
Función Cero
Propiedad de orden son de tasa λ.
Definición
Al llegar a esta etapa, los productos son derivados a la máquina 1 con
Propiedades probabilidad p, y a la máquina 2 con probabilidad (1 − p).
Anexos
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 El número de clientes que ingresa a una tienda de mascotas en un día dado
Propiedades
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 del 0,6 de realizar una compra. Además se sabe que, siendo que la tienda se
Propiedad de orden especializa en la venta de artículos para tortugas, gatos o erizos de tierra, hay
Definición
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
P. Poisson compuesto tierra. En base a esta información:
Anexos
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
Propiedades
Proceso de Poisson Compuesto
Inc. independientes
Inc. estacionarios Un proceso estocástico {X (t), t ≥ 0} es un proceso de Poisson com-
P. de Poisson puesto si se puede representar como:
Función Cero
Propiedad de orden
Definición
N(t)
X
Yi
Propiedades
P. Poisson compuesto i=1
Anexos
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 Supongamos que cada vehículo i traerá una cantidad de pasajeros
Función Cero
Propiedad de orden Yi , de acuerdo a una distribución de probabilidad específica.
Definición
Asi, en un instante t llegaran N(t) buses (de acuerdo a un proceso de
Propiedades conteo con distribución de Poisson).
Anexos
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 PN(t)
Función Cero
E(X (t)) = E[ i=1 Yi ]
Propiedad de orden P∞ Pk
Definición = k =0 E[ i=1 Yi ]P{N(t) = k }
P∞ Pk
= k =0 [ i=1 E(Yi )]P{N(t) = k }
Propiedades
P∞
= k =0 [k µ]P{N(t) = k }
Anexos
= µλt
En general, tenemos que:

E(X (t)) = λtE(Y )

Procesos de Poisson
D. de Poisson
D. Exponencial
Procesos de Conteo
Propiedades No es posible encontrar una expresión cerrada para la distribución de
Inc. independientes
Inc. estacionarios
Xt , ya que esta expresión dependerá de la distribución de probabilida-
P. de Poisson
des de los Yi .
Función Cero
Propiedad de orden
Definición
Varianza P.P. Compuesto
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

Procesos de Poisson
Anexos
Preguntas?

Proceso Poisson: Distribución Exponencial

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Proceso Poisson: Distribución Exponencial

Загружено:

Авторское право:

Доступные форматы

Proceso de Poisson

D. Exponencial 1 Distribución de Poisson

Javiera Silva Proceso de Poisson 5 de abril de 2018 2/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 3/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 4/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 5/63

Procesos de Conteo Definición

Javiera Silva Proceso de Poisson 5 de abril de 2018 6/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 7/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 8/63

D. Exponencial La distribución exponencial se utiliza como modelo para representar el

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

Javiera Silva Proceso de Poisson 5 de abril de 2018 9/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 10/63

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

Javiera Silva Proceso de Poisson 5 de abril de 2018 11/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 12/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 13/63

D. Exponencial Con la función generadora de momentos podemos calcular:

Javiera Silva Proceso de Poisson 5 de abril de 2018 14/63

D. Exponencial Con la función generadora de momentos podemos calcular:

Javiera Silva Proceso de Poisson 5 de abril de 2018 15/63

Procesos de Conteo Con la función generadora de momentos podemos calcular:

Javiera Silva Proceso de Poisson 5 de abril de 2018 16/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 17/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 18/63

Procesos de Conteo Propiedad: Memoryless

P. de Poisson P{X > s} P{X > t}

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

Javiera Silva Proceso de Poisson 5 de abril de 2018 19/63

Observación: La distribución exponencial no sólo carece de memoria,

Javiera Silva Proceso de Poisson 5 de abril de 2018 20/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 21/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 22/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 23/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 24/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 25/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 26/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 27/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 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 5 de abril de 2018 29/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 30/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 31/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 32/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 33/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 34/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 35/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 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 5 de abril de 2018 37/63

Procesos de Conteo Con la definición de Función cero:

Las llegadas u ocurrencias se generan uno a uno.

Javiera Silva Proceso de Poisson 5 de abril de 2018 38/63

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

Javiera Silva Proceso de Poisson 5 de abril de 2018 39/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 40/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 41/63

Javiera Silva Proceso de Poisson 5 de abril de 2018 42/63

P{N(5) = 0} = = e−3,33∗5 = 0, 000000058

Javiera Silva Proceso de Poisson 5 de abril de 2018 43/63