LOS PROCESOS DE POISSON Y SU PRINCIPAL DISTRIBUCION

ASOCIADA: LA DISTRIBUCION EXPONENCIAL.

INTRODUCION

El objetivo de estas notas es introducir al estudio de la distribucin exponencial, una de las funciones
mas usadas debido a ciertas propiedades que la hacen ideal para simplificar cierta clase de
problemas frecuentes en temas actuariales. Esta simplicidad se deriva de su intima conexin con la
distribucin de Poisson, cuyo proceso generador posee como caractersticas principales La
estacionariedad en el dominio del tiempo y de los estados.

La primera seccin estar dedicada a la presentacin de una funcin asociada a cualquier tipo de
distribucin: la tasa instantnea de ocurrencia. A continuacin se vern las propiedades de la
distribucin exponencial, especialmente las relacionadas con esta tasa instantnea de ocurrencia. Por
ltimo se dar un panorama de las aplicaciones actuariales de esta distribucin, junto con algunos
ejercicios
1. Tasa instantnea de ocurrencia

Considrese una variable aleatoria continua positiva X con densidad f (x):

Definicin: La tasa instantnea de ocurrencia (x) est dada por:

(x) =f(x)
1 - F(x)

Si X representa el tiempo de vida de un elemento, la tasa instantnea es la tasa a la que el elemento

que sobrevivi hasta el momento t es eliminado de la poblacin en el intervalo infinitesimal de tiempo
dt.

P (t < X = t + dt|X > t)=P (X = t + dt) - P (X > t) f t dt = (t)

1 - P (X = t) 1-P(Xt)
La Funcin de Tasa Instantnea de Ocurrencia determina unvocamente la distribucin de probabilidad.
Estas dos funciones estn relacionadas de manera que dada una como dato, la otra puede obtenerse.

Llamando (t) a la integral de (t), obtenemos:

 2. La Distribucin Exponencial

Propiedades de la distribucin:

Carece de memoria: Si X denota el tiempo de vida, una variable aleatoria se

dice carente de memoria si para todo s,t > 0
 La distribucin exponencial es la nica distribucin continua que carece de
memoria.

La tasa instantnea de ocurrencia de una variable exponencial es constante:

(t) = . El parmetro se llama tasa de la distribucin

La suma de variables aleatorias exponenciales con parmetro i se distribuye

de la siguiente manera (llamada distribucin hipoexponencial):
 3. La Distribucin Exponencial y su aplicacin a la Biometra

El estudio de las probabilidades de muerte

La Biometra se encarga, en resumen, del estudio de las leyes probabilsticas que gobiernan la mortalidad
humana. Las funciones ms utilizadas actuarialmente para este fin son las llamadas tablas de mortalidad,
las cuales para cada edad entera x (entre 0 y un nmero arbitrario - usualmente entre 100 y 110)
contienen la probabilidad de morir entre el cumpleaos n x y el n x +1. A esta probabilidad se la
expresa con el smbolo q(x;0;1), donde x representa la edad, 0 es el momento en que se empieza a correr
el riesgo de muerte (desde la edad x+0) y 1 es el largo del perodo de riesgo.

Un problema de probabilidades condicionales

Si q(x;1;1) es la probabilidad que tiene una persona de edad x de morir entre la edad x+1 y x+2 y
q(x+1;0;1) tambin es la probabilidad de morir entre las edades x+1 y x+2 Cul sera la diferencia entre
q(30;1;1) y q(31;0;1)?

La diferencia est dada por la edad de la persona considerada. Una persona de 30 aos deber sobrevivir
todo un ao ( con el riesgo de mortalidad que eso implica) antes de estar en la misma situacin que la
persona de 31 aos sobre la que se aplica la q(31;0;1). Dado
que la diferencia entre ambas es la condicin inicial, podemos demostrar a travs del
teorema de Bayes que:

Esto es,

Probabilidad condicionada = Probabilidad sin condicionar / Probabilidad de la Condicin

De esta manera, si f(x) es la funcin de densidad de muerte y F(x) es su funcin de

distribucin:
 El mbito de aplicacin de la distribucin exponencial

Uno de los problemas ms comunes es que las tablas de mortalidad estn expresadas para edades
enteras, de manera que no existe manera de saber cuanto vale, por ejemplo, q(20;0;), o sea, la
probabilidad que tiene un persona de 20 aos de morir entre las edades 20 y 20 + 6 meses. Mediante
interpolacin, sin embargo, se puede aproximar esta probabilidad. Una opcin es aplicar una
interpolacin lineal de manera que q(20;0;) *q(20;0;1), en otras palabras, la probabilidad de morir
durante medio ao es la mitad de la probabilidad de morir durante un ao entero.

La otra opcin, que nos ocupa aqu, es aplicar una interpolacin exponencial, llamada en el lenguaje de
la biometra, el supuesto de constante. Por qu este nombre? Pues resulta que (t) no es otra cosa
que lo aqu hemos dado en llamar (t): la tasa instantnea de fallecimiento (fallecimiento es
equivalente a ocurrencia en biometra).

Aplicando esta interpolacin exponencial es posible calcular la probabilidad para perodos menos al ao.
Es importante notar que lo que se est interpolando es la funcin de probabilidad acumulada y no la
funcin de densidad, dado que lo que se hace es buscar el valor del parmetro tal que . 1 0 () ( ; 0 ;
1Ex p t dt q x = )
Un detalle importante a tener en cuenta es que la funcin exponencial no puede usarse
para aproximar perodos prolongados de tiempo. Esto se debe a su propiedad de falta de
memoria: en un proceso con distribucin del tiempo de espera exponencial, la probabilidad
de muerte slo es proporcional al largo del intervalo de tiempo considerado, sin importar
la edad del proceso (la probabilidad de morir entre los 20 y 21 aos sera igual a la
probabilidad de morir entre los 60 y 61), mientras que la mortalidad humana registra el
fenmeno contrario.
 APLICACIN:

X evento en un intervalo de tiempo

tiempo entre eventos? D. Exponencial

F(x)

eventos

c t

Describe el tiempo

Puede tmar cualquier valor = parmetro

= numero probable de eventos que ocurren en una unidad de tiempo.

Funcin probabilidad exponencial=

f(t)= e t
P (t>c)= C

Cuando no tengas , tendras la media. Entonces utilizas 1

= es la media.

1 1
8

P =t<12)=1- (12)
=0,77

Se sabe que el tiempo de vida til de un aire acondicionado sigue una distribucin
exponencial con media de 5 aos. cual es la probabilidad de cambiarlo a los 7 ao?
=5 aos =1= 1
5
P =t<7)= 1 - (7)

=1-( (7))

=0,753
GRACIAS