Proceso Poisson

Pontificia Universidad Católica de Chile
Escuela de Ingenierı́a
Departamento de Ingenierı́a Industrial y Sistemas
Proceso Poisson
ICS2123 - Modelos Estocásticos
Álvaro Lorca
Á. Lorca Proceso Poisson ICS2123 1 / 74

Outline
1 Proceso de Conteo
2 Proceso de Poisson
3 Descomposición y Suma
4 Extensiones

Proceso de Conteo
Outline
1 Proceso de Conteo
4 Extensiones

Proceso de Conteo
Proceso de Conteo
Proceso de Conteo
{N (t), t ≥ 0} es un proceso de conteo si N (t) es una v.a. que corresponde
al número de eventos que han ocurrido en [0, t].
.
Ejemplo de procesos que son de conteo:
● Número de llamadas telefónicas recibidas en [0, t]
● Número de personas que han ingresado a un recinto en [0, t]
● Número de personas que han salido del recinto en [0, t]
● Número de accidentes de tránsito ocurridos en [0, t]
Ejemplo de proceso que no son de conteo:
● Número de personas en la sala en el instante t
● Número de lı́neas telefónicas ocupadas en el instante t

Proceso de Conteo
Propiedades de los procesos de conteo
Propiedades de procesos de conteo:

● N (t) es siempre entero no negativo
● Si s < t, entonces N (s) ≤ N (t) (es no decreciente)
● El número de eventos en el intervalo (s, t] está dado por N (t) − N (s)
.
Además, pueden tener las siguientes propiedades:
● Incrementos independientes (i.i)
● Incrementos estacionarios (i.e)
● Propiedad de orden

Proceso de Conteo
Incrementos Independientes (i.i)

El proceso de conteo {N (t), t > 0} tiene incrementos independientes si
para cualquier t, s, la v.a. N (t + s) − N (t) es independiente del proceso
{N (u), 0 ≤ u ≤ t}
0 u t t+s
Por lo tanto, el número de eventos en intervalos disjuntos son

independientes:
P(N (t+s)−N (t) = k, N (u) = r) = P(N (t+s)−N (t) = k)⋅P(N (u) = r), 0≤u≤t

Proceso de Conteo

Incrementos Estacionarios (i.e)
El proceso de conteo {N (t), t > 0} tiene incrementos estacionarios si la
distribución de probabilidades de N (t + s) − N (t) no depende de t.
s s
0 t t+s t′ t′ + s
Por lo tanto, la distribución de probabilidades del número de eventos
depende del largo del intervalo y no de la posición.
Ojo!
Si t′ ≠ t:
N (t + s) − N (t) ≠ N (t′ + s) − N (t′ )
P(N (t + s) − N (t) = k) = P(N (t′ + s) − N (t′ ) = k) ∀k
Los intervalos no son iguales, sino que tienen exactamente la misma distribución.
Proceso de Conteo

Ejercicio
Ejemplo
Sea {N (t), t ≥ 0} un proceso de conteo que cuenta los buses que pasan
por un paradero. Suponga que el tiempo hasta que pasa el primer bus y
los tiempos entre buses sucesivos son variables independientes que
distribuyen Uniforme(10, 20) min.
1 ¿Cumple propiedad de incrementos independientes?
2 ¿Cumple propiedad de incrementos estacionarios?
1 P (N (15) − N (10) = 0) = 1/2, P (N (20) − N (15) = 0) = 1/2 ⇒

P (N (15) − N (10) = 0) ⋅ P (N (20) − N (15) = 0) = 1/4. Pero
P (N (15) − N (10) = 0, P (N (20) − N (15))) = 0.
Los eventos no son independientes. Proceso de conteo no cumple con
la propiedad de incrementos independientes.

Proceso de Conteo

Ejercicio
Ejemplo
Sea {N (t), t ≥ 0} un proceso de conteo que cuenta los buses que pasan
por un paradero. Suponga que el tiempo hasta que pasa el primer bus y
los tiempos entre buses sucesivos son variables independientes que
distribuyen Uniforme(10, 20) min.
1 ¿Cumple propiedad de incrementos independientes?
2 ¿Cumple propiedad de incrementos estacionarios?
2 P (N (20) − N (10) = 1) = 1
P (N (10) − N (0) = 1) = 0
Proceso de conteo no cumple con la propiedad de incrementos
estacionarios.

Proceso de Conteo

Función de orden o(h)
f (h)
Se dice que la función f (⋅) es o(h) si: lim = 0.
h→0 h
Es decir, la función tiende a cero más rápido que su argumento
Propiedad de orden
El proceso {N (t), t > 0} tiene la propiedad de orden si, para algún λ > 0,
se cumple que:
P(N (h) = 1) = λh + o(h)
P(N (h) ≥ 2) = o(h)
0 con probabilidad 1 − λh
N (h) ≈ {
1 con probabilidad λh

Proceso de Poisson
Outline
1 Proceso de Conteo
4 Extensiones

Proceso de Poisson
Proceso de Poisson
Proceso de Poisson
El proceso de conteo {N (t), t > 0} es un Proceso de Poisson con tasa
λ > 0, si:
1 El proceso tiene incrementos independientes.
2 El proceso tiene incrementos estacionarios.
3 El proceso cumple la propiedad de orden.
Probabilidad de un Proceso de Poisson

Si {N (t), t > 0} es un Proceso Poisson, entonces se puede demostrar que:
(λt)k ⋅ e−λt
P(N (t) = k) = k = 0, 1, 2, . . .
k!

Proceso de Poisson
Proceso de Poisson
Ejercicio
Ejemplo
Considere {N (t), t ≥ 0} un Proceso Poisson que cuenta la cantidad de
personas que llegan a un banco. La tasa de llegada es λ personas por
hora. Calcule:
1 La probabilidad que entre las 2 y las 4 lleguen 5 personas
2 La probabilidad que entre las 2 y las 4 lleguen 5 personas si entre las
1 y las 1:30 llegaron 3.
3 La probabilidad que entre las 2 y las 4 lleguen 5 personas si es que
entre las 1 y las 3 llegaron 2.

Proceso de Poisson
Proceso de Poisson
Ejercicio
Solución:
(2λ)5 e−2λ
1 P(N (4) − N (2) = 5) = P(N (2) = 5) = 5!
2 P(N (4) − N (2) = 5∣N (1.5) − N (1) = 3) = P(N (4) − N (2) = 5)
3
P(N (4) − N (2) = 5, N (3) − N (1)

P(N (4)−N (2) = 5∣N (3)−N (1) = 2) =
P(N (3) − N (1) = 2)
∞
∑ P(N (4) − N (3) = 5 − i, N (3) − N (2) = i, N (2) − N (1) = 2 − i)
i=0
=
P(N (3) − N (1) = 2)
2
∑ P(N (4) − N (3) = 5 − i) ⋅ P(N (3) − N (2) = i) ⋅ P(N (2) − N (1) = 2 −
i=0
=
P(N (3) − N (1) = 2)

Proceso de Poisson
Proceso de Poisson
Distribución del tiempo entre eventos
T1 T2 T3
Denotemos:
T1 : Tiempo hasta el primer evento
T2 : Tiempo entre el 1o y 2o evento
Tn : Tiempo entre el (n-1)-ésimo y n-ésimo evento
¿Cómo distribuyen T1 , T2 , T3 , . . . ?

Proceso de Poisson
Proceso de Poisson
Estudiemos T1 :
P(T1 > x) = P(N (x) = 0) = e−λx ⇒ P(T1 < x) = 1 − e−λx ,x ≥ 0
Ahora veamos T2 :
∞
P(T2 > x) = ∫ P(T2 > x∣T1 = y)fT1 (y)dy
0
∞
= ∫ P(N (y + x) − N (y) = 0∣T1 = y)fT1 (y)dy
0
∞
= ∫ P(N (y + x) − N (y) = 0)fT1 (y)dy
0
∞
= ∫ P(N (x) = 0)fT1 (y)dy = P(N (x) = 0) = e−λx
0

Proceso de Poisson
Proceso de Poisson
Teorema
En un Proceso de Poisson con tasa λ (λ > 0) los tiempos T1 , T2 , T3 , . . .
son v.a. i.i.d. con distribución exponencial de parámetro λ

Proceso de Poisson
Proceso de Poisson
Propiedad de la distribución del tiempo entre eventos
Propiedad de la distribución exponencial .

Consideremos una ampolleta. Supongamos que cada vez que falla, se
reemplaza instantáneamente por una nueva idéntica a la anterior. Sea
{N (t), t > 0} el Proceso Poisson que cuenta el número de veces que se ha
reemplazado la ampolleta en [0, t]. Consideremos la primera ampolleta
que se instaló y supongamos que lleva s unidades de tiempo funcionando.
¿Cuánto tiempo más funcionará la ampolleta?
Estudiemos el tiempo que le queda para que falle. Sea Y el tiempo
adicional de funcionamiento:
P(Y > x) =?
s Y
T1
Proceso de Poisson
Proceso de Poisson
Propiedad de distribución del tiempo entre eventos
P(Y > x) = P(T1 > s + x∣T1 > s)

P(T1 > s + x, T1 > s)
=
P(T1 > s)
P(T1 > s + x) e−λ(s+x)
= = = e−λx
P(T1 > s) e−λs
Tiene distribución exponencial! Y no depende de s. Esta propiedad se

llama falta de memoria.
Falta de memoria
La distribución exponencial posee falta de memoria. Es decir, no importa
cuánto tiempo haya pasado antes, la distribución de “lo que falta” seguirá
siendo la misma.

Proceso de Poisson
Proceso de Poisson
Resultado inverso
Resultado Inverso
Sean T1 , . . . , Tn los tiempos entre eventos de un proceso de conteo
{N (t), t > 0}. Si {T1 , . . . , Tn } son v.a. i.i.d. con distribución exponencial
a tasa λ constante, entonces {N (t), t > 0} es un Proceso de Poisson.
Idea de la demostración (ver Kulkarni, 1999, para los detalles):

Basta con demostrar que {N (t), t ≥ 0} satisface la propiedad de
incrementos independientes, la propiedad de incrementos estacionarios, y
la propiedad de orden.
Calculemos primero P (N (t) = k). Para esto, notemos que

k−1
(λt)r
P (N (t) ≥ k) = P (Sk ≤ t) = 1 − ∑ e−λt ,
r=0 r!
donde hemos utilizado el hecho que Sk = T1 + ⋅ ⋅ ⋅ + Tk sigue una
distribución Gamma con parámetros k y λ.
Proceso de Poisson
Proceso de Poisson
Resultado inverso
A partir de lo anterior, podemos observar que
(λt)k
P (N (t) = k) = P (N (t) ≥ k) − P (N (t) ≥ k + 1) = e−λt ,
k!
con lo que sabemos que N (t) sigue una distribución Poisson de parámetro λt.
Con esto, podemos demostrar que {N (t), t ≥ 0} cumple la propiedad de orden, de

la siguiente manera. Necesitamos demostrar que P (N (h) = 1) = λh + o(h) y que
P (N (h) ≥ 2) = o(h).
Por una parte, tenemos que

P (N (h) = 1) − λh
lim
h→0 h
e λh − λh
−λh
= lim
h→0 h
= lim (1 − λh + (λh)2 /2! − (λh)3 /3! + . . . )λ − λ
h→0
= 0,
Proceso de Poisson
Proceso de Poisson
Resultado inverso
Por otra parte, tenemos que
P (N (h) ≥ 2) = 1 − P (N (h) ≤ 1) = 1 − e−λh − e−λh λh

= 1 − (1 − λh + (λh)2 /2! − (λh)3 /3! + . . . ) − (1 − λh + (λh)2 /2! − (λh)3 /3! + . . . )λh
= (λh − (λh)2 /2! + (λh)3 /3! + . . . ) − (λh − λhλh + λh(λh)2 /2! − λh(λh)3 /3! + . . . )
= (−(λh)2 /2! + (λh)3 /3! + . . . ) − (−λhλh + λh(λh)2 /2! − λh(λh)3 /3! + . . . ),
de donde podemos ver que P (N (h) ≥ 2) = o(h), puesto que la última expresión
obtenida, dividida por h, tiende a cero cuando h tiende a cero. Con esto, se
cumple la propiedad de orden.

Proceso de Poisson
Proceso de Poisson
Resultado inverso
Ahora, para ver que se cumplen las propiedades de incrementos
independientes y de incrementos estacionarios, consideremos un tiempo t.
Sabemos que el momento en que ocurre el próximo evento del proceso
corresponde a SN (t)+1 . Por falta de memoria de la distribución
exponencial, tenemos que el tiempo hasta que ocurra este próximo evento,
dado por SN (t)+1 − t, tiene que seguir una distribución exponencial de
parámetro λ y tiene que ser independiente de los tiempos entre eventos
que hayan ocurrido antes de t. Es decir, SN (t)+1 − t es independiente de
T1 , T2 , . . . , TN (t) y sigue la misma distribución que cualquiera de estos.
Ahora, como el conteo de eventos está determinado por estos tiempos, se
tiene que cumplir que la cantidad de eventos en [t, t + s] tiene que ser
independiente de la cantidad de eventos en [0, u], para cualquier
u < t, s > 0 (incrementos independientes), y además tiene que seguir la
misma distribución que la cantidad de eventos en [r, r + s], para cualquier
r > 0, s > 0 (incrementos estacionarios).
Proceso de Poisson
Ejercicio
Ejemplo
Considere {N (t), t > 0} un Proceso Poisson con tasa λ que cuenta la
cantidad de autos que se suben a un transbordador (ferry). Considere que
el transbordador parte cuando hay M autos dentro de el.
1 ¿Cuál es el tiempo promedio que debe esperar el primer auto, desde
que llega al transbordador hasta que este parte?
2 ¿Cuál es el tiempo promedio que debe esperar el k−ésimo auto
(k ≤ M ), desde que llega al transbordador hasta que este parte?
3 Si en el instante u hay n autos sobre el transbordador (n < M ), ¿Cuál
es la probabilidad de que en el instante u + s ya haya partido el
transbordador? (u, s > 0)

Proceso de Poisson
Ejercicio
Solución:
1. Sea W1 el tiempo que debe esperar el primer auto:
W1 = T2 + T3 + ⋅ ⋅ ⋅ + TM . Entonces:
E[W1 ] = E[T2 + T3 + ⋅ ⋅ ⋅ + TM ]
= E[T2 ] + E[T3 ] + ⋅ ⋅ ⋅ + E[TM ]
1 1
= + ⋅⋅⋅ +
λ λ
1
= (M − 1)
λ
2. Se resuelve análogo al anterior. Wk = Tk+1 + Tk+2 + ⋅ ⋅ ⋅ + TM , entonces:
E[Wk ] = E[Tk+1 + Tk+2 + ⋅ ⋅ ⋅ + TM ]

1
= (M − k)
λ

Proceso de Poisson
Ejercicio
Solución:
3.
P(N (u + s) ≥ M ∣N (u) = n) = P(N (u + s) − N (u) ≥ M − n∣N (u) = n

= P(N (s) ≥ M − n∣N (u) = n)
= P(N (s) ≥ M − n)
= 1 − P(N (s) < M − n)
= 1 − P(N (s) ≤ M − n − 1)
M −n−1
(λs)i e−λs
= 1− ∑
i=1 i!

Proceso de Poisson
Distribución del tiempo de ocurrencia del k-ésimo evento
Definición
Llamaremos Sk al instante en que ocurre el k-ésimo (k = 1, 2, . . . ) evento
de un Proceso Poisson. Por lo tanto:
Sk = T1 + T2 + ⋅ ⋅ ⋅ + Tk
En donde Ti (i = 1, ..., k) corresponde al i-ésimo tiempo entre eventos.

Además, Sk es una v.a. con distribución Gamma, con parámetros k y λ.
k−1
(λx)j
FSk (x) = 1 − ∑ e−λx
j=0 j!

Proceso de Poisson
Distribución del tiempo de ocurrencia del k-ésimo evento
Gráficamente:
T1 T2 T3
S3

Proceso de Poisson
Distribución condicional de los tiempos entre eventos
Proposición
Si se sabe que en el intervalo [0, t] ocurrió 1 solo evento de un Proceso
Poisson, el tiempo de ocurrencia de dicho evento (dentro del intervalo)
tiene una distribución uniforme en [0, t]. Es decir:
x
P(S1 < x∣N (t) = 1) = para x ∈ [0, t]
t

Proceso de Poisson

Demostremos esto formalmente:
P(S1 < x, N (t) = 1)
P(S1 < x∣N (t) = 1) =
P(N (t) = 1)
P(N (x) = 1, N (t) − N (x) = 0)
=
P(N (t) = 1)
P(N (x) = 1)P(N (t) − N (x) = 0)
=
P(N (t) = 1)
λxe−λx e−λ(t−x)
=
λte−λ(t)
x
=
t
¿Podremos generalizar este resultado?

Proceso de Poisson

Consideremos el siguiente caso para un Proceso de Poisson en el que han
llegado n eventos en un tiempo t:
● Existe un observador del proceso que anota los tiempos exactos de los
n eventos (S1 , S2 , . . . , Sn ) en distintos trozos de papel.
● Se introducen los n papeles en una caja y se revuelven.
● Se saca un papel al azar de la caja.
¿Cuál es la distribución de probabilidades del tiempo
que aparece anotado en el papel?
● No sabemos a qué elemento corresponde, puede ser el primero, el
segundo o el último.
● Como el proceso N (t) tiene incrementos estacionarios no se privilegia
ningún intervalo en particular dentro de [0, t], por lo que
intuitivamente ese tiempo deberı́a ser uniforme en [0, t].
La distribución del tiempo anotado en el papel deberı́a ser Uniforme(0,t)
Proceso de Poisson
Propiedades de un Proceso Poisson

Distribución condicional de los tiempos de evento
Estadı́sticos de Orden
Sean X1 , X2 , ..., Xn v.a. con distribución cualquiera. Supongamos que
observamos estos valores. Sea X(1) = M in{X1 , X2 , ..., Xn }
X(2) = M in({X1 , X2 , ..., Xn } ∖ {X(1) })

X(3) = M in({X1 , X2 , ..., Xn } ∖ {X(1) , X(2) })
⋯
X(n) = M ax{X1 , X2 , ..., Xn }
Las v.a. X(1) , X(2) , ..., X(n) se denominan estadı́sticos de orden de

X1 , X2 , ..., Xn .

Proceso de Poisson

Teorema
Los tiempos S1 , ..., Sn dado N (t) = n se distribuyen como los estadı́sticos
de orden de n variables aleatorias con distribución U nif orme(0, t).
Corolario
Dado N (t) = n, las variables S1 , ..., Sn tomadas en forma desordenada
corresponden a variables aleatorias con distribución U nif orme(0, t).
Por lo tanto, si se sabe que en el intervalo [0, t] ocurrieron n eventos, el

tiempo de ocurrencia de un evento cualquiera (sin conocer su orden de
ocurrencia) tiene distribución uniforme en [0, t].

Proceso de Poisson

Proposición
Sea {N (t), t ≤ 0} un Proceso Poisson con tasa λ > 0. Entonces, para
0 < u < t y 0 ≤ k ≤ n se tiene que:
n! u k u (n−k)
P(N (u) = k∣N (t) = n) = ⋅ ( ) ⋅ (1 − )
k!(n − k)! t t
Es decir, la distribución de N (u) dado N (t) = n es Binomial(n, p = ut )
Nota: Este resultado es también válido para cualquier intervalo de largo t

y subintervalo de largo u contenido en el primero.

Proceso de Poisson

Ejercicio
Ejemplo
Un guardia anota los tiempos entre salidas de personas de un
supermercado y se da cuenta que son i.i.d. con distribución
Exponencial(λ) personas por hora. El guardia pierde el papel donde
anota los tiempos entre salidas, pero se acuerda que en las primeras 3
horas anotó 10 salidas.
1 El jefe del guardia le pregunta si alguna persona salió del
supermercado antes de las 2 horas. ¿Cuál es la probabilidad de que
efectivamente haya ocurrido esto?
2 El guardia cree que entre la primera y la segunda hora (es decir entre
t = 1h y t = 2h) de toma de datos salieron 6 personas del
supermercado. ¿Cuál es la probabilidad de que el guardia esté en lo
correcto?

Proceso de Poisson

Ejercicio
Solución:
Se puede resolver por la forma tradicional de Poisson, o usando la
propiedad de desordenar las llegadas. La probabilidad de que cada uno
haya llegado en las dos primeras horas es 2/3, y es independiente para
cada uno.
1
P(N (2) ≥ 1∣N (3) = 10) = 1 − P(N (2) = 0∣N (3) = 10)
1 10
= 1−( )
3
2
10! 1 6 2 4
( ) ( )
4! ⋅ 6! 3 3

Descomposición y Suma
Outline
1 Proceso de Conteo
4 Extensiones

Descomposición de Procesos Poisson
N1 (t)
Máquina 1
p
N (t) ∼ P oisson(λ)
1−p
Máquina 2
N2 (t)
A un proceso productivo llegan piezas según un Proceso Poisson con tasa

λ. El proceso consta de dos máquinas. Cuando llegan las piezas, con
probabilidad p pasan a la máquina 1 y con 1 − p a la máquina 2.
Consideremos:
N1 (t) = número de productos que llegan a la máquina 1
N2 (t) = número de productos que llegan a la máquina 2

N1 (t)
Máquina 1
p
N (t) ∼ P oisson(λ)
1−p
Máquina 2
N2 (t)
¿Qué podemos decir sobre N1 (t) y N2 (t)?

¿Cómo distribuyen? ¿Cómo se relacionan con N (t)?

P(N1 (t) = n) = ∑ P(N1 (t) = n∣N (t) = m)P(N (t) = m)

m
m−n (λt) e
∞ m −λt
m n
= ∑ ( )p (1 − p)
m=n n m!
pn e−λt (λt)n ∞ (1 − p)m−n (λt)m−n
= ∑
n! m=n (m − n)!
e−λt (λpt)n ∞ (λ(1 − p)t)k
= ∑
n! k=0 (k)!
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
Serie exponencial
e (λpt) λ(1−p)t
−λt n
= e
n!
e−λpt (λpt)n
= → Poisson a tasa λp
n!
Se puede demostrar también que N1 (t) corresponde a un Proceso de

Poisson (Propuesto).
De forma análoga, N2 (t) distribuye Poisson a tasa (1 − p)λ.
Ahora, ¿Serán N1 (t) y N2 (t) independientes?

Si nos dicen que N1 (t) = k, ¿Cambia la distribución de N2 (t)?
P(N1 (t) = n, N2 (t) = k) =?

P(N1 (t) = n, N2 (t) = k) = ∑ P(N1 (t) = n, N2 (t) = k∣N (t) = m)P(N (t) =
m
= P(N1 (t) = n, N2 (t) = k∣N (t) = n + k)
⋅P(N (t) = n + k)
n+k n (λt)n+k e−λt
= ( )p (1 − p)k
n (n + k)!
(n + k)! n (λt)n+k e−λt
= p (1 − p)k
n!k! (n + k)!
(λpt)n e−λpt (λ(1 − p)t)k e−λ(1−p)t
=
n! k!
= P(N1 (t) = n) ⋅ P(N2 (t) = k) → Son independien

Sea {N (t), t ≥ 0} un Proceso Poisson con tasa λ. Supongamos que cada

evento de este proceso es, de forma independiente, de tipo 1, con
probabilidad p y de tipo 2, con probabilidad 1 − p. Sea {Ni (t), t ≥ 0} el
proceso que cuenta los eventos de tipo i, i = 1, 2.
Descomposición de un Proceso Poisson

{N1 (t), t ≥ 0} es un Proceso de Poisson con tasa λp y {N2 (t), t ≥ 0} es un
Proceso de Poisson con tasa λ(1 − p). Además {N1 (t), t ≥ 0} y
{N2 (t), t ≥ 0} son procesos independientes.
Esto se puede generalizar para considerar la descomposición en k tipo de

eventos

Suma de Procesos Poisson
Sean N1 (t) y N2 (t) dos procesos de Poisson independientes entre sı́, con
tasas λ1 y λ2 respectivamente. Queremos saber qué ocurre con la suma de
estos procesos.
N (t) = N1 (t) + N2 (t)
¿N (t) es un Proceso de Poisson?
Sean:
X1 , ..Xi , ..: Tiempos entre eventos de N1 (t).
Y1 , ..Yi , ..: Tiempos entre eventos de N2 (t).
T1 , ..Ti , ..: Tiempos entre eventos de N (t).
¿Cómo distribuye T1 ? → T1 = M in(X1 , Y1 )

Suma de Procesos Poisson
P(T1 > x) = P(X1 > x, Y1 > x)

= P(X1 > x)P(Y1 > x)
= e−λ1 x e−λ2 x = e−(λ1 +λ2 )x
Por lo tanto, T1 distribuye exponencial a tasa λ1 + λ2 .

Se puede demostrar también que T2 distribuye exponencial a tasa λ1 + λ2
y que es independiente de T1 .
Por lo tanto, N (t) es un Proceso de Poisson.
Suma Procesos de Poisson
Sea N1 (t), N2 (t), . . . , Nk (t), t ≥ 0, procesos de Poisson independientes
con tasas λ1 , λ2 , . . . , λk , respectivamente.
El proceso N (t) = N1 (t) + N2 (t) + ⋅ ⋅ ⋅ + Nk (t) es un Proceso de Poisson
con tasa λ = λ1 + λ2 + ⋅ ⋅ ⋅ + λk .
Descomposición y Suma de Procesos Poisson

Ejercicio
Ejemplo
Dos supermercados, A y B, se ubican en veredas opuestas de una misma
calle. La llegada de clientes al supermercado i ocurre de acuerdo a un
Proceso de Poisson con tasas λi , i = A, B. Ambos procesos son
independientes entre sı́ y se inician a la hora en que simultáneamente
abren estos supermercados, que es a las 9 hrs.
1 Considere el proceso que cuenta llegadas de clientes sin importar el
supermercado al que se dirijan. Determine la distribución de
probabilidades del tiempo que trascurre desde las 9 hrs. hasta el
instante de ocurrencia del segundo evento de dicho proceso.
2 Determine la probabilidad de que el primer cliente que llega tras la
apertura de los supermercados sea un cliente del supermercado A y
que esta llegada ocurra después del instante t.


Ejercicio
1 Sean:
T1 = tiempo hasta la primera llegada ∼ Exponencial(λ)
T2 = tiempo entre la primera y segunda llegada ∼ Exponencial(λ)
La probabilidad pedida esta dada por: P (S2 ≤ t)
P(S2 ≤ t) = P(T1 + T2 ≤ t)
t
= ∫ P(T2 ≤ t − x) ⋅ λ ⋅ e−λx dx
0
t
= ∫ (1 − e−λ(t−x) ) ⋅ λ ⋅ e−λx dx
0
t t
= λ∫ e−λx dx − λ ∫ e−λt dx
0 0
= 1 − e−λt − λte−λt = 1 − e−(λA +λB )t − (λA + λB )te−(λA +λB )t
2 Consideremos:
T1A = tiempo hasta la primera llegada al supermercado A
∼ Exponencial(λA )
B Á. Lorca Proceso Poisson ICS2123 47 / 74

Ejercicio
∞
P (t < T1A < T1B ) = ∫ P (t < T1A < T1B ∣T1B = y)fTB dy
0
∞
= ∫ P (t < T1A < T1B ∣T1B = y)λB e−λB y dy
t
∞ y
= ∫ (∫ λA e−λA y ) λB e−λB y dy
t t
∞
= ∫ (e−λA t − e−λA y )λB e−λB y dy
t
∞
= e −λA t
∫ λB e−λB y dy −
t
λB ∞
∫ (λA + λB )e
−(λA +λB )y
dy
λA + λB t


Ejercicio
λB
= e−(λA +λB )t − e−(λA +λB )t
λA + λB
λB
= e−(λA +λB )t (1 − )
λA + λB
Por lo tanto:
λA
P (t < T1A < T1B ) = ⋅ e−(λ1 +λ2 )t
λA + λB
Esto es equivalente a:
λA
P(t < T1A < T1B ) = P(t < min{T1A , T1B })P(T1A < T1B ) = ⋅ e−(λ1 +λ2 )t
λA + λB

Paradoja de la Inspección
Consideremos el siguiente caso:
● Pasan buses por un paradero con tiempos entre evento i.i.d.
Exponencial(λ).
● Un observador quiere estimar el tiempo esperado entre llegada de
buses.
● Para esto se para en un instante t cualquiera.
XN (t)+1
X1 X2 . . . XN (t) t
Z(t) Y (t)
¿Cómo distribuye Y (t)? ¿ Cómo distribuye Z(t)?

¿Cuanto es la esperanza de XN (t)+1 ?
XN (t)+1 = Z(t) + Y (t)

Sabemos que Y (t) ∼ exp(λ). ¿Qué ocurre con Z(t)?
Convención: si N (t) = 0 definamos Z(t) = t. Luego, Z(t) ≤ t.
P(Z(t) > x) = P(N (t) − N (t − x) = 0)

= P(N (x) = 0)
= e−λx
⇒ P(Z(t) ≤ x) = 1 − e−λx (x < t)
Además, sabemos que:

P(Z(t) = t) = P(N (t) = 0) = e−λt
Es decir, Z(t) no se comporta exactamente como una v.a. con
distribución exponencial. ¿Cómo se grafica esto?
1
e−λt
1 − e−λt
Z(t) es una v.a. degenerada.

XN (t)+1 es más grande que un Xi cualquiera.

Intuición:
Si uno se para en un punto cualquiera, es más probable que justo se haya
parado en un intervalo largo entre eventos, es decir, que el tiempo entre el
evento que recién pasó y el que está por ocurrir sea más largo de lo
esperado. Por lo tanto, el promedio de tiempo que uno calcula es siempre
mayor a que si uno lo midiera desde que empieza un evento hasta que
empieza otro.
1 4 1 4 1 4 1 4 1
Llegada al azar
La paradoja también es válida si los tiempos entre eventos son v.a.i.i.d.

pero no exponenciales.

Ejemplo
Consideremos un proceso con tiempos entre eventos Xi tal que:
1 con probabilidad 1/2

Xi = {
4 con probabilidad 1/2
4
P(XN (t)+1 = 4) =
5
1 1
E(Xi ) = 1 ⋅ + 4 ⋅ = 2.5
2 2
4 1
E(XN (t)+1 ) = 4 ⋅ + 1 ⋅ = 3.4
5 5

Extensiones
Outline
1 Proceso de Conteo
4 Extensiones

Extensiones
Proceso Poisson compuesto
Ejemplo:
Llegan grupos de personas a un parque de diversiones y queremos contar
la cantidad de gente que llega al parque.
N (t): Cuenta la cantidad de grupos que llega al parque en [0, t].
Yi : Indica la cantidad de personas que contiene el grupo i
X(t): Número total de personas que llegan al parque entre [0, t]
N (t)
X(t) = ∑ Yi
i=1
¿Qué podemos decir sobre X(t)? ¿Es un Proceso Poisson?

Extensiones
Definición
El proceso de conteo {X(t), t ≥ 0} es un Proceso de Poisson compuesto si
puede representarse como:
N (t)
X(t) = ∑ Yi
i=1
Donde {N (t), t ≥ 0} es un Proceso de Poisson con tasa λ y

{Yi , i = 1, 2, 3 . . . } son v.a. i.i.d. que además son independientes de N (t).

Extensiones

Caracterı́sticas del proceso:
● Posee la propiedades de incrementos independientes.
● Posee la propiedad de incrementos estacionarios.
● No posee la propiedad de orden.
● No existe una fórmula explı́cita para la función de probabilidades de
X(t).
● E[X(t)] = E[Yi ] ⋅ E[N (t)]
Demostración:
∞
E[X(t)] = ∑ E[x(t)∣N (t) = n] ⋅ P(N (t) = n)
n=0
∞
= ∑ n ⋅ E[Yi ] ⋅ P(N (t) = n)
n=0
∞
= E[Yi ] ∑ n ⋅ P(N (t) = n) = E[Yi ] ⋅ E[N (t)]
n=0

Extensiones
Poisson no-homogéneo
Definición
El proceso de conteo {N (t), t ≥ 0} es Proceso de Poisson no homogéneo
con tasa λ(t), t ≥ 0, si:
● N (0) = 0
● El proceso tiene incrementos independientes
● P(N (t + h) − N (t) ≥ 2) = o(h)
P(N (t + h) − N (t) = 1) = λ(t)h + o(h)
Como la tasa de ocurrencia de eventos λ(t) depende del tiempo no se

cumple la propiedad de incrementos estacionarios.

Extensiones
Distribución del proceso
Definamos:
t
m(t) = ∫ λ(s)ds
0
Proposición
Si {N (t), t ≥ 0} es un Proceso Poisson no Homogéneo con tasa λ(t),
entonces se tiene que:
[m(t + s) − m(t)]n
P(N (t + s) − N (t) = n) = e−(m(t+s)−m(t)) n≥0
n!

Extensiones
Tiempos entre eventos
Para el primer tiempo entre evento tenemos que:
P(T1 > t) = P(N (t) = 0) = e−m(t)
¿Es una distribución exponencial? NO

¿Tenemos falta de memoria? Calculemos P(T1 > x + y∣T1 > x)
P(T1 > x + y, T1 > x) P(T1 > x + y)

P(T1 > x + y∣T1 > x) = =
P(T1 > x) P(T1 > x)
e−m(x+y)
= = e−[m(x+y)−m(x)]
e−m(x)
No existe falta de memoria (la probabilidad depende de x e y).

Extensiones
Proceso de Renovación
Definición
Sea {N (t), t ≥ 0} un proceso de conteo y Ti los tiempos entre eventos. Si
las variables aleatorias que componen la secuencia {Ti , i = 1, 2, 3...} son no
negativas, independientes e idénticamente distribuidas, entonces se dice
que el proceso {N (t), t ≥ 0} es un Proceso de Renovación.
● Este proceso es tal que el tiempo hasta que ocurre el primer evento
tiene una distribución F (⋅), el tiempo entre el primer y segundo
evento es independiente del primer tiempo y tiene la misma
distribución F (⋅), y ası́ sucesivamente. Cada vez que ocurre un
evento, el proceso se renueva.
● Un caso particular de este proceso es el Proceso de Poisson (recuerde
que Poisson no solo se renueva cuando ocurre un evento, sino que en
todo momento)

Extensiones
Poisson se renueva Renovación se renueva

en todo instante cada vez que ocurre
un evento

Extensiones
¿Cómo distribuye N (t)?
N (t) ≥ n ⇔ Sn ≤ t
Por lo tanto:
P(N (t) = n) = P(N (t) ≥ n) − P(N (t) ≥ n + 1)
= P(Sn ≤ t) − P(Sn+1 ≤ t)
= P(T1 + T2 + ⋅ ⋅ ⋅ + Tn ≤ t) − P(T1 + T2 + ⋅ ⋅ ⋅ + Tn + Tn+1 ≤ t)
Como las variables T1 , T2 . . . son idénticamente distribuidas e

independientes con distribución F (⋅), entonces Sn = ∑ni=1 Ti tiene
distribución F (n) (⋅), que es la n-ésima convolución de F (⋅) consigo
misma. Entonces:
P(N (t) = n) = F (n) (t) − F (n+1) (t)
Extensiones
Función de valor medio o función de renovación

La función de renovación corresponde al número medio (esperado) de
eventos en [0, t]. Es decir,
m(t) = E(N (t))
Ahora, nos interesa conocer la ecuación de renovación, que es una

ecuación integral satisfecha por la función de renovación. Para obtenerla,
podemos condicionar sobre el tiempo de ocurrencia del primer evento.
∞
m(t) = E(N (t)) = ∫ E(N (t)∣T1 = x) ⋅ f (x)dx
0

Extensiones
Además, usando el argumento de renovación, sabemos que:
1 + E(N (t − x)) si x ≤ t
E(N (t)∣T1 = x) = {
0 si x > t
Por lo tanto:
t
m(t) = ∫ (1 + m(t − x)) ⋅ f (x)dx
0
t
= F (t) + ∫ m(t − x) ⋅ f (x)dx
0
Entonces, la ecuación de renovación es:

t
m(t) = F (t) + ∫ m(t − x) ⋅ f (x)dx
0

Extensiones

Ejercicio
Ejemplo
Considere el proceso {X(t), t > 0} que cuenta la cantidad de productos
vendidos en un almacén. Sea {N (t), t > 0} el Proceso Poisson que cuenta
la cantidad de ventas realizadas y sea Yi la cantidad de productos en cada
venta. Consideremos que con probabilidad p la venta es de un producto y
con probabilidad 1 − p la venta contiene dos productos. Los Yi son
independientes entre sı́ y son independiente del número de ventas que han
ocurrido. Calcule la probabilidad de que en 10 minutos el almacén haya
vendido 5 productos.
Solución: Nos preguntan por:
P(X(10) = 5)
Como X(t) es un Proceso de Poisson Compuesto, tenemos que:
N (t)
X(t) = ∑ Yi
Extensiones

Ejercicio
Ocupando esto tenemos:
∞
P(X(10) = 5) = ∑ P(X(10) = 5∣N (10) = n) ⋅ P(N (10) = n)
n=0
5
= ∑ P(X(10) = 5∣N (10) = n) ⋅ P(N (10) = n)
n=3
5 n
= ∑ P(∑ Yi = 5) ⋅ P(N (10) = n)
n=3 i=1
= P(Y1 + Y2 + Y3 = 5) ⋅ P(N (10) = 3)
+P(Y1 + Y2 + Y3 + Y4 = 5) ⋅ P(N (10) = 4)
+P(Y1 + Y2 + Y3 + Y4 + Y5 = 5) ⋅ P(N (10) = 5)
3 (10λ)3 e−10λ 4 (10λ)4 e−10λ
= ( )p1 (1 − p)2 ⋅ + ( )p3 (1 − p)1 ⋅
1 3! 3 4!
5 (10λ) e 5 −10λ
+( )p5 (1 − p)0 ⋅
Á. Lorca 5 Proceso Poisson5! ICS2123 68 / 74
Extensiones
Ejercicio
Ejemplo
Se desea contar la cantidad de vueltas que un atleta da una pista olı́mpica.
Se pensaba modelar esto como un Proceso Poisson, pero como el atleta se
cansa, cada vez corre más lento y el tiempo entre vueltas aumenta. Por lo
tanto se modeló como un Proceso Poisson no homogéneo con λ(t) = t+1 1
(t en minutos). Se desea calcular:

1 La probabilidad de que en 20 minutos de 4 vueltas a la pista.
2 Si el atleta da 3 vueltas a la pista en los primeros 10 minutos, ¿cuál
es la probabilidad que los próximos 10 minutos complete 2 vueltas?
3 Se sabe que el atleta dio 5 vueltas en los primeros 15 minutos, ¿cuál
es la probabilidad de que haya dado al menos 3 vueltas en los
primeros 10 minutos?
Hint: Ocupe Poisson (sin incrementos estacionarios) y en vez de usar λ,

use m(t), en donde:
Extensiones
Ejercicio
Ejemplo
Un minero se encuentra atrapado en una mina de carbón. Existen 3
puertas que él puede escoger para salvarse. La primera lo conduce por un
túnel que le permite salir a salvo de la mina en 2 horas. La segunda lo
conduce a un túnel que lo lleva de vuelta a la mina después de 3 horas. La
tercera, lo conduce a un túnel que lo lleva de vuelta a la mina después de
5 horas. Asuma que en cada ocasión el minero escoge una de las 3 puertas
al azar. Calcule el tiempo esperado que le toma salir a salvo de la mina.
Solución:
T : Tiempo que se demora en salir.
A: Camino a seguir.
Queremos obtener E(T ).

Extensiones
Ejercicio
E(T ∣A = 1) = 2
E(T ∣A = 2) = 3 + E(T )
E(T ∣A = 3) = 5 + E(T )
Por lo tanto,
3
E(T ) = ∑ E(T ∣A = i)P(A = i)
i=1
1 1 1
= 2⋅ + (3 + E(T )) ⋅ + (5 + E(T )) ⋅
3 3 3
⇒ E(T ) = 10

Ejercicios Propuestos
Problema 1
Una oficina de pagos cuenta con dos encargados que atienden público.
Siempre que haya al menos un encargado libre, un cliente que ingresa será
atendido de inmediato. Se ha podido determinar que el tiempo que
demora la atención de un cliente cualquiera es una variable aleatoria
exponencial con valor esperado 1/β minutos, independiente de cuál
encargado lo atienda. Adicionalmente, no hay dependencia entre los
tiempos de atención de diferentes clientes. Suponga que la oficina está
inicialmente vacı́a y que la llegada de clientes corresponde a un Proceso
Poisson con tasa α, dada en clientes por minuto, independiente de los
tiempos de atención.
1 Determine la probabilidad de que el segundo cliente llegue antes de
que haya concluido la atención del primero.
2 Calcule la probabilidad de que el tercer cliente llegue más de x
minutos después del segundo.
3 Calcule la probabilidad de que al llegar el tercer cliente los dos
primeros clientes aún estén siendo atendidos.
Problema 2
Considere un local de venta de empanadas. Se ha podido determinar que la llegada de
clientes al local puede modelarse adecuadamente como un Proceso de Poisson con tasa
β clientes/hora. Para efecto de modelación, se supondrá que cada cliente quiere
comprar exactamente una empanada (y que nunca se deja de vender empanadas
mientras haya). El local tiene un horario de atención de 9 AM a 7 PM. Se quiere dar
una buena atención por lo que se desearı́a que el número de clientes que llegan en el
horario de atención sea igual a la cantidad de empanadas disponibles para vender
durante el dı́a. Sin embargo, la cantidad total de empanadas disponibles para vender en
el dı́a se debe decidir antes de comenzar la atención de público, no pudiendo modificarse
posteriormente. Suponga que el proceso de llegada de clientes se inicia a las 9 AM, que
no hay clientes esperando la apertura del local antes de las 9 AM y que las llegadas de
clientes después de las 7 PM no se consideran (pues el local ya se encuentra cerrado).
Suponga también que K > 150 es el número de empanadas disponibles para la venta en
el dı́a (K es fijo), que las empanadas sobrantes (si las hubiera) se llevan a otro
establecimiento durante la noche y que cada dı́a el local prepara K nuevas empanadas,
por lo que cada dı́a el número de empanadas para vender es igual a K.
Problema 2
1 Calcule la probabilidad de que faltando una hora para el cierre, ya se

hayan vendido todas las empanadas.
2 Calcule la probabilidad de que llegue al menos un cliente a comprar
una empanada (dentro del horario de atención) y ya se hayan vendido
todas las empanadas.
3 Si se sabe que en un dı́a llegaron exactamente K + 15 clientes durante
el horario de atención, calcule la probabilidad de que la última
empanada se haya vendido antes de las 6:30 PM.

Proceso Poisson

Cargado por

Copyright:

Formatos disponibles

Proceso Poisson

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Proceso Poisson

Cargado por

Copyright:

Formatos disponibles

Pontificia Universidad Católica de Chile

Á. Lorca Proceso Poisson ICS2123 1 / 74

Á. Lorca Proceso Poisson ICS2123 2 / 74

Á. Lorca Proceso Poisson ICS2123 3 / 74

Á. Lorca Proceso Poisson ICS2123 4 / 74

Propiedades de los procesos de conteo

Propiedades de procesos de conteo:

Á. Lorca Proceso Poisson ICS2123 5 / 74

Propiedades de los procesos de conteo

Incrementos Independientes (i.i)

Por lo tanto, el número de eventos en intervalos disjuntos son

Á. Lorca Proceso Poisson ICS2123 6 / 74

Propiedades de los procesos de conteo

Propiedades de los procesos de conteo

1 P (N (15) − N (10) = 0) = 1/2, P (N (20) − N (15) = 0) = 1/2 ⇒

Á. Lorca Proceso Poisson ICS2123 8 / 74

Propiedades de los procesos de conteo

Á. Lorca Proceso Poisson ICS2123 9 / 74

Propiedades de los procesos de conteo

Á. Lorca Proceso Poisson ICS2123 10 / 74

Á. Lorca Proceso Poisson ICS2123 11 / 74

Probabilidad de un Proceso de Poisson

Á. Lorca Proceso Poisson ICS2123 12 / 74

Á. Lorca Proceso Poisson ICS2123 13 / 74

P(N (4) − N (2) = 5, N (3) − N (1)

Á. Lorca Proceso Poisson ICS2123 14 / 74

Á. Lorca Proceso Poisson ICS2123 15 / 74

P(T1 > x) = P(N (x) = 0) = e−λx ⇒ P(T1 < x) = 1 − e−λx ,x ≥ 0

Á. Lorca Proceso Poisson ICS2123 16 / 74

Á. Lorca Proceso Poisson ICS2123 17 / 74

Propiedad de la distribución exponencial .

P(Y > x) = P(T1 > s + x∣T1 > s)

Tiene distribución exponencial! Y no depende de s. Esta propiedad se

Á. Lorca Proceso Poisson ICS2123 19 / 74

Idea de la demostración (ver Kulkarni, 1999, para los detalles):

Calculemos primero P (N (t) = k). Para esto, notemos que

Con esto, podemos demostrar que {N (t), t ≥ 0} cumple la propiedad de orden, de

Por una parte, tenemos que

Por otra parte, tenemos que

P (N (h) ≥ 2) = 1 − P (N (h) ≤ 1) = 1 − e−λh − e−λh λh

Á. Lorca Proceso Poisson ICS2123 22 / 74

Á. Lorca Proceso Poisson ICS2123 24 / 74

E[Wk ] = E[Tk+1 + Tk+2 + ⋅ ⋅ ⋅ + TM ]

Á. Lorca Proceso Poisson ICS2123 25 / 74

P(N (u + s) ≥ M ∣N (u) = n) = P(N (u + s) − N (u) ≥ M − n∣N (u) = n

Á. Lorca Proceso Poisson ICS2123 26 / 74

Distribución del tiempo de ocurrencia del k-ésimo evento

En donde Ti (i = 1, ..., k) corresponde al i-ésimo tiempo entre eventos.

Á. Lorca Proceso Poisson ICS2123 27 / 74

Distribución del tiempo de ocurrencia del k-ésimo evento

Á. Lorca Proceso Poisson ICS2123 28 / 74

Distribución condicional de los tiempos entre eventos

Á. Lorca Proceso Poisson ICS2123 29 / 74

Distribución condicional de los tiempos entre eventos

¿Podremos generalizar este resultado?

Á. Lorca Proceso Poisson ICS2123 30 / 74

Distribución condicional de los tiempos entre eventos

Propiedades de un Proceso Poisson

X(2) = M in({X1 , X2 , ..., Xn } ∖ {X(1) })