You are on page 1of 66

Facultad de Ingeniería

Escuela de Industrias
Ingeniería Civil Industrial

ICI2212 Modelos Estocásticos
Profesor Claudio C. Araya Sassi
Unidad 3: Proceso de Poisson

Agradecimientos al Dr. Pablo Miranda (PUCV)

Curso Período Verano, Enero de 2015

Distribución Exponencial
Definición
Una v.a. continua 𝑋 se dice que posee una distribución exponencial con
parámetro 𝜆, 𝜆 > 0, si su función de densidad de probabilidad (fdp) está dada
por:
−𝜆𝑥 𝑥
≥0 𝑓
𝑥 = 𝜆𝑒
0 𝑥
<0
La función de distribución acumulada (fda) 𝐹(𝑎) de una v.a. exponencial esta
dada por: 𝐹
(𝑎) = 𝑃 𝑋 ≤ 𝑎 𝑎

= 𝜆𝑒

−𝜆𝑥 𝑑𝑥

0 𝑎 𝜆

= − 𝑒 −𝜆𝑥 = − 𝑒 −𝜆𝑥 𝜆

0
= 1 − 𝑒 −𝜆𝑎 𝑎

0 𝑎

≥0

Profesor MSc. Claudio Araya Sassi

2

Distribución Exponencial
Definición 𝒇
𝒙 𝝀 𝝀𝒆

−𝝀𝒙 𝑿 𝟏 𝑬

𝑿 = 𝝀

Profesor MSc. Claudio Araya Sassi

3

𝑣= 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = −𝑒 −𝜆𝑥 𝑑𝑣 = Finalmente. Claudio Araya Sassi 4 . reemplazando y calculando queda: 𝐸 𝑋 = −𝑥 𝑒 −𝜆𝑥 ∞ 0 ∞ + 0 𝑒 −𝜆𝑥 𝑑𝑥 = 1 𝜆 Profesor MSc.Distribución Exponencial Esperanza ∞ 𝐸𝑋 = 𝑥𝑓 𝑥 𝑑𝑥 −∞ ∞ 𝜆𝑥𝑒 −𝜆𝑥 𝑑𝑥 = 0 Integrando por partes: Regla nemotécnica  Una Vaca Vestida De Uniforme Haciendo 𝑢 = 𝑥. 𝑑𝑢 = 𝑑𝑥. 𝑑𝑣 = 𝜆𝑒 −𝜆𝑥 𝑑𝑥 y por lo tanto.

Distribución Exponencial Función generadora de momentos La función generadora de momentos 𝜙(𝑡) de la distribución exponencial está dada por 𝜙 𝑡 = 𝐸 𝑒 𝑡𝑋 ∞ 𝑒 𝑡𝑋 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 0 𝜆 = 𝜆−𝑡 𝑝𝑎𝑟𝑎 𝑡 < 𝜆 Todos los momentos de 𝑋 pueden ahora ser obtenidos diferenciando la ecuación anterior. Claudio Araya Sassi 5 . por ejemplo: 𝑑2 2 𝐸 𝑋 = 2 𝜙(𝑡) 𝑑𝑡 𝑡=0 = 2𝜆 (𝜆 − 𝑡)3 = 𝑡=0 2 𝜆2 Profesor MSc.

Distribución Exponencial Varianza La varianza de la fdp exponencial esta dada por: 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − (𝐸 𝑋 )2 2 1 = 2− 2 𝜆 𝜆 1 = 2 𝜆 Profesor MSc. Claudio Araya Sassi 6 .

si el instrumento esta vivo al tiempo 𝑡. esto es. Claudio Araya Sassi 7 . entonces la ecuación anterior establece que la probabilidad que el instrumento viva por al menos 𝑠 + 𝑡 horas dado que ha sobrevivido 𝑡 horas es la misma que la probabilidad inicial que viva por al menos 𝑠 horas.a. el instrumento no recuerda que ya ha estado en uso por un tiempo 𝑡. Profesor MSc. En otras palabras. 𝑡 ≥ 0 Si pensamos que 𝑋 es el tiempo de vida de algún instrumento.Distribución Exponencial Propiedades Una v. entonces la distribución de la cantidad remanente de tiempo que sobrevive es la misma que la distribución del tiempo de vida original. 𝑋 se dice que es sin memoria si 𝑃 𝑋 >𝑠+𝑡 𝑋 >𝑡 =𝑃 𝑋 >𝑠 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑠.

𝑋 > 𝑡 =𝑃 𝑋>𝑠 𝑃 𝑋>𝑡 o 𝑃 𝑋 >𝑠+𝑡 =𝑃 𝑋 >𝑠 𝑃 𝑋 >𝑡 Puesto que la última ecuación es satisfecha cuando 𝑋 está distribuida exponencialmente (para 𝑒 −𝜆(𝑠+𝑡) = 𝑒 −𝜆𝑠 𝑒 −𝜆𝑡 ). Profesor MSc. Claudio Araya Sassi 8 . sigue que las variables aleatorias distribuidas exponencialmente son sin memoria.Distribución Exponencial Propiedades La condición en la ecuación anterior es equivalente a 𝑃 𝑋 > 𝑠 + 𝑡.

a) ¿Cuál es la probabilidad que una cliente gastará más de 15 minutos en el banco?. b) ¿Cuál es la probabilidad que una cliente gastará más de 15 minutos en el banco dado que ella está aún en el banco después de 10 minutos?. esto es.Distribución Exponencial Ejemplo Suponga que la cantidad de tiempo que uno gasta en un banco está exponencialmente distribuido con media 10 minutos. entonces la primera probabilidad es sólo 𝑃 𝑋 > 15 = 𝑒 −15𝜆 = 𝑒 −3/2 ≈ 0. Claudio Araya Sassi 9 .604 Profesor MSc.22 b) 𝑃 𝑋 > 5 = 𝑒 −5𝜆 = 𝑒 −1/2 ≈ 0. 𝜆 = 1/10. Solución a) Si 𝑋 representa la cantidad de tiempo que la cliente gasta en el banco.

Claudio Araya Sassi 10 .Procesos de Conteo Un proceso estocástico 𝑵 𝒕 . 𝑡 ≥ 0 es un proceso de conteo. entonces 𝑁 𝑡 . Profesor MSc. entonces 𝑁 𝑡 . 𝒕 ≥ 𝟎 se dice que es un proceso de conteo si 𝑁 𝑡 representa el número total de “eventos” que ocurren hasta el tiempo 𝑡. b) Si decimos que un evento ocurre cada vez que un niño nace. Note que si hiciéramos 𝑁 𝑡 = número de personas en la tienda en el tiempo 𝑡. 𝑡 ≥ 0 es un proceso de conteo cuando 𝑁 𝑡 es igual al número total de personas que nacieron hasta el tiempo 𝑡. c) Si 𝑁 𝑡 = número de goles que un jugador de fútbol dado marca hasta el tiempo 𝑡. Un evento de este proceso ocurrirá cada vez que el jugador de fútbol marque un gol. Ejemplos: a) Si 𝑁 𝑡 = número de personas que entran a una tienda en particular en o previo al tiempo 𝑡. 𝑡 ≥ 0 no sería un proceso de conteo (¿por qué no?). 𝑡 ≥ 0 es un proceso de conteo en el cual un evento corresponde a una persona que entra en la tienda. entonces 𝑁 𝑡 . entonces 𝑁 𝑡 .

Profesor MSc. ii. Es decir.Procesos de Conteo Por lo tanto. 𝑁 𝑡 es un proceso no decreciente en el tiempo i. 𝑁 𝑡 es un número entero. 𝑁 𝑡 ≥ 0. Si 𝑠 < 𝑡. Para 𝑠 < 𝑡. 𝑡 ≥ 0 debe satisfacer: i. 𝑡]. entonces 𝑁 𝑠 ≤ 𝑁 𝑡 . iii. un proceso de conteo 𝑁 𝑡 . Claudio Araya Sassi 11 . 𝑁 𝑡 − 𝑁 𝑠 es igual al número de eventos que ocurren en el intervalo (𝑠.

Claudio Araya Sassi 12 . para todo 𝑡 > 0. una realización posible del proceso estocástico 𝑁 𝑡 . 𝑡 ≥ 0 puede ser: Nt 6 Número de llamadas 5 4 3 2 1 0 Tiempo Profesor MSc. 𝑁 𝑡 denota el número total de llamadas recibidas en una central telefónica hasta el instante 𝑡.Procesos de Conteo Si por ejemplo.

Claudio Araya Sassi 13 . 𝑁 15 − 𝑁 10 ). Profesor MSc.  Ejemplo: • El número de eventos que ocurren hasta el tiempo 10 (esto es.Procesos de Conteo Proceso de conteo con Incrementos Independientes  Un proceso de conteo 𝑁 𝑡 . 𝑁 10 ) debe ser independiente del número de eventos que ocurren entre los tiempos 10 y 15 (esto es. 𝑡 ≥ 0 posee incrementos independientes si el número de eventos que ocurren en intervalos de tiempo disjuntos son independientes.

No debería ser justificado si creyéramos que esta en “alza” o tiene un “bajón”. Profesor MSc. Ejemplo c) debería ser justificado si creyéramos que las oportunidades del jugador de fútbol de anotar un gol hoy no dependen de “cómo le está yendo”. Ejemplo a)  razonable ii. Ejemplo b)  Cuando 𝑵 𝒕 ≈ muy grande ⇒ existe mucha gente viva en el tiempo 𝑡 ⇓ (N° nuevos nacimientos entre el tiempo 𝑡 y el tiempo 𝑡 + 𝑠) ≈ grande ⇓ No parece razonable que 𝑁 𝑡 sea independiente de 𝑁 𝑡 + 𝑠 − 𝑁 𝑡 ⇓ 𝑁 𝑡 . b) y c) ? i. 𝑡 ≥ 0 no posee incrementos independientes en el ejemplo b) iii. Claudio Araya Sassi 14 .Procesos de Conteo ¿El supuesto de incrementos independientes es razonable para los ejemplos anteriores a).

 No depende de la ubicación exacta del intervalo en el tiempo. 𝑡2 ] (esto es. el proceso tiene incrementos estacionarios si: • El número de eventos en el intervalo (𝑡1 + 𝑠. 𝑁 𝑡2 − 𝑁(𝑡1 )) para todo 𝑡1 < 𝑡2 . y 𝑠 > 0. 𝑡2 +𝑠] (esto es. 𝑡 ≥ 0 posee Incrementos Estacionarios si:  La distribución del número de eventos que ocurren en cualquier intervalo de tiempo depende sólo de la longitud del intervalo de tiempo.Procesos de Conteo Proceso de conteo con Incrementos Estacionarios Un proceso de conteo 𝑁 𝑡 .  Esta distribución no depende del instante en que este intervalo comience o termine. Profesor MSc.  En otras palabras. 𝑁 𝑡2 + 𝑠 − 𝑁(𝑡1 + 𝑠)) tiene la misma distribución que el número de eventos en el intervalo (𝑡1 . Claudio Araya Sassi 15 .

𝑡2 +𝑠 ≅ 𝑁 𝑡1 . 𝑡2  El proceso es estable a lo largo del tiempo (distribuciones) Profesor MSc. Claudio Araya Sassi 16 .Procesos de Conteo Proceso de conteo con Incrementos Estacionarios  𝑁 𝑡1 + 𝑠.

Esto es. 𝑁 0 = 0. iii. para todo 𝑠. ii. El número de eventos en cualquier intervalo de longitud 𝑡 esta distribuido Poisson con media 𝜆𝑡. 𝟏. El proceso posee incrementos independientes. 𝜆 > 0. Profesor MSc. 𝒏! 𝒏 = 𝟎. Claudio Araya Sassi 17 . 𝑡 ≥ 0 se dice que es un Proceso de Poisson con tasa 𝜆.Definición de Proceso de Poisson Definición I de Proceso de Poisson El proceso de conteo 𝑁 𝑡 . 𝑡 ≥ 0 𝑷 𝑵 𝒔+𝒕 −𝑵 𝒔 =𝒏 = 𝒆−𝝀𝒕 𝝀𝒕 𝒏 . … Note que sigue desde la condición (iii) que un proceso Poisson posee incrementos estacionarios y también que: 𝐸𝑁 𝑡 = 𝜆𝑡 Que explica por qué 𝜆 es llamada la tasa del proceso. si: i.

Claudio Araya Sassi 18 . 𝑓(ℎ) se va a cero más rápido que ℎ. La función 𝑓 𝑥 = 𝑥 2 es 𝑜(ℎ) puesto que 𝑓 ℎ ℎ2 lim = lim = lim ℎ = 0 ℎ→0 ℎ ℎ→0 ℎ ℎ→0 ii. Ejemplo 1 i.Definición de Proceso de Poisson Definición La función 𝑓 ∙ se dice que es 𝑜 ℎ (función cero) si 𝑓 ℎ =0 ℎ→0 ℎ lim En otras palabras. La función 𝑓 𝑥 = 𝑥 no es 𝑜(ℎ) puesto que 𝑓 ℎ ℎ lim = lim = lim 1 = 1 ≠ 0 ℎ→0 ℎ ℎ→0 ℎ ℎ→0 Profesor MSc.

Si 𝑓 ∙ es 𝑜(ℎ). Si 𝑓 ∙ es 𝑜(ℎ) y g ∙ es 𝑜(ℎ). Esto se deduce puesto que 𝑐𝑓 ℎ 𝑓(ℎ) = 𝑐lim =𝑐∙0=0 ℎ→0 ℎ ℎ→0 ℎ lim v.Definición de Proceso de Poisson Ejemplo 1 iii. Esto se deduce puesto que 𝑓 ℎ + 𝑔(ℎ) 𝑓(ℎ) 𝑔(ℎ) = lim + lim =0+0=0 ℎ→0 ℎ→0 ℎ ℎ→0 ℎ ℎ lim iv. Claudio Araya Sassi 19 . Desde (iii) y (iv) se deduce que cualquier combinación lineal de funciones. cada una de las cuales es 𝑜(ℎ). entonces también lo es g ∙ = 𝑐𝑓 ∙ . es 𝑜(ℎ). Profesor MSc. entonces también lo es 𝑓 ∙ + g ∙ .

𝑁 0 = 0.  … las llegadas u ocurrencias se generan “uno a uno”  … la probabilidad de que ocurra más de un evento en un intervalo de tiempo pequeño es despreciable comparado con la probabilidad de que ocurra sólo uno. la probabilidad de que ocurra un evento está dominada por un término lineal con h (con λ la tasa promedio de llegadas o de ocurrencias). 𝜆 > 0. Propiedad de orden: Se asume que 𝑃 𝑁 ℎ = 1 = 𝜆ℎ + 𝑜 ℎ no tiene lugar de manera simultánea 𝑃 𝑁 ℎ ≥ 2 = 𝑜(ℎ) la llegada u ocurrencia de dos o más eventos. ii. Profesor MSc. iii. iv. El proceso posee incrementos estacionario e independientes.Definición de Proceso de Poisson Definición II de Proceso de Poisson El proceso de conteo 𝑁 𝑡 . Claudio Araya Sassi 20 .  … para intervalos de tiempo pequeños. 𝑡 ≥ 0 se dice que es un Proceso de Poisson con tasa 𝜆. si: i.

de parámetro α . entonces el proceso es denominado un Proceso Poisson. t ≥0} posee incrementos independientes. Se puede demostrar que: Recordemos que si una variable aleatoria posee una distribución Poisson. incrementos estacionarios y la propiedad de orden (con una constante o tasa λ).Propiedades Proceso Poisson Si un proceso de conteo {N(t). Claudio Araya Sassi 21 . entonces satisface: Profesor MSc.

Claudio Araya Sassi 22 .Propiedades Proceso Poisson Profesor MSc.

Ejemplo Proceso Poisson Sea un sistema bancario con un proceso de llegadas que cumplen la propiedad de incrementos independientes y la propiedad de orden. • Entre 9:00 y 10:30 de la mañana llegan en promedio 200 personas por hora. Claudio Araya Sassi 23 . • Entre 10:30 y 12:30 llegan 100 personas por hora. • ¿podemos modelar el proceso de llegada como un Proceso Poisson? Profesor MSc. • Entre 12:30 y 14:00 llegan 300 personas por hora.

Ejemplo Proceso Poisson

Profesor MSc. Claudio Araya Sassi

24

Ejemplo Proceso Poisson

Profesor MSc. Claudio Araya Sassi

25

Distribuciones de Tiempo entre Llegadas y Espera
6
Número
de
eventos

Nt

5
4
3
2

1
0
T1

T2

T4

T3

T5

Tiempo (t)

S1
S2
S3
S4
S4
Profesor MSc. Claudio Araya Sassi

26

2.  Por ejemplo. para 𝑛 > 1. si 𝑇1 = 5 y 𝑇2 = 10. y sea el tiempo del primer evento 𝑇1 .  La secuencia 𝑇𝑛 .  Además. … es llamada la secuencia de tiempos entre llegadas.Distribuciones de Tiempo entre Llegadas  Considere un proceso de Poisson. 𝑛 = 1. entonces el primer evento del proceso de Poisson habría ocurrido en el tiempo 5 y el segundo en el tiempo 15. Claudio Araya Sassi 27 . sea 𝑇𝑛 el lapso de tiempo entre el 𝑛 − 1 − é𝑠𝑖𝑚𝑜 y el 𝑛 − é𝑠𝑖𝑚𝑜 evento. Profesor MSc.

Distribuciones de Tiempo entre Llegadas  Queremos determinar ahora la distribución de 𝑇𝑛 . Claudio Araya Sassi 28 . 𝑠 + 𝑡] 𝑇1 = 𝑠 = 𝑃 0 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 (𝑠.  Para realizar esto. 𝑇1 tiene una distribución exponencial con media 1/𝜆. 𝑠 + 𝑡] Incrementos independientes = 𝑒 −𝜆𝑡 Incrementos estacionarios  Por lo tanto. 𝑡] y así. 𝑃 𝑇2 > 𝑡 𝑇1 = 𝑠 = 𝑃 0 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑒𝑛 (𝑠. además. 𝑃 𝑇2 > 𝑡 = 𝐸 𝑃 𝑇2 > 𝑡 𝑇1  Sin embargo. Profesor MSc. primero notamos que el evento 𝑇1 > 𝑡 toma lugar si y solo si ningún evento del proceso de Poisson ocurre en el intervalo [0. que 𝑇2 es independiente de 𝑇1 . concluimos que 𝑇2 es también una variable aleatoria exponencial con media 1/𝜆 y. 𝑛 0 𝜆𝑡 𝜆𝑡 𝑃 𝑇1 > 𝑡 = 𝑃 𝑁 𝑡 = 0 = 𝑒 −𝜆𝑡 = 𝑒 −𝜆𝑡 = 𝑒 −𝜆𝑡 𝑛! 0!  Por lo tanto. Ahora.

Distribuciones de Tiempo entre Llegadas Proposición  𝑇𝑛 . el tiempo entre dos eventos consecutivos posee la misma distribución que el tiempo hasta que ocurre el primer evento. Profesor MSc. El proceso no tiene memoria. dada la pérdida de memoria (incrementos independientes). Claudio Araya Sassi 29 .  Intuitivamente. … … son variables aleatorias continuas exponencial independientes e idénticamente distribuidas con media 1/𝜆. 2. 𝑛 = 1.

𝑻𝟏 𝒕 𝒔 𝒀 𝑃 𝑌 > 𝑡 = 𝑃 𝑇1 > 𝑠 + 𝑡 / 𝑇1 > 𝑠 𝑃 𝑇1 > 𝑠 ∧ 𝑇1 > 𝑠 + 𝑡 𝑃 𝑇1 > 𝑠 + 𝑡 = = 𝑃 𝑇1 > 𝑠 𝑃 𝑇1 > 𝑠 𝑒 −𝜆(𝑠+𝑡) −𝜆𝑡 = = 𝑒 𝑒 −𝜆𝑠 Profesor MSc.Distribuciones de Tiempo entre Llegadas Ejemplo 2 Supongamos que 𝑁(𝑡) es un proceso de Poisson que cuenta el número de veces que se ha remplazado la ampolleta de cierta lámpara. Si la primera ampolleta que se instaló en la lámpara lleva 𝑠 unidades de tiempo funcionando correctamente. Claudio Araya Sassi 30 . ¿Cuánto tiempo más funcionará correctamente la ampolleta? Sea Y esta variable aleatoria.

Distribuciones de Tiempo entre Llegadas Ejemplo 2 La probabilidad de que la ampolleta falle en las próximas 𝑑𝑠 unidades de tiempo es: 𝑃 𝑠 < 𝑇1 ≤ 𝑠 + 𝑑𝑠 𝑃 𝑇1 ≤ 𝑠 + 𝑑𝑠 / 𝑇1 > 𝑠 = 𝑃 𝑇1 > 𝑠 𝜆𝑒 −𝜆𝑠 𝑑𝑠 = = 𝜆𝑑𝑠 𝑒 −𝜆𝑠 En general. y asumimos que tiene una función de distribución acumulada (fda) de 𝐹 y función de densidad de probabilidad (fdp) 𝑓. que mide la vida de un cierto sistema.a. la probabilidad de que falle en las próximas 𝑑𝑠 unidades de tiempo es: 𝑓 𝑠 𝑑𝑡 1 − 𝐹(𝑠) Profesor MSc. si 𝑇1 es una v. Claudio Araya Sassi 31 .

con 𝑓𝑑𝑝 𝑓 y 𝑓𝑑𝑎 𝐹 se define la tasa de falla 𝒓(𝒕) como: 𝑟 𝑡 = 𝑓 𝑡 1 − 𝐹(𝑡) En el caso de la distribución exponencial 𝑟 𝑡 = 𝜆 = 𝑐𝑡𝑒.  Casos en que la tasa es variable  Proceso con desgaste o envejecimiento: tasa de falla creciente (Ejemplos)  Proceso de aprendizaje: tasa de falla será decreciente (Ejemplos)  ¿Existen casos en que puede ser decreciente en un cierto rango y creciente en otros? Profesor MSc.Tasas de Falla Definición Para una v. 𝑋 (que mide la vida de un sistema).a. Claudio Araya Sassi 32 .

Tasas de Falla Si la tasa de fallas durante la infancia y la vejez del equipo pueden ser aproximada por funciones lineales. y constante durante la madurez:  1  bt     (t )     c(t  t  t )  b u Donde: tb  para 0  t  tb para tb  t  tu para t  tb  tu a b c  tan  Profesor MSc. Claudio Araya Sassi 33 .

 . t  0 La función tasa de falla es: r (t )   t  1 Casos: 1.   0. 𝛼>1 ⇒𝑟 𝑡 ⇒ 𝑐𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒 3. 0<𝛼<1 ⇒𝑟 𝑡 ⇒ 𝑑𝑒𝑐𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒 Profesor MSc.Tasas de Falla Analizar la evolución de la tasa de falla permite identificar la distribución a considerar para un proceso específico. Por ejemplo veamos la distribución Weibull (una generalización de la exponencial): f (t )   t  1e  t  . Claudio Araya Sassi 34 . 𝛼 = 1 ⇒ 𝑟 𝑡 = 𝜆 ⇒ 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 ⟹ tasa de falla función exponencial 2.

5 3.5 1. Claudio Araya Sassi 7 8 9 35 .5 0.Tasas de Falla Función tasa de falla para la Distribución Weibull con 𝜆 = 1.0 1.0 3.0 0.5 2. 4.0 Tasa de falla 2.0 0 1 2 3 4 5 Tiempo 6 Profesor MSc.

9 0. 0.6 n=𝟒 0.Tasas de Falla Función tasa de falla para la Distribución Gamma con 𝜆 = 1.1 0.7 Tasa de falla 0.5 0.8 n=𝟑 0. Claudio Araya Sassi 7 8 36 .0 0 1 2 3 4 5 Tiempo 6 Profesor MSc.2 0.3 0.4 0.

 Esto es. exponenciales que 𝑆𝑛 posee una distribución gamma con parámetros 𝑛 y 𝜆. n≥1 𝑖=1  Y por lo tanto.Distribuciones de Tiempos de Arribo o Espera  𝑆𝑛 . Se puede ver que 𝑛 𝑆𝑛 = 𝑇𝑖 . 𝑛−1 ! 𝑡≥0 Profesor MSc. 2. se deduce de la proposición anterior y de la suma de v. la densidad de probabilidad de 𝑆𝑛 esta dada por 𝑓𝑠𝑛 𝑡 = 𝜆𝑒 −𝜆𝑡 (𝜆𝑡)𝑛−1 . también llamado tiempo de espera hasta el 𝑛 − é𝑠𝑖𝑚𝑜 evento. Claudio Araya Sassi 37 .a. … … es el tiempo de arribo del 𝑛 − é𝑠𝑖𝑚𝑜 evento. 𝑛 = 1.

⟺ 𝑆𝑛 ≤ 𝑡  Por lo tanto. ∞ 𝐹𝑆𝑛 𝑡 = 𝑃 𝑆𝑛 ≤ 𝑡 = 𝑃 𝑁(𝑡) ≥ 𝑛 = 𝑗=𝑛  Lo cual. diferenciando produce ∞ 𝑓𝑆𝑛 𝑡 = − 𝑗=𝑛 = 𝜆𝑒 −𝜆𝑡 = 𝜆𝑒 −𝜆𝑡 𝑗 (𝜆𝑡) 𝜆𝑒 −𝜆𝑡 + 𝑗! (𝜆𝑡)𝑛−1 𝑛−1 ! 𝑒 −𝜆𝑡 ∞ 𝑗=𝑛 𝑗−1 (𝜆𝑡) 𝜆𝑒 −𝜆𝑡 𝑗−1 ! ∞ 𝜆𝑒 −𝜆𝑡 + 𝑗=𝑛+1 (𝜆𝑡)𝑗 𝑗! (𝜆𝑡)𝑗−1 𝑗−1 ! ∞ 𝜆𝑒 −𝜆𝑡 − 𝑗=𝑛 (𝜆𝑡)𝑗 𝑗! (𝜆𝑡)𝑛−1 𝑛−1 ! Profesor MSc.Distribuciones de Tiempos de Arribo o Espera  La ecuación anterior puede también ser derivada notando que el 𝑛 − é𝑠𝑖𝑚𝑜 evento ocurrirá previo a o en el tiempo 𝑡 si y sólo si el número de eventos que ocurren hasta el tiempo 𝑡 son al menos 𝑛. Claudio Araya Sassi 38 . 𝑁 𝑡 ≥𝑛  Esto es.

Distribuciones de Tiempos de Arribo o Espera Ejemplo 3 Suponga que gente que inmigra dentro de un territorio a una tasa Poisson 𝜆 = 1 por día. Claudio Araya Sassi 39 . Profesor MSc.133. a) ¿Cuál es el tiempo esperado hasta que el décimo inmigrante llegue? b) ¿Cuál es la probabilidad que el lapso de tiempo entre el décimo y el undécimo arribo exceda los dos días? Solución a) 𝐸 𝑆10 = 10 𝜆 = 10 𝑑í𝑎𝑠 b) 𝑃 𝑇11 > 2 = 𝑒 −2𝜆 = 𝑒 −2 ≈ 0.

𝑁𝑘 𝑡 . cada uno de estos procesos cuenta el número de eventos del tipo 𝑖 que ocurren hasta el tiempo t. 𝑖 = 1. 2. … . 𝑁2 𝑡 . . ⋮ ⋮ Profesor MSc. Si definimos un nuevo proceso de conteo 𝑁 𝑡 = 𝑁1 𝑡 + 𝑁2 𝑡 + ⋯ + 𝑁𝑘 𝑡 . … . 𝑘. Claudio Araya Sassi 40 . este proceso también es Poisson a tasa 𝜆 = (𝜆1 +𝜆2 + ⋯ + 𝜆𝑘 ) y contará el número de eventos de cualquier tipo que ocurre hasta el tiempo t.Otras propiedades de los Procesos de Poisson Propiedad de Agregación Sea 𝑁1 𝑡 . procesos de Poisson independientes a tasas 𝜆𝑖 .

𝑁𝑘 𝑡 . Con probabilidad 𝑝𝑖 el evento es del tipo 𝑖. 2. . 𝑖 = 1. … . Claudio Araya Sassi 𝑝2 𝑝𝑘 41 . podemos rápidamente deducir que: 𝜆𝑖 𝑝𝑖 = 𝜆1 + 𝜆2 + ⋯ + 𝜆𝑘 𝑝1 ⋮ ⋮ Profesor MSc. 𝑘. 2. De las propiedades de agregación y desagregación. … . … .Otras propiedades de los Procesos de Poisson Propiedad de Desagregación Sea 𝑁(𝑡) un proceso de Poisson a tasa 𝜆 tal que los eventos pueden clasificarse en k categorías mutuamente excluyentes. 𝑁2 𝑡 . 𝑘 y contará el número de eventos del tipo 𝑖 que ocurren hasta el tiempo t. A partir del proceso 𝑁 𝑡 se pueden definir 𝑘 procesos 𝑁1 𝑡 . de modo tal que: 𝑘𝑖=1 𝑝𝑖 = 1. cada uno de estos procesos es también Poisson a tasa 𝜆𝑖 = 𝜆𝑝𝑖 . 𝑖 = 1.

 Se asume que cada producto se asigna a alguna de las dos máquinas de acuerdo a estas probabilidades y en forma independiente de los demás productos. Profesor MSc.  Los productos llegan a esta etapa de acuerdo a un proceso de Poisson a tasa 𝜆. un producto con probabilidad 𝑝 se va a la máquina 1 y con probabilidad 1 − 𝑝 se va a la máquina 2.Descomposición de Procesos de Poisson  Supongamos que una etapa de un proceso productivo está constituida por dos máquinas en paralelo. Claudio Araya Sassi 42 .  𝑁1 (𝑡) y 𝑁2 (𝑡) la llegada de productos a la máquina 1 y a la máquina 2 respectivamente.  Sea 𝑁(𝑡) el proceso de conteo de las llegadas de productos al sistema.  Al llegar.

Claudio Araya Sassi 43 .Descomposición de Procesos de Poisson Profesor MSc.

Descomposición de Procesos de Poisson  Nos interesa caracterizar los procesos estocásticos 𝑁1 (𝑡) y 𝑁2 𝑡  ¿Cómo son los procesos N1(t) y N2(t)?  ¿Qué distribución posee cada proceso? MÁQUINA 1 𝑝 1-𝑝 MÁQUINA 2 Profesor MSc. Claudio Araya Sassi 44 .

Claudio Araya Sassi 45 . 𝑛 𝑃 𝑁1 𝑡 = 𝑗 / 𝑁 𝑡 = 𝑛 = 𝑗 𝑝 𝑗 (1 − 𝑝)𝑛−𝑗 Profesor MSc.Descomposición de Procesos de Poisson Proposición 𝑒 −𝜆𝑝𝑡 (𝜆𝑝𝑡)𝑗 𝑃 𝑁1 𝑡 = 𝑗 = 𝑗! Para demostrar esta proposición condicionemos en 𝑁(𝑡): ∞ 𝑃 𝑁1 𝑡 = 𝑗 = 𝑃 𝑁1 𝑡 = 𝑗 / 𝑁 𝑡 = 𝑛 𝑃 𝑁 𝑡 = 𝑛 𝑛=𝑗 La probabilidad de que 𝑗 de ellos se hayan asignado a la máquina 1 corresponde a una distribución binomial.

Suma de Procesos Poisson Profesor MSc. Claudio Araya Sassi 46 .

Claudio Araya Sassi 47 .Distribución Condicional de Tiempos entre Eventos Profesor MSc.

Claudio Araya Sassi 48 .Distribución Condicional de Tiempos entre Eventos Profesor MSc.

Distribución Condicional de Tiempos entre Eventos Profesor MSc. Claudio Araya Sassi 49 .

Claudio Araya Sassi 50 .Distribución Condicional de Tiempos entre Eventos Profesor MSc.

Distribución Condicional de Tiempos entre Eventos Profesor MSc. Claudio Araya Sassi 51 .

Claudio Araya Sassi 52 .Distribución Condicional de Tiempos entre Eventos Profesor MSc.

Distribución Condicional de Tiempos entre Eventos Profesor MSc. Claudio Araya Sassi 53 .

Ejemplos Profesor MSc. Claudio Araya Sassi 54 .

Claudio Araya Sassi 55 .Distribución Condicional de Tiempos entre Eventos Profesor MSc.

Claudio Araya Sassi 56 .Distribución Condicional de Tiempos entre Eventos Profesor MSc.

Distribución Condicional de Tiempos entre Eventos Profesor MSc. Claudio Araya Sassi 57 .

Claudio Araya Sassi 58 .Distribución Condicional de Tiempos entre Eventos Profesor MSc.

Extensiones del Proceso Poisson Profesor MSc. Claudio Araya Sassi 59 .

Extensiones del Proceso Poisson Profesor MSc. Claudio Araya Sassi 60 .

Claudio Araya Sassi 61 .Extensiones del Proceso Poisson Profesor MSc.

Extensiones del Proceso Poisson Profesor MSc. Claudio Araya Sassi 62 .

Extensiones del Proceso Poisson Profesor MSc. Claudio Araya Sassi 63 .

Extensiones del Proceso Poisson Profesor MSc. Claudio Araya Sassi 64 .

Extensiones del Proceso Poisson Profesor MSc. Claudio Araya Sassi 65 .

Extensiones del Proceso Poisson Profesor MSc. Claudio Araya Sassi 66 .