You are on page 1of 66

Facultad de Ingeniera

Escuela de Industrias
Ingeniera Civil Industrial

ICI2212 Modelos Estocsticos


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

Agradecimientos al Dr. Pablo Miranda (PUCV)

Curso Perodo Verano, Enero de 2015

Distribucin Exponencial
Definicin
Una v.a. continua se dice que posee una distribucin exponencial con
parmetro , > 0, si su funcin de densidad de probabilidad (fdp) est dada
por:

0
=
0
<0
La funcin de distribucin acumulada (fda) () de una v.a. exponencial esta
dada por:
() =

= =

0
= 1

Profesor MSc. Claudio Araya Sassi

Distribucin Exponencial
Definicin

Profesor MSc. Claudio Araya Sassi

Distribucin Exponencial
Esperanza

=
0

Integrando por partes: Regla nemotcnica Una Vaca Vestida De Uniforme


Haciendo = , = y por lo tanto,
= ,

Finalmente, reemplazando y calculando queda:


=

+
0

Profesor MSc. Claudio Araya Sassi

Distribucin Exponencial
Funcin generadora de momentos
La funcin generadora de momentos () de la distribucin exponencial est dada por
=

=
0

<

Todos los momentos de pueden ahora ser obtenidos diferenciando la ecuacin


anterior, por ejemplo:
2
2
= 2 ()

=0
=

2
( )3

=
=0

2
2

Profesor MSc. Claudio Araya Sassi

Distribucin Exponencial
Varianza
La varianza de la fdp exponencial esta dada por:
= 2 ( )2
2
1
= 2 2

1
= 2

Profesor MSc. Claudio Araya Sassi

Distribucin Exponencial
Propiedades

Una v.a. se dice que es sin memoria si


>+ > = >

, 0

Si pensamos que es el tiempo de vida de algn instrumento, entonces la


ecuacin anterior establece que la probabilidad que el instrumento viva por
al menos + horas dado que ha sobrevivido horas es la misma que la
probabilidad inicial que viva por al menos horas.
En otras palabras, si el instrumento esta vivo al tiempo , entonces la
distribucin de la cantidad remanente de tiempo que sobrevive es la misma
que la distribucin del tiempo de vida original; esto es, el instrumento no
recuerda que ya ha estado en uso por un tiempo .

Profesor MSc. Claudio Araya Sassi

Distribucin Exponencial
Propiedades

La condicin en la ecuacin anterior es equivalente a


> + , >
= >
>
o

>+ = > >

Puesto que la ltima ecuacin es satisfecha cuando est distribuida


exponencialmente (para (+) = ), sigue que las variables
aleatorias distribuidas exponencialmente son sin memoria.

Profesor MSc. Claudio Araya Sassi

Distribucin Exponencial
Ejemplo
Suponga que la cantidad de tiempo que uno gasta en un banco est
exponencialmente distribuido con media 10 minutos, esto es, = 1/10.
a) Cul es la probabilidad que una cliente gastar ms de 15 minutos en el banco?.

b) Cul es la probabilidad que una cliente gastar ms de 15 minutos en el banco


dado que ella est an en el banco despus de 10 minutos?.
Solucin
a) Si representa la cantidad de tiempo que la cliente gasta en el banco, entonces
la primera probabilidad es slo
> 15 = 15 = 3/2 0,22
b)
> 5 = 5 = 1/2 0,604
Profesor MSc. Claudio Araya Sassi

Procesos de Conteo
Un proceso estocstico , se dice que es un proceso de conteo si
representa el nmero total de eventos que ocurren hasta el tiempo .
Ejemplos:
a) Si = nmero de personas que entran a una tienda en particular en o
previo al tiempo , entonces , 0 es un proceso de conteo en el cual
un evento corresponde a una persona que entra en la tienda. Note que si
hiciramos = nmero de personas en la tienda en el tiempo , entonces
, 0 no sera un proceso de conteo (por qu no?).
b) Si decimos que un evento ocurre cada vez que un nio nace, entonces
, 0 es un proceso de conteo cuando es igual al nmero total
de personas que nacieron hasta el tiempo .
c) Si = nmero de goles que un jugador de ftbol dado marca hasta el
tiempo , entonces , 0 es un proceso de conteo. Un evento de este
proceso ocurrir cada vez que el jugador de ftbol marque un gol.
Profesor MSc. Claudio Araya Sassi

10

Procesos de Conteo
Por lo tanto, un proceso de conteo , 0 debe satisfacer:

i.

0.

ii.

es un nmero entero.

iii. Si < , entonces .


Es decir, es un proceso no decreciente en el tiempo

i.

Para < , es igual al nmero de eventos que ocurren en el


intervalo (, ].

Profesor MSc. Claudio Araya Sassi

11

Procesos de Conteo
Si por ejemplo, denota el nmero total de llamadas recibidas en una central
telefnica hasta el instante , para todo > 0, una realizacin posible del proceso
estocstico , 0 puede ser:

Nt

Nmero
de
llamadas

5
4
3
2
1
0

Tiempo

Profesor MSc. Claudio Araya Sassi

12

Procesos de Conteo
Proceso de conteo con Incrementos Independientes
Un proceso de conteo , 0 posee incrementos independientes si el
nmero de eventos que ocurren en intervalos de tiempo disjuntos son
independientes.

Ejemplo:
El nmero de eventos que ocurren hasta el tiempo 10 (esto es, 10 )
debe ser independiente del nmero de eventos que ocurren entre los
tiempos 10 y 15 (esto es, 15 10 ).
Profesor MSc. Claudio Araya Sassi

13

Procesos de Conteo
El supuesto de incrementos independientes es razonable para los ejemplos
anteriores a), b) y c) ?
i.

Ejemplo a) razonable

ii.

Ejemplo b)
Cuando muy grande existe mucha gente viva en el tiempo

(N nuevos nacimientos entre el tiempo y el tiempo + ) grande

No parece razonable que sea independiente de +

, 0 no posee incrementos independientes en el ejemplo b)

iii. Ejemplo c) debera ser justificado si creyramos que las oportunidades del jugador
de ftbol de anotar un gol hoy no dependen de cmo le est yendo. No debera
ser justificado si creyramos que esta en alza o tiene un bajn.
Profesor MSc. Claudio Araya Sassi

14

Procesos de Conteo
Proceso de conteo con Incrementos Estacionarios
Un proceso de conteo , 0 posee Incrementos Estacionarios si:
La distribucin del nmero de eventos que ocurren en cualquier intervalo de
tiempo depende slo de la longitud del intervalo de tiempo.
En otras palabras, el proceso tiene incrementos estacionarios si:
El nmero de eventos en el intervalo (1 + , 2 +]
(esto es, 2 + (1 + )) tiene la misma distribucin que el
nmero de eventos en el intervalo (1 , 2 ] (esto es, 2 (1 ))
para todo 1 < 2 , y > 0.
Esta distribucin no depende del instante en que este intervalo comience o
termine.

No depende de la ubicacin exacta del intervalo en el tiempo.

Profesor MSc. Claudio Araya Sassi

15

Procesos de Conteo
Proceso de conteo con Incrementos Estacionarios

1 + , 2 + 1 , 2
El proceso es estable a lo largo del tiempo (distribuciones)

Profesor MSc. Claudio Araya Sassi

16

Definicin de Proceso de Poisson


Definicin I de Proceso de Poisson
El proceso de conteo , 0 se dice que es un Proceso de Poisson con tasa
, > 0, si:
i.

0 = 0.

ii.

El proceso posee incrementos independientes.

iii. El nmero de eventos en cualquier intervalo de longitud esta distribuido


Poisson con media . Esto es, para todo , 0
+ = =


,
!

= , ,

Note que sigue desde la condicin (iii) que un proceso Poisson posee incrementos
estacionarios y tambin que:

Que explica por qu es llamada la tasa del proceso.


Profesor MSc. Claudio Araya Sassi

17

Definicin de Proceso de Poisson


Definicin
La funcin se dice que es (funcin cero) si

=0
0
lim

En otras palabras, () se va a cero ms rpido que .


Ejemplo 1

i.

La funcin = 2 es () puesto que



2
lim
= lim
= lim = 0
0
0
0

ii.

La funcin = no es () puesto que

lim
= lim = lim 1 = 1 0
0
0
0
Profesor MSc. Claudio Araya Sassi

18

Definicin de Proceso de Poisson


Ejemplo 1
iii. Si es () y g es (), entonces tambin lo es + g . Esto se deduce
puesto que
+ ()
()
()
= lim
+ lim
=0+0=0
0
0
0

lim

iv. Si es (), entonces tambin lo es g = . Esto se deduce puesto que



()
= lim
=0=0
0
0
lim

v.

Desde (iii) y (iv) se deduce que cualquier combinacin lineal de funciones, cada
una de las cuales es (), es ().

Profesor MSc. Claudio Araya Sassi

19

Definicin de Proceso de Poisson


Definicin II de Proceso de Poisson
El proceso de conteo , 0 se dice que es un Proceso de Poisson con tasa
, > 0, si:
i.
ii.
iii.
iv.

0 = 0.
El proceso posee incrementos estacionario e independientes.
Propiedad de orden: Se asume que
= 1 = +
no tiene lugar de manera simultnea
2 = ()
la llegada u ocurrencia de dos o ms
eventos.

para intervalos de tiempo pequeos, la probabilidad de que ocurra un evento


est dominada por un trmino lineal con h (con la tasa promedio de llegadas o
de ocurrencias).
las llegadas u ocurrencias se generan uno a uno

la probabilidad de que ocurra ms de un evento en un intervalo de tiempo


pequeo es despreciable comparado con la probabilidad de que ocurra slo uno.
Profesor MSc. Claudio Araya Sassi

20

Propiedades Proceso Poisson


Si un proceso de conteo {N(t), t 0} posee incrementos independientes,
incrementos estacionarios y la propiedad de orden (con una constante o tasa
), entonces el proceso es denominado un Proceso Poisson.
Se puede demostrar que:

Recordemos que si una variable aleatoria posee una distribucin Poisson, de


parmetro , entonces satisface:

Profesor MSc. Claudio Araya Sassi

21

Propiedades Proceso Poisson

Profesor MSc. Claudio Araya Sassi

22

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 maana llegan en promedio 200 personas por
hora.
Entre 10:30 y 12:30 llegan 100 personas por hora.
Entre 12:30 y 14:00 llegan 300 personas por hora.
podemos modelar el proceso de llegada como un Proceso Poisson?

Profesor MSc. Claudio Araya Sassi

23

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
Nmero
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

Distribuciones de Tiempo entre Llegadas


Considere un proceso de Poisson, y sea el tiempo del primer evento 1 .

Adems, para > 1, sea el lapso de tiempo entre el 1 y


el evento.
La secuencia , = 1,2, es llamada la secuencia de tiempos entre
llegadas.
Por ejemplo, si 1 = 5 y 2 = 10, entonces el primer evento del proceso
de Poisson habra ocurrido en el tiempo 5 y el segundo en el tiempo 15.

Profesor MSc. Claudio Araya Sassi

27

Distribuciones de Tiempo entre Llegadas


Queremos determinar ahora la distribucin de .
Para realizar esto, primero notamos que el evento 1 > toma lugar si y solo si
ningn evento del proceso de Poisson ocurre en el intervalo [0, ] y as,

1 > = = 0 =
=
=
!
0!
Por lo tanto, 1 tiene una distribucin exponencial con media 1/. Ahora,

2 > = 2 > 1
Sin embargo, 2 > 1 = = 0 (, + ] 1 =
= 0 (, + ]

Incrementos independientes

Incrementos estacionarios

Por lo tanto, concluimos que 2 es tambin una variable aleatoria exponencial con
media 1/ y, adems, que 2 es independiente de 1 .
Profesor MSc. Claudio Araya Sassi

28

Distribuciones de Tiempo entre Llegadas


Proposicin
, = 1, 2, son variables aleatorias continuas exponencial independientes e
idnticamente distribuidas con media 1/. El proceso no tiene memoria.
Intuitivamente, dada la prdida de memoria (incrementos independientes), el
tiempo entre dos eventos consecutivos posee la misma distribucin que el tiempo
hasta que ocurre el primer evento.

Profesor MSc. Claudio Araya Sassi

29

Distribuciones de Tiempo entre Llegadas


Ejemplo 2
Supongamos que () es un proceso de Poisson que cuenta el nmero de veces que
se ha remplazado la ampolleta de cierta lmpara. Si la primera ampolleta que se
instal en la lmpara lleva unidades de tiempo funcionando correctamente,
Cunto tiempo ms funcionar correctamente la ampolleta? Sea Y esta variable
aleatoria.

> = 1 > + / 1 >


1 > 1 > +
1 > +
=
=
1 >
1 >
(+)

=
=


Profesor MSc. Claudio Araya Sassi

30

Distribuciones de Tiempo entre Llegadas


Ejemplo 2
La probabilidad de que la ampolleta falle en las prximas unidades de tiempo es:
< 1 +
1 + / 1 > =
1 >

=
=

En general, si 1 es una v.a. que mide la vida de un cierto sistema, y asumimos que
tiene una funcin de distribucin acumulada (fda) de y funcin de densidad de
probabilidad (fdp) , la probabilidad de que falle en las prximas unidades de
tiempo es:

1 ()

Profesor MSc. Claudio Araya Sassi

31

Tasas de Falla
Definicin
Para una v.a. (que mide la vida de un sistema), con y se define la tasa
de falla () como:
=


1 ()

En el caso de la distribucin exponencial = = .


Casos en que la tasa es variable
Proceso con desgaste o envejecimiento: tasa de falla creciente (Ejemplos)
Proceso de aprendizaje: tasa de falla ser decreciente (Ejemplos)

Existen casos en que puede ser decreciente en un cierto rango y creciente en


otros?

Profesor MSc. 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

Tasas de Falla
Analizar la evolucin de la tasa de falla permite identificar la distribucin a considerar
para un proceso especfico.
Por ejemplo veamos la distribucin Weibull (una generalizacin de la exponencial):

f (t ) t 1e t

, , 0, t 0

La funcin tasa de falla es:

r (t ) t 1
Casos:
1. = 1

= tasa de falla funcin exponencial

2.

>1

3.

0<<1


Profesor MSc. Claudio Araya Sassi

34

Tasas de Falla
Funcin tasa de falla para la Distribucin Weibull con = 1.
4.0
3.5
3.0

Tasa de falla

2.5
2.0
1.5
1.0
0.5
0.0
0

4
5
Tiempo

Profesor MSc. Claudio Araya Sassi

35

Tasas de Falla
Funcin tasa de falla para la Distribucin Gamma con = 1.
0.9
0.8
n=

0.7

Tasa de falla

0.6
n=
0.5
0.4
0.3
0.2
0.1
0.0
0

4
5
Tiempo

Profesor MSc. Claudio Araya Sassi

36

Distribuciones de Tiempos de Arribo o Espera


, = 1, 2, es el tiempo de arribo del evento, tambin llamado
tiempo de espera hasta el evento. Se puede ver que

n1

=1

Y por lo tanto, se deduce de la proposicin anterior y de la suma de v.a.


exponenciales que posee una distribucin gamma con parmetros y .
Esto es, la densidad de probabilidad de esta dada por

()1
,
1 !

Profesor MSc. Claudio Araya Sassi

37

Distribuciones de Tiempos de Arribo o Espera


La ecuacin anterior puede tambin ser derivada notando que el
evento ocurrir previo a o en el tiempo si y slo si el nmero de eventos
que ocurren hasta el tiempo son al menos .

Esto es,

Por lo tanto,

= = () =
=

Lo cual, diferenciando produce

=
=

()

+
!

()1
1 !

1
()

1 !

+
=+1

()
!

()1
1 !

()
!

()1
1 !
Profesor MSc. Claudio Araya Sassi

38

Distribuciones de Tiempos de Arribo o Espera


Ejemplo 3
Suponga que gente que inmigra dentro de un territorio a una tasa Poisson = 1 por
da.
a) Cul es el tiempo esperado hasta que el dcimo inmigrante llegue?
b) Cul es la probabilidad que el lapso de tiempo entre el dcimo y el undcimo
arribo exceda los dos das?
Solucin
a) 10 =

10

= 10

b) 11 > 2 = 2 = 2 0.133.

Profesor MSc. Claudio Araya Sassi

39

Otras propiedades de los Procesos de Poisson


Propiedad de Agregacin
Sea 1 , 2 , . , , procesos de Poisson independientes a tasas ,
= 1, 2, , , cada uno de estos procesos cuenta el nmero de eventos del tipo
que ocurren hasta el tiempo t.

Si definimos un nuevo proceso de conteo = 1 + 2 + + , este


proceso tambin es Poisson a tasa = (1 +2 + + ) y contar el nmero de
eventos de cualquier tipo que ocurre hasta el tiempo t.

Profesor MSc. Claudio Araya Sassi

40

Otras propiedades de los Procesos de Poisson


Propiedad de Desagregacin
Sea () un proceso de Poisson a tasa tal que los eventos pueden clasificarse en k
categoras mutuamente excluyentes. Con probabilidad el evento es del tipo
, = 1, 2, , , de modo tal que: =1 = 1.
A partir del proceso se pueden definir procesos 1 , 2 , , ,
cada uno de estos procesos es tambin Poisson a tasa = , , = 1, 2, , y
contar el nmero de eventos del tipo que ocurren hasta el tiempo t.
De las propiedades de agregacin y desagregacin, podemos rpidamente deducir
que:

=
1 + 2 + +
1

Profesor MSc. Claudio Araya Sassi

41

Descomposicin de Procesos de Poisson


Supongamos que una etapa de un proceso productivo est constituida
por dos mquinas en paralelo.

Los productos llegan a esta etapa de acuerdo a un proceso de Poisson


a tasa .
Al llegar, un producto con probabilidad se va a la mquina 1 y con
probabilidad 1 se va a la mquina 2.
Se asume que cada producto se asigna a alguna de las dos mquinas
de acuerdo a estas probabilidades y en forma independiente de los
dems productos.

Sea () el proceso de conteo de las llegadas de productos al sistema,


1 () y 2 () la llegada de productos a la mquina 1 y a la mquina 2
respectivamente.
Profesor MSc. Claudio Araya Sassi

42

Descomposicin de Procesos de Poisson

Profesor MSc. Claudio Araya Sassi

43

Descomposicin de Procesos de Poisson


Nos interesa caracterizar los procesos estocsticos 1 () y 2
Cmo son los procesos N1(t) y N2(t)?

Qu distribucin posee cada proceso?

MQUINA 1

1-
MQUINA 2

Profesor MSc. Claudio Araya Sassi

44

Descomposicin de Procesos de Poisson


Proposicin
()
1 = =
!
Para demostrar esta proposicin condicionemos en ():

1 = =

1 = / = =
=

La probabilidad de que de ellos se hayan asignado a la mquina 1


corresponde a una distribucin binomial.

1 = / = = (1 )
Profesor MSc. Claudio Araya Sassi

45

Suma de Procesos Poisson

Profesor MSc. Claudio Araya Sassi

46

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

47

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

48

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

49

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

50

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

51

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

52

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

53

Ejemplos

Profesor MSc. Claudio Araya Sassi

54

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

55

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

56

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

57

Distribucin Condicional de Tiempos entre Eventos

Profesor MSc. Claudio Araya Sassi

58

Extensiones del Proceso Poisson

Profesor MSc. Claudio Araya Sassi

59

Extensiones del Proceso Poisson

Profesor MSc. Claudio Araya Sassi

60

Extensiones del Proceso Poisson

Profesor MSc. Claudio Araya Sassi

61

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