Proceso de Poisson

Omar Matus Jofré

29 de abril de 2021

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 1 / 25

Procesos Estocásticos

Un proceso estocástico es un conjunto de variables aleatorias {Xt }, t ∈ T ,

que representan una caracterı́stica medible en el tiempo.

Algunos ejemplos de procesos estocásticos son:

1. El precio del pan al inicio de cada dı́a.

2. El número de alumnos que reprueban IO cada semestre.

3. La cantidad de clientes en una tienda en un determinado instante t.

4. El precio de una acción al cierre de la bolsa.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 2 / 25

Procesos de Conteo

Un proceso estocástico {N(t), t ≥ 0} se denomina proceso de conteo si

N(t) representa la cantidad de veces que ha ocurrido un evento aleatorio
hasta el instante t. Algunos ejemplos de proceso de conteo son:

1. El número de visitas a un museo hasta el instante t.

2. El número de goles en un partido de fútbol hasta el instante t.

3. El número de personas que compran en el casino hasta el instante t.

4. El número de votos en una elección hasta el instante t en un dı́a de

votación.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 3 / 25

Procesos de Conteo

Por definición un proceso de conteo debe satisfacer las siguientes propieda-

des:

1. N(t) ≥ 0.

2. N(t) ∈ N.

3. Si s < t entonces N(s) ≤ N(t)

4. Si s < t entonces N(t) − N(s) es el número de eventos ocurridos en

el intervalo (s, t) y que denotaremos por N(s, t).

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 4 / 25

Procesos de Conteo

Gráficamente tenemos que un proceso de conteo se ve de la siguiente mane-

ra:

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 5 / 25

Axioma 1: Incrementos Independientes

Axioma 1
Un proceso de conteo {N(t), t ≥ 0} tiene incrementos independientes si
dados un par de intervalos disjuntos (ta , tb ) y (tc , td ), entonces las
variables aleatorias N(ta , tb ) y N(tc , td ) son independientes entre si.

¿Cuáles de los siguientes procesos de conteo cumple este axioma?

1. Cantidad de teléfonos vendidos en un stand.
2. Cantidad de votos en una urna durante un dı́a de votación.
3. Cantidad de personas que llegan al banco durante una mañana.
4. Cantidad de visitas en un blog.
5. Cantidad de personas que llegan a un estadio.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 6 / 25

Axioma 2: Incrementos Estacionarios

Axioma 2
Un proceso de conteo {N(t), t ≥ 0} tiene incrementos estacionarios si la
ley de probabilidades de N(t, t + s) no depende de t sino que solo
depende de s, es decir, solo depende del largo del intervalo.

¿Cuáles de los siguientes procesos de conteo cumple este axioma?

1. Cantidad de teléfonos vendidos en un stand.
2. Cantidad de votos en una urna durante un dı́a de votación.
3. Cantidad de personas que llegan al banco durante una mañana.
4. Cantidad de visitas en un blog.
5. Cantidad de personas que llegan a un estadio.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 7 / 25

Axioma 3: Incrementos Unitarios

Axioma 3
Un proceso de conteo {N(t), t ≥ 0} tiene incrementos unitarios si:
1. P(N(dt) ≥ 2) = O(dt).
2. P(N(dt) = 1) = λdt + O(dt), con λ ∈ R.
3. P(N(dt) = 0) = 1 − λdt + O(dt).
O(dt)
Una función O(h) es un término de error tal que: lı́m = 0.
dt→0 dt
¿Cuáles de los siguientes procesos de conteo cumple este axioma?
1. Cantidad de teléfonos vendidos en un stand.
2. Cantidad de votos en una urna durante un dı́a de votación.
3. Cantidad de personas que llegan al banco durante una mañana.
4. Cantidad de visitas en un blog.
5. Cantidad de personas que llegan a un estadio.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 8 / 25

Tiempo entre eventos
Proposición
Sea {N(t), t ≥ 0} un proceso de conteo que satisface a la vez los axiomas
1, 2 y 3, entonces el tiempo entre dos eventos consecutivos sigue una
distribución exponencial.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 9 / 25

Tiempo entre eventos

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 10 / 25

Tiempo entre eventos

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 11 / 25

Recuerdo Distribución Exponencial

Sea t una variable exponencial de parámetro λ, luego sabemos que:

Su función de densidad de probabilidad (pdf) está dada por:

ft (t) = λe −λt , t ≥ 0.

Su función de distribución acumulada (cdf) es:

P(T ≤ t) = Ft (t) = 1 − e −λt .

Su esperanza está dada por

1
E[T ] = .
λ
Su varianza está dada por
1
Var[T ] = .
λ2
Para h → 0, P(T ≤ h) ≈ 0.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 12 / 25

Recuerdo Distribución Exponencial

Perdida de memoria de la exponencial

Sea T una variable aleatoria con distribución exponencial. Sean t > s > 0
dos reales, entonces:

P(T > t + s|T > s) = P(T > t)

La distribución exponencial es la única v.a. continua que posee esta

propiedad. Obs: en el caso discreto, la v.a. geométrica es la única que
posee pérdida de memoria.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 13 / 25

Recuerdo Distribución Exponencial

Carrera de exponenciales
Sean T1 , T2 , . . . , Tk , k variables exponenciales de parámetros λ1 , . . . , λk
respectivamente e independientes unas de otras. Sea la v.a.

S = mı́n(T1 , . . . , Tk ),

se tiene que S también distribuye de forma exponencial, con parámetro:

λ = λ1 + · · · + λk .

Además P(S = Ti ) = λλi , que corresponde a que el evento i sea el primero

de los k eventos en ocurrir

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 14 / 25

Recuerdo Distribución Exponencial

Suma de exponenciales de igual parámetros

Sean T1 , T2 , . . . , Tk variables aleatorias independientes exponenciales de
parámetro λ, luego

T = sum(T1 , T2 , . . . , Tk ) ∼ Erlang(k, λ)

(λt)k−1
con fT (t) = λe λt .
(k − 1)!

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 15 / 25

Procesos de Poisson

Dentro de los procesos de conteo uno de los de mayor importancia en el

estudio de la investigación de operaciones, es el proceso de Poisson, debido
a su amplio uso en una cantidad diversa de problemas, en especı́fico, su uso
para la estudio de Redes de Colas.

Revisaremos tres caracterizaciones del Proceso de Poisson, todas equivalen-

tes entre si.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 16 / 25

Procesos de Poisson

Definición 1
Un proceso de conteo {N(t), t ≥ 0} es un proceso de Poisson de tasa
λ > 0 si:
1. N(0) = 0.
2. El proceso tiene incrementos independientes, estacionarios y unitarios.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 17 / 25

Procesos de Poisson

Definición 2
Un proceso de conteo {N(t), t ≥ 0} es un proceso de Poisson de tasa
λ > 0 si:
1. N(0) = 0.
2. El proceso tiene incrementos independientes.
3. El número de eventos que ocurren en un intervalo [s, t + s] de largo
t, es decir, N(s, t + s), distribuye Poisson de tasa (λt).

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 18 / 25

Procesos de Poisson

Definición 3
Un proceso de conteo {N(t), t ≥ 0} es un proceso de Poisson de tasa
λ > 0 si:
1. La secuencia {Ti , i ∈ N}, donde Ti representa los tiempos
transcurridos entre eventos sucesivos, es una secuencia de variables
aleatorias iid con ley exponencial de media λ1 .

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 19 / 25

Recuerdo Distribución Poisson

Sea X una variable Poisson de parámetro λ,

n
P(X = n) = e −λ λn! , n = 0, 1, 2, . . .

E(X ) = λ

Var(X ) = λ

Sean X ∼ Poisson(λ1 ) e Y ∼ Poisson(λ2 ) variables independientes,

luego si Z = X + T , entonces

Z ∼ Poisson(λ1 + λ2 )

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 20 / 25

Propiedades Proceso de Poisson

Deseamos conocer la probabilidad de que la cantidad de eventos ocurrido

en cierto intervalo de tiempo sean mayores o iguales a n, es decir, buscamos
determinar P(N(t) ≥ n).
Como Sn es la suma de n exponenciales, distribuye Erlang(n, λ). Luego

P(N(t) ≥ n) = P(Sn ≤ t)
Z t n n−1
λ x
= e −λx dx
0 (n − 1)!

Por otro lado sabemos que es un proceso de Poisson, luego la cantidad de

eventos sigue una distribución Poisson de parámetro λt. Luego
∞
X (λt)k
P(N(t) ≥ n) = e −λt
k!
k=n

De esta forma, ambas expresiones son equivalentes.

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 21 / 25
Propiedades Proceso de Poisson

Agregación
Sean {N1 (t), t ≥ 0}, {N2 (t), t ≥ 0}, . . . , {Nk (t), t ≥ 0} procesos de
Poisson independientes entre si, de tasas λ1 , λ2 , . . . , λk respectivamente.

Sea N(t) el proceso que cuenta el número total de eventos de todos los
procesos, es decir,

N(t) = N1 (t) + · · · + Nk (t), ∀t > 0,

entonces {N(t), t ≥ 0} es un proceso de Poisson de tasa

λ = λ1 + · · · + λk .

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 22 / 25

Propiedades Proceso de Poisson

Desagregación
Sea {N(t), t ≥ 0} el proceso de Poisson que cuenta el total de eventos
ocurridos con tasa λ.

Sea {Ni (t), t ≥ 0} el proceso de conteo de eventos de tipo i, que llegan

en proporción pi respecto al total de eventos.

Entonces {Ni (t), t ≥ 0} es un proceso de Poisson de tasa λi = pi λ, ∀i.

Además los procesos {N1 (t), t ≥ 0}, . . . , {Nk (t), t ≥ 0} son todos
independientes entre si (siempre y cuando los tipos de eventos que
cuenten sean independientes entre si).

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 23 / 25

 Proceso de Poisson

Omar Matus Jofré

29 de abril de 2021

Investigación de Operaciones Proceso de Poisson 29 de abril de 2021 24 / 25