Capı́tulo 4

Procesos de Poisson

4.1. Distribución Exponencial

Definición 4.1 Una variable aleatoria T tiene distribución exponencial con parámetro λ, T ∼ Exp(λ),
si su función de distribución está dada por
FT (t) = P (T ≤ t) = 1 − e−λt , para t ≥ 0.
Equivalentemente, T tiene densidad fT (t) dada por
(
λe−λt para t ≥ 0,
fT (t) =
0 para t < 0.

Esta distribución tiene el siguiente valor esperado:

Z ∞ Z ∞
E[T ] = tfT (t)dt = tλe−λt dt
−∞ 0
∞ Z ∞ 1
−λt 
= − te  + e−λt dt = .
0 0 λ
De manera similar podemos calcular E[T 2 ] integrando por partes,
Z ∞ Z ∞
E[T 2 ] = t2 fT (t)dt = t2 λe−λt dλ
−∞ 0
∞ Z ∞ 2
= −t2 e−λt  + 2te−λt dt = 2

0 0 λ
y por lo tanto, la varianza de T es
1
Var(T ) = E[T 2 ] − (E[T ])2 = .
λ2

4.1.1. Falta de Memoria

Una de las propiedades fundamentales de la distribución exponencial es la siguiente:
P (T > t + s|T > t) = P (T > s).
Para demostrar esta propiedad usamos la definición de probabilidad condicional
P (T > t + s) e−λ(t+s)
P (T > t + s|T > t) = = = e−λs = P (T > s).
P (T > t) e−λt
110 CAPÍTULO 4. PROCESOS DE POISSON

4.1.2. Mı́nimo de Variables Exponenciales

Sean S ∼ Exp(λ) y T ∼ Exp(µ) variables independientes. Tenemos en primer lugar
P (min(S, T ) > t) = P (S > t, T > t)
= P (S > t)P (T > t) = e−(λ+µ)t ,
es decir, min(S, T ) tiene distribución exponencial de parámetro λ + µ. El mismo cálculo muestra que para
una colección de variables independientes T1 , . . . , Tn con Ti ∼ Exp(λi ), 1 ≤ i ≤ n,
P (min(T1 , . . . , Tn ) > t) = P (T1 > t, . . . , Tn > t)
Yn Yn
= P (Ti > t) = e−λi t = e−(λ1 +···+λn )t (4.1)
i=1 i=1

En consecuencia, el mı́nimo de varias variables independientes con distribuciones exponenciales tiene

distribución exponencial con parámetro igual a la suma de los parámetros.
Veamos ahora con qué probabilidad una variable exponencial es menor que otra. Sean S ∼ Exp(λ) y
T ∼ Exp(µ), tenemos
Z ∞
P (T > S) = P (T > s|S = s)fS (s)ds
0
Z ∞ Z ∞
λ
= λe−λs e−µs ds = (λ + µ)e−(λ+µ)s ds
0 λ+µ 0
λ
= .
λ+µ
Para varias variables, el resultado es el siguiente
P (Ti = min(T1 , . . . , Tn )) = P (Ti < T1 , . . . , Ti < Ti−1 , Ti < Ti+1 , . . . , Ti < Tn )
λi
= .
λ1 + · · · + λn
Para demostrar esta propiedad llamemos S = Ti y sea U el mı́nimo de Tj , j 6= i. Por (4.1) sabemos que
U es exponencial con parámetro µ = (λ1 + · · · + λn ) − λi . Usando el resultado para dos variables
λi λi
P (Ti = min(T1 , . . . , Tn )) = P (S < U ) = = .
λi + µ λ1 + · · · + λn

Sea I el ı́ndice (aleatorio) de la menor de las variables exponenciales, hemos demostrado que
λi
P (I = i) = .
λ1 + · · · + λn

Lema 4.1 I y V = min(T1 , . . . , Tn ) son independientes.

Demostración. Calculamos la siguiente probabilidad conjunta
Z ∞
P (I = i, V > t) = P (Ti > t, Tj > Ti , ∀j 6= i) = P (Tj > s, ∀j 6= i)fTi (s)ds
t
Z ∞ Y Z ∞ P
= λi e−λi s e−λj s ds = λi e−s( j λj ) ds
t j6=i t

λi P
= e−t( j λj ) = P (I = i)P (V > t).
λ1 + · · · + λn

Veamos a continuación cómo se distribuye una suma de exponenciales.
4.2. LA DISTRIBUCIÓN DE POISSON 111

Teorema 4.1 Sean T1 , T2 , . . . v.a.i.i.d. con distribución exponencial de parámetro λ. La suma τn =

T1 + · · · + Tn tiene distribución Γ(n, λ), es decir, la densidad está dada por

(λt)n−1
fτn (t) = λe−λt para t ≥ 0
(n − 1)!

y 0 en otro caso.

Demostración. Haremos la prueba por inducción. Para n = 1, τ1 = T1 tiene distribución exponencial

de parámetro λ, que concuerda con la densidad de la fórmula anterior.
Supongamos ahora que la fórmula es cierta para n. Tenemos τn+1 = τn + Tn+1 y por independencia
Z t
P (τn+1 ≤ t) = P (τn + Tn+1 ≤ t|τn = s)fτn (s)ds
0
Z t
= P (Tn+1 ≤ t − s))fτn (s)ds
0

Usamos ahora la distribución exponencial para el primer factor y la fórmula inductiva para el segundo
obtenemos
Z t Z t Z t
(λs)n−1 λn λn
(1 − e−λ(t−s) )λe−λs ds = e−λs sn−1 ds − e−λt sn−1 ds
0 (n − 1)! (n − 1)! 0 (n − 1)! 0
t Z t n
λn h 1 n −λs  s −λs tn −λt i
= s e + λ e ds − e
(n − 1)! n 
0 0 n n
Z t
(λs)n
= λe−λs ds.
0 n!

Como consecuencia del teorema anterior, teniendo en cuenta que la distribución Γ(n, λ) se obtiene
como suma de v.a.i.i.d. con distribución exponencial de parámetro λ, vemos que
n n
E[τn ] = , Var(τn ) = .
λ λ2
También es posible demostrar que la función de distribución de τn se puede escribir de la siguiente
manera:
n−1
X (λx)i ∞
X (λx)i −λx
P (τn ≤ x) = 1 − e−λx = e
i=0
i! i=n
i!

Observación 4.1 Tenemos los siguientes casos especiales de la distribución Gamma: Γ(1, λ) es la distri-
bución exponencial de parámetro λ mientras que Γ(k, 2) es la distribución Ji-cuadrado con 2k grados de
libertad, χ22k . Además, si X ∼ Γ(n, λ) entonces cX ∼ Γ(n, λ/c).

4.2. La Distribución de Poisson

Definición 4.2 Una variable aleatoria X tiene distribución de Poisson de parámetro λ > 0 si toma
valores en el conjunto {0, 1, 2, . . . }, con probabilidad dada por

λk
P (X = k) = pk = e−λ .
k!
112 CAPÍTULO 4. PROCESOS DE POISSON

Calculemos la función generadora de probabilidad de una variable de este tipo:

∞ ∞
X λk X (sλ)k
φX (s) = E[sX ] = sk e−λ = e−λ = eλ(s−1) .
k! k!
k=0 k=0

A partir de esta expresión podemos obtener los momentos de la distribución:

dφ  
E[X] = = λeλ(s−1)  = λ,

ds s=1

s=1

d2 φ  
2 λ(s−1) 
E[X(X − 1)] = = λ e = λ2 ,
ds2 s=1
 
s=1

E[X 2 ] = E[X(X − 1)] + E[X] = λ2 + λ,

Var(X) = E[X 2 ] − (E[X])2 = λ2 + λ − λ2 = λ.

Si X ∼ Pois(λ) e Y ∼ Pois(µ) son independientes entonces la suma tiene f.g.p.

φX+Y (s) = φX (s)φY (s) = eλ(s−1) eµ(s−1) = e(λ+µ)(s−1)

y vemos que X + Y tiene distribución de Poisson con parámetro λ + µ.

Lema 4.2 Sea N ∼ Pois(λ) y condicional a N , M tiene distribución binomial con parámetros N y p.
Entonces la distribución (incondicional) de M es Poisson con parámetro λp.

Demostración. Podemos considerar M como la suma de una cantidad aleatoria N de variables de

Bernoulli con probabilidad de éxito p:

M = X1 + · · · + XN

donde Xi , i ≥ 1 tiene distribución de Bernoulli con probabilidad de éxito p. La f.g.p. de una variable de
Bernoulli es
φX (s) = E[sX ] = q + sp
y ya hemos visto que la f.g.p. de N es φN (t) = eλ(s−1) . Por lo tanto, la f.g.p. de M es la composición de
estas dos:
φM (s) = φN (φX (s)) = eλ(q+sp−1) = eλ(sp−p) = eλp(s−1)
que es la f.g.p. de una v.a. de Poisson con parámetro λp. 

4.3. El Proceso de Poisson

Definición 4.3 Sean T1 , T2 , . . . v.a.i.i.d. con distribución exponencial de parámetro λ, τ0 = 0 y τn =
T1 + · · · + Tn para n ≥ 1. Definimos el proceso de Poisson de parámetro o intensidad λ por

N (s) = máx{n : τn ≤ s}, s ≥ 0.

Las variables Tn representan los intervalos de tiempo entre eventos sucesivos (llegadas de clientes a
una cola, de llamadas a una central telefónica, de pacientes a la emergencia de un hospital, etc.) y en
consecuencia τn = T1 + · · · + Tn es el instante en el que ocurre el n-ésimo evento y N (s) es el número de
eventos que han ocurrido hasta el instante s. Llamaremos tiempos de llegada del proceso a las variables
τn , n ≥ 1.
4.3. EL PROCESO DE POISSON 113

6
T1 T2 T T
 -- 3 - ···  n-
-
τ0 = 0 τ1 τ2 τ3 ··· τn−1 τn τn+1
s
Figura 4.1

Para ver por qué N (s), s ≥ 0, recibe este nombre, calculemos su distribución: N (s) = n si y sólo
si τn ≤ s < τn+1 , es decir, el n-ésimo evento ocurre antes del instante s pero el (n + 1)-ésimo ocurre
después de s. Usando la ley de la probabilidad total, condicionando respecto al instante en el cual ocurre
τn , obtenemos
Z s
P (N (s) = n) = P (τn+1 > s > τn ) = P (τn+1 > s|τn = t)fτn (t)dt
0
Z s
= P (Tn+1 > s − t)fτn (t)dt.
0

Usando ahora el resultado del teorema 4.1 obtenemos

Z s
(λt)n−1 −λ(s−t)
= λe−λt e dt
0 (n − 1)!
s
λn (λs)n −λs
Z
= e−λs tn−1 dt = e .
(n − 1)! 0 n!
Por lo tanto hemos demostrado el siguiente resultado

Lema 4.3 N (s) tiene distribución de Poisson de parámetro λs.

Veamos algunas propiedades del proceso que acabamos de definir.

Lema 4.4 N (t + s) − N (s), t ≥ 0 es un proceso de Poisson de parámetro λ y es independiente de N (r),

0 ≤ r ≤ s.
Demostración. Supongamos que N (s) = n y que el n-ésimo evento ocurrió en el instante τn . Sabemos
que el intervalo de tiempo para el siguiente evento debe satisfacer Tn+1 > s − τn , pero por la propiedad
de falta de memoria de la distribución exponencial

P (Tn+1 > s − τn + t|Tn+1 > s − τn ) = P (Tn+1 > t) = e−λt .

Esto muestra que la distribución del tiempo de espera hasta el primer evento después de s es exponencial
de parámetro λ y es independiente de Ti , 1 ≤ i ≤ n. Por otro lado Tn+1 , Tn+2 , . . . son independientes
de Ti , 1 ≤ i ≤ n y por lo tanto también de τi , 1 ≤ i ≤ n. Esto muestra que los intervalos entre eventos
que ocurren después de s son v.a.i.i.d. con distribución exponencial de parámetro λ, y por lo tanto
N (t + s) − N (s) es un proceso de Poisson. 
Como consecuencia de este resultado tenemos

Lema 4.5 N (t) tiene incrementos independientes: Si t0 < t1 < . . . < tn , entonces

N (t1 ) − N (t0 ), N (t2 ) − N (t1 ), . . . , N (tn ) − N (tn−1 )

son independientes.
114 CAPÍTULO 4. PROCESOS DE POISSON

Demostración. El lema 4.5 implica que N (tn ) − N (tn+1 ) es independiente de N (r), r ≤ tn−1 y en
consecuencia también de N (tn−1 ) − N (tn−2 ), . . . , N (t1 ) − N (t0 ). El resultado sigue por inducción. 
Combinando los dos lemas anteriores tenemos la mitad del siguiente resultado, que es una caracteri-
zación fundamental del proceso de Poisson.

Teorema 4.2 Si {N (s), s ≥ 0} es un proceso de Poisson de parámetro λ > 0, entonces

1. N (0) = 0.
2. N (t + s) − N (s) ∼ Pois(λt).
3. N (t) tiene incrementos independientes.
Recı́procamente, si 1, 2 y 3 valen, entonces {N (s), s ≥ 0} es un proceso de Poisson.
Demostración. Los lemas 4.3 y 4.4 demuestran la primera afirmación. Para ver el recı́proco, sea τn el
instante en el cual ocurre el n-ésimo evento. El primer evento ocurre después de t si y sólo si no ocurre
ningún evento en [0, t]. Usando la fórmula para la distribución de Poisson
P (τ1 > t) = P (N (t) = 0) = e−λt
lo cual muestra que τ1 = T1 ∼ Exp(λ). Para T2 = τ2 − τ1 observamos que
P (T2 > t|T1 = s) = P (no ocurre ningún evento en (s, s + t]|T1 = s)
= P (N (t + s) − N (s) = 0|N (r) = 0 para r < s, N (s) = 1)
= P (N (t + s) − N (s) = 0) = e−λt
por la propiedad de incrementos independientes, de modo que T2 ∼ Exp(λ) y es independiente de T1 .
Repitiendo este argumento vemos que T1 , T2 , . . . son i.i.d. con distribución exponencial de parámetro λ.

Ejemplo 4.1
Un cable submarino tiene defectos de acuerdo a un proceso de Poisson de parámetro λ = 0.1 por km. (a)
¿Cuál es la probabilidad de que no haya defectos en los primeros dos kilómetros de cable? (b) Si no hay
defectos en los primeros dos kilómetros, ¿cuál es la probabilidad de que tampoco los haya en el tercer
kilómetro?
(a) N (2) tiene distribución de Poisson de parámetro (0.1)(2) = 0.2. Por lo tanto
P (N (2) = 0) = e−0.2 = 0.8187.
(b) N (3) − N (2) y N (2) − N (0) = N (2) son independientes, de modo que
P (N (3) − N (2) = 0|N (2) = 0) = P (N (3) − N (2) = 0) = e−0.1 = 0.9048
N
Ejemplo 4.2
Los clientes llegan a una tienda de acuerdo con un proceso de Poisson de tasa λ = 4 por hora. Si la tienda
abre a las 9 a.m. ¿Cuál es la probabilidad de que exactamente un cliente haya entrado antes de las 9:30
a.m. y que un total de cinco hayan entrado antes de las 11:30 a.m.?
Medimos el tiempo t en horas a partir de las 9 a.m. Queremos hallar P (N (1/2) = 1, N (5/2) = 5), y
para esto usaremos la independencia de los incrementos:
P (N (1/2) = 1, N (5/2) = 5) = P (N (1/2) = 1, N (5/2) − N (1/2) = 4)
 e−4(1/2) 4(1/2)  e−4(2) [4(2)]4 
=
1! 4!
−2 512 −8
= (2e )( e ) = 0.0155.
3
N
4.3. EL PROCESO DE POISSON 115

La importancia de la distribución de Poisson, y del proceso de Poisson en particular, se debe, al menos

en parte, al siguiente resultado, que se conoce como la ley de los eventos raros.
Consideremos una cantidad grande n de ensayos de Bernoulli independientes con probabilidad de éxito
p constante. Sea Sn el número de éxitos en los n ensayos. Sabemos que Sn tiene distribución Binomial
de parámetros n y p:
n!
P (Sn = k) = pk (1 − p)n−k .
k!(n − k)!
Supongamos ahora que el número de ensayos n tiende a infinito y p tiende a 0, de modo que np = λ.
Veamos que ocurre con la distribución de Sn en este caso. Reemplacemos p por λ/n en la ecuación anterior
n(n − 1) · · · (n − k + 1)  λ k  λ n−k
P (Sn = k) = 1−
k! n n
λk n(n − 1) · · · (n − k + 1)  λ n  λ −k
= 1 − 1 − . (4.2)
k! nk n n
Veamos ahora el comportamiento de estos cuatro factores cuando n → ∞. El primer factor no depende
de n. En el segundo hay k factores en el numerador y k en el denominador y podemos escribirlo
nn−1 n−k+1
... .
n n n
En virtud de que k está fijo es fácil ver que todos estos factores tienden a 1, y en consecuencia su producto
también. El tercer factor converge a e−λ . Finalmente, el último converge a 1 ya que λ/n → 0 y la potencia
k de este factor está fija. Reuniendo estos resultados vemos que la probabilidad (4.2) converge a

λk −λ
e
k!
que es la distribución de Poisson de parámetro λ. El mismo resultado es cierto si en lugar de tener np = λ
tenemos que p → 0 cuando n → ∞ de modo que np → λ.

En realidad la ley de eventos raros se cumple con mayor generalidad aún. Es posible suponer que los
ensayos de Bernoulli no tienen una probabilidad de éxito común, como lo muestra el siguiente teorema.
Primero enunciamos y demostramos un resultado auxiliar.

Lema 4.6 Sean S y T dos variables aleatorias y A un subconjunto medible de R. Entonces

|P (S ∈ A) − P (T ∈ A)| ≤ P (S 6= T ).

Demostración.

P (S ∈ A) = P (S ∈ A, S = T ) + P (S ∈ A, S 6= T ) = P (T ∈ A, S = T ) + P (S ∈ A, S 6= T )
= P (T ∈ A, S = T ) + P (T ∈ A, S 6= T ) − P (T ∈ A, S 6= T ) + P (S ∈ A, S 6= T )
= P (T ∈ A) − P (T ∈ A, S 6= T ) + P (S ∈ A, S 6= T )

Por lo tanto

P (S ∈ A) − P (T ∈ A) = P (S ∈ A, S 6= T ) − P (T ∈ A, S 6= T ) ≤ P (S ∈ A, S 6= T ) ≤ P (S 6= T ),

y de manera similar
P (T ∈ A) − P (S ∈ A) ≤ P (S 6= T ),
de modo que
|P (T ∈ A) − P (S ∈ A)| ≤ P (S 6= T ),

116 CAPÍTULO 4. PROCESOS DE POISSON

Teorema 4.3 (Le Cam) Sean Xm , 1 ≤ m ≤ n, variables aleatorias independientes con

P (Xm = 1) = pm , P (Xm = 0) = 1 − pm .

Sean
Sn = X1 + · · · + Xn , λn = E[Sn ] = p1 + · · · + pn .
Entonces, para cualquier conjunto A,
n
 X λk  X 2
P (Sn ∈ A) − e−λn n  ≤ pm

k! m=1
k∈A

Demostración. Las variables Xm son independientes y tienen distribución de Bernoulli con parámetro
pm . Definimos variables independientes Ym ∼ Pois(pm ), y como la suma de variables Poisson indepen-
dientes es Poisson, tenemos que Zn = Y1 + · · · + Yn tiene distribución Pois(λn ) y
X λkn
P (Zn ∈ A) = e−λn .
k!
k∈A

Por lo tanto queremos comparar P (Sn ∈ A) y P (Zn ∈ A) para cualquier conjunto A de enteros positivos.
Por el lema 4.6
n
X n
X 
|P (Sn ∈ A) − P (Zn ∈ A)| ≤ P (Sn 6= Zn ) = P Xm 6= Ym ,
m=1 m=1

pero si Sn y Zn difieren, al menos uno de los pares Xm y Ym deben diferir también. En consecuencia
n
X
|P (Sn ∈ A) − P (Zn ∈ A)| ≤ P (Xm 6= Ym )
m=1

y para completar la demostración hay que ver que P (Xm 6= Ym ) ≤ p2m . Para simplificar la notación sean
X ∼ Ber(p) y Y ∼ Pois(p) y veamos que P (X 6= Y ) ≤ p2 , o equivalentemente, que

1 − p2 ≤ P (X = Y ) = P (X = Y = 0) + P (X = Y = 1).

Este resultado no depende de la distribución conjunta entre X y Y pues no hemos supuesto ninguna
propiedad de independencia entre ellas. Lo importante es que las distribuciones marginales de X y Y
sigan siendo las mismas. Escogemos la distribución conjunta de (X, Y ) de la siguiente manera: Sea U una
variable con distribución uniforme en (0, 1] y sean
(
0 si 0 < U ≤ 1 − p
X=
1 si 1 − p < U ≤ 1.

Y = 0 si 0 < U < e−p y para k = 1, 2, . . .

k−1 i k
X
−p p
X pi
Y =k si e <U ≤ e−p .
i=0
i! i=0
i!

Es sencillo verificar que X y Y tienen las distribuciones marginales adecuadas (esto no es más que el
método de la transformada inversa de generación de variables aleatorias, aplicado las distribuciones de
Bernpulli y de Poisson). Como 1 − p ≤ e−p tenemos que X = Y = 0 si y sólo si U ≤ 1 − p, de modo que

P (X = Y = 0) = 1 − p.
4.4. POSTULADOS PARA EL PROCESO DE POISSON 117

De manera similar X = Y = 1 si y sólo si e−p < U ≤ (1 + p)e−p y

P (X = Y = 1) = pe−p .

Sumando estas dos expresiones tenemos

p3
P (X = Y ) = 1 − p + pe−p = 1 − p2 + + · · · ≥ 1 − p2 .
2


Corolario 4.1 (Le Cam) Para cada n, sean Xn,m , 1 ≤ m ≤ n, n ≥ 1 variables aleatorias independien-
tes con
P (Xn,m = 1) = pn,m , P (Xn,m = 0) = 1 − pn,m .
Sean
Sn = Xn,1 + · · · + Xn,n , λn = E[Sn ] = pn,1 + · · · + pn,n ,
y Zn ∼ Pois(λn ). Entonces, para cualquier conjunto A,
n
X
|P (Sn ∈ A) − P (Zn ∈ A)| ≤ p2n,m
m=1

El teorema anterior nos da una cota para la diferencia entre la distribución de Sn y la distribución
de Poisson de parámetro λn = E[Sn ], que podemos usar para obtener una versión general del teorema de
convergencia de Poisson.

Corolario 4.2 Supongamos que en la situación del corolario anterior λn → λ < ∞ y máxk pn,k → 0,
cuando n → ∞, entonces
máx |P (Sn ∈ A) − P (Zn ∈ A)| → 0.
A

Demostración. Como p2n,m ≤ pn,m (máxk pn,k ), sumando sobre m obtenemos

n
X X
p2n,m ≤ máx pn,k pn,m .
k
m=1 m

El primer factor de la derecha va a 0 por hipótesis. El segundo es λn que converge a λ < ∞ y en

consecuencia el producto de los dos converge a 0. 

4.4. Postulados para el Proceso de Poisson

Consideremos una sucesión de eventos que ocurren en [0, ∞) como por ejemplo las emisiones de
partı́culas por una sustancia radioactiva, la llegada de llamadas a una central telefónica, los accidentes
que ocurren en cierto cruce carretero, la ubicación de fallas o defectos a lo largo de una fibra o las llegadas
sucesivas de clientes a un establecimiento comercial. Sea N ((a, b]) el número de eventos que ocurren en
el intervalo (a, b], es decir, si τ1 < τ2 < τ3 · · · representan los instantes (o ubicaciones) de los sucesivos
eventos, entonces N ((a, b]) es el número de estos instantes τi que satisfacen a < τi ≤ b.
Proponemos los siguientes postulados:
1. El número de eventos que ocurren en intervalos disjuntos son variables aleatorias independientes:
Para cualquier entero m ≥ 2 y cualesquiera instantes t0 = 0 < t1 < t2 < · · · < tm , las variables
aleatorias
N ((t0 , t1 ]), N ((t1 , t2 ]), . . . , N ((tm−1 , tm ])
son independientes.
118 CAPÍTULO 4. PROCESOS DE POISSON

2. Para cualquier instante t y cualquier h > 0, la distribución de probabilidad de N ((t, t + h]) depende
sólo de la longitud del intervalo h y no del instante inicial t.

3. Hay una constante positiva λ para la cual la probabilidad de que ocurra al menos un evento en un
intervalo de longitud h es

P ((N (t, t + h]) ≥ 1) = λh + o(h), cuando h ↓ 0

(la notación o(h) indica una función general indeterminada que representa el resto y satisface
o(h)/h → 0 cuando h ↓ 0, es decir, que es de orden menor que h cuando h ↓ 0). El parámetro λ se
conoce como la intensidad del proceso.

4. La probabilidad de que haya dos o más eventos en un intervalo de longitud h es o(h):

P (N ((t, t + h]) ≥ 2) = o(h), cuando h ↓ 0.

El número de sucesos que ocurren en intervalos disjuntos son independientes por 1, y 2 afirma que
la distribución de N ((s, t]) es la misma que la de N ((0, t − s]). Por lo tanto, para describir la ley de
probabilidad del sistema basta determinar la distribución de probabilidad de N ((0, t]) para cualquier
valor de t. Llamemos N ((0, t]) = N (t). Mostraremos que los postulados anteriores implican que N (t)
tiene una distribución de Poisson:
(λt)k e−λt
P (N (t) = k) = , para k = 0, 1, . . . (4.3)
k!
Para demostrar (4.3) dividimos el intervalo (0, t] en n subintervalos de igual longitud h = t/n y definimos
las siguientes variables de Bernoulli: ξn,i = 1 si hay al menos un evento en el intervalo ((i − 1)t/n, it/n] y
ξn,i = 0 si no, para 1 ≤ i ≤ n. Sn = ξn,1 + · · · + ξn,n representa el número de subintervalos que contienen
al menos un evento y
λt t
pn,i = P (ξn,i = 1) = + o( )
n n
según el postulado 3. Sea
X n t
µn = pi,n = λt + no .
i=1
n

Usando el teorema 4.3 vemos que

 µk e−µn  h λt  t i
P (Sn = k) − n ≤n + o2

k! n n
(λt)2 t t
= + 2λto + no2 ,
n n n
Como o(h) = o(t/n) es un término de orden menor que h = t/n para n grande, se tiene que

o(t/n) o(h)
no(t/n) = t =t
t/n h

tiende a 0 cuando n crece. Pasando al lı́mite cuando n → ∞ obtenemos que

µk e−µ
lim P (Sn = k) = , con µ = λt.
n→∞ k!
Para completar la demostración sólo falta ver que

lim P (Sn = k) = P (N ((0, t]) = k)

n→∞
4.5. DISTRIBUCIONES ASOCIADAS A UN PROCESO DE POISSON 119

pero Sn y N ((0, t]) son diferentes si al menos uno de los subintervalos contiene dos o más eventos, y el
postulado 4 impide esto porque
|P (N (t) = k) − P (Sn = k)| ≤ P (N (t) 6= Sn )
Xn   (i − 1)t it  
≤ P N , ≥2
i=1
n n
t
≤ no
n
→ 0 cuando n → 0.
Tomando n suficientemente grande tenemos que
(λt)k e−λt
P (N ((0, t]) = k) = , para k ≥ 0.
k!
Esto completa la demostración de (4.3). 

El proceso N ((a, b]) se conoce como el Proceso Puntual de Poisson y sus valores, como hemos visto,
se pueden calcular a partir de los del proceso N (t):
N ((s, t]) = N (t) − N (s)
Recı́procamente, N (t) = N ((0, t]), de modo que ambos procesos son equivalentes, las diferencias son de
enfoque, pero en algunos casos resulta útil considerar al proceso de una u otra manera.

A continuación presentamos sin demostración otra caracterización de los procesos de Poisson que
resultará útil más adelante.

Teorema 4.4 N (t), t ≥ 0 es un proceso de Poisson con intensidad λ si y sólo si

a) Para casi todo ω, los saltos de N (t, ω) son unitarios.
b) Para todo s, t ≥ 0 se tiene que E(N (t + s) − N (t)|N (u), u ≤ t) = λs.

4.5. Distribuciones Asociadas a un Proceso de Poisson

Hemos visto que los intervalos de tiempo entre eventos sucesivos, Tn , n ≥ 0 son v.a.i.i.d. con distri-
bución exponencial de parámetro λ. Los instantes τn en los cuales ocurren los eventos, son sumas de las
variables anteriores, y en consecuencia tienen distribución Γ(n, λ).

Teorema 4.5 Sea N (t), t ≥ 0 un proceso de Poisson de parámetro λ > 0. Para 0 < u < t y 0 ≤ k ≤ n,
n!  u k  u n−k
P (N (u) = k|N (t) = n) = 1− , (4.4)
k!(n − k)! t t
Es decir, condicional a que para el instante t han ocurrido n eventos, la distribución del número de
eventos que han ocurrido para el instante u < t es binomial con parámetros n y (u/t).
Demostración.
P (N (u) = k, N (t) = n)
P (N (u) = k|N (t) = n) =
P (N (t) = n)
P (N (u) = k, N (t) − N (u) = n − k)
=
P (N (t) = n)
[e−λu (λu)k /k!][e−λ(t−u) (λ(t − u))n−k /(n − k)!]
=
e−λt (λt)n /n!
n! uk (t − u)n−k
= .
k!(n − k)! tn
120 CAPÍTULO 4. PROCESOS DE POISSON

Ejemplo 4.3
Recordemos que la variable τn tiene distribución Γ(n, λ) y por la observación 1 sabemos que λτn /2 ∼
Γ(n, 2) = χ22n .
Si observamos un proceso de Poisson hasta que se registre un número prefijado m de eventos, el tiempo
necesario τm puede usarse para construir intervalos de confianza para la intensidad λ del proceso, usando
el hecho de que λτm /2 tiene distribución χ2 con 2m grados de libertad. Sean zα/2 y z1−α/2 valores tales
que si Z ∼ χ22m , entonces P (Z < zα/2 ) = P (Z > z1−α/2 ) = α/2. Tenemos

2zα/2 2z1−α/2
1 − α = P (zα/2 ≤ λτm /2 ≤ z1−α/2 ) = P ( ≤λ≤ ).
τm τm

En consecuencia, (2zα/2 /τm , 2z1−α/2 /τm ) es un intervalo de confianza para λ a nivel 1 − α. N

Ejemplo 4.4
Sean N y M dos procesos de Poisson independientes con parámetros respectivos λ y µ. Sean n y m
enteros, τn el tiempo de espera hasta el n-ésimo evento en el proceso N y γm el tiempo de espera hasta el
m-ésimo evento en el proceso M . Las variables λτn /2 y µγm /2 son independientes y tienen distribuciones
χ2 con 2n y 2m grados de libertad, respectivamente. Por lo tanto, bajo la hipótesis de que λ = µ, la
variable mτn /nγm tiene distribución F con 2n y 2m grados de libertad, y podemos desarrollar una prueba
de hipótesis para λ = µ. N

4.6. Procesos de Poisson Compuestos

Asociamos ahora una variable aleatoria Yi a cada evento de un proceso de Poisson. Suponemos que
las variables Yi , i ≥ 1, son i.i.d y también son independientes del proceso. Por ejemplo, el proceso puede
representar los carros que llegan a un centro comercial y las variables asociadas, el número de pasajeros
que hay en cada uno de ellos; o el proceso puede representar los mensajes que llegan a un computador
central para ser transmitidos via internet y las variables Yi pueden representar el tamaño de los mensajes.
Es natural considerar la suma de las variables Yi como una variable de interés:

S(t) = Y1 + · · · + YN (t)

donde ponemos S(t) = 0 si N (t) = 0. Ya hemos visto que para suma aleatorias, la media es el producto
de las medias de N e Y , mientras que la varianza está dada por

Var(S(t)) = E[N (t)] Var(Yi ) + Var(N (t))(E[Yi ])2 .

En nuestro caso, N (t) ∼ Pois(λt) y por lo tanto, E[N (t)] = Var(N (t)) = λt, de modo que la fórmula
anterior es
Var(S(t)) = λt(Var(Yi ) + (E[Yi ])2 ) = λt E[Yi2 ].

Ejemplo 4.5
El número de clientes de una tienda durante el dı́a tiene distribución de Poisson de media 30 y cada
cliente gasta un promedio de $150 con desviación tı́pica de $50. Por los cálculos anteriores sabemos que
el ingreso medio por dı́a es 30 · $150 = $4.500. La varianza del ingreso total es

30 · [($50)2 + ($150)2 ] = 750.000

Sacando la raı́z cuadrada obtenemos una desviación tı́pica de $ 866,02. N

4.6. PROCESOS DE POISSON COMPUESTOS 121

La función de distribución para el proceso de Poisson compuesto S(t) puede representarse explı́cita-
mente si condicionamos por los valores de N (t). Recordemos que la distribución de una suma de variables
independientes es la convolución de las distribuciones: Si Y tiene f.d. G,
Z ∞
G(n) (y) = P (Y1 + · · · + Yn ≤ y) = G(n−1) (y − z)dG(z)
−∞

con (
(0) 1 para y ≥ 0,
G (y) =
0 para y < 0.
Ahora
N (t)
X
P (S(t) ≤ z) = P ( Yk ≤ z)
k=1
∞ N (t)
X X (λt)n e−λt
= P( Yk ≤ z|N (t) = n)
n=0
n!
k=1
∞
(λt)n e−λt (n)
X
= G (z). (4.5)
n=0
n!

Ejemplo 4.6
Sea N (t) el número de impactos que recibe un sistema mecánico hasta el instante t y sea Yk el daño o
desgaste que produce el k-ésimo impacto. Suponemos que los daños son positivos: P (Yk ≥ 0) = 1, y que
PN (t)
se acumulan aditivamente, de modo que S(t) = k=1 Yk representa el daño total hasta el instante t.
Supongamos que el sistema continua funcionando mientras el daño total sea menor que un valor crı́tico
a y en caso contrario falla. Sea T el tiempo transcurrido hasta que el sistema falla, entonces

{T > t} sı́ y sólo sı́ {S(t) < a}.

Teniendo en cuenta esta relación y (4.5) tenemos

∞
X (λt)n e−λt (n)
P (T > t) = G (a).
n=0
n!

Para obtener el tiempo promedio hasta que el sistema falle podemos integrar esta probabilidad:
∞ ∞ Z ∞
(λt)n e−λt  (n)
Z X
E[T ] = P (T > t)dt = dt G (a)
0 n=0 0 n!
∞
X
= λ−1 G(n) (a),
n=0

donde hemos intercambiado series e integrales porque todos los términos son positivos. Esta expresión se
simplifica en el caso particular en el cual los daños tienen distribución exponencial de parámetro µ. En
este caso la suma τn = Y1 + · · · + Yn tiene distribución Γ(n, µ); sea M (t) el proceso de Poisson asociado
a estas variables i.i.d. exponenciales, entonces

G(n) (z) = P (τn ≤ z) = P (M (z) ≥ n)

n−1 ∞
X (µz)k e−µz X (µz)k e−µz
=1− =
k! k!
k=0 k=n
122 CAPÍTULO 4. PROCESOS DE POISSON

y
∞ ∞ X∞ ∞ Xk
X X (µa)k e−µa X (µa)k e−µa
G(n) (a) = =
n=0 n=0
k! n=0
k!
k=n k=0
∞ k −µa
X (µa) e
= (k + 1) = 1 + µa.
k!
k=0

Por lo tanto, cuando Yi , i ≥ 1, tienen distribución exponencial de parámetro µ,

1 + µa
E[T ] = .
λ
N

4.7. Descomposición de un Proceso de Poisson

En la sección anterior asociamos a cada evento de un proceso de Poisson una variable aleatoria Yi ,
ahora vamos a usar estas variables para descomponer el proceso. Sea Nj (t) el número de eventos del
proceso que han ocurrido antes de t con Yi = j. Si, por ejemplo, Yi representa el número de personas en
un carro que llega a un centro comercial, Nj (t) representa el número de carros que han llegado antes del
instante t con exactamente j personas dentro.
Veamos inicialmente el caso más sencillo, en el cual las variables Yk son de Bernoulli:

P (Yk = 1) = p, P (Yk = 0) = 1 − p,

para 0 < p < 1 fijo y k ≥ 1. Definimos ahora dos procesos, según el valor de las variables Yk sea 0 ó 1:
N (t)
X
N1 (t) = Yk , y N0 (t) = N (t) − N1 (t).
k=1

Los valores de N1 (t) sobre intervalos disjuntos son variables aleatorias independientes, N1 (0) = 0 y final-
mente, el lema 4.2 nos dice que N1 (t) tiene distribución de Poisson con media λpt. Un argumento similar
muestra que N0 (t) es un proceso de Poisson con parámetro λ(1 − p). Lo que resulta más sorprendente es
que N0 y N1 son procesos independientes. Para ver esto calculemos

P (N0 (t) = j, N1 (t) = k) = P (N (t) = j + k, N1 (t) = k)

= P (N1 (t) = k|N (t) = j + k)P (N (t) = j + k)
(j + k)! k (λt)j+k e−λt
= p (1 − p)j
j!k! (j + k)!
h e−λpt (λpt)k ih e−λ(1−p)t (λ(1 − p)t)j i
=
k! j!
= P (N1 (t) = k)P (N0 (t) = j)

para j, k = 0, 1, 2, . . .

Ejemplo 4.7
Los clientes entran a una tienda de acuerdo a un proceso de Poisson con intensidad de 10 por hora. De
manera independiente, cada cliente compra algo con probabilidad p = 0.3 o sale de la tienda sin comprar
nada con probabilidad q = 1−p = 0.7. ¿Cuál es la probabilidad de que durante la primera hora 9 personas
entren a la tienda y que tres de estas personas compren algo y las otras 6 no?
4.8. SUPERPOSICIÓN DE PROCESOS DE POISSON 123

Sea N1 = N1 (1) el número de clientes que hacen una compra durante la primera hora y N0 = N0 (1)
el número de clientes que entran pero no compran nada. Entonces N0 y N1 son v.a.i. de Poisson con
parámetros respectivos (0.7)(10) = 7 y (0.3)(10) = 3. Por lo tanto
76 e−7 33 e−3
P (N0 = 6) = = 0.149, P (N1 = 3) = = 0.224.
6! 3!
y
P (N0 = 6, N1 = 3) = P (N0 = 6)P (N1 = 3) = (0.149)(0.224) = 0.0334.
N
En el caso general las variables Yk toman valores sobre un conjunto numerable, por ejemplo sobre
{0, 1, 2, . . . }, y el resultado correspondiente es el siguiente teorema, que no demostraremos.

Teorema 4.6 Nj (t) son procesos de Poisson independientes con intensidad λP (Yi = j).

4.8. Superposición de Procesos de Poisson

La situación inversa a la descomposición de un proceso de Poisson es la superposición de procesos.
Ya que un proceso de Poisson puede descomponerse en procesos de Poisson independientes, es razonable
esperar que el proceso inverso, la superposición de procesos de Poisson independientes, produzca un
proceso de Poisson cuya intensidad sea la suma de las intensidades.

Teorema 4.7 Sean N1 (t), . . . , Nk (t) procesos de Poisson independientes con parámetros λ1 , . . . , λk , en-
tonces N1 (t) + · · · + Nk (t) es un proceso de Poisson con parámetro λ1 + · · · + λk .
Demostración. Haremos la demostración para el caso k = 2, el caso general se obtiene luego por induc-
ción. Es inmediato que la suma tiene incrementos independientes y que N1 (0) + N2 (0) = 0. Para verificar
que los incrementos tienen distribución de Poisson con parámetro igual a la suma de los parámetros
observamos que si Y = N1 (t + s) − N1 (s) ∼ Pois(λ1 t) y Z = N2 (t + s) − N2 (s) ∼ Pois(λ2 t), entonces
N (t + s) − N (s) = [N1 (t + s) − N1 (s)] + [N2 (t + s) − N2 (s)]
= Y + Z ∼ Pois((λ1 + λ2 )t).

Ejemplo 4.8
Consideremos dos procesos de Poisson, uno con parámetro λ, que representa las llegadas a la meta del
equipo rojo, y otro, independiente del anterior y con parámetro µ, que representa las llegadas del equipo
verde. ¿Cuál es la probabilidad de que haya 6 llegadas rojas antes que 4 verdes?
Observamos que el evento en cuestión equivale a tener al menos 6 rojos en los primeros 9. Si esto
ocurre, tenemos a lo sumo tres verdes antes de la llegada del sexto rojo. Por otro lado, si hay 5 o menos
rojos en los primeros 9, entonces tendremos al menos 4 verdes.
Podemos ahora ver el problema en el marco de un proceso de Poisson general que incluye rojos y
verdes, y tiene parámetro λ + µ. Para cada llegada escogemos al azar el color lanzando una moneda con
probabilidad p = λ/(λ + µ) para rojo. La probabilidad que nos interesa es
9  
X 9 k
p (1 − p)9−k .
k
k=6

En el caso particular en el cual ambos procesos iniciales tienen la misma intensidad λ = µ, p = 1/2 y la
expresión anterior es
9  
1 X 9 140
= = 0.273.
512 k 512
k=6
N
124 CAPÍTULO 4. PROCESOS DE POISSON

4.9. Procesos No Homogéneos

En el corolario 4.2 vimos qué ocurre si la probabilidad de cada evento individual no es homogénea.
Si, en cambio, el parámetro del proceso, que representa la intensidad por unidad de tiempo con la cual
ocurren los eventos, no es constante a lo largo del tiempo, tenemos un proceso no-homogéneo.

Definición 4.4 Decimos que (N (t), t ≥ 0) es un proceso de Poisson no homogéneo con tasa λ(s), s ≥ 0
si
1. N (0) = 0,
2. N (t) tiene incrementos independientes,
R s+t
3. N (s + t) − N (s) tiene distribución de Poisson con media s
λ(r) dr.
En este caso los intervalos de tiempo entre eventos sucesivos, Tn , n ≥ 1, ya no son independientes
ni tienen distribución exponencial. Esta es la razón por la cual no usamos nuestra R t definición inicial
para esta generalización. Veamos que esto es efectivamente cierto. Pongamos µ(t) = 0 λ(s) ds, entonces
N (t) ∼ Pois(µ(t)) y
P (T1 > t) = P (N (t) = 0) = e−µ(t) .
Derivando obtenemos la densidad
d Rt
fT1 (t) = − P (T1 > t) = λ(t)e− 0 λ(s) ds = λ(t)e−µ(t)
dt
para t ≥ 0. La relación anterior se puede generalizar de la siguiente manera

fT1 ,...,Tn (t1 , . . . , tn ) = λ(t1 )λ(t1 + t2 ) · · · λ(t1 + · · · + tn )e−µ(t1 +···+tn ) ,

lo cual muestra que, en general, las variables Ti no son independientes ni tienen distribución exponencial.

Ejemplo 4.9
Los clientes llegan a una tienda de acuerdo a un proceso de Poisson no-homogéneo con intensidad

2t
 para 0 ≤ t < 1,
λ(t) = 2 para 1 ≤ t < 2,

4 − t para 2 ≤ t ≤ 4,


donde t se mide en horas a partir de la apertura. ¿Cuál es la probabilidad de que dos clientes lleguen
durante las primeras dos horas y dos más durante las dos horas siguientes?
Como las llegadas durante intervalos disjuntos son independientes,
R 1 podemos
R 2 responder las dos pre-
guntas por separado. La media para las primeras dos horas es µ = 0 2t dt + 1 2 dt = 3 y por lo tanto

e−3 (3)2
P (N (2) = 2) = = 0.2240.
2!
R4
Para las siguientes dos horas, µ = 2
(4 − t) dt = 2 y

e−2 (2)2
P (N (4) − N (2) = 2) = = 0.2707.
2!
La probabilidad que nos piden es

P (N (2) = 2, N (4) − N (2) = 2) = P (N (2) = 2)P (N (4) − N (2) = 2) = 0.0606

N
4.9. PROCESOS NO HOMOGÉNEOS 125

4.9.1. Postulados para un proceso de Poisson no-homogéneo

Al igual que para el caso del proceso homogéneo, es posible demostrar que los siguientes postulados
implican que el proceso de conteo N (t) es un proceso de Poisson no-homogéneo con función de intensidad
λ(t), t ≥ 0:

(a) N (0) = 0.

(b) {N (t), t ≥ 0} tiene incrementos independientes.

(c) P (N (t + h) − N (t) = 1) = λ(t)h + o(h).

(d) P (N (t + h) − N (t) ≥ 2) = o(h).

Muestrear en el tiempo un proceso de Poisson ordinario a una tasa que depende del tiempo produce
un proceso de Poisson no-homogéneo. Esto es similar a lo que vimos para la descomposición de un proceso
de Poisson sólo que ahora la probabilidad de observar un evento del proceso original no es una constante
p como ocurrı́a antes, sino que depende del tiempo: p(t).
Sea {N (t), t ≥ 0} un proceso de Poisson con intensidad constante λ y supongamos que un evento
que ocurre en el instante t se observa con probabilidad p(t), independientemente de lo que haya ocurrido
antes. Llamemos M (t) al proceso de los eventos que hemos logrado contar hasta el instante t, entonces
{M (t), t ≥ 0} es un proceso de Poisson no-homogéneo con función de intensidad λ(t) = λp(t). Podemos
verificar esta afirmación comprobando que se satisfacen los axiomas anteriores.

(a) M (0) = 0.

(b) El número de eventos que contamos en el intervalo (t, t + h] depende únicamente de los eventos del
proceso de Poisson N que ocurren en (t, t + h], que es independiente de lo que haya ocurrido antes
de t. En consecuencia el número de eventos observados en (t, t + h] es independiente del proceso de
eventos observados hasta el tiempo t, y por lo tanto M tiene incrementos independientes.

(c) Condicionando sobre N ((t, t + h]):

P (M ((t, t + h]) = 1) = P (M ((t, t + h]) = 1|N ((t, t + h]) = 1)P (N ((t, t + h]) = 1)
+ P (M ((t, t + h]) = 1|N ((t, t + h]) ≥ 2)P (N ((t, t + h]) ≥ 2)
= P (M ((t, t + h]) = 1|N ((t, t + h]) = 1)λh + o(h)
= p(t)λh + o(h)

(d) P (M ((t, t + h]) ≥ 2) ≤ P (N ((t, t + h]) ≥ 2) = o(h).

Hay un recı́proco (parcial) para este resultado: todo proceso no-homogéneo de Poisson con intensidad
acotada se puede obtener a partir de un proceso homogéneo muestreado en el tiempo. Para ver esto
necesitamos la siguiente proposición que enunciamos sin demostración

Proposición 4.1 Sean {N (t), t ≥ 0} y {M (t), t ≥ 0} procesos de Poisson independientes no-homogéneos,

con funciones de intensidad respectivas α(t) y β(t) y sea S(t) = N (t) + M (t). Entonces

(a) {S(t), t ≥ 0} es un proceso de Poisson no-homogéneo con función de intensidad λ(t) = α(t) + β(t).

(b) Dado que un evento del proceso S ocurre en el instante t entonces, independientemente de lo que
haya ocurrido antes de t, el evento en t viene del proceso N con probabilidad α(t)/(α(t) + β(t)).
126 CAPÍTULO 4. PROCESOS DE POISSON

Demostración. Ver S.M. Ross, Introduction to Probability Models 10th. Ed. p. 340.

Supongamos ahora que {N (t), t ≥ 0} es un proceso de Poisson no-homogéneo con función de in-
tensidad acotada λ(t) tal que λ(t) ≤ λ para todo t. Sea {M (t), t ≥ 0} otro proceso de Poisson
no-homogéneo con intensidad µ(t) = λ − λ(t) e independiente de N (t). Por la proposición anterior
tenemos que {N (t), t ≥ 0} se puede considerar como el proceso que se obtiene a partir del proceso ho-
mogéneo {N (t) + M (t), t ≥ 0}, donde un evento que ocurre en el tiempo t es observado con probabilidad
p(t) = λ(t)/λ.

La función µ(t) definida por

Z t
µ(t) = λ(s) ds
0
es continua y no decreciente y representa el valor esperado del número de eventos que ocurren en el
intervalo [0, t], E(N (t)) = µ(t). Definimos su inversa generalizada ν(t) por

ν(t) = ı́nf{s : µ(s) > t}, t ≥ 0.

Usando estas funciones tenemos el siguiente resultado

Teorema 4.8 Sea N un proceso de Poisson no homogéneo y sea M (t) = N (ν(t)), t ≥ 0. Entonces M
es un proceso de Poisson homogéneo con intensidad 1.
Demostración. Fijamos s, t y ponemos t0 = ν(t), t0 + s0 = ν(t + s), s0 = ν(t + s) − ν(t). Entonces

E(M (t + s) − M (t)|M (u), u ≤ t) = E(N (t0 + s0 ) − N (t0 )|N (u), u ≤ t)

= E(N (t0 + s0 ) − N (t0 )) = µ(t0 + s0 ) − µ(t0 )
= t + s − t = s.

Por el teorema 4.4 obtenemos el resultado. 

Denotemos por τn el instante en el cual ocurre el n-ésimo evento de un proceso no-homogéneo

{N (t), t ≥ 0}. Entonces

P (t < τn < t + h) = P (N (t) = n − 1, y al menos un evento ocurre en (t, t + h))

= P (N (t) = n − 1, y un evento ocurre en (t, t + h)) + o(h)
= P (N (t) = n − 1)P (un evento ocurre en (t, t + h)) + o(h)
µ(t)n−1 
= e−µ(t)

λ(t)h + o(h) + o(h)
(n − 1)!
(µ(t))n−1
= λ(t)e−µ(t) h + o(h).
(n − 1)!
Dividiendo por h y haciendo h → 0 obtenemos que la densidad de esta variable es
(µ(t))n−1
fτn (t) = λ(t)e−µ(t) .
(n − 1)!

4.9.2. Procesos de Cox

Un proceso de Cox es un proceso de Poisson no-homogéneo en el cual la intensidad (λ(t), t ≥ 0) es
a su vez un proceso aleatorio. En general, los incrementos sobre intervalos disjuntos para un proceso de
Cox no son independientes.
Sea (N (t), t ≥ 0) un proceso de Poisson con intensidad constante λ = 1. El proceso de Cox más
simple requiere seleccionar el valor de una v.a. Θ y luego observar el proceso M (t) = N (Θt). Dado el
4.10. LA DISTRIBUCIÓN UNIFORME 127

valor de Θ, M es, condicionalmente, un proceso de Poisson con intensidad constante λ = Θ. Θ es aleatoria

y, tı́picamente, no es observable. Si Θ tiene distribución continua con densidad f (θ) entonces, por la ley
de probabilidad total obtenemos la distribución marginal
∞
(θt)k e−θt
Z
P (M (t) = k) = f (θ) dθ.
0 k!

4.10. La Distribución Uniforme

Consideremos un segmento de longitud t y escojamos sobre él n puntos al azar, de manera indepen-
diente y con distribución uniforme, es decir, consideramos una muestra aleatoria simple de tamaño n de
la distribución uniforme sobre [0, t]. Llamemos U1 , . . . , Un a estas variables. La densidad de probabilidad
de c/u de ellas es
1
fU (u) = , para 0 ≤ u ≤ t.
t
Consideremos ahora esta misma muestra pero ordenada y llamemos U(i) , 1 ≤ i ≤ n, a sus valores, de
modo que
U(1) ≤ U(2) ≤ · · · ≤ U(n) .
Como veremos a continuación, la densidad conjunta de U(1) , U(2) , . . . , U(n) es

n!
fU(1) ,...,U(n) (u1 , . . . , un ) = para 0 < u1 < · · · < un ≤ t (4.6)
tn
Dada cualquier colección X1 , . . . , Xn de v.a.i.i.d. las variables X(1) , . . . , X(n) , que corresponden a los
valores de las variables originales pero ordenadas

X(1) ≤ X(2) ≤ · · · ≤ X(n) ,

se conocen como los estadı́sticos de orden. El próximo teorema nos muestra cómo se obtiene su distribución
en el caso general.

Teorema 4.9 Sean X(1) ≤ X(2) ≤ · · · ≤ X(n) los estadı́sticos de orden para una muestra aleatoria simple
de variables aleatorias continuas con densidad f (x). La densidad conjunta de los estadı́sticos de orden es
( Q
n
n! i=1 f (x(i) ), x(1) < · · · < x(n) ,
gn (x(1) , x(2) , . . . , x(n) ) = (4.7)
0, en otro caso.

Demostración. Haremos la prueba para el caso general n y la ilustraremos detalladamente cuando

n = 2. Definimos los conjuntos A = {(x1 , . . . , xn ) : xi ∈ R, xi 6= xj para i 6= j} y B = {(x(1) , . . . , x(n) ) :
−∞ < x(1) < · · · < x(n) < ∞}. La transformación que define los estadı́sticos de orden es una función
de A a B pero no es 1-1, ya que cualquiera de las n! permutaciones de los valores observados produce
los mismos estadı́sticos de orden. Por ejemplo, cuando n = 2, (x1 , x2 ) = (1.6, 3.4) y (x1 , x2 ) = (3.4, 1.6)
ambos producen (x(1) , x(2) ) = (1.6, 3.4)
Si dividimos A en n! subconjuntos de modo que c/u corresponda a un orden particular de la muestra
observada, vemos que ahora la transformación que define los estadı́sticos de orden define una biyección
de cada uno de estos conjuntos al conjunto B. Como ilustración, cuando n = 2, dividimos A en A1 =
{(x1 , x2 ) : −∞ < x1 < x2 < ∞} y A2 = {(x1 , x2 ) : −∞ < x2 < x1 < ∞}. En el primero de estos
conjuntos la transformación es x1 = x(1) y x2 = x(2) . Por lo tanto el valor absoluto del Jacobiano de la
transformación es  
 1 0 
|J1 | =  
   = 1
0 1 
128 CAPÍTULO 4. PROCESOS DE POISSON

mientras que en A2 la transformación es x1 = x(2) y x2 = x(1) y el valor absoluto del Jacobiano de la

transformación es  
 0 1 
|J2 | =  
    = 1.
1 0 
En el caso general se ve similarmente que el Jacobiano de cada una de las biyecciones de una de las
n! regiones en que dividimos a A sobre B, tiene valor absoluto igual a 1. La densidad conjunta de los
estadı́sticos de orden es, en consecuencia, la suma de las contribuciones de cada conjunto de la partición.
En el caso particular n = 2 tenemos para −∞ < x(1) < x(2) < ∞,

g(x(1) , x(2) ) = f (x(1) )f (x(2) )|J1 | + f (x(2) )f (x(1) )|J2 |

= 2f (x(1) )f (x(2) ).

Para n cualquiera, la densidad

Qnconjunta (4.7) se obtiene tomando en cuenta que la contribución de cada
una de las n! particiones es i=1 f (x(i) ). 
En el caso particular de la distribución uniforme obtenemos la ecuación (4.6) para la densidad de los
estadı́sticos de orden.

Teorema 4.10 Sean τ1 , τ2 , . . . los instantes en los cuales ocurren los sucesivos eventos de un proceso
de Poisson de parámetro λ. Dado que N (t) = n, las variables τ1 , τ2 , . . . tienen la misma distribución
conjunta que los estadı́sticos de orden de n v.a.i. con distribución uniforme en [0, t].

Demostración. Consideremos un proceso de Poisson {N (t), t ≥ 0} y supongamos que en el intervalo

[0, t] han ocurrido n eventos. Sea [ti , ti + hi ], 1 ≤ i ≤ n, una sucesión de intervalos disjuntos en [0, t].
Dado que han ocurrido n eventos hasta t, la probabilidad de que ocurra exactamente un evento en cada
uno de los intervalos que listamos, y ningún evento fuera de ellos es

P (t1 ≤ τ1 ≤ t1 + h1 , . . . , tn ≤ τn ≤ tn + hn |N (t) = n)
λh1 e−λh1 · · · λhn e−λhn e−λ(t−h1 −···−hn )
=
e−λt (λt)n /n!
n!
= n h1 · · · hn . (4.8)
t
Pero, por definición de la función de densidad, el lado izquierdo de (4.8) es, para valores pequeños de
hi , 1 ≤ i ≤ n, aproximadamente igual a

fτ1 ,...,τn |N (t)=n (t1 , . . . , tn )h1 . . . hn .

Esto es suficiente para demostrar que la densidad condicional de los tiempos τi dado que han ocurrido n
eventos en el intervalo [0, t] es igual a n!/tn . 

Ejemplo 4.10
El teorema anterior nos da una manera de probar si un conjunto de observaciones es de Poisson. Su-
pongamos que hemos observado el proceso por un perı́odo de tiempo t durante el cual han ocurrido n
eventos. Sea τ1 , . . . , τn los instantes en los cuales han ocurrido los eventos y sea W1 , . . . , Wn una permu-
tación de los instantes escogida al azar. Si los eventos ocurrieron de acuerdo a un proceso de Poisson,
las variables Wi son independientes y tienen distribución uniforme sobre el intervalo [0, t]. Por lo tanto
podemos hacer un test sobre estas variables para ver si cumplen esta hipótesis, para lo cual podemos
hacer una prueba de Kolmogorov-Smirnov o de Cramér-von PnMises. También es posible usar el TCL ya
que para valores moderados o grandes de n, la suma Sn = 1 Ui es aproximadamente normal con media
E(Sn ) = n E(U1 ) = nt/2 y varianza Var(Sn ) = n Var(U1 ) = nt2 /12.
4.10. LA DISTRIBUCIÓN UNIFORME 129

Por ejemplo, si en t = 10 minutos de observación, n = 12 eventos ocurren, entonces la suma S12 de

los instantes en los cuales ocurren los eventos es aproximadamente normal con media 60 y desviación
estándar 10. En consecuencia, si S12 satisface las desigualdades

60 − (1.96)10 ≤ S12 ≤ 60 + (1.96)10,

aceptarı́amos la hipótesis de que los eventos provienen de un proceso de Poisson con un nivel de signifi-
cación de 95 %. N
Ejemplo 4.11
Consideremos una masa de material radioactivo que emite partı́culas alfa de acuerdo a un proceso de
Poisson de intensidad λ. Cada partı́cula existe por un perı́odo aleatorio de tiempo y luego desapare-
ce. Supongamos que los tiempos de vida sucesivos Y1 , Y2 , . . . de las diferentes partı́culas son v.a.i. con
distribución común G(y) = P (Yk ≤ y). Sea M (t) el número de partı́culas que existen en el instante t.
Queremos hallar la distribución de probabilidad de M (t) bajo la condición de que M (0) = 0.
Sea N (t) el número de partı́culas creadas hasta el tiempo t. Observamos que M (t) ≤ N (t). Dado que
N (t) = n sean τ1 , . . . , τn ≤ t los instantes en los cuales se crean las partı́culas. La partı́cula k existe en el
instante t si y sólo si τk + Yk ≥ t. Por lo tanto
n
X 
P (M (t) = m|N (t) = n) = P 1{τk +Yk ≥t} = m|N (t) = n .
k=1

Usando el teorema 4.10 y la simetrı́a entre las partı́culas tenemos

n
X  n
X 
P 1{τk +Yk ≥t} = m|N (t) = n = P 1{Uk +Yk ≥t} = m (4.9)
k=1 k=1

donde U1 , U2 , . . . , Un son v.a.i. con distribución uniforme en [0, t]. El lado derecho de (4.9) es una distri-
bución binomial con parámetros n y

1 t
Z
p = P (Uk + Yk ≥ t) = P (Yk ≥ t − u)du
t 0
1 t 1 t
Z Z
= [1 − G(t − u)]du = [1 − G(z)]dz. (4.10)
t 0 t 0
Escribiendo explı́citamente la distribución binomial tenemos
 
n m
P (M (t) = m|N (t) = n) = p (1 − p)n−m
m
con p dado por la ecuación (4.10). Finalmente
∞
X
P (M (t) = m) = P (M (t) = m|N (t) = n)P (N (t) = n)
n=m
∞
X n! (λt)n e−λt
= pm (1 − p)n−m
n=m
m!(n − m)! n!
∞
(λpt)m X (1 − p)n−m (λt)n−m
= e−λt . (4.11)
m! n=m (n − m)!

La suma es una serie exponencial que se reduce a

∞ ∞
X (1 − p)n−m (λt)n−m X [λt(1 − p)]j
= = eλt(1−p)
n=m
(n − m)! j=0
j!
130 CAPÍTULO 4. PROCESOS DE POISSON

y usando esto (4.11) se reduce a

e−λpt (λpt)m
P (M (t) = m) = para m ≥ 0,
m!
es decir, el número de partı́culas que existen en el instante t tiene distribución de Poisson de media
Z t
λpt = λ (1 − G(y))dy. (4.12)
0
R∞
Veamos que ocurre cuando t → ∞. Sea µ = E[Yk ] = 0 (1 − G(y))dy la vida media de una partı́cula
alfa. Vemos a partir de (4.12) que cuando t → ∞, la distribución de M (t) converge a una distribución de
Poisson con parámetro λµ. Por lo tanto, asintóticamente, la distribución de probabilidad para el número
de partı́culas que existen depende únicamente de la vida media µ. N

Ejemplo 4.12
Un procedimiento común en estadı́stica es observar un número fijo n de v.a.i.i.d. X1 , . . . , Xn y usar su
media muestral
X1 + · · · + Xn
X̄n =
n
como estimador de la media de la población E[X1 ]. Consideremos en cambio la siguiente situación: Una
compañı́a nos pide estimar el tiempo medio de vida en servicio de cierto componente de una máquina.
La máquina ha estado funcionando por dos años y se observó que el componente original duró 7 meses,
el siguiente duró 5 meses y el tercero 9. No se observaron fallas en los tres meses restantes del perı́odo de
observación. La pregunta es si es correcto estimar la vida media en servicio por el promedio observado
(7 + 9 + 5)/3 = 7 meses.
Este ejemplo presenta una situación en la cual el tamaño de la muestra no está fijo de antemano
sino que se determina a través de una ’cuota’ prefijada t > 0: Observamos una sucesión de variables
i.i.d. X1 , X2 , . . . y continuamos el muestreo mientras la suma de observaciones sea menor que la cuota t.
Llamemos N (t) al tamaño de la muestra,

N (t) = máx{n ≥ 0 : X1 + · · · + Xn < t}.

La media muestral es
X1 + · · · + XN (t)
X̄N (t) = .
N (t)
Puede suceder que X1 ≥ t, en este caso N (t) = 0 y no podemos definir la media muestral. Por lo
tanto tenemos que suponer que N (t) ≥ 1. Una pregunta importante en estadı́stica matemática es si este
estimador es insesgado. Es decir, ¿cómo se relaciona el valor esperado de este estimador con el valor
esperado de E[X1 ]?
En general, determinar el valor esperado de la media muestral en esta situación es muy difı́cil. Es
posible hacerlo, sin embargo, en el caso en el cual los sumandos tienen distribución exponencial de
parámetro común λ, de modo que N (t) es un proceso de Poisson. La clave es usar el teorema 4.10 para
evaluar la esperanza condicional
 n 
E[τN (t) |N (t) = n] = E[máx(U1 , . . . , Un )] = t ,
n+1

donde U1 , . . . , Un son independientes y tienen distribución uniforme sobre el intervalo [0, t]. Observamos
además que
(λt)n e−λt
P (N (t) = n|N (t) > 0) = .
n!(1 − e−λt )
4.11. PROCESOS ESPACIALES DE POISSON 131

Entonces,
hτ i X ∞ hτ i
N (t)  N (t) 
E N (t) > 0 = E N (t) = n P (N (t) = n|N (t) > 0)
N (t) n=1
n
∞ 
X n  1  (λt)n e−λt 
= t
n=1
n + 1 n n!(1 − e−λt )
∞
1  1  X (λt)n+1
=
λ eλt − 1 n=1 (n + 1)!
1  1  λt
= (e − 1 − λt)
λ eλt − 1
1  λt 
= 1 − λt .
λ e −1
Podemos ver el efecto de este tipo de muestreo si expresamos el resultado anterior en términos del cociente
del sesgo entre el verdadero valor de la esperanza E(X1 ) = 1/λ. Tenemos

E[X1 ] − E[X̄N (t) ] λt E[N (t)]

= λt = E[N (t)] .
E[X1 ] e −1 e −1
El lado izquierdo representa la fracción del sesgo y el lado derecho expresa esta fracción como función del
tamaño esperado de la muestra para este tipo de muestreo. La siguiente tabla presenta algunos valores:
E(N (t)) Fracción
1 0.58
2 0.31
3 0.16
4 0.07
5 0.03
6 0.015
10 0.0005
En el ejemplo inicial, observamos N (t) = 3 fallas en un perı́odo de un año y en la tabla anterior vemos que
la fracción del sesgo es del orden de 16 %. Como mencionamos X̄N (t) = 7, una estimación más adecuada
podrı́a ser 7/0.84 = 8.33, que intenta corregir, en promedio, el sesgo debido al método de muestreo. N
Los resultados
R tanteriores se pueden generalizar al caso de procesos no-homogéneos con intensidad
λ(r). Sea µ(t) = 0 λ(r)dr y g(r) = λ(r)/µ(t) para 0 < r < t.

Teorema 4.11 Sean U1 , U2 , . . . , Un v.a.i. con densidad g. Dado que N (t) = n, los tiempos de llegadas
τ1 , . . . , τn tienen la misma distribución que los estadı́sticos de orden correspondientes a las variables
U1 , . . . , Un .
La demostración es similar a la del caso homogéneo y queda como ejercicio.

4.11. Procesos Espaciales de Poisson

Sea S un conjunto en un espacio n-dimensional y sea A una familia de subconjuntos de S. Un proceso
puntual en S es un proceso estocástico N (A) indexado por los subconjuntos A en A que tiene como
valores posibles los elementos del conjunto {0, 1, 2, . . . }. La idea es que los puntos se encuentran dispersos
en S de manera aleatoria y N (A) cuenta los puntos en el conjunto A. Como N (A) es una función que
cuenta, hay varias condiciones obvias que debe satisfacer. Por ejemplo, si A y B son disjuntos, están en
A y su unión A ∪ B también está en A entonces necesariamente N (A ∪ B) = N (A) + N (B).
132 CAPÍTULO 4. PROCESOS DE POISSON

El caso unidimensional, en el cual S es la semirecta positiva y A es la colección de los intervalos

de la forma A = (s, t] para 0 ≤ s < t, lo consideramos al estudiar el proceso puntual de Poisson.
La generalización al plano o al espacio tridimensional tiene interés cuando consideramos la distribución
espacial de estrellas o galaxias en Astronomı́a, de plantas o animales en Ecologı́a, de bacterias sobre una
placa de laboratorio en Biologı́a o de defectos sobre una superficie en Ingenierı́a.

Definición 4.5 Sea S un subconjunto de R, R2 o R3 . Sea A una familia de subconjuntos de S y para

cualquier A ∈ A sea |A| el tamaño (longitud, área o volumen) de A. Entonces {N (A) : A ∈ A} es un
proceso puntual homogéneo de Poisson de intensidad λ > 0 si
1. Para todo A ∈ A, la variable N (A) tiene distribución de Poisson con parámetro λ|A|.
2. Para toda colección finita A1 , . . . , An de conjuntos disjuntos de A, las variables N (A1 ), . . . , N (An )
son independientes.

Ejemplo 4.13
Una zona de Londres se dividió en N = 576 = 24 × 24 áreas de 1/4 de kilómetro cuadrado. Esta
área recibió 535 impactos de bomba durante la II Guerra Mundial, un promedio de 535/576 = 0.9288
por cuadrado. La siguiente tabla presenta Nk , el número de cuadrados que recibieron el impacto de
exactamente k bombas y lo compara con el valor esperado si los impactos tuviesen una distribución de
Poisson con esta media
k 0 1 2 3 4 ≥5
Nk 229 211 93 35 7 1
Poisson 226.74 211.39 98.54 30.62 7.14 1.57
El ajuste es muy bueno y puede ser verificado haciendo una prueba χ2 . N
Muchas de las propiedades que hemos estudiado para el caso unidimensional tienen una extensión
natural para el caso de dimensiones mayores. Veamos, como ejemplo, la propiedad de uniformidad de
la distribución de la ubicación de los puntos en una región dado que conocemos el número de puntos.
Consideremos inicialmente una región A de tamaño positivo |A| > 0 y supongamos que sabemos que A
contiene exactamente un punto: N (A) = 1. Entonces, la distribución de este punto es uniforme en el
siguiente sentido:
|B|
P (N (B) = 1|N (A) = 1) =
|A|
para cualquier B ⊂ A. Para ver esto escribimos A = B ∪ C donde C = A \ B y en consecuencia N (B) y
N (C) son v.a.i. de Poisson con medias respectivas λ|B| y λ|C|. Entonces
P (N (B) = 1, N (C) = 0)
P (N (B) = 1|N (A) = 1) =
P (N (A) = 1)
λ|B|e−λ|B| e−λ|C|
=
λ|A|e−λ|A|
|B|
= .
|A|

Para generalizar este resultado consideremos una región A de tamaño positivo |A| > 0 que contiene
N (A) = n ≥ 1 puntos. Entonces estos puntos son independientes y están distribuidos uniformemente en
A en el sentido de que para cualquier partición disjunta A1 , . . . , Am de A, donde A = A1 ∪ · · · ∪ Am y
para cualesquiera enteros positivos k1 , . . . , km con k1 + · · · + km = n, tenemos
n!  |A | k1  |A | km
1 m
P (N (A1 ) = k1 , . . . , N (Am ) = km |N (A) = n) = ···
k1 ! · · · kn ! |A| |A|
es decir, dado que N (A) = n, la distribución de N (A1 ), . . . N (Am ) es multinomial.
4.11. PROCESOS ESPACIALES DE POISSON 133

Ejemplo 4.14
Consideremos un proceso de Poisson compuesto sobre la recta y supongamos que las variables asociadas
U1 , U2 , . . . tienen distribución uniforme U(0, 1). Esto nos da una sucesión de puntos sobre la banda
{(t, u) : 0 ≤ t < ∞, 0 < u < 1}. En este caso, como las Ui tienen distribución continua, el número de
puntos sobre una recta fija {(t, u) : u = x} es 0 con probabilidad uno.
Si en lugar de rectas consideramos bandas

{(t, u) : 0 ≤ t < ∞, am−1 < u ≤ am }

y si 0 ≤ a0 < a1 < . . . < an ≤ 1, entonces los puntos en las bandas 1 ≤ m ≤ n son independientes.
Usando esta propiedad y la propiedad de incrementos independientes de los procesos de Poisson
unidimensionales obtenemos el siguiente resultado: Sean Rm = {(t, u) : am < t ≤ bm , cm < u ≤ dm }
rectángulos con am ≥ 0 y 0 ≤ cm < dm ≤ 1 y sea N (Rm ) el número de puntos (Ti , Ui ) que están en el
rectángulo Rm . Si los rectángulos Rm son disjuntos entonces las variables N (Rm ) son independientes y
tienen distribución de Poisson con media

λm = λ(bm − am )(dm − cm ) = λ|Rm |.

4.11.1. Procesos no homogéneos en el plano

Decimos que N es un proceso no homogéneo de Poisson con intensidad λ(x, y) si cuando Rm , 1 ≤
m ≤ n son conjuntos disjuntos, las variables N (Rm ) son independientes con distribución de Poisson de
media Z
µ(Rm ) = λ(x, y) dy dx.
(x,y)∈Rm

Si la integral vale ∞, el número de puntos es ∞.

Ejemplo 4.15
Sean τ1 , τ2 , . . . los instantes en los que ocurren eventos de un proceso de Poisson con intensidad λ.
Supongamos que si un evento ocurre en el instante s, lo registramos con probabilidad p(s). El proceso de
eventos registrados es un proceso de Poisson no-homogéneo de intensidad λp(s).
Para ver esto, asociamos a cada τi una v.a.i. con distribución uniforme sobre (0, 1), y aceptamos el
punto si Ui < p(τi ). El número de puntos τi aceptados en un intervalo (a, b) es igual al número de puntos
(τi , Ui ) que caen en la región
{(t, u) : a < t < b, 0 < u < p(t)}.
En consecuencia, este número es Poisson con media igual al producto de λ por el área del conjunto, es
Rb
decir λ a p(s)ds. Es claro que el número de eventos en intervalos disjuntos son independientes, de modo
que tenemos un proceso de Poisson no-homogéneo. Este resultado nos da una manera de construir un
proceso de Poisson no-homogéneo de intensidad dada. N