2.b.
Proceso de Poisson
Procesos Estocásticos y Simulación.
Grado en Matemáticas.
Jorge Marco Blanco
Departamento de Estadística e I.O.
Facultad de Matemáticas
Contenido
1 Definición.
2 Magnitudes relevantes
• Número de llegadas
• Tiempo de primera pasada
3 Independencia y Ausencia de memoria
4 Separación y Fusión de procesos de Poisson
5 Comparativa procesos de Bernoulli y Poisson
6 Simulación de un proceso de Poisson
2.b. Proceso de Poisson 1 / 12
Definición.
Un proceso llegadas se denomina proceso de Poisson con tasa λ si cumple
las siguientes propiedades:
1 Homogeneidad temporal. La probabilidad p(k , t) de k llegadas es la
misma los intervalos de igual longitud (t)
2 Independencia. El número de llegadas en un intervalo es
independiente del número de llegadas pasado fuera de ese intervalo.
3 Probabilidades en intervalos pequeños. Las probabilidades p(k , t)
satisfacen:
• p(0, t) = 1 − λt + o0 (t)
• p(1, t) = λt + o1 (t)
• p(k , t) = ok (t)
ok (t)
con limt→0 t =0
2.b. Proceso de Poisson Definición. 2 / 12
Definición (Número de llegadas en el p. de Poisson)
Dado un proceso de Poisson con parámetro λ, se define el número
de llegadas como la variable aleatoria caracterizada por la siguiente
función de densidad:
(λt)k e−(λt)
p(k , t) =
k!
Con una notación similar a la del proceso de Bernoulli, si llamamos Xt
al número de llegadas en un tiempo t en un proceso de Poisson
caracterizado por λ)
p(k , t) = P(Xt = k )
2.b. Proceso de Poisson Magnitudes relevantes 3 / 12
Propiedades estadísticas
La media y la varianza de la distribución resultan ser
E[Xt ] = λt VAR[Xt ] = λt
Recordando la relación p · n = λ · t, observamos la coherencia con el
proceso de Bernoulli:
Bernoulli:
E[Xn ] = np E[Xt ] = λt
lim VAR[Xn ] = lim np(1 − p) = lim (np − np2 ) = np = λt = Var [Xt ]
n→∞ n→∞ n→∞
Donde hemos usado la condición de que np es constante.
2.b. Proceso de Poisson Magnitudes relevantes 4 / 12
En vez de fijar el tiempo t, fijamos el número de llegadas k y
estudiamos el tiempo necesario hasta llegar a dicho número:
Definición (Tiempo de primera pasada por el estado k)
El tiempo de primera llegada al estado k se denota por Tk y se define
como:
Tk = min{t > 0|Xt = k }
El caso especial k = 1 se denomina tiempo de la primera llegada.
Definición (Tiempo de primera pasada por el estado 1)
El tiempo de primera pasada o primera llegada al estado 1 se denota
por T1 y se define como:
T1 = min{t > 0|Xt = 1}
2.b. Proceso de Poisson Magnitudes relevantes 5 / 12
La variable aleatoria Tk se puede caracterizar mediante la siguiente
función de densidad:
λk t k −1 e−λt
P(Tk = t) = ft,k (t) = para t, λ ≥ 0
(k − 1)!
que representa la denominada distribución de Erlang
Así, el tiempo de primera llega T1 , es:
P(T1 = t) = fT1 (t) = λe−λt para t, λ ≥ 0
1 1
E[T1 ] = VAR[T1 ] =
λ λ2
Que representa la distribución Exponencial
2.b. Proceso de Poisson Magnitudes relevantes 6 / 12
Independencia y Ausencia
de memoria
Un proceso de Poisson con parámetro λ, posee las siguiente
propiedades:
• Independencia. Para cualquier s, empieza un proceso de
Poisson de parámetro λ independiente de la historia acaecida
antes del tiempo s.
• Ausencia de Memoria. La variable aleatoria T1 , con la que se
puede caracterizar el proceso de Poisson, tiene la propiedad:
P(T1 > s + t|T1 > s) = P(T1 > t) t, s > 0
Nota: Recordemos que para el proceso de Bernoulli
demostrábamos:
P(T1 − n = t|T1 > n) = P(T1 = t)
2.b. Proceso de Poisson Independencia y Ausencia de memoria 7 / 12
Separación y Fusión de
procesos de Poisson
Fusión de dos procesos de Poisson
Supongamos que tenemos dos procesos de Poisson independientes
con parámetros λ1 y λ2 . Entonces, el proceso resultante de fusionar
ambos procesos es un proceso de Poisson con parámetro:
λ = λ1 + λ2
Nota: La demostración se puede llevar a cabo mediante la función
generatriz de la distribución de Poisson.
2.b. Proceso de Poisson Separación y Fusión de procesos de Poisson 8 / 12
Separación de un proceso de Poisson
Supongamos que tenemos un proceso de Poisson con parámetro λ.
Si cada llegada se puede derivar a dos procesos:
• Al primero, llamado proceso 1, con probabilidad p
• Al segundo, llamado proceso 2, con probabilidad 1 − p
Tenemos entonces que los procesos 1 y 2 son procesos de Poisson
con parámetros:
• Proceso 1: λp
• Proceso 2: λ(1 − p)
2.b. Proceso de Poisson Separación y Fusión de procesos de Poisson 9 / 12
Comparativa procesos de
Bernoulli y Poisson
2.b. Proceso de Poisson Comparativa procesos de Bernoulli y Poisson 10 / 12
2.b. Proceso de Poisson Comparativa procesos de Bernoulli y Poisson 11 / 12
Simulación de un proceso
de Poisson
Para simular un proceso de Poisson con parámetro λ, concretamente,
trayectorias del proceso estocástico:
{Xt , t > 0}
podemos tomar valores de una exponencial con dicho parámetro, de
modo que los diferentes elementos de la muestra representan tiempos
de llegada.
2.b. Proceso de Poisson Simulación de un proceso de Poisson 12 / 12
