PROCESOSROBABILIDADES

ESTOCSTICOS (ITEL-30205)
(8080721)
Tema 1.de
Fundamentos
de Estadstica
Descriptiva
Tema 4. Los Procesos
Poisson y otros
procesos asociados
y medidas
de
Semana Distribucin
15 Clase 07de
frecuencias
Lunes 15/07/13
5:00
a localizacin
8:00 pm

Objetivos a lograr:
Definir y caracterizar
Definir y caracterizar
Definir y caracterizar
Definir y caracterizar
Definir y caracterizar

el
el
el
el
el

proceso
proceso
proceso
proceso
proceso

estocstico
estocstico
estocstico
estocstico
estocstico

de
de
de
de
de

conteo
Poisson homogneo
los tiempos de espera
Poisson compuesto
Poisson no homogneo

1. PROCESO DE CONTEO
1.1. Definicin. Se dice que un proceso estocstico {N(t), t 0} es un proceso de conteo si
representa el nmero de eventos ocurridos hasta el tiempo t.

1.2. Propiedades:

N(0) 0

N(t) toma valores enteros

Es no decreciente, es decir, si s < t , entonces N(s) N(t)
Para s < t , N(t) N(s) es igual al nmero de eventos que ocurrieron en el intervalo

(s, t]

2. PROCESO DE POISSON HOMOGNEO

2.1. Definicin. Una coleccin de variables aleatorias

{N(t),

t 0} se llama Proceso de

Poisson homogneo con intensidad > 0 si satisface las siguientes propiedades:

P {N(0) = 0} = 1 , esto es, N(0) = 0 siempre
Es no decreciente, es decir, si s < t , entonces N(s) N(t)
N(t) es un proceso de incrementos independientes. En tal sentido, se tiene que
N(t1 ), N(t2 ) N(t1 ), N(t3 ) N(t2 ), ..., N(tn +1 N(tn ) son variables independientes si

0 t1 < ... < tn , con n 1

N(t) es un proceso de incrementos estacionarios. En tal sentido, para 0 s < t ,
N(t) N(s) tiene distribucin de Poisson de parmetro (t s)

Prof. Jos Luis Quintero

77

2.3. Ejemplo 1. Sea N(t) el nmero de peces capturados en el intervalo [0,t]. Se supone que el
nmero de peces en el agua es grande, que todos los pescadores tienen la misma suerte
pescando y que la probabilidad de que un pez muerda el anzuelo es igual en cualquier
instante. Bajo estas condiciones idealizadas, se puede considerar el proceso {N(t), t 0}
como un proceso de Poisson. Este ejemplo resalta dos propiedades importantes del proceso
de Poisson: la probabilidad de capturar un pez no depende de la cantidad que ya se ha
pescado y la segunda propiedad es que el tiempo que se ha esperado no cuenta, es decir,
que un pescador que llega al muelle tiene la misma probabilidad de capturar un pez que el
pescador que lleva horas esperando infructuosamente.
2.4. Ejemplo 2. Sea N(t) el nmero de tomos de una sustancia radioactiva que se desintegra
durante el intervalo [0,t]. Si se supone que el nmero de tomos presente en la muestra es
grande y que el coeficiente de desintegracin es pequeo en relacin al intervalo de tiempo
que se considera, entonces se puede considerar a N(t) como un proceso de Poisson. En este
caso

(t)n
,
n!
donde es una constante positiva. Como E N(t) = t , representa el nmero promedio de
P {N(t) = n} = et

tomos que se desintegran en una unidad de tiempo. Si se supone alternativamente que la

desintegracin de cada tomo es independiente del reso, y que el tiempo que transcurre
hasta la desintegracin tienen una distribucin exponencial con parmetro , entonces se
puede concluir que N(t) es un proceso de Poisson.
2.5. Ejemplo 3. Cuando se cultivan bacterias que no pueden usar lactosa en un medio
amnocido aparecen mutantes que pueden usar el azcar, con una cierta frecuencia por
divisin celular. Experimentos realizados por F. J. Ryan en 1961 demuestran que el proceso
de Poisson resulta un modelo adecuado en este caso.
2.6. Ejemplo 4. Considere un objeto (una mquina, un bombillo, un bolgrafo) que se usa hasta
que falla y luego es reparado o reemplazado por un objeto similar nuevo. Se va a suponer
que la vida til (lapso de tiempo durante el cual el objeto funciona sin fallar) es una variable
aleatoria T y se supondr tambin que las vidas tiles T1 , T2 ,... de los objetos puestos en
servicio sucesivamente son variables aleatorias independientes con la misma distribucin que
T. Para t > 0 , sea N(t) el nmero de objetos que han fallado en el intervalo 0, t . Si T tiene
una distribucin exponencial, entonces N(t) es un proceso de Poisson

3. PROCESO DE LOS TIEMPOS DE ESPERA

3.1. Definicin. Una coleccin de variables aleatorias

{S(n),

n = 1, 2,...} se llama Proceso de

Tiempos de Espera si representan el tiempo de espera hasta el n-simo evento.

Prof. Jos Luis Quintero

78

3.2. PROPOSICIN 1. El proceso

{S(n),

n = 1, 2,...} tiene distribucin gamma (Erlang n de

parmetro ) con funcin de densidad de primer orden

(t)n 1 t
e
t0

fS (n, t) = (n 1)!

0
t<0

Demostracin.
S(n) t si y slo si han ocurrido al menos n eventos en el intervalo (0, t] . Por lo tanto
n 1

FS (n, t) = P {S(n) t} = P {N(t) n} = 1 P {N(t) n 1} = 1

k =0

(t)k et
k!

Derivando FS (n, t) se tiene que

d
d
(t)2
(t)n 1
t
+ ... +
FS (n, t) =
1 e 1 + t +

dt
dt
2!
(n 1)!

(t)2
(t)n 1
2(t)
(n 1)(t)n 2
= et 1 + t +
+ ... +
et +
+ ... +

2!
(n 1)!
2!
(n 1)!

(t)n 1
(t)n 2
(t)2
+ ... +
et 1 + t + ... +
= et 1 + t +

2!
(n 1)!
(n 2)!

(t)2
(t)n 1
(t)n 2
(t)n 1 t
= et 1 + t +
+ ... +
1 t ...
=
e

2!
(n 1)!
(n 2)!
(n 1)!

para cada n = 1,2,... y t 0

fS (n, t) =

3.4. Observaciones de inters:

n
E S(n) =

n
V S(n) = 2

3.3. Ejemplo 5. Suponga que un cierto objeto tiene una vida til T, medida en horas con
distribucin exponencial de parmetro = 0.0005 h1 . La vida til promedio de este objeto y
la varianza vienen dadas por

E T =

1
1
= 2000 h ; V T = 2 = 4 106 h2 .

Si un equipo tiene 3 objetos de este tipo conectados de modo que el segundo comienza a
funcionar al fallar el primero y el tercero al fallar el segundo, la vida til del equipo viene
dada por S3 = T1 + T2 + T3 , con distribucin Erlang-3 de parmetro = 0.0005 . Su esperanza
y su varianza son

E S3 =

3
= 6000 h ; V S3 = 12 106 h2

3.5. PROPOSICIN 2. El proceso Tiempos de Permanencias de los estados de proceso N(t)

denotado como {T(s), s = 0,1, 2,...} tiene distribucin exponencial de parmetro con
funcin de densidad de primer orden

et
fT (s, t) =
0
Prof. Jos Luis Quintero

t0
t<0
79

4. PROCESO DE POISSON COMPUESTO

4.1. Definicin.

{Z(t),

t > 0} es un Proceso de Poisson Compuesto, si y slo si se puede

representar como:
N(t)

Z(t) =

Yn ,

n =1

donde {N(t), t > 0} es un proceso de Poisson homogneo y

variables aleatorias independientes
independientes de {N(t), t > 0} .

idnticamente

{Yn ,n 1}

es una sucesin de

distribuidas,

adems

4.2. Ejemplo 6. Suponga que una compaa de seguros de vida tiene clientes que fallecen en los
instantes 1 , 2 ,... donde 0 < 1 < 2 < ... . Se supone que estos eventos ocurren de acuerdo
con un proceso de Poisson de frecuencia . El asegurado que fallece en el instante n tiene
una pliza por una cantidad Yn que es pagada a los beneficiarios. La compaa de seguros
desea conocer Z(t), la cantidad total que tendr que pagar en el perodo de 0 a t. Z(t) se
puede representar como
N(t)

Z(t) =

Yn

n =1

y por lo tanto es un proceso compuesto de Poisson.

4.3. Ejemplo 7. Clientes llegan a una tienda de acuerdo a un proceso de Poisson N(t). La
cantidad de dinero que gasta el n-simo cliente es una variable Yn que es independiente de
los tiempos de llegada y de la cantidad de dinero que gastan los otros clientes. El total Z(t)
vendido durante (0, t] , es un proceso compuesto de Poisson.

4.4. Ejemplo 8. Las fallas de un automvil se producen de acuerdo a un proceso de Poisson N(t)
y la n-sima reparacin cuesta una cantidad Yn . Las variables Yn son independientes entre
si, independientes del momento en el cual ocurre la falla y adems todas tienen la misma
distribucin. Si Z(t) es el costo total de las reparaciones efectuadas entre 0 y t, entonces Z(t)
es un proceso compuesto de Poisson.

Prof. Jos Luis Quintero

80

5. PROCESO DE POISSON NO HOMOGNEO

5.1. Definicin. Una coleccin de variables aleatorias

{N(t),

t 0} se llama Proceso de

Poisson no homogneo con intensidad (t) > 0 si satisface las siguientes propiedades:

P {N(0) = 0} = 1 , esto es, N(0) = 0 siempre

Es no decreciente, es decir, si s < t , entonces N(s) N(t)

N(t) es un proceso de incrementos independientes. En tal sentido, se tiene que
N(t1 ), N(t2 ) N(t1 ), N(t3 ) N(t2 ), ..., N(tn +1 N(tn ) son variables independientes si
0 t1 < ... < tn , con n 1
t

Para 0 s < t , N(t) N(s) tiene distribucin de Poisson de parmetro

(u)du
s

5.2. Ejemplo 9. Las ventas de una maquinaria determinada ocurren de acuerdo a un proceso de
Poisson no homogneo con frecuencia en el instante t dada por (t) = 5625te3t , t 0 . La
esperanza del proceso N(t) viene dada por

E N(t) = (t) =

(s)ds = 625(1 e3t 3te3t ) .

La demanda total N() de esta maquinaria tiene distribucin de Poisson con parmetro 625.
Si de acuerdo a este anlisis se producen 700 ejemplares, la probabilidad de que no alcancen
para cubrir la demanda ser

P {N() > 700} = e

625

k = 701

Prof. Jos Luis Quintero

(625)k
0.0013
k!

81