Aciin211 s4 Solucion
Aciin211 s4 Solucion
Aciin211 s4 Solucion
Estocásticos
PROCESO POISSON
1. Introducción
En muchos de los sistemas que nos interesa modelar, analizaremos situaciones en donde
los elementos llegan a un sistema particular. En este sentido, estos elementos pueden
ser personas que ingresan a un supermercado, llamadas a una central telefónica,
trabajos que deben ser procesados en un computador, entre muchos otros ejemplos.
{N(t), t >= 0}
Más adelante utilizaremos una representación gráfica para entender estas propiedades.
Observa que todos los procesos de llegada que fueron mencionados con anterioridad (al
inicio de este apunte) son procesos de conteo (es decir los elementos que van llegando
a un sistema cualquiera pueden ser individualizados y contados a lo largo del tiempo).
Para poder determinar algunas probabilidades de ocurrencia de manera analítica (es
decir con fórmulas) es necesario definir algunas propiedades y luego asumir que este
proceso de conteo cumple con las propiedades definidas.
independientes entre sí. En el fondo, lo que quiere decir esta propiedad es que lo que
ocurre en intervalos de tiempo diferentes y disjuntos no se influencian entre sí.
Esta propiedad es relevante dado que permite analizar los intervalos de tiempo sin
preocuparse de lo que ocurre en los otros intervalos. Esto significa que la propiedad de
incrementos independientes se puede interpretar también como que el proceso de
conteo no tiene memoria (concepto que también estudiamos como propiedad
Markoviana en la unidad 2). Gráficamente tenemos que:
Si observas bien, las llegadas que ocurren en el intervalo [t1,t2] no influyen en las
llegadas que ocurren en el intervalo [t3,t4]. Por lo tanto, es un proceso sin memoria.
3
Ejemplo: Supongamos que estamos analizando la llegada de personas a una estación de
Metro. Se define N(t) como la cantidad de personas que llegan a la estación en el
intervalo [0,t] (por ejemplo una hora). La cantidad de personas que llega entre las 10
y las 11 de la mañana no tiene injerencia o no influye en la cantidad de personas que
llega entre las 12 y las 13 horas del mismo día. En consecuencia, es posible asumir que
este proceso de conteo cuenta con la propiedad de incrementos independientes (observe
que esto ocurre dado que la población de origen es muy grande).
como máximo 100 – 10 = 90 personas. En este caso este proceso de conteo no cuenta
con la propiedad de incrementos independientes.
Para poder realizar este tipo de cálculos necesitamos la tercera propiedad, que se define
a continuación.
Proceso Poisson
Para poder definir la propiedad de orden necesitamos una definición previa. Se dice que
una función f() (una función cualquiera con un argumento cualquiera) es 𝜎𝜎(ℎ) (se lee “o
chica de h) si:
𝑓𝑓(ℎ)
lim =0
ℎ→0 ℎ
En palabras sencillas, este límite representa que la función f tiende a 0 más rápido que
h.
3. Proceso Poisson
𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(𝜆𝜆𝜆𝜆)
Por lo tanto es posible decir que la probabilidad que lleguen exactamente k elementos
en el intervalo [0,t] viene dada por:
𝑒𝑒 −𝜆𝜆𝜆𝜆 (𝜆𝜆𝜆𝜆)𝑘𝑘
𝑃𝑃(𝑁𝑁(𝑡𝑡) = 𝑘𝑘 )) =
𝑘𝑘!
𝑁𝑁(𝑡𝑡): 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙𝑙𝑙 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 [0, 𝑡𝑡] 𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(0,2𝑡𝑡)
En términos del cálculo de probabilidades en esta unidad, a veces será conveniente dejar
el cálculo expresado en términos de 𝑒𝑒. Observe que cuando es fácil de calcular (como en
el ejemplo anterior) se puede obtener el valor decimal.
Proceso Poisson
𝑃𝑃(𝑁𝑁[2,3] = 0 / 𝑁𝑁[0,2] = 0)
En este caso podemos aplicar la propiedad de incrementos independientes dado que los
intervalos de tiempo son disjuntos (recuerde que la probabilidad planteada arriba),
luego:
Sea X1 el tiempo que transcurre desde t = 0 hasta que ocurre el primer evento. Sea X2
el tiempo que transcurre entre el primer y segundo evento, y en general sea Xi el tiempo
que transcurre entre el evento (i-1) y el evento i.
En un Proceso Poisson que tiene intensidad 𝜆𝜆, los tiempos X1, X2, …Xi son variables
independientes e idénticamente distribuidas, con distribución exponencial de intensidad
𝜆𝜆. Dado esto, entonces la probabilidad que el tiempo entre dos eventos ocurra antes de
un tiempo t0 es:
Sea N(t) un Proceso Poisson en donde se cuenta el número de veces que una ampolleta
ha sido reemplazada. Si la ampolleta lleva funcionando 10 horas ¿Cuánto tiempo más
funcionará correctamente la ampolleta, antes de ser reemplazada?, para poder
responder esta pregunta necesitamos una demostración matemática:
Sea Y la variable aleatoria asociada al tiempo que transcurre hasta la siguiente falla. La
probabilidad que buscamos determinar es:
Esta demostración es fundamental, dado que el resultado indica que el tiempo que
transcurre hasta la siguiente llegada (en este caso la llegada es la falla de la ampolleta)
es independiente al hecho que ya hayan transcurrido 10 horas de uso. En este sentido,
se dice que la distribución exponencial cuenta con la propiedad de no memoria, y más
aún, es la única distribución continua que cuenta con esta propiedad.
Sea N(t) un proceso Poisson que cuenta las llegadas de personas a una estación de
servicio. La intensidad con las que llegan las personas a esta estación es de 0,5
[personas/minuto]. Si la estación está vacía en el instante actual, la probabilidad que
continúe vacía después de 5 minutos se determina de la siguiente manera:
Proceso Poisson
Sea
𝑋𝑋~𝐸𝐸𝐸𝐸𝐸𝐸(0,5)
De la misma manera, la probabilidad de que llegue una persona antes de tres minutos
es:
Observe que en ningún caso se considera el tiempo que ha transcurrido desde la última
llegada, dado que la distribución exponencial no tiene memoria. Finalmente, dadas las
propiedades de la distribución Exponencial, el tiempo promedio que transcurre hasta la
siguiente llegada es:
9
1 1
𝐸𝐸(𝑋𝑋) = = = 2 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
𝜆𝜆 0,5
Así como tenemos tiempos entre eventos, la consecuencia natural es querer estudiar
cuánto tiempo transcurre hasta que ocurren “k” eventos en un sistema. Esto puede ser
relevante de estudiar para poner límites a la entrada a algún sistema (por ejemplo, dada
Proceso Poisson
Es posible demostrar (lo cual queda fuera del objetivo de este apunte) que al sumar una
seguidilla de variables aleatorias exponenciales se obtiene la distribución Erlang. Esto se
puede observar a través del siguiente gráfico de resumen:
10
En este sentido, se define la variable aleatoria 𝑆𝑆𝑘𝑘 = 𝑋𝑋1 + 𝑋𝑋2 + ⋯ + 𝑋𝑋𝑘𝑘 como suma de
variables aleatorias exponenciales Xi que representan el tiempo que transcurre entre la
llegada de dos eventos consecutivos. En consecuencia, el proceso general es:
Proceso Poisson
𝑡𝑡
𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 𝑡𝑡) = � 𝑓𝑓(𝑥𝑥, 𝑘𝑘)𝑑𝑑𝑑𝑑
0
En sistemas productivos de bienes nos podemos encontrar con situaciones en donde los
flujos de producto se separan bajo cierta condición o probabilidad. Por ejemplo, en una
empresa agrícola donde se cosechan manzanas rojas y verdes, es posible encontrar una
línea continua en donde las manzanas son lavadas e inspeccionadas y en algún momento
llegan a una bifurcación donde se separan de acuerdo con su color. En este contexto,
las manzanas rojas y verdes llegan de acuerdo con una proporción dependiendo de cómo 12
se posicionan en la cinta al inicio del proceso. En consecuencia, esta proporción es
aleatoria.
Sea un proceso productivo con bifurcaciones (como por ejemplo dos máquinas en
paralelo) como el que se muestra en la figura a continuación:
13
Sea N(t) un Proceso Poisson. Suponga que N(t) cuenta el número de ocurrencias de un
evento A. Además, suponga que A puede ser clasificado en k categorías excluyentes
𝐴𝐴1 , 𝐴𝐴2 , … , 𝐴𝐴𝑘𝑘 con probabilidades 𝑝𝑝1 , 𝑝𝑝2 , … , 𝑝𝑝𝑘𝑘 respectivamente. Sea {𝑁𝑁𝑖𝑖 (𝑡𝑡), 𝑡𝑡 ≥ 0} el proceso de
conteo de la partición 𝐴𝐴𝑖𝑖 . Se cumple entonces que cada proceso 𝑁𝑁𝑖𝑖 (𝑡𝑡) es un Proceso
Poisson con intensidad 𝜆𝜆𝑖𝑖 = 𝑝𝑝𝑖𝑖 𝜆𝜆.
La intuición podría llevar a pensar que existe una relación de dependencia entre, por
ejemplo, los 𝑁𝑁1 (𝑡𝑡) 𝑦𝑦 𝑁𝑁2 (𝑡𝑡) de la imagen presentada anteriormente. Sin embargo, es
importante destacar que al particionar el proceso en partes excluyentes entonces no
queda más que la información que ocurre en uno de los sub-procesos no es relevante
para los efectos de conteo de los otros sub-procesos. En consecuencia, todos los
procesos asociados a las categorías excluyentes 𝐴𝐴𝑖𝑖 son procesos Poisson independientes.
La llegada de vehículos a una estación de servicio sigue un proceso Poisson con una
intensidad de 60 vehículos por hora. El 70% de los vehículos son automóviles y el 30%
restante son camionetas. Sean:
𝑁𝑁(𝑡𝑡): 𝐿𝐿𝐿𝐿 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑣𝑣𝑣𝑣ℎí𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑞𝑞𝑞𝑞𝑞𝑞 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑎𝑎 𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
14
𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(60𝑡𝑡)
𝑁𝑁1 (𝑡𝑡): 𝐿𝐿𝐿𝐿 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎ó𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑞𝑞𝑞𝑞𝑞𝑞 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑎𝑎 𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(42𝑡𝑡)
𝑁𝑁2 (𝑡𝑡): 𝐿𝐿𝐿𝐿 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑞𝑞𝑞𝑞𝑞𝑞 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑎𝑎 𝑙𝑙𝑙𝑙 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(18𝑡𝑡)
15
Sea {𝑁𝑁𝑖𝑖 (𝑡𝑡), 𝑡𝑡 ≥ 0} con i = 1,2,…k Procesos Poisson independientes. Sea además 𝜆𝜆𝑖𝑖 la tasa
de llegada de cada uno de los procesos. Entonces, la suma
𝑁𝑁(𝑡𝑡) = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑞𝑞𝑞𝑞𝑞𝑞 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑎𝑎𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(15 + 10 + 5)
En este sentido, la probabilidad de que lleguen en total 50 trabajos en los siguientes dos
minutos es:
Una sucursal bancaria tiene dos cajeros. El tiempo de atención (en minutos) del cajero
1 es una variable aleatoria exponencial con tasa 0,2 [clientes/minuto], mientras que el
tiempo del cajero 2 es también una variable aleatoria exponencial con media de 10/3
[minutos/cliente]. Suponga que en el instante en que se empieza a evaluar la salida de
los clientes ambos cajeros están ocupados y hay una cola muy larga.
𝑁𝑁1 (𝑡𝑡): 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 1 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 0 𝑦𝑦 𝑡𝑡 𝑁𝑁1 (𝑡𝑡)~𝑃𝑃𝑃𝑃(0,2𝑡𝑡)
Proceso Poisson
𝑁𝑁2 (𝑡𝑡): 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 2 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 0 𝑦𝑦 𝑡𝑡 𝑁𝑁2 (𝑡𝑡)~𝑃𝑃𝑃𝑃(0,3𝑡𝑡)
𝑁𝑁(𝑡𝑡): 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 0 𝑦𝑦 𝑡𝑡 𝑁𝑁(𝑡𝑡)~𝑃𝑃𝑃𝑃(0,5𝑡𝑡)
P
N1 (0, 60) = 6 = P ( N1 (0, 60) = 10 )
6 ∩ N (0, 60) =
N (0, 60) = 10 P ( N (0, 60) = 10 )
P ( N1 (0, 60) 6=
= ) P ( N 2 (0, 60) 4 )
P ( N (0, 60) = 10 )
10!
17
Esta expresión puede ser reordenada convenientemente para obtener lo siguiente
(observe el ejemplo que por propiedades de las potencias los Euler se simplifican):
Recuerde que una variable aleatoria binomial permite representar una cantidad de éxitos
sobre una cantidad de ensayos totales. En este caso, definimos:
𝑋𝑋: 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑞𝑞𝑞𝑞𝑞𝑞 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 1 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 10 𝑋𝑋~𝑏𝑏(10, 0,4)
0,2
𝑝𝑝 = = 0,4 = 40%
0,2 + 0,3
Observe que la proporción 12 sobre 30 también entrega como resultado 40% (lo cual es
equivalente para el contexto del ejercicio).
Por lo tanto,
10
P ( X= 6=
) 4 ( 0, 4 ) ( 0, 6 ) ≈ 0,1114
6 4
18
Proceso Poisson
Referencias
19