La distribucin exponencial y el proceso de

Poisson. Bibliografa
Caldern C., Bernardo A. Procesos Estocsticos.
Notas de clase.
Hillier S., Frederick. Investigacin de Operaciones.
Facultad de Ingeniera Sptima edicin, McGraw Hill, 2002.
Departamento de Ingeniera Industrial U. Narayan Bhat, and Gregory K. Miller. Elements
of applied Stochastic Processes, Jhon Wiley and
Procesos Estocsticos Sons, Inc., 2002
La distribucin exponencial Ross, Sheldom M. Introduction To Probability
Models. Academic Press, seventh edition, 2000
y el proceso de Poisson http://docencia.udea.edu.co/ingenieria/procesosestoc
Bernardo A. Caldern C. asticos. Pgina WEB preparada por el profesor
Medelln, marzo de 2017 Bernardo A. Caldern para
Bermardo el curso.
A. Caldern C. 4

Distribucin exponencial y el proceso de La distribucin exponencial

Poisson Definicin
Objetivo general Una variable aleatoria continua se dice que sigue una
Realizar un breve resumen de la distribucin distribucin exponencial con parmetro , > 0 si
exponencial, analizar sus principales propiedades, x x 0
f (x) e
conocer el proceso de Poisson y la relacin entre las 0 x 0
distribuciones de Poisson y exponencial, y mirar las Su funcin de distribucin est dada por:
aplicaciones principalmente en el campo de la teora de
dt 1 e x
x x t

colas o fenmenos de espera.

F( x ) P(X x ) 0
f ( t )dt e
0

Principales temas: P(X x ) 1 F( x ) e x

1) Distribucin exponencial.
El valor esperado y la varianza estn dados por:
2) Procesos de conteo. Definicin y propiedades
3) El proceso de Poisson. Definiciones E ( X ) 1 / , V ( X ) 1 / 2
Bermardo A. Caldern C. 2 Bermardo A. Caldern C. 5

La distribucin exponencial y el proceso de Recorderis: Funcin gama de n

Poisson. Contenido Definicin.
1) Distribucin exponencial. Se denomina funcin gama de n -denotada por (n)- a
Definicin y caractersticas la siguiente integral:
Propiedad de prdida de memoria (n ) t n 1 e dt
t

Suma de exponenciales 0

Mnimo de varias variables exponenciales Se puede demostrar que (hgalo): (n)=(n-1)(n-1)

2) Procesos de conteo. Definicin y propiedades
3) El proceso de Poisson.
Definiciones alternativas
Tiempo entre eventos
Tiempo de los primeros eventos
Desagregacin/agregacin de procesos de Poisson
Proceso no homogneo de Poisson
Proceso compuesto de Poisson
Bermardo A. Caldern C.
Usando la relacin anterior, se tiene que:
(n) = (n-1) (n-2) (n-2) = (n-1) (n-2) (n-3) (n-3)
= (n-1) (n-2) (n-3)(a)(a)
donde 0 < a 1, y la funcin gama de a (a) se puede
encontrar en textos de ecuaciones diferenciales
(1) t11 e t dt 1 (n) = (n-1)! si n es entero
3
0 6
Bernardo Caldern C

1
 Funcin gama de n
Distribucin exponencial
Aplicacin: Distribucin exponencial Qu representa la variable aleatoria:
Momentos de la distribucin exponencial: k =E(Xk) Duracin de un servicio

Tiempo entre llegadas a un sistema
x x
k E ( X k ) x k f ( x )dx x k e dx , Tiempo entre fallas de un componente
0 0
Metraje entre defectos en un rollo de tela
Sea : t x x t / dx dt / Significado del parmetro
t k et ( k 1) El parmetro es una tasa.
E(X k ) dt Tasa de servicio, tasa de llegada, tasa de fallas,
0 k k tasa de defectos (eventos/tiempo, clientes/hora)
Demostrar:
E ( X ) 1 / Representa el inverso del tiempo medio
Significado del parmetro
E ( X 2 ) 2 / 2 2 2 Representa el tiempo medio o valor esperado
1 x /
V ( X ) 1 / 2 2 Como E(X) 1 / f ( x ) e
Bernardo Caldern C
7 Bermardo A. Caldern C. 10

Funcin generadora de Momentos Mx(t) Propiedad de Prdida de Memoria

Uso. Procedimiento alternativo para calcular momentos e Una variable aleatoria X se dice que es sin memoria si:
identificar distribuciones P{ X > t + s / X > t } = P { X > s), para todo s, t 0
Definicin. La funcin generadora de momentos de una si X es la duracin de un sistema, la probabilidad de
variable aleatoria X, donde existe, est dado por: que el sistema o componente viva al menos t+s horas
M X ( t ) E (e tX ) e tx .f ( x ) cuando X es discreta dado que ya ha sobrevivido t horas es la misma que la
x probabilidad inicial de que viva al menos s horas.

M X ( t ) E (e tX ) e tx .f ( x )dx cuando X es continua P(X t s,X t) P(X t s)
P(X t s/X t) P(X s)

P(X t) P(X t)
La variable independiente es t, y estamos interesados en Para el caso de la distribucin exponencial se tiene:
( t s )
valores de t en la cercana de 0. P (X t s) e s
P(X t s / X t ) t e
Teorema: Recuerden que en Teora de la probabilidad se P(X t )
demostr que:
e
La distribucin de la vida restante s es exponencial
d jM X ( t )
E(X )
j '

dt j
t 0 j con el mismo parmetro , y es independiente de la vida
Bernardo A. Calderon C. 8 pasada del sistema (t) Bermardo A. Caldern C. 11

Funcin generadora de Momentos Problemas. Propiedad prdida de Memoria

Propiedades: Si dos variables aleatorias tienen la misma 1) El tiempo que una persona gasta en un banco se
funcin generadora de momentos, entonces tienen la distribuye exponencialmente con una media de 10
misma distribucin minutos. Cual es la probabilidad de que un cliente a)
Ejemplo: Distribucin exponencial gaste mas de 15 minutos en el banco?. b) Gaste mas de
15 minutos en el banco si ya ha estado en l durante 10
M X ( t ) e xt e x dx e x ( t ) dx
0 0 minutos?
u du 2) Considere una oficina postal manejada por dos
Si u x ( t ) x dx empleados. Suponga que cuando Usted entra, Juan est
( t ) ( t )
siendo atendido por un empleado y Jaime por el otro.

( t ) 0
M X (t) e u du (1) Usted ser atendido tan pronto terminen de atender a
( t ) ( t ) Juan o a Jaime. Si el tiempo que cada empleado gasta
Demostrar: usando Mx(t) que si X es exp() atendiendo un cliente es exponencial con media 1/,
cual es la probabilidad de que de los tres, Usted sea el
E ( X ) 1 / , V ( X ) 1 / 2 ltimo en salir del banco?
Bernardo A. Calderon C. 9 Bermardo A. Caldern C. 12

2
 Distribucin exponencial. Propiedades Mnimo de varias variables aleatorias exponenciales
Suma (convolucin) de exponenciales Teorema. El mnimo de varias variables aleatorias
Si X1, X2,...Xn es un conjunto de variables aleatorias exponenciales independientes tiene una distribucin
independientes e idnticamente distribuidas (iid) con exponencial
distribucin exponencial con media 1/, entonces la Sean T1, T2,...Tn variables aleatorias exponenciales e
suma de estas variables X = X1 + X2 + Xn independientes con parmetros 1, 2,... n. Sea U la
sigue una distribucin Erlang con parmetros y n, variable aleatoria igual al mnimo de T1, T2,...Tn, es decir,
(distribucin gama con n entero), es decir su funcin de U = mnimo(T1, T2,...Tn) y representa el tiempo hasta que
ocurre el primero de n eventos,
densidad est dada por: (x ) n 1
f ( x ) e ax x 0 P(U>t) = P(T1>t, T2>t,...,Tn>t)
( n 1)!
= P(T1>t) P(T2>t)...P(Tn>t)
donde E[X] = n/ y Var(X) = n/2 n
i t
Demostracin: Usando funcin generadora de momentos. e 1t e 2 t ...e n t e i 1
e t
Ejemplo: Tiempo de espera para recibir un servicio n
U exponencial con parmetro i
Bermardo A. Caldern C. 13 Bermardo A. Caldern C. 16
i 1

Probabilidad de que una variable aleatoria sea Mnimo de varias variables aleatorias exponenciales
menor que otra P(X1<X2) Aplicaciones: Sistema de colas.
Sean X1 y X2 dos variables aleatorias exponenciales con Considere un sistema de colas con k servidores cada uno
medias respectivas de 1/1 y 1/2. Interesa calcular con tasa . Sea U el tiempo para la prxima terminacin
P(X1<X2). El clculo se puede hacer condicionando en el de servicio. De acuerdo con lo anterior tiene una
valor de X2, de la siguiente manera: distribucin exponencial con parmetro = k
Confiabilidad. Sistemas en serie.
P(X1 X 2 ) P( X1 X 2 / X 2 x )f 2 ( x )dx 1 2 3 n
0

P(X1 x ) 2 e 2 x
dx (1 e 1 x
) 2 e 2 x
dx Considere un sistema de n componentes en serie, cada
0

0
uno con distribucin exponencial con parmetro i.
2e 2 x
dx 2 e ( 1 2 ) x
dx Como el sistema falla cuando falle el primero de los
0 0
componentes, entonces el tiempo de funcionamiento del
2 1
1 sistema tiene una distribucin exponencial con parmetro
1 2 1 2 = 1+ 2+...+ n,
Bermardo A. Caldern C. 14 Bermardo A. Caldern C. 17

Probabilidad de que una variable sea Procesos de conteo

menor que otra P(X1<X2) Definicin
Ejemplo.Se tiene un equipo con dos componentes: Un proceso estocstico {X(t), t0) es un proceso de
Un radio y un pasacintas. Si la vida del radio es conteo si X(t) representa el nmero total de "eventos
exponencial con media de 1000 horas y la vida del que han ocurrido hasta el tiempo t.
pasacintas tambin es exponencial con una media de Ejemplos
500 horas, cual es la probabilidad de que una falla en Nmero de personas que han entrado a una tienda en
el sistema sea ocasionada por una falla en el radio? o antes de t
Nmero de nios que han nacido hasta el tiempo t.
Nmero de goles que un jugador de ftbol ha
marcado hasta la fecha

Bermardo A. Caldern C. 15 Bermardo A. Caldern C. 18

3
 Procesos de conteo El proceso de Poisson. Definicin No 2
Propiedades Definicin No 2. El proceso de conteo {X(t), t0} es
un proceso de Poisson con tasa , > 0, si:
X(t) 0
a) X(0) = 0
X(t) es una variable entera. b) El proceso tiene incrementos independientes
Si s < t entonces X(s) X(t) c) El nmero de eventos que ocurren en cualquier
Para s<t, X(t)-X(s) = nmero de eventos en el intervalo de tiempo se distribuye segn Poisson con
intervalo (s,t media t. Esto es, para s, t 0
e (t )
t n
Incrementos independientes
P{ X (t s ) X ( s ) n} P{ X (t ) n} , n 0, 1, 2,...
Un proceso de conteo tiene incrementos independientes n!
si el nmero de eventos que ocurren en intervalos un proceso de Poisson tiene incrementos
disjuntos de tiempo son independientes. estacionarios y que el valor medio est dado por
E[X(t)] = t, lo cual explica por qu es llamada la
Bermardo A. Caldern C. 19 tasa del proceso. Bermardo A. Caldern C. 22

Procesos de conteo Funcin o(t) funcin cero delta t

Incrementos estacionarios (Procesos homogneos) Definicin: Una funcin f(.) se dice que es una
funcin o(t) (funcin cero delta t) si
Un proceso de conteo tiene incrementos estacionarios si
lim f(t) = 0
la distribucin del nmero de eventos que ocurren en t0 t
cualquier intervalo de tiempo depende solamente de la f(t) debe tender a cero mas rpidamente que t.
longitud del intervalo de tiempo. Es decir, el proceso Ejemplos y propiedades
tiene incrementos estacionarios si el nmero de eventos i) La funcin f(x) =x2 es o(t)
en el intervalo (t1+s, t2+s], que es igual X(t2+s) - X(t1+s) ii) La funcin f(x) = x no es una funcin o(dt)
iii) Si f(.) y g(.) son o(t) f(.) + g(.) es o(t)
tiene la misma distribucin que el nmero de eventos en
iv) Si f(.) es o(t) entonces cf(.) tambin lo es.
el intervalo (t1,t2], correspondiente a X(t2) - X(t1) para
v) Cualquier combinacin lineal finita de
todo t1<t2, y s > 0 funciones o(t) es tambin o(t).
Bermardo A. Caldern C. 20 Bermardo A. Caldern C. 23

El proceso de Poisson El proceso de Poisson. Demostracin

Definicin No 1 Teorema. Las definiciones 1 y 2 son equivalentes.
Demostracin. Sea P0(t)= P{X(t) = 0}
El proceso de conteo {X(t), t0} es un proceso
P0(t+t)= P{X(t +t) = 0}
de Poisson con tasa , > 0, si = P{X(t) = 0, X(t+t) - X(t) = 0}
a) X(0) = 0 = P{X(t) = 0} PX(t+t) - X(t) = 0}
b) El proceso tiene incrementos independientes y = P[X(t) = 0]P[X(t) = 0]
estacionarios. Como P[X(t) = 0]=1-P[X(t)1]=1- t + o(t)
c) P{X(t) = 1} = t + o(t) P0(t+t)=P0(t){1 - t +o(t)}
d) P{X(t) 2} = o(t) =P0(t) - t P0(t) +o(t)}
De c) y d) se concluye que Por lo tanto ( t t ) ( t ) 0(t )
P 0 P 0
P0 ( t )
P{X(t) = 0} = 1 - t + o(t) t t

Bermardo A. Caldern C. 21
Haciendo que t 0 Bermardo
se obtiene P0'(t) = - P0(t)
A. Caldern C. 24

4
 El proceso de Poisson. Demostracin El proceso de Poisson. Demostracin
Equivalentemente dP
a dt
0

P
Por induccin se puede demostrar que
0

Integrando: Log P0(t) = - t + c P0(t) = e-t+c

t n
Dado que P0(0) = P[X(0) = 0] = 1 c=0 ( t )
e (t) , n 0,1,2,...,
P0(t) =e-t
Pn n!
Similarmente, para n > 0 se tiene:
Pn(t+t) = P{X(t +t) = n} Es decir, el nmero de eventos que ocurren en un
= P(X(t) = n, X(t+t) - X(t) = 0} intervalo de tiempo t sigue una distribucin de
+ P{X(t) = n -1, P(X(t+t) - X(t) = 1} Poisson con valor esperado igual a t
+ P{X(t) n-2, X(t+t) - X(t) 2}
Por condicin iv) el ltimo trmino de la ecuacin
anterior es o(t), y porBermardo
la condicin
A. Caldern C.
ii) se tiene: 25 Bermardo A. Caldern C. 28

El proceso de Poisson. Demostracin Distribucin de tiempos entre llegadas

Pn ( t t ) Pn ( t ) P0 ( t ) Pn 1 ( t ) P1 ( t ) o( t ) Consideremos un proceso de Poisson. Sea:
T1 = tiempo de ocurrencia del primer evento.
Pn (t t) Pn (t){1t o( t)} Pn 1 (t){ t o( t)} o( t) Para n > 1, sea Tn = tiempo que transcurre entre los
P (t t)P (t)t P (t) t P
n n n n 1
( t ) o(t ) eventos n-1 y n. La secuencia {Tn, n = 1,2,3,...}
P ( t t ) Pn ( t ) o(t ) =secuencia de tiempos entre llegadas o entre eventos.
n
Pn ( t ) Pn 1 ( t ) Si T1 = 4 y T2 = 10, entonces el primer evento del
t t
Si tomamos el lmite cuando t 0, tenemos: proceso ocurri en el tiempo 4 y el segundo a los 10
minutos, es decir en el tiempo 14.
( t ) Pn ( t ) Pn 1 ( t ) Pn ( t ) Pn ( t ) Pn 1 ( t )
' '
P n
Distribucin de Tn: El evento {T1 > t} ocurre si y solo
Si se tiene una ecuacin diferencial del siguiente tipo: si ningn evento del proceso de Poisson ocurre en el
dy intervalo [0,t], y entonces:
P ( x ) y Q( x )
dx P[ T1 > t] = P[ X(t) = 0] = e -t
y e { Q( x )e
P ( x ) dx
dx } c
P ( x ) dx
Su solucin es
P[T1 t] = 1- P [ T1 > t] = 1- e -t T1 es exp ()
Bermardo A. Caldern C. 26 Bermardo A. Caldern C. 29

El proceso de Poisson. Demostracin Distribucin de tiempos entre llegadas

Para n = 1: Tiempo del segundo evento.
t t
P [ T2 > t] = E [ T2 > t / T1 ]
P ( t ) P ( t ) P ( t ) e P ( x ) , Q ( x ) P ( t ) e
'
1 1 0 0
t t t P [ T2 > t /T1 = s] = P [ 0 eventos en s, s+t/T1=s]
P ( t )e { e e dt} ct e c
t
1
= P ( 0 eventos en s, s+t] = e -t
Para t = 0 se tiene que P1(0)=0 c = 0 donde las dos ltimas expresiones son consecuencia de
P1(t) = t e -t la condicin de incrementos independientes y
Para n = 2 estacionarios T2 tambin es una variable aleatoria con
t
distribucin exponencial con media 1/ y es
P (t ) P (t ) P (t ) P(x), Q(x) P (t ) t e
' 2
2 2 1 1 independiente de T1.
(t) e c (t) e Proposicin. Los tiempos entre llegadas {Tn ,para n
2 t 2 t
t t t
P2 e e e
=1,2,3,..,} son variables aleatorias independientes e
2
( t ) { t dt } c
2 2 idnticamente distribuidas con una distribucin
donde c=0 ya que P2(0) = 0. exponencial con tasa , es decir, con media 1/
Bermardo A. Caldern C. 27 Bermardo A. Caldern C. 30

5
 Distribucin de tiempos de espera Desagregacin de procesos de Poisson
Sea Sn = el tiempo de espera del n-simo evento,
tambin llamado tiempo de espera hasta la ocurrencia (n m)!p n (1 p) m e t (tn m
P(X1 (t) n ,X 2 (t) m)
del evento nmero n. Este tiempo est dado por n!m! (n m)!
Sn = T1 + T2 +...+ Tn
e tp (pt ) e (1 p)t ([1 p]t )
n m

Segn la proposicin anterior y las propiedades de la

distribucin exponencial tiene una distribucin Gama n! m!
con parmetros n y . Esto es, su funcin de densidad Para encontrar la distribucin marginal de N1(t)
n 1

t (t )
est dada por
f Sn (t ) e , t 0 P(X1 ( t ) n ) P(X1 ( t ) n ,X 2 ( t ) m)
(n 1)! m0
Ejemplo Suponga que la gente llega a cierto territorio de
e tp (tp) e t (1 p) {t (1 p)} e tp (tp)
n m n
acuerdo con un proceso de Poisson con tasa = 1 por
da. a) Cul es el tiempo esperado hasta que llegue la n! m m ! n!
dcima persona? b) Cul es la probabilidad de que el tiempo
transcurrido entre la dcima y la undcima persona exceda a {X1(t), t 0} es proceso de Poisson con tasa p.
Bermardo A. Caldern C. 31 Bermardo A. Caldern C. 34
dos das?

Desagregacin de procesos de Poisson Desagregacin de procesos de Poisson

Considere un proceso de Poisson {X(t), t 0} con
Similarmente, se puede demostrar que
tasa . Cada evento es clasificado como:
e t (1 p) {t (1 p)}
m
Evento tipo I con probabilidad p P ( X 2 ( t ) m)
Evento tipo II con probabilidad 1-p. m!
Ejemplo. Los clientes llegan a una tienda de acuerdo {X2(t), t 0} es tambin un proceso de Poisson
con un proceso de Poisson con tasa , y un 60% son con tasa (1-p).
mujeres y un 40% son hombres. Finalmente, los dos procesos son independientes
Evento tipo I llegada de una mujer
Evento tipo II la llegada de un hombre
Sean X1(t) y X2(t) el nmero de eventos tipo I y tipo
II en intervalo (0,t), donde X(t) = X1(t) + X2(t)
Bermardo A. Caldern C. 32 Bermardo A. Caldern C. 35

Desagregacin de procesos de Poisson Desagregacin de procesos de Poisson

Proposicin {X1(t), t 0} y {X2(t), t 0} son procesos Ejemplo Si los inmigrantes a un rea llegan a una tasa
de Poisson, con tasas respectivas de p y (1-p). Poisson de 10 por semana y si cada inmigrante es
Adems, los dos procesos son independientes. peruano con una probabilidad de 1/12, cual es la
Prueba: Considere P[X1(t) = n, X2(t) = m). probabilidad de que no llegue ningn inmigrante
Para que ocurran n eventos tipo I y m tipo II tienen que peruano durante el mes de abril
ocurrir n + m eventos en (0,t). Esto es: (R= e-10/3)
P[X1(t) = n, X2(t) = m] Agregacin de procesos de Poisson
= P[X1(t)=n, X2(t)=m/X(t)=n+m)P[X(t)=n + m] Proposicin Si {X1(t), t 0}, {X2(t), t 0},... {Xn(t), t
e t ( t )
nm 0} son procesos de Poisson, con tasas respectivas 1,
P(X1 ( t ) n , X 2 ( t ) m ) / X ( t ) n m ) 2,..., n entonces
( n m)!
X(t) = X1(t) + X2(t)+...+ Xn(t) es tambin un proceso
n m n
P(X1 ( t ) n ,X 2 ( t ) m ) / X ( t ) n m ) p (1 p) m de Poisson con tasa = 1 + 2+ n
Bermardo A. Caldern C.
n 33 Bermardo A. Caldern C. 36

6
 Proceso no homogneo de Poisson Proceso compuesto de Poisson
Definicin. El proceso de conteo {N(t), t 0} es un
proceso no homogneo de Poisson con funcin de Valor esperado E[X(t)]
intensidad (t), t 0, si Condicionando en N(t): E[X(t)] = E{E[X(t)/N(t)]}
i) N(0) = 0
N(t) n
ii) {N(t), t0}tiene incrementos independientes. EX ( t ) / N ( t ) n E Yi / N ( t ) n E Yi
iii) P[N(t + t) - N(t) 2 ] = o(t) i 1 i 1
iv) P[N(t+t) - N(t) = 1] = (t) t + o(t). EY1 Y 2 ... Y n n EYi

Si denotamos por m( t ) 0t (s)ds entonces se puede

E[X(t)/N(t)] = N(t) E[Yi]
m(t s)m(t) , n 0
demostrar que m ( t s )m ( t ) n
e E[X(t) = t E[ Yi]
PN( t ) s) N( t ) n
n!
N(t+s) - N(t) se distribuye segn Poisson con media donde E[N(t)] = t (proceso de Poisson)
m(t+s) - m(t).
Bermardo A. Caldern C. 37 Bermardo A. Caldern C. 40

Proceso no homogneo de Poisson. Ejemplo Varianza del proceso compuesto de Poisson

Norberto administra un almacn de repuestos que abre a las 8
AM. Los clientes llegan segn un proceso de Poisson, a una tasa Usando la frmula de la varianza condicional:
variable: De 8 A.M. a las 11 A.M. a una tasa que aumenta Var[X(t)] = E{Var[X(t)/N(t)} + Var{E[X(t)/N(t)]}
constantemente, que empieza con un valor inicial de 5
N(t) n
clientes/hora a las 8 AM y alcanza un mximo de 20 a las 11. Var X ( t ) / N ( t ) n Var Yi / N ( t ) n Var Yi
De 11 AM a la 1 PM la tasa permanece constante en 20
clientes/hora. La tasa cae uniformemente en el perodo de 1 PM i 1 i 1
a las 5 PM, hora de cierre, en que toma el valor de 12. Si el Var Y1 Y 2 ... Y n n Var Yi
nmero de clientes que llegan en intervalos disjuntos de tiempo
es independiente, calcule: Var[X(t)/N (t] N(t) Var(Yi))
a) La distribucin de probabilidad del nmero de clientes que
llegan en cualquier hora del da. Usando los resultados anteriores, se tiene que:
b) La probabilidad de que no llegue nadie i) entre las 8:30 AM y Var(X(t) = E[ N(t) Var(Yi)] + Var[ N(t) E(Yi)]
las 9:30 AM?, ii) entre las 12:30 y la 1 PM?.
= t Var(Yi) + {E(Yi)}2 t
c) El nmero esperado de clientes entre las 8:30 AM y las
9 AM? Entre las 12:30 PM y la 1 PM?. = t [Var(Yi) + {E(Yi)}2] = t E[ Yi2]
Bermardo A. Caldern C. 38 Bermardo A. Caldern C. 41

Proceso compuesto de Poisson Proceso compuesto de Poisson. Ejemplo

Un proceso {X(t), t 0} es un proceso compuesto de
Poisson si se puede representar como:
Los reclamos en plizas de vida de una compaa de
X(t) = Y1 + Y2 +...+ YN(t) seguros ocurren de acuerdo con un proceso de
donde {N(t), t 0} es un proceso de Poisson y {Yn, n0} Poisson con una tasa de 5 por semana. Si la cantidad
es una familia de variables aleatorias independientes e de dinero que se paga en cada pliza se distribuye
idnticamente distribuidas, que tambin son independientes exponencialmente con una media de $ 1 000 000, cual
de {N(t), t 0} es la media y la varianza de del dinero pagado por la
i) Si Yi = 1 X(t) = N(t) proceso de Poisson.
compaa durante una semana?
ii) Los buses llegan a un estadio segn un proceso de
Poisson, y los pasajeros de cada bus (Yi) son va iid.
Entonces {X(t), t 0}, el nmero de pasajeros que han
llegado al estadio es un proceso compuesto de Poisson.
iii) El dinero total gastado hasta el tiempo t por los clientes
llegan a un supermercado
Bermardo A. Caldern C. 39 Bermardo A. Caldern C. 42

7
 Problemas Dist. exponencial y proceso de Poisson
Considere un sistema de colas con dos tipos de clientes. Los
clientes tipo 1 llegan de acuerdo con un proceso de Poisson
con una tasa media de 5 por hora. Los clientes tipo 2 llegan
tambin de acuerdo con un proceso de Poisson con una tasa
media de 6 por hora. El sistema tiene dos servidores que
atienden ambos tipos de clientes. Para los dos tipos el tiempo
de servicio tiene una distribucin exponencial con una media
de 10 minutos. El servicio se presta sobre la base de primero en
llega, primero en ser atendido.
a) Cul es la distribucin de probabilidad (incluyendo la media
y la varianza) del tiempo entre llegadas consecutivas de
clientes al sistema.
b) Cuando llega un cliente especfico del tipo 2 encuentra dos
clientes tipo 1 en proceso de ser atendidos, y ningn otro
cliente en el sistema. Cul es la distribucin de probabilidad
(incluyendo la media y la varianza) del tiempo de espera en la
cola para este tipo de cliente?.
Bermardo A. Caldern C. 43
Problemas distr. exponencial y proceso de Poisson
Un sistema de colas tiene dos servidores cuyos tiempos de
servicio son variables aleatorias independientes e
idnticamente distribuidas con distribucin exponencial
con media de 15 minutos. El cliente X llega cuando ambos
servidores estn ociosos. Cinco minutos despus llega el
cliente Y mientras que atienden al cliente X. Diez minutos
ms tarde llega el cliente Z mientras que an atienden a
los clientes X y Y. No llegan ms clientes durante este
intervalo de 15 minutos.
a) Cul es la probabilidad de que el cliente X termine su
servicio antes que el cliente Y?
b) Cul es la probabilidad de que el cliente Z termine su
servicio antes que el cliente X?
c) Determine la funcin de densidad del tiempo de espera
(antes de ser atendido) para el cliente Z. Especifique su
valor esperado y varianza.
Bermardo A. Caldern C. 44
Problemas distr. exponencial y proceso de Poisson
1) Eltiempo requerido para reparar una mquina es exponencial
con una media de 1/2 hora. Cual es la probabilidad de que:
a) Una reparacin exceda 1/2 hora (R = e-1)
b) Una reparacin tome al menos 4 1/2 horas, dado que su
duracin excede de 4 horas? (R = e-1)
2) Considere una oficina postal con dos empleados. Tres
personas, A, B y C entran simultneamente. A y B van
directamente a los empleados y C espera hasta que A o B
salgan, antes de que empiece su servicio. Cual es la
probabilidad de que A est an en la oficina despus de que los
otros dos hayan salido cuando:
a) El tiempo de servicio por empleado es exactamente 10 min
b) Los tiempos de servicio son i con prob de 1/3, para i= 1, 2, 3
(1/27)
c) Los tiempos de servicio son exp. con media 1/u. (R = 1/4)
Bermardo A. Caldern C. 45
Problemas distr. exponencial y proceso de Poisson
3) La vida de un radio se distribuye exponencialmente
con una media de 10 aos. Si Juan compra un radio
viejo, con 9 aos de uso, cual es la probabilidad de que
dure otros 9 aos? ? (R = e-9/10)
4) Norberto y Pedro entran a una peluquera
simultneamente. Norberto desea una afeitada y Pedro
un corte de pelo. Si el tiempo requerido para un corte es
exponencial con una media de 20 min., y para la afeitada
es 15 minutos, y si ambos son atendidos una vez entran,
cual es la probabilidad de que Pedro salga antes que
Norberto? (3/7)
Bermardo A. Caldern C. 46
Problemas distr. exponencial y proceso de Poisson
5) Los carros cruzan cierto punto de una autopista de
acuerdo con un proceso de Poisson con una tasa = 3 por
minuto. Si un ciego desea cruzar la calle (sin ayuda de
nadie), cul es la probabilidad de que no sea herido, si el
tiempo que gasta cruzando la calle es s segundos?.
Realice los clculos para s= 2, 5, 10 y 20. Suponga que si
est cruzando la calle y pasa un carro, el ciego es
golpeado por el carro. (R= e-1/10, e-1/4, e-1/2, e-1)
6) En el ejercicio anterior, suponga que el ciego es
bastante gil para escapar de un carro, pero si encuentra
dos o ms carros mientras intenta cruzar, el ciego es
herido. Cual es la probabilidad de que logre cruzar la calle
sin ser herido, si se gasta s segundos en cruzar. Realice los
clculos para s =5, 10, 20 y 30 segundos.
Bermardo A. Caldern C. 47
Problemas distr. exponencial y proceso de Poisson
7) Ciertas llamadas especiales a una oficina llegan de acuerdo con
un proceso de Poisson con una tasa de dos por hora.
a) Cul es la probabilidad de que no ocurra ninguna llamada entre
las 6 PM y las 8 PM?
b) Cul es la probabilidad de que no ocurra ninguna llamada entre
las 2 PM y las 4 PM?
c) Empezando a medio da, cual es el tiempo esperado al cual
ocurre la cuarta llamada?
d) Cual es la probabilidad de que dos o ms llamadas ocurran entre
las 6 PM y las 8 PM?
e) Cul es el tiempo esperado entre la segunda y la cuarta llamada?
f) Cul es el tiempo esperado entre la quinta y la sexta llamada?
g) Si la cuarta llamada ocurri a las 3 PM y a las 4 PM no haba
entrado ninguna otra llamada, cual es la probabilidad de que antes
de la 5 PM haya entrado la sexta llamada?
Bermardo A. Caldern C. 48
8
 Problemas distr. exponencial y proceso de Poisson
8) Los impulsos llegan a un contador Geiger de acuerdo con un
proceso de Poisson a una tasa de tres llegadas por minuto. Cada
partcula que llega al contador tiene una probabilidad de 1/3 de ser
registrada. Sea x(t) el nmero de partculas registradas en t minutos.
Se desea calcular: a) P{ X(t) = 0}. (R = e-2t), b) E[X(t)]. (R = 2t)
9) Los carros pasan en una interseccin de una autopista de
acuerdo con un proceso de Poisson, a una tasa de uno por minuto.
Si un 10% de los carros son marca Dodge, entonces:
a) Cul es la probabilidad de que pase al menos uno Dodge durante
una hora? (R = 1-e-3)
b) Dado que han pasado 10 carros tipo Dodge durante una hora,
cual es el nmero esperado de carros que han pasado durante esa
hora?. (R = 67)
c) Si han pasado 50 carros durante una hora, cual es la probabilidad
de que cinco de ellos hayan sido Dodge? 50 1 5 19 45
5 20 20
Bermardo A. Caldern C.
Problemas distr. exponencial y proceso de Poisson
10) Los clientes llegan a un banco de acuerdo con un proceso de
Poisson a una tasa . Suponga que dos clientes llegan durante la
primera hora. Cual es la probabilidad de que:
a) Ambos hayan llegado durante los primeros 20 minutos?. (1/9)
b) Al menos uno haya llegado en los primeros 20 minutos?. (5/9)
11) Los reclamos en plizas de vida de una compaa de seguros
ocurren de acuerdo con un proceso de Poisson con una tasa de 5 por
semana. Si la cantidad de dinero que se paga en cada pliza es exp.
con una media de $ 1 000 000, cual es la media y la varianza del
dinero pagado por la compaa durante una semana?
12) Para un proceso de Poisson demuestre que para s < t:
n s k s nk
P{N(s) k / N ( t ) n} 1 , k 0, 1, 2, ..., n
k t t que transcurran 10 minutos entre dos respuestas sucesivas
Bermardo A. Caldern C.
Problemas distr. exponencial y proceso de Poisson
13) Una tienda abre a las 8 AM. De las 8 a las 10 los clientes llegan
de acuerdo con un proceso de Poisson a una tasa de cuatro por hora.
De las 10 a las 12 llegan de acuerdo con un proceso de Poisson a
una tasa de 8 por hora. De las 12 a las 2 PM la tasa de llegada
aumenta uniformemente de ocho por hora a las 12 hasta llegar a 10
a las 2 PM; y de 2 a 5 PM la tasa cae constantemente hasta llegar a
cuatro por hora.
a) Defina la distribucin de probabilidad del nmero de clientes
que llegan a la tienda a cualquier hora del da.
b) Calcule la probabilidad de que lleguen cinco clientes:
- Entre las 9 y las 10 AM.
- Entre las 12 M y la 1 PM.
- Entre las 4 y las 5 PM.
c) Cual es la probabilidad de que no llegue nadie en los intervalos
anteriores de tiempo?.
d) Cual es el nmero esperado de clientes que llegan en los
intervalos anteriores de tiempo?.
Bermardo A. Caldern C.
Problemas distr. exponencial y proceso de Poisson
14) Norberto administra un almacn de repuestos que abre a las 8
AM. Los clientes llegan segn un proceso de Poisson, a una tasa
variable, dependiendo de la hora del da. De 8 AM a las 11 los
clientes llegan, en promedio, a una tasa que aumenta
constantemente y que empieza con un valor inicial de 5 clientes por
hora a las 8 AM y alcanza un mximo de 20 a las 11. De 11 AM a
la 1 PM la tasa permanece constante en 20 clientes por hora. Sin
embargo, la tasa de llegada cae constantemente en el perodo de
1 PM a las 5 PM, hora de cierre, en que toma el valor de 12. Si el
nmero de clientes que llegan en intervalos disjuntos de tiempo son
independientes, calcule:
a) La distribucin de probabilidad del nmero de clientes que llegan
en cualquier hora del da?.
b) La probabilidad de que:
- No llegue nadie entre las 8:30 AM y las 9 AM?.
- No llegue nadie entre las 12:30 y la 1 PM?.
c) El nmero esperado de clientes entre las 8:30 AM y las 9 AM y
49 entre las 12:30 PM y la 1 PM?.
Bermardo A. Caldern C. 52
Problemas distr. exponencial y proceso de Poisson
15) Cierto contador de partculas registra nicamente
cada segunda partcula que llega al contador. Suponga que
las partculas llegan de acuerdo a un proceso de Poisson a
una tasa de 4/minuto. Sea T el tiempo, en minutos, entre
dos partculas sucesivas que son registradas por el
contador. Determine :
a) P(T > 1)
b) E [ T ]
16) Un beb llora de acuerdo con un proceso de Poisson
a una tasa de 12 veces por hora. Si sus padres solamente
responden a cada tercer gemido, cual es la probabilidad de
50 de sus padres? Bermardo A. Caldern C. 53
Problemas distr. exponencial y proceso de Poisson
17) Suponga que un sistema de colas tiene dos servidores, una
distribucin de tiempos entre llegadas exponencial con una media
de dos horas y una distribucin de tiempos de servicio exponencial
con una media de dos horas. Lo que es mas, a las doce del da acaba
de llegar un cliente.
a) Cul es la probabilidad de que la siguiente llegada ocurra antes
de la 1:00 PM?. Entre la 1:00 PM y las 2:00 PM?. Despus de las
2:00 PM?
b) Suponga que no llegan mas clientes antes de la 1:00 PM. Cual es
la probabilidad de que la siguiente llegada ocurra entre la 1:00 y las
2:00 PM?
c) Cul es la probabilidad de que el nmero de llegadas entre la
1:00 PM y las 2:00 PM sea cero, uno, dos o ms?
d) Suponga que ambos servidores estn atendiendo clientes a la
1:00. Cul es la probabilidad de que ningn servidor haya
completado su servicio antes de las 2:00 PM. ? Antes de la 1:10
PM. ? Antes de la 1:01 PM. ?
51 Bermardo A. Caldern C. 54
9
 Problemas distr. exponencial y proceso de Poisson
18) Considere un sistema de colas con dos tipos de
clientes. Los clientes llegan de acuerdo con un proceso de
Poisson con una tasa media de 5 por hora los clientes tipo
1, y de 6 por hora los clientes tipo 2. El sistema tiene dos
servidores que atienden ambos tipos de clientes, y el
tiempo de servicio tiene una distribucin exponencial con
una media de 10 minutos para los dos tipos. El servicio se
presta de acuerdo al orden de llegada.
a) Cul es la distribucin de probabilidad (especificando
la media y la varianza) del tiempo entre llegadas
consecutivas de clientes al sistema?
b) Cuando llega un cliente especfico del tipo 2 encuentra
dos clientes tipo 1 en proceso de ser atendidos, y ningn
otro cliente en el sistema. Cul es la distribucin de
probabilidad (incluyendo la media y la varianza) del
tiempo de espera en la Bermardo
cola para este tipo de cliente? 55
A. Caldern C.

Examen distr. exponencial y proceso de Poisson

1) (35) Una compaa fabrica un componente electrnico
usado para que cierto aparato funcione. La vida til del
componente es una variable aleatoria T con distribucin
exponencial con una tasa de fallas de 0.0025 fallas/hora..
a) (8) Si una componente se pone en funcionamiento, cul
es la probabilidad de que funcione al menos 300 horas?
b) (8) Si una componente ha estado trabajando durante
200 horas, cul es la probabilidad de que trabaje en total
por lo menos 450 horas
c) (8) Se ponen a funcionar simultneamente 8 de estas
componentes en forma independiente, cul es el tiempo
esperado hasta que falle la primera de esas componentes?
d) Se ponen a funcionar simultneamente 8 de esas
componentes en forma independiente, cul es la
probabilidad de que la primera de esas componentes que
falle lo haga despus deBermardo
200A.horas?
Caldern C. 56

10