Procesos de Poisson Introduccin En muchos de los sistemas que nos interesa modelar, analizaremos situaciones en que llegan entidades

a solicitar un cierto servicio. stas pueden ser personas que ingresan a un supermercado, llamadas a una central telefnica, trabajos que se reciben para ser procesados por un computador, demandas por un cierto item que se almacena en una bodega de inventario, etc. Para analizar y resolver problemas de toma de decisiones en este contexto, es necesario contar primero con modelos que permitan representar adecuadamente estos procesos de llegadas. El proceso de Poisson y sus extensiones constituir una primera familia de modelos en este sentido. En la elaboracin de estos modelos se considerar en primer lugar procesos simples, definidos sobre la base e supuestos medianamente restrictivos, los que se irn relajando progresivamente a fin de obtener modelos cada vez ms realistas. Proceso de conteo En todos los procesos de llegadas de entidades a un sistema, debemos caracterizar la forma como estas llegadas se distribuyen a lo largo del tiempo. Para formalizar esta idea, necesitamos el concepto de proceso de conteo. Un proceso {N(t), t 0} es un proceso de conteo si N(t) corresponde al nmero de eventos que ocurren en el intervalo [0,t]. Propiedades del proceso de conteo: 1. N(t) es siempre un entero no negativo 2. Si tenemos dos instantes de tiempo distintos s y t, con s<t, entonces: N(s) < N(t) 3. Si s<t, entonces, el nmero de eventos que ocurren en el intervalo [s, t] corresponde a N(t) N(s) Definicin 1: Incrementos independientes Se dice que un proceso de conteo {N(t), t 0} presenta incrementos independientes, si el nmero de eventos que ocurren en intervalos disjuntos de tiempo son independientes

E1 0

E2

En s

En+1 t N(t) N(s)

N(s)

Definicin 2: Incrementos estacionarios El proceso de conteo {N(t), t0} presenta incrementos estacionarios, si la distribucin de probabilidad de N(t + s) N(t) depende de s pero no de t, es decir,

Profesora: Sra. Dafne Lagos Hurel, Magster en Gestin.

la distribucin del nmero de eventos que ocurren en un intervalo de tiempo slo depende del largo del intervalo y de nada ms. Definicin 3: Propiedad de orden Un proceso de conteo tiene la propiedad de orden si: 1) P{ N(dt) = 1 } = dt 2) P{ N(dt) 2 } = 0 3) P{ N(dt) = 0 } = 1 - dt La propiedad de orden prohbe la ocurrencia de eventos simultneos. Definicin 4: Proceso de Poisson: El proceso de conteo {N(t), t 0} es un proceso de Poisson si cumple con: i) la propiedad de incrementos independientes ii) la propiedad de incrementos estacionarios iii) la propiedad de orden Teorema 1: Si {N(t), t 0} es un proceso de Poisson, entonces la distribucin del nmero de eventos en un instante de tiempo cualquiera viene dada por: t n P{N(t) = n} = e (t)

n!
Esto quiere decir que la distribucin de N(t) corresponde a la distribucin de Poisson con parmetro t. Adems, en este caso, E[X] = t y Var[X] = t Teorema 2: En un proceso de Poisson a tasa , las variables T1, T2, , Ti correspondiente al tiempo entre evento y evento, son variables aleatorias independientes e idnticamente distribuidas, con distribucin exponencial de parmetro . Para el tiempo entre eventos (variables T1, T2, Tn): t i) P {Ti t} = 1 - e es decir, la probabilidad que el tiempo transcurrido entre el evento i-1 y el evento i sea t inferior a t est dada por : 1 - e t 2i) f (t) = e la funcin de densidad de probabilidad de la variable t es f (t) = et 3i) E (Ti) = 1 / El valor esperado de la variable Ti es 1/. Definicin 5: Tasa de falla: Para una variable X (que mide la vida de un sistema), y que tiene densidad de probabilidad f(X) y funcin de distribucin F(X), se define la tasa de falla r(S) como: r(S) = f(S) / (1 F(S)) En el caso de que la variable X tenga distribucin exponencial en los tiempo de vida del sistema, entonces la tasa de falla r(S) es igual a la constante . Teorema 3 Tiempos exponenciales: Sea N(t) un proceso de conteo cuyos tiempos entre eventos son variables aleatorias independientes ente si, y con distribucin exponencial ( a tasa ); entonces, N(t) es un proceso de Poisson. Teorema 4: El proceso de conteo {N(t), t 0} es un proceso de Poisson a tasa , si y solo si:

Profesora: Sra. Dafne Lagos Hurel, Magster en Gestin.

1. Con probabilidad 1, los incrementos del proceso son de magnitud unitaria (es decir, no existen dos eventos de forma simultnea) 2. E [ N(t+s) N(t) / N(u), ut] = s Teorema 5: Sea B la unin de un nmero finito de intervalos disjuntos de tiempos y NB el nmero de eventos del proceso de conteo {N(t), t 0} que caen dentro del conjunto B. Entonces, este proceso de conteo es un proceso de Poisson a tasa , si y solo si: b n P{NB = n} = e (b)

n!

Para todo conjunto B, en que b es la longitud total asociado al conjunto B. Por lo tanto, si se tiene suficiente informacin para verificar que la distribucin del nmero de eventos en distintos intervalos de tiempo es la distribucin de Poisson, entonces {N(t), t 0} es un proceso de Poisson. Proceso de descomposicin Suponga que una etapa de un proceso productivo est constituida por 2 mquinas en paralelo. Los productos llegan a esta etapa de acuerdo a un proceso de poisson a tasa l. Al llegar un producto, con probabilidad p se a la mquina 1 y con probabilidad 1-p a la mquina 2 (se asume que en cada producto se asigna a alguna de las dos mquinas de acuerdo a estas probabilidades y en forma independiente de los dems productos). Sea N(t) el proceso de conteo de las llegadas fe productos al sistema y N1(t) y N2(t) la llegada a la mquina 1 y a la mquina 2 respectivamente. El sistema en forma esquemtica es:

N1(t)
p

N(t)
1-p
Teorema 6: P {N1(t) = j} = ept(pt)j P {N2(t) = k} = e
(1-p)t

N2(t)

j!

((1-p)t)k k!

Para el proceso anterior, los procesos N1(t) y N2(t) son variables aleatorias independientes. Ejemplo 1: Considere la llegada de clientes a un supermercado como un proceso de Poisson a tasa de 2 clientes por minuto. Si considera que los clientes entran de uno en uno, la probabilidad que el cliente sea mujer es 0,5 y la probabilidad que sea hombre tambin es 0,5. Con lo anterior determine la probabilidad que en el intervalo [0, 0.5] horas halla ingresado 20 mujeres.

Profesora: Sra. Dafne Lagos Hurel, Magster en Gestin.

Solucin: pt j P {N1(30) = 20} = e (pt)

j!

= e2(1/2)30(2(1/2)30)20 = 0.0134 20!

Suma de procesos de Poisson Sean N1(t), N2(t) ,, Nk(t) procesos de Poisson independientes a tasas 1, 2,...,k respectivamente. Entonces, el proceso: N(t) = N1(t) + N2(t) ++ Nk(t) es un proceso de Poisson a tasa = 1 + 2 +...

...+ k
Distribucin condicional de los tiempos entre eventos Sea Sj = T1 + T2 + + Tj La distribucin de la variable Sj corresponde a una funcin Gamma de parmetros n y , tal como sigue: t n-1 f(t) = e (t)

(n-1)!
Distribucin condicional del tiempo del primer evento, dado un evento Bajo el supuesto que ha ocurrido un evento en el intervalo [0, t], se tiene: P{S1 x / N(t) =1 } = P[S1 x , N(t) =1] P[ N(t) =1 ] = P[N(x) =1] * P[N(t-x) =0] = x P[ N(t) =1 ] t Ejemplo 2: Considere un local comercial donde se vende automviles de lujo. Si el proceso de venta de automviles es un proceso de Poisson a tasa 1 automvil por da y dado que se vendi un automvil en el da. Cul es la probabilidad que el automvil se vendiera antes del medio da?. Solucin: P{S1 x / N(t) =1 } = P{S1 1/2 / N(1) =1 } = (1/2) / 1 = 1/2 Proceso de Poisson compuesto Definicin 6: Dado un proceso de Poisson de tasa {N(t), t 0} y sea X1, X2 ,, Xi variables aleatorias independientes e idnticamente distribuidas, donde estas variables son adems independientes de {N(t), t 0} . Entonces, el proceso {X(t), t 0} se dice de Poisson compuesto si: X(t) = Xi donde la sumatoria se mueve para i desde 1 hasta N(t) En este proceso, no se cumple con la propiedad de orden. Para todo el proceso de Poisson compuesto se tendr: E[X(t)] = t * E(Xi) Var[X(t)] = t * E(Xi2) Ejemplo 3: Suponga que las familias que llegan a veranear a un camping es un proceso de Poisson con tasa 2 familias por da. Sui el nmero de personas en cada familia es considerado como una variable aleatoria independiente, y que toman los valores 1, 2, 3, 4 con probabilidades 1/6, 1/3, 1/3, 1/6 respectivamente, entonces cul es el valor esperado y a varianza del nmero de personas que llegan a veranear al camping durante un periodo fijo de 5 das?

Profesora: Sra. Dafne Lagos Hurel, Magster en Gestin.

Solucin: Sea Xi = nmero de personas en la i-sima familia. E(Xi) = 1*1/6 + 2*1/6 + 3*1/6 + 4*1/6 = 5/2. El nmero esperado (o promedio) de personas es 2.5 Var[X(t)] = t * E(Xi2) = 2*5*(12*1/6 + 22*1/6 + 32*1/6 + 42*1/6) = 43/6 Proceso de Poisson no homogneo Definicin 7: Todo proceso de conteo {N(t), t 0} se llama proceso de Poisson no homogneo de tasa (t) si y slo si: i) cumple la propiedad de incrementos independientes ii) cumple la propiedad de orden iii) la tasa de eventos (t) depende del tiempo Teorema 7: Dado un proceso de Poisson no homogneo de tasa (t); {N(t), t 0} y sea la tasa acumulada de ocurrencia (o valor medio) de eventos en el intervalo [t1, t2], esto es: m[t1, t2] = (t) dt donde la integral se mueve desde t = t1, hasta t = t2, Entonces, se tiene que: P { [N(t2) N(t1)] = n } = em(t1,t2) (m(t1,t2))n

n!
o, en forme equivalente: P { [N(t+s) N(t)] = n } =

e[m(t+s) m(t)] (m(t+s) m(t)] n n!

Ejemplo 4: Considere que la llegada de clientes a un local de comida rpida es un proceso de Poisson no homogneo a tasa (t) dada por: (t) = 5 5t si 0<= t<= 3 20 si 3<= t <= 5 (t - 9) si 5 <= t <= 9 donde t = 0 corresponde a las 8:00 AM. a) Determine la tasa acumulada de ocurrencia entre las 8:30 y 9:30 AM. b) Determine la probabilidad de que no llegue nadie al local entre las8:30 y 9:30 AM. c) Determine el valor medio de clientes que llegan entre las 8:30 y 9:30 AM. Solucin: Tasa acumulada de ocurrencias: m(t) m[8:30, 9:30] = m[1/2, 3/2] = (t) dt = (5 + 5t dt = (5t + 5t2/2) = (5*3/2 + 5/2*(9/4)) (5/2 + 5/2*(1/4)) = 10 P(N(t2) N(t1) = 0) = em(t1,t2) (m(t1,t2))n = e10 (10)0 = 0.000045

n!

0!

Valor medio de clientes entre las 8:30 y las 9:30 AM es la tasa acumulada de ocurrencias, es decir, 10. Bibliografa: Ross, Sheldon Introduction to Probability Models, Editorial: Academic Press, Quinta edicin. Taha, Hamdy: Investigacin de Operaciones, Editorial: Pearson-Prentice Hall, Sptima edicin.

Profesora: Sra. Dafne Lagos Hurel, Magster en Gestin.

Hillier, Frederick y Lieberman, Gerald Introduccin a la Investigacin de Operaciones, Editorial: McGraw - Hill, Cuarta edicin. Gazmuri, Pedro Modelos Estocsticos para la Gestin de Sistemas, Editorial: Ediciones Universidad Catlica de Chile, Primera edicin.

Profesora: Sra. Dafne Lagos Hurel, Magster en Gestin.