Cap tulo 4

El proceso de Poisson
En el presente y en el siguiente cap tulo estudiaremos el modelo de cadena de Markov a tiempo continuo. Como una introducci on a la teor a general que se expondr a m as adelante, en este cap tulo estudiaremos uno de los ejemplos m as importantes de este tipo de modelos: el proceso de Poisson. Deniremos este proceso de varias formas equivalentes y estudiaremos algunas de sus propiedades, sus generalizaciones y algunas de sus aplicaciones. El proceso de Poisson es un modelo relevante tanto en las aplicaciones como en la teor a general de los procesos estoc asticos.

4.1.

Denici on

Suponga que un mismo evento ocurre repetidas veces de manera aleatoria a lo largo del tiempo, como se muestra 0 en la Figura 4.1. Tal evento puede ser, Figura 4.1 por ejemplo, la llegada de una reclamaci on a una compa n a aseguradora o la recepci on de una llamada a un conmutador, la llegada de un cliente a una ventanilla para solicitar alg un servicio o los momentos en que una cierta maquinaria requiere reparaci on, etc etera. Suponga que las variables aleatorias T1 , T2 . . . representan los tiempos que transcurren entre una ocurrencia del evento y la siguiente ocurrencia. Suponga que estos tiempos son independientes uno del otro y que cada uno tiene distribuci on exp. Se 115

116

4. El proceso de Poisson

dene el proceso de Poisson al tiempo t como el n umero de ocurrencias del evento que se han observado hasta ese instante t. Esta es una denici on constructiva de este proceso y la formalizaremos a continuaci on. M as adelante enunciaremos otras deniciones axiom aticas equivalentes. Denici on 4.1 (Primera denici on) Sea T1 , T2 , . . . una sucesi on de variables aleatorias independientes cada una con distribuci on exp. El proceso de Poisson de par ametro es el proceso a tiempo continuo Xt : t 0 denido de la siguiente manera: Xt m ax n 1 : T1 Tn t.

Se postula adem as que el proceso inicia en cero y para ello se dene m ax 0. En palabras, la variable Xt es el entero n m aximo tal que T1 Tn es menor o igual a t, y ello equivale a contar el n umero de eventos ocurridos hasta el tiempo t. A este proceso se le llama proceso de Poisson homog eneo, tal adjetivo se reere a que el par ametro no cambia con el tiempo, es decir, es homog eneo en Xt el tiempo. Una trayectoria 3 t pica de este proceso puede observarse en la Figura 4.2, 2 la cual es no decreciente, 1 constante por partes, continua por la derecha y con t l mite por la izquierda. A W1 W2 W3 0 los tiempos T1 , T2 , . . . se les T1 T2 T3 T4 llama tiempos de estancia o tiempos de interarribo, Figura 4.2: El proceso de Poisson y los tiempos de ocurrencia de eventos. y corresponden a los tiempos que transcurren entre un salto del proceso y el siguiente salto. Hemos supuesto que estos tiempos son independientes y que todos tienen distribuci on exp. En consecuencia, T1 Tn tiene distribuci on gaman, . Esta variala variable Wn ble representa el tiempo real en el que se observa la ocurrencia del n- esimo evento. Observe la igualdad de eventos Xt n Wn t, esto equivale a decir que al tiempo t han ocurrido por lo menos n eventos si, y s olo si, el n- esimo evento ocurri o antes de t. Una de las caracter sticas sobresalientes

n 4.1. Definicio

117

de este proceso es que puede encontrarse expl citamente la distribuci on de probabilidad de la variable Xt para cualquier valor de t 0. La respuesta es la distribuci on Poisson, y de all el proceso adquiere su nombre. Proposici on 4.1 La variable Xt tiene distribuci on Poissont, es decir, para cualquier t 0, y para n 0, 1, . . . P Xt n et

tn .
n!

on de Demostraci on. Como Wn tiene distribuci on gaman, , su funci distribuci on es, para t 0, P Wn Entonces para cualquier t P Xt n t 1 et
1 n k 0

tk .
k! 0, 1, . . . n 1 t

0 y para cada n P Xt

P Wn t P Wn1 tk . et k!

n P Xt

Entonces, dado que Xt tiene una distribuci on Poissont, se tiene que t, y VarXt t. Por lo tanto t es el promedio de obserE Xt vaciones o registros del evento de inter es en el intervalo 0, t. As , mientras mayor es la longitud del intervalo de observaci on, mayor es el promedio de observaciones realizadas, y mayor tambi en la incertidumbre del n umero de observaciones. P erdida de memoria y sus consecuencias Una de las propiedades que caracterizan de manera u nica a la distribuci on exponencial dentro del conjunto de distribuciones absolutamente continuas es que satisface la propiedad de p erdida de memoria, esto es, si T tiene distribuci on exp, entonces para cualesquiera tiempos s, t 0 se cumple la igualdad P T t s T s P T t.

118

4. El proceso de Poisson

En otras palabras, condiYt Xt cionada al evento T s, 2 3 la variable T s sigue te1 2 niendo distribuci on exp. Esto signica que, para un t 1 valor de s 0 jo, tot dos los tiempos de interarris bo a partir de s, incluyendo Figura 4.3 el primero, siguen teniendo distribuci on exp, y por lo tanto el proceso de conteo de eventos a partir del tiempo s es un proceso de Poisson. La situaci on se muestra gr acamente en la Figura 4.3. Demostraremos a continuaci on que los incrementos de este proceso son estacionarios y tienen distribuci on Poisson. Proposici on 4.2 Para cualesquiera tiempos 0 P Xt Xs Demostraci on. P Xt Xs n P Xts n s t, y para n 0, 1, . . . (4.1)

ets

t sn .
n! k P Xs k.

Por el teorema de probabilidad total, n

k 0

P Xt Xs

n Xs

Nos concentraremos en analizar la probabilidad condicional indicada. Dado que al tiempo s el proceso de Poisson se encuentra en el nivel k, por la propiedad de p erdida de memoria podemos considerar que en ese momento reinicia el proceso de Poisson, y la probabilidad del evento Xt Xs n es igual a la probabilidad del evento Xts n. Por lo tanto, P Xt Xs n

k 0

P Xts n n .

n P Xs

k 0

k k

P Xts P Xts

P Xs

n 4.1. Definicio

119

Lo que hemos demostrado en la Proposici on 4.2 es que no solamente la variable Xt del proceso de Poisson tiene distribuci on Poissont, sino tambi en on Poisson, ahora con par ametro los incrementos Xt Xs tienen distribuci erdida de memoria pueden t s, cuando 0 s t. De la propiedad de p derivarse todas las propiedades del Proceso de Poisson, incluida la propiedad de Markov, la cual demostraremos a continuaci on. Proposici on 4.3 El proceso de Poisson Xt : t propiedades. a) Es un proceso de Markov. b) Tiene incrementos independientes. c) Tiene incrementos estacionarios. d) Para cualesquiera s, t transici on son P Xts Demostraci on. a) Considere las probabilidades condicionales P Xtn P Xtn xn Xt1 xn Xtn1 x1 , . . . , Xtn1 xn1 , xn1 , 0, y enteros 0 i i et j , las probabilidades de 0 satisface las siguientes

j Xs

tj i . j i!

(4.2)

para cualesquiera n tiempos 0 t1 t2 tn , y cualesquiera estados 0 x1 . . . xn . En ambos casos se establece que al tiempo tn1 ha habido es. A partir de ese momento inicia un xn1 ocurrencias del evento de inter nuevo proceso de Poisson y para que al tiempo tn hayan xn ocurrencias es necesario que en el intervalo de tiempo tn1 , tn hayan ocurrido xn xn1 eventos. Ambas probabilidades coinciden entonces con la probabilidad P Xtn Xtn1 xn xn1 y ello demuestra la propiedad de Markov. b) Considere cualesquiera n tiempos 0 t1 t2 tn , y cualesquiera estados x1 , . . . , xn . Por comodidad llamaremos sn a la suma x1 xn ,

120

4. El proceso de Poisson

para cada n 1. Por la propiedad de Markov y despu es por la propiedad de p erdida de memoria, la probabilidad conjunta P Xt1 es igual a P Xt1 P Xt1 P Xt1 s1 , Xt2 s1 P Xt2 s2 , . . . , Xtn sn s1 P Xtn sn1 x1 , Xt2

Xt

x2 , . . . , Xtn

Xt

n 1

xn

x1 P Xt2

Xt

s2 Xt1
1

x2 P Xtn

sn Xtn1 Xtn1 xn.

Las propiedades c), y d) son consecuencia inmediata de (4.1). La estacionariedad de los incrementos signica que la distribuci on de la variable Xt Xs , s t, depende de s y de t u nicamente a trav es de la diferencia para 0 t s, lo cual es evidente de (4.1). La expresi on (4.2) establece de manera clara que las probabilidades de transici on son estacionarias en el tiempo, es decir, no dependen del par ametro s, en es interesante observar y se escriben simplemente como pij t. Pero tambi que (4.2) dice que estas probabilidades son estacionarias en el espacio, es decir, dependen de los estados i y j u nicamente a trav es de la diferencia j i. En s mbolos, para j i, pij t p0,j i t.

Ejemplo 4.1 (Paradoja del autob us) Suponga que la llegada de autobuses a una estaci on se modela mediante un proceso de Poisson de par ametro , es decir, el tiempo que transcurre entre la llegada de un autob us y el siguiente es una variable aleatoria con distribuci on exp. Suponga que el tiempo es medido en minutos. La propiedad de p erdida de memoria en este contexto puede interpretarse de la siguiente forma: una persona ha llegado a la estaci on y ha esperado s minutos sin que un autob us aparezca. La probabilidad de que tenga que esperar m as de t minutos adicionales es la misma que la probabilidad de espera de m as de t minutos para una persona que acaba de llegar a la estaci on! ametro y sea Ejemplo 4.2 Sea Xt : t 0 un proceso de Poisson de par S una variable aleatoria continua con soporte el intervalo 0, e independiente del proceso de Poisson. Entonces para cualquier t 0, el incremento

n 4.1. Definicio

121

XS t Xt tiene distribuci on Poissont. En efecto, para cualquier entero k 0, y suponiendo que F s es la funci on de distribuci on de la variable S , P XS t Xt k

0

P XS t Xt P Xst Xs P Xt

k S

s dF s

0
0

k dF s

P Xt

k.

k dF s

En el siguiente ejemplo haremos uso de este peque no resultado. Ejemplo 4.3 (La suma de dos procesos de Poisson independientes es un proceso de Poisson) Sean Xt : t 0 y Yt : t 0 dos procesos de Poisson independientes de par ametros 1 y 2 respectivamente. Demostraremos que el proceso suma Xt Yt : t 0 es un proceso de Poisson de par ametro 1 2 . Denotaremos por T1 , T2 , . . . a los tiempos de interarribo del proceso suma. La forma en la que se obtienen estos tiempos se muestra en la Figura 4.4. Demostraremos que estas variables aleatorias son independientes con id entica distribuci on exp1 2 .

Xt Yt Xt Yt

Figura 4.4: Suma de dos procesos de Poisson. En el siguiente an alisis el t ermino Xs,t denotar a la diferencia Xt Xs , para 0 s t. Entonces para cualquier valor natural de n y para cualesquiera tiempos t1 , . . . , tn , el evento T1 t1 , T2 t2 , . . . , Tn tn puede expresarse como

X Y 0,t
1

0, X

Y T ,T t
1 1 2

0, . . . , X

Y T ,T t
n 1 n 1 n

0,

122 esto es,

4. El proceso de Poisson

X0,t 0 Y0,t 0 XT ,T t 0 YT ,T t 0 XT ,T t 0 YT ,T t
1 1 1 1 2 1 1 2 n 1 n 1 n n 1 n 1 n

0.

Por la independencia de los procesos, la propiedad de incrementos independientes de cada uno de ellos, y el resultado del Ejemplo 4.2, la probabilidad de este evento es P XT1 ,T1 t2
n 1

P X0,t1

0 P Y0,t1

P XT ,T t
n 1 n

0 P YT1 ,T1 t2

0 0.

0 P YTn1 ,Tn1 tn e1 2 t1 e1 2 t2

Por lo tanto, P T1 t1 , T2 t2 , . . . , Tn tn

e t
1 2

Esta identidad demuestra que las variables T1 , T2 , . . . , Tn son independientes con id entica distribuci on exp1 2 . Distribuciones asociadas al proceso de Poisson Adem as de las distribuciones exponencial y gama ya mencionadas, existen otras distribuciones de probabilidad que surgen al estudiar ciertas caracter sticas del proceso de Poisson. Por ejemplo, el siguiente resultado establece una forma de obtener la distribuci on binomial a partir del proceso de Poisson. Suponga que durante el intervalo de tiempo 0, t se han obsern ha vado n ocurrencias del evento de inter es, es decir, el evento Xt ocurrido. La pregunta es, cu antos de estos eventos ocurrieron en el subintervalo 0, s? Demostraremos a continuaci on que esta variable aleatoria tiene distribuci on binomialn, st. Proposici on 4.4 Sean s y t tiempos tales que 0 enteros tales que 0 k n. Entonces P Xs k Xt n

t, y sean k y n

n k

s k 1 nk . s t t

n 4.1. Definicio Demostraci on. P Xs Por la denici on de probabilidad condicional, k Xt n P Xt n Xs k P Xs P Xt n k .

123

Substituyendo estas probabilidades y simplicando se obtiene el resultado.

Recordando que la suma de dos procesos de Poisson independientes es nuevamente un proceso de Poisson, se puede comprobar f acilmente el siguiente resultado. Proposici on 4.5 Sean X1 t y X2 t dos procesos de Poisson independientes con par ametros 1 y 2 respectivamente, y sean k y n enteros tales que 0 k n. Entonces P X1 t k X1 t X2 t n

n k

1 1 k 1 nk . 1 2 1 2

Demostraci on. P X1 t

Por la hip otesis de independencia entre los procesos, P X1 t P X1 t P X1 t k, X1 t X2 t k, X2 t k P X2 t n nP X1 t X2 t n n.

k X1 t X2 t

n kP X1 t X2 t

n kP X1 t X2 t

Substituyendo estas probabilidades se obtiene el resultado. Proposici on 4.6 Dado el evento Xt n, el vector de tiempos reales W1, . . . , Wn tiene la misma distribuci on que el vector de las estad sticas de on orden Y1 , . . . , Yn de una muestra aleatoria Y1 , . . . , Yn de la distribuci uniforme en el intervalo 0, t, es decir, fW1,...,Wn Xt w1 , . . . , wn n
n!

tn 0

si 0

w1

wn

t,

otro caso.

124

4. El proceso de Poisson

Demostraci on. La f ormula general para la funci on de densidad conjunta de las estad sticas de orden Y1 , . . . , Yn de una muestra aleatoria Y1 , . . . , Yn de una distribuci on con funci on de densidad f y es, para y1 yn , fY1 ,...,Yn y1 , . . . , yn n! f y1 f yn .

Cuando la funci on de densidad f y es la uniforme en el intervalo 0, t, esta funci on de densidad conjunta es la que aparece en el enunciado. Demostraremos que la distribuci on conjunta de las variables W1 , . . . , Wn , condicionada en tiene esta misma funci on de densidad. Usaremos al evento Xt n tambi nuevamente la identidad de eventos Xt n Wn t. Para tiempos on de densidad conjunta condicional 0 w1 wn t, la funci fW1 ,...,Wn Xt w1 , . . . , wn n se puede obtener a trav es de las siguientes derivadas
n

w1 wn
n n

P W1

w1 , W2 1, Xw2

w2 , . . . , W n 2, . . . , Xwn

wn Xt n Xt

n n

w1 wn

P Xw1

P Xt Xwn 0, Xwn Xwn1 1, . . . w1 wn . . . , Xw2 Xw1 1, Xw1 1P Xt n

n

ew w w2 w1 ew w1 et tn n! n n! wn wn1 w2 w1 w1 tn w1 wn n!tn . Observe que bajo el signo de derivada, la probabilidad del evento Xw 1, Xw 2, . . . , Xw n, Xt n, que aparece en la primera igualdad, es id entica a la probabilidad de Xt Xw 0, Xw Xw 1, . . . , Xw Xw 1, Xw 1, pues si alguna de estas identidades (exceptuando la
2 1 1 1 2 n n n n 1 2 1 1

w1 wn

etwn ewn wn1 wn wn1

primera) fuera distinta de uno, la derivada se anula. Observa adem as para la u ltima igualdad que es preferible llevar a cabo la derivaci on en el orden

4.2. Definiciones alternativas

125

indicado, pues de esa forma las expresiones en par entesis van desapareciendo sucesivamente. La f ormula anterior nos provee de un mecanismo para obtener simulaciones por computadora de las trayectorias del proceso Poisson. El procedimiento es el siguiente: se ja un valor t y se asigna un valor para . Se genera un valor al azar de la variable Xt con distribuci on Poissont. Suponga que n. A continuaci on se generan n valores u1 , . . . , un de la distribuci on Xt unif0, t, y se ordenan estos valores de menor a mayor: u1 un . Estos son los tiempos en donde la trayectoria tiene saltos. De esta forma pueden obtenerse trayectorias como la que se muestra en la Figura 4.2.

4.2.

Deniciones alternativas

La Denici on 4.1 de proceso de Poisson es constructiva pues a partir de los tiempos de interarribo se construye el proceso de conteo correspondiente. Existen otras formas equivalentes y un tanto axiom aticas de denir a este proceso. Revisaremos y comentaremos a continuaci on dos de ellas. Una de las ventajas de contar con estas deniciones alternativas es que para demostrar que un cierto proceso es de Poisson se puede tomar cualquiera de las deniciones a conveniencia. Denici on 4.2 (Segunda denici on) Un proceso de Poisson de par ametro 0 es un proceso a tiempo continuo Xt : t 0, con espacio de estados 0, 1, . . . , y que cumple las siguientes propiedades: a) X0 0. 0, y cuando h 1 2 h oh. oh. 0, b) Tiene incrementos independientes y estacionarios. c) Para cualquier t ii) P Xth Xt i) P Xth Xt

Esta denici on hace uso de las probabilidades innitesimales del proceso y ello tiene algunas ventajas desde el punto de vista de la interpretaci on de lo que sucede en un intervalo innitesimal de tiempo t, t h. El proceso empieza en cero y por el tercer postulado la probabilidad de que pase al

126

4. El proceso de Poisson

estado uno al nal de un intervalo de tiempo peque no 0, h es h oh, la probabilidad de que el proceso no tenga ning un cambio en dicho intervalo es 1 h oh, y nalmente la probabilidad de que el proceso tenga dos o m as incrementos en tal intervalo es oh. Es decir, en un intervalo cualquiera de longitud innitesimal h s olo pueden ocurrir dos situaciones: que haya un incremento o que no lo haya. Ejemplo 4.4 Demostraremos que la variable Xts Xs tiene distribuci on on 4.2. Se dene pn t Poissont a partir de los postulados de la Denici P Xt n y se considera cualquier h 0. Denotaremos por pn t, t h a la probabilidad P Xth Xt n. Por la hip otesis de independencia, para 0, t 0 y cuando h p0 t h Haciendo h p0 t p0 t, t h p0 t 1 h oh.

cuya soluci on es p0 t c et , en donde la constante c es uno por la condici on inicial p0 0 1. Ahora encontraremos pn t para n 1. Nuevamente por independencia, pn t h Haciendo h pn t p0 t, t h pn1 t p1 t, t h oh 0 se obtiene pn t pn t 1 h oh pn1 t h oh oh.

0 se obtiene la ecuaci on diferencial p0 t p0 t,

con condici on inicial pn 0 0 para n 1. Deniendo qn t et pn t la ecuaci on diferencial se transforma en qn t qn1 t, con condiciones qn 0 0 y q0 t 1. Esta ecuaci on se resuelve iterativamente primero para es para q2 t, y as sucesivamente, en general qn t tn n! q1 t, despu Por lo tanto, pn t et tn n! Esto signica que Xt tiene distribuci on Poissont. Debido al postulado de incrementos estacionarios, la variable Xts Xs tiene la misma distribuci on que Xt .

pnt pn1t,

4.2. Definiciones alternativas

127

Denici on 4.3 (Tercera denici on) Un proceso de Poisson de par ametro 0 es un proceso a tiempo continuo Xt : t 0 con espacio de estados 0, 1, . . ., con trayectorias no decrecientes y que cumple las siguientes propiedades: a) X0 0. 0, t 0. b) Tiene incrementos independientes. c) Xts Xs Poissont, para cualesquiera s

Esta es posiblemente la denici on del proceso de Poisson que con m as frecuencia se puede encontrar en las referencias. A partir de ella inmediatamente sabemos que la variable Xt tiene distribuci on Poissont. La independencia de los incrementos es expl cita, y la estacionariedad de los mismos aparece de manera impl cita en el tercer postulado. Para demostrar la equivalencia con la denici on 4.1, el reto consiste en denir los tiempos de interarribo y demostrar que estos son variables aleatorias independientes con distribuci on exponencial. Proposici on 4.7 Las deniciones del proceso de Poisson 4.1, 4.2 y 4.3 son equivalentes.

Def. 4.3. El Demostraci on. Hemos demostrado que Def. 4.2 rec proco es inmediato, pues la propiedad de incrementos independientes y estacionarios aparecen en ambas deniciones, y para cualquier t 0 y h 0,
P Xth Xt 1 1 P Xth Xt 1 eh 1 1 h oh h oh. An alogamente P Xth Xt 2 1 P Xth Xt oh. 1 eh eh h 0 P Xth Xt 1 0

1 1 h oh h oh

128

4. El proceso de Poisson

Estos c alculos y lo desarrollado antes demuestran que Def. 4.2  Def. 4.3. Tambi en antes hemos demostrado que Def. 4.1 Def. 4.3. Para deDef. 4.1 es necesario comprobar que los tiempos mostrar Def. 4.3 de interarribo T1 , T2 , . . . son independientes con distribuci on exp. Daremos una demostraci on no completamente rigurosa de este resultado. Sean 0 tiempos cualesquiera y sean t1 , . . . , tn las longitudes que t1 , . . . , tn se muestran en la Figura 4.5.

t1 0

t1

t2

t2

tn

tn

Figura 4.5 La probabilidad de que T1 tome un valor en el intervalo t1 , T2 tome un valor en el intervalo t2 , y as sucesivamente es fT1 ,...,Tn t1 , . . . , tn t1 tn
1 1 1 2

et et t1 et et t2 et et et et et t1 tn et t
2 2 n n 1 n

t n

Al hacer t1 , . . . , tn

0 se obtiene et1 et2 etn .

fT1 ,...,Tn t1 , . . . , tn

Esto demuestra que las variables T1 , . . . , Tn son independientes y cada una de ellas tiene distribuci on exp. En conjunto esto demuestra que

Denici on 4.1  Denici on 4.3  Denici on 4.2.

Observe que la pregunta acerca de la existencia de un proceso estoc astico que cumpla los postulados de las Deniciones 4.2 o 4.3 queda resuelta al vericar la equivalencia de tales postulados con la denici on constructiva 4.1. Presentaremos a continuaci on algunas generalizaciones del proceso de Poisson. Una de tales generalizaciones que estudiaremos con mayor detalle en un cap tulo m as adelante es aquella en la que se considera que las variables

4.3. Proceso de Poisson no homog eneo

129

de interarribo no son necesariamente exponenciales, en tal caso se pierde la propiedad de Markov del proceso. A este tipo de procesos se les llama procesos de renovaci on.

4.3.

Proceso de Poisson no homog eneo

Se considera ahora que el par ametro del proceso de Poisson no es necesariamente una constante sino una funci on del tiempo. A veces a este proceso se le llama tambi en proceso de Poisson con par ametro dependiente del tiempo. Este modelo puede ser naturalmente m as adecuado para algunas situaciones reales aunque deja de cumplir la propiedad de Markov. Denici on 4.4 Un proceso de Poisson no homog eneo es un proceso a tiemametro po continuo Xt : t 0, con espacio de estados 0, 1, . . . , con par la funci on positiva y localmente integrable t, y que cumple las siguientes propiedades: a) X0 0. b) Los incrementos son independientes. c) Para cualquier t 0, y cuando h 0, ii) P Xth Xt i) P Xth Xt 1 2 t h oh. oh.

Comparando esta denici on con la Denici on 4.2 de proceso de Poisson se observa mucha similaridad excepto por dos aspectos: en lugar de la constante se escribe ahora la funci on t, y la hip otesis de incrementos estacionarios ya no aparece. Ello es consecuencia de que el par ametro var a con el tiempo, generalmente de manera decreciente. Es decir, la distribuci on de probabilion dad de la variable incremento Xts Xs depende de los valores de la funci en el intervalo s, s t. Sin embargo, y en completa analog a con el caso homog eneo, la variable Xt contin ua teniendo distribuci on Poisson, como a continuaci on demostraremos. Proposici on 4.8 La variable Xt en un proceso de Poisson no homog eneo on Poissont, en donde se dene de par ametro t tiene distribuci t
t
0

s ds,

130 es decir, para n 0, 1, . . . P Xt n et

4. El proceso de Poisson

tn .
n!

Demostraci on. La prueba es an aloga a una de las realizadas en el caso homog eneo. Se dene nuevamente pn t P Xt n y se considera cualquier n. h 0. Denotaremos por pn t, t h a la probabilidad P Xth Xt Por la hip otesis de independencia, para t 0 y cuando h 0, p0 t h p0 t p0 t, t h p0 t 1 th oh.

Calculando la derivada se obtiene la ecuaci on diferencial p0 t t p0 t, c et , en donde la constante c es uno debido a cuya soluci on es p0 t la condici on inicial p0 0 1. Ahora encontraremos pn t para n 1. Nuevamente por independencia,
pn t h pn t p0 t, t h pn1 t p1 t, t h oh pn t 1 th oh pn1 t th oh oh.

on inicial pn 0 0 Entonces pn t t pn t t pn1 t, con condici t 1. Deniendo qn t e pn t la ecuaci on diferencial se transpara n forma en qn t t qn1 t, con condiciones qn 0 0 y q0 t 1. Esta es para q2 t, y ecuaci on se resuelve iterativamente primero para q1 t, despu as sucesivamente, en general qn t tn n! y de aqu se obtiene pn t.
Las trayectorias de un proceso de Poisson no homog eneo son semejantes a las trayectorias de un proceso de Poisson, es decir, son trayectorias no decrecientes y con saltos unitarios hacia arriba, pero la frecuencia promedio con la que aparecen los saltos cambia a lo largo del tiempo. De manera an aloga al caso homog eneo, los incrementos de este proceso tambi en tienen distribuci on Poisson. Proposici on 4.9 Para el proceso de Poisson no homog eneo, la variable on Poissont s s. incremento Xts Xs tiene distribuci

4.3. Proceso de Poisson no homog eneo

131

Demostraci on. Se escribe Xts Xs Xts Xs , en donde, por el axioma de incrementos independientes, en el lado derecho aparece la suma de dos variables aleatorias independientes. Recordando que la funci on generadora de momentos de la distribuci on Poisson es M r exp er 1, al aplicar este resultado a la ecuaci on anterior se obtiene

1 MX X r. Por lo tanto, MX X r exp t s s er 1. Si la funci on t es constante igual a , entonces t t, y se recupera el proceso de Poisson homog eneo. Cuando t es continua, t es diferenciable y por lo tanto t t. A la funci on t se le llama funci on de on de valor medio. A un proceso intensidad y a t se le conoce como funci de Poisson no homog eneo en donde t : t 0 es un proceso estoc astico
t s s t s s

exp t s er 1

exp s er

se le llama proceso de Cox. El siguiente resultado establece que bajo una transformaci on del par ametro tiempo, un proceso de Poisson no homog eneo puede ser llevado a un proceso de Poisson homog eneo de par ametro uno. Antes de demostrar este resultado t es positiva, la funci on de intensiobservemos que como la funci on t dad t es continua y no decreciente, y en general no es invertible. Puede denirse, sin embargo, la inversa por la derecha 1 t nf u 0 : u t,

que cumple la identidad 1 t creciente.

t, y que es una funci on continua y

Proposici on 4.10 Sea Xt : t 0 un proceso de Poisson no homog eneo t on de intensidad t de par ametro t, y funci 0 s ds. Dena la funci on 1 t nf u 0 : u t. Entonces el proceso X1 t : t de par ametro 1. 0 es un proceso de Poisson homog eneo

Demostraci on. Usaremos la Denici on 4.3 del proceso de Poisson. El proceso X1 t : t 0 empieza en cero y tiene incrementos independient1 t2 tn , tes, pues si se consideran cualesquiera tiempos 0

132

4. El proceso de Poisson

bajo la funci on creciente 1 t estos tiempos se transforman en una nueva colecci on mon otona de tiempos 0 1 t1 1 t2

1 tn .

Por lo tanto las siguientes variables son independientes X1 t1 , X1 t2 X1 t1 , . . . , X1 tn X1 tn1 Finalmente, para cualesquiera tiempos s, t 0 el incremento X1 ts X1 s tiene distribuci on Poisson de par ametro 1 t s 1 s

t s s

t.

Pueden denirse los tiempos de interarribo T1 , T2 , . . ., y los tiempos de saltos W1 , W2 , . . . para un proceso de Poisson no homog eneo de manera an aloga al caso homog eneo. Por hip otesis los incrementos de este proceso son indeon del pendientes, sin embargo, debido a que el par ametro t es una funci tiempo, los tiempos de interarribo T1 , T2 , . . . no son independientes pues, por ejemplo, T2 depende de t para valores de t mayores a T1 . Y por las mismas razones las distribuciones de estas variables no son id enticas.

4.4.

Proceso de Poisson compuesto

Esta es una de las generalizaciones del proceso de Poisson m as conocidas y de amplia aplicaci on. La generalizaci on consiste en que ahora los saltos ya no son necesariamente unitarios. Denici on 4.5 Sea Nt : t 0 un proceso de Poisson y sea Y1 , Y2 , . . . una sucesi on de variables aleatorias independientes, id enticamente distribuidas 0. El proceso de Poisson e independientes del proceso Poisson. Sea Y0 compuesto se dene de la siguiente forma: Xt
Nt n 0

Yn .

(4.3)

4.4. Proceso de Poisson compuesto

133

Observe que la variable Xt del proceso de Poisson compuesto es una suma de variables aleatorias en donde el n umero de sumandos es aleatorio. Tal tipo de modelos encuentra aplicaci on natural en distintos contextos. Por ejemplo, la variable Xt puede interpretarse como el monto total de reclamaciones recibidas por una compa n a aseguradora al tiempo t. El proceso de Poisson determina el n umero de siniestros o reclamaciones efectuadas hasta un momento cualquiera. La variable Yn representa el mon0, para n 1. to de la n- esima reclamaci on y es natural suponer Yn En la Figura 4.6 se muestra una trayectoria de este proceso y en el Xt siguiente resultado se presentan algunas de sus propiedades b asicas. Y3 Este proceso es un ejemplo de proY2 ceso de Markov a tiempo continuo Y1 como los que estudiaremos en el sit guiente cap tulo. Cuando las variables Y1 , Y2 , . . . toman valores en el Figura 4.6 conjunto 1, 2, . . . se dice que este proceso es un proceso de Poisson generalizado, pues los saltos ya no son necesariamente unitarios. Observe que si las variables Y1 , Y2 , . . . son todas id enticamente uno, el proceso de Poisson compuesto se reduce al proceso de Poisson. Proposici on 4.11 El proceso de Poisson compuesto (4.3) cumple las siguientes propiedades: 1. Tiene incrementos independientes y estacionarios. 2. E Xt 3. VarXt t E Y . t E Y 2 .

4. CovXt , Xs

E Y 2 m ns, t. E euXt exp t MY u 1 .

5. La funci on generadora de momentos de la variable Xt es MXt u

Estos resultados se obtienen condicionando sobre el valor de Nt . En el ejercicio 135 se pide dar los detalles de estas demostraciones.