e x
para x 0,1,2,3,
p( x ) x !
0
para cualquier otro valor de x
E[X] = Var[X] =
APLICACIONES
La distribucin de Poisson es un buen modelo para
representar el nmero de veces que un evento sucede,
por unidad de tiempo o espacio.
Nmero de clientes que llegan a una estacin de
servicio, durante un minuto.
e
f (x )
para x 0
para x 0
APLICACIONES
La distribucin exponencial es til para modelar el tiempo que
transcurre entre dos ocurrencias consecutivas de un evento.
PROCESO ESTOCSTICO
Un proceso estocstico es una coleccin {X(t), tT} de
variables aleatorias. Al conjunto T se le llama espacio de
parmetros. Si este es discreto, entonces decimos que el
proceso estocstico es de tiempo discreto; si T es continuo
entonces decimos que el proceso es de tiempo continuo.
INCREMENTOS INDEPENDIENTES
Decimos que un proceso estocstico de tiempo continuo,
{X(t), tT}, tiene incrementos independientes si para
cualesquier conjunto de valores
t0 < t1 < t2 < < tn
se tiene que las variables aleatorias
X(t1) - X(t0), X(t2) - X(t1), , X(tn) - X(tn-1)
son independientes, es decir, si los cambios en el valor del
proceso en intervalos de tiempo disjuntos, son
independientes.
INCREMENTOS ESTACIONARIOS
Decimos que un proceso estocstico de tiempo continuo,
{X(t), tT}, tiene incrementos estacionarios si la variable
X(t+s)-X(t) tiene la misma distribucin para toda t, es decir,
la distribucin del cambio del valor del proceso en dos
tiempos distintos, depende slo de la diferencia entre estos
dos tiempos.
PROCESO DE CONTEO
Decimos que un proceso estocstico {N(t), t 0} es un
proceso de conteo si satisface:
N(t) 0
N(t) toma valores enteros
Si s < t, entonces N(s) N(t)
Para s < t, N(t)-N(s) es el nmero de eventos que han
ocurrido en el intervalo de tiempo (s, t].
En otras palabras, N(t) representa al nmero total de
eventos que han ocurrido hasta el tiempo t.
PROCESO DE POISSON
Se dice que el proceso de conteo {N(t), t 0} es un proceso de
Poisson si
N(0) = 0
El proceso tiene incrementos independientes
El nmero de eventos que ocurren en un intervalo de tiempo de
longitud t tiene una distribucin de Poisson con parmetro t, es
decir,
e t (t ) x
para x 0,1,2 ,
P[ N ( t s) N ( t ) x ]
x!
0
para otros valores de x
Exponencial
Notando que la cantidad 1 u tambin se distribuye uniformemente en el
intervalo (0, 1), podemos generar una variable aleatoria exponencial con
parmetro usando la transformacin.
Poisson
La variable aleatoria X es Poisson con media si
TIEMPOS DE INTERARRIBO
Supongamos que tenemos un proceso de Poisson. Sea X1 el
tiempo de ocurrencia del primer evento y, para n 1.
TIEMPOS DE ESPERA
En un proceso de Poisson, el tiempo de arribo del n-simo evento,
Sn, tambin llamado tiempo de espera hasta el evento n-simo
est dado por
n
Sn X i
para n 1
i 1
e t (t ) n 1
f ( t ) ( n 1)!
0
para t 0
para t 0
i-simo i-1-simo
XJ
J+2
j+1
XJ-1
j-1
XJ-2.. X3
j-2..... .3
X2
X1
0.
XI+1
XI
XI-1
XI-2 .. X4
X3
X2
Ln(U I )
X1
t
S(I)
S(I-1)
S(3)
I+1
I-1,.. 3
S(2)
2
1 S(1) 0
S(0)=0
(0,T)
t= 0, I= 0.
Generar un nmero aleatorio U
terminar
Ir al paso 2
S(n)
n+1
S(n-1)
S(3)
n-1,.. 3
S(2)
2
1 S(1) 0
(0,T)
S(j)=TUi ; i:1,..n ; j:1,n
(t)
t
(s(I))
S(I)
(s(I-1))
(s(3))
S(I-1)
S(3)
I+1
I-1,.. 3
(s(2))
S(2)
2
(s(1))
1 S(1) 0
(0,T)
Tales que
Para generar una Poisson no homogneo sobre el intervalo (ti-1,ti )
generamos v.a. exponenciales con razn i, y aceptamos el evento
generado que ocurre en el instante s,s (ti-1,ti), con probabilidad
(s)/ i. Debido a la propiedad de la exponencial de no tener
memoria y al hecho de que la razn de una exponencial se puede
modificar multiplicando por una constante, no se pierde eficiencia
al pasar de un subintervalo al siguiente. Es decir, si estamos en t
(ti-1,ti) y generamos X, una exponencial con razn i, que es tal
que t+X > ti, entonces usamos i[X-(ti- t)]/ +1 como la siguiente
exponencial con razn +1.
t = 0,J= 1, I= 0.
Generar un nmero aleatorio U y hacer
Si t + X > ti ir al paso 8.
t = t + X.
Generar un nmero aleatorio U.
Si
hacer
Ir al paso 2.
Si J = k +1, terminar.
Ir al paso 3
Fs(x)
.. (1)
Ejemplo.
Supongamos que (t) = 1/(t + a),t0, para cierta constante positiva a
(es fcil invertir las distribuciones Fs de modo que se puede aplicar el
mtodo de la transformada inversa).
Entonces
Por lo tanto, de la ecuacin (1), Fs(x)
o, en forma equivalente,
y entonces
es decir,
y, en general,