DISTRIBUCIN DE POISSON

Decimos que una variable aleatoria discreta X tiene una

distribucin de Poisson con parmetro >0, si su
funcin de masa de probabilidad est dada por

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.

Nmero de reclamaciones contra una compaa de

seguros, durante una semana determinada.
Nmero de aviones que llegan aun aeropuerto
Cantidad de clientes atendidos en un Banco

DISTRIBUCIN EXPONENCIAL Decimos que una variable

aleatoria continua X tiene una distribucin exponencial con
parmetro >0, si su funcin densidad est dada por
x

e
f (x )

para x 0
para x 0

E[X] = 1/, Var[X] = 1/2

APLICACIONES
La distribucin exponencial es til para modelar el tiempo que
transcurre entre dos ocurrencias consecutivas de un evento.

Tiempo entre dos fallas sucesivas de un componente electrnico.

Tiempo entre dos llegadas sucesivas de clientes a una estacin de
servicio.

PROCESO SIN MEMORIA

Si X es una variable aleatoria con distribucin exponencial
con parmetro , entonces

P[X > t+s | X > t] = P[X > s]

A esta propiedad de la distribucin exponencial se le llama
prdida de memoria, es decir, lo que ocurra de aqu en
adelante, no es afectado por lo que ha ocurrido hasta ahora.
Adems, la distribucin exponencial es la nica distribucin
continua que posee esta propiedad.

RELACIN ENTRE POISSON Y EXPONENCIAL

Si el nmero de ocurrencias de un evento obedece una
distribucin de Poisson con parmetro , entonces el
tiempo entre dos llegadas sucesivas del evento obedece
una distribucin exponencial con parmetro y
viceversa.

En palabras, si es el nmero promedio de eventos

independientes de Poisson que ocurren por unidad de
tiempo, entonces 1/ es el tiempo promedio entre dos
eventos sucesivos.

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.

El conjunto de valores posibles de las variables X(t), tT, es

llamado el espacio de estados del proceso. Tambin se
escribe Xt en lugar de X(t).

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

Por lo tanto el nmero esperado de eventos que ocurren en

un intervalo de tiempo de longitud t es t.

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

La llave para usar el mtodo de la transformacin inversa para generar

dicha variable aleatoria es la siguiente identidad de recurrencia;

TIEMPOS DE INTERARRIBO
Supongamos que tenemos un proceso de Poisson. Sea X1 el
tiempo de ocurrencia del primer evento y, para n 1.

Sea Xn el tiempo entre el evento n-1 y el evento n. La

sucesin {Xn, n 1} es llamada la sucesin de tiempos de
interarribo.
Las variables Xn son independientes y todas tienen una
distribucin exponencial con parmetro , por lo tanto el
tiempo promedio interarribo es 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

donde X1, X2, , Xn son los tiempos de interarribo.

Porque Sn es la suma de n variables aleatorias independientes,
cada una con distribucin exponencial con parmetro , su
distribucin es una distribucin gama con parmetros (n, ) cuya
funcin densidad es

e t (t ) n 1

f ( t ) ( n 1)!
0

para t 0
para t 0

Generacin de un proceso Poisson

Queremos generar los primeros n tiempos de evento de un proceso
Poisson con razn . Para esto, nos servimos del resultado de que
los tiempos entre los eventos consecutivos de dicho proceso son
variables aleatorias exponenciales independientes, cada una con
razn .

i-simo i-1-simo

As, una forma de generar el proceso es generar estos tiempos

entre llegadas.

As, si generamos n nmeros aleatorios U1,U2,.. Un

Xi = -l/logUi,
entonces
Xi se puede considerar como el tiempo entre el (i-1)-simo y el isimo evento en el proceso Poisson.

Como el tiempo real del; j-simo evento ser igual a la suma de

los primeros j tiempos entre llegadas, los valores generados por
los primeros n tiempos de evento son:

XJ

J+2

j+1

XJ-1

j-1

XJ-2.. X3

j-2..... .3

X2

X1

0.

Si quisiramos generar las primeras T unidades de tiempo del

proceso Poisson, podemos seguir el procedimiento anterior:
generamos de manera sucesiva los tiempos entre las llegadas y
nos detenemos cuando su suma excede a T.

Es decir, con el siguiente algoritmo se generan todos los tiempos

de eventos que ocurren en (0,T) de un proceso Poisson con razn
.
En el algoritmo, t se refiere al tiempo, I es el nmero de eventos
que han ocurrido hasta el instante t, y S(I) es el tiempo del evento
ms reciente.
XI
XI-2

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)

Generacin de las primeras T unidades de tiempo de

un proceso Poisson con razn .
Paso 1:
Paso 2:
Paso 3:
Paso 4:
Paso 5:

t= 0, I= 0.
Generar un nmero aleatorio U
terminar
Ir al paso 2

El valor final de I en el algoritmo anterior representar el nmero

de eventos que ocurren hasta el instante T, y los valores
S(1),,S(I) sern los I tiempos de evento en orden creciente.
p<-function(a,T){t<-0;I<-0;u<runif(1);while(t<T){t<-t-(1/a)*log(u);I<I+1;print(t);print(I)}}

Otro mtodo para simular las primeras T unidades de

tiempo de un proceso Poisson
Comienza simulando N(T) (nmero total de evento que ocurren
hasta el tiempo T) y luego utiliza un resultado que establece que,
dado N(T), los tiempos en que ocurren estos eventos se
distribuyen de manera independiente y uniforme en (0,T) [esto es
claro de manera intuitiva, pues por el axioma del incremento
estacionario, es obvio que un tiempo de evento arbitrario est
distribuido uniformemente en el intervalo, y por el axioma del
incremento independiente es evidente que, dado N(T), estos N(T)
tiempos de evento seran independientes].
N(T)=n

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

Por lo tanto, podemos comenzar generando el valor de N(T), una variable

aleatoria Poisson con media T (si , es grande, por el mtodo
presentado en 4.2; si , es pequea mediante 4.2 o el mtodo
bosquejado en 5.2).
Si el valor generado de N(T) es n, entonces generamos n nmeros
aleatorios, llamados U1, . . . , Un y, como TUi estarn uniformemente
distribuidos en (0,T), el conjunto de tiempos de evento ser entonces
{TU1, . . . , TUn}.
Si nos detuviramos aqu, este mtodo sera ms eficiente que la
simulacin de los tiempos entre llegadas exponencialmente distribuidos.
Sin embargo, por lo general queremos que los tiempos de evento estn
en orden creciente [por ejemplo, para conocer N(s} para toda s<T}; as,
tambin necesitaramos ordenar los valores TU, i=1,,n.
R: u<-runif(10)
; x=u*10 ;
sort(x,decreasing = TRUE)
p1<-function(n){u<-runif(n);t<-u*n;sort(t,decreasing = TRUE);t}

Generacin de un proceso Poisson no homogneo

Permite que la tasa de llegada no sea constante, sino que vare con
el tiempo. es difcil obtener resultados analticos para un modelo
matemtico que supone un proceso de llegada Poisson no
homogneo, y por ende tales procesos no se aplican con la
frecuencia deseada.
Suponga que queremos simular las primeras T unidades de tiempo
de un proceso Poisson no homogneo con funcin de intensidad
(t)
Primer Mtodo de adelgazamiento o muestreo aleatorio

Comienza eligiendo un valor tal que

Para todo

 (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)

Poisson no homogneo puede generarse mediante una seleccin

aleatoria de los tiempos de evento de un proceso Poisson con razn
. Es decir, si se cuenta un evento de un proceso Poisson con razn
. que ocurre en el instante t (de forma independiente a lo que ha
ocurrido antes) con probabilidad (t)/, entonces el proceso de
eventos contados es un proceso Poisson no homogneo con
funcin de intensidad (t), 0<t<T. Por lo tanto, al simular un proceso
Poisson y luego contar de manera aleatoria sus eventos, generamos
el proceso Poisson no homogneo.

Esto se puede escribir como algoritmo de la manera siguiente.

Generacin de las primeras T unidades de tiempo de un

proceso Poisson no homogneo (algoritmo de
adelgazamiento).
Paso 1: t=0, I=0.
Paso 2: Generar un nmero aleatorio U.
Paso 3: t = t-1/logU. Si t>T, terminar.
Paso 4: Generar un nmero aleatorio U.
Paso 5: Si U (t)/, hacer I=I+1, S(I)=t.
Paso 6: Ir al paso 2.
(t) es la funcin de intensidad y es tal que (t). El valor final
de I representa el nmero T de tiempos de evento, y S(1),... , S(I)
son los tiempos de evento.

Para mejorar el algoritmo descomponer el intervalo en

subintervalos y luego utilizar el procedimiento en cada subintervalo.
Es decir, determinar valores adecuados

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.

As, tenemos el siguiente algoritmo, t representa el tiempo actual, J

el intervalo actual (es decir, J = j cuando tj-1< t <ti,), I es el nmero
de eventos hasta el momento y S(1), . . . , S(I) los tiempos de
evento.
Generacin de las primeras T unidades de tiempo de un
proceso Poisson no homogneo
Paso 1:
Paso 2:
Paso 3:
Paso 4:
Faso 5:
Paso 6:
Paso 7:
Paso 8:
Paso 9:
Paso10:

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

Segundo mtodo para simular un proceso Poisson no

homogneo
Sea la funcin de intensidad (t), t>0, consiste en generar de manera
directa los tiempos de evento consecutivos. As, sean S1, S2,... los
tiempos de eventos consecutivos de tal proceso, estas variables
aleatorias son dependientes, las generamos en serie, comenzando
con S1, y luego tomamos el valor generado de S1 para generar S2, y
as sucesivamente. Observamos que si un evento ocurre en el
instante s, entonces, independientemente de lo ocurrido antes de s,
el tiempo adicional hasta el siguiente evento tiene la distribucin Fs,
dada por.
Fs(x)= P{tiempo desde s hasta que el siguiente evento es menor que
x /evento en s}
= P{ siguiente evento est antes de x + s/evento en s}
= P{ evento entre s y s + x / evento en s }
= P{ evento entre s y s + x} por incrementos independientes
= 1 - P[0 eventos en (s, s + x)}

Fs(x)

.. (1)

Ahora podemos simular los tiempos de evento S1,S2,... generando

S1 a partir de la distribucin F0; luego, si el valor simulado de S1, es
s1 generamos S2 sumando s1 a un valor generado a partir de la
distribucin FS1; y si esta suma es s2, generamos S3 sumando s2 a
un valor generado a partir de la distribucin FS2; y as
sucesivamente (el mtodo utilizado dependera de su forma).

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)

Para invertir esto, suponemos que

o, en forma equivalente,

y entonces

es decir,

Por lo tanto, para generar los tiempos de evento sucesivos S1,S2,...

Generamos nmeros aleatorios U1,U2,... y definimos en forma
recursiva

y, en general,