Click here to load reader

Procesos de jgimenez/Modelos_y_Simulacion/2013/clase4.pdf Ejemplo Supongamos tener una pieza de material radioactivo, el experimento consiste en observar cuantas partículas se desintegran

  • View
    2

  • Download
    0

Embed Size (px)

Text of Procesos de jgimenez/Modelos_y_Simulacion/2013/clase4.pdf Ejemplo Supongamos tener una pieza de...

  • Procesos de Poisson

    FaMAF

    21 de marzo, 2013

    1 / 25

  • Distribución exponencial

    Definición Una v.a. X con función de densidad dada por

    fλ(x) = λe−λx , x > 0,

    para cierto λ > 0 se dice una v.a. exponencial con parámetro λ.

    I E [X ] = 1 λ

    I Var(X ) = 1 λ2

    2 / 25

  • Propiedades

    I F (t) = ∫ t

    0 λexp(−λx)dx = λexp(−λx)

    −λ |t0= 1− exp(−λt)

    I P(X > t) = 1− [1− exp(−λt)] = exp(−λt) I Una variable aleatoria con distribución exponencial tiene falta de

    memoria. P(X > s + t | X > s) = P(X > t).

    P(X > s+t | X > s) = ∫∞

    t+s λexp(−λx)dx∫∞ s λexp(−λx)dx

    = exp(−λs + t)

    exp(−λs) = P(X > t).

    I Son las únicas v.a. continuas con falta de memoria. I El análogo en el caso discreto son las v.a. geométricas. I Si X ∼ E(λ), entonces c X ∼ E( 1cλ).

    3 / 25

  • Variable aleatoria Gamma

    Definición Una variable aleatoria con función de densidad de probabilidad

    f (t) = λe−λt (λt)n−1

    (n − 1)!

    se dice una variable aleatoria gamma con parámetros (n, λ).

    4 / 25

  • Variable aleatoria gamma (n, λ)

    Corolario La suma de n variables aleatorias exponenciales independientes, cada una de ellas de parámetro λ, es una variable aleatoria Gamma de parámetro (n, λ).

    I Γ(2,2) I Γ(5,2) I Γ(1,2) ∼ E(2)

    5 / 25

  • Procesos estocásticos

    Definición Un proceso estocástico es una sucesión de variables aleatorias observadas sobre el mismo espacio muestral.

    Ejemplo Supongamos tener una pieza de material radioactivo, el experimento consiste en observar cuantas partículas se desintegran en un intervalo de tiempo, y el tiempo que tarda en desintegrarse cada partícula. El número de partículas que se desintegran en [0, t ] es una variable aleatoria N(t) y el tiempo en que se desintegra la n-esima partícula Dn también es una variable aleatoria. La colección de variables forman procesos estocásticos realcionados.

    Ejemplo Consideremos llamadas telefónicas que llegan a una central telefónica y sea Dn el tiempo en que la n-esima llamada ingresa a la central y N(t) el número de llamadas que ingresa en un intervalo de tiempo [0, t ].

    6 / 25

  • Proceso de Poisson homogéneo

    N(t), t ≥ 0,

    es un proceso de Poisson homogéneo de razón λ, λ > 0, si: I Para cada t , N(t) es una variable aleatoria discreta que toma

    valores enteros positivos. I N(0) = 0 proceso comienza en cero

    I incrementos independientes Para cada n ≥ 1 y cada partición 0 ≤ t0 < t1 < · · · < tn se tiene que N(t0), N(t1)− N(t0), . . . , N(tn)− N(tn−1) son variables aleatorias independientes.

    I incrementos estacionarios Para cada t ≥ 0, s > 0, se cumple que la distribución de N(t + s)− N(t) es igual a la de N(s).

    I limh→0 P(N(h) = 1)

    h = λ,

    I limh→0 P(N(h) ≥ 2)

    h = 0.

    7 / 25

  • Incrementos independientes

    �� ������ ���� ��

    t1 tn−1 tnt3t2

    N(tn)− N(tn−1)N(t1)

    0

    I N(t1): nro. de llegadas hasta t = t1. I N(tn)− N(tn−1): nro. de llegadas entre tn−1 y tn.

    I En dos intervalos de tiempo disjuntos, las variables ”número de llegadas” son independientes.

    8 / 25

  • Incrementos estacionarios

    ���� ����

    N(s)

    s t + st

    N(t + s)− N(t)

    0

    La distribución del número de llegadas depende sólo de la longitud del intervalo.

    N(s) ∼ N(t + s)− N(t), s < t .

    9 / 25

  • Ocurrencia de 1 o más eventos

    I La probabilidad de que ocurra un evento en un intervalo de tiempo pequeño es proporcional al tamaño del intervalo. Constante = λ.

    lim h→0

    P(N(h) = 1) h

    = λ,

    I La probabilidad de ocurrencia de dos o más eventos en un intervalo muy pequeño es cero.

    lim h→0

    P(N(h) ≥ 2) h

    = 0.

    10 / 25

  • Consecuencias

    Proposición Supongamos que N(t) es el número de llegadas en el intervalo de tiempo [0, t ], que forma un proceso de Poisson de tasa λ. Entonces, la distribución de cada N(t) es Poisson de tasa λt

    11 / 25

  • La variable aleatoria N(t)

    � � �

    � � �

    � � �

    � � �

    � � �

    � � �

    � � �

    � � �

    ������������������������ � � �

    � � �

    � � �

    � � �

    n intervalos

    t n

    2t n t0

    I Para probarlo, dividamos el intervalo en n pedazos, cada uno de largo tn .

    I En cada sub-intervalo, el número de llegadas es una v.a. Bernoulli, con p = λ tn

    I El número total de llamadas en [0, t ] es el número de sub-intervalos que contienen una llegada.

    I La independencia de los sub-intervalos implica que el número total de llegadas N(t) es binomial de parámetro p = λ tn .

    12 / 25

  • La variable aleatoria N(t)

    I Cuando n tiende a infinito, tenemos

    pN(t)(k) ∼ limn→∞

    ( n k

    )( λt n

    )k ( 1− λt

    n

    )n−k

    = lim n→∞

    n(n − 1) . . . (n − k + 1) k !

    ( λt n

    )k ( 1− λt

    n

    )n−k = lim

    n→∞

    (λt)k

    k !

    ( 1− λt

    n

    )n n(n − 1) . . . (n − k + 1) nk

    ( 1− λt

    n

    )−k =

    (λt)k

    k ! lim

    n→∞

    ( 1− λt

    n

    )n ( 1− λt

    n

    )−k ( 1− 1

    n

    )( 1− 2

    n

    ) . . .

    ( 1− k − 1

    n

    )

    13 / 25

  • Poisson

    I Observando que

    lim n→∞

    ( 1− λt

    n

    )n = e−λt

    y que los otros términos a la derecha del límite tienen límite 1, se obtiene

    pN(t)(k) = (λt)k

    k ! e−λt

    donde λt , esa constante que supusimos existe, es la tasa de llegadas en el intervalo [0, t ].

    I N(t) es una variable con distribución Poisson de tasa λt .

    14 / 25

  • Tiempos entre llegadas

    �� ������ ���� ��X1 X3 Xn

    D1 D2 D3 Dn−1 Dn

    X2

    I Dn: tiempo en que ocurre el evento n-esimo. I X1: tiempo transcurrido hasta el primer evento. I Xj = Dj − Dj−1: tiempo transcurrido entre el (j − 1)-ésimo evento

    y el j-ésimo, para j > 1.

    {Xj} es la sucesión de tiempos entre llegadas

    15 / 25

  • Distribución de los tiempos entre llegadas

    Proposición Las variables aleatorias X1, X2, . . . , son v.a. independientes, igualmente distribuidas, con distribución exponencial con parámetro λ.

    Xi ∼ E(λ), i = 1,2, . . . .

    16 / 25

  • Tiempo entre llegadas

    Para probar esto veamos que I X1 es una variable aleatoria exponencial de parámetro λ.

    P(X1 > t) = P(N(t) = 0) = e−λt

    I

    P(X2 > t | X1 = s) = P(0 eventos en (s, s + t ] | X1 = s) = P(0 eventos en (s, s + t ]) = e−λ t

    X2 ∼ E(λ), y es independiente de X1.

    17 / 25

  • Tiempo entre llegadas

    Sea s = s1 + · · ·+ sj−1: tiempo hasta el evento j − 1.

    P(0 eventos en (s, s + t ] | X1 = s1, . . . ,Xj−1 = sj−1) (incrementos independientes) = P(0 eventos en (s, s + t ])

    (incrementos estacionarios) = e−λt

    por lo cual la distribución de cada una de las Xk es exponencial, y son independientes.

    18 / 25

  • Sn

    El tiempo hasta el n-esimo evento es Dn = n∑

    j=1

    Xj , una suma de

    exponenciales independientes por lo cual tiene densidad

    fn(t) = λe−λt (λt)n−1

    (n − 1)! Gamma de parámetros (n, λ).

    19 / 25

  • Conclusion

    N es un proceso de Poisson con tasa λ entonces para cada t ,

    1. N(t), el número de eventos registrados, es una variable Poisson con tasa λt ,

    2. Xn el tiempo entre el registro del n-esima evento y el anterior, es exponencial de tasa λ

    3. Dn el tiempo hasta el registro del n-esimo evento es Gamma de parámetros (n, λ).

    20 / 25

  • El proceso de Poisson no homogéneo

    N(t), t ≥ 0

    es un proceso de Poisson no homogéneo con función de intensidad λ(t), t ≥ 0, si:

    1. N(0) = 0

    2. para cada n ≥ 1 y cada partición 0 ≤ t0 < t1 < · · · < tn se tiene que N(t0), N(t1)− N(t0), . . . , N(tn)− N(tn−1) son variables aleatorias independientes.

    3. limh→0 P(exactamente 1 evento entre t y t + h)

    h =

    limh→0 P([N(t + h)− N(t)] = 1)

    h = λ(t),

    4. limh→0 P(dos o mas eventos entre t y t + h)

    h =

    limh→0 P([N(t + h)− N(t)] ≥ 2)

    h = 0.

    21 / 25

  • Valor medio del proceso

    m(t) = ∫ t

    0 λ(s) ds

    I Si λ(t) = λ, constante, entonces m(t) = λ · t .

    22 / 25

  • Número de eventos en (t , t + s]

    Proposición Para cada t ≥ 0 y s > 0 se tiene que N(t + s)− N(t) es una variable aleatoria Poisson con media

    m(t + s)−m(t) = ∫ t+s

    t λ(x)