Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría,...

438
Curso Corto de Procesos de Poisson Teora, Modelacin y Aplicaciones Vctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad y Estadstica CIMAT, Guanajuato, julio 19-22 del 2010 Vctor M PØrez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de Poisson III Verano de Probabilidad y Estadstica CIM / 82

Transcript of Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría,...

Page 1: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Curso Corto de Procesos de PoissonTeoría, Modelación y Aplicaciones

Víctor M Pérez Abreu CDepto PyE CIMAT

III Verano de Probabilidad y EstadísticaCIMAT, Guanajuato, julio 19-22 del 2010

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 1

/ 82

Page 2: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultima semana del III Verano de PyE19 al 22 de julio del 2010

1 Curso de Procesos de Poisson: Actividades

1 Clases de Teoría con Víctor Pérez Abreu

1 Proceso de Poisson Clásico (introducción)2 Medidas Aleatorias de Poisson (avanzado)

2 Sesiones de Prácticas y Problemas con Alejandro Santoyo Cano3 Ejercicios y Tareas en equipos4 Lectura, correcciones y comentarios a notas y material del curso

2 Conferencias de la Semana

1 Lunes 19: Entropía (Elías Rodríguez)2 Martes 20: Probabilidad en Finanzas (Erick Treviño)3 Miércoles 21: El proceso de Riesgo (Katia Todorova)4 Jueves 22: Aplicaciones de Proba en ED (Alfredo López Mimbela)

3 Entrega de reportes: Jueves 22 hasta 19 horas.4 Entrega de constancias: Viernes 23 desde las 9.30 am.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 2

/ 82

Page 3: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Horarios de la Semana III Verano de PyE

Curso de Procesos de Poisson en el Auditorio

Lunes a jueves de 9.00 a 11.00 horas

Sesiones de Prácticas y Problemas

Lunes, Martes y Miércoles de 16 a 18 horas en el Salón HJueves de 16 a 18 horas en salón por definir (voluntario)

Conferencias de la semana

Lunes a Jueves de 12.30 a 14.00 en el Auditorio

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 3

/ 82

Page 4: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Material de lectura y trabajo para el cursoNotas de Cursos página web del III Verano de PyE

Material para el Curso de Procesos de Poisson de VPA

1 Notas del Curso Parte 1 (nueva versión el miércoles).

2 Notas del Curso Parte 2 (nueva versión el jueves).3 Artículo de Begoña Fernández sobre Simeon Poisson.4 Artículo de Víctor Pérez Abreu sobre Aproximación de Poisson encasos más generales a lo usual y usando cálculo.

5 Artículo de Raúl Rojas sobre un análisis del número de goles enpartidos de mundiales. Análisis previo de físicos.

6 Artículo de Jara y Rosenblueth sobre el análisis de tiemposentre terremotos en México.

7 Durante la semana: Lista de Ejercicios y Prácticas.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 4

/ 82

Page 5: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Material de lectura y trabajo para el cursoNotas de Cursos página web del III Verano de PyE

Material para el Curso de Procesos de Poisson de VPA

1 Notas del Curso Parte 1 (nueva versión el miércoles).2 Notas del Curso Parte 2 (nueva versión el jueves).

3 Artículo de Begoña Fernández sobre Simeon Poisson.4 Artículo de Víctor Pérez Abreu sobre Aproximación de Poisson encasos más generales a lo usual y usando cálculo.

5 Artículo de Raúl Rojas sobre un análisis del número de goles enpartidos de mundiales. Análisis previo de físicos.

6 Artículo de Jara y Rosenblueth sobre el análisis de tiemposentre terremotos en México.

7 Durante la semana: Lista de Ejercicios y Prácticas.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 4

/ 82

Page 6: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Material de lectura y trabajo para el cursoNotas de Cursos página web del III Verano de PyE

Material para el Curso de Procesos de Poisson de VPA

1 Notas del Curso Parte 1 (nueva versión el miércoles).2 Notas del Curso Parte 2 (nueva versión el jueves).3 Artículo de Begoña Fernández sobre Simeon Poisson.

4 Artículo de Víctor Pérez Abreu sobre Aproximación de Poisson encasos más generales a lo usual y usando cálculo.

5 Artículo de Raúl Rojas sobre un análisis del número de goles enpartidos de mundiales. Análisis previo de físicos.

6 Artículo de Jara y Rosenblueth sobre el análisis de tiemposentre terremotos en México.

7 Durante la semana: Lista de Ejercicios y Prácticas.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 4

/ 82

Page 7: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Material de lectura y trabajo para el cursoNotas de Cursos página web del III Verano de PyE

Material para el Curso de Procesos de Poisson de VPA

1 Notas del Curso Parte 1 (nueva versión el miércoles).2 Notas del Curso Parte 2 (nueva versión el jueves).3 Artículo de Begoña Fernández sobre Simeon Poisson.4 Artículo de Víctor Pérez Abreu sobre Aproximación de Poisson encasos más generales a lo usual y usando cálculo.

5 Artículo de Raúl Rojas sobre un análisis del número de goles enpartidos de mundiales. Análisis previo de físicos.

6 Artículo de Jara y Rosenblueth sobre el análisis de tiemposentre terremotos en México.

7 Durante la semana: Lista de Ejercicios y Prácticas.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 4

/ 82

Page 8: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Material de lectura y trabajo para el cursoNotas de Cursos página web del III Verano de PyE

Material para el Curso de Procesos de Poisson de VPA

1 Notas del Curso Parte 1 (nueva versión el miércoles).2 Notas del Curso Parte 2 (nueva versión el jueves).3 Artículo de Begoña Fernández sobre Simeon Poisson.4 Artículo de Víctor Pérez Abreu sobre Aproximación de Poisson encasos más generales a lo usual y usando cálculo.

5 Artículo de Raúl Rojas sobre un análisis del número de goles enpartidos de mundiales. Análisis previo de físicos.

6 Artículo de Jara y Rosenblueth sobre el análisis de tiemposentre terremotos en México.

7 Durante la semana: Lista de Ejercicios y Prácticas.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 4

/ 82

Page 9: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Material de lectura y trabajo para el cursoNotas de Cursos página web del III Verano de PyE

Material para el Curso de Procesos de Poisson de VPA

1 Notas del Curso Parte 1 (nueva versión el miércoles).2 Notas del Curso Parte 2 (nueva versión el jueves).3 Artículo de Begoña Fernández sobre Simeon Poisson.4 Artículo de Víctor Pérez Abreu sobre Aproximación de Poisson encasos más generales a lo usual y usando cálculo.

5 Artículo de Raúl Rojas sobre un análisis del número de goles enpartidos de mundiales. Análisis previo de físicos.

6 Artículo de Jara y Rosenblueth sobre el análisis de tiemposentre terremotos en México.

7 Durante la semana: Lista de Ejercicios y Prácticas.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 4

/ 82

Page 10: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Material de lectura y trabajo para el cursoNotas de Cursos página web del III Verano de PyE

Material para el Curso de Procesos de Poisson de VPA

1 Notas del Curso Parte 1 (nueva versión el miércoles).2 Notas del Curso Parte 2 (nueva versión el jueves).3 Artículo de Begoña Fernández sobre Simeon Poisson.4 Artículo de Víctor Pérez Abreu sobre Aproximación de Poisson encasos más generales a lo usual y usando cálculo.

5 Artículo de Raúl Rojas sobre un análisis del número de goles enpartidos de mundiales. Análisis previo de físicos.

6 Artículo de Jara y Rosenblueth sobre el análisis de tiemposentre terremotos en México.

7 Durante la semana: Lista de Ejercicios y Prácticas.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 4

/ 82

Page 11: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Parte I: El Proceso de Poisson ClásicoEnfasis: Introducción, Panorama General, Modelación, Simulación, Aplicación, Estadística

1 Introducción

1 El Problema del Submarino2 Aproximación de Poisson y la Distribución exponencial

2 Proceso de Poisson Clásico en R

1 Importancia2 Propiedades Básicas3 Tiempos de Ocurrencias y entre Llegadas de Eventos

3 Simulación e Inferencia Estadística en el Procesos de Poisson

1 Simulación del Proceso de Poisson Clásico2 Muestreo de Procesos de Poisson y Estimación de Parámetros

4 Extensiones del Proceso de Poisson Clásico

1 Combinación de Procesos de Poisson2 Proceso de Poisson no Homogéneo3 Proceso de Poisson Compuesto

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 5

/ 82

Page 12: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Parte II: Medidas Aleatorias de PoissonEnfasis: Aspectos matemáticos

1 Espacios de Medida

2 Modelos Estocásticos para Conjuntos de Puntos

1 Teorema de Aditividad Numerable2 Espacios de Probabilidad para Procesos de Poisson

3 Procesos de Poisson en Espacios Generales

1 Propiedades Básicas2 Teorema de Superposición3 Teorema de Mapeo4 Teorema de Existencia

4 Elementos de Teoría de la Medida

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 6

/ 82

Page 13: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

El Problema del SubmarinoInformación disponible

Mantenimientos no programados para los motores General Motors Co.de propulsión Diesel, del submarino U.S.S. Grampus.

Tiempos de mantenimiento no programado del motor número cuatro,debido a que había fallado o estaba a punto de fallar.

Los tiempos (en miles de horas) corresponden a las primeras 16000horas de operación para este motor

0.860 1.258 1.317 1.412 1.897 2.011 2.122 2.4393.203 3.298 3.902 3.910 4.000 4.247 4.411 4.4564.517 4.899 4.910 5.676 5.755 6.137 6.221 6.3116.613 6.975 7.335 8.158 8.498 8.690 9.042 9.3309.394 9.426 9.872 10.191 11.511 11.575 12.100 12.12612.368 12.681 12.795 13.399 13.668 13.780 13.877 14.00711.028 14.035 14.173 14.173 11.449 11.587 14.610 15.07016.000

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 7

/ 82

Page 14: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

El Problema del SubmarinoInformación disponible

Mantenimientos no programados para los motores General Motors Co.de propulsión Diesel, del submarino U.S.S. Grampus.

Tiempos de mantenimiento no programado del motor número cuatro,debido a que había fallado o estaba a punto de fallar.

Los tiempos (en miles de horas) corresponden a las primeras 16000horas de operación para este motor

0.860 1.258 1.317 1.412 1.897 2.011 2.122 2.4393.203 3.298 3.902 3.910 4.000 4.247 4.411 4.4564.517 4.899 4.910 5.676 5.755 6.137 6.221 6.3116.613 6.975 7.335 8.158 8.498 8.690 9.042 9.3309.394 9.426 9.872 10.191 11.511 11.575 12.100 12.12612.368 12.681 12.795 13.399 13.668 13.780 13.877 14.00711.028 14.035 14.173 14.173 11.449 11.587 14.610 15.07016.000

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 7

/ 82

Page 15: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

El Problema del SubmarinoInformación disponible

Mantenimientos no programados para los motores General Motors Co.de propulsión Diesel, del submarino U.S.S. Grampus.

Tiempos de mantenimiento no programado del motor número cuatro,debido a que había fallado o estaba a punto de fallar.

Los tiempos (en miles de horas) corresponden a las primeras 16000horas de operación para este motor

0.860 1.258 1.317 1.412 1.897 2.011 2.122 2.4393.203 3.298 3.902 3.910 4.000 4.247 4.411 4.4564.517 4.899 4.910 5.676 5.755 6.137 6.221 6.3116.613 6.975 7.335 8.158 8.498 8.690 9.042 9.3309.394 9.426 9.872 10.191 11.511 11.575 12.100 12.12612.368 12.681 12.795 13.399 13.668 13.780 13.877 14.00711.028 14.035 14.173 14.173 11.449 11.587 14.610 15.07016.000

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 7

/ 82

Page 16: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

El Problema del SubmarinoAlgunas preguntas de interés

1 ¿Qué modelo estocástico es adecuado?

2 Por razones estratégicas, el submarino tiene que comenzar deinmediato una travesía de 60 días. ¿Cuál es el riesgo asociado a estatravesía, por mantenimientos no programados del submarino?

3 Un nuevo capitán se hace cargo del submarino y por razones deemergencia no tiene acceso a la bitácora de mantenimiento. ¿Cuántashoras deben pasar para que la probabilidad del próximomantenimiento no programado del submarino sea mayor que 0.95?.

4 La política de mantenimiento integral de garantía tipo B delsubmarino dice que se debe hacer un mantenimiento general en elmomento del décimo mantenimiento no programado. ¿Cuál es eltiempo esperado del mantenimiento integral de garantía tipo B?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 8

/ 82

Page 17: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

El Problema del SubmarinoAlgunas preguntas de interés

1 ¿Qué modelo estocástico es adecuado?2 Por razones estratégicas, el submarino tiene que comenzar deinmediato una travesía de 60 días. ¿Cuál es el riesgo asociado a estatravesía, por mantenimientos no programados del submarino?

3 Un nuevo capitán se hace cargo del submarino y por razones deemergencia no tiene acceso a la bitácora de mantenimiento. ¿Cuántashoras deben pasar para que la probabilidad del próximomantenimiento no programado del submarino sea mayor que 0.95?.

4 La política de mantenimiento integral de garantía tipo B delsubmarino dice que se debe hacer un mantenimiento general en elmomento del décimo mantenimiento no programado. ¿Cuál es eltiempo esperado del mantenimiento integral de garantía tipo B?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 8

/ 82

Page 18: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

El Problema del SubmarinoAlgunas preguntas de interés

1 ¿Qué modelo estocástico es adecuado?2 Por razones estratégicas, el submarino tiene que comenzar deinmediato una travesía de 60 días. ¿Cuál es el riesgo asociado a estatravesía, por mantenimientos no programados del submarino?

3 Un nuevo capitán se hace cargo del submarino y por razones deemergencia no tiene acceso a la bitácora de mantenimiento. ¿Cuántashoras deben pasar para que la probabilidad del próximomantenimiento no programado del submarino sea mayor que 0.95?.

4 La política de mantenimiento integral de garantía tipo B delsubmarino dice que se debe hacer un mantenimiento general en elmomento del décimo mantenimiento no programado. ¿Cuál es eltiempo esperado del mantenimiento integral de garantía tipo B?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 8

/ 82

Page 19: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

El Problema del SubmarinoAlgunas preguntas de interés

1 ¿Qué modelo estocástico es adecuado?2 Por razones estratégicas, el submarino tiene que comenzar deinmediato una travesía de 60 días. ¿Cuál es el riesgo asociado a estatravesía, por mantenimientos no programados del submarino?

3 Un nuevo capitán se hace cargo del submarino y por razones deemergencia no tiene acceso a la bitácora de mantenimiento. ¿Cuántashoras deben pasar para que la probabilidad del próximomantenimiento no programado del submarino sea mayor que 0.95?.

4 La política de mantenimiento integral de garantía tipo B delsubmarino dice que se debe hacer un mantenimiento general en elmomento del décimo mantenimiento no programado. ¿Cuál es eltiempo esperado del mantenimiento integral de garantía tipo B?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 8

/ 82

Page 20: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aproximación de PoissonDistribución del número de fallas

ξ ii≥1 sucesión de ensayos Bernoulli con probabilidad de éxito p y

Sn =n

∑i=1

ξ i

P(Sn = k) =(nk

)pk (1− p)n−k , k = 0, ..., n

Supongamos que para λ > 0 fijo, p = pn = λ/n. Entonces

limn→∞

P(Sn = k) = λke−λ/k !, k = 0, 1, 2, ....

¿Cuál es la interpretación de la Aproximación de Poisson?Distribución de Poisson: media, varianza, probabilidad de cero,probabilidad de al menos uno, función generatriz de probabilidades.Universalidad de la Aproximación de Poisson (VPA, 1991)Distribución de Poisson: Ley de eventos raros (BegoñaFernández, 2009).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 9

/ 82

Page 21: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aproximación de PoissonDistribución del número de fallas

ξ ii≥1 sucesión de ensayos Bernoulli con probabilidad de éxito p y

Sn =n

∑i=1

ξ i

P(Sn = k) =(nk

)pk (1− p)n−k , k = 0, ..., n

Supongamos que para λ > 0 fijo, p = pn = λ/n. Entonces

limn→∞

P(Sn = k) = λke−λ/k !, k = 0, 1, 2, ....

¿Cuál es la interpretación de la Aproximación de Poisson?Distribución de Poisson: media, varianza, probabilidad de cero,probabilidad de al menos uno, función generatriz de probabilidades.Universalidad de la Aproximación de Poisson (VPA, 1991)Distribución de Poisson: Ley de eventos raros (BegoñaFernández, 2009).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 9

/ 82

Page 22: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aproximación de PoissonDistribución del número de fallas

ξ ii≥1 sucesión de ensayos Bernoulli con probabilidad de éxito p y

Sn =n

∑i=1

ξ i

P(Sn = k) =(nk

)pk (1− p)n−k , k = 0, ..., n

Supongamos que para λ > 0 fijo, p = pn = λ/n. Entonces

limn→∞

P(Sn = k) = λke−λ/k !, k = 0, 1, 2, ....

¿Cuál es la interpretación de la Aproximación de Poisson?Distribución de Poisson: media, varianza, probabilidad de cero,probabilidad de al menos uno, función generatriz de probabilidades.Universalidad de la Aproximación de Poisson (VPA, 1991)Distribución de Poisson: Ley de eventos raros (BegoñaFernández, 2009).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 9

/ 82

Page 23: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aproximación de PoissonDistribución del número de fallas

ξ ii≥1 sucesión de ensayos Bernoulli con probabilidad de éxito p y

Sn =n

∑i=1

ξ i

P(Sn = k) =(nk

)pk (1− p)n−k , k = 0, ..., n

Supongamos que para λ > 0 fijo, p = pn = λ/n. Entonces

limn→∞

P(Sn = k) = λke−λ/k !, k = 0, 1, 2, ....

¿Cuál es la interpretación de la Aproximación de Poisson?Distribución de Poisson: media, varianza, probabilidad de cero,probabilidad de al menos uno, función generatriz de probabilidades.Universalidad de la Aproximación de Poisson (VPA, 1991)Distribución de Poisson: Ley de eventos raros (BegoñaFernández, 2009).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 9

/ 82

Page 24: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aproximación de PoissonDistribución del número de fallas

ξ ii≥1 sucesión de ensayos Bernoulli con probabilidad de éxito p y

Sn =n

∑i=1

ξ i

P(Sn = k) =(nk

)pk (1− p)n−k , k = 0, ..., n

Supongamos que para λ > 0 fijo, p = pn = λ/n. Entonces

limn→∞

P(Sn = k) = λke−λ/k !, k = 0, 1, 2, ....

¿Cuál es la interpretación de la Aproximación de Poisson?

Distribución de Poisson: media, varianza, probabilidad de cero,probabilidad de al menos uno, función generatriz de probabilidades.Universalidad de la Aproximación de Poisson (VPA, 1991)Distribución de Poisson: Ley de eventos raros (BegoñaFernández, 2009).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 9

/ 82

Page 25: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aproximación de PoissonDistribución del número de fallas

ξ ii≥1 sucesión de ensayos Bernoulli con probabilidad de éxito p y

Sn =n

∑i=1

ξ i

P(Sn = k) =(nk

)pk (1− p)n−k , k = 0, ..., n

Supongamos que para λ > 0 fijo, p = pn = λ/n. Entonces

limn→∞

P(Sn = k) = λke−λ/k !, k = 0, 1, 2, ....

¿Cuál es la interpretación de la Aproximación de Poisson?Distribución de Poisson: media, varianza, probabilidad de cero,probabilidad de al menos uno, función generatriz de probabilidades.

Universalidad de la Aproximación de Poisson (VPA, 1991)Distribución de Poisson: Ley de eventos raros (BegoñaFernández, 2009).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 9

/ 82

Page 26: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aproximación de PoissonDistribución del número de fallas

ξ ii≥1 sucesión de ensayos Bernoulli con probabilidad de éxito p y

Sn =n

∑i=1

ξ i

P(Sn = k) =(nk

)pk (1− p)n−k , k = 0, ..., n

Supongamos que para λ > 0 fijo, p = pn = λ/n. Entonces

limn→∞

P(Sn = k) = λke−λ/k !, k = 0, 1, 2, ....

¿Cuál es la interpretación de la Aproximación de Poisson?Distribución de Poisson: media, varianza, probabilidad de cero,probabilidad de al menos uno, función generatriz de probabilidades.Universalidad de la Aproximación de Poisson (VPA, 1991)

Distribución de Poisson: Ley de eventos raros (BegoñaFernández, 2009).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 9

/ 82

Page 27: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aproximación de PoissonDistribución del número de fallas

ξ ii≥1 sucesión de ensayos Bernoulli con probabilidad de éxito p y

Sn =n

∑i=1

ξ i

P(Sn = k) =(nk

)pk (1− p)n−k , k = 0, ..., n

Supongamos que para λ > 0 fijo, p = pn = λ/n. Entonces

limn→∞

P(Sn = k) = λke−λ/k !, k = 0, 1, 2, ....

¿Cuál es la interpretación de la Aproximación de Poisson?Distribución de Poisson: media, varianza, probabilidad de cero,probabilidad de al menos uno, función generatriz de probabilidades.Universalidad de la Aproximación de Poisson (VPA, 1991)Distribución de Poisson: Ley de eventos raros (BegoñaFernández, 2009).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 9

/ 82

Page 28: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de FallasLa Distribución Exponencial

Densidad de v.a. T con distribución exponencial λ > 0

fT (t) = λe−λt , t > 0.

Media y varianza de T .Función de distribución FT de T es

FT (t) = 1− e−λt , t > 0.

Probabilidad de cola o función de confiabilidad es

FT (t) = P(T ≥ t) = e−λt , t > 0.

Propiedad de pérdida de memoria de la distribución exponencial:

Para cualesquiera dos números no negativos x e y

P(T ≥ x + y |T ≥ y) = P(T ≥ x).InterpretaciónPérdida de memoria caracteriza distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 10

/ 82

Page 29: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de FallasLa Distribución Exponencial

Densidad de v.a. T con distribución exponencial λ > 0

fT (t) = λe−λt , t > 0.

Media y varianza de T .

Función de distribución FT de T es

FT (t) = 1− e−λt , t > 0.

Probabilidad de cola o función de confiabilidad es

FT (t) = P(T ≥ t) = e−λt , t > 0.

Propiedad de pérdida de memoria de la distribución exponencial:

Para cualesquiera dos números no negativos x e y

P(T ≥ x + y |T ≥ y) = P(T ≥ x).InterpretaciónPérdida de memoria caracteriza distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 10

/ 82

Page 30: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de FallasLa Distribución Exponencial

Densidad de v.a. T con distribución exponencial λ > 0

fT (t) = λe−λt , t > 0.

Media y varianza de T .Función de distribución FT de T es

FT (t) = 1− e−λt , t > 0.

Probabilidad de cola o función de confiabilidad es

FT (t) = P(T ≥ t) = e−λt , t > 0.

Propiedad de pérdida de memoria de la distribución exponencial:

Para cualesquiera dos números no negativos x e y

P(T ≥ x + y |T ≥ y) = P(T ≥ x).InterpretaciónPérdida de memoria caracteriza distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 10

/ 82

Page 31: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de FallasLa Distribución Exponencial

Densidad de v.a. T con distribución exponencial λ > 0

fT (t) = λe−λt , t > 0.

Media y varianza de T .Función de distribución FT de T es

FT (t) = 1− e−λt , t > 0.

Probabilidad de cola o función de confiabilidad es

FT (t) = P(T ≥ t) = e−λt , t > 0.

Propiedad de pérdida de memoria de la distribución exponencial:

Para cualesquiera dos números no negativos x e y

P(T ≥ x + y |T ≥ y) = P(T ≥ x).InterpretaciónPérdida de memoria caracteriza distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 10

/ 82

Page 32: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de FallasLa Distribución Exponencial

Densidad de v.a. T con distribución exponencial λ > 0

fT (t) = λe−λt , t > 0.

Media y varianza de T .Función de distribución FT de T es

FT (t) = 1− e−λt , t > 0.

Probabilidad de cola o función de confiabilidad es

FT (t) = P(T ≥ t) = e−λt , t > 0.

Propiedad de pérdida de memoria de la distribución exponencial:

Para cualesquiera dos números no negativos x e y

P(T ≥ x + y |T ≥ y) = P(T ≥ x).InterpretaciónPérdida de memoria caracteriza distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 10

/ 82

Page 33: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de FallasLa Distribución Exponencial

Densidad de v.a. T con distribución exponencial λ > 0

fT (t) = λe−λt , t > 0.

Media y varianza de T .Función de distribución FT de T es

FT (t) = 1− e−λt , t > 0.

Probabilidad de cola o función de confiabilidad es

FT (t) = P(T ≥ t) = e−λt , t > 0.

Propiedad de pérdida de memoria de la distribución exponencial:Para cualesquiera dos números no negativos x e y

P(T ≥ x + y |T ≥ y) = P(T ≥ x).

InterpretaciónPérdida de memoria caracteriza distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 10

/ 82

Page 34: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de FallasLa Distribución Exponencial

Densidad de v.a. T con distribución exponencial λ > 0

fT (t) = λe−λt , t > 0.

Media y varianza de T .Función de distribución FT de T es

FT (t) = 1− e−λt , t > 0.

Probabilidad de cola o función de confiabilidad es

FT (t) = P(T ≥ t) = e−λt , t > 0.

Propiedad de pérdida de memoria de la distribución exponencial:Para cualesquiera dos números no negativos x e y

P(T ≥ x + y |T ≥ y) = P(T ≥ x).Interpretación

Pérdida de memoria caracteriza distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 10

/ 82

Page 35: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de FallasLa Distribución Exponencial

Densidad de v.a. T con distribución exponencial λ > 0

fT (t) = λe−λt , t > 0.

Media y varianza de T .Función de distribución FT de T es

FT (t) = 1− e−λt , t > 0.

Probabilidad de cola o función de confiabilidad es

FT (t) = P(T ≥ t) = e−λt , t > 0.

Propiedad de pérdida de memoria de la distribución exponencial:Para cualesquiera dos números no negativos x e y

P(T ≥ x + y |T ≥ y) = P(T ≥ x).InterpretaciónPérdida de memoria caracteriza distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 10

/ 82

Page 36: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primera definición

Definición 1. Una colección de variables aleatoriasN(t), t ≥ 0 se llama proceso de Poisson con intensidad λ > 0 si

1 P(N(0) = 0) = 1.2 Tiene incrementos estacionarios de Poisson:∀ 0 ≤ s < t, N(t)−N(s) tiene distribución de Poisson deparámetro λ(t − s), es decir

P(N(t)−N(s) = k) = [λ(t − s)]k

k !exp(−λ(t − s))

3 Tiene incrementos independientes: ∀ 0 ≤ t1 < · · · < tn , n ≥ 1,las variables aleatorias N(tn)−N(tn−1), . . . ,N(t2)−N(t1), N(t1),son independientes.

Observaciones:

N(t) tiene distribución de Poisson de parámetro λt.La distribución del incremento N(t)−N(s) y la de la variablealeatoria N(t − s) es la misma con media λ(t − s).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 11

/ 82

Page 37: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primera definición

Definición 1. Una colección de variables aleatoriasN(t), t ≥ 0 se llama proceso de Poisson con intensidad λ > 0 si

1 P(N(0) = 0) = 1.

2 Tiene incrementos estacionarios de Poisson:∀ 0 ≤ s < t, N(t)−N(s) tiene distribución de Poisson deparámetro λ(t − s), es decir

P(N(t)−N(s) = k) = [λ(t − s)]k

k !exp(−λ(t − s))

3 Tiene incrementos independientes: ∀ 0 ≤ t1 < · · · < tn , n ≥ 1,las variables aleatorias N(tn)−N(tn−1), . . . ,N(t2)−N(t1), N(t1),son independientes.

Observaciones:

N(t) tiene distribución de Poisson de parámetro λt.La distribución del incremento N(t)−N(s) y la de la variablealeatoria N(t − s) es la misma con media λ(t − s).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 11

/ 82

Page 38: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primera definición

Definición 1. Una colección de variables aleatoriasN(t), t ≥ 0 se llama proceso de Poisson con intensidad λ > 0 si

1 P(N(0) = 0) = 1.2 Tiene incrementos estacionarios de Poisson:∀ 0 ≤ s < t, N(t)−N(s) tiene distribución de Poisson deparámetro λ(t − s), es decir

P(N(t)−N(s) = k) = [λ(t − s)]k

k !exp(−λ(t − s))

3 Tiene incrementos independientes: ∀ 0 ≤ t1 < · · · < tn , n ≥ 1,las variables aleatorias N(tn)−N(tn−1), . . . ,N(t2)−N(t1), N(t1),son independientes.

Observaciones:

N(t) tiene distribución de Poisson de parámetro λt.La distribución del incremento N(t)−N(s) y la de la variablealeatoria N(t − s) es la misma con media λ(t − s).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 11

/ 82

Page 39: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primera definición

Definición 1. Una colección de variables aleatoriasN(t), t ≥ 0 se llama proceso de Poisson con intensidad λ > 0 si

1 P(N(0) = 0) = 1.2 Tiene incrementos estacionarios de Poisson:∀ 0 ≤ s < t, N(t)−N(s) tiene distribución de Poisson deparámetro λ(t − s), es decir

P(N(t)−N(s) = k) = [λ(t − s)]k

k !exp(−λ(t − s))

3 Tiene incrementos independientes: ∀ 0 ≤ t1 < · · · < tn , n ≥ 1,las variables aleatorias N(tn)−N(tn−1), . . . ,N(t2)−N(t1), N(t1),son independientes.

Observaciones:

N(t) tiene distribución de Poisson de parámetro λt.La distribución del incremento N(t)−N(s) y la de la variablealeatoria N(t − s) es la misma con media λ(t − s).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 11

/ 82

Page 40: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primera definición

Definición 1. Una colección de variables aleatoriasN(t), t ≥ 0 se llama proceso de Poisson con intensidad λ > 0 si

1 P(N(0) = 0) = 1.2 Tiene incrementos estacionarios de Poisson:∀ 0 ≤ s < t, N(t)−N(s) tiene distribución de Poisson deparámetro λ(t − s), es decir

P(N(t)−N(s) = k) = [λ(t − s)]k

k !exp(−λ(t − s))

3 Tiene incrementos independientes: ∀ 0 ≤ t1 < · · · < tn , n ≥ 1,las variables aleatorias N(tn)−N(tn−1), . . . ,N(t2)−N(t1), N(t1),son independientes.

Observaciones:

N(t) tiene distribución de Poisson de parámetro λt.La distribución del incremento N(t)−N(s) y la de la variablealeatoria N(t − s) es la misma con media λ(t − s).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 11

/ 82

Page 41: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primera definición

Definición 1. Una colección de variables aleatoriasN(t), t ≥ 0 se llama proceso de Poisson con intensidad λ > 0 si

1 P(N(0) = 0) = 1.2 Tiene incrementos estacionarios de Poisson:∀ 0 ≤ s < t, N(t)−N(s) tiene distribución de Poisson deparámetro λ(t − s), es decir

P(N(t)−N(s) = k) = [λ(t − s)]k

k !exp(−λ(t − s))

3 Tiene incrementos independientes: ∀ 0 ≤ t1 < · · · < tn , n ≥ 1,las variables aleatorias N(tn)−N(tn−1), . . . ,N(t2)−N(t1), N(t1),son independientes.

Observaciones:N(t) tiene distribución de Poisson de parámetro λt.

La distribución del incremento N(t)−N(s) y la de la variablealeatoria N(t − s) es la misma con media λ(t − s).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 11

/ 82

Page 42: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primera definición

Definición 1. Una colección de variables aleatoriasN(t), t ≥ 0 se llama proceso de Poisson con intensidad λ > 0 si

1 P(N(0) = 0) = 1.2 Tiene incrementos estacionarios de Poisson:∀ 0 ≤ s < t, N(t)−N(s) tiene distribución de Poisson deparámetro λ(t − s), es decir

P(N(t)−N(s) = k) = [λ(t − s)]k

k !exp(−λ(t − s))

3 Tiene incrementos independientes: ∀ 0 ≤ t1 < · · · < tn , n ≥ 1,las variables aleatorias N(tn)−N(tn−1), . . . ,N(t2)−N(t1), N(t1),son independientes.

Observaciones:N(t) tiene distribución de Poisson de parámetro λt.La distribución del incremento N(t)−N(s) y la de la variablealeatoria N(t − s) es la misma con media λ(t − s).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 11

/ 82

Page 43: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primeros Aspectos de Modelación

N(t)−N(s) número de fallas en intervalo de longitud t − s, s < t.

λ es el número promedio de fallas por unidad de tiempo.Si 0 ≤ s < t, P(N(t)−N(s) ≥ 0) = 1 :

P(N(t)−N(s) ≥ 0) =∞

∑k=0

P(N(t − s) = k) = 1.

N(t); t ≥ 0 trayectorias no decrecientes, continuas porderecha, con límite por izquierda.Probabilidad de no fallas en (s, s + t]

P(N(t + s)−N(s) = 0) = P(N(t) = 0) = e−λt

Riesgo asociado en (s, s + t]: Probabilidad de al menos una falla

P(N(t) ≥ 1) = 1−P(N(t) = 0) = 1− e−λt

Probabilidad de una falla en (s, t + s ]

P(N(t) = 1) = λte−λt .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 12

/ 82

Page 44: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primeros Aspectos de Modelación

N(t)−N(s) número de fallas en intervalo de longitud t − s, s < t.λ es el número promedio de fallas por unidad de tiempo.

Si 0 ≤ s < t, P(N(t)−N(s) ≥ 0) = 1 :

P(N(t)−N(s) ≥ 0) =∞

∑k=0

P(N(t − s) = k) = 1.

N(t); t ≥ 0 trayectorias no decrecientes, continuas porderecha, con límite por izquierda.Probabilidad de no fallas en (s, s + t]

P(N(t + s)−N(s) = 0) = P(N(t) = 0) = e−λt

Riesgo asociado en (s, s + t]: Probabilidad de al menos una falla

P(N(t) ≥ 1) = 1−P(N(t) = 0) = 1− e−λt

Probabilidad de una falla en (s, t + s ]

P(N(t) = 1) = λte−λt .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 12

/ 82

Page 45: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primeros Aspectos de Modelación

N(t)−N(s) número de fallas en intervalo de longitud t − s, s < t.λ es el número promedio de fallas por unidad de tiempo.Si 0 ≤ s < t, P(N(t)−N(s) ≥ 0) = 1 :

P(N(t)−N(s) ≥ 0) =∞

∑k=0

P(N(t − s) = k) = 1.

N(t); t ≥ 0 trayectorias no decrecientes, continuas porderecha, con límite por izquierda.Probabilidad de no fallas en (s, s + t]

P(N(t + s)−N(s) = 0) = P(N(t) = 0) = e−λt

Riesgo asociado en (s, s + t]: Probabilidad de al menos una falla

P(N(t) ≥ 1) = 1−P(N(t) = 0) = 1− e−λt

Probabilidad de una falla en (s, t + s ]

P(N(t) = 1) = λte−λt .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 12

/ 82

Page 46: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primeros Aspectos de Modelación

N(t)−N(s) número de fallas en intervalo de longitud t − s, s < t.λ es el número promedio de fallas por unidad de tiempo.Si 0 ≤ s < t, P(N(t)−N(s) ≥ 0) = 1 :

P(N(t)−N(s) ≥ 0) =∞

∑k=0

P(N(t − s) = k) = 1.

N(t); t ≥ 0 trayectorias no decrecientes, continuas porderecha, con límite por izquierda.

Probabilidad de no fallas en (s, s + t]

P(N(t + s)−N(s) = 0) = P(N(t) = 0) = e−λt

Riesgo asociado en (s, s + t]: Probabilidad de al menos una falla

P(N(t) ≥ 1) = 1−P(N(t) = 0) = 1− e−λt

Probabilidad de una falla en (s, t + s ]

P(N(t) = 1) = λte−λt .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 12

/ 82

Page 47: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primeros Aspectos de Modelación

N(t)−N(s) número de fallas en intervalo de longitud t − s, s < t.λ es el número promedio de fallas por unidad de tiempo.Si 0 ≤ s < t, P(N(t)−N(s) ≥ 0) = 1 :

P(N(t)−N(s) ≥ 0) =∞

∑k=0

P(N(t − s) = k) = 1.

N(t); t ≥ 0 trayectorias no decrecientes, continuas porderecha, con límite por izquierda.Probabilidad de no fallas en (s, s + t]

P(N(t + s)−N(s) = 0) = P(N(t) = 0) = e−λt

Riesgo asociado en (s, s + t]: Probabilidad de al menos una falla

P(N(t) ≥ 1) = 1−P(N(t) = 0) = 1− e−λt

Probabilidad de una falla en (s, t + s ]

P(N(t) = 1) = λte−λt .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 12

/ 82

Page 48: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primeros Aspectos de Modelación

N(t)−N(s) número de fallas en intervalo de longitud t − s, s < t.λ es el número promedio de fallas por unidad de tiempo.Si 0 ≤ s < t, P(N(t)−N(s) ≥ 0) = 1 :

P(N(t)−N(s) ≥ 0) =∞

∑k=0

P(N(t − s) = k) = 1.

N(t); t ≥ 0 trayectorias no decrecientes, continuas porderecha, con límite por izquierda.Probabilidad de no fallas en (s, s + t]

P(N(t + s)−N(s) = 0) = P(N(t) = 0) = e−λt

Riesgo asociado en (s, s + t]: Probabilidad de al menos una falla

P(N(t) ≥ 1) = 1−P(N(t) = 0) = 1− e−λt

Probabilidad de una falla en (s, t + s ]

P(N(t) = 1) = λte−λt .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 12

/ 82

Page 49: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Primeros Aspectos de Modelación

N(t)−N(s) número de fallas en intervalo de longitud t − s, s < t.λ es el número promedio de fallas por unidad de tiempo.Si 0 ≤ s < t, P(N(t)−N(s) ≥ 0) = 1 :

P(N(t)−N(s) ≥ 0) =∞

∑k=0

P(N(t − s) = k) = 1.

N(t); t ≥ 0 trayectorias no decrecientes, continuas porderecha, con límite por izquierda.Probabilidad de no fallas en (s, s + t]

P(N(t + s)−N(s) = 0) = P(N(t) = 0) = e−λt

Riesgo asociado en (s, s + t]: Probabilidad de al menos una falla

P(N(t) ≥ 1) = 1−P(N(t) = 0) = 1− e−λt

Probabilidad de una falla en (s, t + s ]

P(N(t) = 1) = λte−λt .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 12

/ 82

Page 50: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: ImportanciaTeórica: Son Ejemplos Simples de Modelos más Generales

1 Procesos de Nacimiento y Muerte

2 Procesos con Incrementos Independientes y Estacionarios (Lévy)

3 Procesos de Markov

4 Procesos de Renovación

5 Procesos Puntuales

6 Martingalas

7 Medidas Aleatorias

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 13

/ 82

Page 51: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: ImportanciaAplicaciones: Modelos Simples Utiles en

1 Teoría de Colas

2 Problemas en Seguros

3 Ecología

4 Ingeniería Sísmica

5 Industria

6 Confiabilidad

7 Ciencias Naturales

8 Tráfico en Internet, aeropuertos. etc.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 14

/ 82

Page 52: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de Primera Falla en un PP

¿Cómo modelamos el tiempo T1 de la primera falla a partir de lasvariables aleatorias N(t), t ≥ 0?

T1 = inf t ≥ 0;N(t) = 1 .Observación clave:

T1 ≤ t = N(t) ≥ 1.Proposición 2. T1 tiene una distribución exponencial de parámetroλ.Demostración: Para t ≥ 0

FT1(t) = PT1 ≤ t = PN(t) ≥ 1= 1−P(N(t) = 0)

= 1− e−λt .

DerivandofT1(t) = F

′T1(t) = λe−λt , t ≥ 0

que es la densidad exponencial de parámetro λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 15

/ 82

Page 53: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de Primera Falla en un PP

¿Cómo modelamos el tiempo T1 de la primera falla a partir de lasvariables aleatorias N(t), t ≥ 0?

T1 = inf t ≥ 0;N(t) = 1 .

Observación clave:

T1 ≤ t = N(t) ≥ 1.Proposición 2. T1 tiene una distribución exponencial de parámetroλ.Demostración: Para t ≥ 0

FT1(t) = PT1 ≤ t = PN(t) ≥ 1= 1−P(N(t) = 0)

= 1− e−λt .

DerivandofT1(t) = F

′T1(t) = λe−λt , t ≥ 0

que es la densidad exponencial de parámetro λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 15

/ 82

Page 54: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de Primera Falla en un PP

¿Cómo modelamos el tiempo T1 de la primera falla a partir de lasvariables aleatorias N(t), t ≥ 0?

T1 = inf t ≥ 0;N(t) = 1 .Observación clave:

T1 ≤ t = N(t) ≥ 1.

Proposición 2. T1 tiene una distribución exponencial de parámetroλ.Demostración: Para t ≥ 0

FT1(t) = PT1 ≤ t = PN(t) ≥ 1= 1−P(N(t) = 0)

= 1− e−λt .

DerivandofT1(t) = F

′T1(t) = λe−λt , t ≥ 0

que es la densidad exponencial de parámetro λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 15

/ 82

Page 55: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de Primera Falla en un PP

¿Cómo modelamos el tiempo T1 de la primera falla a partir de lasvariables aleatorias N(t), t ≥ 0?

T1 = inf t ≥ 0;N(t) = 1 .Observación clave:

T1 ≤ t = N(t) ≥ 1.Proposición 2. T1 tiene una distribución exponencial de parámetroλ.

Demostración: Para t ≥ 0FT1(t) = PT1 ≤ t = PN(t) ≥ 1

= 1−P(N(t) = 0)

= 1− e−λt .

DerivandofT1(t) = F

′T1(t) = λe−λt , t ≥ 0

que es la densidad exponencial de parámetro λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 15

/ 82

Page 56: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de Primera Falla en un PP

¿Cómo modelamos el tiempo T1 de la primera falla a partir de lasvariables aleatorias N(t), t ≥ 0?

T1 = inf t ≥ 0;N(t) = 1 .Observación clave:

T1 ≤ t = N(t) ≥ 1.Proposición 2. T1 tiene una distribución exponencial de parámetroλ.Demostración: Para t ≥ 0

FT1(t) = PT1 ≤ t = PN(t) ≥ 1= 1−P(N(t) = 0)

= 1− e−λt .

DerivandofT1(t) = F

′T1(t) = λe−λt , t ≥ 0

que es la densidad exponencial de parámetro λ.Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 15

/ 82

Page 57: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de Fallas en un PP

Proposición 2. T1 tiene una distribución exponencial de parámetroλ.

Corolario 2. El tiempo esperado de la primera falla es 1/λ.E(T1) = 1/λ.

¿Cuál es la distribución del tiempo Tm de la m-ésima falla ?

Modelación de Tm :

Tm = inf t ≥ 0;N(t) = m .0 = T0 < T1 < · · · < Tm no son variables aleatorias independientesObservación clave: ∀t ≥ 0 y ∀m > 0 se tiene que

Tm ≤ t = N(t) ≥ m.

¿Qué distribución tiene Tm?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 16

/ 82

Page 58: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de Fallas en un PP

Proposición 2. T1 tiene una distribución exponencial de parámetroλ.

Corolario 2. El tiempo esperado de la primera falla es 1/λ.E(T1) = 1/λ.

¿Cuál es la distribución del tiempo Tm de la m-ésima falla ?

Modelación de Tm :

Tm = inf t ≥ 0;N(t) = m .0 = T0 < T1 < · · · < Tm no son variables aleatorias independientesObservación clave: ∀t ≥ 0 y ∀m > 0 se tiene que

Tm ≤ t = N(t) ≥ m.

¿Qué distribución tiene Tm?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 16

/ 82

Page 59: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de Fallas en un PP

Proposición 2. T1 tiene una distribución exponencial de parámetroλ.

Corolario 2. El tiempo esperado de la primera falla es 1/λ.E(T1) = 1/λ.

¿Cuál es la distribución del tiempo Tm de la m-ésima falla ?

Modelación de Tm :

Tm = inf t ≥ 0;N(t) = m .0 = T0 < T1 < · · · < Tm no son variables aleatorias independientesObservación clave: ∀t ≥ 0 y ∀m > 0 se tiene que

Tm ≤ t = N(t) ≥ m.

¿Qué distribución tiene Tm?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 16

/ 82

Page 60: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de Fallas en un PP

Proposición 2. T1 tiene una distribución exponencial de parámetroλ.

Corolario 2. El tiempo esperado de la primera falla es 1/λ.E(T1) = 1/λ.

¿Cuál es la distribución del tiempo Tm de la m-ésima falla ?

Modelación de Tm :

Tm = inf t ≥ 0;N(t) = m .0 = T0 < T1 < · · · < Tm no son variables aleatorias independientesObservación clave: ∀t ≥ 0 y ∀m > 0 se tiene que

Tm ≤ t = N(t) ≥ m.

¿Qué distribución tiene Tm?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 16

/ 82

Page 61: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de Fallas en un PP

Proposición 2. T1 tiene una distribución exponencial de parámetroλ.

Corolario 2. El tiempo esperado de la primera falla es 1/λ.E(T1) = 1/λ.

¿Cuál es la distribución del tiempo Tm de la m-ésima falla ?

Modelación de Tm :

Tm = inf t ≥ 0;N(t) = m .

0 = T0 < T1 < · · · < Tm no son variables aleatorias independientesObservación clave: ∀t ≥ 0 y ∀m > 0 se tiene que

Tm ≤ t = N(t) ≥ m.

¿Qué distribución tiene Tm?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 16

/ 82

Page 62: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de Fallas en un PP

Proposición 2. T1 tiene una distribución exponencial de parámetroλ.

Corolario 2. El tiempo esperado de la primera falla es 1/λ.E(T1) = 1/λ.

¿Cuál es la distribución del tiempo Tm de la m-ésima falla ?

Modelación de Tm :

Tm = inf t ≥ 0;N(t) = m .0 = T0 < T1 < · · · < Tm no son variables aleatorias independientes

Observación clave: ∀t ≥ 0 y ∀m > 0 se tiene que

Tm ≤ t = N(t) ≥ m.

¿Qué distribución tiene Tm?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 16

/ 82

Page 63: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de Fallas en un PP

Proposición 2. T1 tiene una distribución exponencial de parámetroλ.

Corolario 2. El tiempo esperado de la primera falla es 1/λ.E(T1) = 1/λ.

¿Cuál es la distribución del tiempo Tm de la m-ésima falla ?

Modelación de Tm :

Tm = inf t ≥ 0;N(t) = m .0 = T0 < T1 < · · · < Tm no son variables aleatorias independientesObservación clave: ∀t ≥ 0 y ∀m > 0 se tiene que

Tm ≤ t = N(t) ≥ m.

¿Qué distribución tiene Tm?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 16

/ 82

Page 64: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución de Tiempos de Fallas en un PP

Proposición 2. T1 tiene una distribución exponencial de parámetroλ.

Corolario 2. El tiempo esperado de la primera falla es 1/λ.E(T1) = 1/λ.

¿Cuál es la distribución del tiempo Tm de la m-ésima falla ?

Modelación de Tm :

Tm = inf t ≥ 0;N(t) = m .0 = T0 < T1 < · · · < Tm no son variables aleatorias independientesObservación clave: ∀t ≥ 0 y ∀m > 0 se tiene que

Tm ≤ t = N(t) ≥ m.

¿Qué distribución tiene Tm?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 16

/ 82

Page 65: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de m-ésima Falla en un PP

Proposición 3. La v.a. Tm tiene distribución gama G (m,λ) , esdecir

fTm (t) =

1

Γ(m)λmtm−1e−λt si t ≥ 00 de otra forma

.

Demostración:

FTm (t) = P(Tm ≤ t) = P(N(t) ≥ m) = 1−P(N(t) ≤ m− 1)

= 1−m−1∑k=0

P(N(t) = k) = 1−m−1∑k=0

(λt)ke−λt

k !

Derivando

fTm (t) = F ′Tm (t) = λe−λtm−1∑k=0

(λt)k

k !− e−λt

m−1∑k=1

λk(λt)k−1

k !

=1

Γ(m)λ (λt)m−1 e−λt .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 17

/ 82

Page 66: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de m-ésima Falla en un PP

Proposición 3. La v.a. Tm tiene distribución gama G (m,λ) , esdecir

fTm (t) =

1

Γ(m)λmtm−1e−λt si t ≥ 00 de otra forma

.

Demostración:

FTm (t) = P(Tm ≤ t) = P(N(t) ≥ m) = 1−P(N(t) ≤ m− 1)

= 1−m−1∑k=0

P(N(t) = k) = 1−m−1∑k=0

(λt)ke−λt

k !

Derivando

fTm (t) = F ′Tm (t) = λe−λtm−1∑k=0

(λt)k

k !− e−λt

m−1∑k=1

λk(λt)k−1

k !

=1

Γ(m)λ (λt)m−1 e−λt .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 17

/ 82

Page 67: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la m-ésima Falla en un PP

Proposición 3. La v.a. Tm tiene distribución gama G (m,λ) .

Valor esperado de la m-ésima falla

E(Tm) =mλ.

VarianzaVar(Tm) =

m

λ2.

Propiedad de la distribución Gamma: Sean τ1, ..., τm variablesaleatorias independientes con la misma distribución exponencial demedia 1/λ y sea

Tm =m

∑k=1

τk

Entonces Tm tiene distribución gama G (m,λ) .Veremos mas adelante como construir un proceso de Poisson usandoeste hecho.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 18

/ 82

Page 68: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la m-ésima Falla en un PP

Proposición 3. La v.a. Tm tiene distribución gama G (m,λ) .Valor esperado de la m-ésima falla

E(Tm) =mλ.

VarianzaVar(Tm) =

m

λ2.

Propiedad de la distribución Gamma: Sean τ1, ..., τm variablesaleatorias independientes con la misma distribución exponencial demedia 1/λ y sea

Tm =m

∑k=1

τk

Entonces Tm tiene distribución gama G (m,λ) .Veremos mas adelante como construir un proceso de Poisson usandoeste hecho.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 18

/ 82

Page 69: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la m-ésima Falla en un PP

Proposición 3. La v.a. Tm tiene distribución gama G (m,λ) .Valor esperado de la m-ésima falla

E(Tm) =mλ.

VarianzaVar(Tm) =

m

λ2.

Propiedad de la distribución Gamma: Sean τ1, ..., τm variablesaleatorias independientes con la misma distribución exponencial demedia 1/λ y sea

Tm =m

∑k=1

τk

Entonces Tm tiene distribución gama G (m,λ) .Veremos mas adelante como construir un proceso de Poisson usandoeste hecho.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 18

/ 82

Page 70: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la m-ésima Falla en un PP

Proposición 3. La v.a. Tm tiene distribución gama G (m,λ) .Valor esperado de la m-ésima falla

E(Tm) =mλ.

VarianzaVar(Tm) =

m

λ2.

Propiedad de la distribución Gamma: Sean τ1, ..., τm variablesaleatorias independientes con la misma distribución exponencial demedia 1/λ y sea

Tm =m

∑k=1

τk

Entonces Tm tiene distribución gama G (m,λ) .Veremos mas adelante como construir un proceso de Poisson usandoeste hecho.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 18

/ 82

Page 71: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la m-ésima Falla en un PP

Proposición 3. La v.a. Tm tiene distribución gama G (m,λ) .Valor esperado de la m-ésima falla

E(Tm) =mλ.

VarianzaVar(Tm) =

m

λ2.

Propiedad de la distribución Gamma: Sean τ1, ..., τm variablesaleatorias independientes con la misma distribución exponencial demedia 1/λ y sea

Tm =m

∑k=1

τk

Entonces Tm tiene distribución gama G (m,λ) .

Veremos mas adelante como construir un proceso de Poisson usandoeste hecho.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 18

/ 82

Page 72: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la m-ésima Falla en un PP

Proposición 3. La v.a. Tm tiene distribución gama G (m,λ) .Valor esperado de la m-ésima falla

E(Tm) =mλ.

VarianzaVar(Tm) =

m

λ2.

Propiedad de la distribución Gamma: Sean τ1, ..., τm variablesaleatorias independientes con la misma distribución exponencial demedia 1/λ y sea

Tm =m

∑k=1

τk

Entonces Tm tiene distribución gama G (m,λ) .Veremos mas adelante como construir un proceso de Poisson usandoeste hecho.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 18

/ 82

Page 73: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la Próxima Falla

Dado un tiempo t queremos estudiar el tiempo φt que tardaremos enobservar la próxima falla

Modelación de φt

φt := inf s ≥ t ; N(s)−N(t) = 1 .

Proposición 4. La v.a. φt tiene distribución exponencial de media1/λ (no depende de t).Demostración: Sea g(s) = 1−P (φt ≤ s) = P (φt > s) yτm = Tm − Tm−1.Paso 1. Muestre que φt > s = τt > t + s ∀ s < t y

g(s + h) = P (φt > s + h)

= P (τt > t + s , N (t + s + h)−N (t + s) = 0) .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 19

/ 82

Page 74: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la Próxima Falla

Dado un tiempo t queremos estudiar el tiempo φt que tardaremos enobservar la próxima falla

Modelación de φt

φt := inf s ≥ t ; N(s)−N(t) = 1 .

Proposición 4. La v.a. φt tiene distribución exponencial de media1/λ (no depende de t).Demostración: Sea g(s) = 1−P (φt ≤ s) = P (φt > s) yτm = Tm − Tm−1.Paso 1. Muestre que φt > s = τt > t + s ∀ s < t y

g(s + h) = P (φt > s + h)

= P (τt > t + s , N (t + s + h)−N (t + s) = 0) .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 19

/ 82

Page 75: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la Próxima Falla

Dado un tiempo t queremos estudiar el tiempo φt que tardaremos enobservar la próxima falla

Modelación de φt

φt := inf s ≥ t ; N(s)−N(t) = 1 .

Proposición 4. La v.a. φt tiene distribución exponencial de media1/λ (no depende de t).

Demostración: Sea g(s) = 1−P (φt ≤ s) = P (φt > s) yτm = Tm − Tm−1.Paso 1. Muestre que φt > s = τt > t + s ∀ s < t y

g(s + h) = P (φt > s + h)

= P (τt > t + s , N (t + s + h)−N (t + s) = 0) .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 19

/ 82

Page 76: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la Próxima Falla

Dado un tiempo t queremos estudiar el tiempo φt que tardaremos enobservar la próxima falla

Modelación de φt

φt := inf s ≥ t ; N(s)−N(t) = 1 .

Proposición 4. La v.a. φt tiene distribución exponencial de media1/λ (no depende de t).Demostración: Sea g(s) = 1−P (φt ≤ s) = P (φt > s) yτm = Tm − Tm−1.

Paso 1. Muestre que φt > s = τt > t + s ∀ s < t y

g(s + h) = P (φt > s + h)

= P (τt > t + s , N (t + s + h)−N (t + s) = 0) .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 19

/ 82

Page 77: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la Próxima Falla

Dado un tiempo t queremos estudiar el tiempo φt que tardaremos enobservar la próxima falla

Modelación de φt

φt := inf s ≥ t ; N(s)−N(t) = 1 .

Proposición 4. La v.a. φt tiene distribución exponencial de media1/λ (no depende de t).Demostración: Sea g(s) = 1−P (φt ≤ s) = P (φt > s) yτm = Tm − Tm−1.Paso 1. Muestre que φt > s = τt > t + s ∀ s < t y

g(s + h) = P (φt > s + h)

= P (τt > t + s , N (t + s + h)−N (t + s) = 0) .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 19

/ 82

Page 78: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la Próxima Falla

Paso 2. Muestre que los eventos τt ≤ s + t yN (t + s + h)−N (t + s) = 0 son independientes. Así

g (s + h) = P (τt > t + s)P (N (t + s + h)−N (t + s) = 0)= P (φt > s)P (N (h) = 0) = g(s)e−λh.

Por lo tantog ′ (s) = −λg (s) .

Cuya única solución es:

g(s) = P (φt > s) = e−λs , s > 0.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 20

/ 82

Page 79: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la Próxima Falla

Paso 2. Muestre que los eventos τt ≤ s + t yN (t + s + h)−N (t + s) = 0 son independientes. Así

g (s + h) = P (τt > t + s)P (N (t + s + h)−N (t + s) = 0)= P (φt > s)P (N (h) = 0) = g(s)e−λh.

Por lo tantog ′ (s) = −λg (s) .

Cuya única solución es:

g(s) = P (φt > s) = e−λs , s > 0.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 20

/ 82

Page 80: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribución del Tiempo de la Próxima Falla

Paso 2. Muestre que los eventos τt ≤ s + t yN (t + s + h)−N (t + s) = 0 son independientes. Así

g (s + h) = P (τt > t + s)P (N (t + s + h)−N (t + s) = 0)= P (φt > s)P (N (h) = 0) = g(s)e−λh.

Por lo tantog ′ (s) = −λg (s) .

Cuya única solución es:

g(s) = P (φt > s) = e−λs , s > 0.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 20

/ 82

Page 81: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resumen de lo visto hasta ahora

1 Definición de Proceso de Poisson

1 Caso simple de Modelos más generales2 Es un modelo muy útil.

2 Propiedades de Modelación

1 Intensidad Media2 Trayectoria de un Proceso de Poisson3 Algunas probabilidades de interés.

3 Distribuciones de Tiempos de Fallas

1 Tiempos de primera falla2 Tiempo de la n-ésima falla.3 Tiempo de la próxima falla.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 21

/ 82

Page 82: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resumen de lo visto

1 Definición de Proceso de Poisson: N(t), t > 0 ,N(0) = 0, tieneincrementos independientes y estacionarios y

P(N(t)−N(s) = k) = [λ(t − s)]k

k !exp−λ(t − s)

2 Modelación: Intensidad media, algunas probabilidades de interés

1 Trayectorias de un Proceso de Poisson, E(N(t)) = λt2 N(t)−N(s) es el número de fallas en un intervalo de longitud t − s.

3 Distribuciones de Tiempos de Fallas

1 Tiempos de primera falla T1 sigue distribución exponencial media 1/λ.2 Tiempo de la n-ésima falla Tm sigue una distribución gama G (m,λ)3 Relación clave: Tm ≤ t = N(t) ≥ m .4 Tiempo de la próxima falla φt sigue una distribución exponencial demedia 1/λ la cual no depende de t

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 22

/ 82

Page 83: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Procesos de Poisson II: Más Aspectos

1 Tiempos entre fallas τ1, ..., τm

1 Distribución2 Independencia

2 Construcción de un Proceso de Poisson

1 De N(t), t ≥ 0 a T1, ...,Tm , τ1, ..., τm2 De τ1, ..., τm a N(t), t ≥ 0

3 Simulación de Procesos de Poisson

1 Simulación de variables aleatorias2 Simulación de variables aleatorias exponenciales.3 Simulación del proceso de Poisson4 Ejemplo

4 Muestreo de Procesos de Poisson y Estimación del Parámetro

1 Observando los tiempos de fallas2 Observando el número de fallas

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 23

/ 82

Page 84: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Tiempos de fallas: 0 = T0 < T1 < · · · < Tm

Tm tiene distribución gama G (m,λ)Tiempos entre fallas: τ1, ..., τm

τk = Tk − Tk−1, k = 1, ...,m.

Observación:

Tk =k

∑j=1

τj , k = 1, ...,m.

¿Cuál es la distribución de τ1, ..., τm?Observe que

E(τk ) = E(Tk − Tk−1) = E(Tk )−E(Tk−1)

=kλ− k − 1

λ=1λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 24

/ 82

Page 85: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Tiempos de fallas: 0 = T0 < T1 < · · · < TmTm tiene distribución gama G (m,λ)

Tiempos entre fallas: τ1, ..., τm

τk = Tk − Tk−1, k = 1, ...,m.

Observación:

Tk =k

∑j=1

τj , k = 1, ...,m.

¿Cuál es la distribución de τ1, ..., τm?Observe que

E(τk ) = E(Tk − Tk−1) = E(Tk )−E(Tk−1)

=kλ− k − 1

λ=1λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 24

/ 82

Page 86: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Tiempos de fallas: 0 = T0 < T1 < · · · < TmTm tiene distribución gama G (m,λ)Tiempos entre fallas: τ1, ..., τm

τk = Tk − Tk−1, k = 1, ...,m.

Observación:

Tk =k

∑j=1

τj , k = 1, ...,m.

¿Cuál es la distribución de τ1, ..., τm?Observe que

E(τk ) = E(Tk − Tk−1) = E(Tk )−E(Tk−1)

=kλ− k − 1

λ=1λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 24

/ 82

Page 87: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Tiempos de fallas: 0 = T0 < T1 < · · · < TmTm tiene distribución gama G (m,λ)Tiempos entre fallas: τ1, ..., τm

τk = Tk − Tk−1, k = 1, ...,m.

Observación:

Tk =k

∑j=1

τj , k = 1, ...,m.

¿Cuál es la distribución de τ1, ..., τm?Observe que

E(τk ) = E(Tk − Tk−1) = E(Tk )−E(Tk−1)

=kλ− k − 1

λ=1λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 24

/ 82

Page 88: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Tiempos de fallas: 0 = T0 < T1 < · · · < TmTm tiene distribución gama G (m,λ)Tiempos entre fallas: τ1, ..., τm

τk = Tk − Tk−1, k = 1, ...,m.

Observación:

Tk =k

∑j=1

τj , k = 1, ...,m.

¿Cuál es la distribución de τ1, ..., τm?

Observe que

E(τk ) = E(Tk − Tk−1) = E(Tk )−E(Tk−1)

=kλ− k − 1

λ=1λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 24

/ 82

Page 89: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Tiempos de fallas: 0 = T0 < T1 < · · · < TmTm tiene distribución gama G (m,λ)Tiempos entre fallas: τ1, ..., τm

τk = Tk − Tk−1, k = 1, ...,m.

Observación:

Tk =k

∑j=1

τj , k = 1, ...,m.

¿Cuál es la distribución de τ1, ..., τm?Observe que

E(τk ) = E(Tk − Tk−1) = E(Tk )−E(Tk−1)

=kλ− k − 1

λ=1λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 24

/ 82

Page 90: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Teorema 3. τ1, ..., τn son variables aleatorias independientes con lamisma distribución exponencial con media 1/λ.

Intuición de independencia: incrementos independientes

Intuición de exponencialidad: Tm tiene una distribución gamaG (m,λ) por lo que es suma de m variables aleatorias independientesexponenciales con parámetro 1/λ y

Tm =m

∑j=1

τj .

Demostración: La mayoría de los libros usan probabilidad condicional,de manera poco rigurosa pues no se ha estudiado a detalle elconcepto de probabilidad y esperanza condicional.

En las notas de este curso se presenta una demostración sin usarprobabilidad condicional.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 25

/ 82

Page 91: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Teorema 3. τ1, ..., τn son variables aleatorias independientes con lamisma distribución exponencial con media 1/λ.

Intuición de independencia: incrementos independientes

Intuición de exponencialidad: Tm tiene una distribución gamaG (m,λ) por lo que es suma de m variables aleatorias independientesexponenciales con parámetro 1/λ y

Tm =m

∑j=1

τj .

Demostración: La mayoría de los libros usan probabilidad condicional,de manera poco rigurosa pues no se ha estudiado a detalle elconcepto de probabilidad y esperanza condicional.

En las notas de este curso se presenta una demostración sin usarprobabilidad condicional.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 25

/ 82

Page 92: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Teorema 3. τ1, ..., τn son variables aleatorias independientes con lamisma distribución exponencial con media 1/λ.

Intuición de independencia: incrementos independientes

Intuición de exponencialidad: Tm tiene una distribución gamaG (m,λ) por lo que es suma de m variables aleatorias independientesexponenciales con parámetro 1/λ y

Tm =m

∑j=1

τj .

Demostración: La mayoría de los libros usan probabilidad condicional,de manera poco rigurosa pues no se ha estudiado a detalle elconcepto de probabilidad y esperanza condicional.

En las notas de este curso se presenta una demostración sin usarprobabilidad condicional.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 25

/ 82

Page 93: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Teorema 3. τ1, ..., τn son variables aleatorias independientes con lamisma distribución exponencial con media 1/λ.

Intuición de independencia: incrementos independientes

Intuición de exponencialidad: Tm tiene una distribución gamaG (m,λ) por lo que es suma de m variables aleatorias independientesexponenciales con parámetro 1/λ y

Tm =m

∑j=1

τj .

Demostración: La mayoría de los libros usan probabilidad condicional,de manera poco rigurosa pues no se ha estudiado a detalle elconcepto de probabilidad y esperanza condicional.

En las notas de este curso se presenta una demostración sin usarprobabilidad condicional.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 25

/ 82

Page 94: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Tiempos entre Fallas en un Proceso de Poisson

Teorema 3. τ1, ..., τn son variables aleatorias independientes con lamisma distribución exponencial con media 1/λ.

Intuición de independencia: incrementos independientes

Intuición de exponencialidad: Tm tiene una distribución gamaG (m,λ) por lo que es suma de m variables aleatorias independientesexponenciales con parámetro 1/λ y

Tm =m

∑j=1

τj .

Demostración: La mayoría de los libros usan probabilidad condicional,de manera poco rigurosa pues no se ha estudiado a detalle elconcepto de probabilidad y esperanza condicional.

En las notas de este curso se presenta una demostración sin usarprobabilidad condicional.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 25

/ 82

Page 95: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Idea de demostración

Teorema 3. τ1, ..., τm son variables aleatorias independientes con lamisma distribución exponencial con media 1/λ.

m = 2 y usar inducción

m = 2. Queremos demostrar que ∀ 0 < s1 < s2 < ∞ se tiene que

F (s1, s2) = P(τ1 ≤ s1, τ2 < s2) = P(τ1 ≤ s1)P(τ2 ≤ s2).

F (s1, s2) = P(T1 ≤ s1,T2 − T1 ≤ s2) = P(T1 ≤ s1,T2 ≤ s1 + s2)= P(N(s1) ≥ 1,N(s1 + s2) ≥ 2)

=∞

∑k1=1

P(N(s1) = k1,N(s1 + s2) ≥ 2)

=∞

∑k1=1

∑k2=k1+1

P(N(s1) = k1,N(s1 + s2)−N(s1) = k2 − k1)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 26

/ 82

Page 96: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Idea de demostración

Teorema 3. τ1, ..., τm son variables aleatorias independientes con lamisma distribución exponencial con media 1/λ.

m = 2 y usar inducción

m = 2. Queremos demostrar que ∀ 0 < s1 < s2 < ∞ se tiene que

F (s1, s2) = P(τ1 ≤ s1, τ2 < s2) = P(τ1 ≤ s1)P(τ2 ≤ s2).

F (s1, s2) = P(T1 ≤ s1,T2 − T1 ≤ s2) = P(T1 ≤ s1,T2 ≤ s1 + s2)= P(N(s1) ≥ 1,N(s1 + s2) ≥ 2)

=∞

∑k1=1

P(N(s1) = k1,N(s1 + s2) ≥ 2)

=∞

∑k1=1

∑k2=k1+1

P(N(s1) = k1,N(s1 + s2)−N(s1) = k2 − k1)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 26

/ 82

Page 97: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Idea de demostración

Teorema 3. τ1, ..., τm son variables aleatorias independientes con lamisma distribución exponencial con media 1/λ.

m = 2 y usar inducción

m = 2. Queremos demostrar que ∀ 0 < s1 < s2 < ∞ se tiene que

F (s1, s2) = P(τ1 ≤ s1, τ2 < s2) = P(τ1 ≤ s1)P(τ2 ≤ s2).

F (s1, s2) = P(T1 ≤ s1,T2 − T1 ≤ s2) = P(T1 ≤ s1,T2 ≤ s1 + s2)= P(N(s1) ≥ 1,N(s1 + s2) ≥ 2)

=∞

∑k1=1

P(N(s1) = k1,N(s1 + s2) ≥ 2)

=∞

∑k1=1

∑k2=k1+1

P(N(s1) = k1,N(s1 + s2)−N(s1) = k2 − k1)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 26

/ 82

Page 98: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Idea de la demostración

Por incrementos independientes

F (s1, s2) =∞

∑k1=1

∑k2>k1

P(N(s1) = k1)P(N(s1+ s2)−N(s1) = k2− k1)

Usando la propiedad de incrementos estacionarios

F (s1, s2) =∞

∑k1=1

∑k2>k1

P(N(s1) = k1)P(N(s2) = k2 − k1)

=

(∞

∑k1=1

P(N(s1) = k1)

)(∞

∑k2=1

P(N(s2) = k2)

)= (1−P(N(s1) = 0) (1−P(N(s2) = 0)

=(1− e−λs1

) (1− e−λs2

)= P(τ1 ≤ s1)P(τ2 ≤ s2)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 27

/ 82

Page 99: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Idea de la demostración

Por incrementos independientes

F (s1, s2) =∞

∑k1=1

∑k2>k1

P(N(s1) = k1)P(N(s1+ s2)−N(s1) = k2− k1)

Usando la propiedad de incrementos estacionarios

F (s1, s2) =∞

∑k1=1

∑k2>k1

P(N(s1) = k1)P(N(s2) = k2 − k1)

=

(∞

∑k1=1

P(N(s1) = k1)

)(∞

∑k2=1

P(N(s2) = k2)

)= (1−P(N(s1) = 0) (1−P(N(s2) = 0)

=(1− e−λs1

) (1− e−λs2

)= P(τ1 ≤ s1)P(τ2 ≤ s2)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 27

/ 82

Page 100: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Construcción de un Proceso de Poisson

Problema: Construir el proceso N(t), t ≥ 0, a partir de τ1, ..., τm

Ejercicio: Sea τ1, τ2, ... una sucesión de variables aleatoriasindependientes con la misma distribución exponencial con media 1/λy para m ≥ 1, sea

Tm = τ1 + ...+ τm

Suponga que t > 0 y consideremos la variable aleatoria

N(t) = maxn ≥ 0 : Tn ∈ [0, t]

Entonces N(t); t ≥ 0 es un proceso de Poisson con parámetro λ.

En particular N(t) tiene distribución de Poisson con media λt.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 28

/ 82

Page 101: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Construcción de un Proceso de Poisson

Problema: Construir el proceso N(t), t ≥ 0, a partir de τ1, ..., τm

Ejercicio: Sea τ1, τ2, ... una sucesión de variables aleatoriasindependientes con la misma distribución exponencial con media 1/λy para m ≥ 1, sea

Tm = τ1 + ...+ τm

Suponga que t > 0 y consideremos la variable aleatoria

N(t) = maxn ≥ 0 : Tn ∈ [0, t]

Entonces N(t); t ≥ 0 es un proceso de Poisson con parámetro λ.

En particular N(t) tiene distribución de Poisson con media λt.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 28

/ 82

Page 102: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Construcción de un Proceso de Poisson

Problema: Construir el proceso N(t), t ≥ 0, a partir de τ1, ..., τm

Ejercicio: Sea τ1, τ2, ... una sucesión de variables aleatoriasindependientes con la misma distribución exponencial con media 1/λy para m ≥ 1, sea

Tm = τ1 + ...+ τm

Suponga que t > 0 y consideremos la variable aleatoria

N(t) = maxn ≥ 0 : Tn ∈ [0, t]

Entonces N(t); t ≥ 0 es un proceso de Poisson con parámetro λ.

En particular N(t) tiene distribución de Poisson con media λt.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 28

/ 82

Page 103: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Construcción de un Proceso de Poisson

Problema: Construir el proceso N(t), t ≥ 0, a partir de τ1, ..., τm

Ejercicio: Sea τ1, τ2, ... una sucesión de variables aleatoriasindependientes con la misma distribución exponencial con media 1/λy para m ≥ 1, sea

Tm = τ1 + ...+ τm

Suponga que t > 0 y consideremos la variable aleatoria

N(t) = maxn ≥ 0 : Tn ∈ [0, t]

Entonces N(t); t ≥ 0 es un proceso de Poisson con parámetro λ.

En particular N(t) tiene distribución de Poisson con media λt.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 28

/ 82

Page 104: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Construcción de un Proceso de Poisson

Problema: Construir el proceso N(t), t ≥ 0, a partir de τ1, ..., τm

Ejercicio: Sea τ1, τ2, ... una sucesión de variables aleatoriasindependientes con la misma distribución exponencial con media 1/λy para m ≥ 1, sea

Tm = τ1 + ...+ τm

Suponga que t > 0 y consideremos la variable aleatoria

N(t) = maxn ≥ 0 : Tn ∈ [0, t]

Entonces N(t); t ≥ 0 es un proceso de Poisson con parámetro λ.

En particular N(t) tiene distribución de Poisson con media λt.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 28

/ 82

Page 105: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación: Simulación de un Proceso de Poisson

Primero: Simulación de variables aleatorias en una computadora

Lo básico es contar con un generador de números aleatorios condistribución uniforme en (0, 1).

Computadoras: urand(), rand(), etc.

Se construyen usando congruencias y números primos.

Se le aplican pruebas estadísticas para checar que son "aleatorios"

Supondremos que la computadora nos da variables aleatoriasindependientes U1,U2, ... con distribución uniforme en (0, 1)

P (a ≤ U ≤ b) = b− a, 0 < a < b < 1.

Sugerencia: siempre hagan pruebas a los generadores de lacomputadora que usen.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 29

/ 82

Page 106: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación: Simulación de un Proceso de Poisson

Primero: Simulación de variables aleatorias en una computadoraLo básico es contar con un generador de números aleatorios condistribución uniforme en (0, 1).

Computadoras: urand(), rand(), etc.

Se construyen usando congruencias y números primos.

Se le aplican pruebas estadísticas para checar que son "aleatorios"

Supondremos que la computadora nos da variables aleatoriasindependientes U1,U2, ... con distribución uniforme en (0, 1)

P (a ≤ U ≤ b) = b− a, 0 < a < b < 1.

Sugerencia: siempre hagan pruebas a los generadores de lacomputadora que usen.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 29

/ 82

Page 107: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación: Simulación de un Proceso de Poisson

Primero: Simulación de variables aleatorias en una computadoraLo básico es contar con un generador de números aleatorios condistribución uniforme en (0, 1).

Computadoras: urand(), rand(), etc.

Se construyen usando congruencias y números primos.

Se le aplican pruebas estadísticas para checar que son "aleatorios"

Supondremos que la computadora nos da variables aleatoriasindependientes U1,U2, ... con distribución uniforme en (0, 1)

P (a ≤ U ≤ b) = b− a, 0 < a < b < 1.

Sugerencia: siempre hagan pruebas a los generadores de lacomputadora que usen.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 29

/ 82

Page 108: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación: Simulación de un Proceso de Poisson

Primero: Simulación de variables aleatorias en una computadoraLo básico es contar con un generador de números aleatorios condistribución uniforme en (0, 1).

Computadoras: urand(), rand(), etc.

Se construyen usando congruencias y números primos.

Se le aplican pruebas estadísticas para checar que son "aleatorios"

Supondremos que la computadora nos da variables aleatoriasindependientes U1,U2, ... con distribución uniforme en (0, 1)

P (a ≤ U ≤ b) = b− a, 0 < a < b < 1.

Sugerencia: siempre hagan pruebas a los generadores de lacomputadora que usen.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 29

/ 82

Page 109: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación: Simulación de un Proceso de Poisson

Primero: Simulación de variables aleatorias en una computadoraLo básico es contar con un generador de números aleatorios condistribución uniforme en (0, 1).

Computadoras: urand(), rand(), etc.

Se construyen usando congruencias y números primos.

Se le aplican pruebas estadísticas para checar que son "aleatorios"

Supondremos que la computadora nos da variables aleatoriasindependientes U1,U2, ... con distribución uniforme en (0, 1)

P (a ≤ U ≤ b) = b− a, 0 < a < b < 1.

Sugerencia: siempre hagan pruebas a los generadores de lacomputadora que usen.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 29

/ 82

Page 110: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación: Simulación de un Proceso de Poisson

Primero: Simulación de variables aleatorias en una computadoraLo básico es contar con un generador de números aleatorios condistribución uniforme en (0, 1).

Computadoras: urand(), rand(), etc.

Se construyen usando congruencias y números primos.

Se le aplican pruebas estadísticas para checar que son "aleatorios"

Supondremos que la computadora nos da variables aleatoriasindependientes U1,U2, ... con distribución uniforme en (0, 1)

P (a ≤ U ≤ b) = b− a, 0 < a < b < 1.

Sugerencia: siempre hagan pruebas a los generadores de lacomputadora que usen.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 29

/ 82

Page 111: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación: Simulación de un Proceso de Poisson

Primero: Simulación de variables aleatorias en una computadoraLo básico es contar con un generador de números aleatorios condistribución uniforme en (0, 1).

Computadoras: urand(), rand(), etc.

Se construyen usando congruencias y números primos.

Se le aplican pruebas estadísticas para checar que son "aleatorios"

Supondremos que la computadora nos da variables aleatoriasindependientes U1,U2, ... con distribución uniforme en (0, 1)

P (a ≤ U ≤ b) = b− a, 0 < a < b < 1.

Sugerencia: siempre hagan pruebas a los generadores de lacomputadora que usen.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 29

/ 82

Page 112: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de Variables Aleatorias Exponenciales

Proposición 8. Sea U una variable aleatoria con distribuciónuniforme en (0, 1) y sea λ > 0. Entonces τ = − 1

λ ln(1− U) tieneuna distribución exponencial de media 1/λ.

Demostración: Por demostrar que para x > 0

P (τ ≤ x) = 1− e−λx

P (τ ≤ x) = P (ln (1− U) ≥ −λx)

= P(1− U ≥ e−λx

)= P

(U ≤ 1− e−λx

).

Recordando que para 0 ≤ u ≤ 1

P(U ≤ u) = u,

P(U ≤ 1− e−λx

)= 1− e−λx , x ≥ 0.

¿Cómo simulamos v.a. con distribución F ?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 30

/ 82

Page 113: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de Variables Aleatorias Exponenciales

Proposición 8. Sea U una variable aleatoria con distribuciónuniforme en (0, 1) y sea λ > 0. Entonces τ = − 1

λ ln(1− U) tieneuna distribución exponencial de media 1/λ.

Demostración: Por demostrar que para x > 0

P (τ ≤ x) = 1− e−λx

P (τ ≤ x) = P (ln (1− U) ≥ −λx)

= P(1− U ≥ e−λx

)= P

(U ≤ 1− e−λx

).

Recordando que para 0 ≤ u ≤ 1

P(U ≤ u) = u,

P(U ≤ 1− e−λx

)= 1− e−λx , x ≥ 0.

¿Cómo simulamos v.a. con distribución F ?

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 30

/ 82

Page 114: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de Variables Aleatorias Exponenciales

Proposición 8. Sea U una variable aleatoria con distribuciónuniforme en (0, 1) y sea λ > 0. Entonces τ = − 1

λ ln(1− U) tieneuna distribución exponencial de media 1/λ.

Demostración: Por demostrar que para x > 0

P (τ ≤ x) = 1− e−λx

P (τ ≤ x) = P (ln (1− U) ≥ −λx)

= P(1− U ≥ e−λx

)= P

(U ≤ 1− e−λx

).

Recordando que para 0 ≤ u ≤ 1

P(U ≤ u) = u,

P(U ≤ 1− e−λx

)= 1− e−λx , x ≥ 0.

¿Cómo simulamos v.a. con distribución F ?Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de Poisson

III Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 30/ 82

Page 115: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de Variables Aleatorias con Distribución F

Proposición 8’. Sea F una función de distribución con inversa F−1 ysea U una variable aleatoria con distribución uniforme en (0, 1). Lavariable aleatoria

Y = F−1(U)

tiene distribución F .

Demostración. Por demostrar que

P (Y ≤ y) = F (y)

Usando el hecho de que F es una función no-decreciente y aplicandoinversa en ambos lados se tiene

P (Y ≤ y) = P(F−1(U) ≤ y

)= P (U ≤ F (y)) = F (y)

ya que P(U ≤ u) = u para 0 < u < 1.Ejercicio: Encuentre una función de distribución con inversa explícita.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 31

/ 82

Page 116: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de Variables Aleatorias con Distribución F

Proposición 8’. Sea F una función de distribución con inversa F−1 ysea U una variable aleatoria con distribución uniforme en (0, 1). Lavariable aleatoria

Y = F−1(U)

tiene distribución F .

Demostración. Por demostrar que

P (Y ≤ y) = F (y)

Usando el hecho de que F es una función no-decreciente y aplicandoinversa en ambos lados se tiene

P (Y ≤ y) = P(F−1(U) ≤ y

)= P (U ≤ F (y)) = F (y)

ya que P(U ≤ u) = u para 0 < u < 1.Ejercicio: Encuentre una función de distribución con inversa explícita.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 31

/ 82

Page 117: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de Variables Aleatorias con Distribución F

Proposición 8’. Sea F una función de distribución con inversa F−1 ysea U una variable aleatoria con distribución uniforme en (0, 1). Lavariable aleatoria

Y = F−1(U)

tiene distribución F .

Demostración. Por demostrar que

P (Y ≤ y) = F (y)

Usando el hecho de que F es una función no-decreciente y aplicandoinversa en ambos lados se tiene

P (Y ≤ y) = P(F−1(U) ≤ y

)= P (U ≤ F (y)) = F (y)

ya que P(U ≤ u) = u para 0 < u < 1.

Ejercicio: Encuentre una función de distribución con inversa explícita.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 31

/ 82

Page 118: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de Variables Aleatorias con Distribución F

Proposición 8’. Sea F una función de distribución con inversa F−1 ysea U una variable aleatoria con distribución uniforme en (0, 1). Lavariable aleatoria

Y = F−1(U)

tiene distribución F .

Demostración. Por demostrar que

P (Y ≤ y) = F (y)

Usando el hecho de que F es una función no-decreciente y aplicandoinversa en ambos lados se tiene

P (Y ≤ y) = P(F−1(U) ≤ y

)= P (U ≤ F (y)) = F (y)

ya que P(U ≤ u) = u para 0 < u < 1.Ejercicio: Encuentre una función de distribución con inversa explícita.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 31

/ 82

Page 119: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson

Algoritmo: Para simular un PP con parámetro λ > 0.

Simule U1, ...,Un variables aleatorias independientes con distribuciónuniforme en (0, 1).Use la Proposición 1 para simular τ1, ...τn variables aleatoriasexponenciales: τi = F−1(Ui ) donde F es la distribución exponencialde media 1/λ.

Defina los tiempos de la m-ésima falla

Tm =m

∑i=1

τi , m = 1, ..., n.

Para t > 0N(t) = max m;Tm < t

Dos esquemas:

Tomamos n tan grande como sea necesario para un t fijo.Fijamos n y observamos hasta un tiempo aleatorio Tn .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 32

/ 82

Page 120: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson

Algoritmo: Para simular un PP con parámetro λ > 0.Simule U1, ...,Un variables aleatorias independientes con distribuciónuniforme en (0, 1).

Use la Proposición 1 para simular τ1, ...τn variables aleatoriasexponenciales: τi = F−1(Ui ) donde F es la distribución exponencialde media 1/λ.

Defina los tiempos de la m-ésima falla

Tm =m

∑i=1

τi , m = 1, ..., n.

Para t > 0N(t) = max m;Tm < t

Dos esquemas:

Tomamos n tan grande como sea necesario para un t fijo.Fijamos n y observamos hasta un tiempo aleatorio Tn .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 32

/ 82

Page 121: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson

Algoritmo: Para simular un PP con parámetro λ > 0.Simule U1, ...,Un variables aleatorias independientes con distribuciónuniforme en (0, 1).Use la Proposición 1 para simular τ1, ...τn variables aleatoriasexponenciales: τi = F−1(Ui ) donde F es la distribución exponencialde media 1/λ.

Defina los tiempos de la m-ésima falla

Tm =m

∑i=1

τi , m = 1, ..., n.

Para t > 0N(t) = max m;Tm < t

Dos esquemas:

Tomamos n tan grande como sea necesario para un t fijo.Fijamos n y observamos hasta un tiempo aleatorio Tn .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 32

/ 82

Page 122: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson

Algoritmo: Para simular un PP con parámetro λ > 0.Simule U1, ...,Un variables aleatorias independientes con distribuciónuniforme en (0, 1).Use la Proposición 1 para simular τ1, ...τn variables aleatoriasexponenciales: τi = F−1(Ui ) donde F es la distribución exponencialde media 1/λ.

Defina los tiempos de la m-ésima falla

Tm =m

∑i=1

τi , m = 1, ..., n.

Para t > 0N(t) = max m;Tm < t

Dos esquemas:

Tomamos n tan grande como sea necesario para un t fijo.Fijamos n y observamos hasta un tiempo aleatorio Tn .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 32

/ 82

Page 123: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson

Algoritmo: Para simular un PP con parámetro λ > 0.Simule U1, ...,Un variables aleatorias independientes con distribuciónuniforme en (0, 1).Use la Proposición 1 para simular τ1, ...τn variables aleatoriasexponenciales: τi = F−1(Ui ) donde F es la distribución exponencialde media 1/λ.

Defina los tiempos de la m-ésima falla

Tm =m

∑i=1

τi , m = 1, ..., n.

Para t > 0N(t) = max m;Tm < t

Dos esquemas:

Tomamos n tan grande como sea necesario para un t fijo.Fijamos n y observamos hasta un tiempo aleatorio Tn .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 32

/ 82

Page 124: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson

Algoritmo: Para simular un PP con parámetro λ > 0.Simule U1, ...,Un variables aleatorias independientes con distribuciónuniforme en (0, 1).Use la Proposición 1 para simular τ1, ...τn variables aleatoriasexponenciales: τi = F−1(Ui ) donde F es la distribución exponencialde media 1/λ.

Defina los tiempos de la m-ésima falla

Tm =m

∑i=1

τi , m = 1, ..., n.

Para t > 0N(t) = max m;Tm < t

Dos esquemas:

Tomamos n tan grande como sea necesario para un t fijo.Fijamos n y observamos hasta un tiempo aleatorio Tn .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 32

/ 82

Page 125: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson

Algoritmo: Para simular un PP con parámetro λ > 0.Simule U1, ...,Un variables aleatorias independientes con distribuciónuniforme en (0, 1).Use la Proposición 1 para simular τ1, ...τn variables aleatoriasexponenciales: τi = F−1(Ui ) donde F es la distribución exponencialde media 1/λ.

Defina los tiempos de la m-ésima falla

Tm =m

∑i=1

τi , m = 1, ..., n.

Para t > 0N(t) = max m;Tm < t

Dos esquemas:

Tomamos n tan grande como sea necesario para un t fijo.

Fijamos n y observamos hasta un tiempo aleatorio Tn .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 32

/ 82

Page 126: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson

Algoritmo: Para simular un PP con parámetro λ > 0.Simule U1, ...,Un variables aleatorias independientes con distribuciónuniforme en (0, 1).Use la Proposición 1 para simular τ1, ...τn variables aleatoriasexponenciales: τi = F−1(Ui ) donde F es la distribución exponencialde media 1/λ.

Defina los tiempos de la m-ésima falla

Tm =m

∑i=1

τi , m = 1, ..., n.

Para t > 0N(t) = max m;Tm < t

Dos esquemas:

Tomamos n tan grande como sea necesario para un t fijo.Fijamos n y observamos hasta un tiempo aleatorio Tn .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 32

/ 82

Page 127: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson: Ejemplos

¿Qué observamos?

Trayectorias: N(t) como función de t:

Función escalonada no-decrecienteLos escalones son de tamaño unoLa función salta en T1, ...,TnLa función media del proceso es

M(t) = E(N(t)) = λt

Que es una recta que pasa por el origen y tiene pendiente λ.

Con esto podemos checar si un proceso de conteo es de Poisson

Tarea: Simule tiempos entre llegadas que no son exponenciales.

Práctica de la tarde: Simulaciones de trayectorias de un Proceso dePoisson y algunos modelos alternativos simples.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 33

/ 82

Page 128: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson: Ejemplos

¿Qué observamos?Trayectorias: N(t) como función de t:

Función escalonada no-decrecienteLos escalones son de tamaño unoLa función salta en T1, ...,TnLa función media del proceso es

M(t) = E(N(t)) = λt

Que es una recta que pasa por el origen y tiene pendiente λ.

Con esto podemos checar si un proceso de conteo es de Poisson

Tarea: Simule tiempos entre llegadas que no son exponenciales.

Práctica de la tarde: Simulaciones de trayectorias de un Proceso dePoisson y algunos modelos alternativos simples.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 33

/ 82

Page 129: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson: Ejemplos

¿Qué observamos?Trayectorias: N(t) como función de t:

Función escalonada no-decreciente

Los escalones son de tamaño unoLa función salta en T1, ...,TnLa función media del proceso es

M(t) = E(N(t)) = λt

Que es una recta que pasa por el origen y tiene pendiente λ.

Con esto podemos checar si un proceso de conteo es de Poisson

Tarea: Simule tiempos entre llegadas que no son exponenciales.

Práctica de la tarde: Simulaciones de trayectorias de un Proceso dePoisson y algunos modelos alternativos simples.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 33

/ 82

Page 130: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson: Ejemplos

¿Qué observamos?Trayectorias: N(t) como función de t:

Función escalonada no-decrecienteLos escalones son de tamaño uno

La función salta en T1, ...,TnLa función media del proceso es

M(t) = E(N(t)) = λt

Que es una recta que pasa por el origen y tiene pendiente λ.

Con esto podemos checar si un proceso de conteo es de Poisson

Tarea: Simule tiempos entre llegadas que no son exponenciales.

Práctica de la tarde: Simulaciones de trayectorias de un Proceso dePoisson y algunos modelos alternativos simples.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 33

/ 82

Page 131: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson: Ejemplos

¿Qué observamos?Trayectorias: N(t) como función de t:

Función escalonada no-decrecienteLos escalones son de tamaño unoLa función salta en T1, ...,Tn

La función media del proceso es

M(t) = E(N(t)) = λt

Que es una recta que pasa por el origen y tiene pendiente λ.

Con esto podemos checar si un proceso de conteo es de Poisson

Tarea: Simule tiempos entre llegadas que no son exponenciales.

Práctica de la tarde: Simulaciones de trayectorias de un Proceso dePoisson y algunos modelos alternativos simples.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 33

/ 82

Page 132: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson: Ejemplos

¿Qué observamos?Trayectorias: N(t) como función de t:

Función escalonada no-decrecienteLos escalones son de tamaño unoLa función salta en T1, ...,TnLa función media del proceso es

M(t) = E(N(t)) = λt

Que es una recta que pasa por el origen y tiene pendiente λ.

Con esto podemos checar si un proceso de conteo es de Poisson

Tarea: Simule tiempos entre llegadas que no son exponenciales.

Práctica de la tarde: Simulaciones de trayectorias de un Proceso dePoisson y algunos modelos alternativos simples.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 33

/ 82

Page 133: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson: Ejemplos

¿Qué observamos?Trayectorias: N(t) como función de t:

Función escalonada no-decrecienteLos escalones son de tamaño unoLa función salta en T1, ...,TnLa función media del proceso es

M(t) = E(N(t)) = λt

Que es una recta que pasa por el origen y tiene pendiente λ.

Con esto podemos checar si un proceso de conteo es de Poisson

Tarea: Simule tiempos entre llegadas que no son exponenciales.

Práctica de la tarde: Simulaciones de trayectorias de un Proceso dePoisson y algunos modelos alternativos simples.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 33

/ 82

Page 134: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson: Ejemplos

¿Qué observamos?Trayectorias: N(t) como función de t:

Función escalonada no-decrecienteLos escalones son de tamaño unoLa función salta en T1, ...,TnLa función media del proceso es

M(t) = E(N(t)) = λt

Que es una recta que pasa por el origen y tiene pendiente λ.

Con esto podemos checar si un proceso de conteo es de Poisson

Tarea: Simule tiempos entre llegadas que no son exponenciales.

Práctica de la tarde: Simulaciones de trayectorias de un Proceso dePoisson y algunos modelos alternativos simples.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 33

/ 82

Page 135: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson: Ejemplos

¿Qué observamos?Trayectorias: N(t) como función de t:

Función escalonada no-decrecienteLos escalones son de tamaño unoLa función salta en T1, ...,TnLa función media del proceso es

M(t) = E(N(t)) = λt

Que es una recta que pasa por el origen y tiene pendiente λ.

Con esto podemos checar si un proceso de conteo es de Poisson

Tarea: Simule tiempos entre llegadas que no son exponenciales.

Práctica de la tarde: Simulaciones de trayectorias de un Proceso dePoisson y algunos modelos alternativos simples.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 33

/ 82

Page 136: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Simulación de un Proceso de Poisson: Ejemplos

¿Qué observamos?Trayectorias: N(t) como función de t:

Función escalonada no-decrecienteLos escalones son de tamaño unoLa función salta en T1, ...,TnLa función media del proceso es

M(t) = E(N(t)) = λt

Que es una recta que pasa por el origen y tiene pendiente λ.

Con esto podemos checar si un proceso de conteo es de Poisson

Tarea: Simule tiempos entre llegadas que no son exponenciales.

Práctica de la tarde: Simulaciones de trayectorias de un Proceso dePoisson y algunos modelos alternativos simples.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 33

/ 82

Page 137: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 1: Por razones estratégicas, el submarino tiene quecomenzar de inmediato una travesía de 60 días. ¿Cuál es el riesgoasociado a esta travesía, por mantenimientos no programados delsubmarino?

Variable aleatoria de interés: N(t + s)−N(s) donde t = 60× 24 =1440 horas y s es el tiempo presente.Por incrementos estacionarios N(1440+ s)−N(s) y N(1440) tienenla misma distribución de Poisson con media 1440λ.Evento de interés: N(t) ≥ 1 = N(1440) ≥ 1Riesgo:

P(N(1440) ≥ 1) = 1−P(N(1440) = 0) = 1− e−1440λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 34

/ 82

Page 138: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 1: Por razones estratégicas, el submarino tiene quecomenzar de inmediato una travesía de 60 días. ¿Cuál es el riesgoasociado a esta travesía, por mantenimientos no programados delsubmarino?

Variable aleatoria de interés: N(t + s)−N(s) donde t = 60× 24 =1440 horas y s es el tiempo presente.Por incrementos estacionarios N(1440+ s)−N(s) y N(1440) tienenla misma distribución de Poisson con media 1440λ.Evento de interés: N(t) ≥ 1 = N(1440) ≥ 1Riesgo:

P(N(1440) ≥ 1) = 1−P(N(1440) = 0) = 1− e−1440λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 34

/ 82

Page 139: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 1: Por razones estratégicas, el submarino tiene quecomenzar de inmediato una travesía de 60 días. ¿Cuál es el riesgoasociado a esta travesía, por mantenimientos no programados delsubmarino?

Variable aleatoria de interés: N(t + s)−N(s) donde t = 60× 24 =1440 horas y s es el tiempo presente.

Por incrementos estacionarios N(1440+ s)−N(s) y N(1440) tienenla misma distribución de Poisson con media 1440λ.Evento de interés: N(t) ≥ 1 = N(1440) ≥ 1Riesgo:

P(N(1440) ≥ 1) = 1−P(N(1440) = 0) = 1− e−1440λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 34

/ 82

Page 140: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 1: Por razones estratégicas, el submarino tiene quecomenzar de inmediato una travesía de 60 días. ¿Cuál es el riesgoasociado a esta travesía, por mantenimientos no programados delsubmarino?

Variable aleatoria de interés: N(t + s)−N(s) donde t = 60× 24 =1440 horas y s es el tiempo presente.Por incrementos estacionarios N(1440+ s)−N(s) y N(1440) tienenla misma distribución de Poisson con media 1440λ.

Evento de interés: N(t) ≥ 1 = N(1440) ≥ 1Riesgo:

P(N(1440) ≥ 1) = 1−P(N(1440) = 0) = 1− e−1440λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 34

/ 82

Page 141: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 1: Por razones estratégicas, el submarino tiene quecomenzar de inmediato una travesía de 60 días. ¿Cuál es el riesgoasociado a esta travesía, por mantenimientos no programados delsubmarino?

Variable aleatoria de interés: N(t + s)−N(s) donde t = 60× 24 =1440 horas y s es el tiempo presente.Por incrementos estacionarios N(1440+ s)−N(s) y N(1440) tienenla misma distribución de Poisson con media 1440λ.Evento de interés: N(t) ≥ 1 = N(1440) ≥ 1

Riesgo:

P(N(1440) ≥ 1) = 1−P(N(1440) = 0) = 1− e−1440λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 34

/ 82

Page 142: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 1: Por razones estratégicas, el submarino tiene quecomenzar de inmediato una travesía de 60 días. ¿Cuál es el riesgoasociado a esta travesía, por mantenimientos no programados delsubmarino?

Variable aleatoria de interés: N(t + s)−N(s) donde t = 60× 24 =1440 horas y s es el tiempo presente.Por incrementos estacionarios N(1440+ s)−N(s) y N(1440) tienenla misma distribución de Poisson con media 1440λ.Evento de interés: N(t) ≥ 1 = N(1440) ≥ 1Riesgo:

P(N(1440) ≥ 1) = 1−P(N(1440) = 0) = 1− e−1440λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 34

/ 82

Page 143: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 2: Un nuevo capitán se hace cargo del submarino y porrazones de emergencia no tiene acceso a la bitácora demantenimiento. ¿Cuántas horas deben pasar para que la probabilidaddel próximo mantenimiento no programado del submarino sea mayorque 0.95?

Variable aleatoria de interés: φtEvento de interés

φt ≤ xtal que

P(φt ≤ x) ≥ 0.95

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 35

/ 82

Page 144: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 2: Un nuevo capitán se hace cargo del submarino y porrazones de emergencia no tiene acceso a la bitácora demantenimiento. ¿Cuántas horas deben pasar para que la probabilidaddel próximo mantenimiento no programado del submarino sea mayorque 0.95?

Variable aleatoria de interés: φtEvento de interés

φt ≤ xtal que

P(φt ≤ x) ≥ 0.95

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 35

/ 82

Page 145: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 2: Un nuevo capitán se hace cargo del submarino y porrazones de emergencia no tiene acceso a la bitácora demantenimiento. ¿Cuántas horas deben pasar para que la probabilidaddel próximo mantenimiento no programado del submarino sea mayorque 0.95?

Variable aleatoria de interés: φt

Evento de interésφt ≤ x

tal queP(φt ≤ x) ≥ 0.95

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 35

/ 82

Page 146: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 2: Un nuevo capitán se hace cargo del submarino y porrazones de emergencia no tiene acceso a la bitácora demantenimiento. ¿Cuántas horas deben pasar para que la probabilidaddel próximo mantenimiento no programado del submarino sea mayorque 0.95?

Variable aleatoria de interés: φtEvento de interés

φt ≤ xtal que

P(φt ≤ x) ≥ 0.95

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 35

/ 82

Page 147: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 3: La política de mantenimiento integral de garantía tipoB del submarino dice que se debe hacer un mantenimiento general enel momento del décimo mantenimiento no programado. ¿Cuál es eltiempo esperado del mantenimiento integral de garantía tipo B?

Variable aleatoria de interés T10Tiempo esperado del mantenimiento integral de garantía tipo B esE (T10)La v.a. T10 tiene distribución gama G (10,λ)Por lo tanto

E (T10) =10λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 36

/ 82

Page 148: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 3: La política de mantenimiento integral de garantía tipoB del submarino dice que se debe hacer un mantenimiento general enel momento del décimo mantenimiento no programado. ¿Cuál es eltiempo esperado del mantenimiento integral de garantía tipo B?

Variable aleatoria de interés T10Tiempo esperado del mantenimiento integral de garantía tipo B esE (T10)La v.a. T10 tiene distribución gama G (10,λ)Por lo tanto

E (T10) =10λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 36

/ 82

Page 149: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 3: La política de mantenimiento integral de garantía tipoB del submarino dice que se debe hacer un mantenimiento general enel momento del décimo mantenimiento no programado. ¿Cuál es eltiempo esperado del mantenimiento integral de garantía tipo B?

Variable aleatoria de interés T10

Tiempo esperado del mantenimiento integral de garantía tipo B esE (T10)La v.a. T10 tiene distribución gama G (10,λ)Por lo tanto

E (T10) =10λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 36

/ 82

Page 150: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 3: La política de mantenimiento integral de garantía tipoB del submarino dice que se debe hacer un mantenimiento general enel momento del décimo mantenimiento no programado. ¿Cuál es eltiempo esperado del mantenimiento integral de garantía tipo B?

Variable aleatoria de interés T10Tiempo esperado del mantenimiento integral de garantía tipo B esE (T10)

La v.a. T10 tiene distribución gama G (10,λ)Por lo tanto

E (T10) =10λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 36

/ 82

Page 151: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 3: La política de mantenimiento integral de garantía tipoB del submarino dice que se debe hacer un mantenimiento general enel momento del décimo mantenimiento no programado. ¿Cuál es eltiempo esperado del mantenimiento integral de garantía tipo B?

Variable aleatoria de interés T10Tiempo esperado del mantenimiento integral de garantía tipo B esE (T10)La v.a. T10 tiene distribución gama G (10,λ)

Por lo tantoE (T10) =

10λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 36

/ 82

Page 152: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Recordemos el Problema del Submarino

Supongamos que el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson de parámetro λ > 0.

Pregunta 3: La política de mantenimiento integral de garantía tipoB del submarino dice que se debe hacer un mantenimiento general enel momento del décimo mantenimiento no programado. ¿Cuál es eltiempo esperado del mantenimiento integral de garantía tipo B?

Variable aleatoria de interés T10Tiempo esperado del mantenimiento integral de garantía tipo B esE (T10)La v.a. T10 tiene distribución gama G (10,λ)Por lo tanto

E (T10) =10λ

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 36

/ 82

Page 153: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Cuestionamientos sobre el Problema del Submarino

¿Realmente el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson?

¿Cuál es el valor de λ?¿Incrementos independientes?

¿Incrementos estacionarios?

Hacia la respuesta: Material que sigue.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 37

/ 82

Page 154: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Cuestionamientos sobre el Problema del Submarino

¿Realmente el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson?

¿Cuál es el valor de λ?

¿Incrementos independientes?

¿Incrementos estacionarios?

Hacia la respuesta: Material que sigue.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 37

/ 82

Page 155: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Cuestionamientos sobre el Problema del Submarino

¿Realmente el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson?

¿Cuál es el valor de λ?¿Incrementos independientes?

¿Incrementos estacionarios?

Hacia la respuesta: Material que sigue.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 37

/ 82

Page 156: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Cuestionamientos sobre el Problema del Submarino

¿Realmente el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson?

¿Cuál es el valor de λ?¿Incrementos independientes?

¿Incrementos estacionarios?

Hacia la respuesta: Material que sigue.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 37

/ 82

Page 157: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Cuestionamientos sobre el Problema del Submarino

¿Realmente el número de fallas N(t) por mantenimientos noprogramados del motor número cuatro del submarino se puedemodelar mediante un proceso de Poisson?

¿Cuál es el valor de λ?¿Incrementos independientes?

¿Incrementos estacionarios?

Hacia la respuesta: Material que sigue.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 37

/ 82

Page 158: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Martes: Resumen de lo visto hasta ahora

1 Definición de Proceso de Poisson: N(t), t > 0 ,N(0) = 0, tieneincrementos independientes y estacionarios y

P(N(t)−N(s) = k) = [λ(t − s)]k

k !exp−λ(t − s)

2 Modelación: Intensidad media, algunas probabilidades de interés

1 Trayectorias de un Proceso de Poisson, E(N(t)) = λt2 N(t)−N(s) es el número de fallas en un intervalo de longitud t − s.

3 Distribuciones de Tiempos de Fallas

1 Tiempos de primera falla T1 sigue distribución exponencial media 1/λ.2 Tiempo de la n-ésima falla Tm sigue una distribución gama G (m,λ)3 Relación clave: Tm ≤ t = N(t) ≥ m .4 Tiempo de la próxima falla φt sigue una distribución exponencial demedia 1/λ la cual no depende de t

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 38

/ 82

Page 159: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resumen de lo visto hasta ahora

1 Tiempos entre fallas τ1, ..., τm

1 Distribución2 Independencia

2 Construcción de un Proceso de Poisson

1 De N(t), t ≥ 0 a T1, ...,Tm , τ1, ..., τm2 De τ1, ..., τm a N(t), t ≥ 0

3 Simulación de Procesos de Poisson

1 Simulación de variables aleatorias con distribución uniforme2 Simulación de variables aleatorias con distribución exponencial3 Simulación de Proceso de Poisson

4 Práctica: Simulación de trajectorias

1 Tiempos entre fallas exponenciales2 Tiempos entre fallas no exponenciales.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 39

/ 82

Page 160: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.2 N (t) tiene incrementos estacionarios.3 N (t) tiene incrementos independientes.4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 161: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.

2 N (t) tiene incrementos estacionarios.3 N (t) tiene incrementos independientes.4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 162: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.2 N (t) tiene incrementos estacionarios.

3 N (t) tiene incrementos independientes.4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 163: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.2 N (t) tiene incrementos estacionarios.3 N (t) tiene incrementos independientes.

4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 164: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.2 N (t) tiene incrementos estacionarios.3 N (t) tiene incrementos independientes.4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 165: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.2 N (t) tiene incrementos estacionarios.3 N (t) tiene incrementos independientes.4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).

2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 166: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.2 N (t) tiene incrementos estacionarios.3 N (t) tiene incrementos independientes.4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 167: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.2 N (t) tiene incrementos estacionarios.3 N (t) tiene incrementos independientes.4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 168: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.2 N (t) tiene incrementos estacionarios.3 N (t) tiene incrementos independientes.4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 169: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.2 N (t) tiene incrementos estacionarios.3 N (t) tiene incrementos independientes.4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.

(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 170: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson: Definición Alternativa

Definición 2. Una colección de variables aleatorias N (t) , t ≥ 0es un Proceso de Poisson de parámetro λ > 0 si:

1 P (N (0) = 0) = 1.2 N (t) tiene incrementos estacionarios.3 N (t) tiene incrementos independientes.4 Para h pequeña:

1 P (N (t + h)−N (t) = 1) = λh+ o (h).2 P (N (t + h)−N (t) > 1) = o (h).

Recordemos: una función g es o (h), si g(h)/h→ 0, cuando h→ 0.

Observaciones:

(4.a) Probabilidad de exactamente una falla en un intervalo detiempo pequeño, es proporcional a la longitud del intervalo.(4.b) dice: Probabilidad de dos o más fallas en un intervalo detiempo pequeño es despreciable.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 40

/ 82

Page 171: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.

Def. 2: Distribución de Poisson aparece como ley de eventos rarosQue N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios másP (N (t + h)−N (t) = 1) = λh+ o(h)P (N (t + h)−N (t) > 1) = o (h)

Idea de demostración

Def. 1 ⇒ Def. 2 es trivial.Def. 2 ⇒ Def. 1:

f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 172: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.Def. 2: Distribución de Poisson aparece como ley de eventos raros

Que N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios másP (N (t + h)−N (t) = 1) = λh+ o(h)P (N (t + h)−N (t) > 1) = o (h)

Idea de demostración

Def. 1 ⇒ Def. 2 es trivial.Def. 2 ⇒ Def. 1:

f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 173: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.Def. 2: Distribución de Poisson aparece como ley de eventos rarosQue N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios másP (N (t + h)−N (t) = 1) = λh+ o(h)P (N (t + h)−N (t) > 1) = o (h)

Idea de demostración

Def. 1 ⇒ Def. 2 es trivial.Def. 2 ⇒ Def. 1:

f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 174: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.Def. 2: Distribución de Poisson aparece como ley de eventos rarosQue N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios más

P (N (t + h)−N (t) = 1) = λh+ o(h)P (N (t + h)−N (t) > 1) = o (h)

Idea de demostración

Def. 1 ⇒ Def. 2 es trivial.Def. 2 ⇒ Def. 1:

f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 175: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.Def. 2: Distribución de Poisson aparece como ley de eventos rarosQue N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios másP (N (t + h)−N (t) = 1) = λh+ o(h)

P (N (t + h)−N (t) > 1) = o (h)Idea de demostración

Def. 1 ⇒ Def. 2 es trivial.Def. 2 ⇒ Def. 1:

f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 176: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.Def. 2: Distribución de Poisson aparece como ley de eventos rarosQue N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios másP (N (t + h)−N (t) = 1) = λh+ o(h)P (N (t + h)−N (t) > 1) = o (h)

Idea de demostración

Def. 1 ⇒ Def. 2 es trivial.Def. 2 ⇒ Def. 1:

f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 177: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.Def. 2: Distribución de Poisson aparece como ley de eventos rarosQue N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios másP (N (t + h)−N (t) = 1) = λh+ o(h)P (N (t + h)−N (t) > 1) = o (h)

Idea de demostración

Def. 1 ⇒ Def. 2 es trivial.Def. 2 ⇒ Def. 1:

f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 178: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.Def. 2: Distribución de Poisson aparece como ley de eventos rarosQue N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios másP (N (t + h)−N (t) = 1) = λh+ o(h)P (N (t + h)−N (t) > 1) = o (h)

Idea de demostraciónDef. 1 ⇒ Def. 2 es trivial.

Def. 2 ⇒ Def. 1:f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 179: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.Def. 2: Distribución de Poisson aparece como ley de eventos rarosQue N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios másP (N (t + h)−N (t) = 1) = λh+ o(h)P (N (t + h)−N (t) > 1) = o (h)

Idea de demostraciónDef. 1 ⇒ Def. 2 es trivial.Def. 2 ⇒ Def. 1:

f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 180: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.Def. 2: Distribución de Poisson aparece como ley de eventos rarosQue N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios másP (N (t + h)−N (t) = 1) = λh+ o(h)P (N (t + h)−N (t) > 1) = o (h)

Idea de demostraciónDef. 1 ⇒ Def. 2 es trivial.Def. 2 ⇒ Def. 1:

f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 181: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Equivalencia de Definiciones de Proceso de Poisson

Teorema 1. Las dos definiciones son equivalentes.Def. 2: Distribución de Poisson aparece como ley de eventos rarosQue N (t + s)−N (t) tiene distribución de Poisson se obtiene de

Incrementos independientes y estacionarios másP (N (t + h)−N (t) = 1) = λh+ o(h)P (N (t + h)−N (t) > 1) = o (h)

Idea de demostraciónDef. 1 ⇒ Def. 2 es trivial.Def. 2 ⇒ Def. 1:

f (t, n) := P(N(t) = n)

ddtf (t, n) = λf (t, n− 1)− λf (t, n)

f ′ (t, 0) = −λf (t, 0) , f (t, 0) = e−λt

f (t, n) = (λt)ne−λt

n!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 41

/ 82

Page 182: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Temas Selectos del Proceso de Poisson Clásico

1 Observando Procesos de Poisson y Estimación del Parámetro

1 Observando los tiempos de falla2 Observando el número de fallas en un intervalo de tiempo3 Observando varias veces el número de fallas en un intervalo de tiempo

2 Distribuciones condicionales asociadas al Proceso de Poisson simple3 Procesos de Renovación

1 Introducción2 Resultados Asintóticos

4 Procesos de Poisson vs Procesos de Renovación

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 42

/ 82

Page 183: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Se tienen varios posibles esquemas de observación:

Esquema 1: Se observan los tiempos entre fallas τ1, ..., τn o enforma equivalente los tiempos de falla T1, ...,Tn.Esto corresponde a observar UNA trayectoria del procesoObtenemos el promedio τ de las observaciones τ1, ..., τn

τ =1n

n

∑i=1

τi .

Recordemos que para una distribución exponencial la media es 1/λ.

Entonces un estimador razonables de λ es

λ =1τ.

Cuando n es grande este estimador es más razonable usando el cursode Miguel Nakamura.Este esquema de observación es el que se tiene para los tiempos defalla del submarino.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 43

/ 82

Page 184: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Se tienen varios posibles esquemas de observación:Esquema 1: Se observan los tiempos entre fallas τ1, ..., τn o enforma equivalente los tiempos de falla T1, ...,Tn.

Esto corresponde a observar UNA trayectoria del procesoObtenemos el promedio τ de las observaciones τ1, ..., τn

τ =1n

n

∑i=1

τi .

Recordemos que para una distribución exponencial la media es 1/λ.

Entonces un estimador razonables de λ es

λ =1τ.

Cuando n es grande este estimador es más razonable usando el cursode Miguel Nakamura.Este esquema de observación es el que se tiene para los tiempos defalla del submarino.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 43

/ 82

Page 185: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Se tienen varios posibles esquemas de observación:Esquema 1: Se observan los tiempos entre fallas τ1, ..., τn o enforma equivalente los tiempos de falla T1, ...,Tn.Esto corresponde a observar UNA trayectoria del proceso

Obtenemos el promedio τ de las observaciones τ1, ..., τn

τ =1n

n

∑i=1

τi .

Recordemos que para una distribución exponencial la media es 1/λ.

Entonces un estimador razonables de λ es

λ =1τ.

Cuando n es grande este estimador es más razonable usando el cursode Miguel Nakamura.Este esquema de observación es el que se tiene para los tiempos defalla del submarino.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 43

/ 82

Page 186: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Se tienen varios posibles esquemas de observación:Esquema 1: Se observan los tiempos entre fallas τ1, ..., τn o enforma equivalente los tiempos de falla T1, ...,Tn.Esto corresponde a observar UNA trayectoria del procesoObtenemos el promedio τ de las observaciones τ1, ..., τn

τ =1n

n

∑i=1

τi .

Recordemos que para una distribución exponencial la media es 1/λ.

Entonces un estimador razonables de λ es

λ =1τ.

Cuando n es grande este estimador es más razonable usando el cursode Miguel Nakamura.Este esquema de observación es el que se tiene para los tiempos defalla del submarino.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 43

/ 82

Page 187: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Se tienen varios posibles esquemas de observación:Esquema 1: Se observan los tiempos entre fallas τ1, ..., τn o enforma equivalente los tiempos de falla T1, ...,Tn.Esto corresponde a observar UNA trayectoria del procesoObtenemos el promedio τ de las observaciones τ1, ..., τn

τ =1n

n

∑i=1

τi .

Recordemos que para una distribución exponencial la media es 1/λ.

Entonces un estimador razonables de λ es

λ =1τ.

Cuando n es grande este estimador es más razonable usando el cursode Miguel Nakamura.Este esquema de observación es el que se tiene para los tiempos defalla del submarino.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 43

/ 82

Page 188: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Se tienen varios posibles esquemas de observación:Esquema 1: Se observan los tiempos entre fallas τ1, ..., τn o enforma equivalente los tiempos de falla T1, ...,Tn.Esto corresponde a observar UNA trayectoria del procesoObtenemos el promedio τ de las observaciones τ1, ..., τn

τ =1n

n

∑i=1

τi .

Recordemos que para una distribución exponencial la media es 1/λ.

Entonces un estimador razonables de λ es

λ =1τ.

Cuando n es grande este estimador es más razonable usando el cursode Miguel Nakamura.Este esquema de observación es el que se tiene para los tiempos defalla del submarino.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 43

/ 82

Page 189: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Se tienen varios posibles esquemas de observación:Esquema 1: Se observan los tiempos entre fallas τ1, ..., τn o enforma equivalente los tiempos de falla T1, ...,Tn.Esto corresponde a observar UNA trayectoria del procesoObtenemos el promedio τ de las observaciones τ1, ..., τn

τ =1n

n

∑i=1

τi .

Recordemos que para una distribución exponencial la media es 1/λ.

Entonces un estimador razonables de λ es

λ =1τ.

Cuando n es grande este estimador es más razonable usando el cursode Miguel Nakamura.

Este esquema de observación es el que se tiene para los tiempos defalla del submarino.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 43

/ 82

Page 190: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Se tienen varios posibles esquemas de observación:Esquema 1: Se observan los tiempos entre fallas τ1, ..., τn o enforma equivalente los tiempos de falla T1, ...,Tn.Esto corresponde a observar UNA trayectoria del procesoObtenemos el promedio τ de las observaciones τ1, ..., τn

τ =1n

n

∑i=1

τi .

Recordemos que para una distribución exponencial la media es 1/λ.

Entonces un estimador razonables de λ es

λ =1τ.

Cuando n es grande este estimador es más razonable usando el cursode Miguel Nakamura.Este esquema de observación es el que se tiene para los tiempos defalla del submarino.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 43

/ 82

Page 191: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 2: Se sabe cuantas fallas ocurrieron en unintervalo de longitud t

No necesariamente se sabe cuándo ocurrieron las fallas.

Esto corresponde a observar la variable aleatoria N(t) que tienedistribución de Poisson con media λt.

Estimación sugerida de λ

λ =N(t)t.

El estimador es razonable cuando t → ∞.Lo mejor, cuando se puede, es observar varias trayectorias Ni (t),i = 1, ..., n del mismo proceso y promediar los valores λ1, ..., λn.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 44

/ 82

Page 192: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 2: Se sabe cuantas fallas ocurrieron en unintervalo de longitud t

No necesariamente se sabe cuándo ocurrieron las fallas.

Esto corresponde a observar la variable aleatoria N(t) que tienedistribución de Poisson con media λt.

Estimación sugerida de λ

λ =N(t)t.

El estimador es razonable cuando t → ∞.Lo mejor, cuando se puede, es observar varias trayectorias Ni (t),i = 1, ..., n del mismo proceso y promediar los valores λ1, ..., λn.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 44

/ 82

Page 193: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 2: Se sabe cuantas fallas ocurrieron en unintervalo de longitud t

No necesariamente se sabe cuándo ocurrieron las fallas.

Esto corresponde a observar la variable aleatoria N(t) que tienedistribución de Poisson con media λt.

Estimación sugerida de λ

λ =N(t)t.

El estimador es razonable cuando t → ∞.Lo mejor, cuando se puede, es observar varias trayectorias Ni (t),i = 1, ..., n del mismo proceso y promediar los valores λ1, ..., λn.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 44

/ 82

Page 194: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 2: Se sabe cuantas fallas ocurrieron en unintervalo de longitud t

No necesariamente se sabe cuándo ocurrieron las fallas.

Esto corresponde a observar la variable aleatoria N(t) que tienedistribución de Poisson con media λt.

Estimación sugerida de λ

λ =N(t)t.

El estimador es razonable cuando t → ∞.Lo mejor, cuando se puede, es observar varias trayectorias Ni (t),i = 1, ..., n del mismo proceso y promediar los valores λ1, ..., λn.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 44

/ 82

Page 195: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 2: Se sabe cuantas fallas ocurrieron en unintervalo de longitud t

No necesariamente se sabe cuándo ocurrieron las fallas.

Esto corresponde a observar la variable aleatoria N(t) que tienedistribución de Poisson con media λt.

Estimación sugerida de λ

λ =N(t)t.

El estimador es razonable cuando t → ∞.

Lo mejor, cuando se puede, es observar varias trayectorias Ni (t),i = 1, ..., n del mismo proceso y promediar los valores λ1, ..., λn.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 44

/ 82

Page 196: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 2: Se sabe cuantas fallas ocurrieron en unintervalo de longitud t

No necesariamente se sabe cuándo ocurrieron las fallas.

Esto corresponde a observar la variable aleatoria N(t) que tienedistribución de Poisson con media λt.

Estimación sugerida de λ

λ =N(t)t.

El estimador es razonable cuando t → ∞.Lo mejor, cuando se puede, es observar varias trayectorias Ni (t),i = 1, ..., n del mismo proceso y promediar los valores λ1, ..., λn.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 44

/ 82

Page 197: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 3: Se tienen varias observaciones de N(t),el número de fallas en un intervalo de longitud t

Se observan las variables de Poisson N1(t), ...,Nn(t)Estimación sugerida de λ

λ =1nt

n

∑i=1Ni (t).

Es estimador insesgado

E(λ) = E(1nt

n

∑i=1Ni (t)) =

1nt

n

∑i=1

E(Ni (t))

=1nt

n

∑i=1

λt = λ.

El estimador es razonable cuando n→ ∞.Recomendación general: cuando se puede usen varios métodos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 45

/ 82

Page 198: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 3: Se tienen varias observaciones de N(t),el número de fallas en un intervalo de longitud tSe observan las variables de Poisson N1(t), ...,Nn(t)

Estimación sugerida de λ

λ =1nt

n

∑i=1Ni (t).

Es estimador insesgado

E(λ) = E(1nt

n

∑i=1Ni (t)) =

1nt

n

∑i=1

E(Ni (t))

=1nt

n

∑i=1

λt = λ.

El estimador es razonable cuando n→ ∞.Recomendación general: cuando se puede usen varios métodos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 45

/ 82

Page 199: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 3: Se tienen varias observaciones de N(t),el número de fallas en un intervalo de longitud tSe observan las variables de Poisson N1(t), ...,Nn(t)Estimación sugerida de λ

λ =1nt

n

∑i=1Ni (t).

Es estimador insesgado

E(λ) = E(1nt

n

∑i=1Ni (t)) =

1nt

n

∑i=1

E(Ni (t))

=1nt

n

∑i=1

λt = λ.

El estimador es razonable cuando n→ ∞.Recomendación general: cuando se puede usen varios métodos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 45

/ 82

Page 200: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 3: Se tienen varias observaciones de N(t),el número de fallas en un intervalo de longitud tSe observan las variables de Poisson N1(t), ...,Nn(t)Estimación sugerida de λ

λ =1nt

n

∑i=1Ni (t).

Es estimador insesgado

E(λ) = E(1nt

n

∑i=1Ni (t)) =

1nt

n

∑i=1

E(Ni (t))

=1nt

n

∑i=1

λt = λ.

El estimador es razonable cuando n→ ∞.Recomendación general: cuando se puede usen varios métodos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 45

/ 82

Page 201: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 3: Se tienen varias observaciones de N(t),el número de fallas en un intervalo de longitud tSe observan las variables de Poisson N1(t), ...,Nn(t)Estimación sugerida de λ

λ =1nt

n

∑i=1Ni (t).

Es estimador insesgado

E(λ) = E(1nt

n

∑i=1Ni (t)) =

1nt

n

∑i=1

E(Ni (t))

=1nt

n

∑i=1

λt = λ.

El estimador es razonable cuando n→ ∞.

Recomendación general: cuando se puede usen varios métodos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 45

/ 82

Page 202: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Estimación del Parámetro del Proceso de Poisson

Esquema de observación 3: Se tienen varias observaciones de N(t),el número de fallas en un intervalo de longitud tSe observan las variables de Poisson N1(t), ...,Nn(t)Estimación sugerida de λ

λ =1nt

n

∑i=1Ni (t).

Es estimador insesgado

E(λ) = E(1nt

n

∑i=1Ni (t)) =

1nt

n

∑i=1

E(Ni (t))

=1nt

n

∑i=1

λt = λ.

El estimador es razonable cuando n→ ∞.Recomendación general: cuando se puede usen varios métodos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 45

/ 82

Page 203: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribuciones asociadas: Poisson, exponencial, gamma

Hay otras distribuciones asociadas obtenidas mediantecondicionamiento en el número de eventos que ocurren en unintervalo de tiempo

Ejercicios:

6. Dado que N (t) = n y 0 < s < t, calcule P (N (s) = k | N (t) = n)7. Encuentre la función de densidad de (Tk | N (t) = n) para k < n8. Pruebe que (T1 | N (t) = 1) ∼ U (0, t).

Estadísticas de orden de una distribución uniforme

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 46

/ 82

Page 204: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribuciones asociadas: Poisson, exponencial, gamma

Hay otras distribuciones asociadas obtenidas mediantecondicionamiento en el número de eventos que ocurren en unintervalo de tiempo

Ejercicios:

6. Dado que N (t) = n y 0 < s < t, calcule P (N (s) = k | N (t) = n)7. Encuentre la función de densidad de (Tk | N (t) = n) para k < n8. Pruebe que (T1 | N (t) = 1) ∼ U (0, t).

Estadísticas de orden de una distribución uniforme

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 46

/ 82

Page 205: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribuciones asociadas: Poisson, exponencial, gamma

Hay otras distribuciones asociadas obtenidas mediantecondicionamiento en el número de eventos que ocurren en unintervalo de tiempo

Ejercicios:

6. Dado que N (t) = n y 0 < s < t, calcule P (N (s) = k | N (t) = n)7. Encuentre la función de densidad de (Tk | N (t) = n) para k < n8. Pruebe que (T1 | N (t) = 1) ∼ U (0, t).

Estadísticas de orden de una distribución uniforme

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 46

/ 82

Page 206: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribuciones asociadas: Poisson, exponencial, gamma

Hay otras distribuciones asociadas obtenidas mediantecondicionamiento en el número de eventos que ocurren en unintervalo de tiempo

Ejercicios:

6. Dado que N (t) = n y 0 < s < t, calcule P (N (s) = k | N (t) = n)7. Encuentre la función de densidad de (Tk | N (t) = n) para k < n8. Pruebe que (T1 | N (t) = 1) ∼ U (0, t).

Estadísticas de orden de una distribución uniforme

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 46

/ 82

Page 207: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribuciones asociadas: Poisson, exponencial, gamma

Hay otras distribuciones asociadas obtenidas mediantecondicionamiento en el número de eventos que ocurren en unintervalo de tiempo

Ejercicios:

6. Dado que N (t) = n y 0 < s < t, calcule P (N (s) = k | N (t) = n)

7. Encuentre la función de densidad de (Tk | N (t) = n) para k < n8. Pruebe que (T1 | N (t) = 1) ∼ U (0, t).

Estadísticas de orden de una distribución uniforme

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 46

/ 82

Page 208: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribuciones asociadas: Poisson, exponencial, gamma

Hay otras distribuciones asociadas obtenidas mediantecondicionamiento en el número de eventos que ocurren en unintervalo de tiempo

Ejercicios:

6. Dado que N (t) = n y 0 < s < t, calcule P (N (s) = k | N (t) = n)7. Encuentre la función de densidad de (Tk | N (t) = n) para k < n

8. Pruebe que (T1 | N (t) = 1) ∼ U (0, t).

Estadísticas de orden de una distribución uniforme

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 46

/ 82

Page 209: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribuciones asociadas: Poisson, exponencial, gamma

Hay otras distribuciones asociadas obtenidas mediantecondicionamiento en el número de eventos que ocurren en unintervalo de tiempo

Ejercicios:

6. Dado que N (t) = n y 0 < s < t, calcule P (N (s) = k | N (t) = n)7. Encuentre la función de densidad de (Tk | N (t) = n) para k < n8. Pruebe que (T1 | N (t) = 1) ∼ U (0, t).

Estadísticas de orden de una distribución uniforme

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 46

/ 82

Page 210: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribuciones asociadas: Poisson, exponencial, gamma

Hay otras distribuciones asociadas obtenidas mediantecondicionamiento en el número de eventos que ocurren en unintervalo de tiempo

Ejercicios:

6. Dado que N (t) = n y 0 < s < t, calcule P (N (s) = k | N (t) = n)7. Encuentre la función de densidad de (Tk | N (t) = n) para k < n8. Pruebe que (T1 | N (t) = 1) ∼ U (0, t).

Estadísticas de orden de una distribución uniforme

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 46

/ 82

Page 211: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

Distribuciones condicionales en el problema del submarino

9. ¿Cuántos mantenimientos no programados debemos esperar para elsubmarino en el primer año de operación, si sabemos que en 13000horas de operación ocurren 43 mantenimientos no programados?

10. ¿Cuántos mantenimientos no programados para el submarino debemosesperar en 13000 horas? ¿Cuál es la varianza del número demantenimientos no programados en 13000 horas? Explique las ventajasde contar con la información del problema 9.

11. ¿Cuál es el tiempo promedio del séptimo mantenimiento noprogramado entre los 43 tiempos de mantenimientos no programadosen 13000 horas?

12. Encuentre el tiempo esperado entre mantenimientos no programados.¿Cuál es la varianza asociada? ¿Explique las diferencias y ventajas detener la información dada en el problema 11.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 47

/ 82

Page 212: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

Distribuciones condicionales en el problema del submarino

9. ¿Cuántos mantenimientos no programados debemos esperar para elsubmarino en el primer año de operación, si sabemos que en 13000horas de operación ocurren 43 mantenimientos no programados?

10. ¿Cuántos mantenimientos no programados para el submarino debemosesperar en 13000 horas? ¿Cuál es la varianza del número demantenimientos no programados en 13000 horas? Explique las ventajasde contar con la información del problema 9.

11. ¿Cuál es el tiempo promedio del séptimo mantenimiento noprogramado entre los 43 tiempos de mantenimientos no programadosen 13000 horas?

12. Encuentre el tiempo esperado entre mantenimientos no programados.¿Cuál es la varianza asociada? ¿Explique las diferencias y ventajas detener la información dada en el problema 11.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 47

/ 82

Page 213: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

Distribuciones condicionales en el problema del submarino

9. ¿Cuántos mantenimientos no programados debemos esperar para elsubmarino en el primer año de operación, si sabemos que en 13000horas de operación ocurren 43 mantenimientos no programados?

10. ¿Cuántos mantenimientos no programados para el submarino debemosesperar en 13000 horas? ¿Cuál es la varianza del número demantenimientos no programados en 13000 horas? Explique las ventajasde contar con la información del problema 9.

11. ¿Cuál es el tiempo promedio del séptimo mantenimiento noprogramado entre los 43 tiempos de mantenimientos no programadosen 13000 horas?

12. Encuentre el tiempo esperado entre mantenimientos no programados.¿Cuál es la varianza asociada? ¿Explique las diferencias y ventajas detener la información dada en el problema 11.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 47

/ 82

Page 214: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

Distribuciones condicionales en el problema del submarino

9. ¿Cuántos mantenimientos no programados debemos esperar para elsubmarino en el primer año de operación, si sabemos que en 13000horas de operación ocurren 43 mantenimientos no programados?

10. ¿Cuántos mantenimientos no programados para el submarino debemosesperar en 13000 horas? ¿Cuál es la varianza del número demantenimientos no programados en 13000 horas? Explique las ventajasde contar con la información del problema 9.

11. ¿Cuál es el tiempo promedio del séptimo mantenimiento noprogramado entre los 43 tiempos de mantenimientos no programadosen 13000 horas?

12. Encuentre el tiempo esperado entre mantenimientos no programados.¿Cuál es la varianza asociada? ¿Explique las diferencias y ventajas detener la información dada en el problema 11.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 47

/ 82

Page 215: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson SimpleOtras distribuciones asociadas

Distribuciones condicionales en el problema del submarino

9. ¿Cuántos mantenimientos no programados debemos esperar para elsubmarino en el primer año de operación, si sabemos que en 13000horas de operación ocurren 43 mantenimientos no programados?

10. ¿Cuántos mantenimientos no programados para el submarino debemosesperar en 13000 horas? ¿Cuál es la varianza del número demantenimientos no programados en 13000 horas? Explique las ventajasde contar con la información del problema 9.

11. ¿Cuál es el tiempo promedio del séptimo mantenimiento noprogramado entre los 43 tiempos de mantenimientos no programadosen 13000 horas?

12. Encuentre el tiempo esperado entre mantenimientos no programados.¿Cuál es la varianza asociada? ¿Explique las diferencias y ventajas detener la información dada en el problema 11.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 47

/ 82

Page 216: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribuciones condicionales en el Proceso de Poisson

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribución binomial: 0 < s < t

P (N (s) = k | N (t) = n) =(nk

)( st

)k (1− s

t

)n−k, k = 0, ..., n

Distribución uniforme U (0, t)

P (T1 ≤ s | N (t) = 1) =st, 0 ≤ s ≤ t

fT1(s | N (t) = 1) =1t, 0 ≤ s ≤ t

P (Tm ≤ s | N (t) = n) es distribución Beta con densidad

h (s | n) = n!m! (n−m)!

( st

)m−1 (1− s

t

)n−m−1Observe que estas distribuciones son independientes de λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 48

/ 82

Page 217: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribuciones condicionales en el Proceso de Poisson

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribución binomial: 0 < s < t

P (N (s) = k | N (t) = n) =(nk

)( st

)k (1− s

t

)n−k, k = 0, ..., n

Distribución uniforme U (0, t)

P (T1 ≤ s | N (t) = 1) =st, 0 ≤ s ≤ t

fT1(s | N (t) = 1) =1t, 0 ≤ s ≤ t

P (Tm ≤ s | N (t) = n) es distribución Beta con densidad

h (s | n) = n!m! (n−m)!

( st

)m−1 (1− s

t

)n−m−1Observe que estas distribuciones son independientes de λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 48

/ 82

Page 218: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribuciones condicionales en el Proceso de Poisson

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribución binomial: 0 < s < t

P (N (s) = k | N (t) = n) =(nk

)( st

)k (1− s

t

)n−k, k = 0, ..., n

Distribución uniforme U (0, t)

P (T1 ≤ s | N (t) = 1) =st, 0 ≤ s ≤ t

fT1(s | N (t) = 1) =1t, 0 ≤ s ≤ t

P (Tm ≤ s | N (t) = n) es distribución Beta con densidad

h (s | n) = n!m! (n−m)!

( st

)m−1 (1− s

t

)n−m−1Observe que estas distribuciones son independientes de λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 48

/ 82

Page 219: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribuciones condicionales en el Proceso de Poisson

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribución binomial: 0 < s < t

P (N (s) = k | N (t) = n) =(nk

)( st

)k (1− s

t

)n−k, k = 0, ..., n

Distribución uniforme U (0, t)

P (T1 ≤ s | N (t) = 1) =st, 0 ≤ s ≤ t

fT1(s | N (t) = 1) =1t, 0 ≤ s ≤ t

P (Tm ≤ s | N (t) = n) es distribución Beta con densidad

h (s | n) = n!m! (n−m)!

( st

)m−1 (1− s

t

)n−m−1

Observe que estas distribuciones son independientes de λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 48

/ 82

Page 220: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribuciones condicionales en el Proceso de Poisson

N (t) , t ≥ 0 proceso de Poisson con parámetros λ

Distribución binomial: 0 < s < t

P (N (s) = k | N (t) = n) =(nk

)( st

)k (1− s

t

)n−k, k = 0, ..., n

Distribución uniforme U (0, t)

P (T1 ≤ s | N (t) = 1) =st, 0 ≤ s ≤ t

fT1(s | N (t) = 1) =1t, 0 ≤ s ≤ t

P (Tm ≤ s | N (t) = n) es distribución Beta con densidad

h (s | n) = n!m! (n−m)!

( st

)m−1 (1− s

t

)n−m−1Observe que estas distribuciones son independientes de λ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 48

/ 82

Page 221: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribuciones condicionales en el Proceso de Poisson

N (t) , t ≥ 0 proceso de Poisson con parámetros λ > 0.

Estadísticas de orden de una distribución uniforme:

Sean T1,T2, ... los tiempos de ocurencias de un proceso de Poissonhomogéneo de parámetro λ.Condicionado en N (t) = n las variables aleatorias T1,T2, ...Tn tienenla densidad conjunta

fT1,...Tn |N (t)=n (t1, ..., tn) =n!tn, 0 < t1 < · · · < tn ≤ t

Observe que el resultado anterior es independiente del parámetro λdel proceso de Poisson

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 49

/ 82

Page 222: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribuciones condicionales en el Proceso de Poisson

N (t) , t ≥ 0 proceso de Poisson con parámetros λ > 0.

Estadísticas de orden de una distribución uniforme:

Sean T1,T2, ... los tiempos de ocurencias de un proceso de Poissonhomogéneo de parámetro λ.Condicionado en N (t) = n las variables aleatorias T1,T2, ...Tn tienenla densidad conjunta

fT1,...Tn |N (t)=n (t1, ..., tn) =n!tn, 0 < t1 < · · · < tn ≤ t

Observe que el resultado anterior es independiente del parámetro λdel proceso de Poisson

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 49

/ 82

Page 223: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribuciones condicionales en el Proceso de Poisson

N (t) , t ≥ 0 proceso de Poisson con parámetros λ > 0.

Estadísticas de orden de una distribución uniforme:

Sean T1,T2, ... los tiempos de ocurencias de un proceso de Poissonhomogéneo de parámetro λ.

Condicionado en N (t) = n las variables aleatorias T1,T2, ...Tn tienenla densidad conjunta

fT1,...Tn |N (t)=n (t1, ..., tn) =n!tn, 0 < t1 < · · · < tn ≤ t

Observe que el resultado anterior es independiente del parámetro λdel proceso de Poisson

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 49

/ 82

Page 224: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribuciones condicionales en el Proceso de Poisson

N (t) , t ≥ 0 proceso de Poisson con parámetros λ > 0.

Estadísticas de orden de una distribución uniforme:

Sean T1,T2, ... los tiempos de ocurencias de un proceso de Poissonhomogéneo de parámetro λ.Condicionado en N (t) = n las variables aleatorias T1,T2, ...Tn tienenla densidad conjunta

fT1,...Tn |N (t)=n (t1, ..., tn) =n!tn, 0 < t1 < · · · < tn ≤ t

Observe que el resultado anterior es independiente del parámetro λdel proceso de Poisson

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 49

/ 82

Page 225: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Distribuciones condicionales en el Proceso de Poisson

N (t) , t ≥ 0 proceso de Poisson con parámetros λ > 0.

Estadísticas de orden de una distribución uniforme:

Sean T1,T2, ... los tiempos de ocurencias de un proceso de Poissonhomogéneo de parámetro λ.Condicionado en N (t) = n las variables aleatorias T1,T2, ...Tn tienenla densidad conjunta

fT1,...Tn |N (t)=n (t1, ..., tn) =n!tn, 0 < t1 < · · · < tn ≤ t

Observe que el resultado anterior es independiente del parámetro λdel proceso de Poisson

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 49

/ 82

Page 226: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Procesos de Renovación

1 N (t) , t ≥ 0 es proceso de conteo con saltos de tamaño 12 Tiempos de ocurrencias T1,T2, ...3 Tiempos entre ocurrencias τ1, τ2, ... i.i.d. con distribución F y media µ

Construcción del proceso de renovación dados τ1, τ2, ...

1 T0 = 0

Tm =m

∑i=1

τi (1)

2

N(t) = sup m ≥ 0 : Tm ≤ t

Son procesos con incrementos independientes y estacionarios.

Notación: Fm = FTm es la m-ésima convolución de F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 50

/ 82

Page 227: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Procesos de Renovación1 N (t) , t ≥ 0 es proceso de conteo con saltos de tamaño 1

2 Tiempos de ocurrencias T1,T2, ...3 Tiempos entre ocurrencias τ1, τ2, ... i.i.d. con distribución F y media µ

Construcción del proceso de renovación dados τ1, τ2, ...

1 T0 = 0

Tm =m

∑i=1

τi (1)

2

N(t) = sup m ≥ 0 : Tm ≤ t

Son procesos con incrementos independientes y estacionarios.

Notación: Fm = FTm es la m-ésima convolución de F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 50

/ 82

Page 228: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Procesos de Renovación1 N (t) , t ≥ 0 es proceso de conteo con saltos de tamaño 12 Tiempos de ocurrencias T1,T2, ...

3 Tiempos entre ocurrencias τ1, τ2, ... i.i.d. con distribución F y media µ

Construcción del proceso de renovación dados τ1, τ2, ...

1 T0 = 0

Tm =m

∑i=1

τi (1)

2

N(t) = sup m ≥ 0 : Tm ≤ t

Son procesos con incrementos independientes y estacionarios.

Notación: Fm = FTm es la m-ésima convolución de F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 50

/ 82

Page 229: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Procesos de Renovación1 N (t) , t ≥ 0 es proceso de conteo con saltos de tamaño 12 Tiempos de ocurrencias T1,T2, ...3 Tiempos entre ocurrencias τ1, τ2, ... i.i.d. con distribución F y media µ

Construcción del proceso de renovación dados τ1, τ2, ...

1 T0 = 0

Tm =m

∑i=1

τi (1)

2

N(t) = sup m ≥ 0 : Tm ≤ t

Son procesos con incrementos independientes y estacionarios.

Notación: Fm = FTm es la m-ésima convolución de F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 50

/ 82

Page 230: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Procesos de Renovación1 N (t) , t ≥ 0 es proceso de conteo con saltos de tamaño 12 Tiempos de ocurrencias T1,T2, ...3 Tiempos entre ocurrencias τ1, τ2, ... i.i.d. con distribución F y media µ

Construcción del proceso de renovación dados τ1, τ2, ...

1 T0 = 0

Tm =m

∑i=1

τi (1)

2

N(t) = sup m ≥ 0 : Tm ≤ t

Son procesos con incrementos independientes y estacionarios.

Notación: Fm = FTm es la m-ésima convolución de F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 50

/ 82

Page 231: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Procesos de Renovación1 N (t) , t ≥ 0 es proceso de conteo con saltos de tamaño 12 Tiempos de ocurrencias T1,T2, ...3 Tiempos entre ocurrencias τ1, τ2, ... i.i.d. con distribución F y media µ

Construcción del proceso de renovación dados τ1, τ2, ...

1 T0 = 0

Tm =m

∑i=1

τi (1)

2

N(t) = sup m ≥ 0 : Tm ≤ t

Son procesos con incrementos independientes y estacionarios.

Notación: Fm = FTm es la m-ésima convolución de F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 50

/ 82

Page 232: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Procesos de Renovación1 N (t) , t ≥ 0 es proceso de conteo con saltos de tamaño 12 Tiempos de ocurrencias T1,T2, ...3 Tiempos entre ocurrencias τ1, τ2, ... i.i.d. con distribución F y media µ

Construcción del proceso de renovación dados τ1, τ2, ...

1 T0 = 0

Tm =m

∑i=1

τi (1)

2

N(t) = sup m ≥ 0 : Tm ≤ t

Son procesos con incrementos independientes y estacionarios.

Notación: Fm = FTm es la m-ésima convolución de F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 50

/ 82

Page 233: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Procesos de Renovación1 N (t) , t ≥ 0 es proceso de conteo con saltos de tamaño 12 Tiempos de ocurrencias T1,T2, ...3 Tiempos entre ocurrencias τ1, τ2, ... i.i.d. con distribución F y media µ

Construcción del proceso de renovación dados τ1, τ2, ...

1 T0 = 0

Tm =m

∑i=1

τi (1)

2

N(t) = sup m ≥ 0 : Tm ≤ t

Son procesos con incrementos independientes y estacionarios.

Notación: Fm = FTm es la m-ésima convolución de F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 50

/ 82

Page 234: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Procesos de Renovación1 N (t) , t ≥ 0 es proceso de conteo con saltos de tamaño 12 Tiempos de ocurrencias T1,T2, ...3 Tiempos entre ocurrencias τ1, τ2, ... i.i.d. con distribución F y media µ

Construcción del proceso de renovación dados τ1, τ2, ...

1 T0 = 0

Tm =m

∑i=1

τi (1)

2

N(t) = sup m ≥ 0 : Tm ≤ t

Son procesos con incrementos independientes y estacionarios.

Notación: Fm = FTm es la m-ésima convolución de F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 50

/ 82

Page 235: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Notación: Fm = FTm es la m-ésima convolución de F .

Relación claveTm ≤ t = N(t) ≥ m

Distribución de N(t)

P(N (t) = n) = Fn(t)− Fn+1(t)

Demostración:

P (N (t) = n) = P(N (t) ≥ n)−P(N (t) ≥ n+ 1)= P(Tn ≤ t)−P(Tn+1 ≤ t)= Fn(t)− Fn+1(t).

Función Media 0 ≤ t < ∞

M(t) = E(N (t)) =∞

∑n=1

Fn(t)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 51

/ 82

Page 236: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Notación: Fm = FTm es la m-ésima convolución de F .Relación clave

Tm ≤ t = N(t) ≥ m

Distribución de N(t)

P(N (t) = n) = Fn(t)− Fn+1(t)

Demostración:

P (N (t) = n) = P(N (t) ≥ n)−P(N (t) ≥ n+ 1)= P(Tn ≤ t)−P(Tn+1 ≤ t)= Fn(t)− Fn+1(t).

Función Media 0 ≤ t < ∞

M(t) = E(N (t)) =∞

∑n=1

Fn(t)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 51

/ 82

Page 237: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Notación: Fm = FTm es la m-ésima convolución de F .Relación clave

Tm ≤ t = N(t) ≥ mDistribución de N(t)

P(N (t) = n) = Fn(t)− Fn+1(t)

Demostración:

P (N (t) = n) = P(N (t) ≥ n)−P(N (t) ≥ n+ 1)= P(Tn ≤ t)−P(Tn+1 ≤ t)= Fn(t)− Fn+1(t).

Función Media 0 ≤ t < ∞

M(t) = E(N (t)) =∞

∑n=1

Fn(t)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 51

/ 82

Page 238: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Notación: Fm = FTm es la m-ésima convolución de F .Relación clave

Tm ≤ t = N(t) ≥ mDistribución de N(t)

P(N (t) = n) = Fn(t)− Fn+1(t)

Demostración:

P (N (t) = n) = P(N (t) ≥ n)−P(N (t) ≥ n+ 1)= P(Tn ≤ t)−P(Tn+1 ≤ t)= Fn(t)− Fn+1(t).

Función Media 0 ≤ t < ∞

M(t) = E(N (t)) =∞

∑n=1

Fn(t)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 51

/ 82

Page 239: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Notación: Fm = FTm es la m-ésima convolución de F .Relación clave

Tm ≤ t = N(t) ≥ mDistribución de N(t)

P(N (t) = n) = Fn(t)− Fn+1(t)

Demostración:

P (N (t) = n) = P(N (t) ≥ n)−P(N (t) ≥ n+ 1)= P(Tn ≤ t)−P(Tn+1 ≤ t)= Fn(t)− Fn+1(t).

Función Media 0 ≤ t < ∞

M(t) = E(N (t)) =∞

∑n=1

Fn(t)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 51

/ 82

Page 240: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Función Media 0 ≤ t < ∞

M(t) = E(N (t)) =∞

∑n=1

Fn(t).

Idea demostración:

1 Representación de N(t)

N (t) =∞

∑n=1

In(t)

In(t) =1 si Tn ≤ t0 de otra forma

2

P(In(t) = 1) = P(Tn ≤ t) = Fn(t)3

M(t) = E(N (t)) =∞

∑n=1

E (In(t)) =∞

∑n=1

P(In(t) = 1) =∞

∑n=1

Fn(t)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 52

/ 82

Page 241: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Función Media 0 ≤ t < ∞

M(t) = E(N (t)) =∞

∑n=1

Fn(t).

Idea demostración:

1 Representación de N(t)

N (t) =∞

∑n=1

In(t)

In(t) =1 si Tn ≤ t0 de otra forma

2

P(In(t) = 1) = P(Tn ≤ t) = Fn(t)3

M(t) = E(N (t)) =∞

∑n=1

E (In(t)) =∞

∑n=1

P(In(t) = 1) =∞

∑n=1

Fn(t)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 52

/ 82

Page 242: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Función Media 0 ≤ t < ∞

M(t) = E(N (t)) =∞

∑n=1

Fn(t).

Idea demostración:1 Representación de N(t)

N (t) =∞

∑n=1

In(t)

In(t) =1 si Tn ≤ t0 de otra forma

2

P(In(t) = 1) = P(Tn ≤ t) = Fn(t)3

M(t) = E(N (t)) =∞

∑n=1

E (In(t)) =∞

∑n=1

P(In(t) = 1) =∞

∑n=1

Fn(t)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 52

/ 82

Page 243: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Función Media 0 ≤ t < ∞

M(t) = E(N (t)) =∞

∑n=1

Fn(t).

Idea demostración:1 Representación de N(t)

N (t) =∞

∑n=1

In(t)

In(t) =1 si Tn ≤ t0 de otra forma

2

P(In(t) = 1) = P(Tn ≤ t) = Fn(t)

3

M(t) = E(N (t)) =∞

∑n=1

E (In(t)) =∞

∑n=1

P(In(t) = 1) =∞

∑n=1

Fn(t)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 52

/ 82

Page 244: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Elementales sobre Procesos de Renovación

Función Media 0 ≤ t < ∞

M(t) = E(N (t)) =∞

∑n=1

Fn(t).

Idea demostración:1 Representación de N(t)

N (t) =∞

∑n=1

In(t)

In(t) =1 si Tn ≤ t0 de otra forma

2

P(In(t) = 1) = P(Tn ≤ t) = Fn(t)3

M(t) = E(N (t)) =∞

∑n=1

E (In(t)) =∞

∑n=1

P(In(t) = 1) =∞

∑n=1

Fn(t)

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 52

/ 82

Page 245: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de Renovación

µ media de distribución de tiempos entre ocurrencias τi

Ley de Grandes Números

P

(limt→∞

N (t)t

=1µ

)= 1

Teorema de Renovación Elemental

limt→∞

M (t)t

=1µ

Teorema Central del Límite Si existe la varianza σ2 de F , cuandot → ∞ la variable aleatoria

Zt =N(t)− t/µ

σ√t/µ3

tiende a una distribución normal estándar.N(t) es asintóticamente normal con media t/µ y varianza tσ2/µ3.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 53

/ 82

Page 246: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de Renovación

µ media de distribución de tiempos entre ocurrencias τiLey de Grandes Números

P

(limt→∞

N (t)t

=1µ

)= 1

Teorema de Renovación Elemental

limt→∞

M (t)t

=1µ

Teorema Central del Límite Si existe la varianza σ2 de F , cuandot → ∞ la variable aleatoria

Zt =N(t)− t/µ

σ√t/µ3

tiende a una distribución normal estándar.N(t) es asintóticamente normal con media t/µ y varianza tσ2/µ3.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 53

/ 82

Page 247: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de Renovación

µ media de distribución de tiempos entre ocurrencias τiLey de Grandes Números

P

(limt→∞

N (t)t

=1µ

)= 1

Teorema de Renovación Elemental

limt→∞

M (t)t

=1µ

Teorema Central del Límite Si existe la varianza σ2 de F , cuandot → ∞ la variable aleatoria

Zt =N(t)− t/µ

σ√t/µ3

tiende a una distribución normal estándar.N(t) es asintóticamente normal con media t/µ y varianza tσ2/µ3.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 53

/ 82

Page 248: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de Renovación

µ media de distribución de tiempos entre ocurrencias τiLey de Grandes Números

P

(limt→∞

N (t)t

=1µ

)= 1

Teorema de Renovación Elemental

limt→∞

M (t)t

=1µ

Teorema Central del Límite Si existe la varianza σ2 de F , cuandot → ∞ la variable aleatoria

Zt =N(t)− t/µ

σ√t/µ3

tiende a una distribución normal estándar.

N(t) es asintóticamente normal con media t/µ y varianza tσ2/µ3.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 53

/ 82

Page 249: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de Renovación

µ media de distribución de tiempos entre ocurrencias τiLey de Grandes Números

P

(limt→∞

N (t)t

=1µ

)= 1

Teorema de Renovación Elemental

limt→∞

M (t)t

=1µ

Teorema Central del Límite Si existe la varianza σ2 de F , cuandot → ∞ la variable aleatoria

Zt =N(t)− t/µ

σ√t/µ3

tiende a una distribución normal estándar.N(t) es asintóticamente normal con media t/µ y varianza tσ2/µ3.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 53

/ 82

Page 250: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de RenovaciónAlgunas implicaciones no gratas que debieron ser observadas en las simulaciones

Ley de Grandes Números

P( limt→∞

N (t)t

=1µ) = 1

Cuando t es grande

N(t) ∼ tµ

No hay diferencia con el caso de Proceso de Poisson µ = 1/λ.Con el Teorema Elemental de Renovación: para t grande

M(t) ∼ tµ

En el caso de Proceso de Poisson

M(t) =tµ= tλ

Utilidad: Proceso Renovación vs No Proceso de RenovaciónPara descriminar entre Procesos de Renovación use Var(N(t))

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 54

/ 82

Page 251: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de RenovaciónAlgunas implicaciones no gratas que debieron ser observadas en las simulaciones

Ley de Grandes Números

P( limt→∞

N (t)t

=1µ) = 1

Cuando t es grande

N(t) ∼ tµ

No hay diferencia con el caso de Proceso de Poisson µ = 1/λ.Con el Teorema Elemental de Renovación: para t grande

M(t) ∼ tµ

En el caso de Proceso de Poisson

M(t) =tµ= tλ

Utilidad: Proceso Renovación vs No Proceso de RenovaciónPara descriminar entre Procesos de Renovación use Var(N(t))

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 54

/ 82

Page 252: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de RenovaciónAlgunas implicaciones no gratas que debieron ser observadas en las simulaciones

Ley de Grandes Números

P( limt→∞

N (t)t

=1µ) = 1

Cuando t es grande

N(t) ∼ tµ

No hay diferencia con el caso de Proceso de Poisson µ = 1/λ.

Con el Teorema Elemental de Renovación: para t grande

M(t) ∼ tµ

En el caso de Proceso de Poisson

M(t) =tµ= tλ

Utilidad: Proceso Renovación vs No Proceso de RenovaciónPara descriminar entre Procesos de Renovación use Var(N(t))

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 54

/ 82

Page 253: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de RenovaciónAlgunas implicaciones no gratas que debieron ser observadas en las simulaciones

Ley de Grandes Números

P( limt→∞

N (t)t

=1µ) = 1

Cuando t es grande

N(t) ∼ tµ

No hay diferencia con el caso de Proceso de Poisson µ = 1/λ.Con el Teorema Elemental de Renovación: para t grande

M(t) ∼ tµ

En el caso de Proceso de Poisson

M(t) =tµ= tλ

Utilidad: Proceso Renovación vs No Proceso de RenovaciónPara descriminar entre Procesos de Renovación use Var(N(t))

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 54

/ 82

Page 254: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de RenovaciónAlgunas implicaciones no gratas que debieron ser observadas en las simulaciones

Ley de Grandes Números

P( limt→∞

N (t)t

=1µ) = 1

Cuando t es grande

N(t) ∼ tµ

No hay diferencia con el caso de Proceso de Poisson µ = 1/λ.Con el Teorema Elemental de Renovación: para t grande

M(t) ∼ tµ

En el caso de Proceso de Poisson

M(t) =tµ= tλ

Utilidad: Proceso Renovación vs No Proceso de RenovaciónPara descriminar entre Procesos de Renovación use Var(N(t))

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 54

/ 82

Page 255: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de RenovaciónAlgunas implicaciones no gratas que debieron ser observadas en las simulaciones

Ley de Grandes Números

P( limt→∞

N (t)t

=1µ) = 1

Cuando t es grande

N(t) ∼ tµ

No hay diferencia con el caso de Proceso de Poisson µ = 1/λ.Con el Teorema Elemental de Renovación: para t grande

M(t) ∼ tµ

En el caso de Proceso de Poisson

M(t) =tµ= tλ

Utilidad: Proceso Renovación vs No Proceso de Renovación

Para descriminar entre Procesos de Renovación use Var(N(t))

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 54

/ 82

Page 256: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos en Procesos de RenovaciónAlgunas implicaciones no gratas que debieron ser observadas en las simulaciones

Ley de Grandes Números

P( limt→∞

N (t)t

=1µ) = 1

Cuando t es grande

N(t) ∼ tµ

No hay diferencia con el caso de Proceso de Poisson µ = 1/λ.Con el Teorema Elemental de Renovación: para t grande

M(t) ∼ tµ

En el caso de Proceso de Poisson

M(t) =tµ= tλ

Utilidad: Proceso Renovación vs No Proceso de RenovaciónPara descriminar entre Procesos de Renovación use Var(N(t))

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 54

/ 82

Page 257: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos para Procesos de Renovación

Teorema Central del Límite N(t) es asintóticamente normal conmedia t/µ y varianza tσ2/µ3.

Cuando t → ∞

P

(N(t)− t/µ

σ√t/µ3

≤ x)→ 1√

x∫−∞

exp(−12y2)dy

En el caso de Proceso de Poisson con parámetro λ

F es distribución exponencialMedia µ = 1/λ y σ2 = 1/λ2.N(t) es asintóticamente normal con media tλ y varianza tλ.Que es la aproximación clásica de la distribución normal a la Poisson.

Utilidad: Pruebas de hipótesis sobre la media sin suposicióndistribucional

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 55

/ 82

Page 258: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos para Procesos de Renovación

Teorema Central del Límite N(t) es asintóticamente normal conmedia t/µ y varianza tσ2/µ3.

Cuando t → ∞

P

(N(t)− t/µ

σ√t/µ3

≤ x)→ 1√

x∫−∞

exp(−12y2)dy

En el caso de Proceso de Poisson con parámetro λ

F es distribución exponencialMedia µ = 1/λ y σ2 = 1/λ2.N(t) es asintóticamente normal con media tλ y varianza tλ.Que es la aproximación clásica de la distribución normal a la Poisson.

Utilidad: Pruebas de hipótesis sobre la media sin suposicióndistribucional

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 55

/ 82

Page 259: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos para Procesos de Renovación

Teorema Central del Límite N(t) es asintóticamente normal conmedia t/µ y varianza tσ2/µ3.

Cuando t → ∞

P

(N(t)− t/µ

σ√t/µ3

≤ x)→ 1√

x∫−∞

exp(−12y2)dy

En el caso de Proceso de Poisson con parámetro λ

F es distribución exponencialMedia µ = 1/λ y σ2 = 1/λ2.N(t) es asintóticamente normal con media tλ y varianza tλ.Que es la aproximación clásica de la distribución normal a la Poisson.

Utilidad: Pruebas de hipótesis sobre la media sin suposicióndistribucional

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 55

/ 82

Page 260: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos para Procesos de Renovación

Teorema Central del Límite N(t) es asintóticamente normal conmedia t/µ y varianza tσ2/µ3.

Cuando t → ∞

P

(N(t)− t/µ

σ√t/µ3

≤ x)→ 1√

x∫−∞

exp(−12y2)dy

En el caso de Proceso de Poisson con parámetro λ

F es distribución exponencial

Media µ = 1/λ y σ2 = 1/λ2.N(t) es asintóticamente normal con media tλ y varianza tλ.Que es la aproximación clásica de la distribución normal a la Poisson.

Utilidad: Pruebas de hipótesis sobre la media sin suposicióndistribucional

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 55

/ 82

Page 261: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos para Procesos de Renovación

Teorema Central del Límite N(t) es asintóticamente normal conmedia t/µ y varianza tσ2/µ3.

Cuando t → ∞

P

(N(t)− t/µ

σ√t/µ3

≤ x)→ 1√

x∫−∞

exp(−12y2)dy

En el caso de Proceso de Poisson con parámetro λ

F es distribución exponencialMedia µ = 1/λ y σ2 = 1/λ2.

N(t) es asintóticamente normal con media tλ y varianza tλ.Que es la aproximación clásica de la distribución normal a la Poisson.

Utilidad: Pruebas de hipótesis sobre la media sin suposicióndistribucional

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 55

/ 82

Page 262: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos para Procesos de Renovación

Teorema Central del Límite N(t) es asintóticamente normal conmedia t/µ y varianza tσ2/µ3.

Cuando t → ∞

P

(N(t)− t/µ

σ√t/µ3

≤ x)→ 1√

x∫−∞

exp(−12y2)dy

En el caso de Proceso de Poisson con parámetro λ

F es distribución exponencialMedia µ = 1/λ y σ2 = 1/λ2.N(t) es asintóticamente normal con media tλ y varianza tλ.

Que es la aproximación clásica de la distribución normal a la Poisson.

Utilidad: Pruebas de hipótesis sobre la media sin suposicióndistribucional

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 55

/ 82

Page 263: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos para Procesos de Renovación

Teorema Central del Límite N(t) es asintóticamente normal conmedia t/µ y varianza tσ2/µ3.

Cuando t → ∞

P

(N(t)− t/µ

σ√t/µ3

≤ x)→ 1√

x∫−∞

exp(−12y2)dy

En el caso de Proceso de Poisson con parámetro λ

F es distribución exponencialMedia µ = 1/λ y σ2 = 1/λ2.N(t) es asintóticamente normal con media tλ y varianza tλ.Que es la aproximación clásica de la distribución normal a la Poisson.

Utilidad: Pruebas de hipótesis sobre la media sin suposicióndistribucional

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 55

/ 82

Page 264: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Resultados Asintóticos para Procesos de Renovación

Teorema Central del Límite N(t) es asintóticamente normal conmedia t/µ y varianza tσ2/µ3.

Cuando t → ∞

P

(N(t)− t/µ

σ√t/µ3

≤ x)→ 1√

x∫−∞

exp(−12y2)dy

En el caso de Proceso de Poisson con parámetro λ

F es distribución exponencialMedia µ = 1/λ y σ2 = 1/λ2.N(t) es asintóticamente normal con media tλ y varianza tλ.Que es la aproximación clásica de la distribución normal a la Poisson.

Utilidad: Pruebas de hipótesis sobre la media sin suposicióndistribucional

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 55

/ 82

Page 265: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson vs Proceso de Renovación

1 Pruebas de bondad de ajuste para distribución exponencial si sepueden observar tiempos entre ocurrencias: Prueba gráfica de papel

de probabilidad, o prueba analítica.2 Pruebas de bondad de ajuste para distribución Poisson si se observannúmero de ocurrencias en intervalos de tiempo.

1 Recomendable si se pueden planear los muestreos2 Asegurarse que se toman intervalos de tiempos pequeños con ceroobservaciones

3 Checar independencia de tiempos entre ocurrencias

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 56

/ 82

Page 266: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Miércoles: Temas Selectos de Proceso de Poisson

1 Combinación de Procesos de Poisson

1 Suma de Procesos de Poisson2 Diversos Tipos de Fallas

2 Proceso de Poisson no Homogéneo

1 Función Media de Fallas.2 Sistemas con Desgaste

3 Proceso de Poisson Compuesto4 Comentarios sobre la Conferencia de Eric y otras cosas

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 57

/ 82

Page 267: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Combinación de Procesos de Poisson

Sean N1 (t) , t ≥ 0 y N2 (t) , t ≥ 0 procesos de Poissonindependientes con parámetros λ1 y λ2 respectivamente. Sea

N (t) = N1 (t) +N2 (t) , t ≥ 0.N (t) , t ≥ 0 es un proceso de Poisson de parámetro λ1 + λ2.

Sistemas en serie: El sistema falla si y sólo si uno de ellos falla.Tiempo de primera falla es

T1 = min(T 11 ,T21 )

que tiene una distribución exponencial de parámetro λ1 + λ2.Ni (t) , i = 1, ..n PP independientes de parámetros λi , i = 1, ...n

N (t) =n

∑k=1

Nk (t) , t ≥ 0

N (t) proceso de Poisson de parámetro ∑nk=1 λk .

Tiempo de primera falla

T1 = min(T 11 , ...Tn1 )

En el caso del submarino n = 4.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 58

/ 82

Page 268: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Combinación de Procesos de Poisson

Sean N1 (t) , t ≥ 0 y N2 (t) , t ≥ 0 procesos de Poissonindependientes con parámetros λ1 y λ2 respectivamente. Sea

N (t) = N1 (t) +N2 (t) , t ≥ 0.N (t) , t ≥ 0 es un proceso de Poisson de parámetro λ1 + λ2.Sistemas en serie: El sistema falla si y sólo si uno de ellos falla.

Tiempo de primera falla es

T1 = min(T 11 ,T21 )

que tiene una distribución exponencial de parámetro λ1 + λ2.Ni (t) , i = 1, ..n PP independientes de parámetros λi , i = 1, ...n

N (t) =n

∑k=1

Nk (t) , t ≥ 0

N (t) proceso de Poisson de parámetro ∑nk=1 λk .

Tiempo de primera falla

T1 = min(T 11 , ...Tn1 )

En el caso del submarino n = 4.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 58

/ 82

Page 269: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Combinación de Procesos de Poisson

Sean N1 (t) , t ≥ 0 y N2 (t) , t ≥ 0 procesos de Poissonindependientes con parámetros λ1 y λ2 respectivamente. Sea

N (t) = N1 (t) +N2 (t) , t ≥ 0.N (t) , t ≥ 0 es un proceso de Poisson de parámetro λ1 + λ2.Sistemas en serie: El sistema falla si y sólo si uno de ellos falla.Tiempo de primera falla es

T1 = min(T 11 ,T21 )

que tiene una distribución exponencial de parámetro λ1 + λ2.

Ni (t) , i = 1, ..n PP independientes de parámetros λi , i = 1, ...n

N (t) =n

∑k=1

Nk (t) , t ≥ 0

N (t) proceso de Poisson de parámetro ∑nk=1 λk .

Tiempo de primera falla

T1 = min(T 11 , ...Tn1 )

En el caso del submarino n = 4.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 58

/ 82

Page 270: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Combinación de Procesos de Poisson

Sean N1 (t) , t ≥ 0 y N2 (t) , t ≥ 0 procesos de Poissonindependientes con parámetros λ1 y λ2 respectivamente. Sea

N (t) = N1 (t) +N2 (t) , t ≥ 0.N (t) , t ≥ 0 es un proceso de Poisson de parámetro λ1 + λ2.Sistemas en serie: El sistema falla si y sólo si uno de ellos falla.Tiempo de primera falla es

T1 = min(T 11 ,T21 )

que tiene una distribución exponencial de parámetro λ1 + λ2.Ni (t) , i = 1, ..n PP independientes de parámetros λi , i = 1, ...n

N (t) =n

∑k=1

Nk (t) , t ≥ 0

N (t) proceso de Poisson de parámetro ∑nk=1 λk .

Tiempo de primera falla

T1 = min(T 11 , ...Tn1 )

En el caso del submarino n = 4.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 58

/ 82

Page 271: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Combinación de Procesos de Poisson

Sean N1 (t) , t ≥ 0 y N2 (t) , t ≥ 0 procesos de Poissonindependientes con parámetros λ1 y λ2 respectivamente. Sea

N (t) = N1 (t) +N2 (t) , t ≥ 0.N (t) , t ≥ 0 es un proceso de Poisson de parámetro λ1 + λ2.Sistemas en serie: El sistema falla si y sólo si uno de ellos falla.Tiempo de primera falla es

T1 = min(T 11 ,T21 )

que tiene una distribución exponencial de parámetro λ1 + λ2.Ni (t) , i = 1, ..n PP independientes de parámetros λi , i = 1, ...n

N (t) =n

∑k=1

Nk (t) , t ≥ 0

N (t) proceso de Poisson de parámetro ∑nk=1 λk .

Tiempo de primera falla

T1 = min(T 11 , ...Tn1 )

En el caso del submarino n = 4.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 58

/ 82

Page 272: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Combinación de Procesos de Poisson

Sean N1 (t) , t ≥ 0 y N2 (t) , t ≥ 0 procesos de Poissonindependientes con parámetros λ1 y λ2 respectivamente. Sea

N (t) = N1 (t) +N2 (t) , t ≥ 0.N (t) , t ≥ 0 es un proceso de Poisson de parámetro λ1 + λ2.Sistemas en serie: El sistema falla si y sólo si uno de ellos falla.Tiempo de primera falla es

T1 = min(T 11 ,T21 )

que tiene una distribución exponencial de parámetro λ1 + λ2.Ni (t) , i = 1, ..n PP independientes de parámetros λi , i = 1, ...n

N (t) =n

∑k=1

Nk (t) , t ≥ 0

N (t) proceso de Poisson de parámetro ∑nk=1 λk .

Tiempo de primera falla

T1 = min(T 11 , ...Tn1 )

En el caso del submarino n = 4.Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de Poisson

III Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 58/ 82

Page 273: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Una colección de variables aleatorias N(t), t ≥ 0 se llama procesode Poisson no homogéneo con función de intensidad Λ (t) si

1 P(N(0) = 0) = 1.2 N (t) tiene incrementos independientes.3 ∀ 0 < s < t se tiene que

P (N (t)−N (s) = k) = (Λ (t)−Λ (s))ke−(Λ(t)−Λ(s))

k !k = 0, 1, 2, . . . .

N (t)−N (s) tiene distribución de Poisson con media Λ (t)−Λ (s) .Los incrementos no son estacionarios.

La función Λ (t) es no decreciente y Λ (0) = 0.Como Λ (t) = E(N(t)) interpretamos Λ(t) como función media defallas en (0, t].

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 59

/ 82

Page 274: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Una colección de variables aleatorias N(t), t ≥ 0 se llama procesode Poisson no homogéneo con función de intensidad Λ (t) si

1 P(N(0) = 0) = 1.

2 N (t) tiene incrementos independientes.3 ∀ 0 < s < t se tiene que

P (N (t)−N (s) = k) = (Λ (t)−Λ (s))ke−(Λ(t)−Λ(s))

k !k = 0, 1, 2, . . . .

N (t)−N (s) tiene distribución de Poisson con media Λ (t)−Λ (s) .Los incrementos no son estacionarios.

La función Λ (t) es no decreciente y Λ (0) = 0.Como Λ (t) = E(N(t)) interpretamos Λ(t) como función media defallas en (0, t].

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 59

/ 82

Page 275: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Una colección de variables aleatorias N(t), t ≥ 0 se llama procesode Poisson no homogéneo con función de intensidad Λ (t) si

1 P(N(0) = 0) = 1.2 N (t) tiene incrementos independientes.

3 ∀ 0 < s < t se tiene que

P (N (t)−N (s) = k) = (Λ (t)−Λ (s))ke−(Λ(t)−Λ(s))

k !k = 0, 1, 2, . . . .

N (t)−N (s) tiene distribución de Poisson con media Λ (t)−Λ (s) .Los incrementos no son estacionarios.

La función Λ (t) es no decreciente y Λ (0) = 0.Como Λ (t) = E(N(t)) interpretamos Λ(t) como función media defallas en (0, t].

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 59

/ 82

Page 276: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Una colección de variables aleatorias N(t), t ≥ 0 se llama procesode Poisson no homogéneo con función de intensidad Λ (t) si

1 P(N(0) = 0) = 1.2 N (t) tiene incrementos independientes.3 ∀ 0 < s < t se tiene que

P (N (t)−N (s) = k) = (Λ (t)−Λ (s))ke−(Λ(t)−Λ(s))

k !k = 0, 1, 2, . . . .

N (t)−N (s) tiene distribución de Poisson con media Λ (t)−Λ (s) .Los incrementos no son estacionarios.

La función Λ (t) es no decreciente y Λ (0) = 0.Como Λ (t) = E(N(t)) interpretamos Λ(t) como función media defallas en (0, t].

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 59

/ 82

Page 277: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Una colección de variables aleatorias N(t), t ≥ 0 se llama procesode Poisson no homogéneo con función de intensidad Λ (t) si

1 P(N(0) = 0) = 1.2 N (t) tiene incrementos independientes.3 ∀ 0 < s < t se tiene que

P (N (t)−N (s) = k) = (Λ (t)−Λ (s))ke−(Λ(t)−Λ(s))

k !k = 0, 1, 2, . . . .

N (t)−N (s) tiene distribución de Poisson con media Λ (t)−Λ (s) .

Los incrementos no son estacionarios.

La función Λ (t) es no decreciente y Λ (0) = 0.Como Λ (t) = E(N(t)) interpretamos Λ(t) como función media defallas en (0, t].

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 59

/ 82

Page 278: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Una colección de variables aleatorias N(t), t ≥ 0 se llama procesode Poisson no homogéneo con función de intensidad Λ (t) si

1 P(N(0) = 0) = 1.2 N (t) tiene incrementos independientes.3 ∀ 0 < s < t se tiene que

P (N (t)−N (s) = k) = (Λ (t)−Λ (s))ke−(Λ(t)−Λ(s))

k !k = 0, 1, 2, . . . .

N (t)−N (s) tiene distribución de Poisson con media Λ (t)−Λ (s) .Los incrementos no son estacionarios.

La función Λ (t) es no decreciente y Λ (0) = 0.Como Λ (t) = E(N(t)) interpretamos Λ(t) como función media defallas en (0, t].

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 59

/ 82

Page 279: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Una colección de variables aleatorias N(t), t ≥ 0 se llama procesode Poisson no homogéneo con función de intensidad Λ (t) si

1 P(N(0) = 0) = 1.2 N (t) tiene incrementos independientes.3 ∀ 0 < s < t se tiene que

P (N (t)−N (s) = k) = (Λ (t)−Λ (s))ke−(Λ(t)−Λ(s))

k !k = 0, 1, 2, . . . .

N (t)−N (s) tiene distribución de Poisson con media Λ (t)−Λ (s) .Los incrementos no son estacionarios.

La función Λ (t) es no decreciente y Λ (0) = 0.

Como Λ (t) = E(N(t)) interpretamos Λ(t) como función media defallas en (0, t].

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 59

/ 82

Page 280: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Una colección de variables aleatorias N(t), t ≥ 0 se llama procesode Poisson no homogéneo con función de intensidad Λ (t) si

1 P(N(0) = 0) = 1.2 N (t) tiene incrementos independientes.3 ∀ 0 < s < t se tiene que

P (N (t)−N (s) = k) = (Λ (t)−Λ (s))ke−(Λ(t)−Λ(s))

k !k = 0, 1, 2, . . . .

N (t)−N (s) tiene distribución de Poisson con media Λ (t)−Λ (s) .Los incrementos no son estacionarios.

La función Λ (t) es no decreciente y Λ (0) = 0.Como Λ (t) = E(N(t)) interpretamos Λ(t) como función media defallas en (0, t].

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 59

/ 82

Page 281: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Usualmente

Λ (t) =∫ t

0λ (s) ds,

con λ (s) ≥ 0 ∀ s. Por ejemploλ(t) = θe−βt .

Caso especial es proceso de Poisson homogéneo λ(t) = λ yΛ (t) = λt.Modelo útil para sistemas con desgaste con función de desgastemedia Λ (t) .Tiempo de primera falla

P (T1 ≤ t) = P (N (t) ≥ 1) = 1−P (N (t) = 0) = 1− e−Λ(t).

Si Λ (t) es diferenciable con derivada λ (t)

fT1 (t) = λ (t) e−Λ(t).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 60

/ 82

Page 282: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Usualmente

Λ (t) =∫ t

0λ (s) ds,

con λ (s) ≥ 0 ∀ s. Por ejemploλ(t) = θe−βt .

Caso especial es proceso de Poisson homogéneo λ(t) = λ yΛ (t) = λt.

Modelo útil para sistemas con desgaste con función de desgastemedia Λ (t) .Tiempo de primera falla

P (T1 ≤ t) = P (N (t) ≥ 1) = 1−P (N (t) = 0) = 1− e−Λ(t).

Si Λ (t) es diferenciable con derivada λ (t)

fT1 (t) = λ (t) e−Λ(t).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 60

/ 82

Page 283: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Usualmente

Λ (t) =∫ t

0λ (s) ds,

con λ (s) ≥ 0 ∀ s. Por ejemploλ(t) = θe−βt .

Caso especial es proceso de Poisson homogéneo λ(t) = λ yΛ (t) = λt.Modelo útil para sistemas con desgaste con función de desgastemedia Λ (t) .

Tiempo de primera falla

P (T1 ≤ t) = P (N (t) ≥ 1) = 1−P (N (t) = 0) = 1− e−Λ(t).

Si Λ (t) es diferenciable con derivada λ (t)

fT1 (t) = λ (t) e−Λ(t).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 60

/ 82

Page 284: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Usualmente

Λ (t) =∫ t

0λ (s) ds,

con λ (s) ≥ 0 ∀ s. Por ejemploλ(t) = θe−βt .

Caso especial es proceso de Poisson homogéneo λ(t) = λ yΛ (t) = λt.Modelo útil para sistemas con desgaste con función de desgastemedia Λ (t) .Tiempo de primera falla

P (T1 ≤ t) = P (N (t) ≥ 1) = 1−P (N (t) = 0) = 1− e−Λ(t).

Si Λ (t) es diferenciable con derivada λ (t)

fT1 (t) = λ (t) e−Λ(t).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 60

/ 82

Page 285: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson No Homogéneo

Usualmente

Λ (t) =∫ t

0λ (s) ds,

con λ (s) ≥ 0 ∀ s. Por ejemploλ(t) = θe−βt .

Caso especial es proceso de Poisson homogéneo λ(t) = λ yΛ (t) = λt.Modelo útil para sistemas con desgaste con función de desgastemedia Λ (t) .Tiempo de primera falla

P (T1 ≤ t) = P (N (t) ≥ 1) = 1−P (N (t) = 0) = 1− e−Λ(t).

Si Λ (t) es diferenciable con derivada λ (t)

fT1 (t) = λ (t) e−Λ(t).

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 60

/ 82

Page 286: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Zii≥1 v.a. independientes con misma distribución e independientesdel PP N (t). Proceso de Poisson compuesto

X (t) =N (t)

∑i=1

Zi

Aplicación en seguros

N(t) número de accidentes de carros al tiempo tZi cantidad que paga una aseguradora en el ı-ésimo accidenteX (t) cantidad pagada por la aseguradora al tiempo t.

Aplicación en estructuras sujetas a sismos.

N(t) número de temblores al tiempo tZi daño causado a la estructura por el i-ésimo temblor.X (t) daño acumulado en una estructura sujeta a temblores.OJO: N(t) no es proceso de Poisson: tiempos entre temblores nosiguen distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 61

/ 82

Page 287: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Zii≥1 v.a. independientes con misma distribución e independientesdel PP N (t). Proceso de Poisson compuesto

X (t) =N (t)

∑i=1

Zi

Aplicación en seguros

N(t) número de accidentes de carros al tiempo tZi cantidad que paga una aseguradora en el ı-ésimo accidenteX (t) cantidad pagada por la aseguradora al tiempo t.

Aplicación en estructuras sujetas a sismos.

N(t) número de temblores al tiempo tZi daño causado a la estructura por el i-ésimo temblor.X (t) daño acumulado en una estructura sujeta a temblores.OJO: N(t) no es proceso de Poisson: tiempos entre temblores nosiguen distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 61

/ 82

Page 288: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Zii≥1 v.a. independientes con misma distribución e independientesdel PP N (t). Proceso de Poisson compuesto

X (t) =N (t)

∑i=1

Zi

Aplicación en segurosN(t) número de accidentes de carros al tiempo t

Zi cantidad que paga una aseguradora en el ı-ésimo accidenteX (t) cantidad pagada por la aseguradora al tiempo t.

Aplicación en estructuras sujetas a sismos.

N(t) número de temblores al tiempo tZi daño causado a la estructura por el i-ésimo temblor.X (t) daño acumulado en una estructura sujeta a temblores.OJO: N(t) no es proceso de Poisson: tiempos entre temblores nosiguen distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 61

/ 82

Page 289: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Zii≥1 v.a. independientes con misma distribución e independientesdel PP N (t). Proceso de Poisson compuesto

X (t) =N (t)

∑i=1

Zi

Aplicación en segurosN(t) número de accidentes de carros al tiempo tZi cantidad que paga una aseguradora en el ı-ésimo accidente

X (t) cantidad pagada por la aseguradora al tiempo t.

Aplicación en estructuras sujetas a sismos.

N(t) número de temblores al tiempo tZi daño causado a la estructura por el i-ésimo temblor.X (t) daño acumulado en una estructura sujeta a temblores.OJO: N(t) no es proceso de Poisson: tiempos entre temblores nosiguen distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 61

/ 82

Page 290: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Zii≥1 v.a. independientes con misma distribución e independientesdel PP N (t). Proceso de Poisson compuesto

X (t) =N (t)

∑i=1

Zi

Aplicación en segurosN(t) número de accidentes de carros al tiempo tZi cantidad que paga una aseguradora en el ı-ésimo accidenteX (t) cantidad pagada por la aseguradora al tiempo t.

Aplicación en estructuras sujetas a sismos.

N(t) número de temblores al tiempo tZi daño causado a la estructura por el i-ésimo temblor.X (t) daño acumulado en una estructura sujeta a temblores.OJO: N(t) no es proceso de Poisson: tiempos entre temblores nosiguen distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 61

/ 82

Page 291: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Zii≥1 v.a. independientes con misma distribución e independientesdel PP N (t). Proceso de Poisson compuesto

X (t) =N (t)

∑i=1

Zi

Aplicación en segurosN(t) número de accidentes de carros al tiempo tZi cantidad que paga una aseguradora en el ı-ésimo accidenteX (t) cantidad pagada por la aseguradora al tiempo t.

Aplicación en estructuras sujetas a sismos.

N(t) número de temblores al tiempo tZi daño causado a la estructura por el i-ésimo temblor.X (t) daño acumulado en una estructura sujeta a temblores.OJO: N(t) no es proceso de Poisson: tiempos entre temblores nosiguen distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 61

/ 82

Page 292: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Zii≥1 v.a. independientes con misma distribución e independientesdel PP N (t). Proceso de Poisson compuesto

X (t) =N (t)

∑i=1

Zi

Aplicación en segurosN(t) número de accidentes de carros al tiempo tZi cantidad que paga una aseguradora en el ı-ésimo accidenteX (t) cantidad pagada por la aseguradora al tiempo t.

Aplicación en estructuras sujetas a sismos.N(t) número de temblores al tiempo t

Zi daño causado a la estructura por el i-ésimo temblor.X (t) daño acumulado en una estructura sujeta a temblores.OJO: N(t) no es proceso de Poisson: tiempos entre temblores nosiguen distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 61

/ 82

Page 293: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Zii≥1 v.a. independientes con misma distribución e independientesdel PP N (t). Proceso de Poisson compuesto

X (t) =N (t)

∑i=1

Zi

Aplicación en segurosN(t) número de accidentes de carros al tiempo tZi cantidad que paga una aseguradora en el ı-ésimo accidenteX (t) cantidad pagada por la aseguradora al tiempo t.

Aplicación en estructuras sujetas a sismos.N(t) número de temblores al tiempo tZi daño causado a la estructura por el i-ésimo temblor.

X (t) daño acumulado en una estructura sujeta a temblores.OJO: N(t) no es proceso de Poisson: tiempos entre temblores nosiguen distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 61

/ 82

Page 294: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Zii≥1 v.a. independientes con misma distribución e independientesdel PP N (t). Proceso de Poisson compuesto

X (t) =N (t)

∑i=1

Zi

Aplicación en segurosN(t) número de accidentes de carros al tiempo tZi cantidad que paga una aseguradora en el ı-ésimo accidenteX (t) cantidad pagada por la aseguradora al tiempo t.

Aplicación en estructuras sujetas a sismos.N(t) número de temblores al tiempo tZi daño causado a la estructura por el i-ésimo temblor.X (t) daño acumulado en una estructura sujeta a temblores.

OJO: N(t) no es proceso de Poisson: tiempos entre temblores nosiguen distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 61

/ 82

Page 295: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Zii≥1 v.a. independientes con misma distribución e independientesdel PP N (t). Proceso de Poisson compuesto

X (t) =N (t)

∑i=1

Zi

Aplicación en segurosN(t) número de accidentes de carros al tiempo tZi cantidad que paga una aseguradora en el ı-ésimo accidenteX (t) cantidad pagada por la aseguradora al tiempo t.

Aplicación en estructuras sujetas a sismos.N(t) número de temblores al tiempo tZi daño causado a la estructura por el i-ésimo temblor.X (t) daño acumulado en una estructura sujeta a temblores.OJO: N(t) no es proceso de Poisson: tiempos entre temblores nosiguen distribución exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 61

/ 82

Page 296: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Proceso de Poisson compuesto X (t) = ∑N (t)i=1 Zi ,

Otra aplicación: Fallas de varios tipos. N (t) PP de parámetro λ.Supongamos que cada falla es de tipo 1 con probabilidad p1 o de tipo2 con probabilidad p2 = 1− p1, independiente de las demás fallas.Ni (t) número de fallas de tipo i . Entonces N1 (t) y N2 (t) sonprocesos de Poisson independientes con parámetros λp1 y λp2.Demostración: ξkk≥0 sucesión v.a. Bernoulli de parámetro p1.

N1 (t) =N (t)

∑k=1

ξk , N2 (t) = N (t)−N1(t)

E(X (t)) = E(N (t))E(Z ) (Identidad de Wald)Herramientas analíticas de estudio:

Función generadora de momentos, transformada de Laplace.Función característica, transformada de Fourier.Resultados asintóticos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 62

/ 82

Page 297: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Proceso de Poisson compuesto X (t) = ∑N (t)i=1 Zi ,

Otra aplicación: Fallas de varios tipos. N (t) PP de parámetro λ.Supongamos que cada falla es de tipo 1 con probabilidad p1 o de tipo2 con probabilidad p2 = 1− p1, independiente de las demás fallas.Ni (t) número de fallas de tipo i . Entonces N1 (t) y N2 (t) sonprocesos de Poisson independientes con parámetros λp1 y λp2.

Demostración: ξkk≥0 sucesión v.a. Bernoulli de parámetro p1.

N1 (t) =N (t)

∑k=1

ξk , N2 (t) = N (t)−N1(t)

E(X (t)) = E(N (t))E(Z ) (Identidad de Wald)Herramientas analíticas de estudio:

Función generadora de momentos, transformada de Laplace.Función característica, transformada de Fourier.Resultados asintóticos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 62

/ 82

Page 298: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Proceso de Poisson compuesto X (t) = ∑N (t)i=1 Zi ,

Otra aplicación: Fallas de varios tipos. N (t) PP de parámetro λ.Supongamos que cada falla es de tipo 1 con probabilidad p1 o de tipo2 con probabilidad p2 = 1− p1, independiente de las demás fallas.Ni (t) número de fallas de tipo i . Entonces N1 (t) y N2 (t) sonprocesos de Poisson independientes con parámetros λp1 y λp2.Demostración: ξkk≥0 sucesión v.a. Bernoulli de parámetro p1.

N1 (t) =N (t)

∑k=1

ξk , N2 (t) = N (t)−N1(t)

E(X (t)) = E(N (t))E(Z ) (Identidad de Wald)Herramientas analíticas de estudio:

Función generadora de momentos, transformada de Laplace.Función característica, transformada de Fourier.Resultados asintóticos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 62

/ 82

Page 299: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Proceso de Poisson compuesto X (t) = ∑N (t)i=1 Zi ,

Otra aplicación: Fallas de varios tipos. N (t) PP de parámetro λ.Supongamos que cada falla es de tipo 1 con probabilidad p1 o de tipo2 con probabilidad p2 = 1− p1, independiente de las demás fallas.Ni (t) número de fallas de tipo i . Entonces N1 (t) y N2 (t) sonprocesos de Poisson independientes con parámetros λp1 y λp2.Demostración: ξkk≥0 sucesión v.a. Bernoulli de parámetro p1.

N1 (t) =N (t)

∑k=1

ξk , N2 (t) = N (t)−N1(t)

E(X (t)) = E(N (t))E(Z ) (Identidad de Wald)

Herramientas analíticas de estudio:

Función generadora de momentos, transformada de Laplace.Función característica, transformada de Fourier.Resultados asintóticos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 62

/ 82

Page 300: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Proceso de Poisson compuesto X (t) = ∑N (t)i=1 Zi ,

Otra aplicación: Fallas de varios tipos. N (t) PP de parámetro λ.Supongamos que cada falla es de tipo 1 con probabilidad p1 o de tipo2 con probabilidad p2 = 1− p1, independiente de las demás fallas.Ni (t) número de fallas de tipo i . Entonces N1 (t) y N2 (t) sonprocesos de Poisson independientes con parámetros λp1 y λp2.Demostración: ξkk≥0 sucesión v.a. Bernoulli de parámetro p1.

N1 (t) =N (t)

∑k=1

ξk , N2 (t) = N (t)−N1(t)

E(X (t)) = E(N (t))E(Z ) (Identidad de Wald)Herramientas analíticas de estudio:

Función generadora de momentos, transformada de Laplace.Función característica, transformada de Fourier.Resultados asintóticos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 62

/ 82

Page 301: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Proceso de Poisson compuesto X (t) = ∑N (t)i=1 Zi ,

Otra aplicación: Fallas de varios tipos. N (t) PP de parámetro λ.Supongamos que cada falla es de tipo 1 con probabilidad p1 o de tipo2 con probabilidad p2 = 1− p1, independiente de las demás fallas.Ni (t) número de fallas de tipo i . Entonces N1 (t) y N2 (t) sonprocesos de Poisson independientes con parámetros λp1 y λp2.Demostración: ξkk≥0 sucesión v.a. Bernoulli de parámetro p1.

N1 (t) =N (t)

∑k=1

ξk , N2 (t) = N (t)−N1(t)

E(X (t)) = E(N (t))E(Z ) (Identidad de Wald)Herramientas analíticas de estudio:

Función generadora de momentos, transformada de Laplace.

Función característica, transformada de Fourier.Resultados asintóticos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 62

/ 82

Page 302: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Proceso de Poisson compuesto X (t) = ∑N (t)i=1 Zi ,

Otra aplicación: Fallas de varios tipos. N (t) PP de parámetro λ.Supongamos que cada falla es de tipo 1 con probabilidad p1 o de tipo2 con probabilidad p2 = 1− p1, independiente de las demás fallas.Ni (t) número de fallas de tipo i . Entonces N1 (t) y N2 (t) sonprocesos de Poisson independientes con parámetros λp1 y λp2.Demostración: ξkk≥0 sucesión v.a. Bernoulli de parámetro p1.

N1 (t) =N (t)

∑k=1

ξk , N2 (t) = N (t)−N1(t)

E(X (t)) = E(N (t))E(Z ) (Identidad de Wald)Herramientas analíticas de estudio:

Función generadora de momentos, transformada de Laplace.Función característica, transformada de Fourier.

Resultados asintóticos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 62

/ 82

Page 303: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Proceso de Poisson Compuesto

Proceso de Poisson compuesto X (t) = ∑N (t)i=1 Zi ,

Otra aplicación: Fallas de varios tipos. N (t) PP de parámetro λ.Supongamos que cada falla es de tipo 1 con probabilidad p1 o de tipo2 con probabilidad p2 = 1− p1, independiente de las demás fallas.Ni (t) número de fallas de tipo i . Entonces N1 (t) y N2 (t) sonprocesos de Poisson independientes con parámetros λp1 y λp2.Demostración: ξkk≥0 sucesión v.a. Bernoulli de parámetro p1.

N1 (t) =N (t)

∑k=1

ξk , N2 (t) = N (t)−N1(t)

E(X (t)) = E(N (t))E(Z ) (Identidad de Wald)Herramientas analíticas de estudio:

Función generadora de momentos, transformada de Laplace.Función característica, transformada de Fourier.Resultados asintóticos.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 62

/ 82

Page 304: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Supongamos que las reclamaciones a una compañía de seguros llegande acuerdo a un Proceso de Poisson N (t) de parámetro λ > 0.

Las reclamaciones Zn∞n=1 son v.a. aleatorias independientes con

distribución común F .Suponemos F (0) = 0 (esto es P (Zi ≤ 0) = 0) con media µ.Problema: A la compañía de seguros le interesa saber cuántocobrar a sus clientes de modo que el precio no sea muy elevado,pero sin correr el riesgo de quebrar.Se tiene un capital inicial u ≥ 0 y sabemos que la prima que lacompañía recibe por unidad de tiempo es c > 0.Proceso que nos modela el dinero que tiene la compañía al tiempo t

X (t) = u + ct −N (t)

∑i=1

Zi

X (t) es el Proceso de Riesgo Clásico.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 63

/ 82

Page 305: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Supongamos que las reclamaciones a una compañía de seguros llegande acuerdo a un Proceso de Poisson N (t) de parámetro λ > 0.Las reclamaciones Zn∞

n=1 son v.a. aleatorias independientes condistribución común F .

Suponemos F (0) = 0 (esto es P (Zi ≤ 0) = 0) con media µ.Problema: A la compañía de seguros le interesa saber cuántocobrar a sus clientes de modo que el precio no sea muy elevado,pero sin correr el riesgo de quebrar.Se tiene un capital inicial u ≥ 0 y sabemos que la prima que lacompañía recibe por unidad de tiempo es c > 0.Proceso que nos modela el dinero que tiene la compañía al tiempo t

X (t) = u + ct −N (t)

∑i=1

Zi

X (t) es el Proceso de Riesgo Clásico.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 63

/ 82

Page 306: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Supongamos que las reclamaciones a una compañía de seguros llegande acuerdo a un Proceso de Poisson N (t) de parámetro λ > 0.Las reclamaciones Zn∞

n=1 son v.a. aleatorias independientes condistribución común F .Suponemos F (0) = 0 (esto es P (Zi ≤ 0) = 0) con media µ.

Problema: A la compañía de seguros le interesa saber cuántocobrar a sus clientes de modo que el precio no sea muy elevado,pero sin correr el riesgo de quebrar.Se tiene un capital inicial u ≥ 0 y sabemos que la prima que lacompañía recibe por unidad de tiempo es c > 0.Proceso que nos modela el dinero que tiene la compañía al tiempo t

X (t) = u + ct −N (t)

∑i=1

Zi

X (t) es el Proceso de Riesgo Clásico.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 63

/ 82

Page 307: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Supongamos que las reclamaciones a una compañía de seguros llegande acuerdo a un Proceso de Poisson N (t) de parámetro λ > 0.Las reclamaciones Zn∞

n=1 son v.a. aleatorias independientes condistribución común F .Suponemos F (0) = 0 (esto es P (Zi ≤ 0) = 0) con media µ.Problema: A la compañía de seguros le interesa saber cuántocobrar a sus clientes de modo que el precio no sea muy elevado,pero sin correr el riesgo de quebrar.

Se tiene un capital inicial u ≥ 0 y sabemos que la prima que lacompañía recibe por unidad de tiempo es c > 0.Proceso que nos modela el dinero que tiene la compañía al tiempo t

X (t) = u + ct −N (t)

∑i=1

Zi

X (t) es el Proceso de Riesgo Clásico.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 63

/ 82

Page 308: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Supongamos que las reclamaciones a una compañía de seguros llegande acuerdo a un Proceso de Poisson N (t) de parámetro λ > 0.Las reclamaciones Zn∞

n=1 son v.a. aleatorias independientes condistribución común F .Suponemos F (0) = 0 (esto es P (Zi ≤ 0) = 0) con media µ.Problema: A la compañía de seguros le interesa saber cuántocobrar a sus clientes de modo que el precio no sea muy elevado,pero sin correr el riesgo de quebrar.Se tiene un capital inicial u ≥ 0 y sabemos que la prima que lacompañía recibe por unidad de tiempo es c > 0.

Proceso que nos modela el dinero que tiene la compañía al tiempo t

X (t) = u + ct −N (t)

∑i=1

Zi

X (t) es el Proceso de Riesgo Clásico.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 63

/ 82

Page 309: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Supongamos que las reclamaciones a una compañía de seguros llegande acuerdo a un Proceso de Poisson N (t) de parámetro λ > 0.Las reclamaciones Zn∞

n=1 son v.a. aleatorias independientes condistribución común F .Suponemos F (0) = 0 (esto es P (Zi ≤ 0) = 0) con media µ.Problema: A la compañía de seguros le interesa saber cuántocobrar a sus clientes de modo que el precio no sea muy elevado,pero sin correr el riesgo de quebrar.Se tiene un capital inicial u ≥ 0 y sabemos que la prima que lacompañía recibe por unidad de tiempo es c > 0.Proceso que nos modela el dinero que tiene la compañía al tiempo t

X (t) = u + ct −N (t)

∑i=1

Zi

X (t) es el Proceso de Riesgo Clásico.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 63

/ 82

Page 310: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Supongamos que las reclamaciones a una compañía de seguros llegande acuerdo a un Proceso de Poisson N (t) de parámetro λ > 0.Las reclamaciones Zn∞

n=1 son v.a. aleatorias independientes condistribución común F .Suponemos F (0) = 0 (esto es P (Zi ≤ 0) = 0) con media µ.Problema: A la compañía de seguros le interesa saber cuántocobrar a sus clientes de modo que el precio no sea muy elevado,pero sin correr el riesgo de quebrar.Se tiene un capital inicial u ≥ 0 y sabemos que la prima que lacompañía recibe por unidad de tiempo es c > 0.Proceso que nos modela el dinero que tiene la compañía al tiempo t

X (t) = u + ct −N (t)

∑i=1

Zi

X (t) es el Proceso de Riesgo Clásico.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 63

/ 82

Page 311: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

X (t) = u + ct −N (t)

∑i=1

Zi

Es fácil convencernos de que X (t) tiene incrementos independientes.Probabilidad de ruina

ψ (u) = P(X (t) < 0, para algún t > 0).

Si las Zi sigue distribución exponencial de media µ

ψ (u) =1

1+ pe−(

puµ(1+p)

)u ≥ 0,

donde p = c−λµλµ y λ es el parámetro del proceso de Poisson.

Las compañías de seguros buscan la prima c que garantice

ψ (0) =λµ

c< 0.001.

En general no hay fórmulas cerradas cuando F no es exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 64

/ 82

Page 312: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

X (t) = u + ct −N (t)

∑i=1

Zi

Es fácil convencernos de que X (t) tiene incrementos independientes.

Probabilidad de ruina

ψ (u) = P(X (t) < 0, para algún t > 0).

Si las Zi sigue distribución exponencial de media µ

ψ (u) =1

1+ pe−(

puµ(1+p)

)u ≥ 0,

donde p = c−λµλµ y λ es el parámetro del proceso de Poisson.

Las compañías de seguros buscan la prima c que garantice

ψ (0) =λµ

c< 0.001.

En general no hay fórmulas cerradas cuando F no es exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 64

/ 82

Page 313: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

X (t) = u + ct −N (t)

∑i=1

Zi

Es fácil convencernos de que X (t) tiene incrementos independientes.Probabilidad de ruina

ψ (u) = P(X (t) < 0, para algún t > 0).

Si las Zi sigue distribución exponencial de media µ

ψ (u) =1

1+ pe−(

puµ(1+p)

)u ≥ 0,

donde p = c−λµλµ y λ es el parámetro del proceso de Poisson.

Las compañías de seguros buscan la prima c que garantice

ψ (0) =λµ

c< 0.001.

En general no hay fórmulas cerradas cuando F no es exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 64

/ 82

Page 314: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

X (t) = u + ct −N (t)

∑i=1

Zi

Es fácil convencernos de que X (t) tiene incrementos independientes.Probabilidad de ruina

ψ (u) = P(X (t) < 0, para algún t > 0).

Si las Zi sigue distribución exponencial de media µ

ψ (u) =1

1+ pe−(

puµ(1+p)

)u ≥ 0,

donde p = c−λµλµ y λ es el parámetro del proceso de Poisson.

Las compañías de seguros buscan la prima c que garantice

ψ (0) =λµ

c< 0.001.

En general no hay fórmulas cerradas cuando F no es exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 64

/ 82

Page 315: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

X (t) = u + ct −N (t)

∑i=1

Zi

Es fácil convencernos de que X (t) tiene incrementos independientes.Probabilidad de ruina

ψ (u) = P(X (t) < 0, para algún t > 0).

Si las Zi sigue distribución exponencial de media µ

ψ (u) =1

1+ pe−(

puµ(1+p)

)u ≥ 0,

donde p = c−λµλµ y λ es el parámetro del proceso de Poisson.

Las compañías de seguros buscan la prima c que garantice

ψ (0) =λµ

c< 0.001.

En general no hay fórmulas cerradas cuando F no es exponencial.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 64

/ 82

Page 316: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

X (t) = u + ct −N (t)

∑i=1

Zi

Es fácil convencernos de que X (t) tiene incrementos independientes.Probabilidad de ruina

ψ (u) = P(X (t) < 0, para algún t > 0).

Si las Zi sigue distribución exponencial de media µ

ψ (u) =1

1+ pe−(

puµ(1+p)

)u ≥ 0,

donde p = c−λµλµ y λ es el parámetro del proceso de Poisson.

Las compañías de seguros buscan la prima c que garantice

ψ (0) =λµ

c< 0.001.

En general no hay fórmulas cerradas cuando F no es exponencial.Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de Poisson

III Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 64/ 82

Page 317: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 318: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?

¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 319: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?

¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 320: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?

¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 321: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 322: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 323: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 324: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de Matemáticas

Probabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 325: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos Estocásticos

Estadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 326: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de Datos

Modelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 327: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis Numérico

Simulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 328: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y Computación

Conocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 329: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 330: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Aplicación en Seguros: El Proceso de Riesgo Simple

Problemas de interés

¿Es el modelo de Poisson homogéneo pertinente?¿Cuál es el valor del parámetro λ?¿Cuál es el valor de la media µ de la distribución de reclamaciones?¿Son las distribuciones de las reclamaciones para los casos Tabasco2007 o Monterrey 2010 exponenciales?

En general F es una distribución de colas pesadas

La solución e implementación completa de este problema requiere:

Varios temas de MatemáticasProbabilidad y Procesos EstocásticosEstadística Matemática, Análisis de DatosModelación Matemática, Análisis NuméricoSimulación y ComputaciónConocimientos de seguros (abiertos a diversos intereses)

¡Sólo un matemático o actuario con formación integral!

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 65

/ 82

Page 331: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal

1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano

1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 332: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad

2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano

1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 333: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números

3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano

1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 334: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano

1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 335: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad

3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano

1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 336: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano

1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 337: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,

2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano

1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 338: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático

3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano

1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 339: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano

1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 340: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano

1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 341: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 342: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.

1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 343: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.1 Lévy, Ito, Doob, escuela francesa

2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 344: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoLa Bolsa de valores es el Gran casino

1 Correspondencia entre Fermat y Pascal1 Orígenes de la Probabilidad2 Bernoulli: Ley de Grandes Números3 La martingala de Pascal (M.E. Caballero)

2 Interpretación de Espacio de Probabilidad3 Herramientas matemáticas

1 Teoría de la medida y probabilidad,2 Análisis matemático3 Análisis funcional

4 Proceso de Wiener o Movimiento Browniano1 Bachelier, Wiener, Ito

5 Esperanza Condicional, Martingalas y Filtraciones.1 Lévy, Ito, Doob, escuela francesa2 martingala, semimartingala, quasimartingala

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 66

/ 82

Page 345: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoOtras aplicaciones

6. Aplicaciones

1 Modelos Matemáticos en Finanzas2 Genética de Poblaciones, Modelos Estocásticos en Biología3 Procesos Estocásticos Relativistas

7. Ito: Premio Gauss por Aplicaciones Matemáticas (2006)

8. http://www.cimat.mx/~pabreu/

1 Invitación a la Probabilidad (ir a material para estudiantes)2 Probabilidad y otras Ramas de las Matemáticas (cursos y tesis)

1 Tesis de Licenciatua recientes2 Proyectos de Verano recientes

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 67

/ 82

Page 346: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoOtras aplicaciones

6. Aplicaciones

1 Modelos Matemáticos en Finanzas

2 Genética de Poblaciones, Modelos Estocásticos en Biología3 Procesos Estocásticos Relativistas

7. Ito: Premio Gauss por Aplicaciones Matemáticas (2006)

8. http://www.cimat.mx/~pabreu/

1 Invitación a la Probabilidad (ir a material para estudiantes)2 Probabilidad y otras Ramas de las Matemáticas (cursos y tesis)

1 Tesis de Licenciatua recientes2 Proyectos de Verano recientes

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 67

/ 82

Page 347: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoOtras aplicaciones

6. Aplicaciones

1 Modelos Matemáticos en Finanzas2 Genética de Poblaciones, Modelos Estocásticos en Biología

3 Procesos Estocásticos Relativistas

7. Ito: Premio Gauss por Aplicaciones Matemáticas (2006)

8. http://www.cimat.mx/~pabreu/

1 Invitación a la Probabilidad (ir a material para estudiantes)2 Probabilidad y otras Ramas de las Matemáticas (cursos y tesis)

1 Tesis de Licenciatua recientes2 Proyectos de Verano recientes

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 67

/ 82

Page 348: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoOtras aplicaciones

6. Aplicaciones

1 Modelos Matemáticos en Finanzas2 Genética de Poblaciones, Modelos Estocásticos en Biología3 Procesos Estocásticos Relativistas

7. Ito: Premio Gauss por Aplicaciones Matemáticas (2006)

8. http://www.cimat.mx/~pabreu/

1 Invitación a la Probabilidad (ir a material para estudiantes)2 Probabilidad y otras Ramas de las Matemáticas (cursos y tesis)

1 Tesis de Licenciatua recientes2 Proyectos de Verano recientes

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 67

/ 82

Page 349: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoOtras aplicaciones

6. Aplicaciones

1 Modelos Matemáticos en Finanzas2 Genética de Poblaciones, Modelos Estocásticos en Biología3 Procesos Estocásticos Relativistas

7. Ito: Premio Gauss por Aplicaciones Matemáticas (2006)

8. http://www.cimat.mx/~pabreu/

1 Invitación a la Probabilidad (ir a material para estudiantes)2 Probabilidad y otras Ramas de las Matemáticas (cursos y tesis)

1 Tesis de Licenciatua recientes2 Proyectos de Verano recientes

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 67

/ 82

Page 350: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoOtras aplicaciones

6. Aplicaciones

1 Modelos Matemáticos en Finanzas2 Genética de Poblaciones, Modelos Estocásticos en Biología3 Procesos Estocásticos Relativistas

7. Ito: Premio Gauss por Aplicaciones Matemáticas (2006)

8. http://www.cimat.mx/~pabreu/

1 Invitación a la Probabilidad (ir a material para estudiantes)2 Probabilidad y otras Ramas de las Matemáticas (cursos y tesis)

1 Tesis de Licenciatua recientes2 Proyectos de Verano recientes

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 67

/ 82

Page 351: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoOtras aplicaciones

6. Aplicaciones

1 Modelos Matemáticos en Finanzas2 Genética de Poblaciones, Modelos Estocásticos en Biología3 Procesos Estocásticos Relativistas

7. Ito: Premio Gauss por Aplicaciones Matemáticas (2006)

8. http://www.cimat.mx/~pabreu/

1 Invitación a la Probabilidad (ir a material para estudiantes)

2 Probabilidad y otras Ramas de las Matemáticas (cursos y tesis)

1 Tesis de Licenciatua recientes2 Proyectos de Verano recientes

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 67

/ 82

Page 352: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoOtras aplicaciones

6. Aplicaciones

1 Modelos Matemáticos en Finanzas2 Genética de Poblaciones, Modelos Estocásticos en Biología3 Procesos Estocásticos Relativistas

7. Ito: Premio Gauss por Aplicaciones Matemáticas (2006)

8. http://www.cimat.mx/~pabreu/

1 Invitación a la Probabilidad (ir a material para estudiantes)2 Probabilidad y otras Ramas de las Matemáticas (cursos y tesis)

1 Tesis de Licenciatua recientes2 Proyectos de Verano recientes

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 67

/ 82

Page 353: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoOtras aplicaciones

6. Aplicaciones

1 Modelos Matemáticos en Finanzas2 Genética de Poblaciones, Modelos Estocásticos en Biología3 Procesos Estocásticos Relativistas

7. Ito: Premio Gauss por Aplicaciones Matemáticas (2006)

8. http://www.cimat.mx/~pabreu/

1 Invitación a la Probabilidad (ir a material para estudiantes)2 Probabilidad y otras Ramas de las Matemáticas (cursos y tesis)

1 Tesis de Licenciatua recientes

2 Proyectos de Verano recientes

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 67

/ 82

Page 354: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Comentarios sobre Conferencia Erick TreviñoOtras aplicaciones

6. Aplicaciones

1 Modelos Matemáticos en Finanzas2 Genética de Poblaciones, Modelos Estocásticos en Biología3 Procesos Estocásticos Relativistas

7. Ito: Premio Gauss por Aplicaciones Matemáticas (2006)

8. http://www.cimat.mx/~pabreu/

1 Invitación a la Probabilidad (ir a material para estudiantes)2 Probabilidad y otras Ramas de las Matemáticas (cursos y tesis)

1 Tesis de Licenciatua recientes2 Proyectos de Verano recientes

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 67

/ 82

Page 355: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Jueves: Comentarios finalesEnfasis: Medidas Aleatorias de Poisson

1 Sobre independencia de tiempos entre terremotos2 Espacios de Medida

3 Modelos Estocásticos para Conjuntos de Puntos4 Procesos de Poisson en Espacios Generales

1 Propiedades Básicas2 Teorema de Superposición3 Teorema de Mapeo4 Teorema de Existencia

5 Comentarios finales sobre el Tercer Verano de Probabilidad yEstadística

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 68

/ 82

Page 356: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si

1 X es un conjunto no vacío, F es una σ-álgebra de X2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos

1 Espacio de probabilidad general µ = P.2 Medida de conteo3 Medida de Lebesgue4 Medida de Riemann-Stieltjes5 Medida de Wiener

Teoría de la Medida vs ProbabilidadContinuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 357: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si1 X es un conjunto no vacío, F es una σ-álgebra de X

2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos

1 Espacio de probabilidad general µ = P.2 Medida de conteo3 Medida de Lebesgue4 Medida de Riemann-Stieltjes5 Medida de Wiener

Teoría de la Medida vs ProbabilidadContinuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 358: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si1 X es un conjunto no vacío, F es una σ-álgebra de X2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos

1 Espacio de probabilidad general µ = P.2 Medida de conteo3 Medida de Lebesgue4 Medida de Riemann-Stieltjes5 Medida de Wiener

Teoría de la Medida vs ProbabilidadContinuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 359: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si1 X es un conjunto no vacío, F es una σ-álgebra de X2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos

1 Espacio de probabilidad general µ = P.2 Medida de conteo3 Medida de Lebesgue4 Medida de Riemann-Stieltjes5 Medida de Wiener

Teoría de la Medida vs ProbabilidadContinuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 360: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si1 X es un conjunto no vacío, F es una σ-álgebra de X2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos1 Espacio de probabilidad general µ = P.

2 Medida de conteo3 Medida de Lebesgue4 Medida de Riemann-Stieltjes5 Medida de Wiener

Teoría de la Medida vs ProbabilidadContinuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 361: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si1 X es un conjunto no vacío, F es una σ-álgebra de X2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos1 Espacio de probabilidad general µ = P.2 Medida de conteo

3 Medida de Lebesgue4 Medida de Riemann-Stieltjes5 Medida de Wiener

Teoría de la Medida vs ProbabilidadContinuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 362: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si1 X es un conjunto no vacío, F es una σ-álgebra de X2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos1 Espacio de probabilidad general µ = P.2 Medida de conteo3 Medida de Lebesgue

4 Medida de Riemann-Stieltjes5 Medida de Wiener

Teoría de la Medida vs ProbabilidadContinuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 363: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si1 X es un conjunto no vacío, F es una σ-álgebra de X2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos1 Espacio de probabilidad general µ = P.2 Medida de conteo3 Medida de Lebesgue4 Medida de Riemann-Stieltjes

5 Medida de Wiener

Teoría de la Medida vs ProbabilidadContinuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 364: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si1 X es un conjunto no vacío, F es una σ-álgebra de X2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos1 Espacio de probabilidad general µ = P.2 Medida de conteo3 Medida de Lebesgue4 Medida de Riemann-Stieltjes5 Medida de Wiener

Teoría de la Medida vs ProbabilidadContinuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 365: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si1 X es un conjunto no vacío, F es una σ-álgebra de X2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos1 Espacio de probabilidad general µ = P.2 Medida de conteo3 Medida de Lebesgue4 Medida de Riemann-Stieltjes5 Medida de Wiener

Teoría de la Medida vs Probabilidad

Continuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 366: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

La terna (X ,F , µ) es un espacio de medida si1 X es un conjunto no vacío, F es una σ-álgebra de X2 µ : F → R≥0 es σ-aditiva: ∀An ∈ F n ≥ 1 ajenos (An ∩ Am 6= ∅para n 6= m), se cumple

µ

(∞⋃n=1

An

)=

∑n=1

µ (An) .

Ejemplos1 Espacio de probabilidad general µ = P.2 Medida de conteo3 Medida de Lebesgue4 Medida de Riemann-Stieltjes5 Medida de Wiener

Teoría de la Medida vs ProbabilidadContinuidad por arriba y por abajo. Continuidad en el vacío.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 69

/ 82

Page 367: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

(X ,F , µ) espacio de medidailidad µ = P.

A ∈ F es un átomo si

1 µ (A) > 02 Si B ⊂ A y µ (B) < µ (A), entonces µ (B) = 0.

µ es medida no atómica si no tiene átomos

En particular si µ es una medida no atómica, µ (i) = 0 ∀ i ∈ F .Ejemplo: X = 1, . . . , n, F =2X y µ = # (A). Entonces µ tieneátomos en 1 , . . . , n

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 70

/ 82

Page 368: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

(X ,F , µ) espacio de medidailidad µ = P.

A ∈ F es un átomo si

1 µ (A) > 02 Si B ⊂ A y µ (B) < µ (A), entonces µ (B) = 0.

µ es medida no atómica si no tiene átomos

En particular si µ es una medida no atómica, µ (i) = 0 ∀ i ∈ F .Ejemplo: X = 1, . . . , n, F =2X y µ = # (A). Entonces µ tieneátomos en 1 , . . . , n

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 70

/ 82

Page 369: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

(X ,F , µ) espacio de medidailidad µ = P.

A ∈ F es un átomo si1 µ (A) > 0

2 Si B ⊂ A y µ (B) < µ (A), entonces µ (B) = 0.

µ es medida no atómica si no tiene átomos

En particular si µ es una medida no atómica, µ (i) = 0 ∀ i ∈ F .Ejemplo: X = 1, . . . , n, F =2X y µ = # (A). Entonces µ tieneátomos en 1 , . . . , n

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 70

/ 82

Page 370: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

(X ,F , µ) espacio de medidailidad µ = P.

A ∈ F es un átomo si1 µ (A) > 02 Si B ⊂ A y µ (B) < µ (A), entonces µ (B) = 0.

µ es medida no atómica si no tiene átomos

En particular si µ es una medida no atómica, µ (i) = 0 ∀ i ∈ F .Ejemplo: X = 1, . . . , n, F =2X y µ = # (A). Entonces µ tieneátomos en 1 , . . . , n

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 70

/ 82

Page 371: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

(X ,F , µ) espacio de medidailidad µ = P.

A ∈ F es un átomo si1 µ (A) > 02 Si B ⊂ A y µ (B) < µ (A), entonces µ (B) = 0.

µ es medida no atómica si no tiene átomos

En particular si µ es una medida no atómica, µ (i) = 0 ∀ i ∈ F .Ejemplo: X = 1, . . . , n, F =2X y µ = # (A). Entonces µ tieneátomos en 1 , . . . , n

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 70

/ 82

Page 372: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

(X ,F , µ) espacio de medidailidad µ = P.

A ∈ F es un átomo si1 µ (A) > 02 Si B ⊂ A y µ (B) < µ (A), entonces µ (B) = 0.

µ es medida no atómica si no tiene átomos

En particular si µ es una medida no atómica, µ (i) = 0 ∀ i ∈ F .

Ejemplo: X = 1, . . . , n, F =2X y µ = # (A). Entonces µ tieneátomos en 1 , . . . , n

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 70

/ 82

Page 373: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Medida

(X ,F , µ) espacio de medidailidad µ = P.

A ∈ F es un átomo si1 µ (A) > 02 Si B ⊂ A y µ (B) < µ (A), entonces µ (B) = 0.

µ es medida no atómica si no tiene átomos

En particular si µ es una medida no atómica, µ (i) = 0 ∀ i ∈ F .Ejemplo: X = 1, . . . , n, F =2X y µ = # (A). Entonces µ tieneátomos en 1 , . . . , n

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 70

/ 82

Page 374: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Modelos Estocásticos para Conjuntos Aleatorios de PuntosEspacios de Probabilidad para procesos de Poisson: Motivación

Proceso de Poisson con espacio de estados S definido en(Ω,F ,P),

Π : Ω→ S∞

S∞ es el conjunto de todos los subconjuntos numerables de S .Conjuntos de prueba A ∈ S∞ número de puntos de Π en A es

N (A) := # Π (ω) ∩ A

N (A) : Ω→ 0, 1, . . . ,∞N (A) debe ser una variable aleatoria para cada conjunto de prueba A(ejercicio): Para cada n,

ω : N (A) = n = ω ∈ Ω : N (A) (ω) = n ∈ F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 71

/ 82

Page 375: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Modelos Estocásticos para Conjuntos Aleatorios de PuntosEspacios de Probabilidad para procesos de Poisson: Motivación

Proceso de Poisson con espacio de estados S definido en(Ω,F ,P),

Π : Ω→ S∞

S∞ es el conjunto de todos los subconjuntos numerables de S .Conjuntos de prueba A ∈ S∞ número de puntos de Π en A es

N (A) := # Π (ω) ∩ A

N (A) : Ω→ 0, 1, . . . ,∞N (A) debe ser una variable aleatoria para cada conjunto de prueba A(ejercicio): Para cada n,

ω : N (A) = n = ω ∈ Ω : N (A) (ω) = n ∈ F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 71

/ 82

Page 376: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Modelos Estocásticos para Conjuntos Aleatorios de PuntosEspacios de Probabilidad para procesos de Poisson: Motivación

Proceso de Poisson con espacio de estados S definido en(Ω,F ,P),

Π : Ω→ S∞

S∞ es el conjunto de todos los subconjuntos numerables de S .

Conjuntos de prueba A ∈ S∞ número de puntos de Π en A es

N (A) := # Π (ω) ∩ A

N (A) : Ω→ 0, 1, . . . ,∞N (A) debe ser una variable aleatoria para cada conjunto de prueba A(ejercicio): Para cada n,

ω : N (A) = n = ω ∈ Ω : N (A) (ω) = n ∈ F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 71

/ 82

Page 377: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Modelos Estocásticos para Conjuntos Aleatorios de PuntosEspacios de Probabilidad para procesos de Poisson: Motivación

Proceso de Poisson con espacio de estados S definido en(Ω,F ,P),

Π : Ω→ S∞

S∞ es el conjunto de todos los subconjuntos numerables de S .Conjuntos de prueba A ∈ S∞ número de puntos de Π en A es

N (A) := # Π (ω) ∩ A

N (A) : Ω→ 0, 1, . . . ,∞N (A) debe ser una variable aleatoria para cada conjunto de prueba A(ejercicio): Para cada n,

ω : N (A) = n = ω ∈ Ω : N (A) (ω) = n ∈ F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 71

/ 82

Page 378: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Modelos Estocásticos para Conjuntos Aleatorios de PuntosEspacios de Probabilidad para procesos de Poisson: Motivación

Proceso de Poisson con espacio de estados S definido en(Ω,F ,P),

Π : Ω→ S∞

S∞ es el conjunto de todos los subconjuntos numerables de S .Conjuntos de prueba A ∈ S∞ número de puntos de Π en A es

N (A) := # Π (ω) ∩ A

N (A) : Ω→ 0, 1, . . . ,∞

N (A) debe ser una variable aleatoria para cada conjunto de prueba A(ejercicio): Para cada n,

ω : N (A) = n = ω ∈ Ω : N (A) (ω) = n ∈ F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 71

/ 82

Page 379: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Modelos Estocásticos para Conjuntos Aleatorios de PuntosEspacios de Probabilidad para procesos de Poisson: Motivación

Proceso de Poisson con espacio de estados S definido en(Ω,F ,P),

Π : Ω→ S∞

S∞ es el conjunto de todos los subconjuntos numerables de S .Conjuntos de prueba A ∈ S∞ número de puntos de Π en A es

N (A) := # Π (ω) ∩ A

N (A) : Ω→ 0, 1, . . . ,∞N (A) debe ser una variable aleatoria para cada conjunto de prueba A(ejercicio): Para cada n,

ω : N (A) = n = ω ∈ Ω : N (A) (ω) = n ∈ F .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 71

/ 82

Page 380: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Elección de los conjuntos de prueba: Motivación

Se requiere definir distribuciones de N(A), distribuciones conjuntas,etc.

Preferible definir conjuntos de prueba simples y a partir de ellosconstruir otros más complicados.

Ejemplo, si S = R, es suficiente pedir que los intervalos abiertos(a, b) sean conjuntos de prueba

Todo conjunto abierto G es la unión numerable de intervalos abiertosAj ,N (G ) = ∑j N

(Aj)es una variable aleatoria si las N

(Aj)también lo

sonSi F es cerrado es la intersección de una sucesión decreciente deconjuntos abiertos Gi , y N (F ) = limi→∞ N (Gi ).N (A) es una variable aleatoria bien definida para todo subconjunto A.

Algo similar se puede hacer para S = R2 o S = Rd .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 72

/ 82

Page 381: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Elección de los conjuntos de prueba: Motivación

Se requiere definir distribuciones de N(A), distribuciones conjuntas,etc.

Preferible definir conjuntos de prueba simples y a partir de ellosconstruir otros más complicados.

Ejemplo, si S = R, es suficiente pedir que los intervalos abiertos(a, b) sean conjuntos de prueba

Todo conjunto abierto G es la unión numerable de intervalos abiertosAj ,N (G ) = ∑j N

(Aj)es una variable aleatoria si las N

(Aj)también lo

sonSi F es cerrado es la intersección de una sucesión decreciente deconjuntos abiertos Gi , y N (F ) = limi→∞ N (Gi ).N (A) es una variable aleatoria bien definida para todo subconjunto A.

Algo similar se puede hacer para S = R2 o S = Rd .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 72

/ 82

Page 382: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Elección de los conjuntos de prueba: Motivación

Se requiere definir distribuciones de N(A), distribuciones conjuntas,etc.

Preferible definir conjuntos de prueba simples y a partir de ellosconstruir otros más complicados.

Ejemplo, si S = R, es suficiente pedir que los intervalos abiertos(a, b) sean conjuntos de prueba

Todo conjunto abierto G es la unión numerable de intervalos abiertosAj ,N (G ) = ∑j N

(Aj)es una variable aleatoria si las N

(Aj)también lo

sonSi F es cerrado es la intersección de una sucesión decreciente deconjuntos abiertos Gi , y N (F ) = limi→∞ N (Gi ).N (A) es una variable aleatoria bien definida para todo subconjunto A.

Algo similar se puede hacer para S = R2 o S = Rd .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 72

/ 82

Page 383: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Elección de los conjuntos de prueba: Motivación

Se requiere definir distribuciones de N(A), distribuciones conjuntas,etc.

Preferible definir conjuntos de prueba simples y a partir de ellosconstruir otros más complicados.

Ejemplo, si S = R, es suficiente pedir que los intervalos abiertos(a, b) sean conjuntos de prueba

Todo conjunto abierto G es la unión numerable de intervalos abiertosAj ,

N (G ) = ∑j N(Aj)es una variable aleatoria si las N

(Aj)también lo

sonSi F es cerrado es la intersección de una sucesión decreciente deconjuntos abiertos Gi , y N (F ) = limi→∞ N (Gi ).N (A) es una variable aleatoria bien definida para todo subconjunto A.

Algo similar se puede hacer para S = R2 o S = Rd .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 72

/ 82

Page 384: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Elección de los conjuntos de prueba: Motivación

Se requiere definir distribuciones de N(A), distribuciones conjuntas,etc.

Preferible definir conjuntos de prueba simples y a partir de ellosconstruir otros más complicados.

Ejemplo, si S = R, es suficiente pedir que los intervalos abiertos(a, b) sean conjuntos de prueba

Todo conjunto abierto G es la unión numerable de intervalos abiertosAj ,N (G ) = ∑j N

(Aj)es una variable aleatoria si las N

(Aj)también lo

son

Si F es cerrado es la intersección de una sucesión decreciente deconjuntos abiertos Gi , y N (F ) = limi→∞ N (Gi ).N (A) es una variable aleatoria bien definida para todo subconjunto A.

Algo similar se puede hacer para S = R2 o S = Rd .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 72

/ 82

Page 385: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Elección de los conjuntos de prueba: Motivación

Se requiere definir distribuciones de N(A), distribuciones conjuntas,etc.

Preferible definir conjuntos de prueba simples y a partir de ellosconstruir otros más complicados.

Ejemplo, si S = R, es suficiente pedir que los intervalos abiertos(a, b) sean conjuntos de prueba

Todo conjunto abierto G es la unión numerable de intervalos abiertosAj ,N (G ) = ∑j N

(Aj)es una variable aleatoria si las N

(Aj)también lo

sonSi F es cerrado es la intersección de una sucesión decreciente deconjuntos abiertos Gi , y N (F ) = limi→∞ N (Gi ).

N (A) es una variable aleatoria bien definida para todo subconjunto A.

Algo similar se puede hacer para S = R2 o S = Rd .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 72

/ 82

Page 386: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Elección de los conjuntos de prueba: Motivación

Se requiere definir distribuciones de N(A), distribuciones conjuntas,etc.

Preferible definir conjuntos de prueba simples y a partir de ellosconstruir otros más complicados.

Ejemplo, si S = R, es suficiente pedir que los intervalos abiertos(a, b) sean conjuntos de prueba

Todo conjunto abierto G es la unión numerable de intervalos abiertosAj ,N (G ) = ∑j N

(Aj)es una variable aleatoria si las N

(Aj)también lo

sonSi F es cerrado es la intersección de una sucesión decreciente deconjuntos abiertos Gi , y N (F ) = limi→∞ N (Gi ).N (A) es una variable aleatoria bien definida para todo subconjunto A.

Algo similar se puede hacer para S = R2 o S = Rd .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 72

/ 82

Page 387: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Elección de los conjuntos de prueba: Motivación

Se requiere definir distribuciones de N(A), distribuciones conjuntas,etc.

Preferible definir conjuntos de prueba simples y a partir de ellosconstruir otros más complicados.

Ejemplo, si S = R, es suficiente pedir que los intervalos abiertos(a, b) sean conjuntos de prueba

Todo conjunto abierto G es la unión numerable de intervalos abiertosAj ,N (G ) = ∑j N

(Aj)es una variable aleatoria si las N

(Aj)también lo

sonSi F es cerrado es la intersección de una sucesión decreciente deconjuntos abiertos Gi , y N (F ) = limi→∞ N (Gi ).N (A) es una variable aleatoria bien definida para todo subconjunto A.

Algo similar se puede hacer para S = R2 o S = Rd .

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 72

/ 82

Page 388: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Estados

Usualmente S es un espacio Euclidiano d-dimensional

S es un espacio medible

Espacio de medida (S ,A, µ)

A es la familia de conjuntos de prueba que queremos.Si A ∈ A diremos que A es un conjunto medible.

Necesitamos asegurar que hay suficientes conjuntos medibles parapoder distinguir puntos individuales.

En particular∀x ∈ S x ∈ A.

Cuando S = Rd , tomaremos como conjuntos medibles a losconjuntos de Borel de Rd

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 73

/ 82

Page 389: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Estados

Usualmente S es un espacio Euclidiano d-dimensional

S es un espacio medible

Espacio de medida (S ,A, µ)

A es la familia de conjuntos de prueba que queremos.Si A ∈ A diremos que A es un conjunto medible.

Necesitamos asegurar que hay suficientes conjuntos medibles parapoder distinguir puntos individuales.

En particular∀x ∈ S x ∈ A.

Cuando S = Rd , tomaremos como conjuntos medibles a losconjuntos de Borel de Rd

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 73

/ 82

Page 390: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Estados

Usualmente S es un espacio Euclidiano d-dimensional

S es un espacio medible

Espacio de medida (S ,A, µ)

A es la familia de conjuntos de prueba que queremos.Si A ∈ A diremos que A es un conjunto medible.

Necesitamos asegurar que hay suficientes conjuntos medibles parapoder distinguir puntos individuales.

En particular∀x ∈ S x ∈ A.

Cuando S = Rd , tomaremos como conjuntos medibles a losconjuntos de Borel de Rd

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 73

/ 82

Page 391: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Estados

Usualmente S es un espacio Euclidiano d-dimensional

S es un espacio medible

Espacio de medida (S ,A, µ)A es la familia de conjuntos de prueba que queremos.

Si A ∈ A diremos que A es un conjunto medible.

Necesitamos asegurar que hay suficientes conjuntos medibles parapoder distinguir puntos individuales.

En particular∀x ∈ S x ∈ A.

Cuando S = Rd , tomaremos como conjuntos medibles a losconjuntos de Borel de Rd

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 73

/ 82

Page 392: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Estados

Usualmente S es un espacio Euclidiano d-dimensional

S es un espacio medible

Espacio de medida (S ,A, µ)A es la familia de conjuntos de prueba que queremos.Si A ∈ A diremos que A es un conjunto medible.

Necesitamos asegurar que hay suficientes conjuntos medibles parapoder distinguir puntos individuales.

En particular∀x ∈ S x ∈ A.

Cuando S = Rd , tomaremos como conjuntos medibles a losconjuntos de Borel de Rd

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 73

/ 82

Page 393: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Estados

Usualmente S es un espacio Euclidiano d-dimensional

S es un espacio medible

Espacio de medida (S ,A, µ)A es la familia de conjuntos de prueba que queremos.Si A ∈ A diremos que A es un conjunto medible.

Necesitamos asegurar que hay suficientes conjuntos medibles parapoder distinguir puntos individuales.

En particular∀x ∈ S x ∈ A.

Cuando S = Rd , tomaremos como conjuntos medibles a losconjuntos de Borel de Rd

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 73

/ 82

Page 394: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Estados

Usualmente S es un espacio Euclidiano d-dimensional

S es un espacio medible

Espacio de medida (S ,A, µ)A es la familia de conjuntos de prueba que queremos.Si A ∈ A diremos que A es un conjunto medible.

Necesitamos asegurar que hay suficientes conjuntos medibles parapoder distinguir puntos individuales.

En particular∀x ∈ S x ∈ A.

Cuando S = Rd , tomaremos como conjuntos medibles a losconjuntos de Borel de Rd

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 73

/ 82

Page 395: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Espacio de Estados

Usualmente S es un espacio Euclidiano d-dimensional

S es un espacio medible

Espacio de medida (S ,A, µ)A es la familia de conjuntos de prueba que queremos.Si A ∈ A diremos que A es un conjunto medible.

Necesitamos asegurar que hay suficientes conjuntos medibles parapoder distinguir puntos individuales.

En particular∀x ∈ S x ∈ A.

Cuando S = Rd , tomaremos como conjuntos medibles a losconjuntos de Borel de Rd

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 73

/ 82

Page 396: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Definición de Proceso de Poisson

Espacio de Medida (S ,A, µ)

Espacio de Probabilidad (Ω,F ,P),Π : Ω→ S∞ es un subconjunto numerable de S

N (A) := # Π (ω) ∩ AUn proceso de Poisson en un espacio de estados S , es unsubconjunto aleatorio numerable Π de S , tal que

Si A1, . . . ,An ∈ A son ajenos (Ai ∩ Aj = ∅ ∀i 6= j), las variablesaleatorias N (A1) , . . . ,N (An) son independientesLa variable aleatoria N (A) tiene distribución Poisson P (µ(A)).

Si µ (A) < ∞, el conjunto Π ∩ A es finito con probabilidad 1, y vacíosi µ (A) = 0.

Si µ (A) = ∞, Π ∩ A es infinito numerable con probabilidad 1.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 74

/ 82

Page 397: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Definición de Proceso de Poisson

Espacio de Medida (S ,A, µ)Espacio de Probabilidad (Ω,F ,P),

Π : Ω→ S∞ es un subconjunto numerable de S

N (A) := # Π (ω) ∩ AUn proceso de Poisson en un espacio de estados S , es unsubconjunto aleatorio numerable Π de S , tal que

Si A1, . . . ,An ∈ A son ajenos (Ai ∩ Aj = ∅ ∀i 6= j), las variablesaleatorias N (A1) , . . . ,N (An) son independientesLa variable aleatoria N (A) tiene distribución Poisson P (µ(A)).

Si µ (A) < ∞, el conjunto Π ∩ A es finito con probabilidad 1, y vacíosi µ (A) = 0.

Si µ (A) = ∞, Π ∩ A es infinito numerable con probabilidad 1.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 74

/ 82

Page 398: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Definición de Proceso de Poisson

Espacio de Medida (S ,A, µ)Espacio de Probabilidad (Ω,F ,P),Π : Ω→ S∞ es un subconjunto numerable de S

N (A) := # Π (ω) ∩ AUn proceso de Poisson en un espacio de estados S , es unsubconjunto aleatorio numerable Π de S , tal que

Si A1, . . . ,An ∈ A son ajenos (Ai ∩ Aj = ∅ ∀i 6= j), las variablesaleatorias N (A1) , . . . ,N (An) son independientesLa variable aleatoria N (A) tiene distribución Poisson P (µ(A)).

Si µ (A) < ∞, el conjunto Π ∩ A es finito con probabilidad 1, y vacíosi µ (A) = 0.

Si µ (A) = ∞, Π ∩ A es infinito numerable con probabilidad 1.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 74

/ 82

Page 399: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Definición de Proceso de Poisson

Espacio de Medida (S ,A, µ)Espacio de Probabilidad (Ω,F ,P),Π : Ω→ S∞ es un subconjunto numerable de S

N (A) := # Π (ω) ∩ A

Un proceso de Poisson en un espacio de estados S , es unsubconjunto aleatorio numerable Π de S , tal que

Si A1, . . . ,An ∈ A son ajenos (Ai ∩ Aj = ∅ ∀i 6= j), las variablesaleatorias N (A1) , . . . ,N (An) son independientesLa variable aleatoria N (A) tiene distribución Poisson P (µ(A)).

Si µ (A) < ∞, el conjunto Π ∩ A es finito con probabilidad 1, y vacíosi µ (A) = 0.

Si µ (A) = ∞, Π ∩ A es infinito numerable con probabilidad 1.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 74

/ 82

Page 400: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Definición de Proceso de Poisson

Espacio de Medida (S ,A, µ)Espacio de Probabilidad (Ω,F ,P),Π : Ω→ S∞ es un subconjunto numerable de S

N (A) := # Π (ω) ∩ AUn proceso de Poisson en un espacio de estados S , es unsubconjunto aleatorio numerable Π de S , tal que

Si A1, . . . ,An ∈ A son ajenos (Ai ∩ Aj = ∅ ∀i 6= j), las variablesaleatorias N (A1) , . . . ,N (An) son independientesLa variable aleatoria N (A) tiene distribución Poisson P (µ(A)).

Si µ (A) < ∞, el conjunto Π ∩ A es finito con probabilidad 1, y vacíosi µ (A) = 0.

Si µ (A) = ∞, Π ∩ A es infinito numerable con probabilidad 1.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 74

/ 82

Page 401: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Definición de Proceso de Poisson

Espacio de Medida (S ,A, µ)Espacio de Probabilidad (Ω,F ,P),Π : Ω→ S∞ es un subconjunto numerable de S

N (A) := # Π (ω) ∩ AUn proceso de Poisson en un espacio de estados S , es unsubconjunto aleatorio numerable Π de S , tal que

Si A1, . . . ,An ∈ A son ajenos (Ai ∩ Aj = ∅ ∀i 6= j), las variablesaleatorias N (A1) , . . . ,N (An) son independientes

La variable aleatoria N (A) tiene distribución Poisson P (µ(A)).

Si µ (A) < ∞, el conjunto Π ∩ A es finito con probabilidad 1, y vacíosi µ (A) = 0.

Si µ (A) = ∞, Π ∩ A es infinito numerable con probabilidad 1.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 74

/ 82

Page 402: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Definición de Proceso de Poisson

Espacio de Medida (S ,A, µ)Espacio de Probabilidad (Ω,F ,P),Π : Ω→ S∞ es un subconjunto numerable de S

N (A) := # Π (ω) ∩ AUn proceso de Poisson en un espacio de estados S , es unsubconjunto aleatorio numerable Π de S , tal que

Si A1, . . . ,An ∈ A son ajenos (Ai ∩ Aj = ∅ ∀i 6= j), las variablesaleatorias N (A1) , . . . ,N (An) son independientesLa variable aleatoria N (A) tiene distribución Poisson P (µ(A)).

Si µ (A) < ∞, el conjunto Π ∩ A es finito con probabilidad 1, y vacíosi µ (A) = 0.

Si µ (A) = ∞, Π ∩ A es infinito numerable con probabilidad 1.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 74

/ 82

Page 403: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Definición de Proceso de Poisson

Espacio de Medida (S ,A, µ)Espacio de Probabilidad (Ω,F ,P),Π : Ω→ S∞ es un subconjunto numerable de S

N (A) := # Π (ω) ∩ AUn proceso de Poisson en un espacio de estados S , es unsubconjunto aleatorio numerable Π de S , tal que

Si A1, . . . ,An ∈ A son ajenos (Ai ∩ Aj = ∅ ∀i 6= j), las variablesaleatorias N (A1) , . . . ,N (An) son independientesLa variable aleatoria N (A) tiene distribución Poisson P (µ(A)).

Si µ (A) < ∞, el conjunto Π ∩ A es finito con probabilidad 1, y vacíosi µ (A) = 0.

Si µ (A) = ∞, Π ∩ A es infinito numerable con probabilidad 1.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 74

/ 82

Page 404: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Definición de Proceso de Poisson

Espacio de Medida (S ,A, µ)Espacio de Probabilidad (Ω,F ,P),Π : Ω→ S∞ es un subconjunto numerable de S

N (A) := # Π (ω) ∩ AUn proceso de Poisson en un espacio de estados S , es unsubconjunto aleatorio numerable Π de S , tal que

Si A1, . . . ,An ∈ A son ajenos (Ai ∩ Aj = ∅ ∀i 6= j), las variablesaleatorias N (A1) , . . . ,N (An) son independientesLa variable aleatoria N (A) tiene distribución Poisson P (µ(A)).

Si µ (A) < ∞, el conjunto Π ∩ A es finito con probabilidad 1, y vacíosi µ (A) = 0.

Si µ (A) = ∞, Π ∩ A es infinito numerable con probabilidad 1.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 74

/ 82

Page 405: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Medida Media

Para A ∈ A, N (A) ∼ P (µ(A))

E (N (A)) = µ (A) .

Si A1,A2, . . . son ajenos con⋃∞n=1 An = A,

N (A) =∞

∑n=1

N (An)

E (N (A)) = E

(∞

∑n=1

N (An)

)

µ (A) =∞

∑n=1

µ (An) .

La medida µ es la medida media del proceso de Poisson Π.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 75

/ 82

Page 406: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Medida Media

Para A ∈ A, N (A) ∼ P (µ(A))

E (N (A)) = µ (A) .

Si A1,A2, . . . son ajenos con⋃∞n=1 An = A,

N (A) =∞

∑n=1

N (An)

E (N (A)) = E

(∞

∑n=1

N (An)

)

µ (A) =∞

∑n=1

µ (An) .

La medida µ es la medida media del proceso de Poisson Π.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 75

/ 82

Page 407: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Medida Media

Para A ∈ A, N (A) ∼ P (µ(A))

E (N (A)) = µ (A) .

Si A1,A2, . . . son ajenos con⋃∞n=1 An = A,

N (A) =∞

∑n=1

N (An)

E (N (A)) = E

(∞

∑n=1

N (An)

)

µ (A) =∞

∑n=1

µ (An) .

La medida µ es la medida media del proceso de Poisson Π.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 75

/ 82

Page 408: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Medida Media

Para A ∈ A, N (A) ∼ P (µ(A))

E (N (A)) = µ (A) .

Si A1,A2, . . . son ajenos con⋃∞n=1 An = A,

N (A) =∞

∑n=1

N (An)

E (N (A)) = E

(∞

∑n=1

N (An)

)

µ (A) =∞

∑n=1

µ (An) .

La medida µ es la medida media del proceso de Poisson Π.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 75

/ 82

Page 409: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Medida Media

Para A ∈ A, N (A) ∼ P (µ(A))

E (N (A)) = µ (A) .

Si A1,A2, . . . son ajenos con⋃∞n=1 An = A,

N (A) =∞

∑n=1

N (An)

E (N (A)) = E

(∞

∑n=1

N (An)

)

µ (A) =∞

∑n=1

µ (An) .

La medida µ es la medida media del proceso de Poisson Π.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 75

/ 82

Page 410: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

La Medida Media no puede ser Atómica

Si lo fuera existe átomo en x ∈ S , 0 < µ (x) = m.

El correspondiente PP con medida media µ sería tal que

P (N (x) ≥ 2) = 1−(m0e−m

0!+m1e−m

1!

)= 1− e−m −me−m > 0

Contradice que N (A) sea una variable aleatoria bien definida ∀A ∈ A,

N (x) = # Π ∩ x ≤ 1.

Por lo tanto una medida media debe ser no atómica,

µ (x) = 0 ∀x ∈ S .

Corolario: Medidas discretas no pueden ser medidas medias.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 76

/ 82

Page 411: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

La Medida Media no puede ser Atómica

Si lo fuera existe átomo en x ∈ S , 0 < µ (x) = m.El correspondiente PP con medida media µ sería tal que

P (N (x) ≥ 2) = 1−(m0e−m

0!+m1e−m

1!

)= 1− e−m −me−m > 0

Contradice que N (A) sea una variable aleatoria bien definida ∀A ∈ A,

N (x) = # Π ∩ x ≤ 1.

Por lo tanto una medida media debe ser no atómica,

µ (x) = 0 ∀x ∈ S .

Corolario: Medidas discretas no pueden ser medidas medias.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 76

/ 82

Page 412: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

La Medida Media no puede ser Atómica

Si lo fuera existe átomo en x ∈ S , 0 < µ (x) = m.El correspondiente PP con medida media µ sería tal que

P (N (x) ≥ 2) = 1−(m0e−m

0!+m1e−m

1!

)= 1− e−m −me−m > 0

Contradice que N (A) sea una variable aleatoria bien definida ∀A ∈ A,

N (x) = # Π ∩ x ≤ 1.

Por lo tanto una medida media debe ser no atómica,

µ (x) = 0 ∀x ∈ S .

Corolario: Medidas discretas no pueden ser medidas medias.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 76

/ 82

Page 413: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

La Medida Media no puede ser Atómica

Si lo fuera existe átomo en x ∈ S , 0 < µ (x) = m.El correspondiente PP con medida media µ sería tal que

P (N (x) ≥ 2) = 1−(m0e−m

0!+m1e−m

1!

)= 1− e−m −me−m > 0

Contradice que N (A) sea una variable aleatoria bien definida ∀A ∈ A,

N (x) = # Π ∩ x ≤ 1.

Por lo tanto una medida media debe ser no atómica,

µ (x) = 0 ∀x ∈ S .

Corolario: Medidas discretas no pueden ser medidas medias.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 76

/ 82

Page 414: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

La Medida Media no puede ser Atómica

Si lo fuera existe átomo en x ∈ S , 0 < µ (x) = m.El correspondiente PP con medida media µ sería tal que

P (N (x) ≥ 2) = 1−(m0e−m

0!+m1e−m

1!

)= 1− e−m −me−m > 0

Contradice que N (A) sea una variable aleatoria bien definida ∀A ∈ A,

N (x) = # Π ∩ x ≤ 1.

Por lo tanto una medida media debe ser no atómica,

µ (x) = 0 ∀x ∈ S .

Corolario: Medidas discretas no pueden ser medidas medias.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 76

/ 82

Page 415: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ejemplos

S = Rd , λ es una función no negativa en S , tal que

µ (A) =∫A

λ (x) dx .

Hablamos de un proceso de Poisson homogéneo en S si λ esconstante, | A| =

∫A dx y

µ (A) = λ |A|

Si S = R, y µ es finita en conjuntos acotados, la medida µ estádeterminada de manera única por sus valores en intervalos (a, b]:

µ (a, b] = M (b)−M(a)

con M : R→ R,

M (t) =

µ (0, t] si t ≥ 0−µ (t, 0] si t < 0

.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 77

/ 82

Page 416: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ejemplos

S = Rd , λ es una función no negativa en S , tal que

µ (A) =∫A

λ (x) dx .

Hablamos de un proceso de Poisson homogéneo en S si λ esconstante, | A| =

∫A dx y

µ (A) = λ |A|

Si S = R, y µ es finita en conjuntos acotados, la medida µ estádeterminada de manera única por sus valores en intervalos (a, b]:

µ (a, b] = M (b)−M(a)

con M : R→ R,

M (t) =

µ (0, t] si t ≥ 0−µ (t, 0] si t < 0

.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 77

/ 82

Page 417: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ejemplos

S = Rd , λ es una función no negativa en S , tal que

µ (A) =∫A

λ (x) dx .

Hablamos de un proceso de Poisson homogéneo en S si λ esconstante, | A| =

∫A dx y

µ (A) = λ |A|

Si S = R, y µ es finita en conjuntos acotados, la medida µ estádeterminada de manera única por sus valores en intervalos (a, b]:

µ (a, b] = M (b)−M(a)

con M : R→ R,

M (t) =

µ (0, t] si t ≥ 0−µ (t, 0] si t < 0

.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 77

/ 82

Page 418: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Algunos Teoremas Importantes y Bellos

Π1,Π2, . . . son procesos de Poisson independientes, si para cadaA ∈ A, N1 (A) ,N2 (A) , . . . son v.a. independientes.

Lema de Separación: Sean Π1 y Π2 procesos de Poissonindependientes en S , y sea A ∈ A con µ1 (A) y µ2 (A) finitas.Entonces Π1 y Π2 son ajenos en A con probabilidad 1

P (Π1 ∩Π2 ∩ A = ∅) = 1.Teorema de Superposición: Sea Πn∞

n=1 una familia de procesosde Poisson independientes en S donde Πn tiene media µn para cadan ≥ 1. Su superposición

Π =∞⋃n=1

Πn

es un proceso de Poisson con medida media

µ =∞

∑n=1

µn.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 78

/ 82

Page 419: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Algunos Teoremas Importantes y Bellos

Π1,Π2, . . . son procesos de Poisson independientes, si para cadaA ∈ A, N1 (A) ,N2 (A) , . . . son v.a. independientes.Lema de Separación: Sean Π1 y Π2 procesos de Poissonindependientes en S , y sea A ∈ A con µ1 (A) y µ2 (A) finitas.Entonces Π1 y Π2 son ajenos en A con probabilidad 1

P (Π1 ∩Π2 ∩ A = ∅) = 1.

Teorema de Superposición: Sea Πn∞n=1 una familia de procesos

de Poisson independientes en S donde Πn tiene media µn para cadan ≥ 1. Su superposición

Π =∞⋃n=1

Πn

es un proceso de Poisson con medida media

µ =∞

∑n=1

µn.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 78

/ 82

Page 420: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Algunos Teoremas Importantes y Bellos

Π1,Π2, . . . son procesos de Poisson independientes, si para cadaA ∈ A, N1 (A) ,N2 (A) , . . . son v.a. independientes.Lema de Separación: Sean Π1 y Π2 procesos de Poissonindependientes en S , y sea A ∈ A con µ1 (A) y µ2 (A) finitas.Entonces Π1 y Π2 son ajenos en A con probabilidad 1

P (Π1 ∩Π2 ∩ A = ∅) = 1.Teorema de Superposición: Sea Πn∞

n=1 una familia de procesosde Poisson independientes en S donde Πn tiene media µn para cadan ≥ 1. Su superposición

Π =∞⋃n=1

Πn

es un proceso de Poisson con medida media

µ =∞

∑n=1

µn.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 78

/ 82

Page 421: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Construcción de Procesos de Poisson

Teorema de Restricción: Sea Π un proceso de Poisson con medidamedia µ en S , y sea S1 un subconjunto medible de S . Entonces elconjunto aleatorio

Π1 = Π ∩ S1es un proceso de Poisson en S1 con medida media

µ1 (A) = µ (A∩ S1)

Teorema de Mapeo Sea Π un proceso de Poisson en un espacio deestados S , con medida media µ, y sea f : S → T una funciónmedible. Entonces f (Π) ⊂ T es un proceso de Poisson. La medidamedia de f (Π) es la medida inducida por f .Teorema de Existencia Sea µ una medida no atómica en un espaciode estados S que puede ser expresada en la forma

µ =∞

∑n=1

µn, µn (S) < ∞.

Entonces existe un proceso de Poisson en S con medida media µ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 79

/ 82

Page 422: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Construcción de Procesos de Poisson

Teorema de Restricción: Sea Π un proceso de Poisson con medidamedia µ en S , y sea S1 un subconjunto medible de S . Entonces elconjunto aleatorio

Π1 = Π ∩ S1es un proceso de Poisson en S1 con medida media

µ1 (A) = µ (A∩ S1)Teorema de Mapeo Sea Π un proceso de Poisson en un espacio deestados S , con medida media µ, y sea f : S → T una funciónmedible. Entonces f (Π) ⊂ T es un proceso de Poisson. La medidamedia de f (Π) es la medida inducida por f .

Teorema de Existencia Sea µ una medida no atómica en un espaciode estados S que puede ser expresada en la forma

µ =∞

∑n=1

µn, µn (S) < ∞.

Entonces existe un proceso de Poisson en S con medida media µ.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 79

/ 82

Page 423: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Construcción de Procesos de Poisson

Teorema de Restricción: Sea Π un proceso de Poisson con medidamedia µ en S , y sea S1 un subconjunto medible de S . Entonces elconjunto aleatorio

Π1 = Π ∩ S1es un proceso de Poisson en S1 con medida media

µ1 (A) = µ (A∩ S1)Teorema de Mapeo Sea Π un proceso de Poisson en un espacio deestados S , con medida media µ, y sea f : S → T una funciónmedible. Entonces f (Π) ⊂ T es un proceso de Poisson. La medidamedia de f (Π) es la medida inducida por f .Teorema de Existencia Sea µ una medida no atómica en un espaciode estados S que puede ser expresada en la forma

µ =∞

∑n=1

µn, µn (S) < ∞.

Entonces existe un proceso de Poisson en S con medida media µ.Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de Poisson

III Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 79/ 82

Page 424: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Teorema de Existencia

Idea de Demostración:

s.p.g. µn (S) > 0 ∀ n (µk (S) = 0, ∑ µn (A) = ∑n 6=k µn (A)).

Construir v.a. independientes Nn, Xnr , n, r = 1, 2, . . . Nn condistribución Poisson P (µn (S)) y Xnr con distribución pn

pn (·) =µn (·)µn (S)

.

SeanΠn = Xn1,Xn2, . . . ,XnNn

Π =∞⋃n=1

Πn.

Nn (A) = # Πn ∩ ATomar la superposición

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 80

/ 82

Page 425: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Teorema de Existencia

Idea de Demostración:

s.p.g. µn (S) > 0 ∀ n (µk (S) = 0, ∑ µn (A) = ∑n 6=k µn (A)).

Construir v.a. independientes Nn, Xnr , n, r = 1, 2, . . . Nn condistribución Poisson P (µn (S)) y Xnr con distribución pn

pn (·) =µn (·)µn (S)

.

SeanΠn = Xn1,Xn2, . . . ,XnNn

Π =∞⋃n=1

Πn.

Nn (A) = # Πn ∩ ATomar la superposición

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 80

/ 82

Page 426: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Teorema de Existencia

Idea de Demostración:

s.p.g. µn (S) > 0 ∀ n (µk (S) = 0, ∑ µn (A) = ∑n 6=k µn (A)).

Construir v.a. independientes Nn, Xnr , n, r = 1, 2, . . . Nn condistribución Poisson P (µn (S)) y Xnr con distribución pn

pn (·) =µn (·)µn (S)

.

SeanΠn = Xn1,Xn2, . . . ,XnNn

Π =∞⋃n=1

Πn.

Nn (A) = # Πn ∩ A

Tomar la superposición

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 80

/ 82

Page 427: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Teorema de Existencia

Idea de Demostración:

s.p.g. µn (S) > 0 ∀ n (µk (S) = 0, ∑ µn (A) = ∑n 6=k µn (A)).

Construir v.a. independientes Nn, Xnr , n, r = 1, 2, . . . Nn condistribución Poisson P (µn (S)) y Xnr con distribución pn

pn (·) =µn (·)µn (S)

.

SeanΠn = Xn1,Xn2, . . . ,XnNn

Π =∞⋃n=1

Πn.

Nn (A) = # Πn ∩ ATomar la superposición

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 80

/ 82

Page 428: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Referencias generales para el curso

1 V. Pérez-Abreu y David Reynoso Valle (2009). Introducción alProceso de Poisson. Notas en Proceso.

2 Begoña Fernández Fernández (2009). La Ley de Los Eventos Raros,Legado de Simeón Poisson. Memorias del Primer Congreso Regionalde Probabilidad y Estadística, Villahermosa, Tab. 2008.

3 V. Pérez-Abreu (1991). Poisson Aproximation to Power SeriesDistributions. The American Statistician Vol. 45.

4 Henk C. Tijms. A First Course in Stochastic Models. Wiley 2003.5 Sheldom M. Ross. Stochastic Processes. Wiley. Varias ediciones.6 Basawa, I.V. and Prakasa Rao, B.L.S. (1980). Statistical Inference forStochastic Processes. Academic Press, 1972.

7 Denis Bosq y Hung T. Nguyen. A Course in Stochastic Processes:Stochastic Models and Statistical Inference. Springer 2009.

8 Sir J. F. C. Kingman. Poisson Processes. Oxford, 2002.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 81

/ 82

Page 429: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultimos comentarios

Entrega de tareas, ejercicios, prácticas: en persona, debajo dela puerta o [email protected]

Líneas de investigación actuales:

Divisibilidad Infinita.Probabilidad LibreMatrices AleatoriasProbabilidad y otras Ramas de las Matemáticas

página personal http://www.cimat.mx/~pabreu/

Gracias por su asistencia y trabajo en el curso

Gracias por su participación en el Tercer Verano deProbabilidad y Estadística

Nos vemos en la Conferencia del Dr. José Alfredo LópezMimbela.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 82

/ 82

Page 430: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultimos comentarios

Entrega de tareas, ejercicios, prácticas: en persona, debajo dela puerta o [email protected]

Líneas de investigación actuales:

Divisibilidad Infinita.Probabilidad LibreMatrices AleatoriasProbabilidad y otras Ramas de las Matemáticas

página personal http://www.cimat.mx/~pabreu/

Gracias por su asistencia y trabajo en el curso

Gracias por su participación en el Tercer Verano deProbabilidad y Estadística

Nos vemos en la Conferencia del Dr. José Alfredo LópezMimbela.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 82

/ 82

Page 431: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultimos comentarios

Entrega de tareas, ejercicios, prácticas: en persona, debajo dela puerta o [email protected]

Líneas de investigación actuales:Divisibilidad Infinita.

Probabilidad LibreMatrices AleatoriasProbabilidad y otras Ramas de las Matemáticas

página personal http://www.cimat.mx/~pabreu/

Gracias por su asistencia y trabajo en el curso

Gracias por su participación en el Tercer Verano deProbabilidad y Estadística

Nos vemos en la Conferencia del Dr. José Alfredo LópezMimbela.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 82

/ 82

Page 432: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultimos comentarios

Entrega de tareas, ejercicios, prácticas: en persona, debajo dela puerta o [email protected]

Líneas de investigación actuales:Divisibilidad Infinita.Probabilidad Libre

Matrices AleatoriasProbabilidad y otras Ramas de las Matemáticas

página personal http://www.cimat.mx/~pabreu/

Gracias por su asistencia y trabajo en el curso

Gracias por su participación en el Tercer Verano deProbabilidad y Estadística

Nos vemos en la Conferencia del Dr. José Alfredo LópezMimbela.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 82

/ 82

Page 433: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultimos comentarios

Entrega de tareas, ejercicios, prácticas: en persona, debajo dela puerta o [email protected]

Líneas de investigación actuales:Divisibilidad Infinita.Probabilidad LibreMatrices Aleatorias

Probabilidad y otras Ramas de las Matemáticas

página personal http://www.cimat.mx/~pabreu/

Gracias por su asistencia y trabajo en el curso

Gracias por su participación en el Tercer Verano deProbabilidad y Estadística

Nos vemos en la Conferencia del Dr. José Alfredo LópezMimbela.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 82

/ 82

Page 434: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultimos comentarios

Entrega de tareas, ejercicios, prácticas: en persona, debajo dela puerta o [email protected]

Líneas de investigación actuales:Divisibilidad Infinita.Probabilidad LibreMatrices AleatoriasProbabilidad y otras Ramas de las Matemáticas

página personal http://www.cimat.mx/~pabreu/

Gracias por su asistencia y trabajo en el curso

Gracias por su participación en el Tercer Verano deProbabilidad y Estadística

Nos vemos en la Conferencia del Dr. José Alfredo LópezMimbela.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 82

/ 82

Page 435: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultimos comentarios

Entrega de tareas, ejercicios, prácticas: en persona, debajo dela puerta o [email protected]

Líneas de investigación actuales:Divisibilidad Infinita.Probabilidad LibreMatrices AleatoriasProbabilidad y otras Ramas de las Matemáticas

página personal http://www.cimat.mx/~pabreu/

Gracias por su asistencia y trabajo en el curso

Gracias por su participación en el Tercer Verano deProbabilidad y Estadística

Nos vemos en la Conferencia del Dr. José Alfredo LópezMimbela.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 82

/ 82

Page 436: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultimos comentarios

Entrega de tareas, ejercicios, prácticas: en persona, debajo dela puerta o [email protected]

Líneas de investigación actuales:Divisibilidad Infinita.Probabilidad LibreMatrices AleatoriasProbabilidad y otras Ramas de las Matemáticas

página personal http://www.cimat.mx/~pabreu/

Gracias por su asistencia y trabajo en el curso

Gracias por su participación en el Tercer Verano deProbabilidad y Estadística

Nos vemos en la Conferencia del Dr. José Alfredo LópezMimbela.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 82

/ 82

Page 437: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultimos comentarios

Entrega de tareas, ejercicios, prácticas: en persona, debajo dela puerta o [email protected]

Líneas de investigación actuales:Divisibilidad Infinita.Probabilidad LibreMatrices AleatoriasProbabilidad y otras Ramas de las Matemáticas

página personal http://www.cimat.mx/~pabreu/

Gracias por su asistencia y trabajo en el curso

Gracias por su participación en el Tercer Verano deProbabilidad y Estadística

Nos vemos en la Conferencia del Dr. José Alfredo LópezMimbela.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 82

/ 82

Page 438: Teoría, Modelación y Aplicaciones - cimat.mx · Curso Corto de Procesos de Poisson Teoría, Modelación y Aplicaciones Víctor M PØrez Abreu C Depto PyE CIMAT III Verano de Probabilidad

Ultimos comentarios

Entrega de tareas, ejercicios, prácticas: en persona, debajo dela puerta o [email protected]

Líneas de investigación actuales:Divisibilidad Infinita.Probabilidad LibreMatrices AleatoriasProbabilidad y otras Ramas de las Matemáticas

página personal http://www.cimat.mx/~pabreu/

Gracias por su asistencia y trabajo en el curso

Gracias por su participación en el Tercer Verano deProbabilidad y Estadística

Nos vemos en la Conferencia del Dr. José Alfredo LópezMimbela.

Víctor M Pérez Abreu C Depto PyE CIMAT () Curso Corto de Procesos de PoissonIII Verano de Probabilidad y Estadística CIMAT, Guanajuato, julio 19-22 del 2010 82

/ 82