Introducción a los

Modelos Estocásticos

Procesos de Poisson

Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero

 Capacidades
 Entender el proceso de Poisson como
uno de los
a principales
distribuciones de probabilidad para
la modelación de sistemas de
ingeniería en producción, logística
y en confiabilidad.

 Identificar las características de

un proceso de Poisson.

Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero

 1. Introducción
Fue descubierta por Siméon-Denis
Poisson, que la dio a conocer
en 1838 en su trabajo Investigación
sobre la probabilidad de los juicios en
materias criminales y civiles.

Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero

2. Cuando se utiliza la
Distribución Poisson
 La llegada de un cliente al negocio
durante periodo de tiempo.
 Las llamadas telefónicas que se reciben en
un tiempo determinado.
 Los defectos en manufactura de un
producto.
 Control de calidad.
 Muy utilizado en el diseño de líneas de
espera.

La distribución de Poisson se emplea para

describir procesos con un elemento en
común, pueden ser descritos por una
variable aleatoria discreta.
Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero
 3. Definición
Supongamos la llegada de clientes a una
ventanilla para solicitar algún servicio

T1 T2 T3
…
Tn
Suponga además que las variables
aleatorias T1, T2,…, Tn representan los
tiempos que transcurren entre una
ocurrencia del evento (arribo) y la
siguiente ocurrencia (arribo).
Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero
 3. Definición
Los tiempos T1, T2,…,Tn son
independientes y se distribuyen 𝑬𝒙𝒑(𝝀)

T1 T2 T3
…
Tn

Se define el proceso de Poisson en el

tiempo t como el número de ocurrencias
(arribos)del evento que se han observado
hasta ese instante t.
Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero
 3. Definición
Como este proceso es una variable
aleatoria Xt entonces, puede encontrarse
la distribución de probabilidad de la
variable Xt para cualquier valor de t > 0
mediante la distribución Poisson(𝝀𝒕):
(t ) n e  t n=0,1,2,…
P( N (t )  n)  Pn (t ) 
n!
E(N(t)) = t
Var(N(t))= t

T1 T2 T3 …T n

Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero

 3.1. Perdida de memoria
Para cualesquiera tiempos 𝟎 ≤ 𝒔 < 𝒕 y para
n=0,1,2,… . Se cumple

P[ N (t )  N (s)  n]  P[ N (t  s)  n]  Pn (t  s)
[ (t  s)]n e   (t  s ) n=0,1,2,…
Pn (t  s) 
n!
que los incrementos de este proceso son
estacionarios y tienen distribución
Poisson para cada intervalo de tiempo.

Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero

 La propiedad de pérdida de memoria se
puede interpretar de la siguiente forma:
Supongamos que una persona ha llegado a
la estación y ha esperado s minutos sin
que un autobús aparezca. La probabilidad
de que tenga que esperar más de t minutos
adicionales es la misma que la
probabilidad de espera de más de t minutos
para una persona que ¡acaba de llegar a
la estación!.

Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero

 4. Proceso de Poisson generalizado
Un proceos N(t) de valores enteros o
proceso de conteo es un proceso de
Poisson generalizado con media 𝝀 si
a) N(t) tiene incrementos independientes
y estacionarios.
b) ∀ s,t con s<t, la variable N(t)-N(s)
sigue una ley de Poisson con media
𝝀 𝒕−𝒔 .

N(t) recibe el nombre del función

contador del proceso. Se tiene
m(t)=𝝀 𝒕 = 𝑬(N(t)).
Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero
 4. Proceso de Poisson generalizado
Para un proceso de Poisson de solo
arribos (llegadas) con: n   y N(0)=0
(  t ) n e  t n=0,1,2,…
Pn (t ) 
n!

E(N(t))= t
Si N(0)≠0
(t )[ n  N ( 0)] e  t Si n≥N(0). En otro caso Pn(t)=0
Pn (t )  [ n  N ( 0 )]
!

E(N(t))=N(0)+ t
Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero
 4. Proceso de Poisson generalizado
Para un proceso de Poisson de solo
salidas con: un  u y N(0)≠0

(ut )[ N ( 0) n ] e ut 1≤n≤N(0)

Pn (t )  [ N (0)n ]
!
N (0)
Pn (t )  1   Pn (t ) ; n=0 Pn(t)=0 si n>N(0)
n 1

Ahora E[N(t)]= Tamaño esperado de la

población esta dado por
N (0)
E[N(t)]=  nP (t )n
n 1 y Arquitectura
Facultad de Ingeniería Profesor Luis Antonio Durand Romero
 Casos de aplicación
Caso 1. Al almacén central de ALICORP
llegan camiones en promedio 2/hora. Al
inicio de nuestro análisis tiene dos
camiones. Determinar:
a) El número esperado de camiones después
de 3 horas.
b) Determinar la probabilidad de tener al
menos 4 camiones después de 1 hora.
c) Determinar la probabilidad de tener
menos de 2 camiones después de 2 horas.
d) Determinar la probabilidad de tener
exactamente 5 camiones después de 3
hora.
Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero
 Caso 2. La empresa LUZDELSUR, tiene 10
equipos de trabajo que arreglan
desperfectos eléctricos en Lima y salen a
atender los mismos. La tasa de
desperfectos por semana (7 días) es de
0.6. Determinar:

a) El número esperado de equipos después

de 3 días.
b) Determinar la probabilidad de tener al
menos 2 equipos después de 5 días.

Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero

 Bibliografía
[1] Frederick S. Hillier y Gerald J.
Lieberman. (2002). Investigación de
operaciones. (7a ed.). - México:
McGraw-Hill.

[2] Wayne L. Winston. (2005).

Investigación de operaciones:
Aplicaciones y Algoritmos. (4a ed.).-
México: Thomson.

Facultad de Ingeniería y Arquitectura Profesor Luis Antonio Durand Romero