2019

PROCESO DE POISSON PARA

COMPARAR LA CANTIDAD DE
PERSONAS QUE SE ALIMENTAN
EN LA FIEC VS FCNM

ELABORADO POR:
GUTIERREZ BAQUE MAURICIO
MEJÍA VINUEZA JAVIER
YAGUAL PEÑAFIEL WENDY
Introducción
El proceso de Poisson es uno de los procesos estocásticos con mayor importancia ya
que es un proceso de conteo y se utiliza con frecuencia en la vida diaria, para este
proceso se considera una determinada eventualidad que se produce en un soporte
continuo ya sea de tiempo, línea, área o espacio, mientras sea de forma
independiente. Un ejemplo sería el número de coches que pasan por un semáforo en
un periodo de tiempo.
La propuesta del estudio está específicamente dirigida a contar la cantidad de clientes
que utilizan los comedores de la FIEC y FCNM dentro de las horas consideradas con
mayor concurrencia, es decir, al medio día en la hora del almuerzo de 12:30 a 14:00.
Para que exista una mejor interpretación de los datos se utilizará un software
estadístico llamado R que permite calcular probabilidades, emplear distribuciones,
entre otras cosas, a partir de los sucesos ocurridos.

Marco Teórico
Se dice que un proceso de Poisson no homogéneo modela muy bien algún tipo
de evento real. Este método utiliza una tasa la cual es función del tiempo y se
suele denotar de la siguiente manera 𝜆(𝑡), cabe indicar que este es un proceso de
tiempo continuo y que la función antes mencionada es una función positiva e
integrable para cada intervalo de tiempo en la que se la defina. El proceso debe
cumplir con unas hipótesis las cuales se las describirá brevemente a continuación.
1.- La función 𝜆(𝑡) que está definida para todos los tiempos 𝑡 ≥ 0 debe empezar en
𝑡 = 0 con un valor de 0 para dicho tiempo inicial.

2.- La función para cada intervalo debe tener incrementos independientes.

3.- Para cualquier 𝑡 ≥ 0 y cuando ℎ → 0 se cumple que:
i. 𝑃(𝑋𝑡+ℎ − 𝑋𝑡 ≥ 1) = 𝜆(𝑡)ℎ + 𝑜(ℎ)
ii. 𝑃(𝑋𝑡+ℎ − 𝑋𝑡 ≥ 2) = 𝑜(ℎ)

Proposición 1.- La variable 𝑋𝑡 en un proceso de Poisson no homogéneo de

parámetro 𝜆(𝑡) tiene una distribución Poisson Λ(𝑡), donde se define

𝑡
Λ(𝑡) = ∫ 𝜆(𝑠) 𝑑𝑠
0

Es decir, para n = 0, 1, …
𝑛
−Λ(𝑡)
[Λ(𝑡)]
𝑃(𝑋𝑡 = 𝑛) = 𝑒
𝑛!
Demostración.-

Se define nuevamente 𝑝𝑛 (𝑡) = 𝑃(𝑋𝑡 = 𝑛) y se considera cualquier ℎ > 0. Se

denotará por 𝑝𝑛 (𝑡, 𝑡 + ℎ) a la probabilidad 𝑃(𝑋𝑡+ℎ − 𝑋𝑡 = 𝑛). Por la hipótesis de
independencia, para 𝑡 ≥ 0 cuando ℎ → 0

𝑝0(𝑡+ℎ) = 𝑝0 (𝑡) 𝑝0 (𝑡, 𝑡 + ℎ)

𝑝0(𝑡+ℎ) = 1 − 𝜆(𝑡)ℎ + 𝑜(ℎ)

Calculando la derivada se obtiene la ecuación diferencial 𝑝0 (𝑡) = −𝜆(𝑡)𝑝0 (𝑡) cuya

solución es 𝑝0 (𝑡) = 𝑒 −𝛬(𝑡) en donde la constante c es 1 debido a la condición inicial
𝑝0 (0) = 1 ahora se procederá a encontrar 𝑝𝑛 (𝑡) para 𝑛 ≥ 1
Nuevamente por independencia:

𝑝𝑛 (𝑡 + ℎ) = 𝑝𝑛 (𝑡)𝑝0 (𝑡, 𝑡 + ℎ] + 𝑝𝑛−1 (𝑡)𝑝1 (𝑡, 𝑡 + ℎ] + 𝑜(ℎ)

𝑝𝑛 (𝑡 + ℎ) = 𝑝0 (1 − 𝜆(𝑡)ℎ + 𝑜(ℎ)) + 𝑝𝑛−1 (𝑡)(𝜆(𝑡)ℎ + 𝑜(ℎ)) + 𝑜(ℎ)

Entonces 𝑝′ 𝑛 (𝑡) = −𝜆(𝑡)𝑝𝑛 (𝑡) + 𝜆(𝑡)𝑝𝑛−1 (𝑡) con condición inicial 𝑝𝑛 (0) = 0
para 𝑛 ≥ 1 definiendo 𝑞𝑛 (𝑡) = 𝑒−Λ(𝑡) 𝑝𝑛 (𝑡) la ecuación diferencial se transforma
en 𝑞𝑛 (𝑡) = 𝜆(𝑡)𝑞𝑛−1 (𝑡) con condiciones 𝑞𝑛 (0) y 𝑞0 (𝑡) = 1

Esta ecuación se resuelve iterativamente primero para 𝑞1 (𝑡) después para 𝑞2 (𝑡) y
(Λ(𝑡))𝑛
así sucesivamente en general para 𝑞𝑛 (𝑡) = y así se obtiene 𝑝𝑛 (𝑡)
𝑛!

Las trayectorias de un proceso de Poisson no homogéneo son semejantes a las

trayectorias de un proceso de Poisson, es decir, son trayectorias no decrecientes y
con saltos unitarios hacia arriba, pero la frecuencia promedio con la que aparecen los
saltos cambia a lo largo del tiempo. De manera análoga al caso homogéneo, los
incrementos de este proceso también tienen distribución Poisson.[1]
Análisis
Se realizó el conteo de cuantas personas consumían dentro de los comedores de la
FCNM y FIEC un solo día, el conteo se hizo por periodos de 30 minutos desde las
12:30 hasta las 14:00 horas dado que es cuando son más frecuentados.
FCNM
El comedor de FCNM recibe clientes según un proceso de Poisson heterogéneo, con
53 clientes cada media hora hasta las 13:00, 94 clientes hasta las 13:30 y 54 clientes
hasta las 14:00.

En las siguientes líneas de código se calcula la probabilidad de que el comedor de la

FCNM no reciba clientes entre las 12:50 y 13:15 horas, y a su vez la probabilidad de
que reciba al menos 20 clientes entre las 13:50 y 14:00 horas.

Dando los siguientes resultados:

Otra forma de calcular Λ(𝑡) hubiese sido mediante integrales y se hubiese empleado
de la siguiente manera:
30 45
53 94
Λ(𝑁45 − 𝑁20 ) = ∫ 𝑑𝑡 + ∫ 𝑑𝑡
30 30
20 30
 90
54
Λ(𝑁90 − 𝑁80 ) = ∫ 𝑑𝑡
30
80

FIEC
El comedor de la FIEC recibe clientes según un proceso de Poisson heterogéneo, con
67 clientes cada media hora hasta las 13:00, 127 clientes hasta las 13:30 y 155
clientes hasta las 14:00.

En las siguientes líneas de código se calcula la probabilidad de que el comedor de la

FIEC no reciba clientes entre las 12:50 y 13:15 horas, y a su vez la probabilidad de
que reciba al menos 20 clientes entre las 13:50 y 14:00 horas.

Dando los siguientes resultados:

Otra forma de calcular Λ(𝑡) hubiese sido mediante integrales y se hubiese empleado
de la siguiente manera:
30 45
67 127
Λ(𝑁45 − 𝑁20 ) = ∫ 𝑑𝑡 + ∫ 𝑑𝑡
30 30
20 30
 90
155
Λ(𝑁90 − 𝑁80 ) = ∫ 𝑑𝑡
30
80

Conclusiones y Recomendaciones
El comedor de la FCNM inicia con cierta cantidad de clientes, incrementa y termina
disminuyendo, mientras que, el comedor de la FIEC aumenta totalmente la cantidad
de clientes conforme se avanza en el tiempo.
El comedor de la FCNM tiene una probabilidad del 8.23x10 -29 de no tener clientes
entre las 12:50 y 13:15 horas, lo cual es mayor a la del comedor de la FIEC que es
del 5.29x10-38; sin embargo, la probabilidad en ambos casos es muy baja.
El comedor de la FIEC tiene una mayor probabilidad de tener al menos 20 clientes
entre las 13:50 y 14:00 horas ya que es aproximadamente 1, mientras que la del
comedor de la FCNM es 0.35.
Es recomendable para el comedor de la FCNM que contrate más personal para que
el servicio sea rápido y eficiente, de modo que el número de clientes aumente y logren
igualar al comedor de la FIEC.
Se sugiere usar un software estadístico que resuelva de manera eficiente las
distribuciones Poisson, dado que realizar el cálculo a mano sería más extenso.

Bibliografia:

[1] Academic Press. (2010). Introduction to probability models. Amsterdam.