El proceso de Poisson

Jhon Jairo Padilla A., PhD.

El proceso de Poisson
Es el proceso puntual ms importante
Tiene un rol muy importante, equivalente al de la distribucin
normal dentro de las distribuciones estadsticas.
Por el teorema del lmite central, obtenemos una distribucin
normal cuando sumamos variables aleatorias.
De manera similar, obtenemos la distribucin exponencial
cuando superponemos procesos estocsticos puntuales.
La mayora de los procesos puntuales son generalizaciones o
modificaciones del proceso de Poisson.
Este proceso da una muy buena descripcin de muchos
procesos de la vida real.
Esto se debe a que el proceso de Poisson es el proceso ms
aleatorio. Entre ms complejo sea el proceso, ser modelado
de manera ms cercana por el proceso de Poisson.
Caractersticas del proceso de Poisson
El proceso de Poisson es,
Estacionario
Independiente en todos los instantes de tiempo
Simple
Las dos ltimas caractersticas son fundamentales.
La primera caracterstica no es indispensable. Podra existir un
proceso de Poisson que tenga intensidad dependiente en el
tiempo.
El proceso de Poisson puede representarse:
Por nmero: El nmero de eventos dentro de un intervalo de
longitud fija tiene una distribucin de Poisson.
Por Intervalo: La distancia en tiempo Xi entre eventos consecutivos
es exponencialmente distribuida.
Definicin
La distribucin de probabilidad de la v.a. de Poisson X, que
representa el nmero de resultados que ocurren en un
intervalo dado o regin especficos (t) y que se puede
representar como t, es
Donde es el nmero promedio de resultados por unidad de
tiempo, distancia, rea o volmen.
( )
( )
!
t x
e t
f x
x

=
tiempo
intervalo
Regin
Relacin con la distribucin exponencial
La v.a. X que es igual a la distancia entre conteos
sucesivos de un proceso de Poisson con media >0 tiene
una distribucin exponencial con parmetro . La
funcin de densidad de probabilidad de X es
Para
Ejemplo: intervalo temporal
( )
x
f x e

=
0 x
tiempo
r ocurrencias en t seg.
r es una v.a. de Poisson
x: tiempo entre ocurrencias
v.a. exponencial
Relacin del proceso de Poisson con la
distribucin Erlang
Como se mencion antes, una v.a. de Erlang puede verse como la
suma de r v.a. exponenciales.
Distribucin de Erlang
Distribucin
acumulada de
Poisson
Probabilidad de supervivencia para una distribucin
Erlang (complemento de la distribucin acumulada)
tiempo
x
1
(v.a. de Erlang)
x
2
x
3
Tiempo de r=3 ocurrencias
Inicio del conteo
Aplicaciones de las distribuciones
Distribucin Aplicacin
Exponencial Tiempos entre llegadas de llamadas,
cuando el trfico es generado por seres
humanos
Erlang-k Tiempo que transcurri para que llegaran
k llamadas
Poisson Nmero de llamadas en un sistema
telefnico
Trabajos en un sistema computacional
Ejemplo
Suponga que llegan llamadas a una central telefnica SPC
(Stored Program Controlled) de acuerdo con un Proceso
de Poisson. La central recolecta informacin
automticamente por cada 1000 llamadas.
Los tiempos entre dos registros tendrn una distribucin
Erlang-1000.
Ejemplo: Sistema satelital con Aloha
Ranurado
Consideremos un sistema de comunicaciones satelitales con una longitud de
paquetes constante, h.
El satlite est ubicado en una rbita geoestacionaria a 36.000 Km sobre el Ecuador,
por lo que el tiempo de ida y vuelta (round trip time) es 280ms.
El tiempo de la comunicacin est dividido en ranuras de duracin fija,
correspondiente a la longitud del paquete (h).
Una estacin terrena individual transmite paquetes que estn sincronizados con las
ranuras de tiempo.
En el satlite, todos los paquetes que se reciben durante una ranura de tiempo son
transmitidos en la siguiente ranura.
La transmisin de un paquete es correcta slo si ste es el nico paquete
transmitido durante la ranura de tiempo.
Si hay ms paquetes transmitidos simultnemente, habr una colisin y todos los
paquetes se perdern y debern ser retransmitidos.
Todas las estaciones terrenas reciben todos los paquetes transmitidos por el
satlite. As, pueden decidir si un paquete ha sido recibido correctamente.
Debido al tiempo de retardo, las estaciones terrenas transmiten paquetes
independientemente.
Ejemplo: Sistema satelital con Aloha
ranurado
Bajo estas condiciones se puede suponer un proceso de
llegadas de Poisson, con una tasa de llegadas .
Por tanto, el la probabilidad de que lleguen i paquetes en
una ranura de tiempo est dada por,
Por tanto, la probabilidad de que haya una transmisin
correcta sera la probabilidad de que slo llegue un
paquete (no hay colisin). Esta se calcula como,
Que correspondera al porcentaje del tiempo que hay una
transmisin efectiva.
Ejemplo: Sistema satelital con Aloha
ranurado
Si quisieramos hallar el valor en que la funcin p(1) se
hace mxima, es decir, el mximo rendimiento que puede
obtener, debemos obtener el mximo cuando variamos el
producto h:
Si reemplazamos el valor de hcalculado, obtendremos el
mximo rendimiento posible en la comunicacin:
Comparacin de Aloha ranurada con Aloha
Siguiendo un procedimiento
similar, se puede obtener el
rendimiento de Aloha simple
y se pueden comparar los
rendimientos mximos
obtenidos con las dos
estrategias de acceso al
medio.
Se observa que Aloha
ranurado puede alcanzar un
mayor rendimiento que
Aloha simple.
Relacin con la distribucin binomial
La probabilidad de una v.a con distribucin binomial
tiene la forma:
Si n se incrementa y p se hace muy pequea, de
manera que se mantenga siempre el producto
pn=kte= (este producto es la media), entonces
Por tanto, cuando n es muy grande, tiende a una
distribucin de Poisson:
( ) (1 )
x n x
n
P X x p p
x

= =


( ) 1
x n x
n
P X x
x n n




= =



lim ( )
!
x
n
e
P X x
x

= =
Analoga de los procesos de Poisson y
Binomial
La distribucin
exponencial es la
nica distribucin
contnua con falta
de memoria. Es la
base para construir
procesos de
Poisson.
La distribucin
geomtrica es la
nica distribucin
discreta con falta
de memoria. Es la
base para construir
procesos
Binomiales.
Propiedades del proceso de Poisson
El proceso de Poisson es el proceso ms aleatorio que se
puede encontrar (proceso de mximo desorden).
El proceso de Poisson da una buena descripcin de un
proceso fsico cuando hay muchos factores diferentes
detrs de l.
Posee la propiedad PASTA: Poisson Arrivals See Time
Averages
Propiedad PASTA
Para el proceso de Poisson, la distribucin de clientes en el
sistema que es vista por un cliente que llega es tpica en el
sentido de que siempre se ve el valor medio de clientes en
cola en instantes de tiempo elegidos aleatoriamente.
Ejemplo:
Supnganse llegadas peridicas a un sistema cada 2 segundos. Cada
llegada es servida en 1 segundo y sale del sistema.
Claramente, cada cliente que llega ve el sistema vaco. Sin embargo,
el sistema est ocupado la mitad del tiempo y esto podra ser
observado por observaciones aleatorias.
Propiedad de Superposicin (Teorema de
Palm)
Si se superponen varios procesos puntuales independientes, el
proceso total que da como resultado ser localmente un
proceso de Poisson.
Trmino Local: Se consideran intervalos muy cortos y cada
proceso contribuye como mximo con un evento durante este
intervalo.
Propiedad de descomposicin (Teorema de
Raikov)
Si se hace una descomposicin aleatoria de un proceso
puntual en varios sub-procesos, los procesos individuales
convergen a un proceso de Poisson, siempre que la
probabilidad de que un evento pertenezca a el mismo
subproceso tienda a cero.
Traslacin
Es el desplazamiento de los eventos individuales.
Cuando una traslacin para cada evento es una variable
aleatoria, independiente de los otros eventos, un proceso
puntual arbitrario converger a un proceso de Poisson.
Generalizaciones del Proceso estacionario de
Poisson
El proceso de Poisson ha sido generalizado de varias
maneras.
Algunas son:
IPP: Interrupted Poisson Process
MMPP: Markov Modulated Poisson Processes
MAP: Markov Arrival Processes
IPP: Interrupted Poisson Process
Fue propuesto por Kuczura (1973) y es ampliamente
usado.
La aplicacin original fue para el problema del sobreflujo:
Nodo I
Nodo
Alterno
Camino normal
Camino alterno
en caso de
congestin
tiempo
Proceso de Poisson
IPP: Proceso de Poisson Interrumpido: las
llegadas durante el estado ON tienen una
distribucin de Poisson
Modelo del IPP
Kuczura model los intervalos on y off mediante
intervalos de tiempo con intensidades y
respectivamente.
Este modelo tambin sirve para modelar el trfico de
paquetes generados por la voz (off: silencios; on: habla)
Modelo del IPP
Kuczura tambin demostr que esto corresponde
tiempos entre-llegadas distribuidos hiper-
exponencialmente.
Puede demostrarse que los parmetros estn
relacionados as:
MMPP: Proceso de Poisson Modulado por
Markov
Es una generalizacin del proceso IPP.
IPP es un MMPP de dos estados (on/off)
Un proceso MMPP puede tener varios estados con
diferentes tasas
La utilidad del proceso MMPP puede utilizarse para
modelar trfico autosimilar.
Trfico Auto-similar
Trafico observado en una red Ethernet (autosimilar) (a) y trafico obtenido de
un proces Poisson (no autosimilar) (b).
Fuente: Marco Aurelio Alzate Monroy, Introduccin al trafico autosimilar en redes de
comunicaciones, Universidad Distrital Francisco Jos de Caldas, revista de ingeniera Vol
6 No. 2 ao 2001
Proceso autosimilar
Un proceso estocstico x(t) es estadsticamente autosimilar
con parmetro H (0.5 H 1) si para todo real a >0, el
proceso x(at) tiene las mismas propiedades estadsticas que
x(t). Esta relacin puede ser expresada por las siguientes tres
condiciones:

1. Media
2. Varianza
3. Auto correlacin
[ ]
} {
H
a
at x E
t x E
) (
) ( =
[ ]
( ) [ ]
H
a
at x Var
t x Var
2
) ( =
H
x
x
a
as at R
s t R
2
) , (
) , ( =
Procesos Discretos Autosimilares
Una manera de ver la serie agregada de tiempo es verla
como una tcnica para comprimir la escala de tiempo.
Podemos considerar como una mayor magnificacin o
mayor resolucin posible para esta serie de tiempo. El
proceso es el mismo proceso reducido en su
magnificacin por un factor de 3. Promediando sobre
cada grupo de tres puntos perdemos el detalle fino
disponible a la mayor magnificacin.
Podemos tambin ver cada punto en la serie como un
promedio de tiempo del proceso x para m muestras.
Si la estadstica del proceso (media, varianza, correlacin,
etc.) se conserva con la compresin, estamos tratando
con un proceso auto similar.

(2)
x
) 3 (
x
) (m
x
Procesos Discretos Autosimilares
Se dice que un proceso s es exactamente autosimilar con
parmetro (0 < < 1) si para todo m = 1, 2,... ,
tenemos:
Varianza
Autocorrelacin
Nota:
{ }

m
x Var
x Var
m
) (
) (
=
) ( ) (
) (
k R k R
x m x
=
) 1 ( 2 H =
Parmetro Hurst
El valor de H, conocido como el parmetro H, o el
parmetro de auto-smilaridad, es una medida clave de la
auto-similaridad. Ms precisamente, H es una medida de
la persistencia de la dependencia de largo rango del
proceso estocstico.
Un valor de H = 0.5 indica ausencia de autosimilaridad.
Cuanto ms cerca de 1 est H, mayor el grado de
persistencia y de la dependencia de largo rango.
Generacin de trfico autosimilar utilizando
MMPP
Fuente. Jurado, E. Casilari, A. Reyes, A. Daz-Estrella y F. Sandoval,
Modelado Markoviano de Trfico Agregado ATM, Dpto. Tecnologa Electrnica,
E.T.S.I. Telecomunicacin, Universidad de Mlaga, 1999
Generacin de trfico autosimilar utilizando
MMPP
Otra forma es utilizar una variante denominada D-MMPP
El modelo d-MMPP (d procesos MMPP de dos estados, o dos
procesos IPP) combina la simplicidad de la conmutacin
markoviana con la de la generacin Poissoniana.
Este modelo es desarrollado como una aproximacin del
trafico real de internet, el cual posee caractersticas
autosimilares.
Clculo del parmetro Hurst
[ ] ( ) [ ] ( ) ( ) m X Var X Var
m
log log log =
[ ] ( )
m
x Var log
) log(m
) 1 ( 2 H
[ ] [ ]
) 1 ( 2 H
X Var m X Var
m
=
=

Un de las tcnicas mas utilizadas es el diagrama varianza-tiempo. En
efecto, tomando la condicin de autosimilaridad:
Obtenemos:
Tomando el logaritmo a cada lado de la ecuacin obtenemos:
de manera que al graficar contra
obtenemos una curva cuya pendiente es
.
{ }

m
x Var
x Var
m
) (
) (
=
Clculo del parmetro Hurst
H=0.54965
Cuando se tiene una serie de tiempo suficientemente larga como para estimar con
suficientemente precisin de las series agregadas para un amplio rango de valores
m, se podr construir una grafica. Si detectamos algn tipo de alineacin con una
pendiente entre -1 y 0 ( 0.5<H<1), podemos interpretarla como un fenmeno
autosimilar y la pendiente (obtenida Regresin con Mnimos Cuadrados) resulta de
la ecuacin
) 1 ( 2 H