o processo de poisson - sescma.com.br · 7 - particionamento aleatÓrio 1 - introduÇÃo 2 -...
TRANSCRIPT
O Processo de Poisson
Série: Processos Estocásticos
Disciplina: Métodos Matemáticos 1C
Dennis S. Poisson, Sceaux, France
PROCESSO DE POISSONPROCESSO DE POISSON
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS 6 - PROCESSO DE POISSON FILTRADO
7 - PARTICIONAMENTO ALEATÓRIO
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS 6 - PROCESSO DE POISSON FILTRADO
7 - PARTICIONAMENTO ALEATÓRIO
Processo de Contagem
Muitos fenômenos físicos são probabilisticamente descritospelo mesmo processo de formação de uma fila. Os clienteschegam aleatoriamente e independentemente um do outro auma taxa normalmente constante de λ clientes/segundo.
1
2
3
.
.
.
k
4
t
N
N(0)=0
P1 =λ∆t
P+ de 1 em ∆t = 0
∆t -> 0
Processo Aleatório de Contagem {Nt, 0≤≤ t<<+∞∞}
a. a variável aleatória de contagem Nt assume unicamentevalores inteiros não negativos e
N0 ≡ 0
b. o processo aleatório de contagem {Nt, 0≤ t<+∞} temestacionaridade e incrementos independentes.
c.P N N t tt t t[ ] ( )+ − = ≡ +∆ ∆ ∆1 0λ
d. P N N tt t t[ ] ( )+ − > ≡∆ ∆1 0
onde λ é uma constante positiva e onde 0(∆t) é uma funçãode ∆t a qual vai a zero mais rapidamente que ∆t, i.é., onde0(∆t) é uma função tal que
lim( )
∆
∆∆t
t
t→=
0
00
Um processo aleatório o qual satisfaz as hipóteses (a) a(d) é chamado um Processo de Contagem de Poisson e,como vamos mostrar, o número de eventos que ocorreem um dado intervalo de tempo tem uma Distribuição deProbabilidade de Poisson.
(1)
Das propriedades c e d tiramos que
P N N P N N
P N N P N N
t t t
t t
P N N t t
t t t t t t
t t t t t t
t t t
[ ] [ ]
( [ ] [ ])
( ( ) ( ))
( )
[ ] ( )
+ +
+ +
+
− = = − − ≥ =
− − = + − > =
− + + =
− − =
⇒ − = = − +
∆ ∆
∆ ∆
∆
∆ ∆ ∆
∆ ∆
∆ ∆
0 1 1
1 1 1
1 0 0
1 20
0 1 0
λ
λ
λ (2)
Vamos agora determinar a distribuição de probabilidade da
variável aleatória de contagem Nt. Consideremos o intervalo
(0,t+∆t] e dividamos ele em dois conforme figura abaixo:
0 t t+∆t
∆t
Introduzimos a notaçãop t P N kk t( ) [ ]≡ =
e
p t t t P N k N jj k t t t, ( , ) [ | ]+ ≡ = =+∆ ∆
Consideremos a probabilidade de que nenhum evento ocorra no intervalo (0,t+∆t]. Esta situação ocorre quando nenhum eventoocorre no intervalo (0,t] e nem no (t,t+∆t]. Intervalos não sobrepostos => incrementos v.a’s independentes:
p t t p t p t0 0 0 0( ) ( ) ( ),+ =∆ ∆
Segue-se (2) e (3) que
p t t t0 0 1 0, ( ) ( )∆ ∆ ∆= − +λ
Usando este resultado em (4), subtraindo p0(t) de ambos oslados e dividindo por ∆t, teremos
p t t p t
tp t p t
t
t0 0
0 0
0( ) ( )( ) ( )
( )+ −= − +
∆∆
∆∆
λ
(4)
Passando o limite ∆ t → 0, tem-se
d p t
d tp t0
0
( )( )= − λ
como a equação diferencial para probabilidade de que nenhumevento ocorra em um intervalo de duração t. Sua solução é,
p t ce t0 ( ) = −λ
notando que
p c0 0 1 1( ) = ⇒ =
segue-se
P N p t ett[ ] ( )= = = −0 0
λ
Tendo obtido p0(t) vamos determinar pk(t) para k ≥ 1.
Começando de N0=0, Nt+∆ t pode tornar-se igual a um inteiro k de
diversas formas: pode ser que não aconteça nenhum evento no
intervalo (0,t] e k eventos no (t,t+∆t]; pode acontecer um evento no
intervalo (0,t] e k-1 no (t,t+∆t]; etc. Dessa forma, podemos escrever
p t t p t p tk j j kj
k
( ) ( ) ( ),+ ==
∑∆ ∆0
pois são eventos mutuamente exclusivos.
(5)
Determinação de pk(t)
Passo A. Mostrar que p t tj k, ( ) ( )∆ ∆= 0
p t p t t t P N k N j P N N k j
P N k j
j k j k t t t t t t
t
, ,( ) ( , ) [ | ] [ ]
[ ]
∆ ∆ ∆ ∆
∆
≡ + = = = = − = − =
= −
+ +
se 0≤ j≤ k-2, então
k j k j− ≥ ⇒ − >2 1
Logo,
p t P N tj k t, ( ) [ ] ( )∆ ∆∆= > =1 0
0≤ j≤ k-2,
Passo B. Mostrar que
dp t
dtp t p tk
k k
( )( ) ( )+ = −λ λ 1
Como vimos em (5)
p t t p t p tk j j kj
k
( ) ( ) ( ),+ ==
∑∆ ∆0
assim
∑−
=−− ∆+∆+∆=∆+
2
0,,11, )()()()()()()(
k
jkkkkkkkjjk tptptptptptpttp
Como vimos no Passo A.
p t tj k, ( ) ( )∆ ∆= 0 0≤ j≤ k-2,
assim
∑−
=−− ∆+∆+∆=∆+
2
0,,11 )()()()()()(0)(
k
jkkkkkkjk tptptptptptttp
Lembrando que
p t P N k k t tk k t, ( ) [ ] ( )∆ ∆ ∆∆= = − = = − +0 1 0λ
e que
p t P N k k t tk k t− = = − + = = +1 1 1 0, ( ) [ ] ( )∆ ∆ ∆∆ λ
teremos que
)(0)()()(
)(0)()()()(0)(2
011
ttpttptp
ttpttptptttp
kkk
k
jkkjk
∆+∆−
+∆+∆+∆=∆+ ∑−
=−−
λ
λ
Subtraindo pk(t) em ambos os lados, dividindo por ∆ t e tomando o limite,
lim( ) ( )
lim
( ) ( )( ) ( )
( )( ) ( )
( ) ( )( )∆ ∆
∆∆
∆∆∆
∆∆ ∆
∆∆
t
k k
t
kj
j
k
k
kk
k k
p t t p t
t
p t
t
t
tp t p t
p tt
t
p t
tp t p t
t
t
→ →
=
−
−
−
+ −=
−+ + +
+ − +
∑0 0
0
2
1
1
0
0 0
λ
λ
⇒ = − + −
dp t
dtp t p tk
k k
( )( ) ( )λ λ1
dp
dtp p2
2 1+ =λ λ
mas, como visto,
assim
dp
dtp te
dp
dte e p tt t t2
22 2
22= − + ⇒ + =−λ λ λ λλ λ λ
[ ] [ ]d
dtp e t d p e tdtt t
22
22λ λλ λ= ⇒ =
K=2
p t te t1( ) = −λ λ
p tt
e t2
2
2( )
( )= −λ λ
dp
dtp p3
3 2+ =λ λ
mas, como vimos
assim
dp
dtp
te
dp
dte e p
tt t t33
23
3
3 2
2 2= − + ⇒ + =−λ λ
λλ
λλ λ λ( )
[ ] [ ]d
dtp e
td p e
tdtt t
3
3 2
3
3 2
2 2λ λλ λ
= ⇒ =
K=3
p tt
e t2
2
2( )
( )= −λ λ
p tt
e t3
3
3( )
( )
!= −λ λ
(idêntico)
Logo, por indução finita,
P N kt
ket
kt[ ]
( )
!= = −λ λ
Portanto, a variável aleatória contínua Nt tem uma distribuição deprobabilidade de Poisson.
Pode-se mostrar que
E[Nt]=var[Nt]=λ t
PROCESSO DE POISSONPROCESSO DE POISSON
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS 6 - PROCESSO DE POISSON FILTRADO
7 - PARTICIONAMENTO ALEATÓRIO
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS 6 - PROCESSO DE POISSON FILTRADO
7 - PARTICIONAMENTO ALEATÓRIO
Determinar a relação entre a função distribuição de probabilidade do tempode chegada do k-ésimo evento, Tk, e a variável aleatória de contagem Nt :
Por definição
F t P T tT kk( ) [ ]= ≤
O evento [Tk ≤ t] é equivalente a [Nt > k-1], e dessa forma têm amesma probabilidade. Assim:
[ ] [ ]
[ ] [ ] [ ]
T t N k
P T t P N k P N k
k t
k t t
≤ = > −
⇒ ≤ = > − = − ≤ −
1
1 1 1Escrevendo o resultado acima em termos das correspondentes funçõesdistribuição de probabilidade, teremos que
F F kT Nk t= − −1 1( )
Resultado válido para qualquer processo de contagem desde queN0=0.
(6)
Vamos aplicar o resultado anterior ao caso do processo de contagemde Poisson. Como visto
P N je t
jt
t j
[ ]( )
!= =
− λ λ
quando {Nt,0≤ t<+∞ } é um processo de contagem de Poisson. Dessa forma, para k≥ 1,
F k P N je t
jN t
t j
j
k
j
k
t( ) [ ]
( )
!− = = =
−
=
−
=
−
∑∑10
1
0
1 λ λ
Usando o resultado (6), segue-se então que
F t et
jTt
j
j
k
k( )
( )
!= − −
=
−
∑10
1λ λ para t≥ 0
para t<00
PROCESSO DE POISSONPROCESSO DE POISSON
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS 6 - PROCESSO DE POISSON FILTRADO
7 - PARTICIONAMENTO ALEATÓRIO
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS 6 - PROCESSO DE POISSON FILTRADO
7 - PARTICIONAMENTO ALEATÓRIO
4- Tempos entre chegadas
Tendo considerado os tempos de chegada Tk de um um processode contagem aleatório {Ni, 0≤ t<+∝ }, vamos agora estudar algumasdas propriedades estatísticas dos intervalos entre sucessivos temposde chegada.
Chamaremos as durações destes intervalos Zk de intervalos entrechegadas, onde
Z T
Z T Tk k k
1 1
1
≡≡ − − ,para k=2,3,4,...
t0 t1 t2 tk-1 tk
z1 z2 zk
A seqüência de intervalos entre chegadas forma dessa forma umprocesso aleatório de parâmetro discreto com variável aleatóriacontínua {Zk, k=1,2,3,...}.
Vamos agora determinar a função distribuição de probabilidade doK-ésimo intervalo entre chegadas, Zk, em termos da distribuição deprobabilidade da variável aleatória de contagem Nt. Para isto vamos primeiro determinar a probabilidade
)z(F1]zZ[P1]zZ[PkZkk −=≤−=>
Segue-se, da definição de intervalo entre chegadas, que o evento[Zk>z] e [Tk - Tk-1>z] são equivalentes
[ ] [ ] [ ]Z z T T z T T zk k k k k> = − > = > +− −1 1
Suponha que o valor observado de Tk-1 é tk-1. O evento [TK>Tk-1+z|Tk-1=tk-1] ocorre iff o processo de contagem não incrementar durante o intervalo (tk-1,tk-1 + z]:
[ | ] [ ]T T z T t N Nk k k k t z tk k> + = = − =− − − +− −1 1 1 1 1
0
Desde que os eventos são equivalentes, eles têm probabilidades iguais.Obtemos então o resultado
P Z z T t P N Nk k k t z tk k[ | ] [ ]> = = − =− − +− −1 1 1 1
0
Dessa forma, segue-se que
F z T t P N NZ k k t z tk k k( | ] [ ]− − += = − =
− −1 1 1 10 (7)
Se o processo de contagem é estacionário, então segue-se que a probabilidade no lado direito da equação anterior é uma função unicamente de z; em particular,
P N N P Nt z t zk k[ ] [ ]
− −+ − = = =1 1
0 0
pois, por hipótese, N0 = 0.
A função distribuição condicional no lado esquerdo de (7) é dessaforma independente do valor particular de k, e temos finalmente que
F z P NZ zk( ) [ ]= − =1 0
para todo k=1,2,3,...
Como este resultado é independente do valor do índice k, segue-se que se o processo de contagem é estacionário, então os vários intervalosentre chegadas terão todos a mesma função distribuição de probabilidade.
PROCESSO DE POISSON [ Parte II ]PROCESSO DE POISSON [ Parte II ]
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS6- PROCESSO DE POISSON FILTRADO7 - PARTICIONAMENTO ALEATÓRIO
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS6- PROCESSO DE POISSON FILTRADO7 - PARTICIONAMENTO ALEATÓRIO
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS5 - TEMPOS DE CHEGADA NÃO-ORDENADOS1º Passo:
Suponha que exatamente k eventos de um processo dePoisson ocorrem em um intervalo de duração t. Em outraspalavras Nt = k, onde Nt é uma variável aleatória dePoisson. Se particionarmos (0,t] em M subintervalosadjacentes para os instantes de tempo t’0, t’1, t’2,..., t’M,considerando:
ttet Mo == '
Mmparatt m ,...,2,1'' 1 =−= −τE definindo:
Temos a situação de partição representada a seguir:
Podemos escrever:
Não há relação a priori entre os tempos em que os eventosocorrem (tk) e os instantes da partição t’m.
∑=
=M
mmt
1
τ
mt ' tt M ='
mτ )( mτδ
L
2º Passo:
Número de eventos que ocorrem em um subintervalo:
Mmondett mmm ,...,2,1]','()( 1 == −τδ
Segue que:
Exatamente k eventos ocorreram no intervalo (0,t].
∑=
=M
mm kk
1
A probabilidade condicional conjunta de km eventosocorrerem durante o intervalo δ(τm), m = 1,2,..., M,considerando a hipótese de que k eventos ocorrem duranteo intervalo inteiro é:
===== ]|,...,,[ 21 21kNkNkNkNP tMMτττ
][
],,...,,[ 21 21
kNP
kNkNkNkNP
t
tMM
=
===== τττ
)1(][
],...,,[ 21 21
kNP
kNkNkNP
t
MM
=
==== τττ
)2(][],...,,[1
21 21 ∏=
=====M
mmM kNPkNkNkNP
mM ττττ
O número de eventos → Distribuição de Poissonpodemos reescrever
!
)(][
m
km
m k
ekNP
mm
m
λτλτ
τ
−
==!
)(][
k
tekNPe
kt
t
λλ−
==
Levando os resultados acima em (1):
Obtemos a probabilidade condicional conjunta:
===== ]|,...,,[ 21 21kNkNkNkNP tMMτττ
!)(
!)(
1
k
te
k
e
kt
M
m m
km
mm
λλ
λτ
−=
−
∏
!
!)(
1...)...( 2121
k
t
k
e
ek
M
m m
km
k
kkk
t
m
MM ∏=
+++
−
+++−
=
τ
λλ
λ
τττλ
∏=
=M
m m
km
k kt
k m
1 !
)(! τ
3º Passo:
Particionamento suficientemente bom → apenas um eventoocorra em cada subintervalo. Nesse caso, cada um dos ksubintervalos terá apenas um evento ocorrendo em suaduração, ou seja:
1!)( == mmk
m kem ττ
Não ocorrerá nenhum evento em cada um dos M-ksubintervalos restantes:
1!0!1)( 0 ==== mmk
m kem ττ
===== ]|,...,,[ 21 21kNkNkNkNP tMMτττ ∏
=
=M
m m
km
k kt
k m
1 !
)(! τ
Reindexaremos os k subintervalos, de modo que osubintervalo δ(τj) contenha o j-ésimo evento a ocorrer.
O tempo de ocorrência do j-ésimo evento é o tempo dechegada tj, ficamos apenas com a probabilidade condicionalconjunta de ocorrência dos eventos [tj ∈ δ(τj)], j = 1, 2, ..., k:
]|)(),...,(),([ 2211 kNtttP tkk =∈∈∈ τδτδτδ )3(!
1∏
=
=k
jjkt
kτ
4º Passo:
k eventos ocorrem durante [0,t], o mesmo resultado pode
ser obtido assumindo que os tempos de chegada tj são as
estatísticas de ordem dos tempos de evento (ou tempos de
chegada não-ordenados).
g Variáveis aleatórias mutuamente independentes
g Uniformemente distribuída em [0,t]
Podemos indexar os objetos que causam eventos
particulares pelos inteiros 1, 2, ..., k e denotar como ui o
tempo de evento que o objeto i leva para que um evento de
interesse ocorra.
5º Passo:
Seja Uj a v.a. da distribuição dos valores dos ui empíricos,dizemos que as v.a’s Ti são as estatísticas de ordem dasv.a’s Uj . Em seguida assumimos:
g Variáveis aleatórias mutuamente independentesg Uniformemente distribuídas em [0,t]
Estamos assumindo que dado Nt = k, os Uj sãomutuamente independentes e:
kicontráriocaso
tutkNuf i
tiU i,...,2,1,
,0
0,1
)|( =∀
≤<==
Como os Uj são v.a’s independentes:
kicontráriocaso
tutkNuuuf ik
tkUUU k,...,2,1,
,0
0,1
)|,...,,( 21,...,, 21=
≤<==
Existem k! diferentes conjuntos de tempos de eventos
[uj, i = 1, 2,..., k] que poderiam gerar um conjunto particular
de tempos de chegada. Daí:
)4(,...,2,1,,0
0,!
)|,...,,( 21,...,, 21kj
contráriocaso
ttt
kkNtttf jk
tkTTT k=
≤<==
Retornando aos k subintervalos δ(τj) da eq.(3), aprobabilidade de um T1 cair em um subintervalo δ(τ1), deduração τ1 , que T2 caia num subintervalo δ(τ2), de duraçãoτ2 , e assim sucessivamente é dada pela f.d.p condicionalconjunta escrita em (4), ou seja:
==∈∈∈ ]|)(),...,(),([ 2211 kNTTTP tkk τδτδτδ
∏∫∫∫=
=k
jjkkk t
kdtdtdt
t
kK 1
21)()()(
!!12
ττδτδτδ
LL
Esse resultado é idêntico ao obtido em (3), completandonossa prova.
Q.E.D
TEMPOS DE CHEGADA NÃO-ORDENADOSTEMPOS DE CHEGADA NÃO-ORDENADOS
PROCESSO DE POISSONPROCESSO DE POISSON
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS6 - PROCESSO DE POISSON FILTRADO
7 - PARTICIONAMENTO ALEATÓRIO
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS6 - PROCESSO DE POISSON FILTRADO
7 - PARTICIONAMENTO ALEATÓRIO
6 - PROCESSO DE POISSON FILTRADO6 - PROCESSO DE POISSON FILTRADODefinição
Suponha que excitamos aleatoriamente um operador linearcom um processo de Poisson. Isto é, o processo aleatórioque descreve o fenômeno de interesse, [Xt , 0 ≤ t <+∞] podeser escrito:
ondeUthXtN
jjt ,)(
1∑
=
−=
g uj gera h(t- uj) em um tempo tg Nt descreve o nº de eventos que ocorreram em(0,t]g Uj são os TCNO dos eventos que ocorreram em(0,t]
Temos o chamado Processo de Poisson Filtrado.
Valor Esperado de Xt :
)1(]|[][][0
∑∞
=
===k
tttt kNXEkNPXE
PROCESSO DE POISSON FILTRADOPROCESSO DE POISSON FILTRADO
A média condicional E[Xt | Nt = k] é obtida tomando a médiada soma:
com relação aos tempos de chegada não-ordenadosU1, U2, ..., Uk.
∑=
−k
jjUth
1
)(
−== ∑
=
k
jjtt UthEkNXE
1
)(]|[
∑=
−=k
jjUthE
1
)]([
Resultados anteriores nos dão:
kjcontráriocaso
tutkNuf tU j
,...,2,1,,0
0,1
)|( =∀
≤<==
∑ ∑ ∫= =
−=−==k
j
k
j
t
jjjtt duutht
UthEkNXE1 1 0
)(1
)]([]|[
)2()(]|[0∫==t
tt duuht
kkNXE
Ficando:
Fazendo u = t-uj :
Substituindo (2) em (1), chegamos à esperança de Xt :
∑∫∞
=
==00
][)(1
][k
t
t
t kkNPduuht
XE ∫=t
duuh0
)(λ
Q.E.D
Distribuição de Xt :
−== ∑
=
t
t
t
N
jj
ivXX UthivEeEv
1
)(exp][)(φ
Analogamente:
Onde:
]|[][)(0
kNeEkNPv tivX
ktX
t
t=== ∑
∞
=
φ
−== ∑
=
k
jjt
ivX UthivEkNeE t
1
)(exp]|[
PROCESSO DE POISSON FILTRADO PROCESSO DE POISSON FILTRADO
Substituindo o resultado acima em:
== ∏
=
−k
j
Utivht
ivX jt eEkNeE1
)(]|[
[ ]∏=
−=k
j
Utivh jeE1
)(
ktuivh
k
j
t
j
utivh duet
duet
j
== ∫∏ ∫
=
−
0
)(
1 0
)( 11
]|[][)(0
kNeEkNPv tivX
ktX
t
t=== ∑
∞
=
φ
Relembrando a expansão da função exponencial em sériesde potências:
ktuivh
k
t
ktuivh
k
kt
X duek
eduetk
tev
t
=
= ∫∑∫∑
∞
=
−∞
=
−
0
)(
00
)(
0 !
11
!
)()( λ
λφ λ
λ
= ∫−
tuivht
X dueevt
0
)(exp)( λφ λ
[ ]
−= ∫t
uivh due0
)( 1exp λ
Q.E.D
PROCESSO DE POISSON FILTRADOPROCESSO DE POISSON FILTRADO
PROCESSO DE POISSONPROCESSO DE POISSON
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS 6 - PROCESSO DE POISSON FILTRADO
7 - PARTICIONAMENTO ALEATÓRIO
1 - INTRODUÇÃO2 - PROCESSO DE POISSON
3 - TEMPOS DE CHEGADA4 - TEMPOS ENTRE CHEGADAS
5 - TEMPOS DE CHEGADA NÃO-ORDENADOS 6 - PROCESSO DE POISSON FILTRADO
7 - PARTICIONAMENTO ALEATÓRIO
7- PARTICIONAMENTO ALEATÓRIO7- PARTICIONAMENTO ALEATÓRIODado um Processo de Poisson Filtrado, [Xt , 0 ≤ t <+∞],formamos um novo processo [Zt , 0 ≤ t <+∞] selecionandoaleatoriamente apenas alguns dos eventos básicos. Isto é,se:
∑∑==
−=−=tt N
jjjt
N
jjt UthYZentãoUthX
11
)(,)(
g Têm P[Yj =1] = p e P[Yj =0] = 1-p = qg Mutuamente independentesg Independentes dos Uj’s
O processo particionado é um Processo de Poisson Filtradocom taxa p vezes a taxa do processo básico.
Valor Esperado do novo processo Zt :
)1(]|[][][0
∑∞
=
===k
tttt kNZEkNPZE
A esperança condicional E[Zt | Nt = k] é obtida tomando amédia de ambas as v.a’s U1, U2, ..., Uk e as v.a’sY1, Y2, ..., Yk.
−== ∑
=
k
jjjtt UthYEkNZE
1
)(]|[
∑=
−=k
jjj UthYE
1
)]([
Substituindo (2) em (1):
]|[ kNZE tt = ∑=
−=k
jjj UthYE
1
)]([
∑=
−=k
jjj UthEYE
1
)]([][
)2()()(1 00
∑ ∫∫=
=−=k
j
tt
jj duuht
kpduuth
t
p
∑ ∫∞
=
==
0 0
)(][][k
t
tt duuht
kpkNPZE