PROBABILIDAD I

CLASE 1 Y 4 DE MAYO 2020

Consideremos un experimento que consiste en observar eventos que
ocurren aleatoriamente en el tiempo %Para este experimento existe una
importante gama de aplicaciones%.
Un modelo matemático que ayuda a resolver preguntas sobre este tipo de
experimentos es un Proceso De Conteo que en seguida se define.

Una colección de variables aleatorias { X t, t≥0}, es un Proceso de Conteo a

Tiempo Continuo si se cumplen:

1) X t ≥ 0
2) X t toma valores enteros
3) Si s < t, X s ≤ X t
4) Si s < t, X t – X s es igual a la cantidad de eventos que ocurren en el
intervalo (s ,t).
%Si observamos las condiciones anteriores coinciden en lo que debe
cumplir una variable aleatoria X t que cuenta el número de eventos que
ocurrieron en el tiempo t.%

Sea λ > 0, el proceso de Poisson es { X t , t ≥ 0, X t ~ Poisson(λt)}. Se puede

demostrar que este proceso o colección no numerable de variables
aleatorias es un proceso de conteo a tiempo continuo, esto se probará en
un curso más adelante.
Especificando más nuestro
even even
experimento inicial consistente de to to
observar eventos que ocurren
aleatoriamente en el tiempo t t t
agregamos que la ocurrencia de los 1 2
eventos se cuenta mediante el
proceso de Poisson, es decir, X t.-
Número de eventos ocurridos hasta el
tiempo t, t > 0 y X t ~ Poisson(λt).
..
Para ilustrar esto se muestra el .
esquema de la Figura 1. En este
contexto definimos la siguiente Figura 1 Se muestra la
variable T.- Tiempo que transcurre ocurrencia de dos eventos
hasta la r-ésima ocurrencia del distintos uno en t1 y otro
evento. Nos interesa conocer cómo se en t2 al pasar el tiempo.
distribuye esta variable, para ello consideremos el diagrama de la Figura 2,
En el diagrama se observa que T(ω)=t, es decir se requirió el tiempo t para
que ocurrieran r eventos.
Ahora nos preguntamos ¿Cuál es
la distribución de la variable T? r-
evento
es decir ¿quién es FT?, para
s
responder esto debemos empezar
definiendo los posibles valores ..
.
que puede tomar nuestra
variable T es decir VT, en este tr
caso VT= (0, ∞) y sea t > 0. Así t t ..
0 -1 t
por definición nos interesa: 1 2 .

P[ T ≤ t]. (r -1)-
eventos
%Después de intentar un poco se Figura 2 Diagrama que
puede ver que es más fácil muestran r-eventos
calcular la probabilidad del transcurridos en un tiempo
complemento. Por lo que hora t.
nos enfocamos en calcular P[ T >
t].%
Como:
P[ T ≤ t] = 1 - P[ T > t]
Para resolver la probabilidad P[ T > t] debemos plantear qué debe ocurrir
con X t. Para que T > t debe ocurrir que al tiempo t no haya ocurrido algún
evento, o que haya ocurrido 1 evento, o que haya ocurrido hasta r-1
eventos como lo muestra la Figura 2.
De esta manera se requiere más tiempo que t para que ocurra el r- ésimo
evento.
Por lo que:
r −1
P [ T >t ] =∑ P [ X t= j ]
j=0

r −1
(λt ) j e−(λt )
¿∑
j=0 j!
r −1
d FT (t) d ( λt ) j e−( λt )
f T (t)=
dt
=
dt (
1−∑
j=0 j! )
 r−1
d ( λt ) j e−( λt )
¿
dt ( 0 − λt
1− ( λt ) e −∑
j=1 j! )
r −1
d ( λt ) j e−( λt )
¿ λ e− λt −
dt ( ∑
j=1 j! )
r−1 j−1 j
j ( λt ) ( λ)e−( λt ) ( λt ) (− λ)e−( λt )
¿ λe − λt
− (∑ (j=1 j!
+
j! ))
r−1
( λt ) j−1 e−( λt ) r−1
( λt ) j e−( λt )
¿ λ e− λt − λ ∑ ( j=1 ( j−1)!
− λ∑
j=1 j! )
r −1
( λt ) j−1 e−( λt ) r−1 ( λt ) j e−( λt )
¿−λ ∑ + λ∑
j=2 ( j−1) ! j=1 j!

Ahora hacemos el cambio l = j -1 para la primera suma:

r −2
( λt )l e−( λt ) r−1 ( λt ) j e−( λt )
¿−λ ∑ +λ∑
l=1 ( l) ! j=1 j!

λ( λt )r −1 e− λt
¿
( r −1 ) !
Recordando la función gamma Г(r) = (r-1)!. Por tanto:

λr t r−1 e−λt
{
f T ( t ) = Γ (r ) sit >0 ( distribución GAMMA )
0e.o.c

En seguida usamos el nombre común de la variable y mostramos las dos

formas en que se pude escribir la Distribución Gamma. X ~ Gamma (, λ):

λα x α −1 e−λx
fX x =
( ) ∏ ( x ) =λ ¿ ¿ ¿
Γ ( α ) (0 , ∞)
∞
α −1 −t
Donde Γ ( α )=∫ t e dt .
0

Observación: Si X ~ Gamma (1, λ), X ~ Exp(λ), en el contexto de nuestro

experimento X mide el tiempo que transcurre hasta la ocurrencia de
primer evento.