Вы находитесь на странице: 1из 3

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 {𝑋t, t≥0}, es un Proceso de Conteo a


Tiempo Continuo si se cumplen:

1) 𝑋t ≥ 0
2) 𝑋t toma valores enteros
3) Si s < t, 𝑋s ≤ 𝑋t
4) Si s < t, 𝑋t – 𝑋s 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 { 𝑋t , t ≥ 0, 𝑋t ~ 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.
evento evento
Especificando más nuestro
experimento inicial consistente de
observar eventos que ocurren t1 t2 t
aleatoriamente en el tiempo
agregamos que la ocurrencia de los
eventos se cuenta mediante el proceso
de Poisson, es decir, 𝑋t.- Número de
eventos ocurridos hasta el tiempo t, t
> 0 y 𝑋t ~ Poisson(λt). ...
Para ilustrar esto se muestra el
esquema de la Figura 1. En este Figura 1 Se muestra la ocurrencia
contexto definimos la siguiente de dos eventos distintos uno en t1 y
variable T.- Tiempo que transcurre otro en t2 al pasar el tiempo.
hasta la r-ésima ocurrencia del evento.
Nos interesa conocer cómo se 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? es r-eventos
decir ¿quién es FT?, para
responder esto debemos empezar
definiendo los posibles valores ...
que puede tomar nuestra variable
T es decir VT, en este caso VT= (0, tr-1
∞) y sea t > 0. Así por definición 0 t1 t2 ... t
nos interesa:
P[ T ≤ t]. (r -1)-eventos
%Después de intentar un poco se Figura 2 Diagrama que muestran r-
puede ver que es más fácil eventos transcurridos en un tiempo t.
calcular la probabilidad del
complemento. Por lo que hora 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 𝑋𝑡. 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[𝑋𝑡 = 𝑗]


𝑗=0

𝑟−1
(𝜆𝑡)𝑗 𝑒 −(𝜆𝑡)
= ∑
𝑗!
𝑗=0

𝑟−1
𝑑𝐹𝑇 (𝑡) 𝑑 (𝜆𝑡)𝑗 𝑒 −(𝜆𝑡)
𝑓𝑇 (𝑡) = = (1 − ∑ )
𝑑𝑡 𝑑𝑡 𝑗!
𝑗=0
𝑟−1
𝑑 (𝜆𝑡)𝑗 𝑒 −(𝜆𝑡)
= (1 − (𝜆𝑡)0 𝑒 −𝜆𝑡 − ∑ )
𝑑𝑡 𝑗!
𝑗=1

𝑟−1
−𝜆𝑡
𝑑 (𝜆𝑡)𝑗 𝑒 −(𝜆𝑡)
= 𝜆𝑒 − (∑ )
𝑑𝑡 𝑗!
𝑗=1

𝑟−1
−𝜆𝑡
𝑗 (𝜆𝑡)𝑗−1 (𝜆)𝑒 −(𝜆𝑡) (𝜆𝑡)𝑗 (−𝜆)𝑒 −(𝜆𝑡)
= 𝜆𝑒 − (∑( + ) )
𝑗! 𝑗!
𝑗=1

𝑟−1 𝑟−1
−𝜆𝑡
(𝜆𝑡)𝑗−1 𝑒 −(𝜆𝑡) (𝜆𝑡)𝑗 𝑒 −(𝜆𝑡)
= 𝜆𝑒 − (𝜆 ∑ −𝜆 ∑ )
(𝑗 − 1)! 𝑗!
𝑗=1 𝑗=1

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

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


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

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

𝜆𝑟 𝑡 𝑟−1 𝑒 −𝜆𝑡
𝑓𝑇 (𝑡) = { Γ(𝑟) 𝑠𝑖 𝑡 > 0 (𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝐺𝐴𝑀𝑀𝐴)
0 𝑒. 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 𝜆(𝜆𝑥)𝛼−1 𝑒 −𝜆𝑥


𝑓𝑋 (𝑥) = ∏ (𝑥) = ∏ (𝑥)
Γ(𝛼) (0,∞) Γ(𝛼) (0,∞)


Donde Γ(𝛼) = ∫0 𝑡 𝛼−1 𝑒 −𝑡 𝑑𝑡 .

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.