Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones de
probabilidad discretas.
Características y
tratamiento. La
distribución binomial y la
de Poisson. Aplicaciones
1
1 S
1
(b) fAn gn=1 C) An 2 C
n=1
2
De…nición 10 Una variable aleatoria es una función medible de…nida sobre un
espacio de probabilidad, es decir,
X : ( ; A; P ) ! (R; B) es una variable aleatoria sii X 1 (B) 2 A 8B 2 B ,
, 8x 2 R X 1 (] 1; x]) 2 A
Así, una variable aleatoria es una función medible con valores reales que está
de…nida sobre el espacio muestral asociado a un experimento aleatorio.
PX : B !R
PX (B) = P X 1 (B)
3
65.2 Variables aleatorias discretas
Sea X : ( ; A; P ) ! (R; B; PX ) una variable aleatoria arbitraria.
p:E!R
x ! P (X = x)
En general,
X
8B 2 A P (X 2 B) = P (X 2 B \ E) = P (X = x)
x2B\E
(4) Si h (X) ; g (X) son funciones de una variable aleatoria X tales que
h (X) g (X) y además 9Eh (X) ; Eg (X), entonces
Eh (X) Eg (X)
4
De…nición 18 Sea X : ( ; A; P ) ! (R; B; PX ) una variable aleatoria discreta
y consideremos 8n 2 N la variable aleatoria X n . Si 9EX n , dicha esperanza se
denomina momento no centrado de orden n de X:
X
EX n = xn P (X = x)
x2E
n n
Sea c 2 R y consideremos la variable aleatoria (X c) . Si 9E [(X c) ],
dicha esperanza se denomina momento centrado en c de orden n de X:
n
X n
E [(X c) ] = (x c) P (X = x)
x2E
h i
k
Proposición 19 Notaremos k = EX k y k = E (X c) . Entonces:
P
k
k j k k 1
k = ( 1) j 1 j
j=0
P
k
k k 1
k = j 1 j
j=0
+ k
i 22 Sea k 2 R y consideremos la variable aleatoria jXj . Si
De…nición
h
k
9E jXj dicha esperanza se denomina momento absoluto de orden k de X.
MX : ] "; "[ ! R P xt
MX (t) = E eXt = e P (X = x)
x2E
5
Proposición 24 (i) La FGM de una variable aleatoria, si existe, es única y
determina de forma única a la distribución.
(ii) Si 9MX (t) 8t 2 ] "; "[, entonces:
(1) 9EX n 8n 2 N
P
+1
tn EX n
(2) MX (t) = n! 8t 2 ] "; "[
n=0
dk
(3) MX es diferenciable y dtk
MX (t) jt=0 = EX k
Corolario 25 MX 2 C 1 (] "; "[) y de hecho MX es analítica en ] "; "[ :
Sea ( ; A; P ) un espacio de probabilidad y X : ( ; A; P ) ! (R; B; PX ) una
variable aleatoria discreta con función de distribución FX .
De…nición 26 Se llama función característica de X a la transformada de Fourier-
Stieltjes de FX , es decir,
X
' (t) = eixt P (X = x) = E eitX
x2E
P
(ii) 9'n) (t) = in eitx xn P (X = x)
x2E
2n)
(8) Si 9' (t) entonces
'2n) (0)
9 2n =
i2n
(9) Si 9'2n 2)
(t) entonces
'2n 2) (0)
9 2n 2 =
i2n 2
6
65.3 Distribución binomial
Fué introducida por Bernouilli en 1713 y es una de las distribuciones discretas
más útiles. Su área de aplicación incluye:
(1) Inspección de calidad
(2) Control de defectos
(3) Caliudad del servicio telefónico
(4) Ventas (marketing)
(5) Mercalotecnia
(6) Medicina
(7) Investigación de opiniones
(8) Otras,...
P (X = k) 0
P
n P
n
n! k n k P
n
n n k
P (X = k) = k!(n k)! p (1 p) = k pk (1 p) =
k=0 k=0 k=0
n n
= [(1 p) + p] = 1 = 1
Función de distribución
X
F (x) = P (X x) = P (X = k)
k x
7
Esperanza
P
n P
n
n n k P
n
n k
EX = kP (X = k) = k k pk (1 p) = k k!(nn! k)! pk (1 p) =
k=0 k=0 k=0
P
n
n! k n k P
n
(n 1)! k 1 n k
= (k 1)!(n k)! p (1 p) = np (k 1)!(n k)! p (1 p) =
k=1 k=1
P
n
n 1 (n 1) (k 1)
= np k 1 pk 1
(1 p) = np
k=1 (1)
EX = np
n
X n 1 k 1 (n 1) (k 1) n 1
p (1 p) = [(1 p) + p] =1
k 1
k=1
Varianza
h i h i P
n
2 2 2 n! k n k
V ar (X) = E (X EX) = E (X np) = (k np) k!(n k)! p (1 p) =
k=0
n
X
P
n
n k n! n k
= k2 2knp + n2 p2 n!
k!(n k)! p
k
(1 p) = k2 pk (1 p)
k=0 k! (n k)!
k=0
| {z }
=A
n
X n
X
n! n k n! n k
2 knp pk (1 p) + n 2 p2 pk (1 p)
k! (n k)! k! (n k)!
k=0 k=0
| {z } | {z }
=B =C
P
n
n! k n k P
n
(n 1)! k 1 n k
A= k (k 1)!(n k)! p (1 p) = np k (k 1)!(n k)! p (1 p) =
k=1 k=1
Cambio nP1
(n 1)! t n t 1
= = np (t + 1) t!(n 1 t)! p (1 p) =
k 1=t t=0
2 3
6 7
6nX1 (n 1)!
n
X1 (n 1)! 7
6 n t 1 n t 17
= np 6 t pt (1 p) + pt (1 p) 7=
6 t! (n 1 t)! t! (n 1 t)! 7
4|t=0 {z }
t=0
| {z }5
esp eranza para x=t y n 1 elem entos =[(1 p)+p]n 1
=1
8
= np [(n 1) p + 1] = n2 p2 np2 + np
P
n
n k
B= 2np k k!(nn! k)! pk (1 p) 2npEX = 2npnp = 2n2 p2
k=0
P
n
n! n k n
C = n 2 p2 k!(n k)! p
k
(1 p) = n2 p2 [(1 p) + p] = n2 p2
k=0
= np [1 (1 p)] = npq
V ar (X) = npq
Momentos centrales
h i h i n
X n!
j j j n k
E (X EX) = E (X np) = (k np) pk (1 p)
k! (n k)!
k=0
P
n
n k n k n
= k (et p) (1 p) = [et p + (1 p)]
k=0
n
M (t) = et p + q
Calculamos la varianza usando el teorema de König: V ar (X) = EX 2
2
(EX)
dM (t) n 1
= n (et p + 1 p) pet
dt
d2 M (t) n 1 n 2
= n (et p + 1 p) pet + n (n 1) (et p + 1 p) pet pet
dt2
d2 M (t)
EX 2 = jt=0 = np [(n 1) p + 1]
dt2
2
V ar (X) = EX 2 (EX) = np [(n 1) p + 1] n 2 p2 =
9
Función característica
n
' (t) = eit p + q
Reproductividad2
Teorema 29 (Reproductividad en n de B (n; p)): Sean Xk B (nk ; p),
k = 1; :::; m, y supongamos que son independientes. Entonces:
m m
!
X X
Xk B nk ; p
k=1 k=1
Demostración:
P
m
Sea S := Xk . Entonces, la FC de S es:
k=1
m m P
m
Y Y nk nk
it it
'S (t) = 'Xk (t) = e p+q = e p+q k=1
k=1 k=1
P
m
luego S B nk ; p : C.Q.D.
k=1
10
Tenemos pues un esquema de la forma:
P (X = x) 0
P
1 P
1
e x P
1 x
P (X = x) = x! =e x! =e e =1
x=0 x=0 x=0
11
El parámetro de la distribución de Poisson representa (como veremos más
adelante) el número promedio de ocurrencias de un suceso por unidad de tiempo.
Función de distribución
1
X k
e
F (x) = P (X x) =
k!
k x
Esperanza
P
1 P
1
xe x P
1
e x P
1
e x 1
EX = xP (X = x) = x! = (x 1)! = (x 1)! =
x=0 x=0 x=0 x=1
Cambio P
1
e m
= = m! =
x 1=m m=0
EX =
Varianza
h i h i P
1 x
2 2 2 e
V ar (X) = E (X EX) = E (X ) = (x ) x! =
x=0
1
X x 1
X x 1
X x
e e 2 e
= x2 2 x + =
x=0
x! x=0
x! x=0
x!
| {z }| {z } | {z }
=A =B =C
12
P
1 x P
1 x 1 Cambio P
1 t
A= x2 e x! = x e (x 1)! = = (t + 1) e t! =
x=0 x=1 x 1=t t=0
1
X t
e P
1
e t
= t + t! = + = ( + 1)
t=0
t! t=0
| {z }
=EX=
P
1 x 2
B= 2 xe x! = 2 = 2
x=0
2 P
1
e x 2
C= x! =
x=0
2 2
V ar (X) = A + B + C = ( + 1) 2 + =
V ar (X) =
Vamos a calcular la varianza de otra forma:
P1 P1 x
EX 2 = x2 P (X = x) = x2 e x! = x2 = x (x 1) + x =
x=0 x=0
1
X x 1
X x
x (x 1) e e
= + x
x=0
x! x=0
x!
| {z } | {z }
=A =EX=
P
1
e x 2 2 2 P
1
e x 2 Cambio
A= (x 2)! = (x 2)! = =
x=0 x=0 x 2=w
2 P
1
e w 2
= w! =
w=0
2
EX 2 = +
2 2 2
V ar (X) = EX 2 (EX) = + =
Obsérvese que la esperanza y la varianza de esta distribución son iguales.
Esta es la propiedad que caracteriza a la distribución de POISSON, ya que
además son iguales al parámetro.
Momentos centrales
h i h i 1
X e x
j j j
E (X EX) = E (X ) = (x )
x=0
x!
13
FGM
P
1 x P
1 et x e
( ) P
1 et x
( )
M (t) = E etX = etx e x! = x! =e x! =
x=0 x=0 x=0
t
= e (e 1)
t t
=e ee = ee
t
M (t) = e (e 1)
FC
it
' (t) = e (e 1)
Reproductividad
Teorema 31 (Reproductividad de P ( )): Sean Xk P( k ), k = 1; 2; :::; m,
y supongamos que son independientes. Entonces:
m m
!
X X
Xk P k
k=1 k=1
Demostración:
P
m
Sea S := Xk . Entonces, la FC de S es:
k=1
m m P
m
Y Y it k (eit 1)
'S (t) = 'Xk (t) = e (ek 1)
=ek=1
k=1 k=1
P
m
luego S P k . C.Q.D.
k=1
Demostración:
n! x n x n(n 1)(n 2):::(n x+1) x n x
P (X = x) = x!(n x)! p (1 p) = nx x! (np) (1 p) =
14
ya que
1 p n
n pn
(1 p) = [1 + ( p)] p
=e =e C:Q:D:
Criterio de aproximación:
La aproximación de las probabilidades binomiales por las de Poisson son
buenas cuando np < 5 y p < 0:1; en cuyo caso
X B (n; p) ) X P (np)
15