Ejercicios

Capitulo 4
Procesos de Poisson
103 Los clientes de una tienda entran al establecimiento de acuerdo a un proceso de Poisson {Xt : t ≥ 0}
parámetro λ = 4. Calcule:
b) P (X1 = 3, X2 = 6)

P (X1 = 3, X2 = 6) = P (X2 = 6X1 = 3).P (X1 = 3)

e−λ (λ)3 e−λ .(λ)3

= .
3! 3!
e−2λ λ6
=
3!,3!
e−8 .(4)6
= λ=4
36
= 0,038


f) P (X1 ≥ 4X1 ≥ 2)

 P (X1 ≥ 4, X1 ≥ 2)
P (X1 ≥ 4X1 ≥ 2) =
P (X2 ≥ 2)
P (X1 ≥ 4)
=
P (X1 ≥ 2)
3
−λ
X (λ)k
1−e
k!
k=0
= 1
X (λ)k
1 − e−λ
k!
k=0
λ2 λ3
 
−λ
1−e . 1+λ+ +
2! 3!
=
1 − e−λ . (1 + λ)
42 43
 
1 − e−4 . 1 + 4 + +
2! 3!
= λ=4
1 − e−4 .(1 + 4)
=

105 Sea{Xt : t ≥ 0} un proceso de Poisson de parámetro λ = 2. Sea Wn el instante en el que ocurre el

n-esimo evento. Calcule:

1
 
b) E(X5 X2 = 1)

∞
X
 
E(X5 X2 = 1) = x.P (X5 = xX2 = 1)
x=0
X∞
= x.P (X3 = x − 1)
x=0
X∞
= (x − 1).P (X3 = x − 1)
x=1

= E(X3 )

= 3.λ

=6 λ=2

e) E(W7 W5 = 4)
 
E(W7 W5 = 4) = E(Xt ≥ 7X4 = 5)

106 Simulación de la distribución exponencial. Demuestre que si X es una variable aleatoria con distri-
bución unif(0, 1), entonces la variable aleatoria Y = −(1/λ).ln(1 − X) tiene distribución exp(λ).
Este resultado puede ser usado para generar valores de la distribución exp(λ) a partir de valores de
la distribución unif(0, 1).

Sea X v Unif(0, 1), Y = −(1/λ).ln(1 − X), veamos que

 
1
Fy (y) =P − .ln(1 − x) ≤ y
λ
= P (ln(1 − x) ≥ −λ.y)

= P 1 − x ≥ e−λ.y

= P x ≤ 1 − e−λ.y

= Fx (1 − e−λ.y )

= 1 − e−λ.y ∴ Y v exp(λ)

116 Sea {Xt : t ≥ 0} un proceso de Poisson de parámetro λ. Sea T una variable aleatoria con distribución
exp(θ) independiente del proceso de Poisson. Encuentre la función de densidad de la variable XT

Sea Xt v Poisson(λ), y sea T v exp(θ) independiente del proceso de Poisson

2
 Capitulo 4
Procesos de Poisson Compuestos
136 Suponga que las variables Y1 , Y2 , ... en un proceso de Poisson compuesto tienen distribución común
Ber(p). Demuestre que el proceso se reduce al proceso de Poisson de parámetro λp.

Sea {Nt : t ≥ 0} un proceso de Poisson(λ), la propiedad de el proceso de Poisson compuesto, indica que:

Mxt (u) = E(euxt )


= ENt [E(euxt Nt )]
Nt
X
u Yi
= ENt [E(e x=1 )]

= ENt [E(euY1 ...euYnt )]

= ENt [(E(euY ))n ]

= ENt [(MY (u))n ]

∞
X
= (MY (u))k .f (k; λ)
k=0
∞
X λk .e−λ
= (MY (u))k .
k!
k=0
= exp[λ(My (u) − 1)]

Sustituyendo My (u) = (1 − p) + p.et , obtenemos:

Mxt (u) = exp[λ((1 − p) + pet − 1)]

= exp[λ.p(et − 1)]

La cual es una función generadora de momentos de una distribución Poisson de parámetro λp

Capitulo 5
Cadenas de Markov
Procesos de nacimientos Puros
148 Sea {Xt : t ≥ 0} un proceso de Yule con estado inicial X0 = k ≥ 1. Demuestre que:

3
 a) E(Xt ) = k.eλt
b) V ar(Xt ) = k.e2tλ .(1 − e−λt )
Probemos la proposicion 5.7 donde se indica que el incremento al instante t tiene distribución
Binomial Negativa
 
n−1
Pkn (t) = e−λkt (1 − e−λt )n−k ,n ≥ k (1)
n−k

Probemos que se cumple para n=k

 
k−1
Pkk (t) = e−λkt (1 − e−λt )k−k
0

= e−λkt

Veamos que tambien de cumple para n = k + 1

 
k
Pkn (t) = e−λkt (1 − e−λt )k+1−k
1

= k.e−λkt .(1 − e−λt )

las probabilidades de transición en un proceso de nacimiento puro de un proceso de yule satisface:

Z t
Pkn (t) = λ(n − 1).e−λnt e−λns .Pk.n−1 (s)ds (2)
k=0

Sustituyendo n = k + 1, en 2 vemos que se cumple 1

Z t
Pkn (t) = λk.e−λkt−λt e−λ(K+1)s .e−λks ds
k=0

λ −λkt−λt λt
= k.e (e − 1) (3)
λ
= k.e−λkt (1 − e−λt )

Ahora asumamos que 1 se cumple para n − 1 m k + 1

 
n−2
Pk,n−1 (t) = e−λkt (1 − e−λt )n−1−k (4)
n−1−k

Y probemos que se cumple para n ≥ k + 1, sustituyendo 4 en 2 tenemos:

4
 Z t
Pkn (t) = λ(n − 1).e−λnt
e−λns .Pk.n−1 (s)ds
k=0
Z t  
n−2
= λ(n − 1).e−λnt e−λns . e−λks (1 − e−λs )n−1−k ds
k=0 n−1−k
 Z t (5)
n−2
= λ(n − 1).e−λnt e−λns−λks .(1 − e−λs )n−1−k ds
n−1−k k=0
 Z t
n−2
= λ(n − 1).e−λnt e−λs .(eλs − 1)n−1−k ds
n−1−k k=0

du
Haciendo cambio de variable u = (eλs − 1) y = eλs ds en 5, tenemos:
λ(n − k)
Z t
u−1

−λnt n−2
Pkn (t) = λ(n − 1).e du
n−1−k k=0 λ(n − k)
 
λ(n − 1) n−2
= . .e−λnt (eλt − 1)n−k
λ(n − k) n−1−k
  (6)
n−1
= .e−λnt eλt(n−k) (1 − e−λt )n−k
k−1
 
n−1
= .e−λkt (1 − e−λt )n−k
k−1

Ası́ vemos que P (Xt ) tiene distribución Binomial negativa con parámetros r = k, p = e−λt , con lo
que obtenemos que:

k(1 − p)
E(xt ) =
p
k(1 − e−λt )
=
e−λt
= k(eλt − 1)

k(1 − p)
V ar(xt ) =
p2
k(1 − e−λt )
=
e−2λt
= k(e2λt − eλt )

= ke2λt (1 − e−λt )