Probabilidades y Estadística 11

download Probabilidades y Estadística 11

of 15

Transcript of Probabilidades y Estadística 11

  • 7/31/2019 Probabilidades y Estadstica 11

    1/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    Desigualdad de Chebyshev:

    Para calcular la probabilidad de un evento descripto en trminos de una v.a. X esnecesario conocer la distribucin de la v.a. La desigualdad de Chebyshev provee una cotaque no depende de la distribucin sino slo de la varianza deX.

    Proposicin: SeaXuna v.a. con E(X) = y V(X)= 2 < , entonces

    ( )2

    2

    ,0

    >> XP

    Dem: Lo haremos para el caso continuo. La demostracin para el caso discreto es similar.

    ( ) ===

    dxxfxXE )()()( 222

    += > }/{}/{

    )()()()( 22

    xxxx

    dxxfxdxxfx

    ( )

    >= >>

    XPdxxfdxxfxxxxx

    222 )()()(}/{}/{

    Entonces,

    ( )

    > XP

    2

    2

    como queramos demostrar.

    Observacin: La cota que provee la desigualdad de Chebyshev puede ser grosera o, peoran, no informativa, por ejemplo, si 2.

    Ejemplo: SeaX~ U(0,10), entonces E(X) = 5 y V(X)= 100/12.

    Aplicando la desigualdad de Chebyshev,

    ( ) 52.016

    12/100

    16

    2

    45 =>

    XP

    pero, si calculamos en forma exacta esa probabilidad,

    ( ) ( ) ( ) ====> )91(1454145145 XPXPXPXP

    20.010

    1

    10

    91)1()9(1 =+=+=

    XF

    XF

    118

  • 7/31/2019 Probabilidades y Estadstica 11

    2/15

  • 7/31/2019 Probabilidades y Estadstica 11

    3/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    120

    En qu sentido converge X a ?

    Sea (Xn ) (n 1) una sucesin de variables aleatorias, diremos que Xn converge enprobabilidada la v.a.X y lo notaremos XX p

    n

    , si

    ( ) 00limn

    >=>

    XXP n

    Ley de los Grandes Nmeros: Sean X1, X2, .... v.a. independientes e idnticamentedistribuidas (muestra aleatoria) con E(X) = y V(X) = 2 < , entonces

    pnX

    siendo

    n

    X

    X

    n

    i

    i

    n

    == 1 el denominado promedio muestral.

    Dem: Sabemos que )( =nXE yn

    XV n

    2

    )(

    = , entonces aplicando la desigualdad de

    Chebyshev,

    ( ) 0)(2

    2

    2>=>

    n

    XVXP nn

    y, por lo tanto

    ( ) 00limlim 22

    nn >=>

    nXPn

    Luego, pnX , como queramos demostrar.

    Versin Bernoulli de la Ley de los Grandes Nmeros: Consideremos n repeticionesindependientes de un experimento aleatorio y seaA un suceso con probabilidad P(A) =p,constante en las n repeticiones. Si llamamos nA a la frecuencia absoluta deA (nmero deveces que ocurreA en las n repeticiones) y fA = nA / n a la frecuencia relativa, entonces

    pf pA

    es decir,

    ( ) 00 > > nA pfP

  • 7/31/2019 Probabilidades y Estadstica 11

    4/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    121

    Dem: Como nA ~ Bi(n,p) conp = P(A), entonces E(nA) = np y V(nA) = np (1-p). Luego

    n

    pp

    n

    nVfVp

    n

    nEfE AAA

    A

    )1()()(

    =

    ==

    =

    y, aplicando la desigualdad de Chebyshev,

    ( ) 0)1()(22

    >

    =>

    n

    ppfVpfP AA

    Luego,

    ( ) 00)1(limlim2nn

    >=

    >

    n

    pppfP A

    como queramos demostrar.

    Ejemplo: Cuntas repeticiones del experimento deberan hacerse para que la frecuenciarelativa difiera dep en menos de 0.01 con probabilidad mayor o igual que 0.95?

    En este caso, = 0.01 y queremos encontrar n tal que

    ( ) 95.001.0

  • 7/31/2019 Probabilidades y Estadstica 11

    5/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    122

    Distribucin de la suma de variables aleatorias independientes: En general esdifcil calcular la distribucin de la suma o de una combinacin lineal de n v.a.independientes, an cuando tengan la misma distribucin. Sin embargo, en algunos casosla distribucin de la suma o de combinaciones lineales es conocida. Recapitulemosalgunos resultados.

    a) Si nXXX ,....,, 21 son v.a. independientes tales que ),(~ pnBiX ii , entonces

    = =

    n

    i

    n

    i

    ii pnBiX1 1

    .,~

    En particular, si ipBiXi ),1(~ , entonces =

    n

    i

    i pnBiX1

    ).,(~

    b) Si nXXX ,....,, 21 son v.a. independientes tales que )(~ ii PX , entonces

    = = n

    i

    n

    i

    ii PX1 1

    ~ .

    c) Si nXXX ,....,, 21 son v.a. i.i.d. tales que )(~ pGXi , entonces =

    n

    i

    i pnBNX1

    ).,(~

    d) Si nXXX ,....,, 21 son v.a. i.i.d. tales que )(~ iX , entonces =

    n

    i

    i nX1

    ).,(~

    e) Si nXXX ,....,, 21 son v.a. independientes tales que ),(~ ii nX , entonces

    = =

    n

    i

    n

    i

    ii nX1 1

    ,~ .

    f) Si nXXX ,....,, 21 son v.a. independientes tales que ),(~2

    iii NX y naaa ,...,, 21 son

    nmeros reales, entonces = = =

    n

    i

    n

    i

    n

    i

    iiiiii aaNXa1 1 1

    22,~ .

    En particular, si nXXX ,...,, 21 son v.a. i.i.d. tales que ),(~2NXi , entonces

    =

    =

    n

    i

    i nnNXTn

    NX1

    22

    ),(~y,~

    .

    Dem: Todos estos resultados pueden demostrarse fcilmente usando funcionesgeneradoras de momentos. Como ejemplo, demostremos la propiedad e), es decir que si

  • 7/31/2019 Probabilidades y Estadstica 11

    6/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    123

    nXXX ,....,, 21 son v.a. independientes tales que ),(~ ii nX , entonces

    = =

    n

    i

    n

    i

    ii nX1 1

    ,~ .

    Por ser lasXi v.a. independientes, la funcin generadora de la suma es el producto de lasfunciones generadoras, entonces

    = == =

    =

    ==

    =

    =

    n

    i

    n

    i

    ii

    nn

    i

    n

    i

    n

    XX

    nXtt

    tMtM

    n

    i

    ii

    in

    i

    i 1 11 1

    ,~)()(1

    1

    como queramos demostrar.

    Veremos ahora que, cuando las v.a. no son normales, la distribucin normal resulta unabuena aproximacin para la distribucin de X y .T

    Teorema Central del Lmite: Sean ,...., 21 XX v.a. i.i.d con =)( iXE y

  • 7/31/2019 Probabilidades y Estadstica 11

    7/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    124

    Supongamos inicialmente que = 0 y 2 = 1. En este caso, la funcin generadora de

    momentos den

    Test dada por

    ( )= =====

    n

    i

    nXX

    XTnT

    ntMntMntMntMtMii

    n

    i

    i 1/

    )/()/()/()/()(

    1

    por ser lasXiindependientes. Sea )(ln)( uMuLiX

    = , entonces

    [ ][ ]

    [ ][ ]

    )()0(

    )0()0()0(

    )(

    )()()()(ln)0(''

    01)0(

    )0(

    )(

    )()(ln)0('

    0)1ln()0(ln)0(

    2

    2

    2'''

    2

    2'''

    2

    2

    ''

    00

    00

    =

    =

    =

    =

    =====

    =

    ===

    ==

    ==

    i

    X

    XXX

    X

    XXXX

    X

    X

    X

    XX

    X

    XEM

    MMM

    uM

    uMuMuM

    u

    uML

    M

    M

    uM

    uM

    u

    uML

    ML

    i

    iii

    i

    iiii

    i

    i

    i

    ii

    i

    uu

    uu

    Ahora, para probar el teorema, demostraremos que 2//

    2

    )( tnTetM o

    equivalentemente, que .2/)/( 2tntnL Aplicando la regla de LHospital dos veces,

    ==

    =

    2/1n2

    2/3

    nn 2

    )/('lim

    2

    )/('lim

    /1

    )/(lim

    n

    tntL

    n

    ntntL

    n

    ntL

    .22

    )/(''lim

    2

    )/(''lim

    22

    n2/3

    2/32

    n

    ttntL

    n

    ntntL==

    =

    por lo tanto hemos probado el Teorema Central del Lmite para = 0 y 2 = 1. El caso

    general resulta considerando las v.a. standarizadas *ii XX

    =

    y teniendo en cuenta

    las propiedades de las funciones generadoras de momentos.

    Observacin: Qu significa n suficientemente grande? Cmo sabemos si laaproximacin es buena? El tamao de muestra requerido para que la aproximacin sea

    razonable depende de la forma de la distribucin de las Xi . Mientras ms simtrica yacampanada sea, ms rpidamente se obtiene una buena aproximacin.

  • 7/31/2019 Probabilidades y Estadstica 11

    8/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    125

    Figura 2: Distribucin de x para distintas distribuciones cuando n=2, 5 y 30.a) Distribucin discreta, b) Distribucin Uniforme, c) Distribucin Exponencial

    Ejemplo: Al sumar nmeros, una calculadora aproxima cada nmero al entero msprximo. Los errores de aproximacin se suponen independientes y condistribucin U(-0.5,0.5).

    a) Si se suman 1500 nmeros, cul es la probabilidad de que el valor absoluto del errortotal exceda 15?

    Si llamamosXi al error correspondiente al i-simo sumando, el error total es =

    =1500

    1

    1500

    i

    iXT .

    Entonces,

    ( ) ( ) ===> )1515(115115 150015001500 TPTPTP

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    125

    Figura 2: Distribucin de x para distintas distribuciones cuando n=2, 5 y 30.a) Distribucin discreta, b) Distribucin Uniforme, c) Distribucin Exponencial

    Ejemplo: Al sumar nmeros, una calculadora aproxima cada nmero al entero msprximo. Los errores de aproximacin se suponen independientes y condistribucin U(-0.5,0.5).

    a) Si se suman 1500 nmeros, cul es la probabilidad de que el valor absoluto del errortotal exceda 15?

    Si llamamosXi al error correspondiente al i-simo sumando, el error total es =

    =1500

    1

    1500

    i

    iXT .

    Entonces,

    ( ) ( ) ===> )1515(115115 150015001500 TPTPTP

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    125

    Figura 2: Distribucin de x para distintas distribuciones cuando n=2, 5 y 30.a) Distribucin discreta, b) Distribucin Uniforme, c) Distribucin Exponencial

    Ejemplo: Al sumar nmeros, una calculadora aproxima cada nmero al entero msprximo. Los errores de aproximacin se suponen independientes y condistribucin U(-0.5,0.5).

    a) Si se suman 1500 nmeros, cul es la probabilidad de que el valor absoluto del errortotal exceda 15?

    Si llamamosXi al error correspondiente al i-simo sumando, el error total es =

    =1500

    1

    1500

    i

    iXT .

    Entonces,

    ( ) ( ) ===> )1515(115115 150015001500 TPTPTP

  • 7/31/2019 Probabilidades y Estadstica 11

    9/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    126

    =

    +

    =

    12/1500

    15

    12/1500

    151

    12/1500

    15

    12/150012/1500

    151 1500

    TP

    18.0)34.1()34.1(1 =+=

    Hemos usado que 0)( =iXE y12

    1)( =iXV y por lo tanto 0)( 1500 =TE y .

    12

    1500)( 1500 =TV

    b) Cuntos nmeros pueden sumarse a fin de que el valor absoluto del error total seamenor o igual que 10 con probabilidad mayor o igual que 0.90?

    Buscamos el valor de n tal que

    ( ) 90.010 nTP

    ( ) ( ) 90.012/

    10

    12/

    1090.0101090.010

    nT

    nPTPTP nnn

    Aplicando la aproximacin normal, debemos hallarn tal que

    95.012/

    1090.01

    12/

    10290.0

    12/

    10

    12/

    10

    nnnn

    44612.2164.112/

    10 nn

    n

    es decir, que se pueden sumar a lo sumo 446 nmeros para que el valor absoluto delerror total sea menor o igual que 10 con probabilidad mayor o igual que 0.90.

    Aproximacin de la distribucin binomial por la normal: SeaX~ Bi (n,p), entonces X es elnmero de xitos en n repeticiones de un experimento binomial con probabilidad de xitoigual ap, y X/ n es la proporcin muestral de xitos.

    Definamos las siguientes variables aleatorias

    =

    iX

    ii

    repeticinlaenFracasoobtuvosesi

    repeticinlaenxitoobtuvosesi

    0

    1

    para i= 1, ..., n. Estas v.a. son independientes, Xi ~ Bi (1,p) i y =

    =n

    i

    iXX1

    .

    Aplicando el Teorema Central del Lmite, si n es suficientemente grande,

  • 7/31/2019 Probabilidades y Estadstica 11

    10/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    127

    ( )

    n

    pppN

    n

    XpnpnpNX

    aa )1(,~)1(,~

    )()(

    Se considera que la aproximacin es buena si n p 5 y n (1-p) 5.

    Figura 3: Distribucin den

    X

    Correccin por continuidad: Cuando se aproxima una distribucin discreta por unacontinua, como es el caso de la aproximacin de la distribucin binomial por la normal, esnecesario efectuar una correccin. Consideremos el siguiente ejemplo:

    SeaX~ Bi (100, 0.6) y calculemos en forma aproximada P(X 50) y P(X 51).

    Si aplicamos directamente el TCL, obtenemos:

    ( )

    967.0)84.1(124

    6051

    24

    60)51(

    021.004.224

    6050

    24

    60)50(

    =

    =

    =

    =

    XPXP

    XPXP

    0.0 0.2 0.4 0.6 0.8 1.00.

    0

    0.

    2

    0.

    4

    0.

    6Bi(5,0.10)

    0.0 0.2 0.4 0.6 0.8 1.00.

    0

    0.

    2

    0.

    4Bi(10,0.10)

    0.0 0.1 0.2 0.3 0.4 0.50.

    0

    0.

    15

    Bi(20,0.10)

    0.0 0.1 0.2 0.3 0.40.

    0

    0.

    10

    Bi(50,0.10)

    0.0 0.05 0.10 0.15 0.20 0.250.

    0

    0.

    06

    0.

    12

    Bi(100,0.10)

    0.0 0.05 0.10 0.15 0.200.

    0

    0.

    04

    0.

    08

    Bi(200,0.10)

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    127

    ( )

    n

    pppN

    n

    XpnpnpNX

    aa )1(,~)1(,~

    )()(

    Se considera que la aproximacin es buena si n p 5 y n (1-p) 5.

    Figura 3: Distribucin den

    X

    Correccin por continuidad: Cuando se aproxima una distribucin discreta por unacontinua, como es el caso de la aproximacin de la distribucin binomial por la normal, esnecesario efectuar una correccin. Consideremos el siguiente ejemplo:

    SeaX~ Bi (100, 0.6) y calculemos en forma aproximada P(X 50) y P(X 51).

    Si aplicamos directamente el TCL, obtenemos:

    ( )

    967.0)84.1(124

    6051

    24

    60)51(

    021.004.224

    6050

    24

    60)50(

    =

    =

    =

    =

    XPXP

    XPXP

    0.0 0.2 0.4 0.6 0.8 1.00.

    0

    0.

    2

    0.

    4

    0.

    6Bi(5,0.10)

    0.0 0.2 0.4 0.6 0.8 1.00.

    0

    0.

    2

    0.

    4Bi(10,0.10)

    0.0 0.1 0.2 0.3 0.4 0.50.

    0

    0.

    15

    Bi(20,0.10)

    0.0 0.1 0.2 0.3 0.40.

    0

    0.

    10

    Bi(50,0.10)

    0.0 0.05 0.10 0.15 0.20 0.250.

    0

    0.

    06

    0.

    12

    Bi(100,0.10)

    0.0 0.05 0.10 0.15 0.200.

    0

    0.

    04

    0.

    08

    Bi(200,0.10)

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    127

    ( )

    n

    pppN

    n

    XpnpnpNX

    aa )1(,~)1(,~

    )()(

    Se considera que la aproximacin es buena si n p 5 y n (1-p) 5.

    Figura 3: Distribucin den

    X

    Correccin por continuidad: Cuando se aproxima una distribucin discreta por unacontinua, como es el caso de la aproximacin de la distribucin binomial por la normal, esnecesario efectuar una correccin. Consideremos el siguiente ejemplo:

    SeaX~ Bi (100, 0.6) y calculemos en forma aproximada P(X 50) y P(X 51).

    Si aplicamos directamente el TCL, obtenemos:

    ( )

    967.0)84.1(124

    6051

    24

    60)51(

    021.004.224

    6050

    24

    60)50(

    =

    =

    =

    =

    XPXP

    XPXP

    0.0 0.2 0.4 0.6 0.8 1.00.

    0

    0.

    2

    0.

    4

    0.

    6Bi(5,0.10)

    0.0 0.2 0.4 0.6 0.8 1.00.

    0

    0.

    2

    0.

    4Bi(10,0.10)

    0.0 0.1 0.2 0.3 0.4 0.50.

    0

    0.

    15

    Bi(20,0.10)

    0.0 0.1 0.2 0.3 0.40.

    0

    0.

    10

    Bi(50,0.10)

    0.0 0.05 0.10 0.15 0.20 0.250.

    0

    0.

    06

    0.

    12

    Bi(100,0.10)

    0.0 0.05 0.10 0.15 0.200.

    0

    0.

    04

    0.

    08

    Bi(200,0.10)

  • 7/31/2019 Probabilidades y Estadstica 11

    11/15

  • 7/31/2019 Probabilidades y Estadstica 11

    12/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    129

    Por lo tanto, cualquier v.a. con distribucin (m, ) con parmetro m suficientementegrande puede ser aproximada por la distribucin normal.

    Una aplicacin de suma de v.a. independientes y generacin de nmeros alazar:

    Recordemos que un proceso de Poisson permite modelar una situacin en la que loseventos ocurren a lo largo del tiempo (o espacio, volumen, etc.).

    Hemos visto, que bajo ciertos supuestos, si definimos la variable

    Xt = cantidad de eventos que ocurren en el intervalo [0,t]

    entonces )(~ tPXt , donde es la tasa media de ocurrencias o intensidad del proceso.

    Tambin hemos mencionado que, si denotamos

    - T1 = tiempo que transcurre entre que empezamos a medir y el momento en queocurre el primer evento

    - T2= tiempo que transcurre entre el primer evento y el segundo evento.

    y, en general,

    - Ti= tiempo que transcurre entre el (i-1)- simo evento y el i-simo evento ( Ni )

    las Ti son variables aleatorias independientes y con distribucin exponencial, todas con elmismo parmetro .

    Es claro que, si a uno le interesara el tiempo que transcurre desde el inicio hasta la k-sima ocurrencia, esta variable aleatoria podra expresarse como

    =

    k

    i

    iT1

    Veamos la recproca, es decir, veamos como podemos construir un proceso de Poisson apartir de v.a. i.i.d. con distribucin exponencial.

    Proposicin: Sean ,...,....,, 21 kWWW v.a. independientes con distribucin E(1).

    Consideremos el siguiente proceso. Comenzamos a medir el tiempo en t = 0 yconsideramos que ocurre el primer evento en el instante W1, el segundo en elinstante W1 +W2, y en general el k-simo evento en el instante W1 + W2+.+ Wk. Sipara t > 0, definimos la variable aleatoria

  • 7/31/2019 Probabilidades y Estadstica 11

    13/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    130

    Xt = cantidad de eventos que ocurren en el intervalo [0,t]

    entonces Xt es una variable discreta y su distribucin es )(tP .

    Dem: Sea }0{UNk y consideremos el evento [Xt k ]. Observemos que

    [X t k ] hubo k ms eventos en el intervalo [0,t] hubo por lo menos k

    eventos en el intervalo [0,t] tWk

    i

    i =1

    Calculemos la probabilidad de dicho evento:

    =

    =

    tWPkXPk

    i

    it

    1

    )(

    Como las ,...,....,, 21 kWWW son variables aleatorias independientes y con distribucin

    E(1)=(1,1) , entonces

    =

    k

    i

    iW1

    ~ (k,1)

    y por lo tanto

    dssftWPt

    S

    k

    i

    i )(

    1

    =

    =

    con ~1

    =

    =k

    i

    iWS (k,1) y en consecuencia )()!1(

    1)( ),0(

    1 sIesk

    sf skS +

    = . Entonces,

    dsesk

    tWPt

    skk

    i

    i =

    =

    0

    1

    1 )!1(

    1

    Llamemos

    dsesk

    tA

    t

    sk

    k =0

    1

    )!1(

    1)(

    a la funcin de distribucin acumulada de una (k,1). Integrando por partes una vez, siconsideramos

    2)!-(k

    s

    )!1(

    )1(

    )!1(

    2-k21

    =

    =

    =

    k

    sku

    k

    su

    kk

    y

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    130

    Xt = cantidad de eventos que ocurren en el intervalo [0,t]

    entonces Xt es una variable discreta y su distribucin es )(tP .

    Dem: Sea }0{UNk y consideremos el evento [Xt k ]. Observemos que

    [X t k ] hubo k ms eventos en el intervalo [0,t] hubo por lo menos k

    eventos en el intervalo [0,t] tWk

    i

    i =1

    Calculemos la probabilidad de dicho evento:

    =

    =

    tWPkXPk

    i

    it

    1

    )(

    Como las ,...,....,, 21 kWWW son variables aleatorias independientes y con distribucin

    E(1)=(1,1) , entonces

    =

    k

    i

    iW1

    ~ (k,1)

    y por lo tanto

    dssftWPt

    S

    k

    i

    i )(

    1

    =

    =

    con ~1

    =

    =k

    i

    iWS (k,1) y en consecuencia )()!1(

    1)( ),0(

    1 sIesk

    sf skS +

    = . Entonces,

    dsesk

    tWPt

    skk

    i

    i =

    =

    0

    1

    1 )!1(

    1

    Llamemos

    dsesk

    tA

    t

    sk

    k =0

    1

    )!1(

    1)(

    a la funcin de distribucin acumulada de una (k,1). Integrando por partes una vez, siconsideramos

    2)!-(k

    s

    )!1(

    )1(

    )!1(

    2-k21

    =

    =

    =

    k

    sku

    k

    su

    kk

    y

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    130

    Xt = cantidad de eventos que ocurren en el intervalo [0,t]

    entonces Xt es una variable discreta y su distribucin es )(tP .

    Dem: Sea }0{UNk y consideremos el evento [Xt k ]. Observemos que

    [X t k ] hubo k ms eventos en el intervalo [0,t] hubo por lo menos k

    eventos en el intervalo [0,t] tWk

    i

    i =1

    Calculemos la probabilidad de dicho evento:

    =

    =

    tWPkXPk

    i

    it

    1

    )(

    Como las ,...,....,, 21 kWWW son variables aleatorias independientes y con distribucin

    E(1)=(1,1) , entonces

    =

    k

    i

    iW1

    ~ (k,1)

    y por lo tanto

    dssftWPt

    S

    k

    i

    i )(

    1

    =

    =

    con ~1

    =

    =k

    i

    iWS (k,1) y en consecuencia )()!1(

    1)( ),0(

    1 sIesk

    sf skS +

    = . Entonces,

    dsesk

    tWPt

    skk

    i

    i =

    =

    0

    1

    1 )!1(

    1

    Llamemos

    dsesk

    tA

    t

    sk

    k =0

    1

    )!1(

    1)(

    a la funcin de distribucin acumulada de una (k,1). Integrando por partes una vez, siconsideramos

    2)!-(k

    s

    )!1(

    )1(

    )!1(

    2-k21

    =

    =

    =

    k

    sku

    k

    su

    kk

    y

  • 7/31/2019 Probabilidades y Estadstica 11

    14/15

  • 7/31/2019 Probabilidades y Estadstica 11

    15/15

    Probabilidades y Estadstica (Computacin)

    Facultad de Ciencias Exactas y Naturales Universidad de Buenos AiresAna M. Bianco y Elena J. Martnez 2004

    132

    Paso 1: generamos una v.a. W1 con distribucin E(1).

    Paso 2: chequeamos si W1 t. Si sto ocurre, continuamos con el paso siguiente. Si, encambio, W1 t terminamos yX= 0.

    Paso 3: generamos una v.a. W2 con distribucin E(1), independiente de W1.

    Paso 4: chequeamos si W1 + W2 t. Si sto ocurre, continuamos con el paso siguiente. Sino, terminamos yX= 1.

    Paso 2k-1: generamos una v.a. W k con distribucin E(1), independiente de W1, W2, .,W k-1.

    Paso 2k: chequeamos si W1 + W2 +.+ W k t. Si sto ocurre seguimos, si noterminamos yX= k.