TEORÍA MATEMÁTICA DE LA

ESTADÍSTICA I
PROBLEM SET II
Unidad 2: Variables aleatorias discretas
Julio 2021
División de Ciencias Económico - Administrativas, UACh.
Alumna: Diana Isabel Márquez Carreón
Grupo: 5to05

Instrucciones: En cada ejercicio escribe el procedimiento en orden y justifica cada paso.

Cuida la notación y concluye adecuadamente cada demostración. La entrega del problem set
II es individual.
Envía un único archivo en formato pdf a la actividad en Teams denominada Problem set II.
El nombre del archivo debe ser de la forma nombrecompleto problemsetII.

Fecha límite de entrega: 26 de julio, 23:59

1. Variables aleatorias discretas

1. De la definición, escriba la función masa de probabilidad y obtenga la esperanza y la
varianza de las siguientes distribuciones de probabilidad discretas.
(a) Variable aleatoria Bernoulli
El ensayo de Bernuolli consiste en realizar un solo experimento (ensayo), en el cual
existen únicamente dos posible resultados.
i Sólo existen 2 posibles resultados, éxito o fracaso.
ii Sólo es un ensayo
𝑆 = {é𝑥𝑖𝑡𝑜, 𝑓𝑟𝑎𝑐𝑎𝑠𝑜}

𝑥 = 1 = é𝑥𝑖𝑡𝑜 ⇒ 𝑝(0) = 𝑃(𝑥 = 0) = 1 − 𝑝

𝑥 = 0 = 𝑓𝑟𝑎𝑐𝑎𝑠𝑜 ⇒ 𝑝(1) = 𝑃(𝑥 = 1) = 𝑝

Sea 𝑥 ∼ 𝐵𝑒𝑟(𝑝)

𝐸[𝑥] = ∑ 𝑥 𝑝(𝑥) = ∑ 𝑥 𝑝(𝑥) = 0 ∗ 𝑝(0) + 𝑝(1) = 𝑝(1) = 𝑝

𝑥 𝑥∈[0,1]
 𝑉𝑎𝑟[𝑥] = 𝐸[𝑥 2 ] − (𝐸[𝑥])2 ⇒ 𝑆𝑒 𝑐𝑢𝑚𝑝𝑙𝑒 𝑙𝑎 𝑖𝑑𝑒𝑛𝑡𝑖𝑑𝑎𝑑

𝐸[𝑥 2 ] = ∑ 𝑥 2 𝑝(𝑥) = ∑ 𝑥 2 𝑝(𝑥) = (0)2 ∗ 𝑝(0) + (1)2 ∗ 𝑝(1) = 𝑝(1) = 𝑝

𝑥∈[0,1]

𝑉𝑎𝑟[𝑥] = 𝑝 − (𝑝)2 = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝)

(b) Variable aleatoria binomial

Consiste en realizar n veces el ensayo de Bernuolli de manera independiente uno de
otro, y suponiendo que la probabilidad de éxito (p) permanece constante en cada uno
de ellos.
𝑛 𝑛 𝑛!
𝑃[𝑋 = 𝑥] = ( ) 𝑃 𝑥 (1 − 𝑝)𝑛−𝑥 ⇒ 𝑝𝑎𝑟𝑎 𝑥 = 0,1, … 𝑛 𝑑𝑜𝑛𝑑𝑒 ( ) =
𝑥 𝑥 𝑥! (𝑛 − 𝑥)!
𝐸(𝑥) = 𝐸[𝐼1 + 𝐼2 + ⋯ 𝐼𝑛 ] = 𝐸[𝐼2 ] + ⋯ + 𝐸[𝐼𝑛 ] = 𝑝 + 𝑝 + ⋯ + 𝑝 = 𝑛𝑝
𝜇𝑥 = 𝑛𝑝
𝑉(𝑥) = 𝑉[𝐼1 + 𝐼2 + ⋯ 𝐼𝑛 ] = 𝑉[𝐼1 ] + 𝑉[𝐼2 ] + ⋯ 𝑉[𝐼𝑛 ] = 𝑝𝑞 + 𝑝𝑞 + ⋯ 𝑝𝑞 = 𝑛𝑝𝑞
𝜎𝑥 2 = 𝑛𝑝𝑞
𝑛 𝑛
𝑛! 𝑛!
𝐸(𝑥) = ∑ 𝑥 𝑝(𝑥) = ∑ 𝑥 ∗ 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥 = ∑ 𝑥 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥
𝑥! (𝑛 − 𝑥)! 𝑥! (𝑛 − 𝑥)!
𝑥 𝑥=0 𝑥=1
𝑛 𝑛
𝑛! (𝑛 − 1)!
=∑ 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥 = 𝑛𝑝 ∑ 𝑝 𝑥−1 ∗ 𝑞 𝑛−𝑥
(𝑥 − 1)! (𝑛 − 𝑥)! (𝑥 − 1)! (𝑛 − 𝑥)!
𝑥=1 𝑥=1
𝑛−1 𝑁
(𝑛 − 1)! 𝑁!
= 𝑛𝑝 ∑ 𝑝2 ∗ 𝑞 𝑛−2−1 = 𝑛𝑝 ∑ 𝑝2 ∗ 𝑞 𝑁−2 = 𝑛𝑝
2! (𝑛 − 2 − 1) 2! (𝑁 − 2)
2=0 2=0
∴ 𝐸[𝑥] = 𝑛𝑝
𝑉(𝑥) = 𝑛𝑝𝑞 = 𝐸[𝑥 2 ] − 𝜇 2
𝑛 𝑛
𝑛! 𝑛!
𝐸[𝑥(𝑥 − 1)] = ∑ 𝑥 (𝑥 − 1) 𝑝 𝑥 𝑞 𝑛−𝑥 = ∑ 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥! (𝑛 − 𝑥)! (𝑥 − 2)! (𝑛 − 𝑥)!
𝑥=1 𝑥=2
𝑛−2 𝑛−2
𝑛! (𝑛 − 2)!
𝑃2 ∑ 𝑝 𝑧 𝑞 𝑛−2−𝑧 = 𝑃2 (𝑛 − 1)𝑛 ∑ 𝑝 𝑧 𝑞 𝑛−2−𝑧
2! (𝑛 − 2 − 𝑧)! 2! (𝑛 − 2 − 𝑧)!
2=0 2=0
𝑛−2
𝑛 − 2 𝑧 𝑛−2−𝑧
𝑃2 (𝑛 − 1)𝑛 ∑ ( )𝑝 𝑞
2
2=0
𝐸[𝑥(𝑥 − 1)] = 𝑝2 (𝑛 − 1)𝑛
𝐸[𝑋 2 − 𝑋]𝑧 𝐸[𝑥 2 ] − 𝐸[𝑥] = 𝑝2 𝑛(𝑛 − 1)
𝐸[𝑋 2 ] = 𝑛𝑝 + 𝑛(𝑛 − 1)𝑝2
 𝑉𝑎𝑟(𝑥) = 𝑛𝑝 + 𝑛(𝑛 − 1)𝑝2 − 𝑛2 𝑝2 = 𝑛𝑝 − 𝑛𝑝2 = 𝑛𝑝(1 − 𝑝)
𝑉𝑎𝑟(𝑥) = 𝑛𝑝𝑞

(c) Variable aleatoria Poisson

Modela el número de sucesos raros que ocurren en un determinado periodo de
tiempo o en una cantidad de espacio determinada. Por ejemplo: llamadas de teléfono
en una hora, accidentes de tráfico, etc.
𝜆𝑥 𝑒 −𝑥
𝑃[𝑋 = 𝑥] = ⇒ 𝑝𝑎𝑟𝑎 𝑥 = 0, 1, 2, ….
𝑥!
𝐸(𝑥) = 𝜇 = 𝜆
𝑉𝑎𝑟(𝑥) = 𝜆

𝐸[𝑥] = 𝜆

= ∑ 𝑥𝜆 (𝑥)
∞
𝜆𝑥 𝑒 −𝜆
= ∑𝑥 = (𝑥 = 0)
𝑥!
𝑥=0
∞ ∞ ∞ ∞
𝜆𝑥 𝑒 −𝜆 𝜆(𝜆−𝑥) 𝑒 𝜆 𝜆𝑥−1 𝜆𝑥
= ∑𝑥 = ∑𝑥 = 𝜆𝑒 −𝜆 ∑ = 𝜆𝑒 −𝜆 ∑ = 𝜆𝑒 −𝜆 𝑒 𝜆
𝑥! 𝑥(𝑥 − 1)! (𝑥 − 1)! 𝑥!
𝑥=1 𝑥=1 𝑥=1 𝑥=0
𝐸[𝑥] = 𝜆

𝑉𝑎𝑟(𝑥) = 𝜆
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝐸 2 (𝑥)
∞ ∞
2) 2 −𝜆
𝜆𝑛 −𝜆
𝜆𝑛
𝐸(𝑥 = ∑ 𝑛 𝑒 = ∑[𝑛(𝑛 − 1) + 𝑛] 𝑒
𝜆! 𝜆!
𝑥=0 𝑥=0
∞ 𝑛 ∞ ∞
𝜆
𝜆 −𝜆
𝜆 2 −𝜆
𝜆𝑛−2
= ∑ 𝑛 (𝑛 − 1)𝑒 + ∑𝑛𝑒 = 𝜆 ∑𝑒 +𝜆
𝑛! 𝑥! (𝑥 − 2)
𝑥=2 𝑥=0 𝑥=2
2) 2
𝐸(𝑥 = 𝜆 +𝜆
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝐸 2 (𝜆) = 𝜆2 + 𝜆 − 𝜆2
∴ 𝑉𝑎𝑟(𝑥) = 𝜆

(d) Variable aleatoria Geométrica

Si repetidos dos eventos independientes pueden resultar en un éxito con una
probabilidad p y en un fracaso con una probabilidad de 𝑞 = 1 − 𝑝 en un fracaso con
una probabilidad de la variable aleatoria x, el número del intento en el cual ocurra el
primer éxito es 𝑔(𝑥; 𝑝) = 𝑞 𝑥 𝑝 = (1 − 𝑝)𝑥 𝑝.
 𝐸[𝑥] = 𝑀(0)
𝑉𝑎𝑟[𝑥] = 𝑀"(0) − 𝑀´(0)2
𝑝 𝑒 0 (1 − 𝑝)[1 − 𝑒 0 (1 − 𝑝)] + 𝑒 0(1−𝑝) 𝑒 0 (1 − 𝑝)
𝑀´(0) = ∗
1−𝑝 [1 − 𝑒 0 (1 − 𝑝)]2
0 (1
𝑝 𝑒 − 𝑝) 1
= ∗ = = 𝐸[𝑥]
1 − 𝑝 [1 − 𝑒 0 (1 − 𝑝)]2 𝑝

𝑝 𝑒 0 (1 − 𝑝)[1 − 𝑒 0 (1 − 𝑝)]2 − 2[1 − 𝑒 0 (1 − 𝑝)]

𝑀"(0) = ∗
1−𝑝 [1 − 𝑒 0 (1 − 𝑝)]4
𝑝 𝑒 0 (1 − 𝑝)[1 − 𝑒 0 (1 − 𝑝)]2 − 2[1 − 𝑒 0 (1 − 𝑝)]𝑒 0 (1 − 𝑝)𝑒 0 (1 − 𝑝)
𝑀"(0) = ∗
1−𝑝 [1 − 𝑒 0 (1 − 𝑝)]4
𝑝 (1 − 𝑝)[𝑝]2 + 2[𝑝](1 − 𝑝)2 ] 𝑝 + 2(1 − 𝑝) 𝑝 + 2 − 2𝑝 2 − 𝑝
= ∗ = = =
1−𝑝 𝑝4 𝑝2 𝑝2 𝑝2
= 𝐸[𝑥 2 ]
2−𝑝 1 2 2−𝑝 1
𝑉𝑎𝑟[𝑥] = 2 − ( ) = − 2
𝑝 𝑝 𝑝2 𝑝
1−𝑝
𝑉𝑎𝑟[𝑥] = 2
𝑝

(e) Variable aleatoria binomial negativa

Una variable aleatoria x tiene una distribución binomial negativa y se denomina
variable aleatoria binomial negativa si y solo si su distribución de probabilidad está
dada por 𝑓(𝑥) = 𝑝[𝑋 = 𝑥] = (𝑥−1
𝑘−1
)𝑝𝑘 (1 − 𝑝)𝑥−𝑘 𝑝𝑎𝑟𝑎 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2 …
La variable aleatoria x se puede definir como el número de ensayos de Bernuolli
necesarios para obtener k éxitos.
𝑟
𝐸[𝑥] = 𝜇 =
𝑝
𝑟(1 − 𝑝)
𝑉[𝑥] = 𝜎 2 =
𝑝2
∞ ∞
𝑥−1 (𝑥 − 1)!
𝐸[𝑥] = ∑ 𝑥 ( ) 𝑝𝑟(1 − 𝑝)𝑥−𝑟 = ∑ 𝑥 𝑝𝑟 (1 − 𝑝)𝑥−𝑟
𝑟−1 (𝑟 − 1)! (𝑛 − 𝑟)!
𝑥=𝑟 𝑥=𝑟
∞ ∞
𝑥(𝑥 − 1)! 𝑥!
= ∑𝑟 𝑝𝑟 (1 − 𝑝)𝑥−𝑟 = ∑ 𝑟 𝑝𝑟 (1 − 𝑝)𝑥−𝑟
𝑟(𝑟 − 1)! (𝑛 − 𝑟)! 𝑟! (𝑛 − 𝑟)!
𝑥=𝑟 𝑥=𝑟
 ∞ ∞
𝑥 𝑥−1 𝑟
= 𝑟 ∑ ( ) 𝑝𝑟 (1 − 𝑝)𝑥−𝑟 = 𝑟 ∑ ( ) 𝑝 (1 − 𝑝)𝑥−1−𝑟
𝑟 𝑟
𝑥=𝑟 𝑥=𝑟+1
∞
𝑟 𝑥−1 𝑟
= ∑ ( ) 𝑝𝑟+1 (1 − 𝑝)𝑥−(𝑟+1) = 𝐸[𝑥] =
𝑝 (𝑟 − 1) − 1 𝑝
𝑥=𝑟+1
𝑟(1 − 𝑝)
𝑉𝑎𝑟(𝑥) = 2
= 𝐸[𝑥 2 ] − (𝐸[𝑥])2
𝑝
∞ ∞
𝑥−1 𝑟 2
(𝑥 − 1)!
= ∑𝑥 ( ) 𝑝 (1 − 𝑝)𝑥−𝑟 = ∑ 𝑥 2 𝑝𝑟 (1 − 𝑝)𝑥−𝑟
𝑟−1 (𝑟 − 1)! (𝑛 − 𝑟)!
𝑥=𝑟 𝑥=𝑟
∞ ∞
𝑥(𝑥 − 1)! 𝑥!
= ∑ 𝑥𝑟 𝑝𝑟 (1 − 𝑝)𝑥−𝑟 = 𝑟 ∑ 𝑥 𝑝𝑟 (1 − 𝑝)𝑥−𝑟
(𝑛
𝑟(𝑟 − 1)! − 𝑟)! (𝑛
𝑟! − 𝑟)!
𝑥=𝑟 𝑥=𝑟
∞ ∞
𝑥 𝑥 − 1 𝑟+1
= 𝑟 ∑ 𝑥 ( ) 𝑝𝑟 (1 − 𝑝)𝑥−𝑟 = 𝑟 ∑ (𝑥 − 1) ( ) 𝑝 (1 − 𝑝)𝑥−(𝑟+1)
𝑟 𝑟
𝑥=𝑟 𝑥=𝑟+1
∞ 𝑟+1
𝑟 𝑥−1 𝑝
∑ (𝑥 − 1) ( ) (1 − 𝑝)𝑥−(𝑟+1)
𝑝 𝑛
𝑥=𝑟+1

𝑌 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑡𝑒𝑛𝑡𝑜𝑠 𝑝𝑎𝑟𝑎 𝑟 + 1

𝑥−1
𝑃(𝑌 = 𝑛) = ( ) 𝑝𝑟+1 (1 − 𝑝)𝑥−(𝑟+1)
(𝑟 + 1) − 1
𝑌 ≥𝑟+1
𝑟 𝑟 𝑟 𝑟+1
= 𝐸(𝑌 − 1) = [𝐸(𝑌) − 1] = [ − 1]
𝑝 𝑝 𝑝 𝑝
𝑟(𝑟 + 1) 𝑟
𝐸[𝑋 2 ] = −
𝑝2 𝑝
𝑟(𝑟 + 1) 𝑟 𝑟 2 𝑟2 + 𝑟 𝑟 𝑟 2 𝑟2 𝑟 𝑟 𝑟2 𝑟 1
𝑉𝑎𝑟(𝑋) = − −( ) = − − ( ) = 2 + 2 − − 2 = ( − 1)
𝑝2 𝑝 𝑝 𝑝2 𝑝 𝑝 𝑝 𝑝 𝑝 𝑝 𝑝 𝑝
𝑟 1−𝑝 𝑟(1 − 𝑝)
= ( )=
𝑝 𝑝 𝑝2
𝑟(1 − 𝑝)
∴ 𝑉𝑎𝑟(𝑋) =
𝑝2

(f) Variable aleatoria Hipergeométrica

La distribución de probabilidad de la variable aleatoria hipergeométrica x. El número

de éxitos en una muestra de tamaño n seleccionada de N posibles resultados de los
cuales K son considerados como éxitos y N-K como fracasos.
 (𝑘𝑥)(𝑁−𝐾
𝑛−𝑘
)
ℎ(𝑥; 𝑁1 𝑛, 𝐾) = 𝑝𝑎𝑟𝑎 𝑥 = 0, 1, 2, … , 𝑛
(𝑁𝑛)
𝑛𝑘
𝐸(𝑥) = 𝜇 =
𝑁
𝑁 − 𝑛 𝐾 𝐾
𝑉(𝑥) = 𝜎 2 = 𝑛 ( ) ( ) (1 − )
𝑁−1 𝑁 𝑁
𝑛 𝑘 𝑁−𝐾 𝑛
( )( ) 1 𝑘! (𝑁 − 𝐾)
𝐸[𝑋] = ∑ 𝑥 ∗ 𝑥 𝑁𝑛−𝑘 = 𝑁 ∑ 𝑥 ∗ ∗
(𝑛 ) (𝑛 ) 𝑥! (𝑘 − 𝑥)! (𝑛 − 𝑥)! (𝑁 − 𝐾 − (𝑛 − 𝑥))!
𝑥=0 𝑥=0
𝑛
1 𝑘(𝑘 − 1)!
= ∑
(𝑁𝑛) 𝑥=1 (𝑥 − 1)! (𝑘 − 1 − (𝑥 − 1))!
[(𝑁 − 1) − (𝑘 − 1)]!
∗
[(𝑛 − 1) − (𝑥 − 1)] + [(𝑁 − 1) − (𝑘 − 1)] − [(𝑛 − 1) − 8𝑘 − 1)]!
𝑛 𝑛−1 𝑘−1 (𝑁−1)−(𝑘−1)
1 𝑘(𝑘 − 1)! 1 ∑𝑦=𝑜 ( 𝑦 ) ( (𝑛−1)−𝑦 )
= 𝑁 𝑘∑ = 𝑘
( 𝑛 ) 𝑥=1 (𝑥 − 1)! (𝑘 − 1 − (𝑥 − 1))! (𝑁𝑛) (𝑁−1
𝑛−1
)
1 𝑁−1 𝑛! (𝑁 − 𝑛)! (𝑁 − 1)! 𝑛
= 𝑁 𝑘( )= 𝑘∗ = 𝑘 = 𝐸[𝑥]
(𝑛 ) 𝑛 − 1 𝑁! (𝑛 − 1)! (𝑁 − 𝑛) 𝑁
𝑉𝑎𝑟[𝑥] = 𝐸[𝑥 − (𝐸[𝑥])2
2]

𝐸[𝑥 2 ] = 𝐸[𝑥(𝑥 − 1)] + 𝐸[𝑥]

𝑚(𝑚 − 1)𝑛(𝑛 − 1)
𝐸[𝑥(𝑥 − 1)] =
𝑁(𝑁 − 1)
𝑛𝑚(𝑚 − 1) 𝑛𝑚 𝑛𝑚 2
𝑉𝑎𝑟[𝑋] = + −( )
𝑁(𝑁 − 1) 𝑁 𝑁
(𝑁 (𝑛𝑚) 2 (𝑁
𝑛𝑚(𝑚 − 1)(𝑛 − 1)𝑁 + − 1)𝑛𝑚 − − 1)
= 2
𝑁 (𝑁 − 1)
𝑛𝑚(𝑁 − 𝑚)(𝑁 − 𝑛) 𝑚 𝑚 𝑁−𝑛
= = 𝑛 ( ) (1 − )( ) = 𝑉𝑎𝑟[𝑥]
𝑁 2 (𝑁 − 1) 𝑁 𝑁 𝑁−1

2. Obtenga las funciones generadoras de momentos de las siguientes distribuciones

discretas.
(a) Variable aleatoria de Bernoulli
𝑥 ∼ 𝐵𝑒𝑟(𝑝)
𝑥 (1
𝑝(𝑥 = 𝑥) = 𝑝 − 𝑝)1−𝑥 𝑥 = 0, 1
1

𝑀𝑥(+) = 𝐸(𝑒 +𝑥 ) = ∑ 𝑒 +𝑥 𝑝 𝑥 (1 − 𝑝)1−𝑥

𝑥=0
= 𝑒 𝑡∗0 𝑝0 (1 − 𝑝)1−0 + 𝑒 𝑡∗1 𝑝1 (1 − 𝑝)1−1 = 1 − 𝑝 + 𝑒 + 𝑝

(b) Variable aleatoria binomial

 𝑛 1
𝑛
𝑀(+) = ∑ 𝑒 +𝑥 𝑝(𝑥) = ∑ 𝑒 +𝑥 ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥
𝑥=0 𝑥=0
1
𝑛
= ∑ ( ) (𝑝𝑒 𝑡 )𝑥 (1 − 𝑝)𝑛−𝑥 = 𝑝𝑒 𝑡 +(1 − 𝑝)𝑛
𝑥
𝑥=0

(c) Variable aleatoria Poisson

∞ ∞ ∞
+𝑥 ] 𝑡𝑖
𝑒 −𝜆 − 𝜆𝑖 −𝜆
𝑒 𝑡𝑖 𝜆𝑖 −𝜆
(𝜆𝑒 𝜆 )!
𝐸[𝑒 = ∑𝑒 =𝑒 ∑ =𝑒 ∑
𝑖! 𝑖! 𝑖!
𝑥=0 𝑖=1 𝑖=1
∞
𝑡 −1) (𝜆𝑒 𝑡 )𝑖
= 𝑒 −𝜆 𝑒 𝜆𝑒+ = 𝑒 𝜆(𝑒 = 𝑒 𝜆𝑒+ = ∑
𝑖!
𝑖=0

(d) Variable aleatoria Geométrica

∞ ∞ ∞

𝑀(0) = 𝐸[𝑒 0𝑥− ] = ∑ 𝑒 0𝑘 𝑝(𝑥 − = 𝑘) = ∑ 𝑒 0𝑘 (1 − 𝑝)𝑘−1 𝑝 = ∑ 𝑒 0𝑘 (1 − 𝑝)−1 𝑝

𝑘=1 𝑘=1 𝑘=1
∞
𝑝
= ∑[𝑒 0 (1 − 𝑝)]𝑘
1−𝑝
𝑥=1
𝑒 0 (1 − 𝑝) 𝑝
𝑒 0 (1 − 𝑝) < 1 = 0
∗ = 𝑀(0)
1 − 𝑒 (1 − 𝑝) 1 − 𝑝

(e) Variable aleatoria binomial negativa

∞
+𝑥 ]
𝑖−1 𝑛
𝑀(+) = 𝐸[𝑒 = ∑ 𝑒 𝑡𝑖 ( ) 𝑝 (1 − 𝑝)𝑖−𝑛
𝑛−1
𝑖=𝑛
∞
(𝑖 − 1)!
= ∑ 𝑒 𝑡𝑖 𝑝𝑛 (1 − 𝑝)𝑖−𝑛
(𝑛 − 1)[(𝑖 − 1) − (𝑛 − 1)]!
𝑖=𝑛
∞
(𝑖 − 1)! 𝑝 𝑛 𝑡
=∑ ( ) [𝑒 (1 − 𝑝)]𝑖
(𝑛 − 1)! (𝑖 − 𝑛)! 1 − 𝑝
𝑖=𝑛
∞ ∞
𝑝 𝑛 (𝑖 − 1)! 𝑡 𝑖
𝑝 𝑛 (𝑚 + 𝑛 − 1)! 𝑡
=( ) ∑ [𝑒 (1 − 𝑝)] = ( ) ∑ [𝑒 (1 − 𝑝)]𝑚+𝑛
1−𝑝 (𝑛 − 1)! (𝑖 − 𝑛)! 1−𝑝 (𝑛 − 1)! 𝑚!
𝑖=𝑛 𝑖=𝑛
∞
𝑝 𝑛 (𝑚 + 𝑛 − 1)! 𝑡
=( ) ∑ [𝑒 (1 − 𝑝)]𝑚 [𝑒 𝑡 (1 − 𝑝)]𝑛 =
1−𝑝 (𝑛 − 1)! 𝑚!
𝑚=0
 ∞
𝑝 𝑛 𝑡 (𝑚 + 𝑛 − 1)! 𝑡
=( ) [𝑒 (1 − 𝑝)]𝑛 ∑ [𝑒 (1 − 𝑝)]𝑚
1−𝑝 (𝑛 − 1)! 𝑚!
𝑚=0
∞
𝑝𝑛 𝑒 𝑡𝑛 (1 − 𝑝)𝑛 (𝑚 + 𝑛 − 1)! 𝑡
= ∑ [𝑒 (1 − 𝑝)]𝑚
(𝑛 − 1)! (1 − 𝑝)𝑛 (𝑛 − 1)! 𝑚!
𝑚=0

Bajo condiciones apropiadas, se puede introducir el operador derivado, denotado por

𝑡
𝑍 = 𝑒 (1 − 𝑝)
∞ ∞
𝑝𝑛 𝑒 𝑡𝑛 (𝑚 + 𝑛 − 1)! 𝑚 𝑝𝑛 𝑒 𝑡𝑛 𝑑 𝑛−1
= ∑ 𝑍 = ∑ 𝑛−1 𝑧 𝑚+𝑛−1
(𝑛 − 1)! 𝑚! (𝑛 − 1)! 𝑑𝑧
𝑚=0 𝑚=0
∞ ∞
𝑝𝑛 𝑒 𝑡𝑛 𝑑𝑛−1 𝑝𝑛 𝑒 𝑡𝑛 𝑑 𝑛−1
= ∗ 𝑛−1 ∑ 𝑧 𝑚+𝑛−1 = ∗ 𝑛−1 ∗ 𝑧 −1 ∑ 𝑧 𝑚
(𝑛 − 1)! 𝑑𝑧 (𝑛 − 1)! 𝑑𝑧
𝑚=0 𝑚=0
𝑛
𝑝𝑛 𝑒 𝑡𝑛 𝑑 𝑛−1 1 𝑛 𝑡𝑛
1 𝑛 𝑃𝑒 𝑡
= (𝑛 − 1)! 𝑛−1 =𝑝 𝑒 [ ] =[ ]
(𝑛 − 1)! 𝑑𝑧 1−2 1−2 1 − 𝑒 𝑡 (1 − 𝑝)

3. Construya una gráfica de la función masa de probabilidad y de la función de distribución

acumulada de cada una de las siguientes variables aleatorias discretas. Elija los
parámetros que guste. Señala el valor de la esperanza y el valor de la varianza.
(a) Variable aleatoria Bernoulli
(b) Variable aleatoria binomial
(c) Variable aleatoria Poisson
(d) Variable aleatoria Geométrica
(e) Variable aleatoria binomial negativa
(f) Variable aleatoria Hipergeométrica