4 votos

Derivación de la PMF de la distribución de Poisson a partir de su función característica

Me encontré con una pregunta que pedía obtener la función de probabilidad de $X$ (una variable aleatoria discreta) con su función característica dada de la siguiente manera: $${\phi _X}(t) = {e^{\lambda ({e^{it}} - 1)}}$$

Sé que es la función característica de una distribución de Poisson. Entonces, $$X \sim Poi(\lambda )$$

Sin embargo, no he podido demostrarlo matemáticamente. Empecé a responder a esta pregunta de la siguiente manera: $$P(X = x) = \frac{1}{{2\pi }}\int\limits_{ - \pi }^\pi {{e^{ - itx}}{\phi _X}(t)dt} $$ $$ = \frac{1}{{2\pi }}{e^{ - \lambda }}\int\limits_{ - \pi }^\pi {{e^{ - itx}}{e^{\lambda {e^{it}}}}dt} $$

Pero después de este paso soy incapaz de averiguar cómo se evaluará la integral.

¿Puede alguien sugerirme cómo debo proceder después de este paso?

Gracias de antemano.

6voto

Maxime Puntos 322

La fórmula que he utilizado (véase el ejercicio $26.12$ , Probabilidad y medida de Patrick Billingsley), similar a la célebre fórmula de inversión, es (la fórmula que diste puede derivarse de ella): $$P[X = a] = \lim_{T \to \infty} \frac{1}{2T}\int_{-T}^T e^{-ita}\phi_X(t) dt.$$ Observe que $\phi_X(t) = e^{-\lambda}\sum_{k = 0}^\infty\frac{\lambda^k e^{itk}}{k!}$ . Evaluar la integral por el teorema de Fubini \begin{align} & \int_{-T}^T e^{-ita}\phi_X(t) dt \\ = & \int_{-T}^T e^{-ita}e^{-\lambda}\sum_{k = 0}^\infty\frac{\lambda^k e^{itk}}{k!} dt \\ = & e^{-\lambda}\sum_{k = 0}^\infty\frac{\lambda^k}{k!}\int_{-T}^Te^{it(k - a)}dt \\ = & 2Te^{-\lambda}\frac{\lambda^a}{a!} + 2e^{-\lambda}\sum_{k \neq a}\frac{\lambda^k\sin[(k - a)T]}{k!(k - a)} \end{align} donde utilizamos que si $k = a$ entonces $\int_{-T}^T e^{it(k - a)} dt = 2T$ y si $k \neq a$ , $$\int_{-T}^T e^{it(k - a)} dt = 2\int_0^T \cos[(k - a)t] dt = \frac{2}{k - a}\sin[(k - a)T].$$ Obsérvese por el teorema de convergencia dominada, $$\lim_{T \to \infty}\frac{1}{2T}\sum_{k \neq a}\frac{\lambda^k\sin[(k - a)T]}{k!(k - a)} = \sum_{k \neq a}\lim_{T \to \infty}\frac{\lambda^k\sin[(k - a)T]}{2k!(k - a)T} = 0.$$ Por lo tanto, $P[X = a] = e^{-\lambda}\frac{\lambda^a}{a!}$ para $a = 0, 1, 2, \ldots$ la prueba está completa.

4voto

wolfies Puntos 2399

Dado cf ${\phi _X}(t) = {e^{\lambda ({e^{it}} - 1)}}$ derivar el pmf $P(X=x)$ ...

Hay una forma más sencilla. Para una variable aleatoria discreta $X$ tomando valores enteros no negativos, la cf $E[e^{i t X}]$ está relacionada con la función generadora de probabilidad pgf $E[s^{X}]$ vía $s = e^{i t}$ así que el pgf tiene forma:

$$\Pi(s) = E\left[s^X\right] = e^{\lambda (s-1)}$$

El pgf genera probabilidades a través de la relación:

$$P(X=x) \quad = \quad \frac{1}{x!}\frac{d^x\Pi(s)}{ds^x}|_{s=0} \quad \text{for} \quad x\in \{0,1,2,\ldots \}$$

En $n^{th}$ derivado de $e^{\lambda (s-1)}$ wrt $s$ tiene forma $\lambda ^n e^{\lambda (s-1)}$ y cuando $s = 0$ , este último tiene forma: $e^{-\lambda } \lambda ^n$ . Sustitución de $n$ con $x$ el pmf es así:

$$P(X=x) = \frac{e^{-\lambda } \lambda ^x}{x!} \quad \text{for} \quad x\in \{0,1,2,\ldots \}$$

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X