I tQue es un proceso estocastico?

Procesos Estocasticos Semana 01

• Descripcion:

Fenorneno aleatorio que surge en un proceso que se desarrolla en el tiempo(?) de una manera controlada, de acuerdo a una ley de probabilidad

Universidad de Ciencias y Humanidades Ing. Pedro Pablo Rosales L6pez

• Definicion:

Un proceso estocastico es un conjunto {X(t) , t E T}

de variables aleatorias, indexadas en un conjunto T

(al conjunto T se Ie llama conjunto indice del proceso, que puede ser "de cualquier tipo")

I Contenido

I tQue es un proceso estocastico?

• Variables aleatorias.

• Leyes de probabilidad.

• Distribuciones de probabilidad.

• Funci6n generatriz de probabilidad.

Cuando T es un subconjunto de los nurneros enteros se dice que el proceso es de parametro discreto.

Cuando T es intervalo (p.e. T={t: t > O} ) se dice que el proceso es de peremetro continuo.

T puede ser de otras formas ....

Procesos Estocisticos: ejemplo 1 y 2

I Variables Aleatorias

• Supongamos que tenemos un empresa de servicios vinculada al area de informatica.Entonces podemos considerar el proceso

X(t) : # de clientes atendidos en el mes t

(se cuentan los meses a partir del inicio de la empresa; el conjunto indice es T = {1 ,2 ,3 , ... } )

• Una Variable aleatoria X es una funcion cuyos valores son nurneros reales y dependen del "azar'',

• Para earaeterizar las variables aleatorias se utilizan las dlstrlbuciones de probabilidad.

• Considere una rnaquina "inteligente" que administra de manera automatica (sin intervenci6n humana) sus recursos operativos dependiendo de las exigencias de los trabajos asignados. Consideremos el proceso

X(t) : capacidad (%) en uso, en el instante t (en este caso, el conjunto indice es T = [O,eo] )

Procesos Estocasticos: ejemplo 3 y 4

Caracteristicas

• Considere una cadena especifica de su plan de estudio, conformada por una secuencia de cursos que debe tomar, respetando prelaciones. Se define

X(t) : calificaci6n obtenida en el curso t

(ahora el conjunto indice no se refiere al tiempo, como en los ejemplos anteriores.)

• Una variable aleatoria es una funci6n con val ores nurnericos y definida sobre un espacio muestral

• Una variable aleatoria discreta toma diversos val ores con probabilidades especificadas por su distribuci6n de probabilidad

• Utilidad de una v.a.: reduce el espacio de muestra a uno mas facil de manejar

• Ejemplo: En una familia de 3 hijos, cual es la probabilidad de que haya un var6n 0 menos?

• En el subconjunto del plano, [0,1]x[0,1], sea tun trianqulo construido aleatoriamente (por ejemplo, pisando la tecla RAND seis veces, obtengo un trianqulo de estos). Se define

X(t): area del trianqulo t

(en este caso, el conjunto de indices T tam poco se refiere al tiempo.)

1 3 1 Pr~ ~ 1) = ](0)+ ](1) =- +- =-

882

I Puncirin de una VariabIe aleatoria

Distribucion de probabilidad de una variable aleatoria

• Frecuentemente interesa conocer mas que el resultado de un experimento aleatorio, una funci6n de dicho resultado.

• La distribuci6n de probabilidad de una variable aleatoria X es el conjunto de sus posibles val ores nurnericos x., x2, ... .x, Y las probabilidades correspondientes Pj, i=1,2, ... ,n tal que:

• Una variable aleatoria es una funci6n con val ores nurnericos y definida sobre un espacio muestral.

p(Xi»O,Vi

• Si lanzamos al aire tres monedas, podemos definir la funci6n como X:

00

L p(XJ = 1

i=1

• X = nurnero de caras que resultan del experimento.

• La colecci6n de pares (xj,p(Xj)) es lIamada distribuci6n de probabilidad.

I Representacion

I Tipo Diatribucion de probabilidad

.lognormall

l&.__

eoisson

1.,1111111[11111111111" ..

.!!inomial

1_ "'IIII~llllllllhhh

• Hemos definido una funci6n del espacio muestral en la recta. Tales funciones X, cuyos valores dependen del resultado de un experimento aleatorio se lIaman variables aleatorias.

~

-- - - - -

~eomehjc

• Si toma ciertos valores aislados de un intervalo, es v.a. discreta, sino continua.

~eibulll

l&._

• La distribuci6n se puede representar como:

o Tabla

o Diagrama

o F6rmula

• Una distribuci6n de probabilidad describe el rango. de va/o.res que puede tomar una variable a/eatoria y la probabi/idad asignada a cada valor 0 rango de valores.

Distribuciones de probabilidad : Discretas

Distribuciones de probabilidad : por limites

• Una variable aleatoria representada mediante una distribucion discreta de probabilidad puede tomar un valor de entre un conjunto de valores, cada uno de los cuales tiene asignada una determinada probabHidad de ocurrencia.

• No Limitadas

o La variable aleatoria puede tomar val ores entre +infinito y -infinito (ejernplos: Normal, Logistica).

• Limitadas

o Los valores de la variable aleatoria quedan confinados entre dos valores extremes (ejernplos:

Binomial, Beta, Uniforme, Triangular, Histograma).

• Ejemplos: Binomial, Geometrica, Poisson, Discreta.

• Parcialmente Limitadas

Q Los valores de la variable aleatoria quedan limitados en uno de los extremos dela distribuci6n (ejemples: Poisson, Expcnenelal),

Distribuciones de probabilidad : Continuas

Distribuciones de probabilidad : Parametricas

• Una variable aleatcria representada mediante una distribuci6n continua de probabilidad puede tamar cualquier valor dentro de un ranqo determinado.

• La distribucion de probabilidad se ajusta a la descripcion metemetie« de un proceso aleatoric que cumple con determinados supuestos teoricos.

• Ejemplos: Normal, Lognormal, Uniforme, Triangular, Histoqrarna

• Los parametres que definen la distribucion en general no guardan relaelcn intuitiva con la forma de la dlstribucion.

• Ejemplos: Normal, Lognormal, Exponencial, Beta.

Distribuciones de probabilidad : No Parametricas

• Los parametres que se usan para definir estas distribuciones describen fa forma de la dlstribuclon.

• No se apoyan en una teorla que describa el proceso de generacion de valores aleatorios,

• Ejemplos: Triangular, Histoqrarna, General, Uniforme, Acumulada

Distribuciones de probabilidad : Subjetivas

• EI uso de estas distribuciones de probabllldad es la unica alternative para describir una variable aleateria cuando:

I:! No hay una base de antecedentes.

I:! Los datos del pasado no son relevantes.

I:! Los datos son escasos y no cubren todo el rango de posibles valores,

I:! Es demasiado caro generar datos.

I:! Generar valores llevaria demasiado tiernpo

Parametros en una distribucion de probabilidad

Por analogia con las variables estadisticas podemos definir tarnblen aqui la media I-" Y la desviacion tipica 0' de la variable aleatoria.

La media 1-", tambien lIamada esperanza matematica. es un valer representutive de todos los veleres que toma la variable aleatoria X. 10 podemos imaginar como el punto sobre el eje de abscisas donde al poner una cuna la figura plana definida por la funcion de densidad quedara en equilibrio. Para calcularla hemos de hacer:

-Il = ~f(x)dx

La desviacien tipica 0' es una medida de la dispersion de los veleres que toma la yariable aleatoria de la media. Como ocurria con las yariables estadisticas la desyiacion tipica sera mas pequena 0 mas grande segun la grafica de la funcion de densidad sea mas estrecha 0 mas ancha en torno a la media. En este caso se calcula:

Distribucion Binomial

• Supongamos que un experimento aleatorio tiene las siguientes caracteri sticas:

o En cada prueba del experimento solo son posibles dos resultados: el suceso A (exito) y su contrarioA (fracaso).

o EI resultado obtenido en cad a prueba es independiente de los resultados obtenidos anteriormente.

o La probabilidad del suceso A es constante, la representamos por p, y no varia de una prueba a otra. La probabilidad de

'A es 1- pyla representamos par q .

• EI experimento consta de un nurnero n de pruebas.

• Todo experimento que tenga estas caracteristicas diremos que sigue el modele de la distribucion Binomial. A la variable X que expresa el nurnero de exitos obtenidos en cada prueba del experimento, la Ilamaremos variable aleatoria binomial

-

Puncirin de probabilidad de la Diatribucirin Binomial

La variable binomial es una variable aleatoria dis creta, s6lo puede tomar los valores 0, 1, 2, 3, 4, ... , n suponiendo que se han realizado n pruebas.

Como hay que considerar todas las maneras posibles de obtener k-exitos y (n-k) fracases debemos calcular estas por combinaciones (numero combinatorio n sobre k).

Se suele representar por Btn.p) siendo n y p los parametros de dicha distribuci6n.

Funcion de probabilidad de la distribucion Binomial

o tambien denominada funci6n de la distribuci6n de Bernoulli (para n=l). Verfflcandose: 0 ~ p ~ 1

Probabi/idad de obtener K exltos

(nJ I:: n--]:

p(X=k)= k .p .q

Parametres de la Distribucion Binomial

Media

fL=np 02 =npq

0= JiiiKj

Varianza

Desv.Tipica

Funcion de Dlstribucion de la variable aleatoria Binomial

(nJ 0 n (nJ 1 n-l (nJ k n-k:

F(x1)=p(X'::x1)= O·p·q + l·p·q + .... + k·P .q

Siendo K e/ mayor mJmero entero menor 0 igua/ a Xi

Esta funcion de distribucien proporciona, para cada numero real Xi' la probabiJidad de que la variable X tome valores menores 0 iguales que x;_.

Resumen de distribucion Binomial

$ea)(Una vatiablealeatoriadiscreta correspondiente £lUna"

disiribucionbinomFaL -:'. .' .... ..

n! x n x

P(x;n,p)= p(l-p)-

(n- x)!x!

P( ) n! x n-:x

x; n, p = ( _ )1 1 P q

n x .x.

Ejemplo

La probabilidad de exito de una detenninada vacuna es 0,72. Calcula la probabilidad de a que una vez administrada a 15 pacientes:

a) Ninguno sufra la enfennedad

b) T odos sufran la enfennedad

c) Dos de ellos contraigan la enfennedad

Solucion :

Se trata de una distribuci6n binomial de parametros B(15, 0'72)

(15J

a) P(X=1J' = 15 o,7i5·o,28o=O,00724

b) P(X ~Q)~(l:)o, nO - 0,28" ~ 5,097 _10-9

(15J

c)PX=lJ)= 13 o,7i3.o,28" =0,11503