SimulacindeEventos

Discretos
ModelosEstadsticosenSimulacin
Agenda Agenda
ValorEsperadodeunaVariableAleatoria.
VarianzadeunaVariableAleatoria.
DistribucinBernoulli.
Distribucin Geomtrica. DistribucinGeomtrica.
DistribucinBinomial.
DistribucinBinomial Negativa.
P P i ProcesoPoisson.
ValorEsperadodeunaVariable
Ejemplo1:VAXdefinidapornmerodehijosenunafamiliaamericana
Aleatoria
Culeselnmerodehijosesperado?
{ } 3 , 2 , 1 , 0 ) ( = X R
3 2 1 0
30
1

30
9

30
15

30
5
(.) g
3 2 1 0
x
2 . 1
36

30
1
* 3
30
9
* 2
30
15
* 1
30
5
* 0 ) (
= =
+ + + = X E
hijos 2 . 1 ) (
2 . 1
30

=

X E
ValorEsperadodeunaVariable
Ejemplo 2: VA X definida por el resultado que se obtiene al lanzar un
Aleatoria
Ejemplo2:VA Xdefinidapor elresultadoqueseobtieneallanzarun
dado.
R(X) = {1 2 3 4 5 6} R(X)={1,2,3,4,5,6}
E(X)=(1+2+3+4+5+6)/6=21/6=3.5=>E(X)=3.5
Definicin
Casodiscreto
SeaXunaV.A.discreta conrangoR(X).
Definicin
Elvaloresperado delaV.A.Xsedefinepor:

e
=
) (
). ( ) (
x R x
i X i
x g x X E
Casocontinuo
Sea X una VA continua con rango R(X)
e ) (x R x
i
SeaXunaV.A.continuaconrangoR(X)
ElvaloresperadodelaV.A.Xsedefinepor:
}
= ) ( ) (
X
dx x f x X E
DelasdefinicionesanterioresseinfierequeE(K)=K
}
) (
) ( ) (
X R
X
dx x f x X E
Valor Esperado Ejemplo Caso ValorEsperado EjemploCaso
Continuo
2, x 0 ,
2
) ( s s =
x
x f
X
ParalaVAXconfdp
1,2
2
1
2
E(X)
2
0
2
2
0
= =
} }
dx x dx
x
x
0,6
0,8
1

3
4
6
8
3 2
1

2
0
3
0 0
= = =
x
0
0,2
0,4
0 0,5 1 1,5 2 2,5
6
Definicin
SeaXunaV.A.discretaocontinua.Lavarianza yladesviacinestndar dela
V.A.Xsedefinenpor:
( ) ( ) X E X E X VAR
2
2
Definicin
d l d f l l d l l d l
( ) ( )
X
X E X E X VAR
x
x
var
2
=
= =
o
o
Deacuerdoconladefinicin,lavarianzalapodemoscalcularatravsdela
expresin:
Var(X) = para X VA discreta y

n
x x g
2
) ( * ) (
Var(X)= paraXV.A.discretay
Var(X)= paraXV.A.continua.
}

) (
2
) ( * ) (
X R
x X
dx x x f

= i
x i i X
x x g
1
) ( ) (
LavarianzadeXtambinsepuedeexpresarcomo:Var(X)=E(X
2
) [E(X)]
2
) ( X R
Distribucin de Bernoulli
Se dice que un EA es un experimento aleatorio de Bernoulli si su espacio
muestral asociado consta nicamente de dos elementos, es decir, = { E, F }
DistribucindeBernoulli
{ }
X
b
es la VA asociada al EA de Bernoulli, y est definida por:
X
b
(E) = 1 y X
b
(F) = 0
Rango (X
b
) = {0, 1}
P(X
b
= 1) = p y P (X
b
= 0) = 1 p
Por tanto, su FP es: g
X
(x) = p
x
(1 p)
1x
, para x = 0, 1.
y que su media y su varianza estn dadas respectivamente por: y que su media y su varianza estn dadas, respectivamente, por:
E(X) = p y Var(X) = p (1p)
8
Distribucin Geomtrica
Si se realizan sucesivamente experimentos independientes de Bernoulli de
parmetro p, a la VARIABLE ALEATORIA X
G
: nmero de ensayos hasta obtener
DistribucinGeomtrica
p p
G
y
el primer XITO se le conoce como una VA con DISTRIBUCIN GEOMTRICA
de parmetro p.
n 1
) 1 ( ) (
En una sesin anterior ya se demostr que:
R(X) {1 2 3 }
p p n g
n
X
1
) 1 ( ) (

=
R(X) = {1, 2, 3, ,n, , }
E(X) = 1/p
Var(X) = (1p)/p
2
9
Distribucin Binomial
EjemploIntroductorio
L j d di VIVAGRATIS l 30% d li d
DistribucinBinomial
La tarjeta de crdito VIVAGRATIS conoce que el 30% de sus clientes quedan con
sobrecupo en los cortes mensuales. Si se elige una muestra aleatoria (MA) de 10
clientes de dicha tarjeta:
a. Cul es la probabilidad de que exactamente cuatro tengan sobrecupo?
b. Cuntos clientes esperara usted que tengan sobrecupo? b. Cuntos clientes esperara usted que tengan sobrecupo?
c. Cul es la probabilidad de que ocho o ms de ellos tengan sobrecupo?
Sea p = 0.3 la probabilidad de XITO, i.e., que el cliente quede con sobrecupo.
X: la VA asociada al nmero de XITOS en los n = 10 ensayos.
R(X) = {0,1,2, , n}
10
DistribucinBinomial
NospreguntanP(X=4);observemosque:
representara el EM del experimento en donde en c/u de las 10
10
...
2 1
F E F F E
representaraelEMdelexperimento,endondeenc/udelas10
posicionesslopuedeaparecerEF.
Elresultadosiguienteesfavorablealevento:
7 0 7 0 7 0 3 0 3 0 7 0 7 0 3 0 7 0 3 0
F F F E E F F E F E
g
ylaprobabilidaddequeesteeventoparticularseproduzcaes:
7 . 0 7 . 0 7 . 0 3 . 0 3 . 0 7 . 0 7 . 0 3 . 0 7 . 0 3 . 0
( ) ( )
( ) n k p p
k n
k
s

, 1
7 . 0 3 . 0
6 4
Decuntasformasposibles
sepuedenpresentar4xitos?
( ) p p ,
( ) ( ) ( ) X P
k
n
7 . 0 3 . 0
4
10
4 por tanto, ;
4
10
6 4
|
|
.
|

\
|
= =
|
|
.
|

\
|
=
|
|
.
|

\
|
Engeneral:
( ) ( ) ( ) n k p p
k
n
k X P
k n k
,..., 1 , 0 1 =
|
|
.
|

\
|
= =
. \ . \ . \

11
DistribucinBinomial
DEFINICIN: Si se hacen N experimentos independientes cuyo resultado en
cada ensayo puede ser nicamente XITO (con probabilidad p) o FRACASO (con
b bilid d 1 ) l VA X d it l N l probabilidad 1p ), a la VA X: nmero de xitos en los N ensayos, se le conoce
como la VA BINOMIAL y su FUNCION DE PROBABILIDAD es conocida como la
DISTRIBUCION BINOMIAL de parmetros N, p.
Rango:R(x)={0,1,2,,N}
FuncindeProbabilidad:
( ) X P p) N (k; g = = k
E(X
B
;N,p)=Np
( )
N ..., 2, 1, k , ) p 1 ( ) p (
k
N
p) N, (k; g
X P p) N, (k; g
k - N k
X
B X
=
|
|
.
|

\
|
=
= =
B
B
k
Var(X
B
;N,p)=Npq
12
b N t
( )
Ahorapodemoscontestarlaspreguntasquenosfaltabaresponder:
b.Nospreguntan
( ) 3 . 0 , 10 ;
B
X E
( ) 3 3 . 0 * 10 = =
B
X E
c.Nospreguntan
( ) 8 > X P
( ) ( ) ( ) ( ) 10 9 8 8 = + = + = = > X P X P X P X P
13
DistribucinBinomial Negativa
Consideremos el mismo tipo de experimento que se utiliz en la definicin de la
VA X
G
con distribucin geomtrica, y definamos la VA X
p
como el nmero de
ensayos hasta obtener el r simo xito Se dice que dicha VA tiene una ensayos hasta obtener el rsimo xito. Se dice que dicha VA tiene una
distribucin de Pascal (tambin es llamada Binomial Negativa) de parmetro r, r >
1. Es claro que la VA as definida es una generalizacin natural de la VA
geomtrica.
E(X )
r
geomtrica.
, ) 1 (
1
1
) , ; (
r r n
X
p p
r
n
p r n g
p

|
|
.
|

\
|

= n > r
E(X
p
; r,p) =
p
Var (X
p
; r,p) =
2
p
) p 1 ( r

p
14
Ejercicio
ABC Petroleum va a iniciar la perforacin de varios pozos petroleros en un nuevo
campo. En el proceso de perforacin de cada pozo, la compaa puede alcanzar
Ejercicio
campo. En el proceso de perforacin de cada pozo, la compaa puede alcanzar
dos tipos de formaciones geolgicas que se encuentran a un nivel de profundidad
diferente: Mirador o Barco. El nivel de reservas de petrleo de cada pozo,
depende de la formacin que se alcance en el proceso de perforacin. Si ABC
alcanza la formacin Mirador, el nivel de reservas obtenido ser alto con
probabilidad 0.2, medio con probabilidad 0.3 y bajo con probabilidad 0.5. Cuando
se alcanza la formacin Barco, se estima que el nivel de reservas es alto en el 40%
de los casos, medio en el 50% de los casos y bajo en el 10% de los casos.
Con base en estudios geolgicos, ABC estima que la probabilidad de que la
perforacin llegue hasta la formacin Mirador en cualquiera de los pozos es 0.7,
i t l b bilid d d ll l f i B 0 3 A i d mientras que la probabilidad de llegar a la formacin Barco es 0.3. Asumiendo
independencia en los resultados del proceso de perforacin de cada pozo,
responda las siguientes preguntas:
15
Ejercicio
a. Calcule la probabilidad de que, en un pozo cualquiera, ABC obtenga un nivel de
reservas alto, medio y bajo, respectivamente.
Ejercicio
reservas alto, medio y bajo, respectivamente.
b. Cul es la probabilidad de que ABC deba perforar 10 pozos para encontrar el
primero con un nivel medio alto de reservas?
c. Cul es la probabilidad de que ms de 2 de los primeros 5 pozos perforados
presenten un nivel bajo de reservas?
d. Si de los primeros 10 pozos perforados 4 presentaron un nivel alto de reservas,
cul es la probabilidad de que el decimoquinto pozo perforado sea el quinto con
i l lt d ? un nivel alto de reservas?
e. Calcule el valor esperado del nmero de pozos que se perforarn hasta obtener
el quinto pozo con reservas altas
16
el quinto pozo con reservas altas.
Proceso de Poisson ProcesodePoisson
En cierta ciudad se quiere analizar el experimento aleatorio que consiste en
observar cmo se comportan los nacimientos de bebs con respecto al
tiempo en el sentido de ver el nacimiento de un beb como un evento tiempo, en el sentido de ver el nacimiento de un beb como un evento
puntual (el instante en que nace el beb) que tiene lugar a lo largo de
tiempo. El nacimiento de un beb en la ciudad lo podemos interpretar como
una llegada del proceso que tiene lugar en el tiempo. g p q g p
El tiempo lo podemos representar a travs de la recta real y las llegadas
como puntos de dicha recta, as:
d h ( l ) d d f l Respecto a dicho proceso (experimento aleatorio) podemos definir la VA X
P
para un intervalo de tiempo de longitud t por:
X
P
(t) = "nmero de nacimientos (llegadas) en el intervalo de tiempo de longitud t"
P
Proceso de Poisson
Sea t un intervalo de tiempo dado, arbitrario pero fijo. Queremos examinar la VA
X
P
(t)definida anteriormente y deducir su distribucin,
= P (X
P
= n; , t)
ProcesodePoisson
(
P
; , )
= P (haya exactamente n llegadas del proceso en el intervalo de
tiempo t).
Dividamos el intervalo de magnitud t en N intervalos de magnitud t/N, de tal
manera que t/N sea tan pequeo como sea necesario para que se cumplan los
supuestos del modelo.
El evento B "que haya exactamente n llegadas del proceso en el intervalo de El evento B que haya exactamente n llegadas del proceso en el intervalo de
tiempo t" es equivalente al evento "obtener exactamente n xitos en los N
experimentos independientes de Bernoulli que consisten en observar si ha habido
o no una llegada del proceso en el intervalo de tiempo de longitud t/N" o no una llegada del proceso en el intervalo de tiempo de longitud t/N .
ProcesodePoisson
La probabilidad de obtener xito (que haya una llegada) en cada uno de estos
experimentos de Bernoulli es p = (t/N).
Es decir, tenemos N experimentos independientes de Bernoulli de parmetro
p = (t/N).
La probabilidad del evento B est dada por:
P(B) = P(haya exactamente n llegadas del proceso en el intervalo de tiempo t)
= P( obtener exactamente n xitos en los N experimentos independientes
de Bernoulli de parmetro p = (t/N))
= P(X
B
= n; N, .(t /N)) (*)
Tomando el lmite de la expresin (*) cuando N tiende a infinito, es decir,
cuando los intervalos t/N son tan pequeos como se quiera, se obtiene:
Distribucin Poisson
N(t) = nmero de eventos
que han ocurrido
En el intervalo de tiempo [0,t]
( )
.. . 2, 1, 0, n ,
!
) , ; ( ] ) ( [ = = = =
t
n
x
e
n
t
t n g n t N P
p

Apuntes de Clase, Castillo Mario, 2007

ProcesodePoisson
ElnmerodeeventosquesucedenhastaeltiempotsedistribuyePoisson con
parmetro
C l l t d t i i d d Cumpleconlossupuestosdeestacionariedad.
ElValorEsperadodelasvariablesaleatoriasnodependedeltiempo(son
constantes).
Lasvarianzastampocodependendeltiempoysonfinitas.
Eltiempoentreeventosesindependienteeidnticamentedistribuidocomo
unavariablealeatoriaexponencialconmedia1/.

(1-p)
Random Splitting Pooled Process
Ejercicios
El nmero de llamadas que entran a una central telefnica durante un viernes en
la noche se puede representar por medio de un proceso de Poisson. De acuerdo
Ejercicios
con los datos del ltimo mes, se ha estimado el nmero de llamadas entre las 8
PM y las 3 AM es una variable Poisson con una tasa de 70 llamadas por hora.
) C l l b bilid d d t l 8 PM l 9 PM t 70 ll d ? a) Cul es la probabilidad de que entre las 8 PM y las 9 PM entren 70 llamadas?
b) Cul es la probabilidad de que entre las 9 PM y las 11 PM entren ms de 80
llamadas?
c) Cul es el nmero esperado de llamadas que entran entre las 2 AM y las 2:30 c) Cul es el nmero esperado de llamadas que entran entre las 2 AM y las 2:30
AM?
d) Cul es la probabilidad de que entre las 8:30 PM y las 9 PM entren 30
llamadas y que entre las 2 AM y las 3 AM entren 60 llamadas? y q y
e) Se sabe que entre las 9 PM y las 10 PM entraron 50 llamadas, cul es la
probabilidad de que entre las 9 PM y las 11:30 PM entren ms de 120
llamadas?
21