Actividad 1

Unidad 3

Lizeth Vargas Vera

LizethVargas Vera

Actividad 1
Unidad 3
Cadena de Markov
Definicin Una cadena de Markov es una sucesin de ensayos similares u
observaciones en la cual cada ensayo tiene el mismo nmero finito de
resultados posibles y en donde la probabilidad de cada resultado para un
ensayo dado depende slo del resultado del ensayo inmediatamente
precedente y no de cualquier resultado previo.
Propiedad de Markov: Dada una secuencia de variables aleatorias
X1 , X2 , X3, .
Xn
, tales que el valor de
es el estado del proceso en el
tiempo n. Si la distribucin de probabilidad condicional de
estados pasados es una funcin de

Xn

Xn+1

en

por s sola, entonces:

n1= x n1 X 2 =x2 , X 1=x 1

n+1= x n+1 , X n=x n , X
X =P(X n +1=x n+1 / X n=x n)
P
Donde

xi

es el estado del proceso en el instante

i.

Proceso de Poisson:
Sea
una variable aleatoria que representa el nmero de eventos
aleatorios independientes que ocurren con igual rapidez en un intervalo de
medida. Se tiene entonces que la funcin de probabilidad de esta variable,
se expresa por:

LizethVargas Vera

Donde
es parmetro de tendencia central de la distribucin y representa
el nmero promedio cantidad esperada de ocurrencias (xitos) del
evento aleatorio por unidad de medida por muestra;
y
Nmero de ocurrencias especficas para el cual se desea conocer la
probabilidad respectiva. Segn sea el valor de de
, se define toda
una familia de probabilidades de Poisson. La probabilidad de que una
variable aleatoria de Poisson
sea menor igual a un valor de se halla
por la funcin de distribucin acumulativa, planteada entonces como:

Caractersticas de la distribucin de Poisson

Valor Esperado:

, el cual debe ser conocido.

Varianza:
Forma sesgo: Hacia la derecha con sesgo positivo y que se va
perdiendo a medida que

crece. Veamos una grfica de funciones de

probabilidad para diferentes valores de

Se puede calcular un coeficiente de asimetra mediante la expresin

Es de observar que mientras en una distribucin binomial:

en

Poisson se puede dar que

Alternativa: Si se da la probabilidad de tener, de manera exacta,
ocurrencias en un intervalo veces mayor que el de referencia en la
medicin entonces la distribucin de probabilidades de Y nmero de xitos
en la nueva unidad de referencia viene dada por

dnde

Promedio de ocurrencias por intervalo unidad de medida

considerada en X y
especificados.

Nmero de intervalos unidades de medida

y
2

LizethVargas Vera

Movimiento Browniano
Establecemos un modelo plano del movimiento de partculas entre
colisiones mediante dos hiptesis: describiendo el movimiento de
una partcula entre dos puntos en coordenadas polares (r, q), el
radio del desplazamiento es una variable aleatoria con distribucin
normal y el ngulo es una variable aleatoria con distribucin
uniforme entre [0,2p].
La descripcin podemos hacerla trazando las trayectorias o
relacionando las coordenadas de cada punto con el tiempo t, de
manera que, para un movimiento plano, obtendramos una
superficie. Y para un movimiento de las partculas sobre R,
tendramos una curva (t, f(t)), es decir, una serie temporal.
Consideremos un modelo del movimiento de una partcula sobre
una recta con las siguientes condiciones:
1.- La partcula parte del origen t=0;
2.- En cada paso discreto de tiempo h, la partcula se
desplaza aleatoriamente una longitud L o -L, con
probabilidad 0.5 en cada caso.
Representamos con X(t) la funcin aleatoria asociada que mide la posicin
de la partcula en cada instante:

Cada
es una variable aleatoria con la siguiente distribucin de
probabilidad:

independientemente de las etapas previas.

3

LizethVargas Vera

As, X(t) es la suma de una sucesin de variables aleatorias

independientes e igualmente distribuidas:

Si normalizamos tomando L=h1/2, ahora las variables tales que

o

=1

= -1, en cada caso con p=1/2.

Teniendo en cuenta el Teorema del Lmite Central, para valores pequeos

de h, X(t) es aproximadamente normal con media 0 y varianza t:

Es importante observar que la varianza resulta proporcional a t, tiempo

transcurrido desde el inicio del movimiento.
En particular,

para t y h fijos y n suficientemente grande, es

aproximadamente normal (0, h) y los incrementos

son variables aleatorias independientes.

El movimiento browniano se define como el proceso aleatorio lmite que se

encuentra cuando n crece indefinidamente.

Simulacin de un movimiento browniano.

www.wikipedia.org
www.cimat.edu