Академический Документы
Профессиональный Документы
Культура Документы
Procesos Estocsticos
Unidad 1 Asignacin FInal
Introduccin
Proceso de Bernoulli
El proceso de Bernoulli ocurre cuando un experimento posee las siguientes caractersticas
Slo hay dos resultados posibles
Aceptable(A)
Defectuoso(D)
Ejemplos
Observar el resultado al lanzar una moneda
Si una pieza es defectuosa o no en un proceso de fabricacin
Si se transmite correctamente un bit a travs de un canal digital
Distribucin de Bernoulli
0 = 1 = Pr( = 0)
={
1 = ( = 1)
La funcin de probabilidad es
() = (1 )1 = 0.1
= [] = 0 (1 ) + 1 =
= [] = (0 )2 (1 ) + (1 )2 = (1 )
Si se repite un nmero fijo de veces n, un experimento de Bernoulli con parmetro p, el nmero de xitos sigue una distribucin Binomial de parmetros (n,p)
Entonces
Suponga un proceso Bernoulli, como el obtener guila o sol al lanzar una moneda.
n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Xn
0
1
0
0
1
0
0
1
1
0
0
1
1
0
0
[] = ( = )
=1
Como las probabilidades son iguales, tanto la probabilidad de xito y fracaso tienen el mismo valor:
=
1
2
=1 =1
1
2
==
[] =
1
2
1 + 2 + 3 + +
Al tener la frmula de la media aritmtica de los valores de 1 + 2 + 3 + + , , la esperanza para este caso, es la media.
Tomando en cuenta:
10
11
12
13
14
15
[] =
0+1+0+0+1+0+0+1+1+0+0+1+1+0+0
=
15
[] =
6
15
[] =
2
5
2
5
2
5
Para el caso de variables aleatorias discretas, con una funcin de probabilidad () tenemos que
= [] = [( )
2]
= ( )2 ( )
=1
(1 )2 + (2 )2 + + ( )2
Y: =
10
11
12
13
14
15
2
5
[] =
2 2
2 2
2 2
2 2
2 2
2 2
2 2
2 2
2 2
2 2
2 2
2 2
2 2
2 2
2 2 18
(0 ) + (1 ) + (0 ) + (0 ) + (1 ) + (0 ) + (0 ) + (1 ) + (1 ) + (0 ) + (0 ) + (1 ) + (1 ) + (0 ) + (0 )
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5 = 5
=
15
15
[] =
6
25
(
)
10
11
12
13
14
15
2
5
2
5
2
5
2
5
2
5
25
0.16
3
5
25
25
3
5
0.36
2
5
2
5
2
5
2
5
2
5
2
5
2
5
2
5
2
5
2
5
25
0.16
25
0.16
3
5
3
5
25
25
3
5
3
5
2
5
25
0.36
0.16
0.16
0.36
0.36
0.16
0.16
0.36
0.36
0.16
0.16
3.6
[] =
3.6
6
= 0.24 =
15
25
4. Establece de Sn S y T.
= 1 + 2 +
= {0,1,2,3. . . }
= {0,1}
5. Determina si Sn es un proceso independiente
No es un proceso independiente, porque el valor de depende del valor de 1
6. Determina si Sn tiene incrementos independientes
El proceso { 1} es de incrementos independientes:
Sea que por definicin de las variables tal que 1 , 2 , 3 , determinan completamente a 1 , 2 , 3 ,
Ahora como 1 = 1 y = 1 para 2.
Es la cantidad de guilas, que se han presentado en el tiro o en el tiro. Tal que es la suma de los xitos, (guilas) que se presentan en el
proceso. Siendo una sucesin de variables aleatorias independientes:{ 1}
Al tener 1 , 2 , 3 , tenemos conocido a 1 , 2 , 3 ,
{+ = | 1 , 2 , 3 , } = {+ = | 1 , 2 , 3 , }
Tal que
= {+1 + +2 + + + = | 1 , 2 , 3 , }
= {+1 + +2 + + + = } = {+ = } = ( )
Siendo este tipo de procesos modelos tal que siendo conocido el estado presente del sistema, los estados anteriores no tienen influencia en los estados futuros del
sistema.
Expresndose de la siguiente manera:
Para cualesquiera estados 1 , 2 , , 1 (pasado), (presente), +1 (futuro), se cumple la igualdad:
{+1 = +1 | 1 = 1 , 2 = 2 , , = } = {+1 = +1 | = }
De tal manera que la probabilidad del evento futuro esta representado como +1 = +1 que slo depende del evento = siendo que el evento pasado
1 = 1 , 2 = 2 , , = es irrelevante.
Por lo que si se trata de un proceso de Markov , ya que para calcular la probabilidad de que despus del n-simo lanzamiento se tenga un cierto nmero de guilas,
slo es necesario saber cuntas guilas se haban acumulado hasta el lanzamiento n 1., sin que resulte de importancia cmo fue que se lleg a ese nmero de guilas.
8. Usando los valores del ejercicio 1 y obtn los resultados de Sn, para S1, S2, S15
1 = 1 = 0
2 = 1 + 2 = 0 + 1 = 1
3 = 1 + 2 + 3 = 0 + 1 + 0 = 1
4 = 1 + 2 + 3 + 4 = 0 + 1 + 0 + 0 = 1
5 = 1 + 2 + 3 + 4 + 5 = 0 + 1 + 0 + 0 + 1 = 2
6 = 1 + 2 + 3 + 4 + 5 + 6 = 0 + 1 + 0 + 0 + 1 + 0 = 2
7 = 1 + 2 + 3 + 4 + 5 + 6 + 7 = 0 + 1 + 0 + 0 + 1 + 0 + 0 = 2
8 = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 = 0 + 1 + 0 + 0 + 1 + 0 + 0 + 1 = 3
9 = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 = 0 + 1 + 0 + 0 + 1 + 0 + 0 + 1 + 1 = 4
11 = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 + 11 = 0 + 1 + 0 + 0 + 1 + 0 + 0 + 1 + 1 + 0 + 0 = 4
12 = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 + 11 + 12 = 0 + 1 + 0 + 0 + 1 + 0 + 0 + 1 + 1 + 0 + 0 + 1 = 5
13 = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 + 11 + 12 + 13 = 0 + 1 + 0 + 0 + 1 + 0 + 0 + 1 + 1 + 0 + 0 + 1 + 1 = 6
14 = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 + 11 + 12 + 13 + 14 = 0 + 1 + 0 + 0 + 1 + 0 + 0 + 1 + 1 + 0 + 0 + 1 + 1 + 0 = 6
15 = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 + 11 + 12 + 13 + 14 + 15 = 0 + 1 + 0 + 0 + 1 + 0 + 0 + 1 + 1 + 0 + 0 + 1 + 1 + 0 + 0 = 6
10 = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 = 0 + 1 + 0 + 0 + 1 + 0 + 0 + 1 + 1 + 0 = 4
10
6
25
aplico [] =
6
25
( = ) = ( ) (1 )
11
() = ( ) (1 )
=0
Pero como si k fuese igual a cero al multiplicar por cualquier valor nos dara cero, tal que entonces para efectos consideramos que = 1
Entonces
() = ( ) (1 )
=1
() =
=1
!
(1 )
( )! !
() =
=1
( 1)!
(1 )
( )! ( 1)!
() =
=1
( 1)!
(1 )
( )! ( 1)!
() =
=1
( 1)!
( 1 )(1 )
( )! ( 1)!
() =
=1
( 1)!
(1 )(1 )
( )! ( 1)!
12
() =
=0
13
!
(1 )
! ( )!
Entonces obtuvimos la sumatoria de la probabilidad de c/u de los sucesos de una distribucin binomial y como por definicin sabemos que sumando
todas las probabilidades de un suceso es igual a UNO
() = (1)
() =
[ 2 ] = 0 (1 ) + 1 =
[] = 2 = (1 )
Ahora para la Ley Binomial tenemos la suma de Bernoullis independientes
() = = (1 )
Ahora como:
[ ] =
( ) = = (1 )
1
= [ ] =
1 1
( ) = = ( ) ( ) =
2 2
4
( ) =
2 = ( )
Entonces:
Para = = 2
14
= =
4
2
Por lo tanto las formulas son:
[ ] =
( ) =
10. Obtn la esperanza y varianza usando los resultados para Sn, es decir para S1, S2, .. S15 haciendo uso de las formulas establecidas en el
ejercicio 9.
[ ] =
15
( ) =
1
= 0.5
2
[2 ] =
2
=1
2
(1 ) =
1
= 0.25
4
1 =
1
= 0.5
2
(2 ) =
2
= 0.5
4
2 =
2
= 0.707
2
[3 ] =
3
= 1.5
2
3
= 0.75
4
3 =
3
= 0.866
2
4
=1
4
4 =
4
=1
2
5
5
= 2.5 (5 ) = = 1.25
2
4
5 =
5
= 1.118
2
(3 ) =
4
=2
2
(4 ) =
[6 ] =
6 =
6
= 1.224
2
[7 ] =
7
= 3.5
2
(7 ) =
7
= 1.75
4
8
=4
2
(8 ) =
9
= 4.5
2
( ) =
7 =
7
= 1.322
2
8
=2
4
8 =
8
= 1.414
2
9
= 2.25
4
9 =
9
= 1.5
2
16
10
=5
2
[10 ] =
11
= 5.5
2
[10 ] =
12
=6
2
[10 ] =
13
= 6.5
2
[10 ] =
14
=7
2
(10 ) =
10 5
= = 2.5
4
2
10 =
10
= 1.5811
2
11
= 2.75
4
10 =
11
= 1.6583
2
12 6
= =3
4
2
10 =
12
= 1.7320
2
13
= 3.25
4
10 =
13
= 1.8027
2
14 7
= = 3.5
4
2
10 =
14
= 1.8708
2
17
(10 ) =
(10 ) =
[10 ] =
15
= 7.5
2
(10 ) =
15
= 3.75
4
10 =
15
= 1.9364
2
Tanto la varianza, como la esperanza y la desviacin estndar son crecientes, tanto es como crezca n, crecen los tres parmetros.
12.
El proceso no es estacionario debido a que la varianza y la esperanza crecen conforme avanza el tamao de la muestra, a diferentes tiempos
11. Determina si la esperanza y varianza son crecientes, constantes o decrecientes. Elabora una grfica que muestre los resultados de la varianza y
esperanza. (Graficar los resultados del ejercicio 10)
18
13.Establece dnde puede usarse este proceso (Explica una posible aplicacin)
Las aplicaciones son muy amplias en la industria, por ejemplo sea el caso de la fabricacin de agujas estriles para la industria farmacutica, si se producen un millar de
agujas diariamente, siendo que el 20% de ellas son defectuosas, al extraer una muestra aleatoriamente de 100 agujas, se calcula la media y la desviacin estndar de la
distribucin binomial tal que:
= = 100 0.2
= = (100) (0.2) (0.8)
= 16
= 4
Un aparato electrnico contiene 40 circuitos integrados. La probabilidad de que un circuito sea defectuoso es 0.01 y los circuitos son independientes.
El producto funciona slo si no hay ningn circuito defectuoso
X = Nmero de circuitos defectuosos en los 40 de un aparato
( = 0)
19
Rbrica de evaluacin:
https://drive.google.com/file/d/0ByYJU1IJwKgkXzlNemRaTmJRVDg/view?usp=sharing
Bibliografa
Rincn, L. (2012). Introduccin a los procesos estocsticos. Mxico: UNAM-FC.
Spiegel, M. (1977). Probabilidad y estadstica. Bogot: Mc Graw Hill.
Durban,M (s.f.) Apuntes de clase. Modelos de Probabilidad. Estadstica. Espaa: Carlos III de Madrid,.
20