UNAM Instituto de Energas Renovables

Universidad Nacional
Autonoma de Mexico

Instituto de Energas Renovables

Modelos Estocasticos

Tarea Final

Profesor:
Autores: Miguel Robles Perez
Juanico V. Irving E.

Temixco, Morelos, Mexico

18 de Junio del 2017

LIER Modelos Estocasticos 1

UNAM Instituto de Energas Renovables

Contents
1 Objetivo 3

2 Introduccion 3

3 Problemas 3
3.1 Problema 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.1.1 Probabilidad teorica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.1.2 Probabilidad simulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2 Problema 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3 Problema 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.4 Problema 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

LIER Modelos Estocasticos 2

UNAM Instituto de Energas Renovables

1 Objetivo 3.1.1 Probabilidad teorica

Resolver los problemas propuestos y aplicar los Para el calculo de la probabilidad teorica se realizo
conocimientos adquiridos a lo largo del curso. mediante el uso de las combinatorias
 
n n!
= (1)
x x!(n x)!
2 Introduccion Siendo un total de 40 cartas en la baraja espanola,
de la cuales pertenecen a 4 grupos diferentes de
En este trabajo se realiza la resolucion de cuatro cartas (copas, bastos, monedas y espadas) con-
problemas: stando de 10 elementos cada grupo (1, 2, 3, 4, 5,
6, 7, 10, 11 y 12).
Problema 1: Probabilidad de sacar un Full
en una baraja espanola
El numero de formas de obtener una tercia es la
Problema 2: Encontrar la distribucion de siguiente:
probabilidad de unos datos
NT ercias = 10 43

Problema 3: Encontrar la matriz de flujo de

Donde el 10 corresponde al numero de cartas por
un proceso Markoviano continuo
grupo y la combinaria de corresponde al numero
Problema 4: Prediccion de las acciones de de tercias que se pueden obtener de los cuatro gru-
una empresa mediante procesos AR, ARMA pos (1 tercia por numero de cada carta), siendo un
Y ARIMA total de 40 tercias posibles.
Para la resolucion de dichos problemas se hizo el
El numero de formas de obtener una par es la sigu-
uso del software Mathematica 11.1 .
iente:
NP ar = 9 42

3 Problemas Donde el 9 corresponde al numero de cartas por

grupo (debido a la obtencion de la tercia) y la com-
3.1 Problema 1 binaria de corresponde al numero de pares que se
pueden obtener de los cuatro grupos, siendo un
Los programas creados para la resolucion de este total de 36 tercias posibles.
programa se encuentra en la subseccion nombrada
Problema 1 del script TareaFinal. Entonces la propabilidad de obtener un Full es
el numero de forma posibles de obtener una ter-
Enunciado: Calcula utilizando una simulacion la cia (NT ercias ) por el numero de forma posibles de
probabilidad de que en una baraja espanola,aparezca obtener un par (NP ar ) sobre el numero total de
un full (tercia y par) en la primera mano. casos posibles de obtener 5 cartas de una baraja
de 40 cartas (NT otal ).
Para la resolucion de este problema se realizo un NT ercias NP ar
programa que simulaba la realizacion de un juego P robteorica = [0, 1] (2)
NT otal
de baraja espanola con el cual se calculo la prob-
10 43 9 42



abilidad simulada y por otra parte se calculo la P robteorica = = 0.00328263
40


probabilidad teorica para asi poder comparar 5
nuestros resultados.
3.1.2 Probabilidad simulada

Para el calculo de dicha probabilidad se realizo un

programa el cual idetificaba las veces que se tenian

LIER Modelos Estocasticos 3

UNAM Instituto de Energas Renovables

un par y una tercia al mismo tiempo (Full) en una 3.2 Problema 2

mano.La simulacion realizada simulaba 100000 jue-
gos transcurridos y calcula la probabilidad de obtenerLos programas creados para la resolucion de este
el Full para dicho caso, dicha simulacion se realizo programa se encuentra en la subseccion nombrada
100 veces. Problema 2 del script TareaFinal.

Enunciado: Utilizando los datos del archivo datos

1.csv, encuentra la funcion de distribucion que
mas se le juste y calcula sus parametros princi-
pales. Si los datos correspondieran a una secuen-
cia temporal tomada en secuencia cada 10 minu-
tos, Que proceso estocastico lo podra modelar?.

Para la solucion de este problema se grafico un his-

tograma de densidad de probabilidad de los datos
y se obtuvo lo siguiente:

Figure 1: Probabilidades de las simulaciones.

Los resultados obtenidos de la simulaciones fueron

las siguientes:

Parametro Valor
Probabilidad simulada Promedio 0.0032729
Desviacion estandar 0.0001891
Error Promedio [%] 4.5523345
Figure 2: Histograma de Densidad de probabili-
Table 1: Resultados obtenidos de la Simulacion dad.

Los resultados obtenidos en la simulaciones son Con la perspectiva que mostraba el histograma se
congruentes frente al calculo teorico, ya que se puedier.on proponer dos distribuciones de prob-
obtuvo un error promedio en la probabilidad sim- abilidad por simple inspeccion, que fueron una
ulada respecto a la teorica aceptable, con lo que Rayleigh y una Weibull.Los parametros obtenidos
podramos concluir que la simulacion es correcta y de las distribuciones propuestas son los que se
era lo que se espera. Tambien se pudo concluir que muestra en la siguiente tabla.
la probabilidad de obtener un Full en cualquier
mano es la misma para cualquier jugador, dicho Parametro Valor
de otra forma el orden de como se repartan las Rayleigh [] 0.19990
cartas no influye en la probabilidad de obtener un Weibull [] 1.97171
Full. Weibull [] 0.28184

Table 2: Resultados obtenidos de la Simulacion

LIER Modelos Estocasticos 4

UNAM Instituto de Energas Renovables

El ajuste obtenido de dichas distribuciones de prob- La Matriz de flujo Mf podemos definirla de la

abilidad se muestra en la siguiente grafica. siguiente manera:

Mf = A + In (3)

Donde la matriz In es la matriz identidad, la ma-

triz A es una que depende de los Cambios de es-
tado y del tiempo de promedio de permanecia en
un estado (T ). La matriz A esta definida de la
siguiente manera:

N1,1 N1,2 N1,3 N1,j
N2,1 N2,2 N2,3 N2,j

A= . .. .. .. ..
.
. . . . .

Ni,1 Ni,2 Ni,3 Ni,j

Cei,j
Ni,j = , tal que Ce es Cambios de estado,
Cei,j Ti
T es el Tiempo de permanencia promedio en un
estado, y el ndice i es el estado inicial y el j estado
final.
Figure 3: Probabilidades de las simulaciones.
El vector columna depende de la matriz A y
esta definida de la siguiente forma:
Dado lo presentado se podra utiliazar un proceso
k

estocastico discreto o continuo (preferentemente
X
N1,j
discreta, ya que el numero de datos generara un
j=1


intervalo pequeno de tiempo, lo cual dejara grandes
k
X
espacios vacos de tiempo), como una Serie de N2,j

Markov discreta o continua. = j=1


..

.

k
X
3.3 Problema 3

Nn,j
j=1
Los programas creados para la resolucion de este
programa se encuentra en la subseccion nombrada El Tiempo de permanencia y los Cambios de es-
Problema 3 del script TareaFinal. tado para estos datos son los siguientes:

Enunciado: Los datos del archivo datos 2.csv, rep-

resentan un proceso de Markov continuo. Encuen-
tra la matriz de flujos Q, del proceso.

Para hacer el calculo de la matriz de flujo primero

se identifico el numero de estados contenidos en los
datos, que fueron tres estados correspondientes a
los datos.

Figure 4: Tiempo de permacia en Estados.

LIER Modelos Estocasticos 5

UNAM Instituto de Energas Renovables

3.4 Problema 4

Los programas creados para la resolucion de este

programa se encuentra en la subseccion nombrada
Problema 4 del script TareaFinal.

Enunciado: El precio de las acciones de una compana

Figure 5: Cambios de Estados.
Obtenidos los parametros anteriores se calculo la
Matriz de flujo quedando como resultante lo sigu-
iente:
se encontro que correspondia a una serie discreta,
1.00431 0.48111 0.52320
Mf = 0.52320 2.28017 1.00007
0.44038 0.57878 1.01915
El diagrama de la matriz de flujo para este caso
presenta la siguiente geometra
desde el ano 2000, se encuentra en el archivo Ac-
cion.csv, donde la primer columna contiene la
fecha ordenada en un arreglo ano, mes, da y la
segunda el precio en USD. Utilizando estos datos
calcula una prediccion de su valor para marzo de
2015, utilizando modelos AR, ARMA y ARIMA.
Para la predeccion de las acciones como primer
paso se reviso si la serie temporal de la misma,
con el fin de saber si correspondia cada valor de la
accion y a cada da de tiempo en transcurso (esto
es si todos los das desde el comienzo de la serie
hasta el final eran continuos), de tal manera que
ya que habia dias en la que no se registraba la
accion.
Para poder convertir los datos a una forma con-
tinua se realizo un programa, que tomaba el ul-
timo valor de la accion registrado antes de que hu-
biera un da sin valor de accion registrado, suponiendo
de esta manera que el valor de la accion durante
estos dias permanecia constante.
La serie obtenida (similar a la discreta ya que son
el mismo lapso de tiempo) se muestra a contin-
uacion

Figure 6: Diagrama de transiciones de Estados.

Figure 7: Serie temporal de las acciones.

LIER Modelos Estocasticos 6

UNAM Instituto de Energas Renovables

Las caracterscas de los modelos de prediccion son Las prediccion obtenida para el mes de Marzo del
las siguientes: 2015, se puede visualizar en la siguiente grafica

Modelo Orden
AR (1)
ARMA (1,1)
ARIMA (0,1,0)

Table 3: Caractersticas de los modelos

Figure 9: Prediccion de acciones para Marzo del

2015.

La region del valor de accion predecida se puede

ver en la siguiente tabla:

Modelo Valor [U SD]

AR 17.69-17.82
ARMA 17.70-17.84
ARIMA 17.31-17.33

Table 4: Precio de las acciones.

Figure 8: Prediccion de acciones.

LIER Modelos Estocasticos 7