Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema3pe PDF
Tema3pe PDF
destacables
1. Procesos de Bernoulli
2. Camino aleatorio
3. Proceso de Poisson
Los procesos de Bernoulli y el camino aleatorio son cadenas, mientras que el proceso
de Poisson es un proceso puntual.
Procesos de Bernoulli
1
Proposicin
p si xn = xn+1 1
= 1p si xn = xn+1
0 resto
De este modo, la probabilidad slo depende del valor que tome la v.a. Xn indepen-
dientemente de los valores de las anteriores v.a. del proceso.
Supongamos que un juego que puede tomar valores igual a 1 y 1. Supongamos que
el jugador A tiene un capital de k unidades y el B tiene a k donde a > k.
Supongamos que Xn representa el capital de A despus de n juegos (o en el punto n),
entonces X0 = k y si Xn = 0 el jugador se arruina (se tiene que tener n k), mientras
que si Xn = a (siempre que n a k) entonces B se arruina, y en ambos casos el juego
termina.
El inters principal es calcular P (Xn = 0) para cualquier n.
Denominamos como Ck el suceso consistente en que A se arruine partiendo de un
capital k y como los sucesos Xn = 0 (n = k, k + 1, k + 2, . . .) son mutuamente excluyentes
entonces
X
P (Ck ) = P (Xn = 0)
n=k
Se puede observar que el sumatorio empieza en n = k, ya que el mnimo nmero de
pasos en los que el juego podra acabar es k. Por otro lado, aunque los resultados de cada
juego son independientes, las variables Xn no lo son por ser un proceso markoviano, como
se ha demostrado previamente.
2
Est claro que el clculo de P (Xn = 0) puede ser un proceso tedioso, aunque un
mtodo directo sera utilizar ecuaciones en diferencias.
Dado el carcter secuencial del juego, despus de saber cul es el resultado de cada
juego el capital de A aumenta o decrece en una unidad. Este capital se convierte en el
capital inicial del nuevo juego, as, si definimos uk = P (Ck ) (la probabilidad de que A se
arruine partiendo de un capital k), entonces, despus de una partida la probabilidad de
ruina es uk+1 = P (Ck+1 ) uk1 = P (Ck1 ) .
Consideramos el resultado de la partida, y denominamos D a que A gane y como Dc
a que pierda. Por el teorema de la probabilidad total
Como
P (D) = p
P (Dc ) = 1 p = q
uk = uk+1 p + uk1 q
es decir
puk+1 uk + quk1 = 0
u0 = P (C0 ) = 1
3
mientras que si empieza con capital a, la ruina es imposible
ua = P (Ca ) = 0.
uk = Amk
puk+1 uk + quk1 = Amk1 pm2 m + q
pm2 m + q = (pm q) (m 1) = 0
m1 = 1
q
m2 = .
p
Se puede demostrar que la solucin general es una combinacin lineal de estas dos solu-
ciones, esto es,
k
q
uk = A1 mk1 + A2 mk2 = A1 + A2
p
donde A1 y A2 son constantes a determinar a partir de las condiciones iniciales:
Como u0 = 1 y ua = 0, entonces, si denoto como s = q/p
A1 + A2 = 1
A1 + A2 sa = 0
4
esto es,
sa
A1 =
1 sa
1
A2 =
1 sa
As, la probabilidad de que el jugador se arruine dado un capital inicial de k es (cuando
p 6= 12 )
sa 1
uk = a
+ a
sk
1s 1s
sk sa
= .
1 sa
Cuando p = q = 12 , la ecuacin tiene soluciones repetidas y hay que tratar el caso de
manera diferente.
La ecuacin caracterstica de
1 1
uk+1 uk + uk1 = 0
2 2
es
1 2 1
m m+ = 0 =
2 2
m2 2m + 1 = 0
1 1 1 1
uk+1 uk + uk1 = (k + 1) k + (k 1) = 0.
2 2 2 2
As la solucin general es
uk = A1 + A2 k
Un aspecto importante del juego es determinar cuntas partidas se espera jugar antes
de terminar.dicho juego.
Supongamos que se tienen dos variables: k, el capital inicial y n, el nmero restante
de partidas hasta que se termine.
Como n es desconocido, se considera que es el resultado de una v.a. N.
Se denota como P (n|k) la probabilidad de que el juego acabe en n partidas cuando el
capital inicial es k.
Evidentemente, n es un nmero positivo mayor o igual que el mnimo entre k y a k,
ya que si un jugador ganase (o perdiese) todos los juegos entonces ganara (o perdera)
el juego en a k ( k) partidas. As, el nmero esperado de partidas hasta terminar el
juego, o la duracin esperada es
X
E(N) = nP (n|k) = dk
n=0
6
Por la ley de la probabilidad total
donde n, k 1.
Sustituyendo P (n|k) en la ecuacin anterior se obtiene la duracin esperada dk .
Operando, se obtiene que
pdk+1 dk + qdk1 = 1
d0 = da = 0.
A1 + A2 sk ,
q
mientras que si s = p
= 1 la solucin general es de la forma
A1 + A2 k.
Para buscar una solucin particular, se hace tanteando posibles soluciones, y dado
que la parte derecha de la ecuacin es 1, se prueba como solucin dk = Ck, dado que
cualquier constante es solucin de la ecuacin homognea:
C(p q) + 1 = 0.
7
As tomando
1
C=
qp
la solucin general es
k
dk = A1 + A2 sk +
qp
Considerando las condiciones iniciales,
A1 + A2 = 0
a
A1 + A2 sa + = 0
qp
q
y despejando de estas ecuaciones se obtiene que la duracin esperada, cuando s = p
6= 1,
es " #
k
1 a 1 s
dk = k .
1 2p 1 sa
q
En el caso de que s = p
= 1, la ecuacin en diferencias es, entonces, dado que
p = q = 12 ,
dk+1 2dk + dk1 = 2
A1 + A2 k.
= 2C + 2 = 0
dk = A1 + A2 k k2 =
= k(a k).
8
Observaciones.
Se tienen diferentes variaciones a este problema:
Cuando el nmero de unidades que se pierde o gana no son siempre iguales entre s.
Camino aleatorio
1.5
p=1/2
p=1/2
q=1/2
0.5
-0.5
p=1/2
q=1/2
-1
q=1/2
-1.5
-2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
9
Se observa que la posicin de la partcula en el instante n + 1 depender slo de la
posicin en la que se encuentre en el instante n. Es as un proceso markoviano:
P (Xn = j|Xn1 = j 1) = p,
P (Xn = j|Xn1 = j + 1) = 1 p = q
luego,
X
n
Xn = X0 + Wi = Xn1 + Wn
i=1
donde n = 1, 2, . . .
Las v.a. toman valores en 1 y +1 (en vez de 0 y 1) lo cual es una v.a. de Bernoulli
modificada. En el problema de la ruina del jugador, X0 = k, aunque en el paseo aleatorio
se parte de X0 = 0.
Al ser Wi independientes, se tiene que
n !
X
E (Xn ) = E Wi = nE(W )
i=1
n !
X
V ar (Xn ) = V ar Wi = nV ar(W )
i=1
As
E(W ) = 1p + (1)q = p q
V ar(W ) = E(W 2 ) E 2 (W )
y
E(W 2 ) = 12 p + (1)2 q = p + q = 1
luego
V ar(W ) = 1 (p q)2 = 4pq
10
De este modo, la distribucin de probabilidad del paseo aleatorio en el estado n tiene
como media y varianza
E (Xn ) = n(p q)
V ar (Xn ) = 4npq
Xn n(p q)
Zn = N(0, 1)
4npq
E (X100 ) = 40
V ar (X100 ) = 84
11
La distribucin de probabilidad despus de n pasos
Xn = Rn Ln
n = Rn + Ln
12
5 5
o bien, aplicando la frmula anterior, se obtiene lo mismo ya que = .
4 1
vn,x es la probabilidad de que el camino termine en x despus de n pasos, de modo
que podra sobrepasar x antes de retornar a l.
Una probabilidad relacionada es la de que la primera visita al estado x ocurra en el
paso n. Para estudiar esta cantidad, se considera, previamente, el concepto de funciones
generatrices.
(tX)2 (tX)r
etX = exp (tX) = 1 + tX + + + +
2! r!
As,
Sin embargo, la funcin generatriz de probabilidad se define slo para variables aleato-
rias discretas.
Si se denomina pn = P (N = n) donde N = 0, 1, 2, . . . entonces
X
GN (s) = E (sn ) = pn sn .
n=0
Se tiene que
P
1. GN (1) = n=0 pn = 1.
13
P
2. G0N (1) = n=0 n pn = E (N)
P
3. Como G00N (1) = n=0 n (n 1) pn = E (N 2 ) E (N) entonces
2
V ar(N) = E N 2 (E (N))2 = G00N (1) + G0N (1) (G0N (1)) .
X
H(s) = an sn
n=0
para n = 2, 4, 6, . . .
Se asume que vn,0 = 0 para n impar, y la funcin generatriz es, entonces,
X
X
X
n 2n 1 2n 2n ()
H(s) = pn s = p2n s = s =
n=0 n=0 n=0
22n n
X 1
2 2n 12
= s = 1 s2
n=0
n
1
2n n 2
(*) desarrollando el trmino = (1) 22n usando, despus de rea-
n n
grupar trminos, que
a a(a 1)(a 2) (a r + 1)
=
r 1 2 3r
para a R.
Denominamos, a continuacin,
14
(ii ) Bk Suceso primera visita al origen ocurre en el paso k.
X
n
P (A) = P (A|Bk ) P (Bk ) .
k=1
X
n
pn = pnk fk
k=1
X
X
X
n
H(s) 1 = pn sn = pnk fk sn
n=1 n=1 k=1
X
X
X
n
() X
X
H(s) 1 = pn sn = pnk fk sn = pn sn fk sk
n=1 n=0 k=0 n=0 k=0
p0 f0 s0
p1 f0 s1 + p0 f1 s1
p2 f0 s2 + p1 f1 s2 + p0 f2 s2
p3 f0 s3 + p2 f1 s3 + p1 f2 s3 + p0 f3 s3
15
! ! !
X
X
X
0 n 1 n 2 n
f0 s pn s + f1 s pn s + f2 s pn s + =
n=0 n=0 n=0
X X
= fk sk pn sn
k=0 n=0
H(s) 1 = H(s)Q(s)
H(s) 1 1
Q(s) = = 1 1 s2 2 .
H(s)
La probabilidad de que el paseo aleatorio regrese al origen en algn paso es
X
fn = Q(1) = 1,
n=1
es decir, es absorbente. Sin embargo, el nmero medio de pasos hasta que esto ocurra es
X
s
nfn = Q0 (1) = 1 ,
n=1 (1 s2 ) 2
s1
esto es, un paseo aleatorio simtrico, aunque regresa al origen lo hace en un nmero
esperado infinito de pasos.
Ejemplo.
Calcula la probabilidad de que un paseo aleatorio simtrico que empieza en el origen,
regrese a l por primera vez en 6 pasos.
Se tiene que calcular el coeficiente de s6 en la serie de potencias asociada a la funcin
generatriz de probabilidad Q(s), que es
1 ()
Q(s) = 1 1 s2 2 =
1 2 1 4 1 6 8
1 1 s s s +O s =
2 8 16
1 2 1 4 1
= s + s + s6 + O s8 .
2 8 16
16
1
Luego la probabilidad de un primer retorno al origen en el paso 6 es 16
.
(*) ya que
X
a a r
(1 + s) = s =
r=0
r
a(a 1) 2 a(a 1)(a 2) 3
= 1 + as + s + s +
2! 3!
donde a R y |s| < 1.
Observacin.
E (Wmd ) = 0
2
V ar (Wmd ) = E Wmd =d
17
Proceso de Poisson
Se dice que una variable aleatoria X tiene una distribucin de Poisson de parmetro
, X P o() si
k
P (X = k) = e ,
k!
donde k = 0, 1, 2, . . .
Se tiene que si X P o() entonces
X
x e X
x1 e
E [X] = x = =
x=0
x! x=1
(x 1)!
X
y
= e = e e = .
y=0
y!
Motivacin
Supongamos que N(t) es una v.a. que representa el tamao de una poblacin en el
instante t y asumamos que
(t)n et
pn (t) = P [N(t) = n] =
n!
para t 0, n = 0, 1, 2 . . .
As, N(t) P o(t).
Si se considera para n 1
dpn (t) (n t) n n1 t
= t e
dt n!
dp0 (t)
= et = p0 (t)
dt
18
y, en general,
dpn (t) (n t) n n1 t 1 1
= t e = n tn1 et tn tn1 et =
dt n! (n 1)! n!
= [pn1 (t) pn (t)]
donde n 1.
Ambas ecuaciones forman una secuencia de ecuaciones diferenciales para pn (t), que se
pueden aproximar considerando incrementos pequeos t > 0,
p0 (t + t) p0 (t)
p0 (t)
t
pn (t + t) pn (t)
[pn1 (t) pn (t)]
t
es decir,
p0 (t + t) (1 t) p0 (t)
cuando n 1.
De lo anterior se deducen varias cosas:
La probabilidad de que no se observe ninguna partcula en un intervalo infinitesimal
t es (1 t) y, por lo tanto, la probabilidad de de que una partcula se observe en un
intervalo infinitesimal t es t, y la probabilidad de que dos o ms partculas se observen
es despreciable
El nico modo de observar n partculas en el tiempo t + t es que, o bien se recogi
una partcula en el tiempo t, cuando haba (n 1) partculas, o bien, que no aparezca
ninguna partcula con probabilidad (1 t) , cuando haba n partculas en el tiempo t.
En realidad, lo anterior es una versin del teorema de la probabilidad total y se usa,
frecuentemente, como el punto de partida para modelizar procesos aleatorios en tiempo
continuo.
Se puede caracterizar a los procesos de Poisson del siguiente modo:
19
Caracterizacin
Se dice que un proceso estocstico {Nt , t T } es un proceso de Poisson, donde Nt es el
nmero de sucesos que ocurren en un intervalo (0, t] si los sucesos cumplen las siguientes
condiciones:
P {(Ns+t Nt ) = k} = P {Ns = k}
(iii ) Estabilidad: El nmero medio de sucesos (a largo plazo) que ocurren por unidad de
tiempo es constante e igual a una tasa dada :
Nt
E =
t
(iv) El nmero de sucesos que ocurren en un intervalo infinitesimal (0, 4t) puede ser:
P (N4t = 0) = 1 4 t + o(4t)
20
Esto implica que se puede elegir un intervalo suficientemente pequeo de tiempo,
para que slo ocurra un suceso (o ninguno) cuando las ocurrencias son de una en
una.
Proposicin
para k = 0, 1, 2, . . .
21
NOTA:
Aproximacin de la distribucin binomial por la Poisson:
Bin(n, p) 7n
p0 P oiss()
cuando np .
t
En este caso, si n y p = n
0 entonces
nt
np = = t
n
Proposicin.
En un proceso de Poisson, el tiempo que transcurre entre dos sucesos es una v.a. que
se distribuye como una exp().
Demostracin.
Sean 0 = t0 < t1 < < tn < los momentos en que ocurren los sucesos del proceso
de Poisson de tasa .
Se define Zn = tn tn1 como el tiempo transcurrido entre dos sucesos consecutivos.
Como paso intermedio, calculamos 1 FZn (x) x R+ .
Se tiene que
22
De este modo,
FZn (x) = 1 ex
x R+ , de modo que
f (x) = ex I(0,) (x)
Modelos ms realistas.
El modelo estndar presenta condiciones demasiado fuertes: todos los sucesos tienen la
misma probabilidad de aparecer, y la tasa de llegada de los sucesos es siempre la misma.
Se puede generalizar, as, el caso de que varen las tasas:
(i) N(0) = 0
Rt
(iii ) N(t + s) N(s) se distribuye como una Poisson de media s
(r)dr.
Un proceso tal no cumple la propiedad de que los tiempos entre sucesos se distribuyen
como una exponencial, y su tratamiento es complicado a nivel matemtico.
Se puede asociar, tambin, al proceso de Poisson una serie de v.a.i.i.d. Yi e independi-
entes del proceso de llegadas. Por ejemplo, supongamos un restaurante de comida rpida.
Supongamos que entre las 14:00h y 15:00h los clientes llegan segn un proceso de Poisson
con tasa igual y sea Yi el nmero de personas que ocupan el vehculo i-simo.
Otro ejemplo sera un servidor de correo electrnico, donde los tiempos de llegadas
de los mensajes se puede modelizar como un proceso de Poisson, y se puede asociar una
23
variable Yi que mide el tamao de cada mensaje. Sera natural considerar las sumas de
los Yi que se han obtenido hasta el instante t
S(t) = Y1 + + YN(t)
donde S(t) = 0 si N(t) = 0. En los ejemplos anteriores, S(t) expresa el nmero de clientes
que ha llegado hasta el tiempo t, o el nmero total de bytes enviados en los mensajes
hasta el tiempo t. En cualquiera de los casos es interesante calcular el valor esperado de
S(t) y su varianza.
Teorema
Sean Y1 , Y2 , . . . una serie de v.a.i.i.d., sea N una v.a. independiente de valor entero, y
sea S = Y1 + + YN con S = 0 cuando N = 0.
(ii ) Si E(N 2 ) < entonces V ar(S) = E(N) V ar (Yi ) + V ar(N) (E (Yi ))2 .
Ejemplo.
Supongamos que el nmero de clientes que entra en un restaurante durante un da
tiene una distribucin de Poisson, de media 81 y que cada cliente gasta una media de 6
euros con una desviacin de 3 euros. A partir del teorema anterior, se tiene que E(S) =
E(N) E (Yi ) = 81 6 = 486.
La varianza es V ar(S) = E (Yi2 ) = 81 (32 + 62 ) = 3645, es decir una desviacin
estndar de 3645 = 60,4.
Principio de superposicin:
24
Supongamos que N1 (t), . . . , Nk (t) son procesos de Poisson independientes con medias
respectivas 1 , . . . , k , entonces N1 (t) + Nk (t) es un proceso de Poisson con media
1 + + k .
Relacin con la distribucin uniforme:
Supongamos que T1 , T2 , . . . son los tiempos de llegada de un proceso de Poisson con
tasa y sean U1 , U2 , . . . , Un v.a. independientes y distribuidas uniformemente en [0, t]. Si
se condiciona en N(t) = n, entonces el conjunto de tiempos de llegadas {T1 , T2 , . . . , Tn }
se distribuye como {U1 , U2 , . . . , Un }.
Esto significa que, sabiendo que se han producido n llegadas, el conjunto de los tiempos
de dichas llegadas se distribuyen de modo uniforme en un intervalo [0, t].
25