Procesos estocásticos

Unidad 1. Introducción a los procesos estocásticos

Procesos Estocásticos

Licenciatura en Matemáticas

Hernández Ortega Pedro Francisco

Matrícula: ES1410900455

Actividad 1. Conceptos básicos

UNIDAD 1

Docente en línea Guadalupe Del Carmen Rodríguez Moreno

Fecha 18 de abril de 2018

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

1
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

Actividad 2. Conceptos básicos

Instrucciones: Relaciona las siguientes columnas escribiendo en cada paréntesis el número que
corresponde y explica tu elección.

Concepto Elección Explica el concepto en tus propias palabras

La Esperanza condicional de una variable dado que otra variable
toma un valor E(Y  X= x) es una función de x, denominada
función de regresión

Suponga que la función de probabilidad conjunta de Y dado X es

YX 0 1 2
0 0.3 0 0.1 0.4
1 0 0.2 0 0.2
2 0.3 0 0.1 0.4
0.6 0.2 0.2

Determinar la función de regresión E(Y  X= x)

Esperanza entonces
condicional de
una variable 𝑦𝑓(𝑥, 𝑦)
1 𝐸 (𝑌 | 𝑋 = 𝑥 ) = ∑
dado que otra 𝑓(𝑦)
variable toma
un valor 0(0.3) 1(0) 2(0.3)
𝐸 (𝑌 | 𝑋 = 0) = + + =1
0.6 0.6 0.6

0(0) 1(0.2) 2(0)

𝐸 (𝑌 | 𝑋 = 1) = + + =1
0.2 0.2 0.2

0(0.1) 1(0) 2(0.1)

𝐸 (𝑌 | 𝑋 = 2) = + + =1
0.2 0.2 0.2

Finalmente, dado X, Y tiene una función de regresión igual a la

constante 1

Recuperado de:
Referencia http://www.eco.uc3m.es/~cavelas/EstMEI/tema3.pdf

Es una distribución de probabilidad de variable discreta que nos sirve

La distribución
para poder determinar la probabilidad de ocurrencia de un determinado
de probabilidad 2 número de eventos en cierto periodo de tiempo
Poisson

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

2
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

Una empresa que se dedica al servicio de grúas recibe

aproximadamente 4 solicitudes de servicio por hora. ¿Cuál es la
probabilidad de que se reciban exactamente diez solicitudes durante
un periodo de dos horas?

Solución:

Para 10 solicitudes por ser proporcionales:

4 𝑠𝑜𝑙𝑖𝑐𝑖𝑡𝑢𝑑𝑒𝑠 ⟶ 1ℎ
𝑥 𝑠𝑜𝑙𝑖𝑐𝑖𝑡𝑢𝑑𝑒𝑠 ⟶ 2ℎ
(2)(4)
⟹ 𝜆= =8
1

𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑟 𝑒𝑠:

𝑒 −8 (8)10
⟹ 𝑃(𝑋 = 10) =
10!

⟹ 𝑷(𝑿 = 𝟏𝟎) = 𝟎. 𝟎𝟗𝟗𝟐

Devore, J. (2008). Probabilidad y Estadística para ciencias e ingeniería. CENGAGE

Referencia
Learning, séptima edición
Es una distribución de probabilidad de variable continua

La longitud de los cerrojos que produce una máquina es una variable

aleatoria normal, con media de 25 cm y desviación estándar de 0.15
cm. Las especificaciones requieren que los cerrojos tengan una
longitud de 25  0.12 cm. Cuando un cerrojo no cumple estas
especificaciones, se dice que es defectuoso. ¿Cuál es la
probabilidad de que un cerrojo producido por esa máquina sea
defectuoso?
La función de
densidad 6 Solución. La probabilidad de que no sea defectuoso es:
normal
P(25 – 0.12  X  25 + 0.12) = P(24.88  X  25.12) , X  N ( , )

24.88 − 25 25.12 − 25
𝑃( ≤𝑍≤ ) = 𝑃(−0.8 ≤ 𝑍 ≤ 0.8)
0.15 0.15

𝑃(−0.8 ≤ 𝑍 ≤ 0.8) = 𝑃(−0.8 ≤ 𝑍 ≤ 0) + 𝑃(0 ≤ 𝑍 ≤ 0.8) = 0.57628

La probabilidad de que sea defectuoso es:

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

3
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos
𝑃 (𝑠𝑒𝑎 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜) = 1 − 𝑃 (−0.8 ≤ 𝑍 ≤ 0.8) = 1 − 0.57628

𝑷(𝒔𝒆𝒂 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒐) = 𝟎. 𝟒𝟐𝟑𝟕𝟐

Walpole, R. (2012). Probabilidad y Estadística para ingeniería y ciencias, Pearson,

Referencia
Novena edición
Toma en cuenta la partición de un espacio muestral con lo cual se puede
obtener la probabilidad de que un evento ocurra. Explicando a detalle lo
anterior; por ejemplo, si se tiene un espacio muestral S y este se subdivide
(partición) y cada partición no tiene relación con alguna otra y si existe un
conjunto que se encuentre en las particiones se puede calcular la
probabilidad de dicho conjunto sumando la intersección de las
probabilidades del conjunto con cada partición.

En una gasolinera, 40% de los clientes utilizan gasolina regular sin

plomo (A1), 35% usan gasolina extra sin plomo (A2), y 25% gasolina
premium sin plomo (A3). De los clientes que consumen gasolina
regular, sólo 30% llenan sus tanques (B). De los que compran gasolina
extra, 60% llenan sus tanques, en tanto que quienes llevan gasolina
Premium, 50% llenan sus tanques. ¿Cuál es la probabilidad de que el
siguiente cliente llene el tanque?

Definimos le eventos:

A1 = usan gasolina regular A2 = usan gasolina extra A3 = usan

gasolina Premium
La regla de
probabilidad 7 B = llenan el tanque
total

Del diagrama de árbol, las probabilidades son:

P(A1) = usan gasolina regular = 40% = 0.4

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

4
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

P(A2) = usan gasolina extra = 35% = 0.35

P(A3) = usan gasolina Premium = 25% = 0.25

P(B  A1 ) = compran gasolina regular y llenan sus tanques = 30% = 0.30

P(B  A2) = compran gasolina extra, llenan sus tanques = 60% = 0.60
P(B  A3) = compran gasolina Premium, llenan sus tanque = 50% = 0.50
Se pide calcular:

𝑃(𝐵) = P(A1 )𝑃(𝐵 | 𝐴1 ) + 𝑃 (𝐴2 ) 𝑃 (𝐵 | 𝐴2 ) + 𝑃(𝐴3 ) 𝑃(𝐵 | 𝐴3 )

Utilizando los datos del diagrama de árbol

𝟗𝟏
𝑃(𝐵) = (0.4)(0.30) + (0.35)(0.6) + (0.25)(0.50) =
𝟐𝟎𝟎
𝑷(𝑩) = 𝟎. 𝟒𝟓𝟓 = 𝟒𝟓. 𝟓%
Referencia Pastor, G. (1998). Estadística Básica, Editorial Trillas, 1ra edición
Este teorema indica que la función se aproxima a una distribución
normal al sumar las variables aleatorias independientes y la varianza
no nula. Es decir, que la distribución de las medias muestrales nos
garantizará un patrón de comportamiento del espacio muestral
distribuyéndose como una distribución normal.

El peso de una persona que utiliza el ascensor de un centro comercial

es una variable aleatoria con media 75 kg y varianza 100 kg 2. Si suben
en el ascensor 33 personas seleccionadas al azar. Calcular la
probabilidad de que no se supere el peso máximo de 2500 kg.

Como n > 30 por el TLC podemos aproximar a una distribución

El Teorema del normal, entonces la probabilidad a determinar es P(X  2500)
9
Límite Central
𝜇𝑥 = 𝑛 𝜇 = 33(75) = 2475 ; 𝜎2𝑥 = 𝑛𝜎2 = 33(100) = 33000

𝑋 − 𝜇𝑥 2500 − 2475
𝜎𝑥 = √3300 ≅ 57.4456 ⟶ 𝑍 = = ≅ 0.43
𝜎𝑥 57.4456

𝑃 (𝑋 ≤ 2500) = 𝑃(𝑍 ≤ 0.43) = 0.5 + 𝑃(0 ≤ 𝑍 ≤ 0.43)

𝑃(𝑋 ≤ 2500) = 𝑃(𝑍 ≤ 0.43) = 0.5 + 0.1664 = 0.6664

La probabilidad de que la muestra no superes el peso de

2500Kg es 0.6664 = 66.64%

Recuperado de:
Referencias http://www.cimat.mx/~jortega/MaterialDidactico/EPyE10/Cap7LaV2.pdf

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

5
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

Decimos la distribución conjunta de X, Y es la distribución de

probabilidad de la intersección entre los eventos X, Y es decir, los
eventos ocurren de forma simultanea

Dos plumas de punto fino son elegidas de manera aleatoria de una

caja que contiene 3 plumas Azules, 2 plumas Rojas y 3 plumas verdes.
Si X es el número de plumas Azules seleccionadas y Y es el número
de plumas Rojas seleccionadas, encontrar la función de probabilidad
conjunta f(x, y).

 Al elegir 2 plumas de manera aleatoria, los probables valores

de (x, y) serán:

(0 , 0), (0 , 1), (1 , 0), (1 , 1), (0 , 2) y (2 , 0)

A R A R A R A R A R A R

Lo anterior lo podemos explicar de la siguiente forma:

(0 , 0)  Quiere decir que las dos plumas son verdes

(0 , 1)  Quiere decir que X esta puede ser verde o rojo
La función de
(1 , 0)  Quiere decir que para Y esta puede ser verde o azul
densidad
conjunta de (1 , 1)  Quiere decir que tanto X como Y son azul y roja
3 respectivamente
variables
aleatorias (0 , 2)  Quiere decir que X es verde o roja
discretas (2 , 0)  Quiere decir que Y es verde o azul

 Calculando la probabilidades de los eventos anteriores:

3
( ) 3
𝑓 (0 , 0) = 𝑃 (𝑋 = 0 , 𝑌 = 0) = 2 =
8
( ) 28
2
3 2
( )( ) 3
𝑓 (0 , 1) = 𝑃 (𝑋 = 0 , 𝑌 = 1) = 1 1 =
8 14
( )
2
3 3
( )( ) 9
𝑓 (1 , 0) = 𝑃 (𝑋 = 1 , 𝑌 = 0) = 1 1 =
8 28
( )
2

3 2
( )( ) 3
𝑓 (1 , 1) = 𝑃 (𝑋 = 1 , 𝑌 = 1) = 1 1 =
8 14
( )
2

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

6
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos
3 2
( )( ) 1
𝑓 (0 , 2) = 𝑃 (𝑋 = 0 , 𝑌 = 2) = 0 2 =
8 28
( )
2

3 3
( )( ) 3
𝑓 (2 , 0) = 𝑃 (𝑋 = 2 , 𝑌 = 0) = 0 2 =
8 28
( )
2

La función de distribución conjunta f (x, y) es:

f(x, y) 0 1 2

𝟑 𝟗 𝟑
0
𝟐𝟖 𝟐𝟖 𝟐𝟖

𝟑 𝟑
y 1 0
𝟏𝟒 𝟏𝟒

𝟏
2 0 0
𝟐𝟖

Walpole, R. (2012). Probabilidad y Estadística para ingeniería y ciencias, Pearson,

Referencia
Novena edición
Se entiende que un evento ocurre o depende su ocurrencia en relación a
otro evento. Es decir, es el cálculo de la probabilidad que ocurra un evento
cuando dado que haya ocurrido otro.

En un experimento para estudiar la relación entre la Hipertensión y el

ser fumador, se recabo información de 180 individuos.

La función de y
densidad 11 x 0 1 2
condicional
No Fumadores Fumadores
fumadores Moderados empedernidos
(NF) (FM) (FE)
0 Sin
Hipertensión 48 26 19
(SH)

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

7
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

1 Con
hipertensión 21 36 30
(CH)

Si uno de los individuos es seleccionado aleatoriamente, encontrar la

probabilidad de que sea:
(a) Experimentando Hipertensión, dado que la persona es
fumador empedernido

La probabilidad a determinar es:

𝑓(𝑥 | 𝑦) 𝑓(1 , 2)
𝑃(𝐶𝐻 | 𝐹𝐸 ) = = 𝑓 (1 | 2) =
𝑓 (𝑦 ) 𝑓 (2)

19 30 49
𝑓(2) = 𝑓 (0 ,2) + 𝑓 (1 ,2) = + =
180 180 180

30
𝑓(1 ,2) =
180

𝑓(1 , 2) 30/180 𝟑𝟎
𝑃 (𝐶𝐻 | 𝐹𝐸 ) = 𝑓(1 | 2) = = =
𝑓 (2) 49/180 𝟒𝟗

Walpole, R. (2012). Probabilidad y Estadística para ingeniería y ciencias, Pearson,

Referencia
Novena edición
Se utiliza para formalizar el concepto de valor medio de un fenómeno
aleatorio. Su valor depende del tipo de variable ya sea discreta o
coninua.

Considere la siguiente función de densidad (probabilidad)

𝟑 𝟐
𝒙 +𝒙 ; 𝟎≤𝒙≤𝟏
𝒇(𝒙 ) = { 𝟐
Esperanza o
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
valor esperado a) Obtener el valor esperado de X
5
de una variable
aleatoria
Sabemos que para una función de densidad de variable continua, la
esperanza E(x) (valor esperado) o media (), se define como:
𝒃

𝑬(𝒙) = 𝝁 = ∫ 𝒙𝒇(𝒙)𝒅𝒙
𝒂
𝑏 1 1
3 3
𝐸(𝑥) = 𝜇 = ∫ 𝑥 𝑓 (𝑥)𝑑𝑥 = ∫ 𝑥 ( 𝑥 2 + 𝑥) 𝑑𝑥 = ∫ ( 𝑥 3 + 𝑥 2 ) 𝑑𝑥
2 2
𝑎 0 0

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

8
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

1
3 𝑥3 3 (1)3 3 1 17
𝐸 (𝑥) = 𝜇 = [ 𝑥 4 + ] = ( (1)4 + ) − (0) = + =
8 3 0 8 3 8 3 24

𝟏𝟕
𝑬 ( 𝒙) = 𝝁 =
𝟐𝟒

Devore, J. (2008). Probabilidad y Estadística para ciencias e ingeniería. CENGAGE

Referencias Learning, séptima edición.
Es el valor esperado que se obtendrá bajo la condición de un evento.
Pero a diferencia de la Esperanza o valor esperado de una variable
aleatoria, en este caso la esperanza será obtenida por lo que haya
ocurrido a cada una de las variables dadas.

Dada la función de densidad conjunta

f(x, y) = 24 x2 y (1 – x) para 0 < x < 1; 0 < y < 1

Determinar la esperanza condicional de Y dado X

La Esperanza condicional de una variable dada otra variable

por ejemplo E(Y  X) es una variable aleatoria, con la misma
distribución de probabilidad que X

Esperanza  Determinamos la funciones marginales f(x) y f(y)

condicional de
una variable 10 1 1
𝑦2 1
dada otra 𝑓 (𝑥) = ∫ 24𝑥2 𝑦(1 − 𝑥)𝑑𝑦 = 24𝑥2 (1 − 𝑥) [ ] = 24𝑥2 (1 − 𝑥) ( )
variable 2 0 2
0
𝒇(𝒙) = 𝟏𝟐𝒙𝟐 (𝟏 − 𝒙) 𝑝𝑎𝑟𝑎 0 < 𝑥 < 1
1 1 1
𝑥3 𝑥4
𝑓 (𝑦) = ∫ 24𝑥2 𝑦(1 − 𝑥)𝑑𝑥 = 24𝑦 ∫(𝑥2 − 𝑥3 ) 𝑑𝑥 = 24𝑦 ( − )
3 4 0
0 0
1 1 1
𝒇(𝒚) = 24𝑦 ( − ) = 24𝑦 ( ) = 𝟐𝒚 𝑝𝑎𝑟𝑎 0 < 𝑦 < 1
3 4 12

 Determinamos la función condicional f(y  x)

𝑓(𝑥 , 𝑦) 24𝑥2 𝑦(1 − 𝑥) 0<𝑥<1

𝑓(𝑦 | 𝑥) = = = 2𝑦 𝑝𝑎𝑟𝑎 0 < 𝑦 < 1
𝑓(𝑥) 12𝑥2 (1 − 𝑥)

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

9
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

 La esperanza condicional de y dado x es:

∞ 1 1
2 𝟐
𝑬(𝒚 | 𝒙) = ∫ 𝑦𝑓 (𝑦 | 𝑥)𝑑𝑦 = ∫ 𝑦(2𝑦) 𝑑𝑦 = [ 𝑦3 ] =
3 0
𝟑
−∞ 0

Recuperado de:
Referencia
http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/EItema4.pdf
La ley fuerte de los grandes números explica por qué el promedio de
una muestra al azar de una población de gran tamaño tenderá a
La ley fuerte de estar cerca de la media de la población completa.
los grandes 4
números Así, por ejemplo las distribuciones para el número de caras en n
lanzamientos de una moneda. La ley de los grandes números predice
que el porcentaje de caras para n grande estará próximo a 1/2.
Recuperado de:
Referencia
https://es.wikipedia.org/wiki/Ley_de_los_grandes_n%C3%BAmeros
Es la probabilidad que ocurra un evento en relación con otro evento.

Utilizando el mismo problema de la regla de probabilidad total. En

una gasolinera, 40% de los clientes utilizan gasolina regular sin plomo
(A1), 35% usan gasolina extra sin plomo (A2), y 25% gasolina premium
sin plomo (A3). De los clientes que consumen gasolina regular, sólo
30% llenan sus tanques (B). De los que compran gasolina extra, 60%
Probabilidad llenan sus tanques, en tanto que quienes llevan gasolina Premium,
8
Condicional 50% llenan sus tanques. ¿Cuál es la probabilidad de que el siguiente
cliente pida gasolina extra sin plomo y llene su tanque?

Piden calcular: P(A2  B), utilizando probabilidad condicional

𝑃 (𝐴2 ∩ 𝐵) = 𝑃(𝐴2 ) 𝑃(𝐵 | 𝐴2 ) = (0.35)(0.6) = 𝟎. 𝟐𝟏 = 𝟐𝟏%

Referencia Pastor, G. (1998). Estadística Básica, Editorial Trillas, 1ra edición

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

10
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

Elección
1. Una variable aleatoria E(X|Y) que toma los valores E(X|Y=y) si Y es discreta o bien E(X|YϵA) si Y
es absolutamente continua.
x
2. P  X  x   e 
x! .
3. f  x1 , x2 ,..., xn   P  X1  x1 , X 2  x2 ,..., X n  xn 
.
4. Para una sucesión X1 , X 2 , X 3 ,... de variables aleatorias independientes e idénticamente
X 1  X 2  ...  X n
distribuidas, con media común µ y varianza finita, se tiene que converge casi
n
seguramente a µ cuando n tiende a infinito.

5.  x P X  x 
i i si X es discreta,  xf  x  dx si X es absolutamente continua.

xi


 x   2
1
6. f  x   e 2 2
.
 2
7. P  B   P  A1  P  B A1   ...  P  Ak  P  B Ak  donde A1 ,..., Ak forman una partición de .

8.
9. Para una sucesión X1 , X 2 , X 3 ,... de variables aleatorias independientes e idénticamente
X 1  X 2  ...  X n
distribuidas, con media común µ y varianza finita 𝜎 2 , se tiene que converge en
n
distribución a una variable Y con distribución normal de parámetros µ y 𝜎 2 /n, cuando n tiende a
infinito.

 xf  x y  si X es discreta,  xf  x y  dx si X es absolutamente continua.


10.
x

f  x, y 
11. f  x y   si f  y   0 .
f  y

Criterio de Evaluación:

Se revisará:

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

11
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

 La elección debe ser la adecuada.

 Explicación de forma clara el concepto, utilizando sus propios argumentos sin pegar
información de internet.

Hola Pedro, espero te encuentres bien, te felicito por capacidad relacionar los conceptos básicos
que se requieren para una mejor comprensión del tema así como para plantear ejemplos de los
mismos. Será importante reflexionar sobre las implicaciones de cada concepto, además debes
revisar los materiales de Probabilidad 1 y 2, ya que estas son la base de la materia. En tu actividad
noto algunos detalles en los conceptos:
• Esperanza condicional de una variable dado que otra variable toma un valor
• Esperanza condicional de una variable dada otra variable
Revisa nuevamente estos conceptos en los materiales o busca en internet los conceptos o algún libro
de probabilidad, estos dos conceptos son muy parecidos. Incluye un ejemplo numérico en cada
error.
Saludos y espera de tu actualización.

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

12