Modelos Estocásticos

CII-2753
Unidad 1: Repaso de Estadística y Probabilidades
Clase 2019-03-25
Profesor: Pablo Cleveland O.

pablo.cleveland@mail.udp.cl
1
 Outline
1. Repaso de Estadística y Probabilidades
2. El Proceso de Poisson
3. Cadenas de Markov en Tiempo Discreto
4. Cadenas de Markov en Tiempo Continuo
5. Teoría de Sistemas de Espera y Aplicaciones

2
Variable Aleatoria Discreta y Continua
Variables Aleatorias

Definición: Sea 𝑋 una variable aleatoria. Se dice que esta es discreta si y solo si 𝑋 puede tomar valores en un
subconjunto numerable de ℝ, que llamaremos Ι.

Definición: Sea p 𝑥ҧ = ℙ 𝑋 = 𝑥ҧ , a p(𝑥)ҧ la denominaremos como función de masa.

෍ p 𝑥ҧ = 1
ҧ
𝑥∈Ι

Definición: Sea X una variable aleatoria. Se dice que X es una v.a. absolutamente continua si y solo si 𝐹𝑋 (𝑥)ҧ
es continua.

Nota: Lo anterior es equivalente a decir que existe una función 𝑓𝑋 𝑥ҧ : ℝ → ℝ+ , a la que llamaremos función de
densidad, que cumple:
𝑥ҧ
𝑑
𝐹𝑋 𝑥ҧ = න 𝑓𝑋 𝑢 𝑑𝑢 ; 𝑓𝑋 𝑥ҧ = (𝐹 (𝑥))
ҧ
−∞ 𝑑 𝑥ҧ 𝑋
OBS:
𝑥ҧ ∞
lim 𝐹𝑋 𝑥ҧ = න 𝑓𝑋 𝑢 𝑑𝑢 = න 𝑓𝑋 𝑢 𝑑𝑢 = 1
ҧ
𝑥→∞ −∞ −∞ 3
Variable Aleatoria Bernoulli
Variables Aleatorias Discretas
• Bernoulli
Esta variable permite modelar experimentos con resultados dicotómicos, es decir, éxito o fracaso. Asumiremos que
la probabilidad de éxito es 𝑝 ∈ [0,1] y la probabilidad de fracaso es 1 − 𝑝. La función de masa (densidad) en este
caso es:
𝑝, 𝑠𝑖 𝑘 = 1 é𝑥𝑖𝑡𝑜
ℙ 𝑋=𝑘 =ቊ
1 − 𝑝, 𝑠𝑖 𝑘 = 0 (𝑓𝑟𝑎𝑐𝑎𝑠𝑜)
Decimos que una v.a. 𝑋~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖(𝑝) si y solo si su función de masa es como se muestra arriba.
La función de masa está bien definida ya que se cumple que:
1

෍ℙ 𝑋 = 𝑘 = 1
𝑘=0

En efecto,
1

෍ ℙ 𝑋 = 𝑘 = ℙ 𝑋 = 0 + ℙ 𝑋 = 1 = (1 − 𝑝) + 𝑝 = 1
𝑘=0

4
Variable Aleatoria Binomial
Variables Aleatorias Discretas
• Binomial
Esta variable permite modelar 𝑛 experimentos Bernoulli, dando respuestas a ¿Cuál es la probabilidad que
exactamente 𝑘 de ellos sea éxito?

La función de masa en este caso es:

𝑛 𝑛 𝑛!
ℙ 𝑋 = 𝑘 = 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 , donde = , 𝑘 = 0,1,2, … , 𝑛
𝑘 𝑘 𝑘! 𝑛 − 𝑘 !
Decimos que una v.a. 𝑋~𝐵𝑖𝑛(𝑛, 𝑝) si y solo si su función de masa es como se muestra arriba.
Notar que se cumple que:
𝑛
Recordemos el Teorema del binomio:
෍ℙ 𝑋 = 𝑘 = 1 𝑛
𝑛 𝑘 𝑛−𝑘
𝑘=0 (𝑎 + 𝑏)𝑛 = ෍ 𝑎 𝑏
Ya que: 𝑘
𝑛 𝑛 𝑘=0
𝑛 𝑘
෍ℙ 𝑋 =𝑘 = ෍ 𝑝 (1 − 𝑝)𝑛−𝑘 = (𝑝 + (1 − 𝑝))𝑛 = 1
𝑘
𝑘=0 𝑘=0

5
Variable Aleatoria Geométrica
Variables Aleatorias Discretas
• Geométrica
Interpretación:
Una variable aleatoria geométrica puede interpretarse como el número de experimentos (Bernoulli) que se deben
realizar hasta obtener el primer éxito.

Sea 𝑋 una variable aleatoria discreta. Se dice que 𝑋~𝐺𝑒𝑜(𝑝) si y solo si su función de masa esta dada por
ℙ 𝑋 = 𝑘 = (1 − 𝑝)𝑘−1 𝑝 ; 𝑘 = 1,2, …

Esta función de masa ¿Está bien definida?. Para responder a esto debemos mostrar que:
∞
Nota: Recordar Series geométricas
෍ℙ 𝑋 = 𝑘 = 1 𝑛 𝑘 = 1−𝑟
𝑛+1

𝑘=1
- Si 𝑟 ∈ ℝ, ≠ 1, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 σ𝑘=0 𝑟
1−𝑟
∞ 1
- Si n → ∞ y 𝑟 < 1, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 σ𝑘=0 𝑟 𝑘 =
1−𝑟
Efectivamente, se tiene que:
∞ ∞ ∞
1 𝑝 𝑝
෍ (1 − 𝑝)𝑘−1 𝑝 ⇒ 𝑝 ෍ (1 − 𝑝)𝑘−1 ⇒ 𝑝 ෍(1 − 𝑝)𝑗 ⇒ 𝑝 = = =1
1 − (1 − 𝑝) 1 − 1 + 𝑝 𝑝
𝑘=1 𝑘=1 𝑗=0

6
Variable Aleatoria Poisson
Variables Aleatorias Discretas
• Poisson
Interpretación:
Una variable aleatoria de Poisson sirve para describir el número de eventos que han ocurrido, por ejemplo, en un
intervalo definido de tiempo.
𝐸𝑣𝑒𝑛𝑡𝑜𝑠
En este caso, la tasa 𝜆 debe medirse en:
𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜𝑠 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜

Sea 𝑋 una variable aleatoria discreta. Se dice que 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛 (𝜆) si su función de masa esta dada por:
𝜆𝑘
ℙ 𝑋 = 𝑘 = 𝑒 −𝜆 ; 𝑘 = 0,1,2, … Expansión de Taylor 𝑒 𝑥 es:
𝑘! ∞
Esta función de masa ¿Está bien definida? Sí, ya que 𝑥
𝑥𝑘
𝑒 =෍
𝑘!
∞ ∞ ∞ 𝑘=0
𝑘 𝑘
𝜆 𝜆
෍ ℙ 𝑋 = 𝑘 = ෍ 𝑒 −𝜆 = 𝑒 −𝜆 ෍ = 𝑒 −𝜆 ∙ 𝑒 𝜆 = 𝑒 −𝜆+𝜆 = 𝑒 0 = 1
𝑘! 𝑘!
𝑘=0 𝑘=0 𝑘=0

7
Variables Aleatorias Continuas
Variables Aleatorias Continuas
Daremos algunas definiciones que se utilizarán al revisar ejemplos de variables aleatorias continuas:

Definición: Se define como función indicatriz de un conjunto 𝐴, a la siguiente función:

1, 𝑠𝑖 𝑥 ∈ 𝐴
1𝐴 𝑥 = ቊ
0, 𝑠𝑖 𝑥 ∉ 𝐴
Además es conveniente recordar la definición del soporte de una función.

Definición: Dada una variable aleatoria 𝑋, llamaremos soporte de 𝑋, que se denota por 𝑆𝑋 , al conjunto de posibles
valores (número reales) de la variable aleatoria.

8
Variable Aleatoria Uniforme
Variables Aleatorias Continuas
• Uniforme
Interpretación:
Puede entenderse como el modelo probabilístico correspondiente a tomar un número al azar dentro de un
intervalo [𝑎, 𝑏].

Definición: Sea 𝑋 una variable aleatoria continua. Se dice que 𝑋~𝑈 𝑎, 𝑏 si el soporte de X es [𝑎, 𝑏] y su función de
densidad esta dada por:
1 1
𝑓𝑋 𝑥 = 1 (𝑥) → ቐ𝑏 − 𝑎 , 𝑠𝑖 𝑥 ∈ [𝑎, 𝑏]
𝑏 − 𝑎 𝑎,𝑏
0 , 𝑠𝑖 𝑛𝑜
Esta función de densidad ¿Está bien definida?
∞
𝑃𝑎𝑟𝑎 𝑞𝑢𝑒 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑒𝑠𝑡é 𝑏𝑖𝑒𝑛 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑑𝑒𝑏𝑒 𝑑𝑎𝑟𝑠𝑒 𝑞𝑢𝑒: න 𝑓𝑋 𝑥 𝑑𝑥 = 1
−∞
Demostración:
∞ 𝑏
1 1 1 𝑏 𝑏−𝑎
න 1 𝑎,𝑏 𝑥 𝑑𝑥 = න 𝑑𝑥 = 𝑥ቚ =
−∞ 𝑏 − 𝑎 𝑎 𝑏−𝑎 𝑏−𝑎 𝑎 𝑏−𝑎
9
Variable Aleatoria Exponencial
Variables Aleatorias
Definición: Sea 𝑋 una variable aleatoria continua. Se dice que 𝑋~𝐸𝑥𝑝(𝜆) si el soporte son los reales no negativos y
su función de densidad esta dada por:
𝑓𝑋 𝑥 = 𝜆𝑒 −𝜆𝑥 1[0,+∞[ 𝑥

Esta función de densidad ¿Está bien definida? Debemos mostrar que:

+∞
න 𝑓𝑋 𝑥 𝑑𝑥 = 1
−∞
Demostración:
∞
∞ ∞ ∞
−1 −𝜆𝑥 1
න 𝜆𝑒 −𝜆𝑥 ∙ 1[0,+∞[ 𝑥 𝑑𝑥 = න 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 𝜆 න 𝑒 −𝜆𝑥 𝑑𝑥 = 𝜆 𝑒 อ =𝜆 =1
−∞ 0 0 𝜆 𝜆
0

10
Variable Aleatoria Normal
Variables Aleatorias Continuas
Definición: Sea 𝑋 una variable aleatoria continua. Se dice que 𝑋~𝑁 𝜇, 𝜎 2 , donde 𝜇 es la media y 𝜎 2 la varianza de
la distribución. Si el soporte es ℝ y su función de densidad es:
1 1 𝑥−𝜇
−2( 𝜎 )2
𝑓𝑋 𝑥 = .𝑒 , ∀𝑥 ∈ ℝ
2𝜋𝜎 2

Esta función de densidad ¿Está bien definida? Debemos mostrar que:

+∞
න 𝑓𝑋 𝑥 𝑑𝑥 = 1
−∞

Esto es, debemos demostrar que:

∞
1 −1 𝑥−𝜇 2
න 𝑒 2 ( 𝜎 ) 𝑑𝑥 =1
−∞ 2𝜋𝜎 2

11
Demostración Variable Aleatoria Normal
Variables Aleatorias Continuas
𝑥−𝜇 𝑑𝑥
1. Realicemos el siguiente cambio de variables: z = , dz =
𝜎 𝜎
2. En consideración de lo anterior:
∞ ∞
1 1 𝑥−𝜇 2 𝑑𝑥 1 −1𝑧 2
න 𝑒 −2( 𝜎 ) =න 𝑒 2 𝑑𝑧
−∞ 2𝜋 𝜎 −∞ 2𝜋
3. Como existe simetría en 0, entonces:

∞ 0 ∞
1 1
−2𝑧 2 1 1
−2𝑧 2 1 1 2
න 𝑒 𝑑𝑧 = න 𝑒 𝑑𝑧 + න 𝑒 −2𝑧 𝑑𝑧
−∞ 2𝜋 2𝜋 −∞ 0 2𝜋
∞
1 2 1 2
= 2න = 𝑒 −2𝑧 𝑑𝑧
𝐼1
0 2𝜋 2𝜋
4. El valor de 𝐼1 , se puede determinar teniendo en cuenta lo siguiente:

∞ 𝑧2 ∞ 𝑧2 ∞ 𝑥2 ∞ 𝑦2 ∞ ∞ 1
−2 −2 −2 −2 𝑥 2 +𝑦 2
𝐼1 ∙ 𝐼1 = න 𝑒 𝑑𝑧 ∙ න 𝑒 𝑑𝑧 = න 𝑒 𝑑𝑥 ∙ න 𝑒 𝑑𝑦 = න න 𝑒 −2 𝑑𝑥𝑑𝑦 = 𝐼12
0 0 0 0 0 0

12
Demostración Variable Aleatoria Normal
Variables Aleatorias Continuas
5. 𝐼12 es fácil de calcular realizando un cambio a variables polares:
𝜕𝑥 𝜕𝑦
x = 𝑅 cos 𝜃 𝜕𝜃 = cos 𝜃 −𝑅 sin 𝜃
y = 𝑅 sin 𝜃 𝐽 = 𝜕𝑅 𝐽 = 𝑅 cos 𝜃 2 + 𝑅 sin 𝜃 2 = 𝑅
𝜕𝑦 𝜕𝑦 sin 𝜃 𝑅 cos 𝜃
𝜕𝑅 𝜕𝜃
6. Con los resultados anteriores
𝜋ൗ ∞ 𝜋ൗ ∞
2 1 2 1
− 𝑥(𝑅,𝜃)2 +𝑦(𝑅,𝜃)2 𝑅2 cos 𝜃2 +𝑅2 sin 𝜃2
𝐼12 =න න 𝑒 2 𝐽 𝑑𝑅𝑑𝜃 = න න 𝑒 −2 𝑅𝑑𝑅𝑑𝜃
0 0 0 0
𝜋ൗ ∞ 𝜋ൗ 𝜋ൗ
2 𝑅2 2 2 𝜋
=න 𝑑𝜃 න 𝑒 − 2 𝑅𝑑𝑅 =න 𝑑𝜃 = 𝜃 ቚ =
0 0 0 0 2

7. Del resultado anterior se obtiene que:

𝜋
𝐼1 =
2
8. Así:
∞
1 1 2 2 2 𝜋
න 𝑒 −2𝑧 𝑑𝑧 = 𝐼1 = =1
−∞ 2𝜋 2𝜋 2𝜋 2
13
Ejercicio
Variables Aleatorias
Sea X una variable absolutamente continua con función de densidad.

𝑓𝑋 𝑥 = 𝑐 4𝑥 − 2𝑥 2 1 0,2 𝑥

a) Encuentre c, tal que 𝑓𝑋 (𝑥) este bien definido

b) Calcule ℙ(𝑋 > 1)

14
Ejercicio
Variables Aleatorias
Solución:
a)
2
න 𝑓𝑋 𝑥 𝑑𝑥 = 1 ⇒ න 𝑐 4𝑥 − 2𝑥 2 𝑑𝑥 = 1
𝑥∈ℝ 0
2
2
4𝑥 2 2𝑥 3 2 2
2 3 2
𝑐 න 4𝑥 − 2𝑥 𝑑𝑥 = 1 ⟹ 𝑐 − 0= 1 ⟹ 𝑐 2𝑥 − 𝑥 0= 1
0 2 3 3
2 16 24 − 16 8 3
⟹𝑐 2 2 2− 2 3 =1⟹𝑐 8− =1⟹𝑐 =1⟹𝑐∙ =1⟹𝑐=
3 3 3 3 8

b)
1
3
ℙ 𝑋 > 1 = 1 − ℙ 𝑋 ≤ 1 = 1 − 𝐹𝑋 1 = 1 − න 4𝑥 − 2𝑥 2 1 0,2 (𝑥)𝑑𝑥
−∞ 8
1
3 3 2 1 1
1−න 4𝑥 − 2𝑥 2 𝑑𝑥 = 1 − 2− =1− =
0 8 8 3 2 2

15
Valor Esperado
Valor Esperado de una Variable Aleatoria
Definición (caso discreto): Sea 𝑋 una variable aleatoria discreta con soporte 𝐼 función de densidad 𝑝𝑋 𝑘 = ℙ(𝑋 = 𝑘)
, entonces definiremos la esperanza de 𝑋 como:

𝐸 𝑋 = ෍ 𝑘ℙ 𝑋 = 𝑘 = ෍ 𝑘𝑝𝑋 (𝑘)
𝑘∈𝐼 𝑘∈𝐼

OBS: La esperanza corresponde a un promedio ponderado de probabilidades.

Definición : Sea 𝑋 una variable aleatoria absolutamente continua. Definiremos su esperanza E 𝑋 , como:

𝐸 𝑋 = න 𝑥𝑓𝑋 𝑥 𝑑𝑥
𝑅𝑒𝑐{𝑋}

16
Ejemplos Valor Esperado
Variables Aleatorias
Ejercicio: Sea 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆) , Demuestre que : 𝐸 𝑋 = 𝜆
∞ ∞ ∞ ∞ ∞
𝜆𝑘 𝑒 −𝜆 −𝜆
𝜆𝑘 0 ∙ 𝑒 −𝜆 𝜆0 −𝜆
𝜆𝑘 𝑘𝜆𝑘 𝑒 −𝜆 −𝜆
𝜆𝑘
𝐸 𝑋 = ෍𝑘 = ෍ 𝑘𝑒 = + ෍ 𝑘𝑒 =෍ =𝑒 ෍
𝑘! 𝑘! 0! 𝑘! 𝑘 𝑘−1 ! 𝑘−1 !
𝑘=0 𝑘=0 𝑘=1 𝑘=1 𝑘=1

Sea 𝑘 − 1 = 𝑗 ⟹ 𝑘 = 𝑗 + 1
∞ ∞ ∞
−𝜆
𝜆𝑗+1 −𝜆
𝜆𝑗 𝜆 𝜆𝑗
𝐸 𝑋 =𝑒 ෍ =𝑒 ෍ = 𝑒 𝜆 ෍ = 𝑒 −𝜆 𝜆𝑒 −𝜆 = 𝜆
−𝜆
𝑗! 𝑗! 𝑗!
𝑗=0 𝑗=0 𝑗=0
𝑢=𝑥 𝑑𝑣 = 𝑒 −𝜆𝑥 𝑑𝑥
1
1 𝑑𝑢 = 𝑑𝑥 𝑣 = − 𝑒 −𝜆𝑥
Ejercicio: Sea 𝑋~𝐸𝑥𝑝(𝜆) , Demuestre que : 𝐸 𝑋 = 𝜆
𝜆
∞ ∞ ∞ ∞
−𝜆𝑥 −𝜆𝑥
𝑥 −𝜆𝑥 ∞ 1 1 1
𝐸 𝑋 = න 𝑥𝜆𝑒 𝑑𝑥 = 𝜆 න 𝑥𝑒 𝑑𝑥 = 𝜆 − 𝑒 ฬ + න 𝑒 −𝜆𝑥 𝑑𝑥 = න 𝜆𝑒 −𝜆𝑥 𝑑𝑥 =
𝜆 0 𝜆 𝜆 𝜆
0 0 0 0

17
Valor Esperado de una función de una v.a.
Variables Aleatorias

Teorema: Sea 𝑔 una función real y 𝑥 una variable aleatoria continua, entonces:

𝐸 𝑋 = න 𝑥𝑓𝑋 𝑥 𝑑𝑥
𝑅𝑒𝑐{𝑥}

𝐸 𝑔 𝑋 = න 𝑔(𝑥) ∙ 𝑓𝑋 𝑥 𝑑𝑥
𝑅𝑒𝑐{𝑥}

Si ahora 𝑔 es una función real y 𝑥 es una variable discreta, entones:

𝐸 𝑋 = ෍ 𝑘ℙ(𝑋 = 𝑘)
𝑘∈𝐼

𝐸 𝑔(𝑋) = ෍ 𝑔(𝑘) ∙ ℙ(𝑋 = 𝑘)

𝑘∈𝐼

18
 Ejercicio
Variables Aleatorias
Sea X~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 𝑝 , calcule:
a) 𝐸 𝑋
b) 𝐸 2𝑋 2 + 1

Solución:

a) 𝐸 𝑋 = σ 𝑘ℙ 𝑋 = 𝑘 = 0 ∙ 1 − 𝑝 + 1 ∙ 𝑝 = 𝑝

b) 𝐸 2𝑋 2 + 1 = σ 𝑔 𝑘 ℙ 𝑋 = 𝑘 = 𝑔 0 ∙ ℙ 𝑋 = 0 + 𝑔 1 ∙ ℙ 𝑋 = 1 = 2 ∙ 0 + 1 1 − 𝑝 + (2 ∙ 1 +
1) ∙ 𝑝 = 1 − 𝑝 + 3𝑝 = 1 + 2𝑝

19
 Modelos Estocásticos
CII-2753
Unidad 1: Repaso de Estadística y Probabilidades
Clase 2019-03-25
Profesor: Pablo Cleveland O.

pablo.cleveland@mail.udp.cl
20
Referencias
• Ross, S., “Introduction to Probability Models”, Capítulo 1 y 2.
• Gazmuri, P., “Modelos Estocásticos para la Gestión de Sistemas”,
Capitulo 1.

Profesor Pablo Cleveland Producción - UDP 21