Deber 2 i1 Procesos estocásticos.

NOMBRE: Luis Ramirez

FECHA:21/12/2021
MATERIA: PROCESOS ESTOCÁSTICOS
GRUPO:1
PROFESOR: Holger Santillán

Realizar las actividades siguientes:

1. Colocar el concepto de variable aleatoria. Desarrollar un ejemplo.

Una variable aleatoria es la función matemática de un experimento aleatorio.

Ejemplo:

2. Colocar el concepto de distribución de probabilidades. Desarrollar un ejemplo.

En teoría de la probabilidad y estadística, la distribución de probabilidad de una variable
aleatoria es una función que asigna a cada suceso definido sobre la variable la probabilidad de
que dicho suceso ocurra. La distribución de probabilidad está definida sobre el conjunto de
todos los sucesos y cada uno de los sucesos es el rango de valores de la variable aleatoria.
También puede decirse que tiene una relación estrecha con las distribuciones de frecuencia. De
hecho, una distribución de probabilidades puede comprenderse como una frecuencia teórica, ya
que describe cómo se espera que varíen los resultados.

Ejemplo:
10% de los componentes fabricados mediante determinado proceso esta defectuoso se
selecciona un componente. Sea X=1 si el componente esta defectuoso y X=0 en cualquier otro
caso (cual es la distribución de x?. Solución: La probabilidad de éxito es p= P(X=1) 0.1 por lo que
X Bernoulli _(0.1)

3. Colocar el concepto de función de distribución. Desarrollar un ejemplo.

En la teoría de la probabilidad y en estadística, la función de distribución acumulada (FDA,
 designada también a veces simplemente como función de distribución o FD) o función de
probabilidad acumulada asociada a una variable aleatoria real X sujeta a cierta ley de
distribución de probabilidad, es una función matemática de la variable real x que describe
la probabilidad de que X tenga un valor menor o igual que x. Intuitivamente, asumiendo la
función f como la ley de distribución de probabilidad, la FDA sería la función con la recta real
como dominio, con imagen del área hasta aquí de la función f, siendo aquí el valor x para la
variable aleatoria real X.
La FDA asocia a cada valor x, la probabilidad del evento: «la variable X toma valores menores o
iguales a x». El concepto de FDA puede generalizarse para modelar variables aleatorias
multivariantes definidas en ℝn
Ejemplo:
para el tiro de un dado (6 caras) la función de distribución de que salga 5 o menos sería la suma
de probabilidades de que salga 1, 2, 3, 4 y 5, es decir 1/6+1/6+1/6+1/6+1/6 = 5/6.

4. Colocar el concepto de conjunto discreto y continuo. Desarrollar un ejemplo.

Variable discreta. - es la que solo puede tomar valores enteros.
Ejemplo: El número de estudiantes de un curso
Variable continua. - es la que puede tomar todos los valores infinitos posibles.
Ejemplo: La estatura de una persona 1, 63 m

5. Colocar el concepto de sucesión. Desarrollar un ejemplo.

Una sucesión es una secuencia ordenada de números, figuras o cosas. A diferencia de lo que
ocurre en los conjuntos, el orden de los elementos es importante, y un mismo elemento puede
aparecer en más de una posición
Ejemplo:
Encontrar los primeros cinco términos de la sucesión a_n = { 3n + 1 } La sucesión está dada por
el término general f(n) = 3n + 1 Para encontrar los términos de la sucesión, sustituimos los
valores de n = 1, 2, 3, 4, 5

6. Colocar el concepto de una cadena de Markov. Desarrollar un ejemplo.

Una cadena de Márkov es un proceso evolutivo que consiste de un número finito de estados en
cual la probabilidad de que ocurra un evento depende solamente del evento inmediatamente
anterior con unas probabilidades que están fijas.
Ejemplo:
Una empresa esta considerando utilizar Cadenas de Markov para analizar los cambios en las
preferencias de los usuarios por tres marcas distintas de un determinado producto. El estudio ha
arrojado la siguiente estimación de la matriz de probabilidades de cambiarse de una marca a
otra cada mes:
7. Colocar el concepto de un proceso de estado discreto. Desarrollar un ejemplo.

Ejemplo:
Marcador de un partido de fútbol. Xt = Marcador de un partido de fútbol en el instante t S = {
(x,y)/x,y = 0 , 1 , 2, … } Discreto x: goles del equipo 1, y: goles del equipo 2 T = [0 , 90] minutos
con segundos Continuo Es un proceso estocástico con espacio de estados discreto 5

8. Colocar el concepto de un proceso de saltos puros. Desarrollar un ejemplo.

Un proceso de saltos puros es un proceso estocástico para el cual los cambios de estados
suceden de forma aislada y aleatoria pero la variable aleatoria sólo asume valores discretos en el
espacio de estados correspondiente
Ejemplo:
una señal telegráfica

9. Colocar el concepto de un proceso de Poisson. Desarrollar un ejemplo.

El proceso de Poisson es una serie temporal construida a partir de experimentos los cuales su
frecuencia puede aproximarse satisfactoriamente a una distribución de Bernoulli y depende de
un parámetro constante llamado intensidad.
Ejemplo:
Suponemos que queremos calcular el número total de veleros que salen a pescar en media hora.
Sabemos que, en promedio, salen 4 veleros cada 5 minutos.
10. Colocar el concepto de un proceso de estado continuo. Desarrollar un ejemplo.
En un Proceso Continuo los cambios de estado se producen en cualquier instante y hacia
cualquier estado dentro de un espacio continuo de estados.
Como un ejemplo de una Cadena, considere una máquina dentro de una fábrica. Los posibles
estados para la máquina son que esté operando o que esté fuera de funcionamiento y la
verificación de esta característica se realizará al principio de cada día de trabajo. Si hacemos
corresponder el estado ’fuera de funcionamiento’ con el valor 0 y el estado ’en operación’ con el
valor 1, la siguiente figura muestra una posible secuencia de cambios de estado a través del
tiempo para esa máquina.

11. Colocar el concepto de media, varianza, auto varianza, autocorrelación. Desarrollar un ejemplo.
media : Llamaremos función de medias del proceso a una función de t que proporciona las
medias de las distribuciones marginales para cada instante t

Ejemplo:
Encuentre la media del conjunto {2, 5, 5, 6, 8, 8, 9, 11}. Hay 8 números en el conjunto. Súmelos,
y luego divida entre 8.

varianza: Llamaremos función de varianzas del proceso a una función de t que proporciona las
varianzas de las distribuciones marginales para cada instante t

Ejemplo:

autocorrelación: Llamaremos función de autocorrelación a la estandarización de la función de

covarianzas:
 Ejemplo:
El gerente de un muelle de carga desea evaluar la cantidad de carga que se transporta. El
gerente utiliza la función de autocorrelación para determinar cuáles términos incluir en el
modelo ARIMA.

12. Colocar el concepto de procesos estocásticos estacionarios. Desarrollar un ejemplo.

Un proceso estocástico estacionario es aquel cuya distribución de probabilidad varía de forma
más o menos constante a lo largo de cierto periodo de tiempo.
En otras palabras, una serie de números puede parecer (y ser) caótica pero tomar valores dentro
de un rango limitado.
Ejemplo:
Los retornos diarios de un activo financiero son un ejemplo de procesos estocásticos
estacionarios. Así pues, los retornos diarios del EURUSD, es decir, la variación diaria en
porcentaje, tiene la siguiente forma:
13. Colocar el concepto de ruido blanco. Desarrollar un ejemplo.
El ruido blanco o sonido blanco es una señal aleatoria (proceso estocástico) que se caracteriza
por el hecho de que sus valores de señal en dos tiempos diferentes no guardan correlación
estadística. Como consecuencia de ello, su densidad espectral de potencia (PSD, sigla en inglés
de power spectral density) es una constante, es decir, su gráfica es plana. Esto significa que la
señal contiene todas las frecuencias y todas ellas muestran la misma potencia. Igual fenómeno
ocurre con la luz blanca, de allí la denominación.
Ejemplo:
La imagen en blanco y negro anexa que representa la llamada "nieve electrónica" 2 es ruido
blanco, sus píxeles no guardan correlación entre sí y por tanto su densidad espectral de potencia
es constante. Si la imagen fuese en color, entonces la "nieve" sería de colores aleatorios. Esta
imagen es la que se ve en la pantalla de un televisor analógico cuando no está sintonizado en un
canal. La señal que recibe entonces el demodulador puede considerarse ruido blanco, ya que es
el resultado de sumar el ruido electromagnético del canal de radio, el que generan los propios
circuitos electrónicos del televisor, las múltiples interferencias de baja intensidad todas ellas
independientes entre sí, entre otras señales.