Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estocásticos
Tema 1: Introdución 1
Facultad de Ciencias Físico Matemáticas
Procesos Estocásticos
i) repaso de probabilidad
ii) definición de proceso estocástico, clasificación de tipos de
procesos estocásticos y ejemplos de cada tipo (con respecto al
espacio de estados y tiempo: discretos-discretos, discretos-
continuos, continuos-discretos y continuos-continuos)
iii) cadenas de Markov
iii) procesos de Poisson
iv) martingalas
v) caminatas aleatorias y movimiento Browniano
vi) procesos difusivos
vii) integral de Ito (si es que queda tiempo!)
3
Aleatoriedad de los eventos
Un experimento aleatorio o fenómeno aleatorio posee la característica
de que, aun cuando sea posible conocer o caracterizar todos sus
resultados, no hay manera de saber con certeza absoluta que
resultado específico arrojara el experimento en una observación
particular.
Ejemplos de experimentos aleatorios:
1. Lanzar una moneda y predecir o estimar el resultado “cara" o “cruz".
2. Lanzar un par de dados y predecir la suma de los resultados de cada
dado.
3. De una caja que contenga 5 bolas negras y 3 bolas rojas se elige
una al azar y se busca predecir el color de la bola.
4. Predecir el valor máximo del precio de una acción en un día
particular.
Los fenómenos aleatorios se pueden observar mediante experimentos.
Estos experimentos aleatorios pueden ser naturales (económicos,
sociales, biológicos) o bien construidos-diseñados en un “laboratorio"
(un laboratorio real o en el laboratorio “virtual" de un equipo de
cómputo).
Variable aleatoria
El resultado de un experimento aleatorio puede ser descrito en
ocasiones como una cantidad numérica.
En estos casos aparece la noción de variable aleatoria
Función que asigna a cada suceso un número.
Las variables aleatorias pueden ser discretas o continuas.
Funciones de variable aleatoria (discreta)
Pero una variable aleatoria es en realidad una función, una función cuyo
dominio es el espacio muestral del experimento.
si ω = TTT
si si ω = HTT, THT, o TTH
si si ω = HHT, HTH, o THH
si si ω = HHH
Es decir que la probabilidad de obtener 2 caras es escrito como P(X=2) ó P({ω : X(ω) = 2}).
P({ω : X(ω) = 2})
10%
5%
si ω = TTT 0%
si ω = HTT, THT, o TTH 0 1 2 3
si ω = HHT, HTH, o THH
si ω = HHH
Función de probabilidad Función de distribución acumulada
Ejemplo
Si lanzamos dos dados honestos, ¿cuál es la probabilidad de que la suma de
los dados sea mayor que cuatro? .
Y
P(Y)
entonces
Variable aleatoria uniforme
Sea S = {s1, ..., sk} un conjunto finito. Una variable aleatoria X se distribuye
uniformemente en S si P (X = si) = 1/k, para i = 1, ..., k.
Escribimos X∼Unif (S). Donde el símbolo ∼ significa "se distribuye como".
X <- runif(10000,min=0,max=1)
H <- hist(X, main =“Para 10000 datos”)
Ejemplo
Alguien elige un número entero "al azar" entre 1 y 50.
(i) Encuentre la probabilidad de que elija 13.
(ii) Encuentre la probabilidad de que su número esté entre 10 y 20.
(iii) Encuentre la probabilidad de que su número sea primo.
la variable aleatoria:
Sea X el número seleccionado.
Entonces X se distribuye uniformemente en {1, ..., 50}.
(iii) Como hay 15 primos (vea la criba de Eratóstenes para encontrar los
primos) entre 1 y 50, entonces
P(X es num. primo)
las permutaciones nos dicen el número de arreglos posibles de n objetos
donde todos los objetos son distinguibles y el orden importa cuando se
muestrea sin reemplazo. Como en el último ejemplo, quizás solo queramos
ordenar k de esos objetos, k≤n, muestreando sin reemplazo donde el orden
importa. ¿Qué cambia cuando queremos saber el número de permutaciones
de k objetos de n?
Considere un grupo de personas alineadas en una fila y
numeradas del 1 al n. Cada persona tiene una tarjeta. En un
lado de la tarjeta hay un 0 y en el otro lado hay un 1. Luego,
las cartas de izquierda a derecha forman una lista binaria.
Seleccione un subconjunto de las personas, donde cada
persona del subconjunto da vuelta su tarjeta, de 0 a 1. Las
tarjetas tomadas de izquierda a derecha forman una nueva
lista binaria. Para Por ejemplo, si n = 6 y se seleccionan la
primera y la tercera personas, la lista correspondiente es
(1,0,1,0,0,0).
Esto establece una correspondencia uno a uno entre subconjuntos de {1,
..., n} y listas binarias de longitud n. La tabla 1.3 muestra la
correspondencia para el caso n = 3, cuantas formas puede haber?
Una correspondencia uno a uno entre dos conjuntos finitos significa que
ambos conjuntos tienen el mismo número de elementos. Nuestra
correspondencia uno a uno muestra que el número de subconjuntos de un
conjunto de n elementos es igual al número de listas binarias de longitud n.
El número de listas binarias de longitud n se cuenta fácilmente mediante el
principio de multiplicación. Como hay dos opciones para cada elemento de
la lista, hay 2n listas binarias. El número de subconjuntos de un conjunto de
n-elementos sigue inmediatamente como 2n
Combinaciones y coeficientes binomiales
con 0≤ k ≤ n
Esta cantidad es conocida como el coeficiente binomial, algunas veces denotado
por nCr:
El coeficiente binomial se utiliza para contar combinaciones, números de
arreglos donde el orden no importa, a diferencia de las permutaciones, donde el
orden sí importa. A partir de la ecuación, se puede ver que el número de
combinaciones de obtener k objetos de n es igual al número de permutaciones de
k objetos extraídos de n objetos y dividido por el factorial de k.
23
Hay cuatro posibles colores de escalera real, uno para cada palo. Una mano de
cinco cartas en el póquer es un subconjunto de cinco elementos de un conjunto
de 52 elementos. Por lo tanto,
Veinticinco personas participarán en un ensayo clínico, donde 15 personas
reciben el tratamiento y 10 personas reciben el placebo. En un grupo de seis
personas que participaron en el ensayo, ¿cuál es la probabilidad de que cuatro
recibieran el tratamiento y dos recibieran el placebo?
1. En una población suponga que el 65% tiene un grado de obesidad,
el 45% posee diabetes, el 40% tiene una altura por arriba de 1.70m.
Además, el 25% de la población tiene altura por arriba de 1.70m y
obesidad y el 70% de las personas con obesidad tienen diabetes. Si
eligiéramos al azar una persona de esta población ¿cuál es la
probabilidad de
•a) Que posea obesidad y tenga una estatura mayor a 1.70m?
•b) Que no tenga obesidad y tenga estatura menor a 1.70m?
•c) Que no tenga diabetes y tenga una estatura mayor a 1.70m?
•d) Que tenga diabetes pero no obesidad?
•e) Que podemos decir de la probabilidad de encontrar una persona
con obesidad y diabetes con altura mayor a 1.70m?
Realice diagramas de conjuntos y/o graficas de nodos como herramientas
ilustrativas.
SOL. Organicemos la información con la que contamos e ilustrémosla
construyendo un diagrama de Venn con ella. 𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑)=0.65 𝑃(𝐷𝑖𝑎𝑏𝑒𝑡
𝑒𝑠)=0.45 𝑃(𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7 𝑚)=0.4 𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑦 𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7
𝑚)=0.25
Supongamos que todas las personas que tiene diabetes tienen obesidad, por
lo que 𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑦 𝑑𝑖𝑎𝑏𝑒𝑡𝑒𝑠)=0.45
Con esto último podemos decir que
𝑃(𝑆ó𝑙𝑜 𝑑𝑖𝑎𝑏𝑒𝑡𝑒𝑠)=0, 𝑃(𝐷𝑖𝑎𝑏𝑒𝑡𝑒𝑠 𝑦 𝑀𝑎𝑦𝑜𝑟 𝑑𝑒 1.7 𝑝𝑒𝑟𝑜 𝑛𝑜 𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑
)=0. 𝑃(𝑆ó𝑙𝑜 𝑚𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7)=𝑃(𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7 𝑚)−𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑦
𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒1.17 )=0.4−0.25=0.15
Dado que no hay personas que sólo caigan en la categoría de diabetes,
podemos calcular el porcentaje de personas que no caen en ninguna
categoría de la siguiente manera: 𝑃(𝑁𝑜 𝑒𝑠𝑡𝑎𝑟 𝑒𝑛 𝑛𝑖𝑛𝑔𝑢𝑛𝑎 𝑐𝑎𝑡𝑒𝑔𝑜𝑟í𝑎)=1−
𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑜 𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7 𝑚) =1−(𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑)+𝑃(𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑
𝑒 1.7)−𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑦 𝑚𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7)) =1−(0.65+0.4−0.25)=0.2
Supongamos además que el hecho de tener diabetes es independiente de tener una altura mayor a
1.7 m, por lo que 𝑃(𝐷𝑖𝑎𝑏𝑒𝑡𝑒𝑠 𝑦 𝑚𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7)=𝑃(𝐷𝑖𝑎𝑏𝑒𝑡𝑒𝑠)𝑃(𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒
1.7)=0.45(0.4) =0.18
que al mismo tiempo es
𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑,𝐷𝑖𝑎𝑏𝑒𝑡𝑒𝑠 𝑦 𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7)=0.18
Ahora podemos calcular 𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑦 𝑑𝑖𝑎𝑏𝑒𝑡𝑒𝑠 𝑝𝑒𝑟𝑜 𝑛𝑜 𝑚𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7) =𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑦
𝑑𝑖𝑎𝑏𝑒𝑡𝑒𝑠)−𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑,𝐷𝑖𝑎𝑏𝑒𝑡𝑒𝑠 𝑦 𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7) =0.45−0.18=0.27 𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑦 𝑚𝑒𝑑𝑖𝑟
𝑚á𝑠 𝑑𝑒 1.7 𝑝𝑒𝑟𝑜 𝑛𝑜 𝑑𝑖𝑎𝑏𝑒𝑡𝑒𝑠) =𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑦 𝑚𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7)−𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑,𝐷𝑖𝑎𝑏𝑒𝑡𝑒𝑠 𝑦
𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7) =0.25−0.18=0.07 𝑃(𝑆ó𝑙𝑜 𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑) =𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑)−(𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑦 𝑚𝑒𝑑𝑖𝑟
𝑚á𝑠 𝑑𝑒 1.7)+𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑 𝑦 𝑑𝑖𝑎𝑏𝑒𝑡𝑒𝑠)−𝑃(𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑,𝐷𝑖𝑎𝑏𝑒𝑡𝑒𝑠 𝑦 𝑀𝑒𝑑𝑖𝑟 𝑚á𝑠 𝑑𝑒 1.7))
=0.65−(0.25+0.45−0.18) =0.13
Una vez teniendo todos estos datos, podemos completar el diagrama de Venn.
Entonces,
•a) ¿Que posea obesidad y tenga una estatura mayor a 1.70m? R= 0.25
•b) ¿Que no tenga obesidad y tenga estatura menor a 1.70m? R= 0.20
•c) ¿Que no tenga diabetes y tenga una estatura mayor a 1.70m? R= 0.22
•d) ¿Que tenga diabetes pero no obesidad? R= 0
•e) ¿Que podemos decir de la probabilidad de encontrar una persona con obesidad y diabetes con
altura mayor a 1.70m? R= Que es 0.18 de probabilidad
2. Un palíndromo es una palabra que se lee igual de izquierda a derecha que en sentido normal,
por ejemplo en español: Ana, ama, somos, acurruca… Si tomamos un abecedario como el código
del ADN de solo 4 letras (A, G, T, C) y suponemos que podemos construir palabas de tres
caracteres (AGT, ACT, AAA, ...). Calcule la probabilidad de obtener un palíndromo.
SOL.
Al tener 4 letras diferentes y considerarse que, una vez tomada una letra esta puede volver a ser
seleccionada, la cantidad total de posibles combinaciones de tres letras es 43=64. Ahora, como lo
que se busca es que sea una palabra palíndroma, una vez seleccionada la primera letra de nuestra
palabra, la última letra tendría que ser igual a la primera que seleccionamos, de este modo, ya
sólo quedaría seleccionar la letra de en medio. Las combinaciones posibles de palabras
palíndromas serían (4)(4)(1)=16. Con esto, la probabilidad que buscamos es
𝑃(𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑢𝑛𝑎 𝑝𝑎𝑙𝑎𝑏𝑟𝑎 𝑝𝑎𝑙í𝑛𝑑𝑟𝑜𝑚𝑎)=16/43=14
3. Cada placa de auto de un estado contiene 3 letras del abecedario inglés seguido de tres
dígitos del 0 al 9. Si cada placa es igualmente probable de asignación, ¿Cuál es la
probabilidad de que a un auto se le asigne una placa con letras AMA?
SOL.
Consideremos que tanto los dígitos como las letras pueden repetirse. Primero, determinemos
el total de posibles combinaciones de la parte conformada por letras, la cual es 263=17,576.
Luego, el total de posibles combinaciones de la parte numérica es 103=1,000.
Con esto, el total de combinaciones alfanuméricas posibles para una placa de automóvil
es(17,576)(1000)=17,576,000.
Si suponemos que la parte numérica ya está fija, hay una única opción de que las letras
formen la palabra 𝐴𝑀𝐴, y dado que no nos importa la combinación numérica, tendremos en
total mil opciones en las que la parte de las letras formen la palabra en cuestión (esto al
existir mil posibles combinaciones de la parte numérica).
Por lo anterior, la probabilidad que buscamos es 𝑃(𝑈𝑛 𝑎𝑢𝑡𝑜 𝑡𝑒𝑛𝑔𝑎 𝑙𝑎 𝑝𝑎𝑙𝑎𝑏𝑟𝑎 𝐴𝑀𝐴 𝑒
𝑛 𝑙𝑎 𝑝𝑙𝑎𝑐𝑎)=1000/17,576,000=1/17,576≈5.69