Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TEMA VI
Modelo Probabilístico.
Capítulo I.
Parte Teórica.
Tipos de Modelos
3) Modelos de regresión
Modelo de Bernoulli
Modelo Binomial.
Modelo Geométrico.
Modelo Binomial negativo.
Modelo Hipergeométrico.
Modelo de Poisson.
Por otro lado, tal como se ha mencionado antes, existen modelos probabilísticos continuos,
entre ellos destacamos:
Modelo de Regresión.
Donde
MODELO BONOMIAL
denomina «éxito» y tiene una probabilidad de ocurrencia p y al otro, «fracaso», con una
probabilidad2 q = 1 - p. En la distribución binomial el anterior experimento se repite n veces, de
forma independiente, y se trata de calcular la probabilidad de un determinado número de
éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de Bernoulli.
Experimento Binomial.
Existen muchas situaciones en las que se presenta una experiencia binomial. Cada uno
de los experimentos es independiente de los restantes (la probabilidad del resultado de un
experimento no depende del resultado del resto). El resultado de cada experimento ha de
admitir sólo dos categorías (a las que se denomina éxito y fracaso). El valor de ambas
posibilidades ha de ser constante en todos los experimentos, y se denotan
como p y q respectivamente, o p y 1-p de forma alternativa.
Se designa por X a la variable que mide el número de éxitos que se han producido en
la n experimentos.
Distribución Geométrica.
MODELO DE POISSON
Capítulo II
Parte Práctica
Por resolver:
Así:
2. Un ambulante tiene 20 relojes del mismo modelo para vender, 4 de estos relojes
tienen defectos. Si Ud. compra un reloj. ¿Cuál es la probabilidad que su compra
sea buena?
Usando la Distribución de Bernoulli:
Sea:
Así:
Capítulo III.
Procesos Estocásticos.
Teoría.
Un proceso estocástico es un conjunto de variables aleatorias que depende de un
parámetro o de un argumento. En el análisis de series temporales, ese parámetro
es el tiempo. Formalmente, se define como una familia de variables aleatorias Y
indiciadas por el tiempo, t. Tales que para cada valor de t, Y tiene una distribución
de probabilidad dada.
predictivo del mundo sería capaz de predecir si la bolsa subirá o bajará cada
segundo.
Electrocardiograma
Terremotos
El clima
El segundo concreto de un partido en el que un jugador anota un gol
Número de personas que dicen una palabra concreta alrededor del mundo
Existen dos tipos de procesos estocásticos. La diferencia entre los mismos, tiene
que ver con predictibilidad de una serie temporal:
Este gráfico refleja los retornos diarios en porcentaje del EURUSD desde 1999.
Sin embargo, para entender mejor el concepto, vamos a ofrecer solo los últimos
100 días.
Este gráfico refleja los retornos diarios en porcentaje del EURUSD desde 1999. Sin
embargo, para entender mejor el concepto, vamos a ofrecer solo los últimos 100 días.
10
Como vemos en la imagen, tanto la variabilidad, como la media, cambian a lo largo del
tiempo. No podemos predecir si el EURUSD, va a subir o va a bajar. Ha subido durante
algunos años y ha bajado durante otros tantos. Con la serie por sí sola, no tiene sentido
intentar predecir el movimiento.
señales de telecomunicación;
señales biomédicas (electrocardiograma, encefalograma, etc.);
señales sísmicas.
el número de manchas solares año tras año;
el índice de la bolsa segundo a segundo;
la evolución de la población de un municipio año tras año;
el tiempo de espera en la cola de cada uno de los usuarios que van llegando a
una ventanilla;
el clima, un gigantesco conjunto de procesos estocásticos interrelacionados (velocidad del
viento, humedad del aire, etcétera) que evolucionan en el espacio y en el tiempo;
los procesos estocásticos de orden mayor a uno, como el caso de una serie de tiempo de
orden 2 y una correlación de cero con las demás observaciones.
Casos especiales
Proceso de Feller: son procesos estocásticos que toman valores sobre espacios
de operadores de algún espacio funcional.
Proceso de Lévy: son procesos homogéneos de Markov de "tiempo continuo" que generalizan
el paseo aleatorio que usualmente se define como de "tiempo discreto".
Proceso de Wiener, el incremento de la variable entre dos instantes tiene una distribución
gaussiana y, por tanto, además de un proceso de Lévy es un proceso de
Gauss simultáneamente.
Proceso doblemente estocástico, es un tipo de modelo estocástico usado para modelar ciertas
series temporales, en el que los parámetros que dan las distribuciones también varían
aleatoriamente (de ahí el término de doblemente estocástico).
Proceso estocástico continuo, es un tipo de proceso estocástico de tiempo continuo en que las
trayectorias son además caminos continuos.
Parte Práctica.
15
Procesos Estocásticos.
Ejemplos.
¿Cuáles son el espacio de estados y el espacio del parámetro para un proceso estocástico
que representa el posible marcador durante un partido de fútbol?
Solución.
¿Cuáles son los espacios de estados y el espacio del parámetro, para un proceso estocástico
que es la profundidad del mar en la posición X, en el instante t?
Solución.
Caso Papillon.
La profundidad del mar se mide desde la cresta de una ola hasta el lecho del océano. Puesto
que las olas se propagan en todas direcciones, la profundidad en cualquier punto fijo X variará
con el tiempo, haciendo caso omiso de toda influencia a gran escala como las mareas. Puede
medirse la profundidad en cualquier instante τ, y en cualquier posición X (t), de modo que el
espacio del parámetro T es el conjunto de todas t = (τ, X) para las cuales -∞ < τ < ∞ y X ∈ Y,
donde Y es el conjunto de las referencias geográficas para todo el mar.
Así que S = [0, ∞), donde la profundidad es 0 cuando queda expuesto el lecho del océano y no
existe límite para la altura que pueden alcanzar las olas, aunque no se formará una ola de
altura infinita a menos que se trate de un caso milagroso.
Aquí no solo es el tiempo, sino una combinación de las coordenadas de tiempo y espacio. El
espacio de estados S es el conjunto de todos los valores que puede tomar la profundidad.
16
Buena suerte.
Pedro Camargo.