Modelizacin estadstica

y procesos estocsticos

INTEGRANTES:

CORTEZ CABALLERO, ALEXANDRA

PARIONA RAMOS CESAR
ROMERO CASTRO GIANELLA
SILVA LOO GUILLERMO

MODELACIN ESTADISTICA

INFERENCIA ESTADISTICA
Sistema :
Es una fuente de datos del comportamiento de alguna parte del
mundo real. Esta formado por elementos que interactan para lograr
un objetivo, los cuales poseen caractersticas o atributos, parmetros
y variables, que toman valores numricos o lgicos. Un sistema puede
ser natural o artificial, dinmico o esttico, estable o inestable,
adaptativo o no adaptativo, lineal o no lineal; puede tener variables
independientes o dependientes, no controlables o controlables,
continuas, discretas o mixtas, no observables u observables.

 Modelos:

Es una representacin formal de un sistema real, con el que

se pretende aumentar su comprensin, hacer predicciones
y ayudar a su control. Los modelos pueden ser fsicos
(descritos por variables medibles), anlogos (diagrama de
flujo) y simblicos (matemticos, lingsticos,
esquemticos). Los modelos matemticos o cuantitativos
son descritos por un conjunto de smbolos y relaciones
lgicomatemticas.

Validacin de modelos y evaluacin de resultados.

Pruebas de validacin del modelo:
Al establecer un modelo se tienen dos diferentes fuentes de
variacin, una fuente de variacin debida a la regresin
( SCR) y una fuente de variacin debida al error ( SCE), la
variacin total (SCT) es la suma de estas dos.

 Es la estadstica F(l1,nl) con l 1 grados de libertad

en el numerador y
n l grados de libertad en el denominador, n es el numero
de observaciones y l es el numero de parmetros. Si F es
grande la mayor proporcin de variacin en los datos es
debida a la regresin, la regin de rechazo es F > F, para
un determinado.

SIMULACIN ESTADSTICA
La simulacin es una tcnica de muestreo estadstico
controlado (experimentacin) que se emplea
conjuntamente con un modelo, para obtener respuestas
aproximadas a problemas probabilsticos complejos; debe
seguir las normas del diseo de experimentos para que los
resultados obtenidos puedan conducir a interpretaciones
significativas de las relaciones de inters.

En general, un estudio de simulacin puede dividirse en las siguientes

etapas,
1. Definicin del problema y planificacin del estudio, incluye una
definicin precisa del problema a resolver y de los objetivos del estudio.
2. Toma de datos.
3. Establecimiento del modelo de simulacin, incluye establecer las
suposiciones que se deben hacer, y definir el modelo a emplear.
4. Ejecucin de la simulacin.
5. Ejecuciones de prueba del modelo.
6. Validacin del modelo.
7. Diseo del experimento de simulacin.
8. Ejecucin del experimento.
9. Anlisis de los resultados. Uso de tcnicas estadsticas y grficas
para interpretar los resultados.

 Simulacin de Monte Carlo:

Los mtodos Monte Carlo son clculos numricos que

utilizan una secuencia de nmeros aleatorios para llevar a
cabo una simulacin estadstica, con el fin de conocer
algunas propiedades estadsticas del sistema. Estos
mtodos de simulacin estn en contraste con los mtodos
numricos de discretizacin aplicados para resolver
ecuaciones diferenciales parciales que describen el
comportamiento de algn sistema fsico o matemtico.

 Nmero de muestras:

La determinacin del tamao muestral del experimento de

simulacin (n), es decir el numero de veces que se observa
el proceso, influye esencialmente en la precisin de la
estimacin (ver sec. 3.1.2.1), y dado que la precisin de las
estimaciones aumenta en proporcin directa a n, es
necesario tomar un tamao de muestra suficientemente
grande si se quiere obtener cierta precisin.

 Nmeros aleatorios:

Algunos mtodos de generacin de nmeros aleatorios se

basan en el uso de mecanismos fsicos, por ejemplo el ruido
blanco producido por circuitos electrnicos, el recuento de
partculas emitidas, el lanzamiento de monedas, etc. El uso de
estos mecanismos es poco conveniente, ya que puede
presentar sesgo y dependencias.
Otro mtodo de generar nmeros aleatorios es mediante el
uso de algoritmos de computador, a pesar de que en principio
los computadores son maquinas determinsticas incapaces por
s solas de un comportamiento aleatorio

 Anlisis estadstico de datos simulados:

Una simulacin produce datos de salida (X), cuyo valor esperado es la
cantidad de inters. Un numero n de repeticiones de la simulacin produce
X1, . . . , Xn resultados, los cuales conforman la muestra; el promedio o media
muestral de todos estos resultados proporciona una estimacin del valor de
inters. La media es un estimador insesgado, ya que su valor esperado es igual
al valor del parmetro. Para determinar la bondad de la media como
estimacin del parmetro, se calcula la varianza de la media muestral , si
esta es peque na, se dice que la media es un buen estimador del parmetro.

PROCESOS
ESTOCSTICOS

Al incluir en el estudio la presencia de la variable

determinstica tiempo, la variable aleatoria depender del
fenmeno probabilstico y del tiempo.
En consecuencia, cualquier funcin que se establezca en
trminos de la variable aleatoria, como lo son la funcin de
distribucin o la funcin de densidad, sern tambin
dependientes del tiempo.

CONCEPTO
Un proceso estocstico es una coleccin o familia de variables aleatorias
{Xt, con t T}, ordenadas segn el subndice t que en general se
suele identificar con el tiempo.
Por tanto, para cada instante t tendremos una variable aleatoria distinta
representada por Xt, con lo que un proceso estocstico puede
interpretarse como una sucesin de variables aleatorias cuyas
caractersticas pueden variar a lo largo del tiempo.
Por ejemplo, si observamos slo unos pocos valores de t, tendramos una
imagen similar a la de la figura siguiente:

A los posibles valores que puede tomar la variable aleatoria se

le denominaran estados, por lo que se puede tener un espacio de
estados discreto y un espacio de estados continuo.
Por otro lado, la variable tiempo puede ser de tipo discreto o de
tipo continuo.
Por tanto, dependiendo de cmo sea el conjunto de subndices T y
el tipo de variable aleatoria dado por Xt se puede establecer la
siguiente clasificacin
de los procesos
estocsticos:
t Discreto
t Continuo
X Discreta

X
Continua

Proceso de estado
discreto y tiempo
discreto (Cadena)

Proceso de estado discreto

y tiempo continuo (Proc.
Saltos Puros) (Unidades

(Unidades producidas
mensualmente de un producto)

producidas hasta el instante t)

Proceso de estado
continuo y tiempo
discreto

Proceso de estado
continuo y tiempo
continuo (Proceso Continuo)

(Toneladas de produccin diaria

de un producto)

(Velocidad de un vehculo en el
instante t)

CADENA

PROCESO
CONTINUOS

PROCESO DE SALTOS
PUROS

Procesos de Estado Discreto

En este caso, una secuencia de variables que indique el
valor del proceso en instantes sucesivos suele representarse
de la siguiente manera:
{X0 = x0, X1 = x1, ..., Xn1 = xn1, Xn = xn}
en la que cada variable Xi, i = 0, ..., n, tiene una
distribucin de probabilidades que, en general, es distinta
de las otras variables aunque podran tener caractersticas
comunes.

El principal inters del estudio a realizar en el caso discreto

es:
el clculo de probabilidades de ocupacin de cada estado a partir
de las probabilidades de cambio de estado.
Si en el instante n 1 se est en el estado xn1, con qu
probabilidad se estar en el estado xn en el instante siguiente n?.
Esta probabilidad de denotar como:
P (Xn = xn/Xn1 = xn1)
A este tipo de probabilidad condicionada se le denomina
probabilidad de transicin o de cambio de estado.
A las probabilidades del tipo P (Xn = xn) se les denomina
probabilidades de ocupacin de estado.

Otro tipo de probabilidad de inters es:

ocupar un cierto estado en un instante n, dado que en todos los
instantes anteriores, desde n = 0 hasta n1, se conoce en qu
estados estuvo el proceso.
Esto se puede escribir como:
P (Xn = xn/X0 = x0, X1 = x1, ..., Xn1 = xn1)
Esta probabilidad depende de toda la historia pasada del proceso,
mientras que la probabilidad de transicin depende nicamente
del estado actual que ocupe el proceso.

Cadenas de Markov
Propiedad de Markov: Se dice que un proceso cumple la propiedad de
Markov cuando toda la historia pasada del proceso se puede resumir en la
posicin actual que ocupa el proceso para poder calcular la probabilidad
de cambiar a otro estado, es decir, se cumple la propiedad siguiente:
P (Xn = xn/X0 = x0, X1 = x1, ..., Xn1 = xn1) = P (Xn = xn/Xn1 = xn1)
Aquellas Cadenas que cumplen la propiedad de Markov se llaman Cadenas
de Markov.

Considere un equipo de computacin el cual ser revisado al inicio

de cada da para verificar si est operativo o si est daado.
As, con probabilidad PO-D se pasa del estado operativo al estado
daado; sta es una probabilidad de transicin o de cambio de
estado.

Si se define una variable aleatoria Xn como el estado del

ordenador al inicio del da n, se podran asignar los valores 0 y 1
a los posibles estados daado u operativo, respectivamente.

Utilizando

la nomenclatura descrita anteriormente, se puede

escribir:
P (Xn+1 = 1/Xn = 0) = p P (Xn+1 = 0/Xn = 0) = 1 p
P (Xn+1 = 0/Xn = 1) = q P (Xn+1 = 1/Xn = 1) = 1 q
Estos datos se podran resumir en una matriz que se llama matriz
de probabilidades de transicin o matriz de transicin de
estados.

En general, consideremos una cadena de Markov :

k estados posibles s1, s2, ..., sk y probabilidades estacionarias.
Para i = 1, 2, 3, ..., k y j = 1, 2, 3, ..., k, denotaremos por pij a la
probabilidad condicionada.
Entonces la matriz de transicin de la cadena de Markov se
define como una matriz cuadrada k k de la siguiente forma:

pij = P (Xn = sj/Xn1 = si)

El usar esta representacin en forma matricial nos facilita el

cmputo de las probabilidades de transicin en ms de un
paso.
En general P P = P2 corresponde a las probabilidades de
transicin en dos pasos, y P3, P4, ..., Pm, ... corresponden a
las probabilidades de transicin en 3, 4, ..., m pasos
respectivamente.
De hecho, la matriz Pm se conoce como la matriz de
transicin en m pasos de la cadena de Markov.

Procesos de Saltos Puros

La gran diferencia es que los cambios de estado ocurren en
cualquier instante en el tiempo (tiempo continuo).
Un ejemplo tpico de procesos de saltos puros es la seal
telegrfica.
Otros ejemplos son:

Proceso de Conteo
Proceso de Poisson

Proceso de conteo
Un proceso estocstico en tiempo continuo {N(t), t 0} se
dice que es un Proceso de Conteo si representa el nmero
de veces que ocurre un suceso hasta el instante de tiempo t.
En particular, se tiene que N(t) N, y N(s) N(t) s < t.

Proceso de Poisson
Un proceso de conteo se dice que es un Proceso de Poisson homogneo
de tasa > 0, si:
1. N(0) = 0
2. N(t1) N(t0), N(t2) N(t1), ..., N(tn) N(tn1) son variables
aleatorias independientes (proceso de incrementos independientes).
3. N(t + s) N(s) (No de sucesos que ocurren entre el instante s y el
instante t + s) sigue una distribucin de Poisson de parmetro t.
El proceso de Poisson se utiliza basicamente para modelar los llamados
procesos de colas.