apuntes_procesos_estocásticos
TRANSCRIPT
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 1/125
ApuntesdelcursodeProcesosEstocásticos
CursodictadoenlaUNEFA-NúcleoSanTome
DepartamentodeIngenieríadeSistemas
Revisión:25/enero/2008
Autor:Prof.JoséLoretoRomeroPalma
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 2/125
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 3/125
i
PrefacioEl presente material surgió originalmente para ser utilizado como texto principal de
consultaparaelcursodeProcesosEstocásticosdelacarreradeIngenieríadeSistemas
quedictoenlaUNEFA.AúncuandoexisteabundantebibliografíaymaterialdisponibleenInternetsobreestetema,consideroqueexistensobradasrazonespara justificarla
elaboracióndeestosapuntes. En primer lugar, los librosque versan sobre el tema
están pensados para un público matemáticamente más maduro, generalmente para
estudiantes a nivel de postgrado. Sin mencionar que, por ser estos libros muy
especializados, sondemasiadoescasosen las librerías venezolanas. Por otro lado,
navegara travésdelInternetenbúsquedade bibliografíaenlíneapuederesultaruna
tareahercúleaparaelestudiantedepregradocuyaprimeraexposiciónaltemaesésta.
En fin, la bibliografía existente es muy dispersa, escasa y no adecuada a las
necesidades delestudiantede ingenieríadesistemas,porlo cual consideroqueeste
textovieneallenarunvacío.
El aporteoriginal en el presente tratamiento del tema es el énfasis en la simulación
estocástica.Incorporarelaspectodelaverificaciónempíricadelmétodocientíficoenla
exposicióndeuntemadelamatemática,queesunaciencianetamenteteórica,puede
parecerundisparate.Noobstante,sepiensaqueesteenfoquepuederendirmuchos
dividendos,sobretodoinstruccionales.Conlosabundantesejemplosdesimulaciónen
códigoRsepretendefamiliarizaralestudianteconunlenguajedeprogramacióndelibre
distribución que está adquiriendo cada vez más relevancia en el mundo de la
investigaciónestocástica.Porotrolado,conlaexposicióndelalumnadoaherramientas
desoftwarelibresepretendehacerunmodestoaportehacíaellogrodelasoberanía
tecnológicanacional.
Eltextoestaorganizadoenseiscapítulos.Enelprimercapítulosedaunrepasodela
teoríadelasprobabilidadesysepretendeexplicardeunavezquésonlassimulaciones
estocásticasyparaquésirven.Elsegundocapituloesquizáselmásabstractodetodo
eltexto.Comienzaconladefinicióndeloqueesunprocesoestocásticoypreparatodo
elandamiajeconceptualparacaracterizarsustiposypropiedades.Eneltercercapitulo
seabordaelestudiodelascaminatasaleatoriasyelproblemadelaruinadeljugador.
EnelcuartoyquintocapitulosetratanlosprocesosdePoisson,tantoelhomogéneo
comootrasvariantesqueseobtienenapartirdeéstemodificandounpocolosaxiomas
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 4/125
ii
que lodefinen. Por último, enelsexto capítulo,setratan lascadenasdeMarkovde
parámetrodiscreto.
El nivel de conocimientos previo requerido por parte del alumno equivale al de un
estudiante que haya cursado alguna asignatura de probabilidad elemental y los
respectivoscursosdematemáticasdelciclobásicodeingeniería,queabarcantemasde
cálculodiferencial,integral,seriesyecuacionesdiferenciales.Compensarlasfallasen
el proceso de aprendizaje de la teoría de las probabilidades e introducir unamayor
rigurosidaddeestostemasafindeprepararalalumnoparaelrestodelcontenidoes
justamenteelobjetivodelprimercapítulo.Esteprimercapítuloestaintencionalmente
redactado en un lenguajemás formal – es una suerte de “bautismo por fuego” para
templar a mis alumnos en su proceso de formación como futuros profesionales. En
compensación incluyo como apéndice una sección con tips sobre demostracionesmatemáticas(lascualessurgenenbuenapartedelosproblemaspropuestos)y sobre
unamisceláneadeotrostemasmatemáticostalescomolasantesmencionadasseries.
DichasecciónestalibrementeinspiradaenlaobradePolyatitulada“ComoResolverlo”
yconellasepretendemotivaralalumnoparadejardeserunmerocalculistaquesolo
sabeaplicarlasfórmulasquelesondadasyconvertirseenunanalistadesistemasque
entiende cabalmente los conceptos matemáticos y que sabe cuando y cuales
herramientasaplicarpararesolverproblemasdelavidareal.Mirecomendacióngeneral
alestudianteesestudiardetenidamentelosproblemasresueltosylaimplementacióndelassimulacioneseneltextoparaposteriormenterealizarlosproblemaspropuestos.
Desdeunaperspectivamásamplia,elcontenidodeeste textoestaenmarcadodentro
de un componente importante en el pensum de la ingeniería de sistemas y de las
ciencias de la computación. Me refiero al conglomerado de materias tales como
investigación de operaciones, matemáticas discretas, probabilidades y estadística,
métodos numéricos y simulación y modelos matemáticos. A mi juicio, dicho
componenteesmedular para la formación integral deunanalista desistemas, quién
debeapuntarmásalládeserunsimpletecnócrataoperariodeTICs(Tecnologíasde
InformaciónyComunicación).Másbien–yestoesalgoquelecuestatrabajoentender
alaspersonasnoiniciadaseneltema–elanalistadesistemasdebeestarencapacidad
deanalizar cualquiersistema, sea éste una empresa, unared de tráficovehicular, la
economíanacionalolasociedad.Conlasmateriasdeestecomponentesepretende
dotaralestudiantedeherramientasparaelanálisismatemáticodelossistemas,cuyofin
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 5/125
iii
ulterioreseldeapoyarlatomaracionaldedecisionesypermitirmedireldesempeñodel
decisor enaras de lograrprogresivamenteunmayorbienestar colectivo. Enunpaís
como Venezuela, es verdaderamente acuciante capacitar profesionales con estas
destrezas;nuestrodesarrollocomonacióndependedeello.
Quieroenestaslíneasagradeceralosprofesoresyautoresquedemaneradirectao
indirecta contribuyeron en mi propia formación. En particular, extiendo mis
agradecimientos a Luis A. Azocar Bates, quien fue mi profesor en la Universidad
NacionalAbierta, asícomo tambiénamiscolegas y compañerosdocentes,ElaineJ.
PérezBracho,JoséT.GomezBarretoyRafaelA.RofriguezToledo,quienesademás
han contribuidoconimportantes sugerencias en la redaccióndeestematerial. Debo
incluir palabrasdereconocimientoy deagradecimientoa misalumnos de laUNEFA,
quieneshancontribuidotambiénconsugerenciasyaquienesestelibroestádedicado. Aspiroinculcarenellosunapasiónporlostemasdelainvestigacióndeoperacionesyel
modelamiento matemático para que sean ellos mismos los que sigan investigando,
formándoseysiempreestandoalavanguardiaenestaEradelaInformación.Quesu
nivel de conocimientos rebase muchas veces el mío propio, que éstos sirvan al
bienestardenuestra nacióny que ésta reconozca la importanciadelsaberque ellos
portansonmisdeseos.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 6/125
iv
Tabla de contenido
Prefacio.............................................................................................................................. i
Capitulo1-Preeliminaressobreteoríadeprobabilidadesysimulaciones.. ......................1 1.1 Experimentoaleatorio.Espaciomuestral.Eventoselementales.Probabilidad ............................................... 1
1.2 Variablealeatoria.Distribucióndeprobabilidad.Tiposdevariablesaleatorias.Densidaddeprobabilidad. ... 3
1.3. Valoresesperados:esperanzayvarianza. ...................................................................................................... 6
1.4. Funcióncaracterísticayfuncióngeneratriz.Propiedadesytablas. ................................................................ 7
Tabla1.1.Leyesdeprobabilidaddiscretasmásfrecuentesysuscaracterísticas..................................................... 10
Tabla1.2.Leyesdeprobabilidadcontinuasmásfrecuentesysuscaracterísticas.................................................... 12
1.5. Variables aleatorias bidimensionales y n-dimensionales. Función de distribución conjunta. Función de
densidadconjunta...................................................................................................................................................... 14
1.6. Variablesaleatorias independientesysucaracterización. Covarianza. Distribuciónde lasumadedoso
másvariablesaleatoriasindependientes.Convolución............................................................................................. 17
Ejemploparalassecciones1.5y1.6......................................................................................................................... 21 1.7. IntroducciónalasimulaciónestocásticamedianteellenguajeR. ................................................................. 25
ProblemasPropuestos ................................................................................................32
Capitulo 2- Introducción a los procesos estocásticos. Terminología y nociones
preeliminares ..................................................................................................................35
2.1. Definiciónyejemplosdeprocesosestocásticos. ........................................................................................... 35
2.2. Probabilidadyesperanzacondicional.Definicionesypropiedades. ............................................................ 38
2.3. Caracterizacióndelosprocesosaleatorios:valormedioynúcleodecovarianza. ........................................ 43
2.4. Incrementosindependientesyestacionarios.Procesosestacionarios......................................................... 45
2.5. Algunostiposde procesosaleatorios:caminataaleatoria,martingalas,procesosde Markov,procesosde
Poisson,procesosdeWiener .................................................................................................................................... 48
ProblemasResueltos ..................................................................................................51
ProblemasPropuestos ................................................................................................53
Capitulo 3- Procesos estocásticos basados en el proceso de Bernoulli y caminatas
aleatorias ........................................................................................................................57
3.1 ElprocesodeBernoulli .................................................................................................................................. 57
3.2 Lacantidaddeéxitos.CaminatasaleatoriasbasadasenprocesosdeBernoulli. ........................................ 58
3.3. La cantidad de ensayos hasta r éxitos: más sobre las caminatas aleatorias basadas en procesos de
Bernoulli..................................................................................................................................................................... 60
3.5. Laruinadeljugador........................................................................................................................................ 63
3.6. Duraciónpromediodeljuegoyotrasconsideracionessobreelproblemadelaruinadeljugador ................ 70
ProblemasResueltos ..................................................................................................76
ProblemasPropuestos ................................................................................................79
Capitulo4-ElprocesodePoissonhomogéneo ..............................................................82
4.1 ElprocesodePoissoncomocasolímitedelacaminataaleatoriabinomial. ................................................. 82
Tabla4.1.Calculodelasprobabilidadesderecibirkllamadasen3minutosmedianteaproximacionessucesivaspor
mediodelmodeloBinomial........................................................................................................................................ 83
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 7/125
v
4.2. DerivaciónaxiomáticadelprocesodePoisson.............................................................................................. 87
4.3. ProcesosdePoissonespaciales.................................................................................................................... 93
4.4. Distribucióndeltiempointer-eventos. ............................................................................................................ 98
4.5. LadistribuciónuniformedelostiemposdeocurrenciadesucesosenunprocesodePoisson................... 102
ProblemasResueltos ................................................................................................109
ProblemasPropuestos ..............................................................................................113
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 8/125
vi
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 9/125
1
Capitulo 1- Preeliminares sobre teoría deprobabilidades y simulaciones
1.1 Experimento aleatorio. Espacio muestral. Eventos elementales.Probabilidad
Elobjetivofundamentaldelateoríadelaprobabilidadesladescripciónmatemáticade
experimentosaleatorios,quesonprocesoscuyosresultadosnosepuedenpredecircon
exactitud. Lasdificultades enmanejar matemáticamentealgo que es por naturaleza
impredeciblesesuperansiabordamoslaidentificacióndetodoslosresultadosposibles
que puedearrojar unexperimento aleatorio. Conesto habremos definido elespacio
muestral.Elespaciomuestralesunconjunto,enelsentidomatemáticodelapalabra,y
suselementosconstituyentessonlosresultadosposiblesdelexperimentoaleatorio,que
también se conocen como eventos elementales. Usualmente se denota el espacio
muestral mediante la letra griega omega mayúscula (Ω) y los eventos elementales
mediante laomegaminúsculaconalgúnsubíndice(ωisiΩesunconjuntonumerable)
paradistinguirlosentresí.Paramantenerlaconsistenciaenlanotación,seaclaraque
poreventoelementalseentiendecadaresultadoposibledelexperimentoaleatorio(los
elementos constituyentes deΩ) o los subconjuntos unitarios deΩ formados por los
elementos de Ω correspondientes. Es de notar que la colección de eventos
elementales,bajolaacepcióndesubconjuntosunitarios,formanunaparticióndeΩ:su
unióneselconjuntoΩysonmutuamentedisjuntosdosados.
Loseventoselementalessepuedencomponermedianteunionesparaformar eventos,
que son subconjuntos del espacio muestral. La colección de eventos del espacio
muestral es un álgebra de conjuntos, porque es cerrada bajo uniones finitas y
complementos.Entérminosmássencillos,siAyBsondoseventos, B A ∪ y A son
eventostambién. B A ∪ eseleventoqueseverificacuandoseverificaeleventoAoel
evento B y A es el evento que se verifica cuando no se verifica A. Como
( )B AB A ∪=∩ , el álgebra de eventos es cerrada bajo las intersecciones finitas
también. Denotaremos por ℑ la clase de todos los eventos, o álgebra del espacio
muestral.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 10/125
2
Porrazonesquevanmásalládelalcanceteóricodeesterecuento,esprecisoexigiruna
condición adicional sobre ℑ: Si { } ℑ⊂n A es una sucesión numerable de eventos,
entoncessuunióninfinitatambiénesunevento–
ℑ∈
∞
= n n A1∪ .
Un álgebra que satisface esta condición más fuerte se denomina σ-álgebra. Por
ejemplo, { }Ω∅, y ( )Ω℘ (se lee “partes de omega”, que es la clase de todos los
subconjuntos posibles de Ω) son σ-álgebras. En resumen, se ha asociado a un
experimentoaleatoriounconjuntoderesultadosposiblesyunaestructuramatemática
paradefinirtodosloseventosposibles.
Amododeejemplo,sielexperimentoaleatorioconsisteenescogeralazarunapersona
yobservarsudíadecumpleaños,paradefinirelespaciomuestraldebemosidentificar
cadadíadelañodeunaformaconveniente.Sepodríaasociarel1alprimerodeenero,
el2alsegundodeeneroyasísucesivamente.Descartandoelcasodelaspersonas
nacidasel29defebrero,elespaciomuestralestadefinidoporelconjuntodenúmeros
naturalesdel1al365y { }36521 ,,, …=Ω .Podemosobservarqueelespaciomuestrales
un conjunto numerable y finito. Siestamos interesados en el evento “la personaes
nacida en el mes de enero”, este evento se podría definir como { }3121 ,,, …=E .
Análogamente,siestamosinteresadosenelevento“lapersonaesdesignoacuarioen
elzodiaco”(21deeneroal19defebrero),estesedefiniríapor { }502221 ,,, …=A .
Las bases matemáticas de la teoría de probabilidades moderna se deben a
elaboraciones sobre la teoríade lamedida, que primordialmentese ocupa decómo
asignarcantidadesnuméricasacadaconjuntodeunaσ-álgebra.Ennuestrocasoesto
es muy oportuno porque nos preocupa asociar probabilidades a eventos, y las
probabilidadessonvaloresnuméricosquecuantificanelgradodecertidumbresobrela
ocurrencia de algún evento en la realización de un experimento aleatorio. En el
lenguaje de la teoríade la medida, la probabilidad es unamedida, o función que le
asignaacadaconjuntodeunaσ-álgebraunvalorrealpositivoonulo:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 11/125
3
Definición (AxiomasdeKolmogorov):Sea(Ω,ℑ)unespaciomuestralconsurespectiva
σ-álgebra de eventos. Una función P: ℑ→[0,1] es una medida de probabilidad si
satisfacelascondicionessiguientes:
a. P(Ω)=1
b. Si { } ℑ⊂n A es una sucesión de conjuntos disjuntos dos a dos, entonces
( )∑∞
=
∞
==⎟
⎠ ⎞
⎜⎝ ⎛
11 n
n n n
AP AP ∪
Estaeslapropiedaddeσ-aditividad.
Enestecasosediceque(Ω,ℑ,P)esunespaciodeprobabilidad.
1.2 Variable aleatoria. Distribución de probabilidad. Tipos de variablesaleatorias. Densidad de probabilidad.
El concepto de variable aleatoria es substancial y de mucha utilidad en el estudio
matemáticode los fenómenosaleatoriosporque esunmecanismopara “traducir” los
objetosdelespaciomuestral,quenonecesariamenteseidentificandeformanumérica,
aelementosdealgúnconjuntonumérico.Estofacilitaenormementelacuantificaciónen
el estudio de la aleatoriedad, y conlleva eventualmente a establecer características
importantes que resumen numéricamente el comportamiento del fenómeno aleatorio,
comolaesperanzaylavarianza.
Definición (VariableAleatoria): Sea (Ω,ℑ,P) un espacio de probabilidad. Lavariable
aleatoria X(ω) es una función X: Ω→ R que asigna a cada elemento del espacio
muestral unvalor real. Adicionalmente, lavariable aleatoriaesuna funciónmedible,
porquedeberverificarque ( ){ } ℑ∈<α ω ω X .
Aúncuandoestacaracterísticadelasvariablesaleatoriascomofuncionesmediblesno
semencionaen lostextoselementalesdeprobabilidadescon los que probablemente
estudiasteestamateria,seincluyeenladefiniciónanteriorporqueesjustamenteesta
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 12/125
4
característicalaqueposibilitaelcálculodeprobabilidadesasociadasaintervalosreales,
la definición de funciones de distribución de probabilidad y consecuentemente, la
funcióndedensidaddeprobabilidad.
Lavariablealeatoriatraduceeventosenelespaciomuestralaintervalososubconjuntos
numéricos con la finalidaddecalcular laprobabilidadasociada a estos subconjuntos
numéricos.Esdecir,conviertelamedidadeprobabilidaddeeventosadistribucionesde
probabilidadenconjuntosnuméricos,definiendoasílallamada función de distribución
de probabilidad:
Definición (Función de Distribución de Probabilidad): Sea (Ω,ℑ,P) un espacio de
probabilidadyX(ω)unavariablealeatoriadefinidasobreesteespacio.LafuncióndedistribuciónF(x)deunavariablealeatoriasedefinecomosigue:
( ) { } ( ){ }x X P x X P x F ≤=≤= ω ω
Habiendohechoestadefinición,seesclareceelcomentarioanteriorsobrelapropiedad
de lavariable aleatoria como funciónmedible- si ( ){ } ℑ∉<α ω ω X , dicho evento no
tendríaprobabilidadasociadaypor lotantoseindefiniría la funcióndedistribuciónde
probabilidad, porquesolo tienen probabilidad aquellos eventos definidos enℑ. Entre
algunas propiedades de la función de distribución de probabilidad, que también se
denominaavecesfunciónacumuladadeprobabilidad,semencionan:
i. Fesunafuncióncrecientequetomavaloresen[0,1].
ii. F(-∞)=0yF(∞)=1.
Según la naturaleza del conjunto de valores que toma X, se tienen dos tipos de
variables aleatorias. Las variables aleatorias discretas se caracterizan por ser el
conjuntodevaloresdeXfinitooporlomenosnumerable.SielconjuntodevaloresdeX
esinfinitoeinnumerable,Xesunavariable aleatoria continua.Estadistinciónesmuy
importanteporquedetermina la formaenque definimos lasprobabilidadespuntuales:
para una variable aleatoria discreta, P{X=x} esun valor positivo si x estadentro del
rango de valores donde el evento ( ){ }x X =ω ω asume probabilidad positiva. En
cambio, si X es una variable continua, P{X=x} es invariablemente igual a cero para
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 13/125
5
cualquiervalorxporquesiXtomavaloresenunconjuntoinfinito,ningunaprobabilidad
puntualpuedeserdistintadecero.
CuandoX es una variable aleatoria, podemos definir su función de probabilidad del
modousual:
( ) { } ( ){ }x X P x X P x p ==== ω ω
Lafuncióndeprobabilidaddeunavariablediscretaesmayoroigualaceroparatodoxy
verificaquelasumadelasprobabilidadespuntualesatravésdelconjuntoimagendeX
esigualauno:
( ) ( ) 10 =≥∈∀ ∑∞
−∞=x
x p y x p R x
A veces, p(x) se denota por px, para enfatizar la naturaleza discreta de la variable
aleatoria(siptieneunsubíndice,losvaloresposiblesdeXsonnumerables).SiXes
unavariablecontinua,notienesentidohablardeprobabilidadespuntualesporquetodas
sonigualesacero.Sedefineentonceslafunción de densidad de probabilidadf,quese
correspondealaderivadaRadon-Nikodymdelafuncióndedistribución.Unavariable
aleatoriaque tieneasociadauna tal funciónde densidadsedenominaabsolutamente
continua,ydichafuncióndedensidadf(x)verificalosiguiente:
( ) ( ) ∫ ∞−
=≥x
dt t f x F y x todo para x f )(0
Esdenotarqueenelcasocontinuo,f(x)norepresentaunaprobabilidadpuntual,pues
yahemosestablecidoquelasprobabilidadespuntualessonnecesariamenteigualesa
cero;encambiof(x)puedeasumirvalorespositivos.
Una vez establecidas las definiciones básicas de variable aleatoria, distribución de
probabilidad,funcióndeprobabilidadyfuncióndedensidaddeprobabilidad,espreciso
mencionarqueenlateoríadelaprobabilidadseestudiandiversasdistribucionesoleyes
deprobabilidadquepretendenmodelarunaampliagamadefenómenosaleatorios.El
estudiante que haya cursado cualquier curso elemental de probabilidades conoce
algunasdeestasleyesdeprobabilidadysuscaracterísticasmás importantes. Enlas
tablas1.1y1.2sedescribenlasleyesdeprobabilidadmásusuales.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 14/125
6
1.3. Valores esperados: esperanza y varianza.
Doscaracterísticasimportantesdeunavariablealeatoriasonsutendenciacentralysu
dispersión media con respecto a la tendencia central. Ambas están dadas por laesperanzay lavarianza respectivamente. Laesperanza matemática de unavariable
aleatoria, tambiénconocidacomomomentodeordenunoovalormedio,sedefinedel
siguientemodo:
[ ] ∫ ∞
∞−
= )(x xdF X E
Paraelcasodelavariableabsolutamentecontinuasetienequesuesperanzaes:
[ ] ( )
∫
∞
∞−
⋅= dx x f x X E
endondelos límitesde integraciónsedefinenconvenientementesegúnelespaciode
valores donde f(x) es positiva. La esperanzamatemática de una variable aleatoria
discretaconfuncióndeprobabilidadp(x)sedefinecomo:
[ ] ( )∑∞
=
⋅=0k
x p x X E
endonde,unavezmás,loslímitesdeintegraciónsedefinendeformaconveniente.El
valor esperado de una variable aleatoria, su media poblacional, frecuentemente se
designa mediante la letra μ del alfabeto griego. A continuación se enuncian sin
demostraciónalgunaspropiedadesimportantesdelaesperanza:
• SiXesunavariablealeatoriadegenerada(queasumeunvalorconstanteCcon
probabilidaduno),entoncesE[X]=C.
• SeaCunaconstanteyXunavariablealeatoria,entoncesE[CX]=C ⋅E[X].
• SeaXunavariablealeatoriayseaY=h(X)otravariablealeatoriaqueesfunción
deX.entonces,elvaloresperadodeYes:
[ ] ( )[ ] ( )∫ ∞
∞−
== x dF x h X h E Y E )(
observandoqueloslímitesdeintegraciónseredefinendeacuerdoaloslímites
deintegraciónparalavariableXyenatenciónalafunciónh.SilavariableXes
discreta,Ytambiénloesysuesperanzasedefinemedianteunasumatoria.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 15/125
7
Lavarianza,que indicaelgradodedispersióndeunavariablealeatoriarespectoasu
media,tambiénesunvaloresperado.Dehecho,la varianzadeunavariablealeatoria
Xeselvalor esperadode la diferencia cuadráticadeX respectoasumedia yen su
cálculointervienelafórmulaanterior:
[ ] ( )[ ] ( ) ( )x dF X X E X V
2
2
∫ ∞
∞−
−=−= μ μ
Algunasdesuspropiedadesnotablesson:
• ParatodavariablealeatoriaX,V[X]≥0
• SiCesunaconstante, [ ] [ ]X V C CX V 2= .
• SiAesunaconstante, [ ] [ ]X V AX V =+ .
• [ ] [ ]X E X E X V 22 −= . Esta última formula es particularmente útil para el
cálculodelavarianza.
Finalmente,comoúltimanotaenesteaparte,semencionala cota de Tchebyschev,que
involucra la esperanza y la varianza deuna variable y esde utilidad para acotar de
formamuyaproximadaciertasprobabilidadescuandonosetieneningúnconocimiento
sobrelaleydeprobabilidaddeunavariablealeatoria.Esteresultadosedaensusdos
formassindemostración:
[ ] [ ]2ε
ε μ X V
X P ≤≥− y,recíprocamente, [ ] [ ]2
1ε
ε μ X V
X P −><−
1.4. Función característica y función generatriz. Propiedades y tablas.
ElinterésenlaEstadísticadelafuncióngeneratrizdeunavariablediscretaylafunción
característicadeunavariablediscretaocontinuaradicaenelcálculodelosmomentosy
enelcálculodelasdistribucionesmuestrales,siendoestasparticularmenteútilespara
el cálculo de la suma de n variables aleatorias independientes e idénticamente
distribuidas. Otrocasodondesondeutilidadescuandose tieneunacomposiciónde
variablesaleatoriasdedistintasdistribuciones-ahíentoncessepuedededucirlaleyde
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 16/125
8
probabilidaddelavariablecompuestaatravésdelanálisisdesufuncióncaracterísticao
generadora.
La función característica de una variable aleatoria X tiene una definición bastante
sencilla:eslaesperanzadee iuX,endondeuesunavariablereal.Setiene,pues:
( ) [ ] ( )∫ ∞
∞−
== x dF e e E u iux iuX X ϕ
Como ux sen i ux e iuX ⋅+= cos , esta función es integrable para cada u y
consecuentemente,ϕ(u)poseeunaparterealyunaparteimaginaria.ϕX(u)tambiénes
conocidacomolatransformadadeFourierdeF(x). SilavariableX esabsolutamente
continua,entonces
( ) ∫ ∞
∞−= dx x f e u iux
X )(ϕ ,conloslímitesdeintegracióndefinidosdondef(x)seapositiva.
SiXesunavariablealeatoriadiscreta,setienepordefiniciónque ( ) ∑= )(x p e u iux X ϕ ,
con los límites de la sumatoria definidos en aquellos puntos donde la función de
probabilidadp(x)seapositiva.
Lasfuncionescaracterísticasdealgunasvariablesaleatoriasdiscretasycontinuasmás
comunes se dan en las tablas 1.1 y 1.2. Es importante recalcar que la función
característicadependedelparámetrou,porlotanto,cuandosehabledesuderivadade
orden k subsecuentemente, se refiere a la diferenciación con respecto a u. Por los
momentos se indican algunas propiedades de la función característica que son de
utilidad, aclarando que en lo sucesivo omitimos el subíndiceX enϕX(u) para ganar
claridadtipográfica.
SeaXunavariablealeatoriaconfuncióncaracterísticaϕ(u),entonces:
( ) 10 =ϕ
( ) 1≤t ϕ
[ ]( ) ( )
k
k k
i X E
0ϕ =
Estaúltimapropiedadesparticularmenteútil,podemoscalcularelmomentodeordenk
deuna variableXderivandok vecessu función característica,evaluándola encero y
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 17/125
9
dividiendoentreik.Generalmente,enestetipodecálculossurgenindeterminacionesde
tipo0/0quesepuedenresolvermedianteelrespectivolímiteylaregladeL’Hospital.
Otra propiedad interesante de la función característica es que existe una
correspondencia unívoca entre ésta y la ley de probabilidad de la variable aleatoria
subyacente.Existenvariasfórmulasde“inversión”quesirvenatalesefectos,comoel
teoremadeLevy.Dichasformulasseestablecenenloquesiguesindemostración 1:
SeanF(x)yϕ(u)lafuncióndedistribuciónylafuncióncaracterísticadeunavariable
aleatoriaXrespectivamente.Six 1yx2sondospuntosdecontinuidaddeF(x)setiene:
( ) ( ) ∫ −
−−
∞→
−=−
T
T
iux iux
T
du u iu
e e x F x F )(lim ϕ
π
21
2
112
Comoconsecuenciadeesteteorema,setienenlossiguientesresultados:
SiXesdiscreta,entonces ( ) ∫ −
−
∞→
=T
T
iux
T X du u e
T x p )(lim ϕ
2
1.
Enelcasocontinuo,lafuncióndedensidaddeXesdadapor ( ) ∫ ∞
∞−
−= du u e x f iux X )(ϕ
π 2
1.
Porúltimoesimportantenotar,aúnadelantándosealaexposicióndelaindependencia
estocásticay laconvolucióndevariablesaleatorias,que lafuncióncaracterísticasirve
para obtener la distribución de una suma de variables independientes. Esto sedesprendedelhechodequeelvaloresperadodeunproductodevariablesaleatorias
independientes es igual al producto de los valores esperados de las variables
respectivas,peroestepuntosetrataráenmayordetalleposteriormente.
EnelcasoenquelavariablealeatoriaXseadiscretaytomevalorespositivos,sepuede
definirsufuncióngeneratrizdelsiguientemodo:
( ) [ ] ( )∑∞
=
==
o k
k X u k p u E u g
Siempre y cuando u este dentro del radio de convergencia de dicha serie infinita.
Algunaspropiedadesnotablesdelafuncióngeneratrizsonlassiguientes:
1RIOS,pp.96-97
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 18/125
10
i. ( )( ) ( )
…,,,,!
2100
== k para k
g k p
k
ii. ( ) ( )[ ] ( ) ( ) …… ,,, 21111 ==+−− k para g k X X X E k .
Laexpresión ( ) ( )[ ]11 +−− k X X X E … se conoce comomomento factorial de
orden kparalavariableX.
Como lafuncióncaracterística lafuncióngeneratrizdeterminaunívocamente la leyde
probabilidad de una variable aleatoria y también sirve a efectos de determinar la
distribución de la suma de variables aleatorias independientes. Las funciones
generatricesdediversasvariablesaleatoriasdiscretassedanenlatabla1.1.
Tabla 1.1. Leyes de probabilidad discretas más frecuentes y sus características
Bernoulli –Enun ensayodeBernoulli seobservaun éxitoconprobabilidad pounfracasoconprobabilidadq=1-p.
10 ≤≤ p
Función de probabilidad:
( ) { }10
1
01
,∈⎩⎨
⎧
=
=−
= x para x p
x p
x p X
Valores esperados:
[ ] [ ] pq X V p X E ==
Función generadora y función característica:
( ) ( ) iu X pe q u pz q z g +=+= ϕ
Binomial- Es la suma de n variables aleatorias de Bernoulli independientes eidénticamentedistribuidasconparámetrop.Representatambiénelnúmerodeéxitosennensayosindependientes.
+∈−=≤≤ N n p q p ,, 110
Función de probabilidad:
( ){ }
{ }⎪⎩
⎪⎨
⎧
∉
∈⎟⎟ ⎠
⎞⎜⎜⎝
⎛ =
−
n x
n x q p x
n
x p x n x
X
,,
,,
…
…
00
0
Valores esperados:
[ ] [ ] npq X V np X E ==
Función generadora y función característica:
( ) ( ) ( ) ( )n iu X
n pe q u pz q z g +=+= ϕ
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 19/125
11
Geométrica- La variable aleatoria geométrica es el número de ensayos de tipo
Bernoulliqueserequierenhastaobservarelprimeréxito.
p q p −=≤≤ 110 ,
Función de probabilidad:
( )⎩⎨⎧
∉
∈=
+
+−
N x
N x pq x p
x
X 0
1
Valores esperados:
[ ] [ ]2
1
p
q X V
p X E ==
Función generadora y función característica:
( ) ( )iu
iu
X qe
pe u
qz
pz z g
−=
−=
11ϕ
Binomial Negativa-Lavariablealeatoriabinomialnegativarepresentaelnúmerodeensayoshastaobservarlar-ésimaocurrenciadeunéxito(resunnúmerofijo).
Función de probabilidad:
( )⎪⎩
⎪⎨
⎧
<
≥⎟⎟ ⎠
⎞⎜⎜⎝
⎛
−
−
=−
r x
r x q p r
x
x p r x r
X
0
1
1
Valores esperados:
[ ] [ ]2p
rq X V
p
r X E ==
Función generadora y función característica:
( ) ( )
r
iu
iu
X
r
qe
pe
u qz
pz
z g ⎟⎟ ⎠
⎞
⎜⎜⎝
⎛
−=⎟⎟ ⎠
⎞
⎜⎜⎝
⎛
−= 11 ϕ
Poisson-LavariablealeatoriaPoissonrepresentaelnúmerodeeventosqueocurrenen un instante de tiempo de amplitud fija cuando la tasa media de eventos en ese
intervalodetiempoesλ
Función de probabilidad:
( )⎪⎩
⎪⎨
⎧
<
≥∈=
−
00
0
x
N x x
e x p
x
X !
λ λ
Valores esperados:
[ ] [ ] λ λ == X V X E
Función generadora y función característica:
( ) ( ) ( ) ( )11 −− ==iu e
X z e u e z g λ λ
ϕ
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 20/125
12
Tabla 1.2. Leyes de probabilidad continuas más frecuentes y sus características
Uniforme – Es la variable aleatoria continua uniformemente distribuida sobre unintervalo (a,b). La probabilidad de que la variable aleatoria uniforme se encuentre
dentro de algún subintervalo de (a,b) es proporcional a la amplitud de dichosubintervalo.
Función de densidad:
( )⎪⎩
⎪⎨
⎧<<
−=contrario caso en
b x a a b x f X
0
1
Valores esperados:
[ ] [ ] ( )122
2a b
X V b a
X E −
=+
=
Función característica:
( ) ( )a b iu
e e
u
iua iub
X −
−
=ϕ
Normal- El número de éxitos en n ensayos independientes de Bernoulli obedeceaproximadamenteuna leyNormalamedidaquen tiendea infinito. Segúnel teoremacentraldellímite,todasumanvariablesindependienteseidénticamentedistribuidasesnormalcuandon tiendea infinito. La leynormalmodela adecuadamenteunaampliagamadefenómenosaleatoriosporquegeneralmente,lasdesviacionesdeunavariableconrespectoaunpuntocentralsedebenalasumadeunacantidadindefinidamentegrandedeperturbacionesaleatoriasidénticamentedistribuidaseindependientesentresí.
0>∈ σ μ σ R ,
Función de densidad:
( )⎟⎟
⎠
⎞
⎜⎜
⎝
⎛ ⎟ ⎠
⎞⎜⎝
⎛ −−=
2
2
1
2
1
σ
μ
π σ
x x f X exp
Valores esperados:
[ ] [ ] 2σ μ == X V X E
Función característica:
( ) ⎟ ⎠
⎞⎜⎝
⎛ −= 22
2
1σ μ ϕ u iu u X exp
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 21/125
13
Exponencial- Lavariablealeatoriaexponencial juegaunpapelanálogo enelcasocontinuo a la geométrica y representa el tiempo que transcurre hasta que falla uncomponente.Comolageométrica,lavariablealeatoriaexponencialtienelapropiedaddenoposeermemoria:elhaberesperadounacantidaddetiempodeterminadosinque
haya ocurrido la falla o el suceso en cuestión no condiciona el tiempo adicional deesperaenel futuro.Elúnicoparámetrodeestadistribuciónλestarelacionadoconlatasa media de eventos por unidad de tiempo y tiene la restricción de ser un valorpositivo.
Función de densidad:
( )⎩⎨⎧ >
=−
contrario caso en
x e x f
x
X 0
0λ λ
Valores esperados:
[ ] [ ]2
11
λ λ == X V X E
Función característica:
( )
1
1
−
⎟ ⎠ ⎞⎜⎝ ⎛ −= λ ϕ
iu u X
Gamma-Lavariablealeatoriagammarepresentaeltiempodeesperahastalar-ésimaocurrenciadeunfallooeventocuandoloseventosocurrenindependientementeentresí
con una tasa promedio de λ por unidad de tiempo, con los tiempos inter-eventosdistribuidos exponencialmente con el mismo parámetro. Un caso especifico de lagammaesladistribucióndeErlang,querepresentalasumadervariablesaleatoriasindependientes distribuidas exponencialmente (en este caso, r es un número enteropositivo). Ladistribución ji-cuadrado, laWeibully laexponencial tambiénsepuedendefinir comocasosparticularesde lagamma. Lasrestriccionessobrelosparámetros
son 0>r ,λ
Función de densidad:
( ) ( )( )
⎪⎩
⎪⎨
⎧>
Γ=−−
contrario caso en
x e x r x f
x r
X
0
01 λ
λ λ
Valores esperados:
[ ] [ ]2λ λ
r X V
r X E ==
Función característica:
( )r
X
iu u
−
⎟ ⎠
⎞⎜⎝
⎛ −=λ
ϕ 1
Nota:LafunciónΓ(r)eslafuncióngamma,quesedefineacontinuación:
( ) ∫ ∞
−− >=Γ0
10r du e u r u r ,
Estafuncióntienelassiguientespropiedades:
i. ( ) ( ) 01 >Γ=+Γ n n n n ,
ii. ( ) !n n =+Γ 1 sinesunenteropositivo
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 22/125
14
1.5. Variables aleatorias bidimensionales y n-dimensionales. Función dedistribución conjunta. Función de densidad conjunta.
Sucedemuycomúnmentequeestamosinteresadoseninvestigarlasrelacionesquehay
entre dos omás características de los individuosde unapoblación- estodapie a la
definicióndelasvariablesaleatoriasbidimensionalesy,deformamásgeneral,alasn-
dimensionales.Esteconceptopretendedarrespuestasapreguntastalescomo:¿Cuál
relación existe entre la estatura y el peso corporal de cada persona? ¿Existe algún
vínculoentreelgradodedesarrollotecnológicoyelporcentajedelapoblaciónqueson
científicosenunpaís?Esimportanterecalcarquelasvariablesaleatoriasconjuntasse
refieren a dos o más características que se observan simultáneamente en cada
individuodeunapoblación;están,pues,asociadasalmismoespaciomuestral(verFig.
1.1).Asíporejemplo,siestamosinteresadosencompararlasdestrezasmatemáticas
deestudiantesdeunoyotroliceoapartirdelasnotasdematemáticadeunamuestra
de veinte alumnosde cada liceo, no se puede instituir en base a esto una variable
aleatoriabidimensionalporquelos alumnosno provienende lamismapoblación (dos
liceos)nitampocounpardenotasserefierenalmismoindividuo.
Definición (Variablealeatoriabidimensionalyn-dimensional):Sea(Ω,ℑ,P)unespacio
deprobabilidadyX=X(ω)eY=X(ω)dosvariablesaleatoriasdefinidassobreesemismo
espacio probabilizado. Elpar (X,Y)constituyeuna variablealeatoriabidimensional,a
veces denominada vector aleatorio. Análogamente, siX1=X1(ω), …,Xn=Xn(ω) son n
variablesaleatoriasdefinidassobreelmismoespacio,entonces ( )n X X ,, 1
esuna
variablealeatorian-dimensional(vectoraleatorion-dimensional).
Fig. 1.1–Lasvariablesaleatoriasconjuntasestánasociadasalmismoespaciomuestral.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 23/125
15
Como en el caso unidimesional, las variables aleatorias multidimensionales (n-
dimensionales)sondiscretasocontinuasyposeenfuncióndedistribuciónyfunciónde
probabilidado función dedensidaddeprobabilidadsegúnseaelcaso. Losvectores
aleatoriossondiscretos si el producto cartesiano n X X ××1
es un conjunto finito o
numerable;encasocontrario,elvectoraleatorioescontinuo.Sinmáspreámbulos,se
especificanseguidamentelasparticularidadessalientesdelosvectoresaleatorios:
Función de probabilidad conjunta en caso discreto: Al vector aleatorio discreto
( )n X X ,, 1
se asocia una función de probabilidad ( )n x x p ,,…1
que representa la
respectiva probabilidad ( ) ( ){ }n n x X x X P == ω ω ω ,, …11
definida en el espacio
probabilizadoyquecumplelassiguientescondiciones:
i. ( ) 01 ≥n x x p ,,… paratodo ( )n x x ,, 1
ii. ( ) 1
1 2
1=∑ ∑
∞
−∞=
∞
−∞=x x n x x p ,,…
Lasegundacondiciónestablecequelamasadeprobabilidadtotalsumadaatravésde
la región de valores donde ( ) 01
>n x x p ,,… es igual a uno. Como en el caso
unidimensional, esta condiciónesdehecho laquecaracteriza a cualquier funciónde
probabilidadodedensidad.
Función de densidad de probabilidad conjunta (caso continuo) : Al vector aleatorio
continuo ( )n X X ,, 1
seasociaunafuncióndedensidaddeprobabilidad ( )n x x f ,,…1
que,asumiendovalorespositivosenalgunaregiónRdelespacion-dimensional,cumple
lassiguientescondiciones:
i. ( ) 01
≥n x x f ,,… paratodo ( )n x x ,, 1
ii. ( ) 111
=∫ ∫ n n
R
dx dx x x f …… ,,
Función de distribución de probabilidad conjunta: Un vector aleatorio ( )n X X ,, 1
basadoenunespaciodeprobabilidad(Ω,ℑ,P)tieneunafuncióndedistribuciónconjunta
definidadelsiguientemodo:
( ) ( ) ( ){ }n n n X X x X x X P x x F n
≤≤= ω ω ω ,,,,,, …… 1111
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 24/125
16
Calculándoseesta expresiónmediantesumatoriaso integralesmúltiplessegúnseael
vector aleatorio discreto o continuo respectivamente. Las expresiones para los
momentos de los vectores aleatorios se obtienen de forma análoga al caso
unidimensional.Cabedestacarporúltimolaexpresiónparalafuncióncaracterísticade
unvectoraleatorio:
Función característica conjunta: Sea ( )n X X ,, 1
unvector aleatorio basado en un
espaciodeprobabilidad(Ω,ℑ,P).Sufuncióncaracterísticaconjuntaestadadapor:
( ) ( )[ ]
( ) ( )n n n n
R
n n n X X
dx dx x x f x u x u i
X u X u i E u u n
……
…
1111
1111
,,exp
exp,,,,
++
=++=
∫ ∫
ϕ
Hadeentenderselaúltimaintegraldeestaexpresióncomounasumatoriaenelcasoen
que ( )n X X ,, 1 seaunvectoraleatoriodiscreto.
Como último punto en este aparte, cabe observar que cada una de las variables
aleatorias i X que conforman el vector aleatorio ( )n X X ,, 1
está asociada a un
mismoespacioprobabilizado,porlo cual cadaunadeestasvariables tienesupropia
funcióndeprobabilidad(dedensidaddeprobabilidad,siescontinua).Enelcontextode
lasvariablesaleatoriasmultidimensionales,lafuncióndeprobabilidad(odedensidad)
de cada variable aleatoria por separado se conoce como función de probabilidad
(densidad) marginal y se obtiene a partir de la función de probabilidad conjunta
sumando(ointegrando)atravésdelasvariablesaleatoriasrestantes.
Asípor ejemplo, si tenemosel vectoraleatorio ( )Y X , consufuncióndeprobabilidad
conjunta ( )y x p , (o función de densidad ( )y x f , si ( )Y X , es continua), podemos
obtenerlafuncióndeprobabilidadmarginaldelsiguientemodo:
( ) ( )∑∈=Y Rango y
X y x p x p , (o ( ) ( )dy y x f x f Y Rango
X
∫ = , si ( )Y X , escontinua)
Enelcasodevariablesaleatoriasdemásdedosdimensiones,tendremossumatoriaso
integralesmúltiples,afindesumaratravésdelasvariablesaleatoriasrestantes.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 25/125
17
1.6. Variables aleatorias independientes y su caracterización. Covarianza.Distribución de la suma de dos o más variables aleatorias independientes.Convolución.
Elanálisisde lasrelacionesentre las variablesaleatoriasdeunmodeloprobabilístico
tienemuchoqueverconel concepto de la independenciaentre variables aleatorias.
Intuitivamente,decimosquedosvariablesaleatoriassonindependientessielresultado
observado de una variable no afecta la ocurrencia del valor observado en la otra
variable.Otramaneraintuitivadeabordarlaideaesconsiderandoquesidosvariables
aleatorias son independientes, la distribución de probabilidades de una de ellas
permaneceigualatravésdetodoslosposiblesvaloresqueasumalaotravariable,lo
cualguardarelacióndirecta conla posibilidad defactorizarla función deprobabilidad
conjuntacomoelproductodelasrespectivasfuncionesdeprobabilidadmarginales.
Amododeilustrar,seconsideraelsiguienteejemplo:enunapoblación,seobservala
razaogrupoétnicodecadapersonaconjuntamenteconsuniveldeinteligenciamedida
a través del coeficiente intelectual. Si el nivel de inteligencia de un individuo es
independientedesugruporacialuorigenétnico,seobservaráquelasproporcionesde
individuos inteligentes,normales y subnormalespermanecerán iguales sin importar el
grupo racial o étnico considerado. Valga este ejemplo para señalar otro aspecto
importantesobrelasrelacionesdedependenciaentrevariablesaleatorias:laestadística
se limita a discernir si ciertos niveles de una variable van acompañados por ciertos
niveles deotra variable- lastécnicasestadísticas clásicasnopermitendiscernirsobre
las relaciones de causalidad de unas variables sobre otras. En nuestro ejemplo, si
encontrásemosqueelorigenracialnoesindependientedelniveldeinteligenciadeun
individuo,noporestopudiésemosconcluirqueciertasrazasson“másinteligentes”que
otrasodichodeotromodo,queelorigenracialdeunindividuoexplicasubajooalto
coeficiente intelectual. Más bien, en este caso, el investigador deberíaevaluarsi el
instrumentodemedicióndela inteligenciaestáonodiseñadode formasesgadapara
favoreceralosindividuosdeciertarazaporsobrelosindividuosdeotrasrazas.Entodocaso, si la dependencia estocástica esequivalentea lacausalidad, eso esalgo que
deberespondersefueradelámbitoprobabilístico.
Otroerrorcomúnencuantoalconceptoprobabilísticodeindependencia,porlomenos
en base a la experiencia docente del autor, es aquel de señalar dos eventos
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 26/125
18
mutuamenteexcluyentescomoaquellosquesonindependientesentresí.Dehecho,se
dajustamentelocontrario:sidoseventossonmutuamenteexclusivos,laocurrenciade
unodeterminalanoocurrenciadelotro,porlocualjamáspuedenconsiderarseeventos
independientes. Es importante aclarar todos estos puntos en torno a la noción de
independenciaestocásticaporqueunaspectoimportanteenelanálisisdelosprocesos
estocásticos es determinar si el estado del proceso en un instante de tiempo es
independiente de su estado en otro instante. Como se verá, la suposición de la
independenciaentrelosestadosdelsistemaendistintosinstantesdetiemposimplifica
bastanteelanálisisdelprocesoestocástico.
Seguidamentesedanalgunascaracterizacionesde laindependencia delas variables
aleatoriasconjuntamentedistribuidas:
i. Caracterización de la independencia en términos de sus funciones de
probabilidad
Un conjunto de variables aleatorias conjuntamente distribuidas se dice ser
independientesiysolosisufuncióndeprobabilidadconjuntasepuedefactorizar
comoelproductodelasfuncionesdeprobabilidaddecadavariable:
( ) ( ) ( )n X X n x p x p x x p n
⋅⋅= …11 1
,,
Sielvectoraleatorioescontinuo,se intercambia“funcióndeprobabilidad” por
“funcióndedensidad”enestacaracterización.
ii. Caracterización de la independencia en términos de sus funciones de
distribución
Paratodan-pladevalores ( )n x x ,, 1
,setieneque
( ) ( ) ( )n X X n X X x F x F x x F n n
⋅⋅= …… 11 11,,,,
iii. Caracterización de la independencia en términos de la esperanza matemática
Paratodan-pladefunciones ( )n g g ,, 1
dondeexistanlosrespectivosvalores
esperadosenlasiguienteecuación:
( ) ( )[ ] ( )[ ] ( )[ ]n n n n X g E X g E X g X g E ⋅⋅=⋅⋅ ……1111
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 27/125
19
Enpalabras: laesperanzadel producto devariablesaleatorias conjuntamente
distribuidasesigualalproductodelosvaloresesperadosdecadavariable.De
estacaracterizacióndeindependenciasededucequelavarianzadelasumade
variables aleatorias conjuntamente distribuidas e independienteses igual a la
sumadelasrespectivasvarianzas: [ ] [ ] [ ]n n X V X V X X V ++=++ …… 11
iv. Caracterización de la independencia en términos de su función característica
La función característica de un vector aleatorio conjuntamente distribuido es
igual al producto se las funciones características de cada variable aleatoria
respectivacuandoestassonindependientes.Dichacaracterizaciónseinfierede
lapropiedadanteriorparaelvaloresperadodelproductodevariablesaleatorias
independientes.
( ) ( ) ( )n X X n X X u u u u n n
ϕ ϕ ϕ ⋅⋅= …… 11 11,,,,
Estacaracterizacióndeindependenciaesmuyútil.Permiteporejemploconcluir
que la suma de n variables exponenciales idénticamente distribuidas e
independientesesunavariablealeatoriagamma
Según las distintas caracterizaciones de independencia vistas, se tiene que dos
variablesaleatorias,osonindependientesonoloson.Perosihemosdeestablecerun
grado o la magnitud de la dependencia entre dos variables, una medida sería la
covarianza,cuyadefiniciónes:
[ ] [ ]( ) [ ]( )[ ] [ ] [ ] [ ]Y E X E Y X E Y E Y X E X E Y X ⋅−⋅=−−=,cov
EsdenotarquesidosvariablesaleatoriasXeYsonindependientes,lasesperanzasen
laexpresióndelextremoderechodeestasigualdadessecancela-consecuentemente,si
dos variables aleatorias son independientes, su covarianza es cero, aunque no
podemosestablecerdemodogenerallaimplicacióncontraria.Lacovarianzapuedeser
negativa o positiva, sin embargo, a fin de acotar la covarianza y establecer
comparaciones entre los grados de dependencia de dos o más pares de variables
aleatoriassedefineapartirdelacovarianzaelcoeficientedecorrelación:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 28/125
20
[ ][ ]
[ ] [ ]Y V X V
Y X Y X
⋅=
,cov, ρ
elcualsepuededemostrarqueestáacotadoentre-1y1 2.Enrealidad,elcoeficientede
correlaciónmideelgradodelinealidadenla relacióndedosvariables.Siρes-1,se
tienequeentreXeYexisteuna relación linealdecrecienteperfecta:una variable se
puedeexpresarcomofunciónafíndelaotraysiunavariablecrece,laotradecrece.En
cambioρ=1representaunarelaciónlinealcrecienteperfecta:unavariablealeatoriaes
funciónafíndelaotrayambasdecrecenocrecensimultáneamente. Siρescero,no
existeninguna relación de linealidadentre unay otra variable, pero comoyasedijo
anteriormente, esto no implica necesariamente que las variables en cuestión sean
independientes.Dichoseadepaso,existenotrasmedidasdecorrelaciónuntantomás
robustas que no toman la linealidad en cuenta, como por ejemplo el coeficiente de
correlaciónderangodeSpearmanyelcoeficientedecorrelaciónderangoτdeKendall
entreotros3.
Elconceptodeindependenciaentredosvariablesysuscaracterizacionesentérminos
de la esperanza matemática de su producto tienen como consecuencia un método
sencilloparaobtenerladistribucióndeprobabilidaddelasumadedosomásvariables
aleatorias. SepuededemostrarquesiXeYsondosvariablesaleatoriascontinuase
independientesentoncessufuncióndedensidadestádadapor:
( ) ( ) ( )dx x y f x f y f Y X Y X −⋅= ∫ ∞
∞−+
Para el caso continuo, la función de probabilidad de X+Y para dos variables
independienteses:
( ) ( ) ( )∑ −⋅=+x
Y X Y X x y p x p y p
Integralescomoladearribasedenominanbajoelnombredeconvolución.Enalgunos
textosdematemáticaslaconvolucióndedosfuncionesfygseescribef ∗g,demodo
que ( ) Y X Y X f f y f ∗=+ .Elcálculodetalesintegrales(osumatoriasenelcasodiscreto)
puede resultar algo tedioso- esdeeste puntodedonde las funciones características
2VerlademostracióndelTeorema7.11enMEYER,p.145
3Verelcapitulo9deSPIEGEL.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 29/125
21
derivansuimportancia.Yaquelaesperanzadelproductodedosvariablesaleatorias
independientesesigualproductodesusrespectivasesperanzas,setieneque:
( ) iuY iuX iuY iuX Y X iu e E e E e e E e E ⋅=⋅=+
y en consecuencia ( ) ( ) ( )u u u Y X Y X ϕ ϕ ϕ ⋅=+ . En base a esta fórmula, se puede
determinarladistribucióndelasumadevariablesaleatoriasindependientesobservando
lafuncióncaracterísticadelasuma.Conesteresultado,seexplicafácilmenteporquéla
suma de variables exponenciales independientes de idéntico parámetro tiene una
distribucióngamma,porejemplo.Estaformulaserádeutilidadenelanálisisdeciertos
procesosestocásticos.
Ejemplo para las secciones 1.5 y 1.6
A fin de consolidar tu aprendizaje de los conceptos expuestos en las secciones
anterioressobrevariablesmultidimensionaleseindependencia,consideraelproblemaa
continuación:
Selanzandosdadosyenatenciónalresultado,sedefinenlasdosvariablesaleatorias
siguientes-
X –representalasumadelasdoscarasresultantesenellanzamientodelosdados.
Y –esunavariablealeatoriadicotómicaqueasumeelvalorde1silacaradelprimer
dadoesdivisibleentre2o3,y0sinoloes.
Determina la función de probabilidad conjunta de la variable aleatoria bidimensional
(X ,Y)asícomolafuncionesdeprobabilidadmarginalesdeX ydeY .Adicionalmente,
indicasilasdosvariablesaleatoriasencuestiónsonmutuamenteindependientes.
Solución:
Primero,debemosidentificar elespaciomuestralsubyacentealexperimento aleatorio
asociadoallanzamientodelosdosdados.Dichoespaciomuestralsepuededefinir(o
modelar,siprefieres)medianteelsiguienteconjuntodeparesordenados:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 30/125
22
( ){ }61212121
≤≤∈=Ω d d d d d d ,,,, N
Enpalabras,Ωeselconjuntodetodoslosparesordenadosdenúmerostalquecada
númerorepresentaunadelasposiblesseiscarasdeldadorespectivo.Dichoconjunto
tiene36elementosy asumiendoquelosdadossonjustosyqueellanzamientodeun
dadonocondicionaellanzamientodelotro,cadaunodeestos36eventoselementales
delespaciomuestraltieneunaprobabilidadasociadade 361 .Traducciónalcastellano:
losposiblesresultadosdelanzardosdadossonequiprobables.
ApartirdeesteconjuntoΩdefinimoslasdosvariablesaleatoriascomoenelenunciado
delproblema.Estasvariablespuedenconsiderarsecomocaracterísticasnuméricasqueestaránasociadasacadaeventoelementaloindividuodelapoblación.Enconjunto,se
esquematizatodoestoenunatabla:
i i ω ( )i X ω ( )i Y ω i i ω ( )i X ω ( )i Y ω i i ω ( )i X ω ( )i Y ω
1 (1,1) 2 0 13 (3,1) 4 1 25 (5,1) 6 0
2 (1,2) 3 0 14 (3,2) 5 1 26 (5,2) 7 0
3 (1,3) 4 0 15 (3,3) 6 1 27 (5,3) 8 0
4 (1,4) 5 0 16 (3,4) 7 1 28 (5,4) 9 0
5 (1,5) 6 0 17 (3,5) 8 1 29 (5,5) 10 0
6 (1,6) 7 0 18 (3,6) 9 1 30 (5,6) 11 0
7 (2,1) 3 1 19 (4,1) 5 1 31 (6,1) 7 1
8 (2,2) 4 1 20 (4,2) 6 1 32 (6,2) 8 1
9 (2,3) 5 1 21 (4,3) 7 1 33 (6,3) 9 1
10 (2,4) 6 1 22 (4,4) 8 1 34 (6,4) 10 1
11 (2,5) 7 1 23 (4,5) 9 1 35 (6,5) 11 1
12 (2,6) 8 1 24 (4,6) 10 1 36 (6,6) 12 1
Observamosquelav.a.X asumevaloresentre2y12(11posiblesvalores),mientras
queYasumedosposiblesvalores-0y1. Paraobtener lasprobabilidadesconjuntas,
construimosunatablade11columnas(cadacolumnarepresentaunposiblevalorde X )
y 2 filas (losdos posibles valores deY ). En cada celda, se indica laprobabilidad
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 31/125
23
respectivaconqueocurreelvalor(x,y).Estasprobabilidadesseobtienenapartirdela
tablaanterior.Porejemplo,elpar ( ) ( )18,, =Y X ocurre4vecesen36casos.Porlo
tanto suprobabilidad es igual a 364 y este valor es el que colocamos en la celda
respectiva.Paravariablesaleatoriasbidimensionalesdiscretas,dichatablaseconoce
comotabla de contingencia:
X
2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 2/36 2/36 1/36 1/36 1/36 1/36 0Y
1 0 1/36 2/36 3/36 3/36 4/36 4/36 3/36 2/36 1/36 1/36
A esta tabla de contingencia podemos agregarle las respectivas funciones de
probabilidadmarginales(queson ( )x f X y ( )y f Y )totalizandolasprobabilidadesdelas
celdasydelascolumnas:
X Totales
2 3 4 5 6 7 8 9 10 11 12 ( )y f Y
0 1/36 1/361 /361 /36 2/36 2/36 1/36 1/36 1/36 1/36 0 12/36Y
1 0 1/362 /363 /36 3/36 4/36 4/36 3/36 2/36 1/36 1/36 24/36
( )x f X 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 1
Con las funciones de probabilidad marginales deX e Y podemos verificar si estas
variables son independientes. Recordemos que una de las definiciones o
caracterizacionesde independencia requiere que la funciónde probabilidad conjunta
seafactorizableporlasrespectivasfuncionesdeprobabilidadmarginales,esdecir,que
secumpla ( ) ( ) ( )y p x p y x p Y X ⋅=, paratodox,y.
Sitomamos,porejemplo,x=3ey=0,tenemos
( ) ( )36
103 == ,, p y x p ,pero ( ) ( )
54
1
36
2
36
12=⋅=⋅ y p x p Y X yclaramentesetieneque
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 32/125
24
( ) ( ) ( )y p x p y x p Y X ⋅≠, yporlotantoXeYnosonindependientes.
Han podido considerarse otras instancias de x e y, pero básteseque no se cumpla
( ) ( ) ( )y p x p y x p Y X ⋅=, paraunainstanciaparaqueelparX ,Y noseaindependiente.
Esteresultadotieneunalecturaintuitiva:paraquelasuma X sea2,esnecesarioqueD 1
noseadivisibleentre2o3.Porotrolado,paraqueX sea12,esnecesarioqueD 1 sea
divisibleentre2y3,porquetantoD 1 comoD 2 sonnecesariamenteigualesa6.Porlo
tanto,vemosqueladivisibilidaddeD 1 por2o3condicionalasumaX ;dehecho,se
observa que para distintos valores de X las proporciones de las probabilidades
conjuntasparaloscasosY =0oY =1sondistintas.Todoestoconfirmaque X eY son
mutuamentedependientes,aunqueelgradodedependencianoestotal.
Otra cosa que seguramente habrásnotado es la razón por la cual las funciones de
probabilidad individuales de X y de Y se denominan funciones de probabilidad
marginales:siendototalesdecolumnasydefilas,seespecificanenlosmárgenesdela
tabladecontingencia.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 33/125
25
1.7. Introducción a la simulación estocástica mediante el lenguaje R.
Elusode lateoríadelaprobabilidadparadeduciralgunaspropiedadesdeunmodelo
aleatorioentrañaciertadificultad-sepresentacasosendondeelanálisisteóricodeun
matemáticoexperimentadosobrealgunasituaciónqueinvolucraelazareserrado.Siademás nuestra formación teórica sobre las probabilidades es deficiente
(lamentablemente este es el caso más común), entonces esto dificulta aún más el
abordaje de ciertos problemas. Pero teniendo una computadora, contamos con un
instrumento epistemológico que nos permite obtener conocimiento sobre el modelo
aleatorio de forma experimental- este es el objetivo fundamental de la denominada
simulación.
Lasimulación,comolaprogramaciónmisma,esunarte.Noexisteunprocedimiento
mecánico para hacer simulaciones. Lo que se requiere del analista es determinar
detalladamente lasreglasy lasecuenciadeaccionesque rigenelcomportamientode
loscomponentes delsistemaa simular. Sedebenestablecerbien las relacionesde
dependencia entre los componentes y deslindar aquellos comportamientos de
componentesquesonindependientesdelosdemáscomportamientos.Estasecuencia
deaccionesycomportamientosconformaunciclo,análogoaunapartidadeunjuego.
Como en las simulaciones se pretende determinar las probabilidades o los valores
esperados,sedebenrealizarmuchas iteraciones deestos ciclospara vercual essu
comportamiento“a lalarga”.Esenestepuntodondeestribaelpoderdelcomputador
como instrumento epistemológico- el computador realiza esta miríada de cálculos
rápidamente, obteniendo la probabilidad o el valor esperado deseado a través de la
fuerzadecomputobruto.
Existendiversoslenguajesopaquetesparalainvestigaciónestocástica.Entreestos,se
escogió el lenguaje R como el principal para desarrollar los ejemplos y trabajos
prácticos de este curso. El lenguaje R es un sistema para el análisis estadístico y
gráfico, a la vez un entorno de programación y aplicación basado en el lenguaje S
desarrolladoporlosLaboratoriosAT&TBell4.UnodelosatractivosprincipalesdeRes
que se distribuye libremente5 bajo los términos de la GNU General Public License.
4PARADIS,p.35LosbinariosparalainstalacióndeR,conladocumentacióncorrespondientesepuedendescargaratravésdehttp://cran.r-project.org/
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 34/125
26
Aunadoaesto,existenmuchosprogramasenSdisponiblesatravésdelInternetquese
pueden ejecutar directamente bajo R6. El lenguaje R, siendo un lenguaje de
programación orientado a objetos, incorpora sentencias básicas de bucles y
condicionamiento junto con herramientas sofisticadas de alto nivel para el análisis
estadístico,locualledaunaenormeflexibilidad.Portodasestasrazones,ellenguajeR
tiene cada vez más preponderancia en el mundo académico y en la investigación
estocástica.
Amodode ilustrarloqueesunasimulación, secomienzaconunejemploextraídode
un concurso en un programa de televisión británico que consiste en lo siguiente: el
concursanteseencuentraantetrespuertasentrelascualesdebeescogeruna.Detrás
deunadelaspuertasseencuentrauncarroydetrásdecadaunadelasotrasdosun
apestosoanimal(unacabra).Eltratoeselsiguiente,elanimador(quesabedondeseencuentraelcarro)abreunapuertaobviamentediferentealaqueeljugadorescogióya
la que contiene el carro, revelando una flamante cabra. Luego se le pregunta al
concursantesideseaabrirotrapuertaomantienesuelección.¿Queesmásventajoso
paraelconcursante?¿Cuáleslaprobabilidaddeganarsieljugadorcambiadepuerta?
Muchas personas, inclusive matemáticos, concluyen erróneamente que no es
particularmente más ventajoso cambiar de puerta razonando que una vez que el
animadorabreunadelaspuertasquenocontieneelcarro,lasprobabilidadesdeganaro perder son iguales (1/2) si se cambia de puerta o no. Sin embargo, un análisis
cuidadosodelasprobabilidadesdemuestraquelaprobabilidaddeganarcambiandode
puertaesde2/3.Sedejacomotareaverificarestodeformateórica.Enloquesigue
nos interesa más bien simular la situación. Para esto debemos especificar lomás
detalladamenteposiblelasecuenciadepasosencadajuego:
6Consultarenhttp://stat.cmu.edu/S/
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 35/125
27
El Juego de Monty Hall
• Primero, se esconde el carrodetrás de una de las trespuertas(alazar).
• El jugador selecciona una delas tres puertas (escoge alazar)
• Elanimador(MontyHall),sabiendodondeestáelcarro,escogeunapuertaquenosealaqueoptóelconcursantenilaquecontieneelcarroylaabre,revelandoquehayunacabradetrásdeesapuerta.Siquedaunasolapuertaelegibleconesascondiciones,Montylaescoge.Delocontrario,sihaydospuertaselegibles,Montyescogecualquieradelasdosalazar.
• Como en lasimulación queremosdeterminar laprobabilidad deganar sielconcursantecambia depuerta,hacemosqueeljugadoropteuna segundavez por lapuertaque noseleccionólaprimeravezniporlapuertaqueacabadeabrirMonty.
• Si lasegundapuerta que escogióelconcursantees iguala lapuerta detrás de lacualestabaelcarroelconcursantegana.
EstecicloserepiteunnúmeroNarbitrariamenteelevadodevecesafindedeterminarla
proporcióndevecesqueelconcursantegana.Segúnlaleydelosgrandesnúmeros,si
el número de iteraciones es lo bastante elevado, esta proporción se acercará a la
probabilidad verdadera de 2/3. A continuación se indica el código en R para esta
simulaciónjuntoconelresultadoarrojadoporlamisma,queesde0.6688,locualcomo
sepodráapreciar,seacercabastantea2/3.
#simulación del concurso de Monty Hall
#problema descrito en el aparte 1.7. de los apuntes del curso
#"Procesos Estocásticos", dictado en la UNEFA San Tomé
#Autor: Prof. José L. Romero P. fecha: 10/8/2007
#------------------------------------------------------cnt<-0
puertas=c(1,2,3)
N=10000
for (i in 1:N) {
puerta.premio=sample(puertas,size=1,replace=TRUE)
primera.puerta.jugador=sample(puertas,size=1,replace=TRUE)
otras.puertas=setdiff(puertas,union(puerta.premio,primera.puerta.jugador))
ifelse((length(otras.puertas)==1),monty.abre.puerta<-otras.puertas,monty.abre.puerta<-sample(otras.puertas,size=1,replace=TRUE))
segunda.puerta.jugador=setdiff(puertas,union(primera.puerta.jugador,
monty.abre.puerta))
if (segunda.puerta.jugador==puerta.premio) cnt<-cnt+1
}
cat("La probabilidad de ganar en N=",as.character(N)," ensayos del juego es ",
cnt/N,".\n")
La probabilidad de ganar en N=10000 ensayos del juego es 0.6688.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 36/125
28
Otroejemplodecómodeterminarprobabilidadesmediantesimulacionessedesarrollaa
partirdelsiguienteproblema:
El Encuentro
Dos hombres de negocios deciden
encontrarseenalgúnlugarentrelas10
y11am,cadaunoacordandonoesperar
másde10minutosporelotro.¿Cuáles
laprobabilidaddequeseencuentrensi
cadaunollegaindependientementedelotroyencualquierinstante
aleatorioenellapsodeesahora?
Paracomenzar,denotemosporXeYelinstantedetiempodentrodeunahoraalacual
llega cada empresario respectivamente. Según la última parte del enunciado que
establece que “cada uno llega independientemente del otro y en cualquier instante
aleatorio enel lapso deesa hora”,sedesprendeque tantoX comoY son variables
aleatorias continuas independientes y uniformemente distribuidas entre 0 y 60 (se
trabajaráelproblemaenbaseallapsode60minutos).Paraquelosempresariosse
encuentren,ladiferenciaenvalorabsolutodelostiemposdellegadadeunoyotrodebe
ser menor o igual a 10 minutos. Es decir, se quiere calcular { }10≤−Y X P .
Claramente,estadiferenciaenvalorabsolutovariaentre0y60minutos,peroaúnnose
hadeterminadoladistribucióndeprobabilidadde Y X − .
Sesuponequeenestenivel,debeshaberpodidorealizarelanálisisdelproblemahasta
esepunto,aunquequizásnosepascomoprocederapartirdeahí-esprecisamenteen
ayudara dilucidareste tipo desituacionesen que radicala valíadeunasimulación.
Para el problema en cuestión, esta va a consistir básicamente en generar una
distribuciónempíricadeunnúmerosuficientementegrandedevalores Y X − basados
en números aleatorios uniformemente distribuidos según lo expuesto en el análisis
previo.Sinmáspreámbulos,sedaelcódigodelasimulaciónenRacontinuación:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 37/125
29
#Problema: dos personas deciden encontrarse entre las 10 y 11am, acordando
#que quien llegue primero no esperará más de 10 minutos por el otro. Si ambas
#personas llegan al azar independientemente de la otra, determinar la
#probabilidad de que se encuentren. (Problema en el aparte 1.7 del texto)
#Solución por simulación:
#(Autor: Prof. José L. Romero P. - 18/08/2007)
N=1000000
#¿cual es la distribución de |X-Y| si X e Y son Unif(0,60) e independientes?
x<-abs(runif(n=N,min=0,max=60)-runif(n=N,min=0,max=60))
obhist=hist(x,br=60,right=FALSE,plot=FALSE)
pdf(file="encuentro.pdf")
plot(obhist,freq=FALSE,
main="Histograma de frecuencia",ylab="denisdad de probabilidad empírica")
abline(a=(60/1800),b=-1/1800,col="red")
legend(x=25,y=0.033,legend="Función de densidad teorica",fill="red")
#¿cual es la probabilidad requerida?
plot.new()
x<-as.integer(x<=10)
probabilidad<-mean(x)
text(0,1,"Cálculo mediante simulación de los valores requeridos",
adj=c(0,0),cex=1.1)
text(0,0.9,paste("Probabilidad de que las dos personas se encuentren: ",
probabilidad),adj=c(0,0),cex=0.8)
lines(c(0,1),c(0.98,0.98))
Dichasimulacióngenerólasiguientesalida-elhistograma…
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 38/125
30
ylaprobabilidadteórica:
¿Cómolohizoyquesignificalalínearojaenelhistograma?Enprimerlugar,segenero
unamuestradeN=1000000devalores Y X − aleatorios.Seguidamente,segraficóel
histograma de frecuencias con los métodos “hist” y “plot” de R. Esto generó un
histograma como el de lapágina anterior, sin la línea rojaaún. Obsérvese que los
rectángulos son levemente irregulares, pero sus alturas decrecen en forma
sorprendentemente regular y lineal. La línea roja,como función dedensidad teórica,
pareceajustarsebien,porlomenosintuitivamente,aloobservado.Enestepuntonos
damoscuentaquelafuncióndedensidadde Y X − debeserunsegmentoderecta
decrecienteentre 0 y 60 como la línea roja en el grafico. Unanálisismás profundo
revelalosiguiente:
Lafuncióndedensidaddeprobabilidadde Y X − estadadapor
( )1800
60
60
12
60
0
2
d dt d f
d
Y X
−=⋅= ∫
−
− ,dondedasumevaloresentre0y60.
La motivación de dicha fórmula viene de notar que el evento correspondiente a “la
diferencia Y X − esexactamenteigualad”severificapara [ ] d X Y d X +=−∈ ,,600
(suponiendo X mayor o igual a Y), la integral viene a representar la masa de
probabilidad total para cadaunode estoscasos. El factor de 2a la izquierdade la
integral sedebeaque Y X ≥ o X Y ≥ . Dicha función evidencia seruna funciónde
densidadlegítimapuessuintegralatravésdelosvaloresposiblesdedesigualauno:
( ) 10
60
3600301800
60260
0
60
0
=−=−
= ∫ ∫ −z z
dz z
dz z f Y X
Observando el código R de la simulación, se evidencia que el segmento lineal rojo
trazadosobreelhistogramadefrecuenciasempíricassecorrespondealafunciónlineal
( )d f Y X − ,apartirdelacualsepuedecalcularfácilmentelaprobabilidaddeseada:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 39/125
31
{ } ( ) 5530036
11
36
1
3
1
0
10
36003010
210
0
,==−=−==≤− ∫ −z z
dz z f Y X P Y X
Como se puede ver, el resultado de la simulación (0,305779) se corresponde con
bastanteexactitudalresultadoteórico.
Eneste cursoseharáunuso intensivodesimulaciones como estas paraapoyar los
resultados sobre los procesos estocásticos deducidos teóricamente. La discusión
detallada sobre la sintaxis del lenguaje R o las técnicas de simulación per se son
marginales a los objetivos principales de curso- por esto incluyo un breve apéndice
sobre lenguaje R y la documentación disponible como anexo de este material. Lo
importanteesquesigascondetenimientolaexposicióndecadaunodelosejemplosde
implementacióndesimulacionesytratesdecompaginarestoconeldesarrolloteóricode
cadaproblema. Así mismo, te invito a dilucidar cualquier otro aspecto teóricode la
teoríade laprobabilidady de losprocesos estocásticos por timismo implementando
simulaciones.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 40/125
32
Problemas Propuestos
1) Define,entuspropiaspalabras,lossiguientesconceptos:a) Espaciomuestral
b) Evento
c) Variablealeatoria
d) Funcióndedistribucióndeprobabilidad
e) Funcióndeprobabilidad
f) Funcióndedensidad
2) Define el espacio muestral asociado al siguiente experimentoaleatorio:Un lote
contiene10artículos,3deloscualessondefectuosos.Seextraeunartículoala
vez de este lote, sin reemplazo, hasta haber obtenido todos los artículos
defectuososyseobservalacantidaddeartículosquequedanenellote.
3) UnjugadoritalianoexpresósusorpresaaGalileoporobservarquealjugarcon
tresdados,lasuma10aparececonmásfrecuenciaquela9.Segúneljugadorlos
casosfavorablesal9yal10seríanrespectivamente:
Casos favorables a 9: Casos favorables a 10:
1 2 6 1 3 6
1 3 5 1 4 5
1 4 4 2 2 6
2 2 5 2 3 5
2 3 4 2 4 4
3 3 3 3 3 4
PeroGalileo, ensu libroConsiderazionesopra ilgiuocodei dadi , vio queestas
combinacionesnosepuedenconsiderarigualmenteprobables.Explicaporquéy
calcula las correspondientes probabilidades. ¿Como dilucidarías el problema
medianteunasimulación?
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 41/125
33
4) Define“independenciaentreeventos”y“eventosmutuamenteexcluyentes”.¿Cuál
esladiferenciaentreestosdosconceptos?
5) En una líneade producción deuna fábricaen China seproduce cierto tipo de
artículoydeestaproducción,el10%delosartículossalendefectuosos.Debidoa
lanaturalezadelprocesodefabricación,estaprobabilidadesconstanteparacada
artículo individual en la línea de producción. Un inspector de calidad visita la
fabricaytomaunamuestraaleatoriade4 artículos. ¿Cuáleslaprobabilidadde
queencuentreunoomásartículosdefectuosos?
6) EnlarepublicaBolivarianadeVenezuelaseproducenenpromedio200casosde
corrupciónadministrativasemanalmente,segúnunprocesodePoisson.Deestos
casosdecorrupción,soloel1%concluyeencárcelparalosculpables.¿Cuáleslaprobabilidad de que en la próxima semana se produzcan 2 o más delitos de
corrupciónpunibles?
7) SeaTeltiempodevidaenhorasdeuncomponentedistribuidoexponencialmente
contiempodevidapromediode5horas.Calculalassiguientesprobabilidades:
a) [ ]3>T P
b) [ ]5=T P
c) [ ]64 <≤ T P
8) Dosbolas idénticas sedistribuyenen tres urnasnumeradas. Este experimento
aleatoriotiene6resultadosposiblescuyasprobabilidadessedanrespectivamente
(cadaelementoenlosvectoresderesultadosrepresentanlacantidaddebolasen
laurnacorrespondiente):
Resultado Probabilidad Resultado Probabilidad
(2,0,0) 1/9 (0,1,1) 2/9
(1,1,0) 2/9 (0,2,0) 1/9
(1,0,1) 2/9 (0,0,2) 1/9
Elabora unprogramaenRque calculede formaaproximada laprobabilidadde
observar el resultado (2,0,0). Dicho programa debe simular el experimento
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 42/125
34
aleatoriodescritounnumeroNsuficientementegrandedevecesy estimardicha
probabilidadmediantelaproporcióndevecesqueseobtieneelresultado (2,0,0)
conrespectoalnúmerototaldeensayosN.
9) Seefectúauncuriosodueloconpistolasentretrespersonas,cadaunoconuna
determinadaprobabilidaddeacertareltirosegúnseindicaacontinuación:
participanteA:0,3 participanteB:1 participanteC:0,5
Enesteduelo,comienzaelparticipanteA,luegoletocaelturnoaByporultimoa
C.Comienzalarondanuevamenteenelmismoordenhastaquequedeunsolo
hombreenpié,eliminandosucesivamenteaaquellosquerecibanuntiro.
El participante A debe escoger entre dos estrategias al comienzo del duelo:
dispararaBodispararalaire.Sidisparaalaire,noeliminaanadie.TocándoleelturnoaB,esteeliminaaCycuandoletoqueelturnoaAnuevamente,estetiene
unaprobabilidadde0,3deeliminaraByasíganarelduelo.Siledisparaprimero
a B, podría eliminarlo e intercambiar disparos indefinidamente con C hasta
eliminarlo. ¿Cuál es la probabilidad de que A gane el duelo si emplea esta
segundaestrategia?¿Esmenoromayorquelaprobabilidaddeganardisparando
alairelaprimeravez?Determinaestaprobabilidadanalíticamenteymedianteuna
simulaciónenR.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 43/125
35
Capitulo 2- Introducción a los procesos estocásticos.Terminología y nociones preeliminares
2.1. Definición y ejemplos de procesos estocásticos.
Los procesos estocásticos son básicamente fenómenos cuyo comportamiento se
desarrollaeneltiempoyserigeporlasleyesdelasprobabilidades7.Ejemplosdetales
fenómenos son: el movimiento browniano de una partícula, el crecimiento de una
población tal como una colonia bacterial, el tamaño de una cola en una estación
cliente/servidor,larecepcióndeunaseñalenpresenciaderuidooperturbaciones,los
preciosdeunbienenun lapsodetiempo, lasfluctuacionesdefortunaenun juegode
azar,etc.Existencaracterizacionesdeprocesosestocásticoscuyavariablenoesel
tiempo,sinolaubicaciónespacial.Ejemplosdeestosprocesosestocásticosespaciales
son la distribución geográfica de especies de plantas o animales y es estudio de
epidemias,dondeelcontagiodeunaenfermedadenunsitiodependedesuproximidad
conotros sitios infectados. El interésprincipalde este cursoesmás biensobre los
procesosestocásticostemporalesynosobrelosespaciales.
Otro concepto relacionado es el de series cronológicas- estas se refieren a las
observaciones,o realizacionesenel tiempode unprocesoestocástico implícitoyson
objetodeestudioparaloseconomistasprincipalmente.Habiendohecholasuposición
queunaseriecronológica(correspondientealospreciosdeunaacciónenlabolsade
valores,porejemplo)esunarealizacióndeunprocesoestocástico,losinvestigadores
tratandeinferirestadísticamenteapartirdelasobservaciones,lasleyesquegobiernan
elprocesoafindepredecirciclosovaloresfuturos.
Para efectos matemáticos, un proceso estocástico es una sucesión de variables
aleatorias, cada una de las cualesdescribe el estado del sistema en un instante de
tiempodado.Estadefiniciónesadecuadaporqueabarcalossiguientesaspectos:1)el 7 Lapalabra “estocástico”esdeorigen griego,provienede “stokhos”, quesignificaobjetivo, o
blancoeneljuegodedardos.“Stokhastikos”,comoadjetivo,aludeaapuntarbien,aquiénes
hábilparaconjeturar.Eladjetivo“estocástico”fueincorporadoallexicomatemáticoen1953-no
está del todo claro como adquirió la acepción pertinente a “aleatorio” usada hoy en día
(REBOLLEDO,5)
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 44/125
36
estadodelsistemaenuntiempodeterminadoesvariable,ysuvariabilidadsedebea
mecanismosaleatorios, 2) lavariable aleatoriadel estadodelsistema esunafunción
que depende del tiempo y en consecuencia, su distribución está determinada por el
instantedetiempoqueseconsidere,3)siseconsideranlosestadosdeunsistemaen
distintos instantes de tiempo conjuntamente, se puede conceptuar un proceso
estocásticocomounvectoraleatorion-dimensional.Resumiendo:
Definición(Procesoestocástico)–Unproceso estocásticoesunasucesiónoconjuntode
variables aleatorias ( ){ }T t t X ∈, definidas sobre un espacio de probabilidad común
(Ω,ℑ,P).
Enestadefinición,t eselparámetrode tiempo,elcuáltomavaloresenunconjuntoT
denominado conjunto índice. Según seaT un conjunto numerable o no, el proceso
estocásticoserá deparámetro discreto o continuo, respectivamente. Usualmente, el
valor ínfimo de T es 0, pues se analizarán los procesos estocásticos a partir de un
instantedetiempo0.Losprocesosestocásticosdeparámetrodiscretosedenotanpor
{ }…,,,, 210=i X i . Lasvariablesaleatorias ( )t X tomanvalores enunespaciomedible
llamadoespacio de estados(state-space eningles).Sisetieneunprocesoestocástico
ysefijaalgún Ω∈ω ,lafunción ( )ω t X t → sellamatrayectoriadelprocesoestocástico
X.Paraaclararunpocoestosconceptos,considéreseelsiguienteejemplo:secuentael
númerodepersonasqueentranaunbancoentrelas9y10am.Definimoselconjunto
índicecomoelconjuntodetodoslosposiblesinstantesdetiempoentrelas9y10am-el
procesoestocásticoesporlotantodeparámetrocontinuo.Considerandoqueestamos
interesadosenlacantidaddepersonasquehanentradoencierto instantedetiempo,
definiríamos elespacio deestados como elconjunto de todos losvalores enteros no
negativos. Por último,si consideramosunarealizacióndelprocesoestocástico antes
descritoparaundíaespecifico,digamosel29deagostodeesteaño, tendríamosuna
trayectoriadelproceso.
Dadounconjunto finito de n índices en T { }n t t ,,…1
, ( ) ( )( )n t X t X ,,…1
es un vector
aleatorio n-dimensional que genera la función de distribución enn R dada a
continuación:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 45/125
37
( ) ( ) ( ){ }n n n t t x t X x t X P x x F n
≤≤= ,,,,,, ……… 1111
Tales funciones dedistribución se conocen como las funciones dedistribución finito-
dimensionales del proceso estocástico y generalmente, un proceso estocástico se
determinaconociendotodassusfuncionesdedistribuciónfinitodimensionales,aunque
esto no es siempre cierto, como se evidencia en el siguiente contraejemplo- Sea
[ ]10,=Ω y P la distribución uniforme en [0,1], de modo que el experimento básico
consisteenescogerunnúmeroalazaren[0,1].Sobreesteespaciodeprobabilidades
sedefinendosprocesos:
a. ( ){ }],[, 10∈t t X definidopor ( ) 0=ω ,t X paratodot,ω.
b. ( ){ }],[, 10∈t t Y definidopor ( )
⎩
⎨⎧
=
≠=
ω
ω ω
t si
t si t X
1
0,
Y(t)sepuedeconsiderarcomounprocesoquedaunsaltodiscontinuoenuninstantede
tiempoaleatoriomarcandolaocurrenciadealgúneventoeneseinstante,talcomopor
ejemplounaexplosión.SepuedeverintuitivamentequeambosprocesosXeYtienen
las mismas funciones de distribución finito dimensionales y sin embargo, no son el
mismoproceso.
Enlapráctica,esmuydifícil,sinoimposible,obtenerlasfuncionesfinito-dimensionales
paratodoconjuntodeíndices { }n t t ,,…1 ytodon ,porlocualsedefinenlasfuncionesde
distribucióndeprimerysegundoorden.La función de distribución de primer ordense
correspondealadistribucióndelavariablealeatoriaenuntiempodeterminado:
( ) ( ){ }0000
x t X P x F t ≤=
Siestamosinteresadosenrelacionarelcomportamientodeunprocesoestocásticoen
dosinstantesdetiempoutilizamosla función de distribución de segundo orden:
( ) ( ) ( ){ }22112121
x t X x t X P x x F t t ≤≤= ,,,
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 46/125
38
2.2. Probabilidad y esperanza condicional. Definiciones y propiedades.
Las nociones de probabilidad y esperanza condicional juegan un papel importante
dentro del estudio de los procesos estocásticos. Seguramente el lector esta
familiarizado con las nociones de probabilidad condicional relativas a eventos y dealgunosresultadosconsecuentescomoelteoremadelaprobabilidadtotalyelteorema
deBayes-estasnocionesgeneralmenteseexponenenlasprimeraspartesdecualquier
curso elemental de probabilidades. Repasando, la probabilidad condicionalde que
ocurrauneventoAconociendolaocurrenciadeuneventoBes:
( ) ( )( )B P
B AP B AP
∩= ,lacualtienesentidosilaprobabilidaddeBesno-nula.
EstanociónsepuedeextenderalcondicionamientodeunavariableYporotravariable
XsiXeYsondiscretas.
( ) ( )( )
( )( )m X
n m Y X
m
m n m n
x p
y x p
x X P
x X y Y P x X y Y P
,,==
=====
∩, [2.1]
donde Y X p , eslafuncióndeprobabilidadconjuntadelparaleatorio ( )Y X , .Lavariable
aleatoriadiscretaquetiene talfuncióndeprobabilidadsedenotapor m x X Y = .Se
recalca que m x X Y = es una variable aleatoria que asume valores n y con lasprobabilidadescondicionalesindicadasarriba.Además,si XeY son independientes,
m x X Y = eY tienenlamismadistribución.Siendo m x X Y = unavariablealeatoria,
tienesuesperanzamatemáticaasociada,quees:
[ ] ( )∑ ==⋅==y sobre
m m x X y Y P y x X Y E ,queestádefinidapara ( )m X x p nonulo.
A medida que m x varia a través del espacio de probabilidad inducido por X , la
esperanzaanteriorasumelosvalorescorrespondientesporlocualsepuedeconsiderar
laestacomounafuncióndependientedelasinstanciasparticularesdeX:
( ) [ ] ( )∑ ==⋅===y sobre
X y Y P y X Y E f α α α [2.2]
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 47/125
39
La expresión 2.2 se lee “esperanzacondicional deY dado queX valeα”. Como α
representalosposiblesvaloresquetomalavariablealeatoriaX,setieneque ( )X f es
una variable aleatoria también. ( )X f , mejor denotada por [ ]X Y E , es de hecho la
esperanza condicional de la variable aleatoria Y condicionada por X.Seenfatizaque[ ]X Y E esunavariablealeatoria, locual lepuedeparecer aprimeravistaextrañoal
lector si está acostumbrado a considerar el valor esperado como una característica
numéricadeladistribución.Noobstante,paraqueestadefiniciónnosseadeutilidaden
elestudiodelosprocesosestocásticos,debemosdegeneralizarlaaúnmás:
Definición (Esperanza condicional de Y dadas n X X ,, …1
): Sean n X X ,, …1
variablesaleatoriasquetomanvaloresenunconjuntoEyseaYotravariablealeatoria.
LaesperanzacondicionaldeYdadalasucesión n X X ,, …1
es:
[ ] ( )n n X X f X X Y E ,,,, ……11
= ,
dondef estadefinidaparacualquiervector n α α ,, …1
,con E i ∈α por
( ) [ ] ( )∑ ===⋅====y sobre
n n n n n X X y Y P y X X Y E f α α α α α α ,,,,,, ………11111
Esta definición de esperanza condicional se puede extender al caso de
condicionamiento por variables aleatorias continuas si consideramos la función de
densidaddeprobabilidadcondicionalenvezdelafuncióndeprobabilidaddadaenla
ecuación2.1.Enefecto
( )( )
( )n X X
n Y X X
n X X Y x x f
y x x f x x y f
n
n
n ,,
,,,,,
,
,,,
, …
……
…
…
…1
1
1
1
1
1= [2.3]
La consecuente redefinición de la esperanza condicional para el caso de las
n X X ,, …1
continuasesdadaapartirde:
( ) [ ] ( )dy y f y X X Y E g y sobre
n n n n ∫ ⋅==== α α α α α α ,.,,,,, ………1111
[2.4]
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 48/125
40
La esperanza condicional comparte muchas de las propiedades de la esperanza
matemáticaquesetrataenloscursoselementalesdeprobabilidad,talescomo:
Propiedad 1:
[ ] [ ] [ ]m n n m m n n X X Y E c X X Y E c X X Y c Y c E ,,,,,, …………… 1111111 ++=++
Propiedad 2: SiYpuedeescribirsecomofunciónde n X X ,, …
1,esdecir ( )n X X f Y ,, …
1= ,
entonces [ ] Y X X Y E n =,, …1
Propiedad 3: Como [ ]n X X Y E ,, …
1 es una variable aleatoria, esta tiene esperanza y es
[ ][ ] [ ]Y E X X Y E E n =,, …1
Propiedad 4: Para 1≥m n , setiene [ ][ ] [ ]n n m n X X Y E X X X X Y E E ,,,,,, ………
111=+
Propiedad 5: Sean n X X ,, …
1y m Y Y ,, …
1dosconjuntosdevariablesaleatoriastalesquesi
seconocelosvaloresdeunosepuededeterminarlosvaloresdelotro,entonces,
paracualquierYsetiene [ ] [ ]m n Y Y Y E X X Y E ,,,, ……11
= .
Propiedad 6:
SiXeYsonindependientes,entonces [ ] [ ]X E Y X E = y [ ] [ ]Y E X Y E = ,casi
siempre.
Los conceptos de probabilidad y esperanza condicional son imprescindibles para
caracterizarlosdiversostiposdeprocesosaleatorios-esatravésdelasprobabilidades
y la esperanza condicional que se definen las relaciones de dependencia (o de
independencia) entre los estados de un proceso aleatorio en distintos instantes de
tiempo.Además,laesperanzacondicionalylasprobabilidadescondicionalespermiten
abordarproblemascomoelqueseenunciaacontinuación:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 49/125
41
El Ladrón de Bagdad
El Ladrón de Bagdad se encuentra en un calabozo con
trespuertas.Unadelaspuertasconduceauntúnelque
luego de un día de camino regresa al mismo punto de
partida.Otradelaspuertasconduceauntúnelsimilaral
anterior cuya travesía toma tres días. La tercera puerta
conducea la libertad. Asumiendoque elLadrón escoge
cualquieradelastrespuertasconigualprobabilidadyque
cadavezqueescogeunapuertaselehaolvidadoquehay
detrás de cada puerta, encuentre la cantidad de días en promedio que el Ladrón
pasaráencerradoenelcalabozodesdeelmomentoenqueprimeroescogeentrelas
trespuertashastaquehayaescogidolapuertaquelollevaalalibertad.
CadavezqueelLadróndeBagdadescogeunadelastrespuertasconstituyeunensayo
de Bernoulli con 1/3 probabilidad deéxito, entendiendo por éxitoabrir la puertaque
conduce a la libertad. Unprimer abordaje del problemanosmotiva a considerar el
númerodeensayosNquerealizaelladrónantesdeconseguirsulibertad,locualsería
unavariablealeatoriageométricamentedistribuida.PeroaclarandoqueNrepresentael
númerodeensayosfallidosantesdeescoger lapuertahacia lalibertad,por locualsu
funcióndeprobabilidadysuvaloresperadosonlosquesedanacontinuación:
( ) …,,, 210== n para pq n p n N
[ ]
( ) 3
2
3
12
1
1
1
1
2
0
1
1 1
1
0
====−
=⎟⎟ ⎠
⎞⎜⎜⎝
⎛ −∂
∂⋅===== ∑∑ ∑∑
∞
=
−∞
=
∞
=
−∞
=
q p que ya p
q
q pq
q q pq nq pq nq pq nq p npq N E
n
n
n n
n n
n
n
,,
La variablegeométricadifiere un poco de la indicadaen la tabla 1.1 porque en este
contexto, la variable aleatoria de interés es el número de ensayos fallidos antes de
conseguirelprimeréxito.Encambioenlatabla1.1,seplantealavariablegeométrica
como el número total de ensayos efectuados hasta conseguir el primer éxito. En
aquellos ensayos fallidos, el ladrón escoge una puerta que adiciona 1 día de
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 50/125
42
permanencia enelcalabozouotra puertaque adiciona 3días depermanencia enel
calabozo.Porlotantolavariabledeinteréses
N N X X S ++= …1
Donde N es la variable aleatoria geométricamente distribuida que se mencionó
anteriormente y los i X son cada uno variables aleatorias independientes de tipo
Bernoullicon
{ } { }2
131 ==== i i X P X P
Entérminosdeesperanzascondicionales,estamosinteresadosenencontrar
[ ][ ] [ ][ ]N X X E E N S E E N N ++= …1
Habida cuenta que [ ]N S E N es una variable aleatoria, que los i X son variables
aleatoriasindependientesconigualesperanzayqueasuvezsonindependientesdeN ,
setieneque:
[ ][ ] [ ][ ] [ ] [ ] 4222
13
2
11
1=⋅=⎟
⎠
⎞⎜⎝
⎛ ⋅+⋅⋅=⋅=++=p
q X E N E N X X E E N S E E i N N …
Lacantidadesperadadedíasque elLadrón deBagdadpermanecerá enelcalabozo
antesdesalir libreesdecuatrodías. Veamossi lasimulaciónconfirma el resultado
halladoanalíticamente:
#Simulación del problema del Ladrón de Bagdad
#Problema discutido en el aparte 2.2 del texto
#Autor: José L. Romero P. Fecha: 23/08/2007
N <- 100000
#el siguiente código genera un vector de tamaño N
#de la cantidad de días que el ladrón pasa en la cueva
#por simulaciónx <- NULL
for (i in 1:N) {
total.dias <- 0
dia.i <- sample(c(0,1,3),1,replace=TRUE)
while (dia.i!=0) {
total.dias <- total.dias+dia.i
dia.i <- sample(c(0,1,3),1,replace=TRUE)
}
x<-c(x,total.dias)
}
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 51/125
43
#el siguiente código es equivalente al anterior, observando que
#la cantidad de ensayos de puertas es una variable aleatoria
#geométrica con probabilidad de exito igual a 1/3. La cantidad
#de diás que se adicionan en cada ensayo no exitoso en 1 o 3, con
#igual probabilidad para ambos valores.
x <- NULL
for (i in 1:N) {
x<-c(x,sum(sample(c(1,3),rgeom(1,p=1/3),replace=TRUE)))}
cat("Cantidad esperada de días en el calabozo: ",mean(x))
Cantidad esperada de días en el calabozo: 4.012
2.3. Caracterización de los procesos aleatorios: valor medio y núcleo decovarianza.
Para caracterizar completamente un proceso estocástico se requiere conocer sus
funcionesdedistribuciónfinito-dimensionales.Sinembargo,existencaracterísticasde
losprocesosaleatoriosque resumen,por lomenosparcialmente,sucomportamiento.
Enelcasode lavariablealeatoriaqueestudiamosenloscursosdeprobabilidades,la
esperanza y la varianza juegan este papel. De forma análoga, para los procesos
estocásticossetienelafuncióndevalormedioyelnúcleodecovarianza.
Definición (Función de valor medio): Sea ( ){ }T t t X ∈, un proceso estocástico. Su
funcióndevalormediosedenotapor ( )t m X ysedefinepor:
( ) ( )[ ] ( )( )dx x xf t X E t m t X X ∫ Ω
==
donde ( )( )x f t X eslafuncióndedensidaddeprimerordendelproceso.Esdenotarque
( )t m X esunafuncióndeterminista,dependientealosumodelinstantedetiempot.
Definición (Núcleo de covarianza): Sea ( ){ }T t t X ∈, un proceso estocástico con
segundo momento finito. Su núcleo de covarianza, denotado por ( )t s K , , se define
como:
( ) ( ) ( )[ ] ( ) ( )( ) ( ) ( )( )[ ]t m t X s m s X E t X s X Cov t s K X X −−== ,,
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 52/125
44
Muchosprocesossurgencomofuncióndeunnúmerofinitodevariablesaleatorias.Por
ejemplo, supóngaseque ( )t X representa laposición deuna partículaenmovimiento
rectilíneo no acelerado con velocidad constante. ( )t X se define en función de una
posicióninicial0
X yunavelocidadV delasiguienteforma
( ) t V X t X ⋅+=0
Si0
X y V son variables aleatorias, ( )t X esen efecto un procesoestocástico.Su
funcióndevalormedioysunúcleodecovarianzasecalculanacontinuación:
( ) ( )[ ] [ ] [ ] [ ]V E t X E t V X E t X E t m X ⋅+=⋅+==00
( ) ( ) ( )[ ] ( ) ( )( ) ( ) ( )( )[ ]
[ ] [ ]( ) [ ] [ ]( )[ ][ ]( ) ( ) [ ]( ) [ ]( ) [ ]( )[ ][ ] ( ) [ ] [ ]V V st V X Cov t s X V
V E V st V E V X E X t s X E X E
V tE X E tV X V sE X E sV X E
t m t X s m s X E t X s X Cov t s K X X
⋅+++=
−+−−⋅++−=
−−+−−+=
−−==
,
,,
00
2
00
2
00
0000
Observamosqueparacalcularlafuncióndevalormedioyelnúcleodecovarianzanose
requiereconocer la leydeprobabilidad conjunta de0
X yV –basta con conocerlos
valoresesperados,lasvarianzasylacovarianzade0
X yV .Medianteesteejemplo
tomadodelafísicaseaclaranaúnmáslasideasexpuestashastaahora.Latrayectoria
delprocesoaleatorioseríaeldesplazamientodeunapartícula ω determinada(sugráfica
demovimiento). Tanto la trayectoria como la funciónde valor medio y elnúcleo de
covarianzasoncaracterísticasdeterministas delproceso estocástico enelsentido en
quesolodependendelosinstantesdetiempoconsiderados.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 53/125
45
2.4. Incrementos independientes y estacionarios. Procesos estacionarios
Frecuentemente, es más natural describir un proceso estocástico a través de una
caracterizacióndecómoesteevolucionaeneltiempo,pueslosincrementos,ocambios
de estado de un proceso generalmente poseen propiedades más sencillas que lasvariablesmismasdelasecuenciaaleatoria.Primerodebemosdefinirquéentendemos
por“incremento”:
Definición (Incremento): Dado un proceso aleatorio ( ){ }T t t X ∈, , un incremento
representalaevoluciónocambiodeestadodeunprocesoenunlapsodetiempo,lo
cualseexpresamatemáticamentepor
( ) ( )t X t t X −Δ+ para T t t ∈Δ,
Paraunprocesodeparámetrodiscreto, incremento serefiereacomocambiaelproceso
enunpasodetiempo( 1=Δt ),siendom-incremento elcambiodelprocesoenmpasos
detiempo.
Consideremosunprocesoestocástico ( ){ }T t t X ∈, detiempocontinuoyunacolección
deparámetros enT linealmente ordenados, n t t ,,…1
, quesatisface n t t << …1
.Se
diceque ( )t X esunprocesoconincrementos independientessilasvariablesaleatorias
( ) ( ) ,, …12 t X t X − ( ) ( )1−− n n t X t X sonindependientes.
Algunosautoresdefinenlosincrementosindependientesconcondicionesmásfuertes:
Sielconjuntodeparámetrostemporalestieneunmínimo0
t ,tambiéndebemossuponer
la independencia de ( ) ( ) ( ) ( ) ( )1010 −−− n n t X t X t X t X t X ,,, … en un proceso con
incrementos independientes. Usualmente se define 00
=t porqueel instante cuando
comenzamos a observar el proceso aleatorio es el instante cero. Incluso por
convención,seasumeque ( ) 00 =t X ,yaqueenelinstanteceronohasucedidonada
(elestadoinicialdeunprocesoaleatorioenel instanteceroesceroy losincrementos
sucesivos determinan cuán lejos se desvía el proceso aleatorio con respecto a ese
cero).
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 54/125
46
Definiendolosincrementoscomounasucesióndevariablesaleatoriasindependientes
( ) ( ) ( ) ( ) ( ) 1100
≥−== − i para t X t X t Y t X t Y i i i , , se hace evidente (por lo menos
intuitivamente)quesiconocemoslasdistribucionesde ( ) ( ) ( )n t Y t Y t Y ,,, …10
podemos
determinar ladistribución conjunta de ( ) ( ) ( )n t X t X t X ,,, …10 . Estosepuede verificar
mediante la función característica conjunta y la propiedad de independencia de los
incrementos.Porunaparte,segúnestoúltimo:
( ) ( )( ) ( )( ) ( )( )n t Y t Y n t Y t Y u u u u n n
ϕ ϕ ϕ ⋅⋅= …… 00 00,,,, [2.5]
Porotraparte,setiene[2.6]:
( ) ( )( )
( ) ( ) ( )( ) ( ) ( )( )( )[ ]( ) ( ) ( ) ( ) ( ) ( ) ( )( )[ ]
( ) ( )( )n n n t X t X
n n n n n
n n n
n t Y t Y
u u u u u
t X u t X u u t X u u t X u u i E
t X t X u t X t X u t X u i E
u u
n
n
,,,
exp
exp
,,
,,
,,
−−
=+−++−+−
=−++−+
=
−
−−−
−
110
111121010
101100
0
0
0
…
…
ϕ
ϕ
Mediante la siguiente transformación de losparámetrosde la función característica :
n n n n n u z u u z u u z =−=−= −− ,,,11100
…
oequivalentemente
n n n n z u z z z u z z z u =+++=++= ,,, ………211100
Podemoscombinarlasecuaciones2.5y2.6enunasola:
( ) ( )( )
( )( ) ( ) ( )( ) ( ) ( )( )n t X t X n t X t X n t X
n t X t X
z z z z z z
z z
n n
n
1010
0
110
0
−−− ⋅⋅++⋅++
=
ϕ ϕ ϕ
ϕ
………
… ,,,, [2.7]
Esto implicaque enefecto, la leydeprobabilidadconjunta de la secuencia aleatoria
( ){ }T t t X ∈, se determina a partir de las leyes de probabilidad de los incrementos
respectivos.
Otroconceptodeimportanciaparalaclasificacióndelosprocesosestocásticoseselde
incrementosestacionariosyeldelaestacionariedad.Básicamente,laestacionariedad
de un fenómenoaleatorio serefiere a queel mecanismoque lo produce permanece
invarianteeneltiempo.Unprocesoesdeincrementos estacionariossiladistribución
deprobabilidaddelosincrementos ( ) ( )11
t X h t X −+ y ( ) ( )22
t X h t X −+ esigualpara
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 55/125
47
valorespositivoscualesquieradet 1 ,t 2 yh .Deestadefiniciónsepuedecolegirquela
distribucióndelosincrementosestacionariossolodependedelaamplituddelintervalo
detiempoh.Laideadeestacionariedadsepuedeextenderalasecuenciadevariables
aleatoriasqueconformanelprocesoestocásticoensí.Sea T unconjuntodeíndicesde
linealmenteordenados tal que lasumadedosmiembroscualesquieradeT también
perteneceaT yconsideremosunprocesoestocástico ( ){ }T t t X ∈, definidosobreese
conjuntodeíndicestemporales.Sediceque ( ){ }T t t X ∈, esunproceso estrictamente
estacionario de orden nsiladistribuciónconjuntadeunpardevectoresaleatoriosde
dimensiónnarbitraria ( ) ( ) ( )( )n t X t X t X ,,, …21
y ( ) ( ) ( )( )h t X h t X h t X n +++ ,,, …21
esla
misma para todo n t t t ,,, …21
y h en T . Un proceso estocástico es estrictamente
estacionario si es estrictamente estacionario deorden n para todoentero positivo n.
Esta condición plantea que un proceso estrictamente estacionario está en equilibrio
probabilísticoyque losinstantesparticularesenloscualesseobservanelprocesono
tienenrelevancia.Enparticular,ladistribucióndeX(t) eslamismaparatodot.
Unproceso ( ){ }T t t X ∈, esdébilmente estacionariooestacionarioenelsentidoamplio
sitienemomentosfinitosdesegundoorden,si ( ) m t m X = esconstanteparatodotysi
( ) ( )[ ] ( ) ( )[ ] ( )[ ] ( )[ ]
( ) ( )[ ]2
m h t X t X E
h t X E t X E h t X t X E h t X t X Cov
−+
=+−+=+,
Dependesolodehparatodot.
Todo proceso estrictamente estacionario es también débilmenteestacionario pero lo
contrarionoescierto.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 56/125
48
2.5. Algunos tipos de procesos aleatorios: caminata aleatoria, martingalas,procesos de Markov, procesos de Poisson, procesos de Wiener
Con esta terminología, se está en condiciones de definir algunos tipos de procesos
estocásticos.Elprimertipodeprocesoquevamosadefiniresel ruido blanco:
Un proceso estocástico de parámetro discreto constituido por una secuencia de
variables aleatorias independientes e idénticamente distribuidas Z 0,Z 1, … , Z n , … se
conoce como ruido blanco. Si adicionalmente [ ] 0=i Z E , el proceso estocástico se
denominaruidoblancoconmediacero.Elprocesoesruidoblancosimétricosiademás,
ladistribucióndelosZ i ,essimétrica,comoporejemplolauniforme,lanormalolat-
Student.
SienbaseaunprocesoderuidoblancoZ 0,Z 1,…,Z n ,…definimoselsiguienteproceso:
∑=
+=n
i i n Z S S
1
0
con alguna condición inicial00
s S = o si S 0 tiene alguna distribución especifica, el
proceso correspondiente { }…,,,, 210=t S t es una caminata aleatoria. Los Z i se
denominanlospasosoincrementosdelacaminataaleatoria;paraque{ }…,,,, 210=t S t
seaefectivamenteunacaminataaleatoria,{ }…,,, 21=t Z t debeserunprocesoderuido
blanco.Estetipodeprocesossediscutiráconmásdetalleenelpróximocapitulo.
Unprocesodeparámetrodiscreto{ }…,,,, 210=t X t esunamartingalasisatisfacelas
siguientesdospropiedades:
i. [ ] ∞<n X E
ii. [ ] n n n X X X X X E =+ ,,, …101
Laprimeradeestascondicionesesmásbienparafacilitarunpocolasmatemáticasen
elmanejodelasmartingalasylasegundasiresumeenesencialoqueeslamartingala-
estableceque el valoresperadodel próximo estado futurodel proceso dado toda su
historiapasadaessimplementeelestadoactualdelproceso.Enelcontextodeljuego
deapuestas,elprocesodemartingalasedenominaaveces“juegojusto”,yaquesirve
para modelar la riqueza de un jugador en el tiempo cuando la ganancia o perdida
esperadaencadaturnoescero.Enrealidad,eltérmino“martingala”provienedelun
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 57/125
49
nombre francés que aludía a una estrategia de juego consistente en duplicar las
apuestashastaganarconseguridad 8.
Un proceso de Markov ( ){ }T t t X ∈, es aquel cuyos estado futuro solo depende del
estadopresenteynodel pasado. LosprocesosdeMarkovverifican lapropiedad de
Markov,queestableceque
( ) ( ) ( ){ } ( ) ( ){ }n n n n n n a t X At X P a t X a t X At X P =∈===∈ ++ 1001,, … .
EnlosprocesosdeMarkov,elestadoactualdelprocesoincorporatodalainformación
quenecesitamosparaestimarelestadofuturoylaprobabilidaddeuncomportamiento
futuro no se altera si incorporamos información sobre el pasado del proceso. Un
procesodeMarkovconespaciodeestadofinitoonumerablesedenominacadenade
Markov,queseestudiaráposteriormenteenestecurso.
Antes de definir el proceso de Poisson, es preciso definir lo que es un proceso de
conteo(ocountingprocess en inglés),delcualelprocesodePoissonesunainstancia
particular.Unprocesodeconteo ( ){ }T t t N ∈, esaquelcuyoespaciodeestadosesel
conjunto denúmerosnaturalesy conél sepretendemodelar la cantidaddeeventos
discretosquehanocurridoenuntiempot.Seenuncia,pues,lasiguientedefinición:
Definición(ProcesodePoissonhomogéneo):Unprocesodeconteo ( ){ }0≥t t N , esun
procesodePoissoncontasamediaconstante(ointensidad) λsicumplelascondicionesacontinuación:
i. ( ){ }0≥t t N , tieneincrementosestacionarioseindependientes.
ii. Para dos instantes de tiempo s y t tales que t s < , la cuenta de eventos
( ) ( )s N t N − acaecidosenelintervalodetiempo ( )t s , esdistribuidasegúnlaley
dePoissonconmedia ( )s t −λ .Asaber:
( ) ( ){ } ( ) ( )( )
!k
s t e k s N t N P
k s t −
==− −− λ λ
ExistenconjuntosalternativosdesuposicionesqueconllevanalprocesodePoisson.No
obstante, las condiciones que dan origen a un procesode Poisson se verifican con
8QUIDEL,p.440
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 58/125
50
muchafrecuencia-deahílaenormeimportanciadelosprocesosdePoisson.Ejemplos
de procesos de Poisson son: fallas de componentes eléctricos, decaimiento de
partículasradioactivas,llamadasrecibidasenunacentraltelefónica,etc.
Porúltimo,mencionamoselprocesodeWiener,nombradoenhonoraN.Wiener,quien
fue entre los primeros en considerar matemáticamente el fenómeno del movimiento
Browniano. El movimiento Browniano consiste en lo siguiente: una partícula que
inicialmenteseencuentraendeterminadaposición(pordefiniciónseasume ( ) 00 =X )
essometidaainnumerablesycontinuosimpactosensuentorno,graciasalocualestá
enconstanteyperpetuomovimiento.Eldesplazamientodelapartículaenunintervalo
de tiempo ( )t s , , elcual esamplio comparado con el tiempomedio entre impactos,
puede ser considerado como la suma deun número indeterminadamente grande de
pequeños desplazamientos, por lo cual parece razonable suponer, en virtud del
TeoremaCentraldelLímite,que ( ) ( )s X t X − esnormalmentedistribuido.Másaún,es
razonablesuponerque losdesplazamientosendosintervalosdetiempode lamisma
longitudsonidénticamentedistribuidos,yaquesesuponequeelentornodelapartícula
esta en equilibrio. El hecho de que el desplazamiento de la partícula se deba a
impactosmuyfrecuenteseirregularessetraducematemáticamenteestableciendoque
losdesplazamientosenlapsosdetiemponocoincidentessonindependientesentresí,
ya que el número y la magnitud de los impactos en cada intervalo de tiempo es
independiente del otro intervalo. En consecuencia, los incrementos del proceso de
MovimientoBrownianoson independientes yestacionarios. Resumiendo, tenemos la
siguientedefiniciónparaelprocesodeWiener:
Definición (proceso de Wiener): Un proceso estocástico de parámetro continuo
( ){ }0≥t t X , esunprocesodeWienersi:
i. ( ){ }0≥t t X , tieneincrementosestacionarioseindependientes.
ii. Paracadat>0, ( )t X esnormalmentedistribuido.
iii. Paracadat>0, ( )[ ] 0=t X E .
iv. ( ) 00 =X
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 59/125
51
Problemas Resueltos
1) DemostrarquesiX eY sonvariablesaleatoriasdiscretaseindependientestales
que ( )pm,Binomial~X e ( )pn,Binomial~Y ,entonces
⎟ ⎠ ⎞⎜
⎝ ⎛
++=+
mnn ,sm,ntricaHipergeomé~sY X X
Solución:
La suma X+Y de dos variables aleatorias binomiales e independientes es una
variablealeatoriabinomial:
( ) ( ) ( ) ( ) ( ) ( ) n m iu n iu m iu Y X Y X pe q pe q pe q u u u
++ +=++=⋅= ϕ ϕ ϕ
Específicamente, ( )pn,mBinomial~ ++Y X . Por lo tanto, la probabilidad
condicional { }s=+= Y X x X P es:
{ } { }{ }
{ }{ }
⎟⎟ ⎠
⎞⎜⎜⎝
⎛ +
⎟⎟ ⎠
⎞⎜⎜⎝
⎛
−⎟⎟ ⎠
⎞⎜⎜⎝
⎛
=
⎟⎟ ⎠
⎞⎜⎜⎝
⎛ +
⎟⎟ ⎠
⎞⎜⎜⎝
⎛
−⎟⎟ ⎠
⎞⎜⎜⎝
⎛
=
=+−==
==+
=+===+=
−+
+−−−
s
n m
x s
m
x
n
q p s
n m
q p x s
m q p
x
n
s Y X P
x s Y x X P
s Y X P
s Y X x X P Y X x X P
s m n s
x s m x s x n x
,,s
para s x ,,, …10= y n m s += ,,, …10 .Seevidenciaentoncesque
⎟ ⎠
⎞⎜⎝
⎛ +
+=+mn
n ,sm,ntricaHipergeomé~sY X X
2) Sea ( ){ }0≥t t X , unprocesoaleatorioconincrementosindependientesyfunción
devalormedio ( ) ( )[ ]t X E t m X = finita.Si11
0 +<<<< n n t t t … ,demuestrarque
( ) ( ) ( )[ ] ( ) ( ) ( )n X n X n n n t m t m t X t X t X t X E −+= ++ 111,,…
Solución:
Paraesteproblemaseutilizaránlasseispropiedadesdelaesperanzacondicional
(versección2.2)ylaindependenciadelosincrementos.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 60/125
52
( ) ( ) ( )[ ]( ) ( ) ( ) ( ) ( )[ ]( ) ( ) ( )[ ] ( ) ( ) ( ) ( )[ ]=−+
=−+
=
+
+
+
n n n n n
n n n n
n n
t X t X t X t X E t X t X t X E
t X t X t X t X t X E
t X t X t X E
,,,,
,,
,,
……
…
…
111
11
11
(propiedad1)
( ) ( ) ( ) ( ) ( )[ ]=−+ + n n n n t X t X t X t X E t X ,,…11 (propiedad2)
( ) ( ) ( )[ ] =−+ + n n n t X t X E t X 1
(porindependenciadelosincrementosyporlaspropiedades5y6)
( ) ( ) ( )n X n X n t m t m t X −+ +1
3) Sea { }…,,, 21=n X n una sucesión de variables aleatorias independientes con
valormedio [ ] 0=n X E paratodon.Sedefinelasucesión { }…,,, 21=n S n como
∑=
=n
i i n X S
1
Demuestraque{ }…,,, 21=n S n esunamartingala.
Solución:
Sepretendedemostrarque [ ] n n n n a a S s S a S S E ====+ ,,, …22111
.Teniendo
en cuenta la independencia de la sucesión { }…,,, 21=n X n y que
11 ++ += n n n X S S ,sepuedeescribir:
[ ][ ][ ] [ ]====+===
====+
====
+
+
+
n n n n n n
n n n n
n n n
a S s S a S X E a S s S a S S E
a S s S a S X S E
a S s S a S S E
,,,,,,
,,,
,,,
……
…
…
221112211
22111
22111
(porlapropiedad1delaesperanzacondicional)
[ ] =+ +1n n X E a
(lasucesiónS nesdeterminadaporlasucesión X nyporlaindependenciadelos
X n,sepuedeaplicarlapropiedad6)
n n a a =+ 0
(yaque [ ] 0=n X E paratodon)
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 61/125
53
Problemas Propuestos
1) SupóngasequepedidosdecantidadesvariablesN deartículosarribandiariamente
aunalmacénsegúnlasiguientedistribucióndeprobabilidades:
n: 10 11 12 13 14 15
P(N=n): 0.05 0.15 0.30 0.30 0.15 0.05
La probabilidad de que un artículo en particular sea defectuoso es de 0.10,
independientementedelapresenciadedefectosenlosotrosartículos.Calculael
valoresperadodeartículosXqueserecibenenundía.
2) Demuestra que si X e Y son variables aleatorias discretas e independientes
distribuidas según la leydePoissonconparámetros1λ y
2λ respectivamente,
entonces
⎟⎟ ⎠
⎞⎜⎜⎝
⎛
+=+
21
1
λ λ
λ ,~ s Binomial s Y X X
3) Demuestra que si ( )λ Poisson X ~ y si ( )p x Binomial x X Y ,~= , entonces
( )p Poisson Y λ ~ .
4) Demuestraquesi ( )p Geométrica X ~ ,entonces
{ } { }n X P m X n m X P ==>+=
Estoconfirmaríalapropiedadde“faltadememoria”deladistribucióngeométrica:
lainformaciónquenohuboéxitosenmpruebas(X>m)esolvidadasiserealizan
máspruebas(X=m+n).
5) Considéreseelprocesoaleatorio ( ) B At t X += dondeA esunavariablealeatoria
quetomalosvalores3y4conprobabilidades 41 y 43 ,respectivamenteyB es
unavariablealeatoriaconfuncióndeprobabilidad { } { } 2121 ==== B P B P .Ay
Bsonvariablesaleatoriasindependientes.Obténlafuncióndevalormedioyel
núcleodecovarianzadelprocesoaleatorio.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 62/125
54
6) Sea ( ) B At t X += un proceso aleatorio para el cual A y B son variables
aleatorias independientes, de esperanza cero y2222
B A B E AE σ σ == , . ¿Es
( ){ }t X unprocesoestacionario?
7) Considera el proceso ( ) t Bsen t At X ω ω += cos donde [ ]10,∈ω , A y B son
variablesaleatoriasnocorrelacionadas,deesperanza0yvarianza1.Demuestra
queesteprocesoesdébilmenteestacionario.
8) Demuestraque losincrementosdeunacaminataaleatoriason independientesy
estacionarios.
9) Sea 00
=S y n n X X S ++= 1
, donde …,,21
X X son variables aleatorias
independientes con esperanza 0 y varianza2σ (caminata aleatoria simétrica).
Calculalafuncióndevalormedioyelnúcleodecovarianzasdelproceso { }n S .
10) Sea { }N n Z n ∈, un proceso de ruido blanco con ( )21,Normal~ == σ μ n Z .
Encuentralassiguientesprobabilidades:
a) { }5>i
Z P
b) { }53 <<− i Z P
c) { }1=i Z P
11) Demuestra que el valor esperado de un incremento en una martingala es
necesariamenteigualacero.
12) (LacadenadeEhrenfest)Motivadoporproblemasrelacionadosconlamecánica
estadísticaT.Ehrenfestdescribióunexperimentocon2urnas,dentrodelascuales
estándistribuidasN moléculas.Encadapasodelexperimento,seescogealazar
unamolécula,estaesremovidadelaurnaenlacualseencuentrayescolocada
enlaotraurna.Así,siseescogeunamoléculadelaurna A, estaesremovidadeA
y colocada en B y viceversa. El estado del proceso está determinado por el
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 63/125
55
número de moléculas presentes en la urna A a cada paso del experimento.
Justificaqueelprocesoestocástico { }N n X n ∈, definidopor
X n = cantidad de moléculaspresentesenlaurnaA alinstanten, n ∈ N,
esunacadenadeMarkov.Darsuespaciodeestados.
13) Sea { }N n X n ∈, unproceso estocástico deparámetrodiscreto talque 10
=X ,
10 << p y [ ] t X t t t p X X X P =+=+ 1
1, [ ] t X
t t t p X X X P −==+ 11
.
Demuestraque{ }N n X n ∈, esunacadenadeMarkovperonounamartingala.
14) Demuestra que un proceso de ruido blanco con parámetro discreto no tiene
incrementosindependientes.
15) Determina las condiciones bajo las cuales un proceso de ruido blanco es una
martingala.
16) Determina las condiciones bajo las cuales una caminata aleatoria es una
martingala.
17) Lamartingala,comoestrategiadeapuestas,consisteendoblarlaapuestasiuno
pierde y retirarsedel juego cuando se gana. El jugador sigue esta estrategia:
apuestainicialmente1unidad,luego2,luego4yasícontinuadoblandosuapuesta
hastaquegane.Supóngasequeencadajugadatieneigualprobabilidaddeganar
operder.
a) Modelalagananciadeun jugadorqueempleeestaestrategiaplanteandoun
procesoestocásticoydefiniendosuespaciodeestados.
b) Demuestraqueeljugadorsiemprese retiradeljuegoconunagananciade1
unidadasufavorconprobabilidad1(ie.casisiempre)
c) Explica por que no se permite esta estrategia de apuestas en los casinos
modernos (i.e. el croupier se niega a recibir apuestas de aquellos que
aparentementepracticanestaestrategia)
18) EscribeunprogramaenRquesimuleyrepresenteunatrayectoriadeunproceso
demovimientoBrownianoendosdimensiones.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 64/125
56
19) Consideraelprocesonodeterminista: ( ) 0101011
,, =−⋅= −− x x x r x n n n .Mediante
unprogramaenR,investigaelcomportamientoalalargadedichoproceso(para
valores den grandes)utilizandovalores para r de2,7 3 y 3,5 respectivamente.
Indicatushallazgosyanalizalasimplicacionesdelosmismos.(Esteejemplode
sistemacaóticosedebeaRobertMayensuestudiodecrecimientopoblacional)
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 65/125
57
Capitulo 3- Procesos estocásticos basados en elproceso de Bernoulli y caminatas aleatorias
3.1 El proceso de Bernoulli
ElprocesodeBernoulliesunprocesoestocásticodeparámetrodiscretocuyaestructura
es muy sencilla: en cada paso, se observa la ocurrencia o no ocurrencia de un
determinado evento cuya probabilidad se mantiene constante y el en cual cada
observación es independientede todas las observacionesanteriores. Elprocesode
Bernoulli es en efecto un proceso estocástico de tipo ruido blanco. Ejemplos de
procesosdeBernoullison:
a. Uninspectordecalidadverificasilosproductosdeunalíneadeensamblajeson
defectuososobservandounasecuenciadeproductos.Sieli-ésimoproductoes
defectuoso, registra 1=i X , de lo contrario anota 0=i X . Si los defectos se
deben a causas aleatorias de modo que la presencia de defectos en un
productoesindependientedelapresenciadedefectosenlosotrosproductos,y
si además, la proporción p deartículosdefectuosos se mantiene constante a
travésdetodaslasobservaciones, { }1≥i X i , esunprocesodeBernoulli.
b. Semontaunaalcabalapolicialenundeterminadopuntoyseparanatodoslos
conductoresqueporella transitanparaverificarsiportanarmas,conducenun
vehículo robado o presentan alguna otra irregularidad. Bajo condiciones
similares a las del ejemplo anterior, si la probabilidad de que un conductor
presente alguna irregularidad es constante e independiente entre los
conductoresquevantransitandoporlaalcabala,lasituacióndescritasepuede
modelaradecuadamentemedianteunprocesodeBernoulli.
Entodosestoscasos,lasvariablesconstituyentesdelprocesodeBernoullirepresentan
experimentosaleatorioscondosposiblesresultados-éxitoofracaso.Enunprocesode
Bernoulli, las variables aleatorias constituyentes son idénticamente distribuidas e
independientes entre sí. Este modelo estocástico básico da pié a otros tipos de
procesosestocásticosquesedescribiránacontinuación.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 66/125
58
3.2 La cantidad de éxitos. Caminatas aleatorias basadas en procesos deBernoulli.
SienunprocesodeBernoulli { }1≥i X i , ,observamoslacantidaddeéxitosocurridosen
eln-ésimoensayoy losn-1ensayosanteriores,se defineunnuevoprocesoaleatorio
que es una caminata aleatoria, pues lo que sucede en cada observación se puede
modelarmediantelasecuenciaaleatoria { }1≥i S i , definidacomo:
∑=
=n
i i n X S
1
[3.1]
Fig. 3.1
En el capitulo anterior se sugirió que la caminata aleatoria es un proceso con
incrementos independientes y estacionarios (ver problema propuesto N° 7 de ese
capitulo). Este hecho tiene algunas implicaciones importantesqueseríaconveniente
resaltar:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 67/125
59
[3.2] A partir de un instante n dado , lacantidadde éxitos quese registrenen los
próximosm ensayosdeunprocesodeBernoulli( n m n S S −+ )esindependiente
delacantidaddeéxitosregistradosenlosn-1 ensayosanteriores.
[3.3] Másaún,porser los incrementosestacionarios, laprobabilidaddeque en las
próximasm observacionessetengas éxitossolodependedem yesigualala
probabilidaddeque,observandodesdeelprincipio losm ensayos,setenga s
éxitos.Matemáticamente: { } { }s S P S S S s S S P m n n m n ===−+ ,,, …21
.
Podemoscalcularelvaloresperadoylavarianzade n S sinhaberdeterminadoaúnsu
distribucióndeprobabilidad,puesvaliéndonosdeladefiniciónde n S comounasumade
n variables aleatorias independientes e idénticamente distribuidas según la Ley de
Bernoulli:
[ ] [ ] ∑∑∑===
===⎥⎦
⎤⎢⎣
⎡=
n
i
n
i i
n
i i n np p X E X E S E
111
[ ] [ ] q np pq X V X V S V n
i
n
i i
n
i i n ∑∑∑
===
===⎥⎦
⎤⎢⎣
⎡=
111
El siguiente tema en nuestra ocupada agenda es determinar las respectivas
probabilidades { }s S P m = , es decir, la distribución de probabilidad de los { }1≥i S i , .
Existendiversasmanerasdededuciresto-lavíamásdirectaparanosotrosesrecurrira
nuestroextensoconocimientosobrelasfuncionescaracterísticas.Enefecto,comolos
{ }1≥i S i , sonesencialmentesumasdevariablesaleatoriasdetipoBernoullicon igual
parámetropymutuamenteindependientes,setieneque:
( ) ( ) ( ) ( )n iu n X X X X S pe q u u u
i n n +=== +++ ϕ ϕ ϕ …21
Esta función característicasecorrespondea lafunción característicade unaBinomial
conn ensayos.Conestodemostramoselsiguienteteorema:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 68/125
60
Teorema 3.1: Si { }1≥i S i , es una caminata aleatoria basada en experimentos de
Bernoulli,ladistribucióndecada n S esbinomialysetieneque
{ } s n s n q p
s
n s S P −
⎟⎟ ⎠
⎞⎜⎜⎝
⎛ == ,para n s ≤≤0
Enlapráctica,lafórmuladelteorema3.1,enconjunciónconlasobservacioneshechas
enla3.2y3.3sondemuchautilidadparaelcálculodeprobabilidadesreferentesalos
estadosdeunacaminataaleatoriabasadaenelprocesodeBernoulli.Llegadosaeste
puntotesugieroquereviseslosproblemasresueltoscorrespondientes.
3.3. La cantidad de ensayos hasta r éxitos: más sobre las caminatas aleatoriasbasadas en procesos de Bernoulli.
Si en una sucesión { }1≥i X i , de variables aleatorias independientese idénticamente
distribuidas según la ley de Bernoulli (un proceso de Bernoulli) nos referimos a la
cantidad de ensayos hasta ocurrir r éxitos (r es fijo), tenemos otro procesoaleatorio
basado en un proceso de Bernoulli en el cual la secuencia de variables aleatorias
representa los instantes o ensayos en los cuales ocurren los éxitos sucesivos.
Intentemos esquematizar esto matemáticamente. Si por ejemplo tenemos una
trayectoriadeunprocesodeBernoullicomoesta: …,,,,, 1010054321
===== x x x x x ,
la trayectoria del proceso que estamos definiendo sería …,, 5321
== t t , porque el
primeréxitoocurreal tercerensayo y el segundo éxitoocurrealquinto ensayo. De
formageneral,si { }1≥i T i , eselprocesoqueestamosdefiniendo,entonces,enfunción
delasecuenciaaleatoria { }1≥k X k , , ( )ω i T seráigualalíndicekdeaquellasecuencia
dondeocurreeli-ésimoéxito.
¿Quépodemosdecirsobreelcomportamientodeestasecuenciaaleatoria?Enprimer
lugar,debeserunasecuenciaestrictamentecreciente,porquesieli-ésimoéxitoocurre
en el ensayo i T , el siguiente éxito necesariamente ocurre después y se tiene que
i i T T >+1paracualquieri.Demodointuitivo,constatamosquelosincrementosdeeste
proceso son independientes y estacionarios (esto se puede demostrar). El
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 69/125
61
razonamientodeelloesagrandesrasgoselsiguiente:elmecanismosubyacenteque
produce la secuencia 1≥ j T j , es el proceso de Bernoulli { }1≥i X i , , que es una
sucesión de variables independientes cuyo parámetro p es invariante en el tiempo.
Además,sielincremento ,n T T i i =−+1conn>0,esporquedespuésdel i T -ésimoéxito
ocurren n-1 fracasos sucesivos, luego de los cuales ocurre el1+i T -ésimo éxito. La
probabilidaddeelloes p q n 1− .Enotraspalabras,losincrementossedistribuyensegún
laleydeprobabilidadgeométrica.Tratemosdeesquematizarloenunciadohastaahora:
Teorema 3.2:Si 1≥ j T j , representaunprocesoestocásticoquecaracterizaelnúmero
de ensayos de Bernoulli hasta el j-ésimo éxito, entonces { }==−+ k k k T T n T T P ,,…11
{ } p q n T T P n k k
1
1
−+ ==−
Este teorema establece que los incrementos son estacionarios, ya que la anterior
probabilidadnodependedek.. Además, por lodichosobre la independenciade los
incrementossepuedeparafrasearenelsiguienteteorema,quesedasindemostración:
Teorema 3.3:Sea 1≥ j T j , unprocesoestocásticocomoenelteorema3.2,entonces,
para +∈ N k y k n ≥ ,setieneque
{ } { }⎩⎨⎧
<
≥==== −−++
n T si
n T si
p q T n T P T T T n T P
k
k T n k k k k k 11211
0,,, …
Estoademásdemuestraqueelprocesoestocástico 1≥ j T j , gozadelapropiedadde
Markov.Antesdeproceder,aclaremosdeunavezqueasumimosque 00
=T porque
conel0-ésimoéxitoocurreenel0-ésimoensayoconprobabilidaduno.Ahorasurgela
pregunta: ¿Cómo se distribuyen los 1≥ j T j , ? Si has leído atentamente esta
exposición,muyprobablementeyalohayasadivinado:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 70/125
62
Teorema 3.4:Sea 1≥ j T j , unprocesoestocásticocomoenelteorema3.2,entonces,
setieneque { } k n k k q p
k
n n T P −
⎟⎟ ⎠
⎞⎜⎜⎝
⎛ −
−==
1
1para …,, 1+= k k n
Este último teorema establece que cada k T en la secuencia aleatoria 1≥ j T j , se
distribuyesegúnlaleybinomialnegativa.Existenvariasformasdedemostraresto-la
másexpeditaparanosotrosestomarencuentaqueesteprocesoesdespuésde todo
una caminata aleatoria; cada variable k T es una sumatoria de k incrementos
independienteseidénticamentedistribuidos,esdecir:
( ) ( ) ( )01211
T T T T T T T k k k k k
−++−+−=−−−
…
Comodamosporhechoquelosincrementossedistribuyen todossegúnlamisma ley
geométrica,entonceslafuncióncaracterísticade k T es:
( )k
iu
iu
T qe
pe u
k ⎟⎟ ⎠
⎞⎜⎜⎝
⎛
−=
1ϕ
la cual corresponde a la función característicade la binomial negativa y por lo tanto
(véasetabla1.1delcapítulo1):
( )⎪⎩
⎪⎨
⎧
<
≥⎟⎟ ⎠
⎞⎜⎜⎝
⎛
−
−
=−
k n
k n q p k
n
n p k n k
T k
0
1
1
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 71/125
63
3.5. La ruina del jugador
Consideremos un juego donde en cada apuesta, un jugador gana un BF con
probabilidadpypierdeunBFconprobabilidad1-p.Claramente,lafortunadeljugador
luegode n apuestas se puedemodelar mediante una caminata aleatoria { }N n F n ∈, ,
donde
∑=
=n
i i n X F
0
es la suma de n+1 variables aleatorias independientes e idénticamente distribuidas,
teniéndose que X X =0
es la fortuna inicial del jugador (antes deapostar) y los i X
sucesivossonlosincrementosenBFluegolarespectivaapuesta,cuyadistribuciónde
probabilidadvienedadapor:
{ } p X P i == 1 y { } q p X P i =−=−= 11
Supóngaseademásque el jugador,partiendodeuncapital inicialX, juegacontraun
adversario que dispone de un capital Y (el adversario puede ser la “casa” u otro
jugador),demodoqueencadapartida,sieljugadorgana1BF,eladversariopierdela
misma cantidad y vice-versa . Paracolocar las cosasmásen perspectiva, entre el
jugadorylacasa,siemprehayuncapitaltotalde Y X T += BF,porserlasumatoriade
lagananciadelosparticipantesigualacero(entérminosdelaTeoríadeJuegos,se
trata de un juegodesuma cero9
). Asumamos queeste juegode sumacero termina
cuando alguno de los participantes se arruina, lo cual ocurre cuando la fortuna del
jugadoralcanzalosT BF,encuyocasosearruinólacasa,olafortunadeljugadorllega
a0 BF,en cuyo caso se arruinóél. Losestados0yT de lafortuna del jugador se
denominanbarreras absorbentes,porqueunavezquelatrayectoriatocaalgunodeesos
estados,jamássaledeellos.
Unapreguntainteresanteentornoaestejuegoeslasiguiente:partiendodeuncapital
inicialdeX BF,¿cualeslaprobabilidaddequeeljugadorsearruine?Paraabordarestapregunta,comencemosporlasiguientedefinición:
9Losjuegosenlosquelosinteresesdelosjugadoressondiametralmenteopuestossellamande
sumacero.Eltérmino“sumacero”sederivadelosjuegosdesalóntalescomoelpoker enel
quelariquezanisecreanisedestruye.Asípues,unjugadorganadinerosiempreaexpensas
delosotrosjugadores(DAVIS,p.28)
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 72/125
64
Sea X R la probabilidad deruina del jugador partiendo de un capital inicialX siendo
11 −≤≤ T X .Además,sedefine 10
=R y 0=T R .
X R esloquesequierehallaryestablecemoslasiguienterelación:
11 −+ += x x X qR pR R [3.4]
Dicha relaciónsemotivaenelsiguienterazonamiento:si la fortunadel jugadoresX,
luegodeunturno,habráganado1BFconprobabilidadp(encuyocasosufortunaserá
de 1+X )ohabráperdido1BFconprobabilidadq(encuyocasocontinuaeljuegocon
1−X BF). Siloanteriornoeslosuficientementeclaroaún,definamos X R comouna
probabilidadcondicionalyprocedamossimbólicamente:
{ }( )X F ruina P R n X == y{ }11
=+n X , { }11
−=+n X soneventosdisjuntosymutuamente
complementarios(sonunaparticióndeΩ ).Luego:
{ }( ) == X F ruina P n ∩
{ } { } { }( )( ) =−=== ++ 1111 n n n X X X F ruina P ∪∩∩
{ } { }( ) { } { }( ) =−==+== ++ 1111 n n n n X X F ruina P X X F ruina P ∩∩∩∩ [3.5]
Por otro lado, utilizandoen3.2 lapropiedadde las probabilidadescondicionales que
estableceque( ) ( ) ( )B P B AP B AP =∩
{ }( ) { } === X F P X F ruina P n n
{ } { }( ) { } { }( )
{ } { }( ) { } { }( ) =−==−==
+====
++
++
11
11
11
11
n n n n
n n n n
X X F P X X F ruina P
X X F P X X F ruina P
∩∩
∩∩
{ } { }( ) { } { }
{ } { }( ) { } { } =−==−==
+====
++
++
11
11
11
11
n n n n
n n n n
X P X F P X X F ruina P
X P X F P X X F ruina P
∩
∩ [3.6]
Laúltimaigualdaden3.6sedebealaindependenciaentre1+n X y n F .Aunadoaeso,
{ } { } { }11 11 +==== ++ X F X X F n n n ∩ y { } { } { }11 11 −==−== ++ X F X X F n n n ∩ . Por lo
tanto,factorizandolasrespectivasexpresionesen3.6por { }X F P n = yrecordandoque
{ } p X P n ==+ 11
y { } q X P n =−=+ 11
,concluimosque:
{ }( ) { }( ) { }( )
1
11
1
11
−
++
++=
→−=⋅++=⋅==
X X X
n n n
qR pR R
X F ruina P q X F ruina P p X F ruina P
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 73/125
65
Con lo anterior sedemuestra la validezde la ecuación 3.4. Ecuacionescomo esta
denominan ecuaciones en diferencias, sobre lascualesesoportuno haceruna breve
digresión. Las ecuaciones en diferencias se refieren a ecuaciones que involucran
secuencias, o funciones definidas para valores enteros. Si una secuencia n a está
definidaexplícitamenteenfuncióndesuargumentoentero n ,determinarsuvalorenn
es un asunto trivial. Sin embargo, a veces las secuencias se definen de forma
recursiva, relacionando n a contérminosanteriorescomo1−n a en lamismaecuación.
Porejemplo,laecuación3.7:
β α +⋅= −1n n a a [3.7]
esunaecuación endiferencias linealde primerordeny generaliza lasdenominadas
progresionesaritméticas/geométricasqueelestudianteseguramentevioenbachillerato.
Observaademáselparecidodeestaterminologíaconlaterminologíadelasecuaciones
diferenciales,que también se clasificansegún su orden y según la linealidad. Si te
interesaprofundizarmássobreestetemapuedesconsultarlabibliografíaanexa 10.Por
lodemásterecomiendoresolverlosproblemaspropuestoscorrespondientesalfinalde
estecapitulo referentesa la soluciónde la ecuación 3.7, queesel resultadoquese
utilizaráseguidamente.
Retomandoelproblemadelaruinadeljugador,sepuedeexpresarlaecuación3.4dela
probabilidad de ruina, que es una ecuación en diferencias lineal de segundo orden,
como una ecuación en diferencias lineal de primer orden. Teniendo en cuenta que
1=+ q p ,tenemos
( )11 −+ −=− X X X X R R
p
q R R [3.8]
Apartirdelaecuación3.8ymediantelaformuladesucesión1−⋅= n n a r a halladaenel
problemapropuestoN°5,esfácilcomprobarque
( )01
1
1R R
p
q R R
X
X X −⎟⎟
⎠
⎞⎜⎜
⎝
⎛ =−
−
− [3.9]
Con respecto a este resultado, se observan dos inconvenientes: 1) todavía se
desconoce 1
R y2)Podríamosresolverlaecuaciónendiferenciasresultante,peroel
10VerNEUMAN
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 74/125
66
términoalladoderechode3.9dependede X (noesunaconstanteβ).Parasolventar
estasituaciónutilizamoslapropiedadtelescópicadelasseries:
( )∑∑=
−
=− −⎟⎟
⎠
⎞⎜⎜⎝
⎛ =−=−
T
X
X T
X X X T R R
p
q R R R R
1
01
1
1
10
Elpanoramatiendeaaclararseporque0
R y T R sonconocidos: 10
=R y 0=T R .Porlo
tanto:
( )∑−
=⎟⎟
⎠
⎞⎜⎜⎝
⎛ −=−=−
1
0
0101
T
X
X
T p
q R R R R [3.10]
Si 21== q p ,entoncesde3.7sededuceque ( )T
R R 1
01−=− [3.11a]
Si q p ≠ setieneque ( )( )
( ) 1
101
−
−=−
T p q
p q R R [3.11b]
Laúltimaigualdadsededucedelaserie∑=
n
i
i x 0
(verproblemapropuestoN°7).
Paracalcularendefinitivaelvalordelaprobabilidadderuina,volvemosaemplearla
propiedadtelescópicadelassumas,peroestavezconmirasahallar X R :
( )∑∑ =
−
=− −⎟⎟ ⎠
⎞⎜⎜⎝
⎛ =−=−
X
i
i X
i i i X R R p
q R R R R
1
01
1
1
10 →
( ) ( )i X
i
X
i
i
X p
q R R R R
p
q R R ∑∑
−
==
−
⎟⎟ ⎠
⎞⎜⎜⎝
⎛ −+=−⎟⎟
⎠
⎞⎜⎜⎝
⎛ +=
1
0
01
1
01
1
01
Nuevamente,si 21== q p ,setiene:
T
X T
T
X R X
−=−= 1 [3.12a]
Si q p ≠ ,entoncesesfácilverificarque:
( )
( )
( ) ( )
( ) 11
11
−
−=
−
−+=
T
X T
T
X
X p q
p q p q
p q
p q R [3.12b]
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 75/125
67
La deducción de las ecuaciones 3.12a y 3.12b quizás parezca un tanto tortuosa.
Nuevamente,aunquelasimulaciónnoseaunsucedáneodeltodoequivalenteadeducir
este tipo de resultados analíticamente, nos ayuda a confirmar la validez del los
resultados anteriores. Planteamos en lenguaje R un programa para simular la
probabilidadderuinadeun jugador conuncapital inicialentre0 y 10,paradistintas
probabilidadesp deganarencadaturnotomandovaloresentre0,1;0,2;…;0,9:
#simulador de caminata aleatoria- problema de la ruina de un jugador
#Autor: Prof. José L. Romero P. fecha:29/7/2007
#------------------------------------------------------
#Ruina: función que arroja 1 si el resultado de una caminata aleatoria
#es ruina, 0 en caso contrario.
# argumentos: a=capital inicial del jugador,
# c=capital total
# p=probabilidad de ganar 1 en cada turno
Ruina = function (a,c,p) {j=a #asigna capital inicial
while ((j!=0)&(j!=c)) j=j+sample(c(-1,1),1,replace=TRUE,c(1-p,p))
if (j==0) 1 else 0
}
#Probabilidad_ruina : función que arroja la probabilidad de ruina para:
# a=capital inicial del jugador
# c=capital total
# p=probabilidad de ganar 1 en cada turno
Probabilidad_ruina = function (a,c,p) {
cnt=0
for (i in 1:1000) cnt=cnt+Ruina(a,c,p)
cnt/1000
}#Vector_empírico: función que arroja un vector correspondiente a las
#probabilidades de ruina para cada capital inicial entre 0 y c
Vector_empírico = function (c,p) {
x=NULL
for (i in 0:c) x=c(x,Probabilidad_ruina(i,c,p))
x
}
#Vector_teórico: función que arroja un vector correspondiente a las
#probabilidades (teoricas) de ruina para cada capital entre 0 y c
Vector_teórico = function (c,p) {
x=NULL
if (p==0.5) {
for (i in 0:c) x=c(x,(c-i)/c)}
else {
r=(1-p)/p
for (i in 0:c) x=c(x,(r^i-r^c)/(1-r^c))
}
x
}
#A continuación se generan los gráficos para distintos valores de p,
#exportandolos a un archivo .pdf llamado "Ruinadeljugador"
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 76/125
68
pdf(file="Ruinadeljugador.pdf")
for (prob in seq(0.1,0.9,by=0.1)) {
plot(x=c(0:10,0:10),y=c(Vector_teórico(10,prob),Vector_empírico(10,prob)),
xlab="capital inicial",ylab="probabilidad de ruina",
main="Comparación entre probabilidades empiricas y teóricas",
sub=paste("p=",as.character(prob)),type="p",
col=c(rep("red",times=11),rep("blue",times=11)))if (prob<=0.5) {xleyenda=2; yleyenda=0.3} else {xleyenda=6; yleyenda=0.5}
legend(x=xleyenda,y=yleyenda,fill=c("red","blue"),
legend=c("teórica","empírica"))
}
Semuestranacontinuaciónalgunosgráficosquecomparanlasprobabilidadesderuina
halladasmediantesimulaciónymediantelasformulas3.12ay3.12b:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 77/125
69
Laprimeragráficacorrespondea lasprobabilidadesderuinaparadistintosnivelesde
capitalinicial(entre0y10)conunaprobabilidad p deganarencadaturnoiguala0,6.
Enestecaso,lafórmuladelaprobabilidadderuinaqueaplicaesla3.12b.Lasegunda
gráficaessimilarperoconunvalorp iguala0,5.Lafórmulaqueaplicaesenestecaso
la3.12a.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 78/125
70
3.6. Duración promedio del juego y otras consideraciones sobre el problemade la ruina del jugador
Puedenhacerseotraspreguntasentornoaljuegodescritoenlasecciónanterior.Una
deellases:¿Cuántosturnosdura,enpromedio,eljuego?Recordemosqueeljuego
terminacuandoalgunodelosjugadoressearruina(eljugadorolacasa).Sielcapital
total es finito,supondremosqueel juegosiempre terminaráenuna cantidad finitade
partidas,aúncuandoesposibleconcebir,porejemplo,unatrayectoriadeljuegodonde
laspartidasresulten+1,-1,+1,-1,adinfinitum .Lafinituddeladuracióndeljuegonoes
algoquesepretendedemostrarformalmenteaquí-elautorsoloselimitaaseñalarla
evidenciaempírica:elprogramadelasimulaciónenRanterior,endondesesimulan
series de1000 partidas para cada nivel de capital inicialdel jugador, eventualmente
termina.Quizásamododeapología,téngaseencuentaademásqueelobjetivobásico
quenostrazamosenestecursoesquepuedascomplementarlaverificaciónformalcon
laverificaciónempírica,ovalertedelainvestigaciónempíricaparainferirhechosqueno
estásencapacidaddedemostrarformalmente.
Volviendoalapreguntaqueplanteamosenestasección:¿cuálesladuraciónpromedio
del juego?, debemosespecificar aún más: ¿cuál es la duración promedio del juego,
partiendodeuncapitalinicialX ?Si,comoenlasecciónanterior,eljugadortieneun
capital inicialdeXysuoponenteuncapitalinicialdeY,yentrelosdosuncapitaltotal
Y X T += quenosealtera,sabemosqueeljuegoterminacuandoelcapitaldeljugador
sea0oT . Podemosahoraresponderparcialmentelapregunta:laduracióndel juego
partiendodeuncapitalinicialde0odeTesigualacero.Partiendodecualquiersuma
de dinero distinta entre 0 y T, el juego puede durar una cantidad aleatoria e
indeterminadadepartidas.Denotemospor x T duracióndeljuegopartiendodeuncapital
Xyaclaremosdesdeyaque x T noesunprocesoestocástico-esunavariablealeatoria
que resume un aspecto del juego, visto éste como una trayectoria de un proceso
estocástico.Estamosinteresadosendeterminarelpromediodeladuracióndeljuego,
esdecir,nosinteresahallar:
[ ]x x T E D = [3.13]
A tal fin, vamos a proceder como lo hicimos en la sección anterior, partiendo de la
siguienteecuaciónendiferencias:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 79/125
71
111
++= −+ x x x qD pD D para T x <<0 ,con 00
== T D D [3.14]
Las condiciones de extremos en la expresión 3.14 son simplemente la formulación
matemáticadelodichoanteriormentesobreunjuegoendondeeljugadorcomienzacon
uncapitalde0oT.Nosinteresamásbienentenderenquesebasalaecuación3.14en
sí.Laclavedeesteasuntoesescindireljuegoendosetapas:1)lavariable1
X que
pudiendovaler+1o -1representael resultadoparael jugadordelprimerturnoy2)el
restodeljuego.Partiendodeuncapitalinicialx,sienelprimerturnoeljugadorgana1,
el resto del juegocontinuacomosisepartierade un capitalinicialdex+1. Si porel
contrarioeljugadorpierde1enelprimerturno,debecontinuarconuncapitaldex-1.En
amboscasos,comohatranscurridoun turnoseadicionaenunolacuentade turnosy
porlotantolasesperanzascondicionalesde x T dadoelresultado1
X delprimerturno
son:
[ ] 1111
+=+= +x x D X T E [3.15]
[ ] 1111
+=−= −x x D X T E
Lasecuacionesen3.15seutilizanahoraeneldesarrollodelaecuación3.13:
[ ] { }==⋅== ∑b x x x b T P b T E D
{ } { }( ) =+==++==⋅∑b
x x X b T P X b T P b 1111
∩∩
{ } { }( ) =+==++==⋅∑b
x x X b T P X b T P b 1111
∩∩
{ } { }( ) =−==⋅++==⋅⋅∑b
x x X b T P q X b T P p b 1111
{ } { }=−==⋅++==⋅∑ ∑b b
x x X b T P b q X b T P b p 1111
[ ] [ ]=−=⋅++=⋅ 11 11 X T E q X T E p x x
( ) ( )=+++⋅ −+ 1111 x x D q D p
111
+⋅+⋅ −+ x x D q D p
[3.16]: Justificación
delaecuación3.14
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 80/125
72
Habiendo fundamentado la ecuación 3.14, procederemos a resolverla de la misma
formaquelohicimosconlaprobabilidadderuinaenlasecciónanterior,transformándola
primeroaunaformamásamena:
( )p
D D p q D D x x x x
111
−−=− −+ . [3.17]
Esta forma se parece mucho a la ecuación 3.8, salvo por el sumando dec, lo cual
conlleva a abordarla mediante una ecuación en diferencias finitas como la 3.7 (ver
problemapropuestoN°6).Desdeelprincipioseñalamosquedebenconsiderarsedos
casos: q p = y q p ≠ .Entoncessetiene:
Para q p ≠ :
( )( )
( )( )
( )q p
p q D D
p
q
p q p
p q D D
p
q D D
x x x x
x x −−
−−⎟⎟ ⎠
⎞⎜⎜⎝
⎛ =
−−
−−⎟⎟ ⎠
⎞⎜⎜⎝
⎛ =−+
1
1
101011
. [3.18a]
Para q p = :
( ) ( ) x D D p
x D D D D x x 2
01011−−=−−=−+ . [3.18b]
Vamosaabordarprimeroelcasoenque q p ≠ ,quepareceserelmássencillo.Como
enelproblemadelaruinadeljugador,noconocemos01
D D − .Unavezmás,aplicando
lapropiedadtelescópicadelasseries:
( )( )
q p
p q D D
p
q D D D D
k T
k
k T
k k k T −
−−−⎟⎟
⎠
⎞⎜⎜⎝
⎛ =−=−= ∑∑
−
=
−
=+
10
1
0
01
1
0
10→
( )p q
p q
q p D D
p
q
q p D D
q p
T T T
k
k
−−
⎟⎟ ⎠
⎞⎜⎜⎝
⎛
−+−=⎟⎟
⎠
⎞⎜⎜⎝
⎛ ⎟⎟
⎠
⎞⎜⎜⎝
⎛
−+−=
− ∑−
= 1
11101
1
0
01→
( )( ) q p p q p
T D D
T −−
−=−
1
101
Teniendo01
D D − ,sedesarrolla x D porseriestelescópicassegúnlafórmula3.18a:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 81/125
73
( )( )
=−
−−−⎟⎟
⎠
⎞⎜⎜⎝
⎛ =−=−= ∑∑
−
=
−
=+
q p
p q D D
p
q D D D D D
k x
k
k x
k k k x x
11
0
01
1
0
10
( )( )
( )=
−−
−−
⎟⎟
⎠
⎞⎜⎜
⎝
⎛
−
=⎟⎟
⎠
⎞⎜⎜
⎝
⎛ ⎟⎟
⎠
⎞⎜⎜
⎝
⎛ −
+−+−
−∑
−
=q p
x
p q
p q
p q p
T
p
q
q p D D
q p
x x
T
x
k
k
1
1
1
11
0
01
( )
( ) ( )( ) q p
x
p q q p
p q T T
x
−−
−−
−
1
1 [3.19a]
La ecuación 3.19a permite calcular la duración promedio del juego partiendodeun
capital x y en el caso q p ≠ . A riesgo de parecer repetitivos, vamos a calcular
seguidamenteladuraciónpromediodeljuegoenelcaso q p = .Primeroobtenemosla
fórmulapara01
D D − :
( ) ( ) ( )12001
1
0
01
1
0
10−−−=−−=−=−= ∑∑
−
=
−
=+ T T D D T k D D D D D D
T
k
T
k k k T →
101
−=− T D D
Yenchufandoestaexpresiónenlafórmula3.18bdesarrolladaenseriestelescópicas:
( ) ( ) =−−=−−=−=−= ∑∑∑−
=
−
=
−
=
+
1
0
1
0
01
1
0
10212
x
k
x
k
x
k
k k x x k T k D D D D D D D
( ) ( ) ( )x T x x x T x −=−−− 11 [3.19b]
Si te interesa ver una forma alternativa de deducir las formulas para la duración
promedio del juego o la probabilidad de ruina del jugador puedes consultar las
secciones14y15dellibrode“ProcesosEstocásticos”delaUNA.Tambiénesposible
deducir estas fórmulas mediante los métodos de resolución de ecuaciones en
diferenciasdesegundoorden.Enlotangentealasfórmulas3.19ay3.19b,sedejaal
lectorcomoejerciciolaverificaciónempíricamedianteunasimulaciónenlenguajeR(ver
problemapropuestoN°13).
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 82/125
74
En estas notas dejamos por fuera otros aspectos interesantes sobre las caminatas
aleatorias unidimensionales. Tampoco mencionamos siquiera a las caminatas
aleatoriasdedosomasdimensiones.Algunasfuentesbibliográficas(verporejemplo
http://en.wikipedia.org/wiki/Random_walk ) definen a las caminatas aleatorias de un
modo más especificoque la definición que nosotros hemos empleado a lo largo del
presente texto. Para estosautores, una caminata aleatoria esuna trayectoria en el
espacioparalacual:
• Hayunpuntodepartida.
• Lospasossondelongitudconstante.
• Ladirecciónenquese tomacadapasoesaleatoria:ningunadirecciónesmás
probablequelasotras.
A fin de exponer algunos resultados cuyas demostraciones no se incluirán en el
presente texto, incluimos unos ejemplos gráficos de caminatas aleatorias
bidimensionales:
Fig. 3.2–Ejemplosdecaminatasaleatoriasbidimensionales
Fig. 3.2a -Caminataaleatoria endosdimensionesconincrementosdelongitudunitaria.
Fig. 3.2b - Caminata aleatoria en dosdimensionesconincrementosinfinitesimales.
Lafig.3.2b,querepresentalatrayectoriadeunacaminataaleatoriabidimensionalcon
incrementosinfinitesimales,esenrealidadlatrayectoriadeunprocesodemovimiento
browniano. Conunpoquitode imaginación,podemosimaginarnosqueelmovimiento
brownianoentresdimensionesmodelaadecuadamenteelcomportamientodelhumoen
unambientesincorrientesdeaire,oeldeunatintavertidaenunvasodeagua.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 83/125
75
Fig. 3.3 –Trescaminatasaleatoriastridimensionales.
Enelcontexto deeste tipo decaminatas aleatoriasdonde las direcciones enquese
tomanlospasossonequiprobables,existenvariosresultados 11:
[3.20] Sinohaybarrerasabsorbentes,laprobabilidadderetornaralpuntodeorigenen
unacaminataaleatoriadeunaodosdimensionesesuno.Encambio,entres
dimensiones, la probabilidad de un retorno eventual al punto de partida es
estrictamentemenorqueuno-esdehechoaproximadamenteiguala0,65 12.
[3.21] El valor esperado de la distancia máxima al punto de partida, luego de una
caminatadenpasos,esasintóticamenteiguala π n 2 .Matemáticamente,si
k n k
n S M ≤≤
=1
max ,entonces [ ] π n M E n n
2=∞→
lim
11 El lector interesado puede consultar el Capítulo 12 sobre caminatas aleatorias en el libro
“IntroductiontoProbability”deGrinsteadySnell.
12GRINSTEAD,pp.475-478.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 84/125
76
Problemas Resueltos
Sección 3.1 y 3.2
Para las preguntas 1 a 4, asuma que { }1≥i S i , se refiere a una caminata aleatoria
basadaenunprocesodeBernoulliconprobabilidaddeéxitoencadaensayoigualap .
Calcularlosiguiente:
1) { }237
=− S S P
Solución:
Envirtuddelocomentadoenel[3.2]ysegúnelteorema3.1,setiene:
{ } { } 2222
4376
2
422 q p q p S P S S P =⎟⎟
⎠
⎞⎜⎜⎝
⎛ ====−
2) { }7421153
=== S S S P ,,
Solución:
{ } { }3227425113531153
=−=−===== S S S S S P S S S P ,,,,
Losincrementosenlaprobabilidadanteriorsontodosindependientesentresí,de
modoquelaexpresiónanterioresiguala:
{ } { } { }
{ } { } { } 473322623
511353
453
6
2
2
2
3322
322
q p q p p q p S P S P S P
S S P S S P S P
=⎟⎟ ⎠ ⎞⎜⎜
⎝ ⎛ ⋅⎟⎟
⎠ ⎞⎜⎜
⎝ ⎛ ⋅⎟⎟
⎠ ⎞⎜⎜
⎝ ⎛ ==⋅=⋅=
==−⋅=−⋅=
Seentiendequelasprobabilidadesen { } { } { }322623
=⋅=⋅= S P S P S P serefierena
variables i S consideradasporseparadoeindependientesunasdeotras,esdecir,
3S ,
2S y
5S noserefierenalamismatrayectoriadelacaminataaleatoria.
3) { }342653
=== S S S P ,,
Solución:
Deigualformaqueenelproblemaanterior:
{ } { } { } { }122342123653
−=⋅=⋅===== S P S P S P S S S P ,,
Perolaprobabilidad { }11
−=S P enlaexpresiónanterioresigualacero,porquelos
incrementosenunacaminataaleatoriabasadaenunprocesodeBernoullisiempre
sonpositivos.Porlotanto,laprobabilidad { }342653
=== S S S P ,, esigualacero.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 85/125
77
4) [ ]53
S S E
Solución:
[ ] ( )[ ] [ ] ( )[ ]35333353353
S S S E S S E S S S S E S S E −+=−+⋅=
Peroporlaindependenciadelosincrementos,laexpresiónanterioresequivalente
a:
[ ] ( )[ ] [ ] [ ] [ ] [ ]
( ) 22
3533
2
335333
1532333 p pq p p p pq
S S E S E S E S V S S S E S S E
+=⋅++
=−⋅++=−+
Sección 3.3
Paralaspreguntas5y6,asumamosque 1≥ j T j , caracterizaalostiemposhastalos
respectivosj-ésimoséxitos,dondecadaensayosebasaenunprocesodeBernoulliconprobabilidaddeéxitoigualap .Calcularlosiguiente:
5) { }6332
== T T P ,
Solución:
{ } { } { } { }
3313232
23223232
212
13
333363
q p p q q p
T T P T P T T T P T T P
=⋅⎟⎟ ⎠
⎞⎜⎜⎝
⎛
−
−
==−⋅===−====
−−
,,
Téngamosencuentaque 2T esbinomialnegativay 23 T T − esgeométricamente
distribuida.
6) [ ]3216
T T T T E ,,
Solución:
En lo sucesivo téngase en cuenta las propiedades 1 a 6 de la esperanza
condicionalqueaparecenenlasección2.2:
[ ] [ ]==363216
T T E T T T T E ,, (propiedaddeMarkovde 1≥ j T j , )
[ ] [ ] [ ]=+−=+−333363336
T T E T T T E T T T T E (propiedad1delaesperanzacondicional)
[ ] =+−336
T T T E (Teorema3.2ypropiedad2)
3
3T
p + (
36T T − esbinom.negativaconr=3)
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 86/125
78
Enelúltimopasosehapodidoprocederde [ ] [ ] [ ]3636
T E T E T T E −=− ycalcularlas
esperanzasdelasrespectivasbinomialesnegativas.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 87/125
79
Problemas Propuestos
1) Unafábricaproducerecipientescuyacapacidadseverificaalfinalizarelproceso
de producción, y se consideran defectuosos aquellos cuya capacidad está por
debajodelos0,975lt.oporencimade1,025lt.Pruebasestadísticassugierenque
lacapacidaddeunrecipienteproducidotienedistribuciónnormalconmedia1lt.Y
varianza0,01.DefineelprocesoaleatoriodeBernoulliquemodeleestasituación.
¿Cuálessuposicionesdebenhacersesobreelprocesodefabricaciónparaqueel
modelodeBernoulliseaadecuado?
2) Sea { }1≥i S i , elnúmerodeéxitosenunprocesodeBernoulliconprobabilidadde
éxitop.Calcula [ ].n m n S S E +
3) Sea { }1≥i S i , elnúmerodeéxitosenunprocesodeBernoulliconprobabilidadde
éxitop.Calcula { }7487
== S S P ,
4) Calcula { }854632
=== T T T P ,,
5) Calcula { }123 87 == T T P ,
6) Encuentra una solución para la siguiente ecuación general en diferencias de
primerorden:1−⋅= n n a r a .Asumequeseconoceelvalorinicialdelasecuencia
0a .
7) Demuestraquela soluciónpara lasiguienteecuacióngeneral endiferencias de
primerordendadaen3.4( β α +⋅= −1n n a a ),es:
β n a a n +=0
si 1=
α
α β α
−−
+=1
10
n n
n a a si 1≠α
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 88/125
80
8) Utilizalapropiedadtelescópicadelasseriesparademostrarque
∑=
+
−−
=n
i
n i
x
x x
0
1
1
1si 1≠x
9) Desde donde está situado, un borracho está a solo un paso de caer a un
precipicio.Elborrachocaminadeformaaleatoria:tomaunpasohaciaelprecipicio
conprobabilidadde 31 unpasoalejándosedelprecipicioconprobabilidadde 32 .
¿Conquéprobabilidadseescapaelborrachodecaeralprecipicio?
10) Un ludopatavarado en Margarita tiene solo20 BF y necesita conseguir 20 BF
adicionalesparatomarelferryderegresoacasa,perosientepenadellamarasu
esposaparaqueleenvíemásdinero.Decidejugaralaruleta(delacualnoes
muyaficionado)yconsideradosestrategias:apostarlos20BFanúmerosnegros
todosde unavezoapostar 1BF aun númeronegrocadavezhasta quehaya
completado o perdido los 20 BF que tenía. Compara los méritos de ambas
estrategias.(Nota:unaruletatiene38númerosdeloscuales18sonnegros,en
cadaturnoderuletaseganaloqueseapuestaconprobabilidad 3818=p ose
pierdeconprobabilidad 3820=q )
11) Enel contexto delproblemaanterior, supóngaseadicionalmentequeel jugador
decideapostar1BFalavez,ycadaturnoenlaruleta tomaaproximadamente2
minutos.¿Cuántotiempoduraráenpromedioeljugadorhastaterminareljuego?
¿Creesqueeljugador puedaemprender el viaje en ferrya sucasa esamisma
tardesicomienzaajugaralmediodía?
12) Justifica detalladamente y haciendo referencia a las definiciones y propiedades
sobrelasprobabilidadesyesperanzascondicionales,cadaunodelospasosenla
justificacióndelaecuación3.14dadoseneldesarrollo3.16deltexto.
13) En el problema del jugador, si q p = , ¿Cuál es el nivel de capital inicial x que
maximizaladuraciónpromediodeljuego?
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 89/125
81
14) VerificamedianteunasimulaciónenRlasformulas3.19ay3.19breferentesala
duraciónpromediodeljuego.Paraelcasoenque q p ≠ ,asumaque 31=p .En
amboscasosasumauncapitaltotal 10=T .
15) Unhombreseembriagaperdidamenteensucasayledadebeberasumascota,
uncanario,quese emborrachatambién. Elhombresueltaelcanario, que sale
volandodesujaulasegúnunmovimientoBrownianoentresdimensiones,traslo
cualsaledesucasatambién,demodoquesudeambularporlaciudadesuna
caminata aleatoria en dos dimensiones. ¿Cuál es la probabilidad de que el
hombreborrachoeventualmenteregreseasucasa?¿Cuáles laprobabilidadde
queelcanariosepierdayjamásregreseasujaula?
16) Verificamediante una simulación en lenguaje R la fórmula 3.21 referente a la
máxima distancia alcanzada desde el origen en una caminata aleatoria
unidimensional.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 90/125
82
Capitulo 4- El proceso de Poisson homogéneo
4.1 El proceso de Poisson como caso límite de la caminata aleatoria binomial.
Enelcapituloanteriorestudiamoslaevoluciónaleatoriadeprocesoscuyoscambiosde
estado ocurren en instantes de tiempo discretos, que se suponen regularmente
espaciados pero cuya ubicación temporal no esta del todo determinada, o no es
relevante.Hablábamosentoncesdeensayos(procesosdeBernoulli)opasos(enlas
caminatasaleatorias);aunquenoespecificábamoslosinstantesdetiempoprecisosen
los cuales ocurría cada ensayo o paso porque sencillamente no era relevante. Sin
embargo,enmuchosfenómenosrealesnopodemosconsiderarqueloseventosdeun
proceso ocurren o no en instantes discretizados de tiempo. En estos casos, los
procesosdeBernoullinosonmodelosadecuados.
Consideremos por ejemplo una central telefónica en la cual se han recibido 270
llamadasenunperiododetreshoras(180minutos).Consecuentemente,serecibenen
promedio1,5llamadasporminutoybasándonosenestaevidencia,deseamoscalcular
laprobabilidadderecibir0,1,2omásllamadasenlospróximos3minutos.Podríamos
dividir el lapso de 3 minutos en 9 subintervalos de 20 segundos cada uno y si
suponemos que las probabilidades de que ocurran llamadas en cada subintervalo
permanecen constantes, esto nosconducea aproximar las probabilidades buscadas
mediante ladistribución binomial. Nuestraaproximaciónconsiste enconsiderar cada
unodelosnuevesubintervaloscomoensayosdeBernoullien loscualesobservamos
una llamada telefónica (éxito) o ninguna (fracaso), con probabilidad de éxito
( ) ( ) 50602051 ,, =⋅=p .Perounpocodereflexiónnoshaceconcluirquecuandomucho,
estemodeloes unaaproximaciónbastante inexactade lasituación,porque estamos
ignorandolaposibilidaddequeocurrandosomásllamadasencadasubintervalode20
segundosyelusodelmodelodeBernoullisuponeunadicotomíaencadaensayo:o
ocurreunallamadaonoocurreninguna.
Noobstante,paraminimizarlaprobabilidaddequeocurradosomásllamadasencada
subintervalo de tiempo, podríamos subdividir el lapso de 3 minutos en una mayor
cantidaddesubintervalosmáscortos.Podemostambiénobservarsilasprobabilidades
calculadas tienden hacia algún valor amedida que tenemosunamayor cantidadde
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 91/125
83
intervalos:hicimoselejerciciodecalcularlasprobabilidadesderecibirkllamadasenun
lapso de 3 minutos manteniendo el número promedio de llamadas ( [ ] 51,== np X E )
constante. En la tabla de abajo, se muestra en las celdas respectivas dichas
probabilidadesaproximadasmedianteladistribucióndeBernoulli:
Tabla 4.1. Calculo de las probabilidades de recibir k llamadas en 3 minutosmediante aproximaciones sucesivas por medio del modelo Binomial
Variablealeatoria:X=númerodellamadasrecibidasenunlapsode3minutos.
Leydeprobabilidadbinomial: ( ) ( ) k n k p p k
n k X P
−−⎟⎟ ⎠
⎞⎜⎜⎝
⎛ == 1
n= 9 n= 72 n= 576 n= 4608 n= 36864
k p= 0,5 p= 0,0625 p= 0,0078125 p= 0,0009766 p= 0,000122
0 0,001953125000 0,009592502052 0,010914422300 0,011084598051 0,011105945532
1 0,017578125000 0,046044009851 0,049501631849 0,049929450459 0,049982856317
2 0,070312500000 0,108970823313 0,112060780760 0,112426675593 0,112472105506
3 0,164062500000 0,169510169598 0,168826478100 0,168731595889 0,168719600910
4 0,246093750000 0,194936695038 0,190428291242 0,189884897133 0,189817275337
5 0,246093750000 0,176742603501 0,171535405654 0,170914968993 0,170837865192
6 0,164062500000 0,131575049273 0,128538998200 0,128172304053 0,128126660829
7 0,070312500000 0,082704316686 0,082415330680 0,082369633187 0,082363787168
8 0,017578125000 0,044798171538 0,046155829879 0,046307756878 0,046326487969
9 0,001953125000 0,021237651692 0,022936580377 0,023136274752 0,023161044515
10 0,000000000000 0,008919813711 0,010240189822 0,010401146391 0,010421197602
11 0,000000000000 0,003351687576 0,004148852856 0,004249930784 0,004262581064
≥12 0,000000000000 0,001616506172 0,002297208282 0,002390767836 0,002402592061
Enlatablasuperior,losvaloresdenydepsemultiplicanysedividenrespectivamente
porunfactorde8enformasucesiva,demodoquentiendeainfinitoyptiendeacero,
pero np permanece constante. Observamos que las probabilidades respectivas se
“estabilizan”alrededordeciertosvalores-novarianmuchomásamedidaqueseguimos
aumentandoelnúmeron deensayos.Estonosmotivaaformularlasiguientepregunta:
¿Cuáleslaleydeprobabilidadhacialacualtiendelabinomialamedidaque ∞→n y
0→p demodoque np permanececonstante,digamos λ =np ?
Enloscálculossiguientessedeterminalarespuestaexactaaestapregunta.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 92/125
84
Considerandopueslafuncióndeprobabilidadbinomial:
( ) ( )( )
( )
( )( ) ( )( )
k n k
factores k
k n k k n k
p p k
k n n n n
p p k n k
n p p
k
n k X P
−
−−
−+−−−
=−−
=−⎟⎟ ⎠
⎞⎜⎜⎝
⎛ ==
1
121
11
!
!!
!
[4.1]
Defínase np =λ ,demodoquen
p λ
= yn
p λ
−=− 11 .
Sustituyendo en la ecuación 4.1 todos los términos que involucren p por sus
expresionesequivalentesenλ obtenemos:
( )
( )( ) ( )
( )( ) ( )
⎟⎟ ⎠
⎞⎜⎜⎝
⎛ ⎟ ⎠
⎞⎜⎝
⎛ −−⋅⋅⎟
⎠
⎞⎜⎝
⎛ −⋅⎟ ⎠
⎞⎜⎝
⎛ −⋅⎟ ⎠
⎞⎜⎝
⎛ −⎟ ⎠
⎞⎜⎝
⎛ −=
⎟⎟ ⎠
⎞⎜⎜⎝
⎛ ⎟ ⎠
⎞⎜⎝
⎛ −−⋅⋅⎟
⎠
⎞⎜⎝
⎛ −⋅⎟ ⎠
⎞⎜⎝
⎛ −⋅⎟ ⎠
⎞⎜⎝
⎛ −=
⋅⋅⋅+−−−
⎟ ⎠
⎞⎜⎝
⎛ −=
⎟ ⎠
⎞
⎜⎝
⎛
−⎟ ⎠
⎞
⎜⎝
⎛ +−−−
==
−
−
−
−
n
k
n n n n k
n
k
n n n k
n n n
k n n n n
n k
n n k
k n n n n
k X P
k n k
k n k
factores k
k n k
k n k
11
21
11111
11
21
1111
1211
1121
λ λ λ
λ λ
λ λ
λ λ
!
!
!
!
[4.2]
Ahora tomando el limite de la expresión 4.2 cuando ∞→n y 0→p de modo que
λ =np permanececonstante,obtenemoslosiguiente:
( )
λ λ
λ λ λ
−
−
→∞→
→∞→
=
⎟⎟ ⎠
⎞⎜⎜⎝
⎛ ⎟ ⎠
⎞⎜⎝
⎛ −−⋅⋅⎟
⎠
⎞⎜⎝
⎛ −⋅⎟ ⎠
⎞⎜⎝
⎛ −⋅⎟ ⎠
⎞⎜⎝
⎛ −⎟
⎠
⎞⎜⎝
⎛ −==
e k
n
k
n n n n k k X P
k
k n k
p n
p n
!
!limlim1
12
11
1111
00
[4.3]
Ya que, según lo recordado en nuestra clase de sexto grado de primaria cuando
estudiamoslimites:
λ λ −
∞→
=⎟ ⎠
⎞⎜⎝
⎛ − e
n
n
n
1lim , 01 =⎟ ⎠
⎞⎜⎝
⎛ −
−
∞→
k
n n
λ lim y 11 =⎟
⎠
⎞⎜⎝
⎛ −
∞→ n
c
n lim
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 93/125
85
Deestaformademostramoselsiguienteteorema:
Teorema 4.1- (Ley de las probabilidades Pequeñas) Sea X una variable aleatoria
discretadistribuidasegúnlaleybinomialconparámetros n yp respectivos.Si ∞→n y
0→p de forma que np permanece constante y λ →np , entonces, bajo estas
condiciones:
( )!lim k
e k X P k
p n
λ λ −
→∞→
==
0
Esteresultadoesmuyimportanteporvariasrazones.Unarazónesquenospermite
calcularaproximadamentelasprobabilidadesasociadasaladistribuciónbinomialpara
un número n muy grande de ensayos y una probabilidad p de éxito casi nula. El
estudiante que haya intentando calcular probabilidades binomiales que involucran
númeroscombinatorioselevadísimosquemultiplicanpotenciasdepquetiendenacero
sabráapreciarlavalíadeestaaproximación. Esporestoqueelresultadoanteriorse
conoce como la Ley de las Probabilidades Pequeñas. De la misma forma que el
Teorema de DeMoivre-Laplace (una variante de la Ley de los Grandes Números)
aproximamedianteladistribuciónnormallasprobabilidadesbinomialescuando ∞→n
y p no tiende a cero o a uno, laLey de las Probabilidades Pequeñas aproxima las
probabilidadesbinomialesbajolascondicionesyacitadasmedianteunadistribuciónde
probabilidad que el estudiante seguramente ha identificado ya: la distribución de
Poisson. Como regla práctica, se puede confiar en esta aproximación si 100≥n ,
010,≤p y 20≤np 13.
ComoseindicaenlaTabla1.1,lavariablealeatoriaPoissonrepresentaelnúmerode
eventosqueocurrenenuninstantedetiempodeamplitudfijacuandolatasapromedio
deeventoseneseintervalodetiempoesλ.Sufuncióndeprobabilidades:
( )⎪⎩
⎪⎨
⎧
<
≥∈=
−
00
0
x
x e x x p
x
X
Nλ λ
!
13DEVORE,p.131.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 94/125
86
Selesugierealestudiantedemostrarqueenefecto,ladistribucióndePoissonesuna
distribución de probabilidad válida (Problema Propuesto N° 1). De hecho, esto se
realizaexpresando λ e comounaseriedeTaylor.
Históricamente, la ley de probabilidad de Poisson está asociada al estudio de la
cantidad de eventos de cierto tipo que ocurren entre una población muy numerosa
cuando la frecuencia del fenómeno es muy rara, como por ejemplo, la cantidad de
personasenunaciudadde10millonesdehabitantesquepadecendeunaenfermedad
muy rara que afecta en promedio a uno entre cada millón de individuos en una
población. Siméon-Denis Poisson (1781-1840) formuló en 1837 la distribución
homónima en conexión con largas series de observaciones de eventos que ocurren
raramente.Porejemplo,unadetalesseriesdadaseraladistribucióndefrecuenciasdel
númerodebajasanualesencadacuerpodelacaballeríadelejercitoPrusianodebidasa
patadasdecaballos 14.Ladistribucióndefrecuenciasdeelnúmerodebajasanualesde
estaseriefuelasiguiente:
Muertes 0 1 2 3 4omás
Frecuencia 109 65 22 3 1
Sisuponemosquelasprobabilidadesdekmuertesaccidentalesporpatadasdecaballo
semantienenconstantesenel tiempoyatravésdetodos loscuerposdelacaballeríadelejercitoPrusiano,estosdatosnospermitiríancalcularlasfrecuenciasrelativas(que
seasemejanadichasprobabilidades),dividiendolasfrecuenciasabsolutasrespectivas
entreelnúmerototaldeobservaciones,osea n =200.Sienbaseaestasprobabilidades
calculamos el número promedio de muertes anuales en cada cuerpo de caballería,
obtenemos una estimación del parámetro λ, que resulta ser igual a 0,61. Con el
parámetroλ,calculamoslasprobabilidadesrespectivassegúnlaleydedistribuciónde
Poisson y conestas probabilidades, calculamos las frecuencias absolutasquecabría
esperarsesegúnestemodeloteórico.Todoestoseresumeenlasiguientetabla:
14RIETZ,p.39
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 95/125
87
Muertes 0 1 2 3 4omás
Observacionesdefrecuenciasabsolutas(evidenciaempírica)
Frecuencias
absolutas 109 65 22 3 1Frecuencias
relativas 0,545 0,325 0,110 0,015 0,005Promediode
muertes 6100050401503110023250154500 ,,,,,,ˆ =⋅+⋅+⋅+⋅+⋅=λ
ObservacionesesperadassegúnelmodelodePoisson
Probabilidadesesperadas 0,543 0,331 0,101 0,021 0,004
Frecuenciasabsolutasesperadas 108,6 66,2 20,2 4,2 0,6
Comosepuedeobservar,laleydeprobabilidaddePoissonmodeladeformabastante
fielelfenómenoestudiado.
4.2. Derivación axiomática del proceso de Poisson.
Llegados a este punto, podemos entender que la ley de distribución dePoisson se
adecuaaunaampliagamadefenómenosaleatoriosdelavidarealporqueesuncaso
límitedelmodeloBinomial,quetambiénseasomaenmuchassituaciones.Dehecho,la
distribución dePoisson, junto con lanormaly labinomial, son las tres distribuciones
principales de la teoría de las probabilidades, debido a su universalidad y grandes
ramificacionesportodoelcorpusteórico15.Sinduda,ladistribucióndePoissonmerece
unanálisisprofundoporsuspropiosmeritos.Surgendospreguntas:¿Cómosabemossi
se reúnen las condiciones para aplicar el modelo de Poisson a un determinado
fenómeno real? ¿Como relacionamos la distribución de Poisson y los procesos
estocásticos?
Intentamosdarunarespuestaalaprimerapreguntahaciendoalgunasconsideraciones
sobreladistribuciónbinomial,apartirdelacualladistribucióndePoissonsurgecomo
caso límite. En efecto, para que la binomial sirva de modelo adecuado de un
15FELLER,p.156
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 96/125
88
determinadofenómeno,debemosverificarquelasprobabilidadp deéxitosemantenga
constante a través de todos los ensayos y que los ensayos se realizan de forma
independienteentresí.SiconsideramosqueladistribucióndePoissonesuncasolímite
delabinomial,entoncessevislumbraunarespuestaalasegundapregunta.
Enefecto,supóngasequeestamos interesados encontar la cantidad de eventos de
cierto tipo que han sucedido hasta un instante de tiempo t . Para tal fenómeno,
hacemoslassiguientessuposiciones:
1) Laocurrenciaadicionaldeeventosapartirdeeseinstanteesindependientedela
cantidad de eventos acaecidos hasta entonces (los ensayos de Bernoulli son
independientesentresí). Másprecisamente,paraintervalosdetiempodisjuntos
(nosuperpuestos),lascantidadesdeeventosqueocurrenencadaintervaloson
independientesentresí.EstoesunamaneradedecirqueelprocesodePoissonesunprocesoconincrementosindependientes.
2) Severificaquelatasapromediodeeventos,expresadacomouncocientedela
cantidad de eventos en promedio que suceden en un lapso de tiempo fijo, es
constante(laprobabilidaddeéxito p encadaensayodeBernoulliesconstante).
Por lo tanto, dos intervalos de tiempo de igual amplitud tendrán la misma
distribucióndeprobabilidades,encuantoalacantidaddeeventosquesucedeen
cadaintervalo,sinimportarcuandistanteseneltiemposeanesosintervalosuno
del otro. Según la terminología del capitulo 2, el proceso de Poisson es unprocesoconincrementosestacionarios.
3) Segúnlasdeduccionesqueculminanenlafórmula4.3,vemosquesubdividiendo
el número de ensayos del modelo binomial en lapsos temporales de amplitud
infinitesimalmentepequeña,demodoquelaprobabilidaddeocurrenciadedoso
máseventosencada lapso temporal sea casi nula ymanteniendo constante el
promedio de eventos que suceden a lo largo del lapso temporal total, la
distribucióndeprobabilidaddeeventosquesucedenenunintervalodetiempoes
ladistribucióndePoisson.
LaLeydelasProbabilidadesPequeñasesunaposiblevíaparadefinirelprocesode
Poisson.Acontinuaciónvamosatomarotravíamásrigurosa-planteamosunconjunto
de axiomas o condiciones que debe cumplir el proceso y verificamos que
necesariamente, esto conduce a la distribución de Poisson. Antes definimos la
terminologíamediantelacualdenotaremosformalmenteelprocesodePoisson:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 97/125
89
ElprocesoaleatoriodePoissonesunacoleccióndevariablesaleatoriasindexadaspor
un parámetro temporal continuo: ( ){ }0≥t t Z . Para cada instante t, ( )t Z denota la
cantidaddeeventosdeciertotipoqueseproducenenellapsodetiempo[ )t ,0 ,porlo
cual ( )t Z esunprocesodeconteoyrepresentaunacantidadentera.
Planteamosa continuación los postuladosque debe satisfacerunproceso deconteo
( ){ }0≥t t Z para definirse como un proceso de Poisson. Como se verá, estos
postuladosnosondeltododistintosalastressuposicionesqueacabamosdehacer.
Axioma 1: Para intervalos de tiempo disjuntos (no superpuestos), las
cantidades de eventos que ocurren en cada intervalo son independientes
entre sí- El proceso de Poisson es un proceso con incrementos
independientes.
Axioma 2: Defínase ( ) ( )x Z t x Z −Δ+ como la cantidad de eventos que
ocurren en un intervalo de tiempo [ )t x x Δ+, y ( ) ( )y Z t y Z −Δ+ como la
cantidad de eventos que ocurren en otro intervalo de tiempo [ )t y y Δ+, ,
siendo ambos intervalos de tiempo de la misma amplitud. Entonces,
( ) ( )x Z t x Z −Δ+ y ( ) ( )y Z t y Z −Δ+ tendrán la misma distribución de
probabilidades- El proceso de Poisson es un proceso con incrementos
estacionarios.
Axioma 3:Considéreseunasubdivisióndeunintervalodetiempodelongitud
unitaria en N subintervalos, cada uno de longitud N t 1=Δ . Para N
suficientementegrande, lasprobabilidadesdeque seproduzcancerooun
eventoencualquieradeesossubintervalossonrespectivamente:( ) ( ){ } ( ) ( )t o t t P t Z t t Z P Δ+Δ−=Δ==Δ−Δ+ λ 10
0 [4.4a]
( ) ( ){ } ( ) ( )t o t t P t Z t t Z P Δ+Δ=Δ==Δ−Δ+ λ 1
1 [4.4b]
donde ( )t o Δ esunacantidaddeunordendemagnitudmuchomáspequeña
que t Δ demodoque( )
00
=ΔΔ
→Δ t
t o
t lim .
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 98/125
90
Obsérvesequelasprobabilidades ( )t P Δ0
y ( )t P Δ1
soncomplementarias,de
modoquelaprobabilidadqueseproduzcandosomáseventosenunlapso
detiempo infinitesimalmentecortoesdespreciable. Enloanterior,λesun
parámetroconstantequerepresentalacantidadpromediodeeventosquese
producenenunintervalodetiempodelongitudunitaria:
( )[ ] ( )[ ] ( )[ ] ( )( )
( )( ) λ λ
λ
=Δ+ΔΔ
=Δ+Δ⋅=Δ⋅=Δ⋅=
t o t t
t o t N t Z E N t Z N E Z E
1
1
Elparámetroλtambiénseconocecomo intensidad de flujo.
Axioma 4: Se impone la siguiente condición inicial: ( ){ } ( ) 10000
=== P Z P .
Estoequivaleadecirque ( ) ( ) 00021
=== ¨P P .
Apartirdeestoscuatroaxiomas,pretendemosdeducirlafuncióndeprobabilidaddelas
variables aleatorias ( ){ }0≥t t Z , a saber: ( ){ } ( )t P n t Z P n == . Comencemos
considerando ( )t t P Δ+0
- laprobabilidad de queocurran ceroeventos en el lapso de
tiempo [ )t t Δ+,0 . Para quesuceda tal cosa,debe acontecer quese produzcan cero
eventosen[ )t ,0 yceroeventosen [ )t t t Δ+, .Envirtuddelaxioma1,estossucesosson
independientes,pues
[ )t ,0 y
[ )t t t Δ+, nosonintervalosdetiemposuperpuestos.Por
otrolado,envirtuddelAxioma2,laprobabilidaddequeseproduzcanceroeventosen
el intervalo de tiempo [ )t t t Δ+, es igual a la probabilidad de que seproduzcan cero
eventos en el intervalo de tiempo [ )t Δ,0 , pues el proceso es de incrementos
estacionarios.Ensuma,tenemoslosiguiente:
( ) ( ) ( ) ( ) ( )( )t o t t P t P t P t t P Δ+Δ−⋅=Δ⋅=Δ+ λ 10000
Ø
( ) ( ) ( ) ( )( )t o t t P t P t t P Δ+Δ−=−Δ+ λ 000
yqueporlotanto,tomandoladerivadade ( )t P 0
:
( )( ) ( )
( )( )
( )t P t
t o t t P
t
t P t t P t P
t t 00
0
00
00
⋅−=⎟ ⎠
⎞⎜⎝
⎛ Δ
Δ+Δ−=
Δ
−Δ+=
→Δ→Δλ
λ limlim' Ø
( )( )
λ −=t P
t P
0
0'
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 99/125
91
Integrando esta ecuación diferencial sencilla y tomando en cuenta el Axioma 4 que
estableceunacondicióninicial- ( ){ } ( ) 10000
=== P Z P ,deducimosfinalmenteque:
( ) t e t P λ −=0
[4.5]
Ahoraprocederemosacalcular ( )t P n para1
≥n .Demaneraanálogaalrazonamiento
reciénexpuesto,calculamosprimero ( )t t P n Δ+ ,tomandoencuentaqueparaproducirse
neventosenelintervalodetiempo[ )t t Δ+,0 ,debeocurriralgunodeestosdossucesos,
quesonmutuamenteexcluyentes:1)queseproduzcann-1eventosenelintervalo[ )t ,0
y1eventoenelintervalo[ )t t t Δ+, ,o2)seproducenneventosen[ )t ,0 yningúnevento
en [ )t t t Δ+, .Demodoque:
( ) ( ) ( ) ( ) ( ) ( ) ( )( ) ( ) ( )( )t o t t P t o t t P t P t P t P t P t t P n n n n n Δ+Δ−⋅+Δ+Δ⋅=Δ⋅+Δ⋅=Δ+ −− λ λ 11011
Y de modo similar a como hicimos los cálculos precedentes, podemos encontrar la
derivadade ( )t P n :
( ) ( ) ( )( )t P t P t P n n n −= −1λ ' Ø ( ) ( ) ( )t P t P t P n n n 1−=+ λ λ ' [4.6]
Laecuación4.6esunaecuacióndiferencial linealdeordenunono-homogénea. Una
fórmulapararesolvertalesecuacionesdiferencialeseslasiguiente 16:
Sustituyendolostérminoscorrespondientesen la formula anterior, recordandoqueen
estecasolavariableindependienteest(nox)yteniendoencuentaelAxioma4que
establecelascondicionesiniciales ( ) ( ) 00021
=== ¨P P ,procedemosaresolverla4.6:
16ORELLANA,M.,TORRES,E.,GONZALEZ,J.,MIRANDA,G.,pp.84-86
La solución a la ecuación diferencial no homogénea
( ) ( )x q y x p y =+' vienedadapor
( ) ( ) ( )[ ]dx e x q C e y dx x p dx x p ∫ ∫ ∫ − +=
DondeCesunaconstantequedependedelvalordeyenun
puntodado(condicióninicial).
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 100/125
92
( ) ( ) dt e t P e t P t n
t n ∫ ⋅⋅⋅= −
− λ λ λ 1
[4.7]
Conociendo ( )t P 0
podemoshallaralgunosdelos ( )t P n para 1≥n :
( ) ( ) t t t t e t dt e e e t P λ λ λ λ λ λ −−− =⋅⋅= ∫ 1
( )( ) t t t t e
t dt e te e t P λ λ λ λ λ
λ λ −−− =⋅⋅= ∫ 2
2
2
( )( ) ( ) t t t t e
t dt e e
t e t P λ λ λ λ λ λ
λ −−− =⋅⋅= ∫ 62
32
3
....
Nodebecostarnosmuchotrabajodeducirqueengeneral, ( )( )
!n
t e t P
n t
n
λ λ ⋅= − .
Claroestá,estosepuededemostrarporelmétododeinducción,locualsedejacomo
ejerciciopropuestoparaelestudiante(problemapropuestoN°15).Recuerdequesise
quieredemostrarciertapremisa n A paratodo 0≥n ,elmétododeinducciónconsisteen
demostrarque0
A esciertoyque1+⇒ n n AA .
Enresumen,hemosvistoenestaprimerapartedelpresentecapitulolascondicioneso
premisas bajo lascualesseproduce unprocesoestocástico dePoissonhomogéneo.
Lapalabrahomogéneoserefiereaquelaintensidaddeflujo λesunaconstanteenel
tiempo, esto queda establecido por el Axioma 2 referente a los incrementosestacionarios.
Estamosencondicionesdevolveraplantear ladefinicióndeunprocesodePoisson
homogéneo,conlaesperanzadequeelestudiantetengaahoraunamayorcomprensión
delasunto:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 101/125
93
Definición(ProcesodePoissonhomogéneo):Unprocesodeconteo ( ){ }0≥t t N , esun
procesodePoissonhomogéneocontasamediaconstante(ointensidad) λsicumplelas
condicionesacontinuación:
i. ( ){ }0≥t t N , tieneincrementosestacionarioseindependientes.
ii. Para dos instantes de tiempo s y t tales que t s < , la cuenta de eventos
( ) ( )s N t N − acaecidosenelintervalodetiempo( )t s , esdistribuidasegúnlaleyde
Poissonconmedia ( )s t −λ .Asaber:
( ) ( ){ } ( ) ( )( )!k
s t e k s N t N P
k s t −
==− −− λ λ
Esta vez, esperamosque elestudianteentienda cualesson lascondiciones quedan
origenatalesprocesos,porquéelnúmerodeeventosqueseproducenenunintervalo
detiempoesdistribuidosegúnPoisson,ylasrazonesporlascualesesteprocesosurge
conmuchafrecuenciaenelestudiodeciertosfenómenosaleatorios.
4.3. Procesos de Poisson espaciales.
Las condiciones o postulados axiomáticos que dan origen al proceso de Poisson se
pueden extrapolar a la definición deotro tipode proceso dePoisson sise cambia la
dimensión temporal por la dimensión espacial. De estemodo, cuandohablamos de
lapsos de tiempo en los axiomas 1 a 4, ahora hablaremos de distancias, áreas o
volúmenesenelcasoenqueelprocesosedesarrollaenuna,dosotresdimensiones
espacialesrespectivamente.LoseventosdetipoPoisson,envezdeestardistribuidossobre la recta temporal (porque se suceden en el tiempo), se conceptúan más bien
comopuntos distribuidos sobre una superficie o un volumen. Amodo de ejemplo,
imagínatequeestamosviendocoloniasdebacteriasatravésdelmicroscopio:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 102/125
94
Fig. 4.1 – Colonias de bacterias vistas a través de un microscopio.
Lospuntososcurosrepresentanbacterias. ElplatodePetri hasidosubdivididoenpequeñoscuadrantescuyacuentadebacteriasseindicanmediantelosnúmerosencadacuadrante.
Enbasealoobservadoenlafigura4.1,podemoscontarcuantoscuadrantescontienen
determinadonúmero debacterias, locual nos da lasfrecuencias absolutasempíricas
(hay 34=n observaciones). Acto seguido calculamos el promedio (estimado) de
bacterias por cada cuadrante, lo cual nos permite calcular las frecuencias relativas
teóricas (ajustadasalmodelo dePoisson) y deahí, multiplicandodichas frecuencias
relativas teóricaspor elnúmerototal deobservaciones,determinamoslas frecuencias
absolutasteóricasquecabriaesperarsesielfenómenoencuestiónfueserealmenteun
procesodePoisson.Todolodichoseresumeenlasiguientetabla:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 103/125
95
Tabla 4.1– AjustedelasobservacionesdelaFig.4.1aunprocesodePoissonespacial
k
Frecuenciaabsoluta
(empírica)
Frecuencia relativa teórica(obtenida mediantepromedio estimado)
Frecuencia absolutateórica (redondeando
decimales)
0 3 0,11682726 41 9 0,250835 9
2 10 0,26927876 9
3 6 0,19271911 7
4 4 0,10344482 4
5 2 0,06689505 2
Promedio
estimado
( )14712
34
2544631029130,ˆ ≈
⋅+⋅+⋅+⋅+⋅+⋅=λ
Siasumimosquelasfrecuenciasabsolutasempíricassonlobastanteaproximadasalas
frecuencias absolutas teóricas, entonces elmodelodePoissonpareceser adecuado
paradescribirelfenómenodelascoloniasdebacteriasobservadasenelplatodePetri.
Laverificacióndelabondaddeajusteserealizamatemáticamentemediantetécnicasde
inferencia estadística que verás en cursos posteriores. Por ahora dejemos la
verificación de bondad de ajuste a un lado y abordemos las implicaciones que se
desprendendeserestefenómenounprocesodePoisson.
Porejemplo,elaxioma4estableceríaqueenunáreaovolumennulohaycerobacterias
concertezatotal.Estotienebastantesentido-lasbacteriasnecesitanciertacantidad
mínimade espaciopara desarrollarse yenun espacio deárea nula no puedehaber
bacterias. Los axiomas 1 y 2 establecerían que en áreas no superpuestasde igual
tamaño, las cantidades de bacterias en cada área son variables independientes e
idénticamentedistribuidas.Estoquieredecirquelacantidaddebacteriasobservadas
enunaesquinadelplatoPetriesindependientedelacantidaddebacteriasobservadas
enotra esquina. Másaún, tienen lamisma distribución probabilística, lo cual quiere
decir que lascondiciones requeridas para eldesarrollode lasactividadesbacterialesson iguales en toda el área del plato Petri. Por ejemplo, colocar un sustrato más
nutritivoparalasbacteriasenalgunaesquinadelplatoPetriharíaquelasbacteriasse
concentrasenenesesector-seestaríaviolandolacondicióndeestacionariedaddelas
superficiesnosuperpuestasdeigualtamañoyelfenómenoyanoseríaunprocesode
Poissonhomogéneo.Dichodeotromodo,losaxiomas1y2parecenindicarquelos
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 104/125
96
eventos en un proceso de Poisson se distribuyen uniformemente en el tiempo (o el
espacioenestecaso),peroestoesunacuestiónqueabordaremosposteriormente.Por
último,elaxioma3plantealaexistenciadeunparámetro λquerepresentalacantidad
promediodeeventosqueseproducenenunintervalodetiempodelongitudunitariay
quepermanececonstanteeneltiempo.EnelcasodeunprocesodePoissonespacial
homogéneocomoelqueestamostratando,λvienearepresentarlacantidadpromedio
debacteriasporcuadrante(deáreaunitaria)observadosenelplatodePetri.
OtraconsideraciónimportanteenelestudiodelosprocesosdePoissonespacialesesla
distanciaentreunpuntoysuvecinomáscercano.Sedaacontinuaciónunteoremaque
especificaladistribucióndeladistancia:
Teorema 4.2-(Distribuciónde ladistanciaalvecinomáscercanoenladistribuciónde
partículas según un proceso de Poisson espacial17) Sea D la distancia entre una
partículaysuvecinomáscercanoenunadistribucióndepartículasenelplanosegúnun
proceso de Poissonespacialcon tasa promedio de l partículas por unidad de área,
entonceslafuncióndedensidaddeDes:
( )2
2y
D e y y f λπ λπ −⋅= [4.8a]
Enelcasoenquelaspartículassedistribuyenenelespaciotridimensionalconunatasa
promediodelpartículasporunidaddevolumen,entonceslafuncióndedensidaddeD
es:
( )3
3
4
24
y
D e y y f λπ
λπ −
⋅= [4.8b]
Demostración: (caso bidimensional) Primero, obsérvese que { }y D P > denota la
probabilidaddequeuncirculoderadio y yárea 2y π contengaceropartículasporlo
tanto
{ } ( ){ } 2
02 y e y N P y D P πλ π −===>
17PARZEN,pp.32-33
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 105/125
97
Ahora bien, el evento { }y D > es complementario al evento { }y D ≤ , de donde
podemosobtenerlaexpresiónparalafuncióndedistribucióndeprobabilidaddeD:
( ) { } { }2
11y
D e y D P y D P y F πλ −−=>−=≤=
Ysiderivamosconrespectoayobtenemoslafuncióndedensidad:
( ) ( )2
2y
D D e y y F y f πλ λπ −⋅== '
La función de densidad de D para el proceso de Poisson tridimensional se obtiene
medianteunprocedimientosimilar.
Observando la forma funcional 4.8a (el caso tridimensional es parecido) nos damos
cuenta que D sigue una distribución de Weibull18, cuya función de densidad se
caracterizapordosparámetrosay b:
( )
α
β α
α β
α β α
⎟⎟ ⎠
⎞⎜⎜⎝
⎛ −
− ⋅=
x
e x x f 1,; para 0≥x ,cuyaesperanzayvarianzason:
[ ] ⎟ ⎠
⎞⎜⎝
⎛ +Γ⋅=α
β 1
1D E y [ ]⎟⎟
⎠
⎞
⎜⎜
⎝
⎛ ⎟⎟
⎠
⎞⎜⎜⎝
⎛ ⎟
⎠
⎞⎜⎝
⎛ +Γ−⎟ ⎠
⎞⎜⎝
⎛ +Γ⋅=2
2 11
21
α α β D V
Ges,comosabemos,laarchiconocidafuncióngammacuyadefiniciónypropiedadesse
danenlaTabla1.2.Todoencajaalaperfecciónsi 2=α yπλ
β 1
= .
18DEVORE,p.176
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 106/125
98
Fig. 4.2. Anotación de observaciones
4.4. Distribución del tiempo inter-eventos.
UnaformaalternativadeestudiarunprocesodePoissonesmediantelaobservaciónde
lostiemposque transcurren entreeventossucesivos,encontraposiciónaobservar la
cantidad de eventos que se producen en un lapso de tiempo de longitud fija, como
hemos venido haciendo hasta ahora. Para
ilustrar esto, supóngase que estamos
interesadosenestudiarelprocesoasociadoala
llegada decarrosauna intersección dondehay
semáforo. Consideremos que se produce un
eventocuandouncarropasaporelárearayada
de alguna de las cuatro intersecciones que
estamosestudiando.
Hasta ahora hemos estudiado el procesoen atención al número de eventosque se
producenenunlapsodetiempodelongitudfija,locualennuestroejemplosetraducea
queelanalistarecopilapacientementelasestadísticasdecuantoscarrospasanporla
intersecciónadeterminadashorasdeldía(digamos,de9a10a.m.)todoslosdías(Fig.
4.2).
Enlafiguraalaizquierda,wrepresentaeldía
en los cuales se toman lasobservaciones y
Nw representa el número de carros que
pasaron por la intersección desde las 9 a
10am en cada fecha correspondiente.
Cuando ha terminado de recopilar las
observaciones, el analista comienza a
resumirlainformaciónafindeverificarsise
trata efectivamente de un proceso de
Poisson. Primero calcula el número
promedio de carros que pasan por la
intersección(λ ̂),locualrealizasumandolos
Nw y dividiendo entre el número de días
observados.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 107/125
99
De forma semejante a como se ha planteado en los ejemplos anteriores, nuestro
valerosoanalistaajustalasobservacionesaunmodelodePoissonyverificalabondad
deajustedeestemodeloconrespectoalasobservaciones.Ahorabien,supóngaseque
envezdetomarlasobservacionesdeestemodoinstalamosundispositivoelectrónico
en la intersecciónque registreel tiempo(en segundos)que transcurreentre llegadas
sucesivas de carros a la intersección (Fig. 4.3). A partir de un instante 0,
comenzaríamosacronometrareltiempointer-llegadadeloscarros.Naturalmente,esto
generaríaunatrayectoriadelsiguienteprocesoestocástico:
+∈Nn T n
Fig. 4.3. Observación de los tiempos entre llegadas de carros en una intersección.
La secuencia aleatoria +∈Nn T n es de parámetro discreto, porque n denota el
tiempotranscurridoentre lallegadadelnésimovehiculoy eln-1ésimovehiculo.Sin
embargo, cada una de estas variables debe tener una distribución continua.
Supongamos pues que+∈Nn T n es una secuencia de variables mutuamente
independientes e idénticamente distribuidas según una distribución exponencial con
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 108/125
100
parámetrol (verproblemapropuestoN°18). Lafuncióndedensidaddeprobabilidad
paracada n T esentonces:
( ) 0>= − t e t f t
T n
,, λ λ λ
Si estamos interesados en conocer la probabilidad de esperar t segundos omenos
hastaquepaseelpróximocarroenlaintersección,dichaprobabilidadpodrácalcularse
mediantelafuncióndedistribucióndeprobabilidadacumuladadelaexponencial:
( ) 01 >−=≤ − t e t T P t n ,, λ λ
Recordemosademásquesilos n T sonexponencialmentedistribuidos,cabríaesperar
en promedio λ 1 segundos (o cualquier otra unidad de tiempo conveniente) entre
llegadassucesivasdecarrosporque [ ] λ 1=n T E .Obsérvesequemientrasmayoresl
menores,enpromedio,ellapsodetiempotranscurridoentredosllegadassucesivasde
carros.Porestarazón,lesconocidacomola intensidad o frecuencia del tráfico(ver
sección4.2enladescripcióndelaxioma3).Enbasea+∈Nn T n podemosdefinir
unacaminataaleatoria+∈Nn S n delsiguientemodo:
∑=
=n
i i n T S
1
Cada n S representaeltiempodeesperaquetranscurrehastalallegadadelnésimo
vehiculo.¿Sepuedededucirdealgúnmodoladistribucióndeprobabilidaddelos n S ?
Teniendo en cuenta que n S es una suma de n variables independientes e
idénticamentedistribuidas,sepuedededucirmedianteelusodelafuncióncaracterística
oeldesarrollodelasconvolucionesque n S esunavariabledistribuidasegúnlaleyde
Erlang(vertabla1.2,distribuciónGamma).Porlotanto,sufuncióndedensidades:
( )( )
( ) 01
1 >−
= −−t e t
n t f t n
S n ,,
!λ λ
λ λ
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 109/125
101
Lapreguntacrucial es:SiN(t) esunproceso deconteoque representa lacuentade
vehículosquehanpasadoporla intersecciónhastael instantedetiempo t,¿Cómose
distribuye N(t) si los tiempos inter-arribos son independientes e idénticamente
distribuidossegúnlaleyexponencial?
Veamos: ( ){ }n t N = representaelsucesoqueseproducecuandopasanexactamenten
vehículos por la intersección en el transcurso de [ ]t ,0 segundos. Este suceso es
equivalentealsiguiente:“Eltiempohastaquepasaelnésimovehiculoesmenorquety
el siguiente vehiculo (el n+1 ésimo) llega después de t”. Entonces tenemos una
equivalenciaentrelossiguientesdossucesos(quesedebedemostrarenelproblema
propuestoN°19:
( ){ } { } { }t S t S n t N n n ≤−≤≡= +1 [4.8]
Porserambossucesosequivalentes,susprobabilidadessonigualesysetieneque:
( ){ } { } { }( )
( ) ( ) dx e x n
dx e x n
t S P t S P n t N P t
x n t
x n n n ∫ ∫ −−−
+ −−
=≤−≤==00
1
11
λ λ λ
λ λ
λ
!!
Integrandoporparteslaexpresiónenelextremoderechotenemos:
( ){ } ( ) ( )
( )
( ) ( )
( )
!!!! n
t e dx e x
n n
t e dx e x
n n t N P
n t
t x n
n t
t x n λ
λ λ λ
λ λ λ λ λ λ −−−−−− =
−−+
−==
∫ ∫ 0
1
0
1
11
quesecorrespondealafuncióndeprobabilidaddePoisson.
Acabamos de establecer que cuando los tiempos de espera inter-eventos son
exponencialmentedistribuidosconelmismoparámetrolambda(lamismaintensidadde
tráfico),elprocesoresultanteesunprocesodePoisson.Sepuededemostrartambién,
aunquenoseharáenestaexposición,quelostiemposinter-eventosdeunprocesode
Poisson homogéneo son exponencialmente distribuidos con el mismo parámetro
lambda.EstacaracterizacióndelprocesodePoissontieneunaconsecuenciadecapital
importancia práctica para nosotros: para simular un proceso de Poisson, debemos
generar una secuencia de números aleatorios exponencialmente distribuidos. La suma
acumulada de dicha secuencia representará entonces los tiempos exactos en que
suceden los eventos de tipo Poisson.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 110/125
102
4.5. La distribución uniforme de los tiempos de ocurrencia de sucesos en unproceso de Poisson.
EnlascaracterizacionesdelprocesodePoissonhomogéneoquehemosplanteado,se
hainsinuadoquelosaxiomas1y2referentesalaindependenciayestacionariedadde
los incrementos causan una distribución uniforme y completamente aleatoria de los
sucesosenladimensióntemporal(oespacial,si sequiere).Dehecho,elprocesode
Poisson homogéneo se conoce como el proceso completamente aleatorio ya que
distribuyelossucesossobreel intervalotemporal infinito [ )∞,0 delamismaformaen
quesedistribuyenpuntossobreunintervalofinitobajoladistribuciónuniforme.Vamosa
ilustrar mediante un ejemplo lo que se pretende establecer. Supóngase que en un
horizonte de 0 a 30 unidades de tiempo observamos un procesodePoisson y que
además,enesa“ventanadetiempo”ocurrieronexactamente31sucesosdeciertotipo,
talcomosemuestraenlagráficaacontinuación(Fig.4.4).Adicionalmente,elsuceso
N°32ocurriódespuésdelinstantedetiempot=30.
Fig. 4.4. Una realización de un proceso de Poisson observada en el horizonte de tiempode 0 a 30.
El resultadoque sepretendeestablecer eselsiguiente:si distribuimos31puntosde
formaaleatoriaysegúnladistribuciónuniformesobreelintervalotemporalde0a30,el
resultadoquevamosaobservaresmuysimilaraldelaFig.4.4:
Fig. 4.5. Distribución de 31 puntos sobre el intervalo [0,30] según la distribuciónuniforme.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 111/125
103
EsinstructivoojearelcódigoenRquegeneraestasgráficas:
#Los eventos en un proceso de Poisson se aglomeran
#y además, el proceso de poisson distribuye los puntos en un
#horizonte de tiempo como la distribución uniforme.
#Autor: Prof. José L. Romero P. fecha: 31/7/2007
#------------------------------------------------------
#Se simula un proceso de Poisson desde 0 a tmax unidades de tiempo
tiempos.de.llegada=NULL
tiempo=0
alfa=1; tmax=30*alfa
while (tiempo<tmax) {
tiempo=tiempo+rexp(alfa)
tiempos.de.llegada=c(tiempos.de.llegada,tiempo)
}
tiempos.de.llegada=tiempos.de.llegada[1:length(tiempos.de.llegada)-1]
l=length(tiempos.de.llegada)
#Se distribuyen la misma cantidad de eventos uniformememnte en el
#intervalo 0 a tmax
distribución.uniforme=runif(n=l,min=0,max=tmax)
#Se genera la gráfica y se exporta a un pdf
pdf(file="Proceso_poisson.pdf")
plot(x=c(tiempos.de.llegada,distribución.uniforme),y=c(rep(5,times=l),
rep(4,times=l)),main=c("Aglutinamiento de eventos en un proceso",
" Poisson y comparación con la distribución uniforme"),
xlab="Tiempos de llegada",ylab="",yaxt="n",col=c(rep("red",times=l),
rep("blue",times=l)))
legend(x=12,y=4.5,fill=c("red","blue"),legend=c("Poisson","Uniforme"))
En este programa estamos incorporando la lecciónmás importante aprendida en el
aparteanterior:siquieressimularlostiemposdeloseventosenunprocesodePoisson,obtenlos recordando que el tiempo entre eventos sucesivos se distribuye
exponencialmente.Enefecto,estoesloqueserealizaenlaprimerapartedelcódigo,
dondesegeneranlos“tiemposdellegada”dentrodeunaventanatemporalentre0y
tmax.
Viendolasdosgráficas,podrásnotarlosiguiente:
1) Ladistribucióndelospuntosenunagráficayenotranosonidénticas,peroson
muy similares. Esto sedebea que el mecanismo aleatorio que las genera es
idénticoenunayenotra,resultadoquepretendemosdemostrarmatemáticamente
enloquesigue.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 112/125
104
2) Hayciertatendenciaenambasfigurasaque lospuntosseaglomerenunosmuy
cercanosaotros.Dehecho,hayalgunospuntosquecasicoinciden(sonaquellos
círculosmás“oscuros”de lonormal). En la realización del procesodePoisson
estotieneunaexplicaciónmuysencilla:ladistancia(tiempo)quemediaentredos
sucesosconsecutivos esdistribuida exponencialmente,como sedemostró en la
secciónanterior.Ladistribuciónexponencialesmuysesgadahacialaizquierda,
de modo que es más frecuente tener distancias entre puntos muy cortas. Lo
mismo ocurrirá con ladistribución uniforme, puescomosevaademostrar,se
tratadelmismofenómenoaleatorio.
Previoalademostración,vamosaintroducirunaideaquequizásnoteseafamiliar:el
concepto de lo que es un estadístico de orden. Supongamos que tenemos una
secuenciadekvariablesaleatoriasidénticamentedistribuidaseindependientesentresí.
En el ámbito de la inferencia estadística, tal secuencia se conoce como muestra
aleatoria,porquesesuponequelasvariablessecorrespondenaobservacioneshechas
aunapoblación. Para hacer inferencias apartir deunamuestra, componemos los
valoresdelamismaparacalcularloqueseconocecomo estadístico,quenoesmás
que una función (multivariada) de la muestra. Los estadísticos de orden son
simplementeunordenamientodemenoramayordeloselementosdelamuestra.Así,
paraunasecuenciade kvariablesaleatorias k U U U ,,, …21
, losestadísticosdeorden
( ) ( ) ( )k U U U ,,, …21 seobtienenordenando lasecuenciaoriginal segúnsumagnitud,de
modo que siempre secumple que: ( ) ( ) ( )k U U U ≤≤≤ …21
. En particular, estaremos
interesadosenconocercualeslafuncióndedensidadconjuntadelosestadísticosde
orden basados en una muestra aleatoria tomada de una población uniformemente
distribuidaenelintervalo [ ]T ,0 :
( )k k U U U
T
k t t t f
k
!,,,
)()()( ,,, =…… 2121 cuando T t t t k ≤≤≤≤≤ …
210 [4.9]
El términok T 1 al lado derecho de la ecuación proviene del hecho de ser los
k U U U ,,, …21
uniformementedistribuidos enel intervalo [ ]T ,0 y de sermutuamente
independientes (la función dedensidad conjunta es laproductoria de las respectivas
funciones de densidad). El termino !k proviene de observar que hay !k posibles
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 113/125
105
ordenamientos (o permutaciones, si se quiere) de los elementos de la secuencia
k U U U ,,, …21
ytodosgeneranlamismasecuencia ( ) ( ) ( )k U U U ,,, …21
.
Porotrolado,supongamosque ( ) k T N = ,loqueequivaleadecirquehastaelinstante
detiempoT,hanocurridoexactamenteksucesosdetipoPoisson.Másprecisamente,
dado que ( ) k T N = , la probabilidad (condicional) de que en cada uno de los
subintervalos [ ] [ ]k k k t t t t t t Δ+Δ+ ,,,, …111
del intervalo [ ]T ,0 ocurra exactamente un
sucesoyfueradeestossubintervalosnoocurraningúnsucesoes:
( )
( ) k
k
k T
t t T t k
t
T
k t t
k
T e
e e t e t k k !
!
⋅Δ⋅⋅Δ=
⋅
⋅Δ⋅⋅Δ
−
Δ−−Δ−−Δ−Δ− ………
1111
λ
λ λ
λ
λ λ λ
[4.10]
Esta probabilidad se puede expresar en función de los instantes
T S S S k <<<< …21
enqueseproducenlosksucesos,demodoque:
( )( )k
k
k k k k
T
k
t t
k T N t t S t t t S t P !,,=
Δ⋅⋅Δ
=Δ+≤≤Δ+≤≤
…
…
1
1111 [4.11]
Lanotación “delta-t”en lossubintervalos
[ ] [ ]k k k t t t t t t Δ+Δ+ ,,,, …
111
seutilizóconel
propósitoexpresodequeintuyasquelaexpresiónalaizquierdade4.11esunafunción
dedensidadconjunta(condicional)sihacemostenderlos i t Δ acero(recordemosquela
funcióndedensidadesladerivadadelafuncióndedistribucióndeprobabilidad).Con
todoesto,tenemosendefinitivaque:
( )( )k k S S S
T
k k T N t t t f
k
!,,,,,, ==…… 2121
cuando T t t t k ≤≤≤≤≤ …21
0 [4.12]
Y esto es exactamente igual a laexpresión en 4.9. Comoquien no quiere lacosa,hemosdemostradoelsiguienteteorema:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 114/125
106
Teorema 4.3- Sea ( ){ }0≥t t N , un proceso de Poisson homogéneo con parámetro
lambda. Bajo la condición ( ) k T N = , los tiempos en que ocurren los k sucesos de
Poisson k S S S <<< …21
son variablesaleatorias con la misma distribuciónque los
estadísticos de orden correspondientes a k variables aleatorias independientes
k U U U ,,, …21
distribuidasuniformementeenelintervalo [ ]T ,0
Con esta información, vamos a echar unsegundo vistazoal problemadel encuentro
visto en la sección 1.7. Recordemos que el problema era determinar con cual
probabilidad se encuentran dos personas si el tiempo de llegada de cada uno es
uniformementedistribuidoenellapsodeunahoraeindependientedelotroyademásel
quellegaprimeronoesperamasde10minutos(1/6dehora)porelotro.Noesque
hayamosabordadoelproblemamalenaquellaoportunidad,peroahora,medianteunasimulacióneinterpretandoelteorema4.3,loharemosdenuevo.
Simulando los tiemposdeocurrenciadeeventosenunproceso dePoisson conuna
tasa lambdaarbitraria (en la simulación realizamos corridas condistintos valores de
lambda),consideramossololoscasosenloscualeselsegundosucesohayasucedido
antesdelahorayeltercerodespuésdelahora.Estoredundaenquesecumplela
hipótesisdel teorema, a saber, quehansucedidodos eventosde tipoPoisson enel
lapsodeunahora,o ( )21
=N .Elteorema4.3nosaseguraquebajoestacondición,los
tiemposdeocurrenciadelosdossucesos 1021
<<< S S sedistribuyenigualquelos
estadísticos de orden correspondientes a dos variables aleatorias independientes y
uniformemente distribuidas entre 0 y 1. La tesisdel teorema es la quenos permite
calcularlaprobabilidadrequerida:tansolotenemosquecalcularlaproporcióndecasos
delasimulación(quecumplenlahipótesis)dondeeltiempodeocurrenciadelsegundo
eventodistaenmenosde10minutos(1/6dehora)deltiempodelprimerevento.
Cabe preguntarse si el valor del parámetro del proceso de Poisson no afecta el
resultado. El siguiente código simuló N=10000 corridas en las cuales ocurrían
exactamente dos sucesos de Poisson en una hora para cada { }108642 ,,,,∈λ .
Sorprendentemente, las probabilidades no varían según el valor de lambda y en
conjunto,nodifierenmuchodel valor teóricocalculadoen lasección 1.7(queerade
55300, ).
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 115/125
107
> N=10000
> for (lambda in seq(from=2,to=10,by=2)) {
+ cnt=0
+ muestra=NULL
+ while (cnt<N) {
+ x=cumsum(rexp(lambda,n=3))
+ if ((x[2]<1)&(x[3]>1)) {
+ muestra=c(muestra,x[2]-x[1])
+ cnt=cnt+1
+ }
+ }
+ cat("lambda=",lambda,"probabilidad=",
+ mean(as.integer(muestra<1/6)),"\n")
+ }
lambda= 2 probabilidad= 0.3078
lambda= 4 probabilidad= 0.306
lambda= 6 probabilidad= 0.3082
lambda= 8 probabilidad= 0.2967
lambda= 10 probabilidad= 0.3069
>
Paradarlemássustento empírico alasunto, seobtuvounhistogramade frecuencias
contrastandolasdensidadesempíricasconlafuncióndedensidadteórica(lalínearoja).
DichográficoseincluyeenlaFig.4.6:llamalaatenciónlasimilitudentreesteyeldela
sección1.7.
Por supuesto, elabordajeque se le hizoa este problemaen lasección1.7 esmás
natural ymásdirecto queelquehicimosahora. Pero conestose pretendía trabase
mayor conocimiento intuitivo sobre lo que establece el teorema 4.3 y sobre las
condicionesnecesariasparasuvalidez.Sevuelvearecalcarqueelvalorparticulardel
parámetrolambdanoestaentreestascondicionesnecesarias.
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 116/125
108
Fig. 4.5- Densidades empírica y teórica para el problema del encuentro en la sección
1.7.
Lasimplicacionesdelteorema4.3sepuedenenlazarcontodoloquehemosvistohasta
ahora del proceso de Poisson homogéneo, en particular, las consideraciones que
hicimos para los procesos de Poisson espaciales. De hecho, las condiciones de
estacionariedad e independenciade los incrementos, quecaracterizan al proceso de
Poissonhomogéneoimplicanqueen cualquierpuntodeunadeterminadaáreaexiste
igual probabilidad de ocurrir un suceso que en otro lugar. En la terminología del
teorema 4.3diríamos que elproceso dePoisson espacial distribuyepuntossobreun
áreaovolumenuniformemente.Porotrolado,vistalarelaciónentrelauniformeyla
exponencialquesedaenelprocesodePoisson,cuandosedistribuyenpuntosenel
espacio de forma completamente aleatoria y uniforme, ocurre cierto aglutinamiento.
¿Quizás por esoes que lasestrellasyotroscuerposcelestes formanconglomerados
comogalaxiasyconstelaciones?
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 117/125
109
Problemas Resueltos
1) Ciertaenfermedadnocontagiosaafectaenpromedioaunapersonadecadamil
en lapoblación. ¿Cuál esla probabilidad dequeocurran almenos doscasos,
ningúncasoyexactamenteuncasoenunpueblode3000habitantes?
Solución:
Como laenfermedadesnocontagiosa, supresencia encualquierhabitantedel
pueblo es independiente del resto de las personas. Por lo tanto un modelo
razonabledelasituaciónessuponerquesetratade3000ensayosdeBernoulli
con probabilidad de éxitode 0,001. Usamos en este caso la aproximación de
Poissonconparámetro 3== np λ ,dedondeobtenemos:
{ } 0498003 ,==== −− e e X P λ
{ } 14940313 ,==⋅== −− e e X P λ
λ
{ } { } { }( ) 800801012 ,==+=−== X P X P X P
2) Sea ( ){ }0≥t t N , un proceso de Poisson homogéneo con parámetro 8=λ .
Calcular ( ) ( ) ( ){ }325419231552 === .,.,. N N N P .
Solución:
El evento cuya probabilidad deseamos calcular se puede escribir como
( ) ( ) ( ) ( ) ( ){ }132354452231552 =−=−= ..,..,. N N N N N P ysabemosqueunadelas
característicasdelprocesodePoissonesladeposeerincrementosestacionarios
eindependientes,dedondelaprobabilidadquedeseamoscalculares:
( ){ } ( ){ } ( ){ } ( )
6
13415
3170528
10342
13417
410652013314701552
−
++−
⋅=
⋅⋅ ⋅⋅⋅==⋅=⋅=
.
!!!..... ...e N P N P N P
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 118/125
110
3) Los clientes llegan a la sucursal de un banco de acuerdo con un proceso de
Poissonhomogéneodeintensidad λ .Sesabequeenelintervalo[ ]T ,0 hallegado
exactamenteuncliente.DeterminacuálesladistribucióndelavariablealeatoriaX
querepresentaelinstanteenelquellegaelcliente,condicionadaalainformación
delaquedisponemos.
Solución:
Para determinar completamente la distribución de la variable aleatoriaX , basta
condeterminarelvalordelparámetrolambda,puessesabeque ( ){ }0≥t t X , es
unprocesodePoissonhomogéneo.Unaformadeabordarelproblemaseríaasí:
λ representalacantidaddeeventos,enpromedio,queocurrenenunaunidaddetiempo.Enbasealaevidencia,ocurrióuneventoenT unidadesdetiempo.Porlo
tanto,paraestimarλ enbaseaestainformaciónpodríamosutilizarunareglade
tres:
1esaT comoλ esa1,dedonde T 1=λ .
Este planteamiento podría no parecer lo bastante “científico”, por lo cuál
hablaremosbrevementedeunprocedimientodelainferenciaestadísticallamado
estimación puntual por el método de la máxima verosimilitud.Básicamente,dicho
métodoconsisteendeterminarelestimador(valor)delparámetrocomoaquelque
maximiza la verosimilitud, o probabilidad, de observar determinado valor de la
muestra. En nuestro caso, la probabilidad de observar 1 suceso en todo el
intervalo [ ]T ,0 es:
( ){ } 11
T
e T X P
T λ λ
⋅==
−
Encontrarelvalordeλ quemaximizaestaprobabilidadesequivalenteaencontrar
elvalordeλ quemaximizaellogaritmoneperianodedichaprobabilidad,porqueel
logaritmoesunafunciónmonótonacreciente.Porlotanto,tenemosque:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 119/125
111
( ){ } ( )λ
λ λ λ
λ
λ λ
λ 1
11 +−=++−
∂∂
=⎟ ⎠
⎞⎜⎝
⎛ ⋅
∂∂
==∂∂ − T T T
T e T X P T lnlnlnln
e igualando dicha derivada a cero (para hallar el punto crítico), se tiene que
T 1=λ ,comohabíamosconcluidoantes.
4) ConsiderelaconfeccióndeGalletas“LaAbuela”,enlaqueelnúmerodepasasen
cadagalletadeavenaesunavariablealeatoriadetipoPoissonconunpromedio
de1,5pasasporgalleta.
a) ¿Cuáleslaprobabilidaddetenerunaomáspasasenunagalletadeavena
seleccionadaalazar?
b) Envistadequelosclienteshanprotestado,laAbuelahadadoinstruccionesa
sus empleadosquedesechen lasgalletas de avena sin pasas. ¿Cuales la
esperanzamatemáticay lavarianzadelnúmero depasaspor galleta en las
galletasrestantes?
Solución:
Sea X el número de pasas de una galleta escogida al azar, donde
{ }!
,,
k e k X P
k 5151−== .
Por lo tanto, { } 22310051 ,, === −e X P y en consecuencia,
{ } { } 77690011 ,==−=≥ X P X P , lo cual responde a la primera parte de la
pregunta.
Esta probabilidad de 0,7769 será considerada como la probabilidad total en la
distribucióndepasasenlasgalletasremanentes,quecontendráncomomínimo1
pasa. Por lo tanto, la distribución de probabilidad (truncada) de lacantidad de
pasasenlasgalletasconporlomenosunapasaserá:
{ }⎪⎩
⎪⎨⎧ ≥⋅== −
contrario caso
k para k
e k X P
k
0
177690
5151
!,,'
,
Deahí,laesperanzadeX’es
[ ] 9308151
77690
51
77690
51
0
51
1
51 ,!
,
,
,
!,
,' ,, ==⋅
⋅= ∑∑
∞
=
−∞
=
−
k
k
k
k
k e k
k e X E
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 120/125
112
Yparacalcularlavarianza:
[ ] ( )[ ] ( ) ( )
( ) 77690
5151
77690
51
2
51
77690
51
177690
511
77690
511
2
0
2
51
2
22
51
2
51
1
512
,
,
!
,
,
,
!
,
,
,
!,
,
!,
,''''
,,
,,
==−
=
−⋅⋅
=−⋅⋅
=−=−
∑∑
∑∑∞
=
−∞
=
−−
∞
=
−∞
=
−
k
k
k
k
k
k
k
k
k e
k e
k k k
e k k k
e X X E X X E
Dedonde [ ] 826949308177690
512
2 ,,,
,' =+=X E yfinalmente:
[ ] [ ] 098919308182694222 ,,,''' =−=−= X E X E X V
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 121/125
113
Problemas Propuestos
1) Demuestra quelasiguiente función esuna función deprobabilidad y deducela
esperanzamatemáticaylavarianzadelavariablealeatoriacorrespondiente:
( )⎪⎩
⎪⎨
⎧
<
≥∈=
−
00
0
x
x e x x p
x
X
Nλ λ
!
2) Sea ( )λ ;x p la función de probabilidad de Poisson con parámetro lambda.
Demuestralasiguientefórmuladerecursión:
( ) ( )λ λ
λ ;; x p x
x p 1
1+
=+
3) Elnúmerodepartículasemitidasdeunafuenteradioactivaduranteunperiodode
tiempoesunavariablealeatoriacondistribucióndePoissony laprobabilidadde
que no haya emisiones es de 31 . calcula la probabilidad de tener 2 o más
emisioneseneselapsodetiempo.
4) Considéreseeltorneodefútbolamericanoqueseefectúaentrelos28equiposque
constituyen la Liga Nacional de Fútbol (NFL) donde nos interesa el número de
anotaciones(touchdowns )decadaequipoporjuego.Enbasealasiguientetabla,
quemuestralaestadísticadefrecuenciasdelnúmerodeanotacionesporequipo
por juego,ajustael númerodeanotaciones aunavariable aleatoria distribuida
segúnPoisson.Enbaseaesteajuste,¿considerasqueladistribucióndePoisson
esunmodelomatemáticoadecuadoparaestefenómeno?
Número de anotacionesporequipoyjuego
Númerodevecesobservada(frecuenciaabsoluta)
0 351 99
2 1043 1104 625 256 10
7omás 3
Totales 448
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 122/125
114
5) Supóngasequeenunrecipientequecontiene10.000partículas,laprobabilidadde
queseescapeunaesde0,0004ycadaescapeocurredeformaindependiente.
¿Cuáleslaprobabilidaddequeeneserecipienteocurran5omásescapes?
6) Supóngase que una operadora de tele-mercadeo recibe una llamada con
probabilidad0,01yningunallamadaconprobabilidad0,99enunsegundo.Utiliza
laaproximacióndePoissonparacalcularlaprobabilidaddeque laoperadorano
reciballamadassiseausentadurante5minutosparatomarseuncaféycompárala
conlaprobabilidadbinomialcorrespondiente.
7) Enunartículopublicadoenunarevistamédicaespecializadasereportaquepara
un paciente diabético, insulina-dependiente de edad entre 30 y 40 años, la
probabilidadanualdecontraerretinopatíadiabética(ceguera)esde0,0067.Enungrupode1000pacientesconestascondiciones,¿Cuáleslaprobabilidaddeque
seden4omáscasosdecegueracausadapordiabeteselpróximoaño?
8) En un hospital, se lehicieron pruebas a 3741 recién nacidosde los cuales 30
resultaronHIV-positivos.Enunamuestraaleatoriade500pacientestomadosde
estapoblación,¿cuáleslaprobabilidaddequeexactamente10deellosresulten
HIV-positivos?Justificaeluso dela distribuciónhipergeométricaparaencontrardichaprobabilidadyaproximaestaprobabilidadmediantelafuncióndePoisson.
9) Supóngasequeel1,5%de lasfamiliasenCaracastienen un ingreso anualpor
encimadelos30.000,00Bs.F.Calculalaprobabilidaddequealseleccionaruna
muestra aleatoria de 60 familias caraqueñas, a lo sumo 2 tienen ingresos
superioresalos30.000,00Bs.F.
10) Al transmitirnúmerosbinariosden dígitosmedianteuncomponenteelectrónico,
se introducen errores en la transmisión de cada bit de forma independiente y
aleatoria con una probabilidad constante 00020.=p . Si se transmiten 1000
númerosbinariosde64bitscadaunopormicrosegundo,determina:
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 123/125
115
a) ¿Cuáleslaprobabilidaddetransmitirunnúmerode64bitsconcero,unoo
máserrores?
b) ¿Cuál es la probabilidad deque se transmitan exactamente diez números
incorrectamenteeneltranscursodeunmicrosegundo?
11) Enunamanufacturadebotellasdevidriopuedenencontrarsepartículasextrañas
enelvidriofundido.Siunadetalespartículasseencuentraenelvidriodeuna
botella,dichabotellaesdefectuosaydebeserdescartada.Suponemosqueestas
partículas se encuentran distribuidas en el vidrio fundido de forma uniforme y
aleatoria,yqueenpromedio,setienen30partículasporcada100kg.devidrio
fundido yque serequiere 1 kg. de vidrio fundido para fabricar cada unade las
botellas.Determinaqueporcentajedelasbotellasdebenserdescartadas.(Ayuda:
larespuestanoes30%)
12) En un consultorio médico llegan en promedio 15 pacientes diarios según un
proceso de Poisson. ¿Cuántos pacientes deben ser admitidos diariamente a
consultasilagerenciadeseaestarseguraconun85%deconfianzadenodejarde
atenderpacientesenundía?
13) ConsideraunprocesodePoissonhomogéneo ( ){ }0>t t N .Demuestraquepara
t s < , ( ) ( ) n t N s N = es una variable aleatoria Binomial con n ensayos y
probabilidaddeéxito t s .
14) ConsidéreseunprocesodePoissonhomogéneo ( ){ }0>t t N contasal.Calcule
sunúcleodecovarianza ( )t s s K +, con 0>t s , .
15) Demuestra por el método de inducción completa que ( )( )
!n
t e t P
n t
n
λ λ ⋅= − ,
partiendodelaecuación4.7dadaenestecapitulo.
16) Como ejemplo de una distribución aleatoria de puntos en el espacio, se da a
continuaciónunatablabasadaenestadísticasreferentesalacantidaddeimpactos
debombasvolantesalemanastipoV-2sobreLondresdurantelasegundaguerra
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 124/125
116
mundial. El área total expuesta a bombardeo se subdividió en 576 áreas
pequeñasde 241 km cadauna,registrandoelnúmerodeáreas k N enquehay
exactamentek impactos.
k 0 1 2 3 4 5omás Total
k N 229 211 93 35 7 1 576
a) ¿Cuántos impactos de bombas volantes se registraron en total, según la
estadísticaanterior?
b) Determinaelpromediodeimpactosporáreade 241 km .
c) Determinaelajustedeimpactosporáreade 241 km aunadistribuciónde
PoissonyverificaqueelmodelodePoissonseajustabastantebienaestefenómeno.
d) Según lascondiciones que dan origenalprocesodePoisson, interpretay
deduce las implicacionesde queel fenómenodescritosea un proceso de
Poisson.
17) En el bosque de Nunca Jamás, los árboles se distribuyen según un proceso
Poisson espacial homogéneo en dos dimensiones a razón de 50 árboles por
hectárea.¿Cuálesladistanciapromedioentreunárbolyelárbolmáscercano?
18) Sea +∈Nn T n una secuencia de variables mutuamente independientes e
idénticamente distribuidas según una distribución exponencial con parámetro l.
¿Qué tipo de proceso estocástico es +∈Nn T n ? ¿Es estrictamente
estacionario?¿Esdébilmenteestacionario?Razonaturespuesta.
19) Supóngase que los tiempos entre eventos de un proceso (que llamaremos
incrementos) son mutuamente independientes e idénticamente distribuidos y
defínaseunacaminataaleatoria +∈Nn S n delmodousualcomolasumaden
incrementospositivosindependientes.Sea ( ){ }n t N = elsucesosiguiente:“Hasta
el momento t, han ocurrido exactamente n eventos”. Utiliza el álgebra de
5/10/2018 Apuntes_procesos_estocásticos - slidepdf.com
http://slidepdf.com/reader/full/apuntesprocesosestocasticos 125/125
117
conjuntos y losaxiomasbásicos de la probabilidad para demostrar la siguiente
equivalencia: ( ){ } { } { }t S P t S P n t N P n n ≤−≤== +1.
20) Considérese un proceso de Poisson homogéneo ( ){ }0>t t N con tasa l y la
secuencia aleatoria +∈Nn S n son los tiempos de ocurrencia de eventos
asociados a este proceso de Poisson. Calcula ( ){ }103
=≤ t N x S P , con
t x ≤≤0 .
21) RealizaunasimulaciónporcomputadoradeunprocesodePoissonconintensidad
promediode2sucesosporunidaddetiempo.Utilizandodichasimulaciónestima:
a) [ ] 242
=,N P ,donde [ ]42,N representalacantidaddesucesosocurridosenel
intervalo [ ]42, .
b) { }533
≤≤ S P ,donde3
S eselinstanteenqueocurreeltercersuceso.
22) Unvendedordeperrocalientesobservaqueaúncuandosusclientesasiduosno
lleganenintervalosdetiemporegulares,noobstantearribansegúnunprocesode
Poissonconunatasadellegadapromediodeunclienteporminuto.Undíaledice
aun amigo que le hagaguardiaen su carrito de perro calientesmientrasel se
ausentapor5minutos.Asuregreso,elamigoledicequeenloscincominutos
llegaron4clientes.“Descríbemelosporalgunacaracterísticaúnicaacadaunoyte
diré el momento en el cual llegaron”, le respondió el perrero. Calcula la
probabilidad de que el perrero pueda identificar correctamente los tiempos de
llegada de cada clientesipara cada cliente indica un intervalo de dosminutos
dentrodelcualseaseguraqueeseclientellegó.