ProbabilidadesySimulacion Geoestadistica2012

Introduccin a las Probabilidades y Simulacin o o
Minicurso de Geoestad stica
Luis A. Navarro H.
Junio, 2012
Indice
1 Conceptos Bsicos a 1.1 Probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.1 Operaciones sobre Conjuntos . . . . . . . . . . . . . 1.1.2 Operaciones Combinadas sobre Conjuntos . . . . . . 1.1.3 Experimento Aleatorio, Espacio Muestral y Eventos 1.1.4 Axiomas de Probabilidad . . . . . . . . . . . . . . . 1.1.5 Frecuencia Relativa y Probabilidad . . . . . . . . . . 1.2 Probabilidad Condicional e Independencia . . . . . . . . . . 1.2.1 Probabilidad Condicional . . . . . . . . . . . . . . . 1.2.2 Probabilidad Total . . . . . . . . . . . . . . . . . . . 1.2.3 Independencia . . . . . . . . . . . . . . . . . . . . . 2 2 2 4 6 7 8 12 12 13 15 17 17 18 19 22 23 28 28 29 30 30 36 37 46 47 48 51 54 54 56
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
2 Variables Aleatorias 2.1 Concepto de Distribucin . . . . . . . . . . . . . . . . . . . . . . . o 2.2 Variables Aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Funciones de Distribucin . . . . . . . . . . . . . . . . . . . . . . . o 2.4 Funciones de Densidad . . . . . . . . . . . . . . . . . . . . . . . . . 2.5 Funciones de Densidades Continuas . . . . . . . . . . . . . . . . . . 2.6 Esperanza y Varianza . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.1 Esperanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.2 Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7 Nmeros Aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . u 2.7.1 Generacin de Nmeros Pseudoaleatorios . . . . . . . . . . o u 2.7.2 Esquema General de Aplicacin del Mtodo de Monte Carlo o e 2.7.3 Operaciones sobre Nmeros Pseudoaleatorios . . . . . . . . u 3 Procesos Estocsticos a 3.1 Generacin de Procesos Estocsticos . o a 3.2 Procesos de Bernoulli . . . . . . . . . 3.2.1 Nmero de Ensayos . . . . . . u 3.3 Procesos de Poisson . . . . . . . . . . 3.3.1 Proceso de Conteo de LLegadas 3.3.2 Tiempo de LLegadas . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Cap tulo 1
Conceptos Bsicos a
1.1 Probabilidad
Para denir Probabilidad es necesario recurrir a la teor de conjuntos. Un conjunto es a una coleccin de elementos. Por ejemplo, el conjunto A de los primeros 10 nmeros enteros o u enteros, que puede ser representado por A={1,2,3,4,5,6,7,8,9,10}. Un conjunto puede incluir otros objetos en lugar de enteros, por ejemplo B={rojo,blanco,azul,amarillo}. Otro conjunto puede tratarse de un subconjunto los nmeros reales, tales como todos aquellos valores x u comprendidos entre 0 y 1, y que puede ser representado por C = {x|0 x 1}. Los objetos individuales en un conjunto son llamados miembros del conjunto. Es posible simblicamente expresar la pertenencia en el ejemplo anterior del conjunto A como 1 A, o y no pertenencia como 12 A. / Un subconjunto es un conjunto formado por miembros seleccionados de dicho conjunto. Por ejemplo, el conjunto D={1,3,5} es un subconjunto del conjunto A y simblicamente se o representa por D A. Un conjunto que contiene todos los miembros del conjunto es llamado de Conjunto Universal y denotado de . Con respecto a este conjunto Universal, se dene el complemento de A, o A, como conjunto que contiene objetos del conjunto Universal y que no estn en A. a Es posible visualizar un conjunto representando sus miembros como puntos en una regin bidimensional, ver Figura 1.1. Suponga que se dene el Conjunto Universal = o {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14} y simblicamente se graca estos puntos sobre esta o y D comprenden los puntos limitados por curvas cerradas . Figura. Los conjuntos , A, A, Este mtodo es denominado de Diagrama de Venn. e
1.1.1
Operaciones sobre Conjuntos
La primera operacin es combinar conjuntos. Cuando se ejecuta esta operacin sobre dos o o conjuntos, el resultado es un nuevo conjunto que combina los elementos de ambos conjuntos. Por ejemplo, si A = {1, 2, 3, 4} y B = {2, 4, 6, 8}. El operador es usado para combinar estos conjuntos para formar un nuevo conjunto C. Esta operacin se escribe como C = o A B. La operacin llamada de unin de dos conjuntos, forma el nuevo conjunto C = o o {1, 2, 3, 4, 5, 6, 7, 8}. Los elementos del conjunto C estn contenidos en A o en B o en ambos. a Para el Ejemplo, el conjunto C contiene elementos de ambos conjuntos A y B: estos son {2, 4} y no fueron repetidos cuando se enumer el conjunto C. o Otra operacin sobre dos conjuntos es la interseccin. Usando los conjuntos A y B para o o formar D, se obtiene D = {2, 4}. El operador es usado para representar esta operacin, o 2
CAP ITULO 1. CONCEPTOS BASICOS
Figura 1.1: Diagrama de Venn
D = A B . Otro ejemplo de dos operadores que son aplicados a conjuntos son la suma (+) y multiplicacin (). Estos operadores son aplicados a conjuntos de enteros reales. o Las operaciones de unin e interseccin para conjuntos numerables nitos puede ser o o implementado en un programa de computador, usando un vector para indicar la pertenencia de cada elemento en el conjunto. En realidad se trata de un mtodo de codicacin para e o implementar operaciones de conjuntos usando las capacidades de cmputo disponible en o MATLAB. Ejemplo 1.1 Un conjunto A es conformado por los elementos 2, 4, 5 y 7. Un conjunto B es conformado por los elementos 3, 4, 7 y 8. Operaciones sobre estos conjuntos pueden realizarse a travs de los operadores and y or del MATLAB. En este ejemplo, se e utiliza funciones propias del MATLAB para facilitar las operaciones sobre conjuntos. El operador and representado por el s mbolo y el operador or representado por el s mbolo , son denidos en el MATLAB. A=[2 4 5 7] A = 2 4
B=[3 4 7 8] B = 3 4
La operacin and es expresada como o C = intersect(A,B) C = 4 7
CAP ITULO 1. CONCEPTOS BASICOS y la operacin or expresada como o D = union(A,B) D = 2 3
1.1.2
Operaciones Combinadas sobre Conjuntos
Cuando se combina operaciones binarias de unin e interseccin y se aplica a mas de dos o o conjuntos, dos situaciones suelen presentarse: La primera, es cuando combinamos operaciones similares, tales como ABC ABC. o Dado que el operador unin es un operador binario, se obtiene ABC mediante A(BC), o (A B) C, (A C) B. Usando la representacin vector, se puede probar que el resultado o o es el mismo para cualquiera de las tres operaciones binarias anteriores. El operador unin es o conmutativo A B = B A, y asociativa A (B C) = (A B) C. La misma ideas son vlidas tambin para el operador interseccin. La nocin de asociacin y conmutacin ser a e o o o o a ilustrada usando los operadores de + y del MATLAB. El segundo caso, resulta cuando se emplea operadores mixtos. La propiedad de distribucin esta asociada con operadores mixtos. El concepto de distribucin es explicada o o usando un ejemplo de operadores de adicin y multiplicacin sobre conjuntos de nmeros o o u enteros. Por ejemplo, las operaciones de multiplicacin y adicin, tales como 5 (4 + 7) = 55 o o y (5 4) + (5 7) = 20 + 35 = 55 produce los mismos resultados cuando el operador * es distribuido sobre el operador +. Luego se dice que el operador * es distributivo. Para operaciones sobre conjuntos, se observa que A (B C) = (A B) (A C) En esta operacin el operador interseccin es distribuido sobre el operador unin. Por o o o otra parte, si se invierte las posiciones de los operadores unin e interseccin, se tiene que o o A (B C) = (A B) (A C) Se observa tambin que el operador unin es distributivo sobre el operador interseccin. e o o La propiedad de que dos operadores se distribuye uno con respecto al otro no es universalmente cierto para todos los pares de operadores. Por ejemplo, para 5 + (4 7) = 33 si se distribuye el operador adicin se tiene que (5 + 4) (5 + 7) = 700, en donde los resultados o hallados no son iguales. Ejemplo 1.2 Probar que la siguiente igualdad se cumple A (B C) = (A B) (A C) Solucin.- Primero se dene los vectores A, B y C y se ejecutan las operaciones reo queridas sobre el lado derecho de la igualdad anterior y luego sobre el lado izquierdo para probar que la igualdad se cumple. Del ejemplo anterior, se tiene a los conjuntos A=[2 4 5 7] A = 2 4
CAP ITULO 1. CONCEPTOS BASICOS B=[3 4 7 8] B = 3 4 C=[5 6 7 8] C = 5 6
El lado izquierdo es dado por D= intersect(A,union(B,C)) D = 4 5 7
El lado derecho es E=union(intersect(A,B),intersect(A,C)) E = 4 5 7
Comparando ambos vectores E y D se obtiene como resultado que ambos conjuntos contienen los mismos elementos. Ejemplo 1.3 A continuacin se ilustrar como calcular el complemento de un conjunto. En o a este caso, se dene al conjunto Universal como U = [1:8] U = 1 2
Usando la funcin setdiff del MATLAB se produce la negacin de un conjunto. o o A=[2 4 5 7] A = 2 4 5 AN=setdiff(U,A) AN = 1 3 6
Por otra parte, si se dene al conjunto B como B=[3 4 7 8] B = 3 4
Se utilizar esta representacin setdiff para ilustrar la identidad de Morgan. Esta a o identidad puede ser expresada usando notacin de conjuntos como (A B) = A B. o Se probar esta identidad trabajando en el lado derecho e izquierdo por separado y a mostrando que la igualdad se cumple. setdiff(U,intersect(A,B)) ans = 1 2 3 5
union(setdiff(U,A),setdiff(U,B)) ans = 1 2 3 5 6
1.1.3
Experimento Aleatorio, Espacio Muestral y Eventos
Un experimento es simplemente un modo de obtener observaciones. Se denomina experimento determin stico al que al realizarse en condiciones idnticas, da siempre lugar al mismo resule tado y por lo tanto se puede predecir. Por el contrario, el experimento aleatorio puede dar lugar a resultados diferentes, bajo las mismas condiciones experimentales, donde el resultado no se conoce de antemano. El conjunto (anteriormente denominado de conjunto Universal), aqu se le denomina de espacio muestral de dicho experimento aleatorio, y consiste en el conjunto de todos los resultados elementales posibles. Por ejemplo, si el experimento aleatorio consiste en el lanzamiento de una moneda tres veces, entonces = {(x, y, z) : x, y, z {c, s}} El resultado (c, c, s) signica que despus de tres lanzamientos consecutivos de la moneda, e los primeros dos resultaron fueron caras y el tercero sello. Cualquier subconjunto A del espacio muestral se le denomina de evento; es decir, un evento tambin es un conjunto e de resultados elementales posibles del experimento aleatorio. Si el resultado del experimento esta en A, se dice que el evento A ha ocurrido. En el ejemplo anterior, si A = {(x, y, z) : x = c} Entonces el evento A ocurrir siempre que el resultado del primer lanzamiento de la moneda a sea cara. Ejemplo 1.4 A continuacin se describe una rutina en MATLAB que describe el espacio o muestral para el experimento aleatorio de lanzar una moneda tres veces consecutivamente y en igualdad de condiciones.
EspacioMuestral1Lanzamiento=CS; % declara un vector cadena o arreglo de caracteres % EspacioMuestral1Lanzamiento es el nombre del arreglo de caracteres EspacioMuestral1Lanzamiento(1); % accede al primer elemento C EspacioMuestral1Lanzamiento(2); % accede al segundo elemento S % A continuacin se construir el espacio Muestral para 3 lanzamientos de una moneda o a w= ; % w es un caracter for i = 1:1:2 % Un for para para la variable i for j = 1:1:2 % Un for para para la variable j for k = 1:1:2 % Un for para para la variable k % Para concatenar se utiliza strcat -- strcat(A,B,C,D) concatena un arreglo de 4 caracteres x = strcat(EspacioMuestral1Lanzamiento(i),EspacioMuestral1Lanzamiento(j),EspacioMuestral1Lanzamiento(k), , ); w = strcat(w,x); % recursivamente almecena los resultados en un nuevo arreglo w end end

end w % imprime w al final de los tres bucles w = CCC ,CCS ,CSC ,CSS ,SCC ,SCS ,SSC ,SSS ,
Finalmente, Todas las propiedades de la teor de conjuntos son utilizados en teor de a a la Probabilidad. Es decir, Dados dos eventos cualesquiera A y B, se dene al nuevo evento A B llamado de unin de A y B, que consiste de todos los resultados elementales que o estn en A o en B o en ambos. De modo similar, se dene el evento A B llamado de a interseccin de A y B, y que consiste de todos los resultados que estn en A y en B. Es o a decir, el evento A B ocurre si A o B ocurre, mientras que el evento A B ocurre si ambos ocurren. Extendiendo las deniciones anteriores, la unin de los eventos A1 , A2 ,. . ., An 1 , o est conformada por todos los resultados que estn en cualquiera de los Ai . La interseccin a a o de los eventos A1 , A2 ,. . ., An 2 , est conformada por todos los resultados que estn en todos a a los Ai . Para cualquier evento A, se dene el evento Ac , complemento de A, como el conjunto de todos los resultados del espacio muestral que no estn en A. Es decir, Ac ocurre si y slo a o si A no ocurre. El resultado de un experimento aleatorio debe estar en el espacio muestral , quiere decir que c no contiene resultado alguno y por lo tanto no puede ocurrir. c ser llamado de evento imposible y denotado por , y a de evento Seguro. Si A B = , a de manera que A y B no pueden ocurrir a la vez, e indica que A y B son mutuamente excluyentes.
1.1.4
Axiomas de Probabilidad
Denicin Sea un espacio muestral asociado a un experimento aleatorio. Una aplicacin: o o
P :
A P (A)
asigna a cada evento A un nmero real P(A) y que cumple: u P (A) 0 P () = 1 Si A1 , . . . , An , . . . son eventos disjuntos dos a dos (Ai Aj = , i = j) entonces P(
k=1
Ak ) =
P (Ak )
k=1
Entonces P (A) es denido como Probabilidad de A3

Que tambin se puede denotar como i=1 Ai e n Que tambin se puede denotar como i=1 Ai e 3 La ultima igualdad puede ser demostrado mediante induccin matemtica. Adems, este resultado com o a a prende el caso de uniones disjuntas nitas, haciendo Aj = para j > k si se tiene k eventos
2 1
Figura 1.2: Diagrama de Venn para tres regiones o eventos
Las propiedades indicadas en la denicin de Probabilidad corresponden a propiedades o heredadas de clculos observados en las frecuencias relativas a La denicin de Probabilidad para los eventos A y B ha sido obtenida asumiendo que o A y B son mutuamente exclusivos, o que A B = . A continuacin se obtendr una relacin o a o ms general al remover esta condicin. Las siguientes relaciones se cumplenver Figura 1.2. a o A B = A (A B) B = (A B) (A B) Aplicando el tercer axioma de la denicin de Probabilidad a ambas expresiones anteriores, o y observando que se tratan de un nmero nito de eventos mutuamente exclusivos, se tiene u que P (A B) = P (A) + P ((A B)) P (B) = P ((A B)) + P ((A B)) Eliminando P [A B] de las dos expresiones anteriores y reacomodando los trminos se e obtiene el siguiente resultado P (A B) = P (A) + P (B) P (A B)) Esta ecuacin muestra la correccin necesaria cuando se calcule la probabilidad de la unin o o o de eventos que no son mutuamente exclusivos.
1.1.5
Frecuencia Relativa y Probabilidad
Suponga que un experimento aleatorio consiste del lanzamiento de un Dado. El espacio muestral es = {1, 2, 3, 4, 5, 6} y un resultado de nuestro inters podr ser el evento A = {2, 4, 6} e a que signica que el resultado del experimento o lanzamiento del Dado fuera un nmero par u (Otro resultado de inters podr ser por ejemplo B = {6}). El experimento aleatorio cone a sistir del lanzamiento del Dado un nmero repetido de veces y contar el nmero de veces a u u
que se obtiene un resultado favorableque para este caso ser el evento A denido anteriora mente. A continuacin Se registrar el nmero de experimentos aleatorios de lanzamientos o a u del Dado y el nmero de veces que ocurre el resultado favorable. La razn de las veces que se u o obtiene un resultado favorable dividido por el nmero total de ensayos es llamado de razn u o frecuencia relativa. Probabilidad es una funcin que asigna un valor numrico a cada evento antes que o e ocurra el resultado de un experimento aleatorio. Sin embargo, cuando dicho modelo se utiliza en la prctica, una forma de clculo es a travs de la propuesta frecuentista en donde asume a a e que dado un nmero muy grande de experimentos aleatorios a ejecutarse, se espera que la u razn frecuencia relativa se aproxime a un valor constante4 . Otra forma es la subjetiva, o que calcula probabilidades mediante juicios del experto. A continuacin, se ilustrar la forma de clculo de una probabilidad mediante la propo a a uesta frecuentista. Es decir, se examinar los resultados de un un conjunto de experimentos a aleatorios y se prestar especial atencin a un evento o resultado en particular. a o Para ilustrar la evaluacin de la frecuencia relativa utilizando el MATLAB considereo mos el experimento aleatorio del lanzamiento de una moneda un nmero repetido de veces y u contemos el nmero de veces que se obtiene una cara. Para la aplicacin de este experimento u o se utilizar un esquema de simulacin en lugar de la ejecucin del experimento de manera a o o f sica, y consiste en la utilizacin de un algoritmo que genere una secuencia de nmeros o u pseudoaleatoriosLos detalles de cmo generar nmeros aleatorios ser explicado mas adeo u a lante. Por ahora se asume que la funcin del MATLAB rand(1,N) produce una secuencia o de N nmeros aleatorios en el intervalo de 0 y 1, y que adems cuando un nmero muy u a u grande de estos nmeros aleatorios son generados, la mitad de ellos se encontrarn en el u a rango de 0 a 0.5 y la otra mitad entre 0.5 y 1. Se asignar el nmero 0 cuando el nmero a u u aleatorio generado se encuentre entre 0 y 0.5 y el nmero 1 cuando el nmero aleatorio u u generado se encuentre entre 0.5 y 1. El siguiente ejemplo, examina las salidas de un experimento aleatorio del lanzamiento de una moneda y se observa la secuencia de valores de las frecuencias relativas conforme se incremente el nmero de lanzamientos. u Ejemplo 1.5 Se ejecutan N experimentos aleatorios con resultados que pueden ser 0 1 ( o digamos que 0 corresponder a Sello y 1 corresponder a Cara) y se desea evaluar la a a frecuencia relativa del evento A = {1}. Para ello, primero se genera N = 100 nmeros u pseudoaleatorios con valores posibles de 0 1. x representa un vector que guarda estos o resultados e y denotar un vector de 0s y 1s, que mas adelante se utilizarn para a a calcular las frecuencias relativas. x=rand(100,1); y=x >0.5;
N
En N experimentos aleatorios es posible calcular el nmero de 1s por n = u Utilizando el MATLAB esta frecuencia relativa es dado por f = sum(y)/100 f = 0.5300
j=1 xj .
La aproximacin utilizada se basa en la Ley Fuerte de los Grandes Nmeros o Convergencia en Probao u bilidad
10
Figura 1.3: Clculo de Frecuencias Relativas a
Observe que el resultado no es exactamente igual a 0.5 como se esperaba. Finalmente, se dene una funcin que unicamente cuente las primeras i muestras como, o
i j=1
n(i) =
xj
Entonces las frecuencias relativas pueden ser dibujadas como una funcin de i mediante o la creacin del vector o z=cumsum(y)./[1:100];
y de los siguientes vectores p=0.5*ones(100,1); u=1:100;
Observe que la razn tiende a 0.5 como se esperaba. Ver Figura 1.3 o plot(u,z,u,p) ylabel(Promedio , Razn de Frecuencias); o xlabel(Nmero de Ensayos) u
Luego, la Probabilidad de un evento A cualesquiera ser entonces el valor de la frecuencia a relativa de dicho evento A cuando se haya ejecutado un nmero muy grande de experimentos u aleatorios. Es dif determinar cuntos ensayos son necesarios para obtener un valor de la cil a constante de manera consistente, as es que determinaremos que el valor l mite de la razn o como el de Probabilidad. En realidad, la denicin axiomtica de probabilidad se deriva o a de las propiedades encontadas en la medicin de las frecuencias relativas. o
11
La relacin P (A B) = P (A) + P (B) P (A B)) puede ser derivada usando el aro gumento de frecuencias relativas. Dividamos el espacio del diagrama de Venn en cuatro conjuntosver Figura 1.2. Se asigna a cada regin un nmero que represente las ocurrencias o u de estos eventos en N experimentos aleatorios. El evento asociado con cada regin es un o miembro del conjunto que es especicado en el Diagrama de Venn. Asuma que se ha llevado a cabo N experimentos aleatorios. Si No denota el nmero de resultados, se tiene entonces u que en cada evento: No [A B] = n1 , No [A B] = n2 , No [A B] = n3 y No [A B] = n4 , y n1 + n2 + n3 + n4 = N . Las siguientes razones de frecuencias relativas pueden ser calculadas: n1 + n2 N n1 + n3 N
f (A) =
f (B) =
Donde el numerador especica el nmero de ensayos favorables y el denominador el nmero u u total de ensayos del experimento aleatorio. De manera anloga la siguiente frecuencia relativa a puede ser hallada f (A B) = n1 + n2 + n3 n1 + n2 n1 + n3 n1 = + N N N N = f (A) + f (B) f (A B)
Para los clculos de Probabilidad se har uso de las frecuencias relativas como un aproxia a macin de estos valores. o Ejemplo 1.6 Dado cuatro eventos mutuamente exclusivos A, B, C y D, con las siguientes tres condiciones: P [A B C] = 2 , P [A B] = 1 y P [A C D] = 5 . Cul es la a 3 5 6 P [A], P [B], P [C], y P [D]? Solucin.- Cada una de las tres expresiones del enunciado anterior corresponden o a 3 ecuaciones con 4 incgnitas o probabilidades desconocidas. La 4ta ecuacin se obo o tiene de la propiedad de que la suma de P [A], P [B], P [C] y P [D] es igual a 1. Usando algunas librer del MATLAB, se resolver dichas probabilidades desconocidas. Para as a ello se utilizar los s a mbolos P [A] = p1 , P [B] = p2 ,... etc. syms p1 p2 p3 p4 eq1 = p1 + p2 +p3 -2/3; eq2 = p1 +p2 - 1/5; eq3 = p1 +p3 + p4 -5/6; eq4 = p1+p2+p3+p4-1; S=solve(eq1,eq2,eq3,eq4) S = p1: p2: p3: p4: [1x1 [1x1 [1x1 [1x1 sym] sym] sym] sym]
[S.p1 S.p2 S.p3 S.p4]
12
ans = [ 1/30,
1/6, 7/15,
1/3]
double([S.p1 S.p2 S.p3 S.p4]) ans = 0.0333
0.1667
0.4667
0.3333
Con la cual se a resuelto las cuatro probabilidades requeridas del problema y cuyas soluciones son: P [A] = 0.033, P [B] = 0.167, P [C] = 0.467 y P [D] = 0.333.
1.2
1.2.1
Probabilidad Condicional e Independencia

Probabilidad Condicional
Se dene la probabilidad condicional de A dado B como P [A|B]. Esto es, la probabilidad que el evento A ocurra dado que el evento B ha ocurrido. Es obvio que si los eventos son mutuamente exclusivos, P [A B] = 0 y la probabilidad condicional es cero. Luego, en un sentido ms general se dene la probabilidad condicional en trminos de las ocurrencias de a e los eventos A B y B, como P [A|B] = P [A B] P [B] (1.1)
La probabilidad condicional puede ser calculada sobre la base de frecuencias relativas, usando los mismos datos del experimento en las cuatro regiones presentadas anteriormente de la Figura 1.2. Cuando se forma la razn de frecuencia relativa para el evento condicional [A|B], o el numerador es el nmero de veces que el evento A ha ocurrido y el denominador debe u unicamente contabilizar los resultados experimentales que correspondan a eventos en donde B ha ocurrido. El denominador de la razn de frecuencia relativa no es el N utilizado para o el caso incondicional, sino n1 + n3 (pues el nuevo espacio muestral es B). Los eventos que no contienen eventos elementales del conjunto B son eventos imposibles en este nuevo espacio muestral. La probabilidad condicional denida en trminos de frecuencia relativa es por lo e tanto n1 P [A|B] n1 + n3 Dividiendo el numerador y el denominador por N y usando las frecuencia relativas equivalentes, se obtiene P [A|B] De donde P [A B] = P [A|B]P [B] Se dice que dos eventos son estad sticamente independientes si se cumple la siguiente relacin o P [A B] = P [A]P [B]
n1 N n1 +n3 N
P [A B] P [B]
13
Figura 1.4: Regiones Compuestas
1.2.2
Probabilidad Total
A continuacin se obtendr una expresin para la probabilidad de un evento cualesquiera, o a o dado un grupo de eventos mutuamente exclusivos. Esta expresin permite calcular probao bilidad de eventos condicionados y calcular relaciones de efecto/causa entre eventos. Examinemos las relaciones entre los eventos mostrados en la Figura 1.4. En esta Figura los eventos componentes, Ai , ocupan el espacio completo. Sea el evento C que tiene elementos comunes con todos los eventos Ai A seguir, trabajemos en la siguiente expresin o (C (A1 A2 . . . An )) = (C A1 ) (C A2 ) . . . (C An ) Dado que C = (C (A1 A2 . . . An )) y que se cumple la condicin Ai Aj = , se o genera una expresin para la probabilidad o P [C] = P [C A1 ] + P [C A2 ] + . . . + P [C An ] A esta ultima expresin se le denomina de ley de probabilidad total. o La relacin probabil o stica de causa-efecto, denominada de Teorema de Bayes, puede ser derivada usando la ley de probabilidad total. Para ello se dene la siguiente probabilidad condicional: P [Aj |C] =
n
i
P [Aj C] P [C|Ai ]P [Ai ]
Ejemplo 1.7 Asuma que tres mquinas estn fabricando partes o piezas. Para cualquier a a recipiente obtenido de la fabricacin de 100 partes o Mquina A contribuye con 20 partes a Mquina B contribuye con 30 partes a Mquina C contribuye con 50 partes a
Adems, se sabe que para cualquier 100 partes fabricadas cada mquina produce a a
CAP ITULO 1. CONCEPTOS BASICOS Mquina A produce 6 partes defectuosas a Mquina B produce 7 partes defectuosas a Mquina C produce 8 partes defectuosas a
14
Primero se calcular la probabilidad que una parte seleccionada de un recipiente sea a defectuosa. Para ello se dene las siguientes probabilidades Pa=0.2;Pb=0.3;Pc=0.5; [Pa Pb Pc] ans = 0.2000
0.3000
0.5000
Pda=0.06;Pdb=0.07;Pdc=0.08; [Pda Pdb Pdc] ans = 0.0600
0.0700
0.0800
Se ha denido P da como P [que una pieza sea defectuosa de un recipiente | se produjo con la mquina A]. Usando la ley de probabilidad total se obtiene a Pd=Pda*Pa+ Pdb*Pb + Pdc*Pc Pd = 0.0730 Tambin es posible determinar probabilidades de que una pieza sea producida por la e mquina A, B C, dado que dicha pieza seleccionada sea defectuosa, y para ello se a o har uso del Teorema de Bayes enunciada anteriormente para poder calcular estas a probabilidades. Si se dene a P [una pieza sea producida por la mquina A | dicha a pieza sea defectuosa] = P ad . Se tiene que Pad=Pda*Pa/Pd; [Pad Pbd Pcd] ans = 0.1644 Pbd=Pdb*Pb/Pd; Pcd=Pdc*Pc/Pd;
0.2877
0.5479
En el transcurso, es posible vericar que la suma de todas las probabilidades condicionales es la unidad, debido que alguna mquina tuvo que producir la pieza defectuosa. a Pad + Pbd +Pcd ans = 1
15
1.2.3
Independencia
Para el caso de dos eventos la denicin de independencia estad o stica no exige muchas condiciones adicionales. Ya para el caso de independencia estad stica de tres eventos A, B y C es necesario que se cumplan las siguientes condiciones: P [A B] = P [A].P [B] P [A C] = P [A].P [C] P [B C] = P [B].P [C] P [A B C] = P [A].P [B].P [C] Para que se dena independencia estad stica para los eventos A, B y C. Ejemplo 1.8 En este ejemplo, se calcular la probabilidad de obtener 4 bolas desde a un recipiente que contiene 4 bolas rojas y 46 bolas blancas. Se extraer las bolas a asumiendo que las extracciones individuales son independientes y luego re calcularemos las probabilidades cuando las extracciones no son independientes. Observe que Reemplazando la bola en el recipiente cada vez que una extraccin sea hecha podemos o simular el caso de independencia. Solucin.o Caso independencia- La probabilidad de extraer 4 bolas rojas es justamente el producto de 4 extracciones donde la P [una bola roja sea extraida] = P r. Pr=4/50; Dado que existe 4 bolas rojas disponibles para cada extraccin de un total de 50 en o el recipiente. Si la probabilidad de extraer una bola roja se denota como P [Ai ], la probabilidad de extraer 4 bolas rojas sobre cuatro ensayos es P [A1 A2 A3 A4 ] = P [A1 ]P [A2 ]P [A3 ]P [A4 ] Donde Ai es el evento que representa extraccin de una Bola roja. Si la bola es reemo plazada para la siguiente extraccin, cuando una nueva bola es extra las condiciones o da son las mismas como la extraccin anterior. Se tendr una extraccin independiente o a o una vez que la extraccin actual no depende de la anterior. La P [Las 4 bolas extra o das sean rojas] es Pr^4 ans = 4.0960e-005 Caso dependencia- Si no se reemplaza las bolas, entonces se usa la ley de probabilidad condicionadas para calcular P [4 bolas extra das sean rojas]. P [A1 A2 A3 A4 ] = P [A2 A3 A4 |A1 ]P [A1 ] = P [A3 A4 |A2 A1 ]P [A2 |A1 ]P [A1 ] = P [A4 |A3 A2 A1 ]P [A3 |A2 A1 ]P [A2 |A1 ]P [A1 ]
16
Esta ecuacin establece que la segunda extraccin es condicionada sobre la primera o o y la tercera es condicionada sobre la primera y segunda, mientras que la cuarta es condicionada sobre las tres anteriores. Si P [A1 ] = P r ; P [A2 |A1 ] = P r1; P [A3 |A1 A2 ] = P r2 y P [A4 |A1 A2 A3 ] = P r3. Las probabilidades son calculadas mediante razones son Pr1=3/49; Pr2=2/48; Pr3=1/47;
La probabilidad de 4 extracciones sin reemplazamiento es Pr*Pr1*Pr2*Pr3 ans = 4.3422e-006 Los valores no son los mismos!. Para el caso condicionado, la probabilidad de extraer un bola rojas decrece cuando se extrae bolas rojas, y la probabilidad total de extraer 4 bolas rojas condicionado a una extraccin es menor que el caso independiente. o
Cap tulo 2
Variables Aleatorias
2.1 Concepto de Distribucin o
El concepto de Distribucin esta relacionado al clculo de probabilidades para eventos de tipo o a numricos. Para ilustrar la utilizacin de este concepto de Distribucin, asuma que se repite e o o un Experimento Aleatorio de lanzamiento de una moneda un nmero nito de veces, y cuyos u resultados elementales son C (Cara) y S (Sello). Sea P [C] = p y P [S] = 1 p. Este tipo de Experimento Aleatorio se denomina de Ensayos de Bernoulli. Si se lanza la moneda dos veces entonces la P [Cara en el segundo lanzamiento|Cara en el primer lanzamiento] = P [C2 |C1 ]. Como los lanzamientos son independientes se tiene que P [C2 C1 ] = P [C2 ]P [C1 ]. En una caso ideal, cuando una moneda es lanzada se asume que p = 0.5, pero en general 0 < p < 1. Una vez que los eventos elementales C y S son no numricos, es posible hacerlos core responder con nmeros de tal manera que sean eventos equivalentes. Por ejemplo, para u un Experimento Aleatorio que consiste de tres lanzamientos de una moneda P [C3 C2 C1 ] = P [C3 ]P [C2 ]P [C1 ] = p3 . Tambin se deduce para las otros posibles resultados elementales que e P [SSS] = q 3 P [CSS] = pqq = pq 2 P [SCS] = qpq = pq 2 P [SSC] = qqp = pq 2 P [CCS] = ppq = p2 q P [CSC] = pqq = p2 p P [SCC] = qpp = p2 q P [CCC] = p3 =
Un inters comn en ste marco corresponde a eventos espec e u e cos que denotan nmero de u ocurrencias de Caras. Se observa que la ocurrencia de tres Caras le corresponde la probabilidad P [CCC] = PX [3] = p3 . Tambin, la ocurrencia de dos Caras en tres lanzamientos, e le corresponde la probabilidad P [DosCaras] = PX [2] = p2 q + p2 q + p2 q = 3p2 q. De manera similar, se tiene que P [U naCara] = PX [1] = 3pq 2 y P [N ingunaCara] = PX [0] = q 3 . La suma de estas probabilidades es igual a uno. El conjunto de probabilidades derivados a partir de este Experimento Aleatorio corresponde a una Distribucin de Binomial. o
17
CAP ITULO 2. VARIABLES ALEATORIAS
18
Figura 2.1: Mapeo de Eventos a Nmeros Reales u
2.2
Variables Aleatorias
En la seccin anterior, se esboz un mapeo de resultados de un determinado Experimento o o Aleatorio hacia un conjunto de valores numricos. Se observa dos conjuntos de nmeros e u asociados con cada Evento, una Probabilidad (PX [.]) y un Valor para el Evento (X = x). La funcin que describe esta relacin es llamado de Variable Aleatoriaver Figura 2.1 o o El espacio de Eventos que se muestra en la Figura anterior corresponde a los resultados de un Experimento AleatorioPor ejemplo, la Distribucin Binomial. A continuacin se mapea o o el Espacio de Eventos a la l nea de nmeros reales, asignando un nmero real a cada Evento. u u La probabilidad asociado a un Evento P [CCC] es igual a PX [3] = P [X = 3] = P [CCC] = p3 pues ambos Eventos son equivalentes. Este proceso puede ser repetido parra todos los valores que estn en la l a nea real. Este razonamiento puede ser extendido para Variables Aleatorias de tipo continuo. A continuacin ser denido una funcin de una Variable Aleatoria llamada de Funcin de o a o o Distribucin de Probabilidad Acumulada. Formalmente se dene como FX (x) = P [w; X(w) o x] = P [X x]. Por ejemplo, para el caso Binomial, se tiene que
0 P [0]
P [X x] =
x<0 0x<1 P [0] + P [1] 1x<2 P [0] + P [1] + P [2] 2x<3 P [0] + P [1] + P [2] + P [3] 3 x
Esto ultimo ocurre cuan la Variable Aleatoria es del tipo discreta. Estas ideas ser extendidas a para el caso continuo, deniendo apropiadamente funciones matemticas que permitan usar a los mismos operadores para tratar ambos casos simultneamente. a Ejemplo 2.1 [Distribucin Binomial] De acuerdo a lo expresado anteriormente, un modelo o que describe este clculo de Probabilidades es dado por a P [X = k] = n! pk (1 p)nk k!(n k)! ; k = 0, 1, 2, ..., n
Este modelo es referido como Distribucin de Binomial, para un n y un p cualesquiera. o Adems, el clculo de P [X = k] se puede obtener a partir de la siguiente frmula a a o
CAP ITULO 2. VARIABLES ALEATORIAS recursiva P [X = k + 1] = (n k)p P [X = k] ; (k + 1)(1 p) k = 0, 1, 2, ..., n
19
Los clculos iterativos se inician con P [X = 0] = (1 p)n . Una rutina en MATLAB a realiza estos clculos deniendo un vector b de dimensin n 1. b(1) corresponde a o a P [X = 0] y los b(i) son calculados utilizando el factor de correccin mencionado o anteriormente. Por ejemplo, si n = 6 y p = 0.6 se tiene que p=0.6; b(1)=(1-p)^6; for k=1:6 b(k+1)=p*(6-k+1)*b(k)/((1-p)*(k)); end b b = 0.0041 0.0369 0.1382 0.2765 0.3110 0.1866 0.0467
Ejemplo 2.2 Asuma que se necesita por lo menos tres mquinas, de un total de seis, para a culminar un trabajo. La probabilidad de que cualquier mquina no falle antes de cula minar el trabajo es 0.6. Cul es la probabilidad que se pueda completar el trabajo? a En realidad, nos piden la probabilidad que tres, cuatro, cinco o las seis mquinas a culminen todo el trabajo. Esto es anlogo al problema del lanzamiento de una moneda a seis veces del problema anterior con p = 0.6, y resultados favorables k = 3, 4, 5, 6. Para el MATLAB se cambia el ndice de 4 a 7 y se suma estas probabilidades para obtener la probabilidad deseada, dado que los resultados son mutuamente exclusivos. Para ello se utiliza un nuevo ndice v para sumar sobre el rango requerido v=4:7 sum(b(v)) v = 4 ans = 0.8208 La probabilidad de que al menos tres mquinas, de un total de seis, completen el a trabajo es 0.821 5 6 7
2.3
Funciones de Distribucin o
La funcin FX (x) ser una Funcin de Distribucin si cumple con las siguientes propiedades o a o o 1. 0 FX (x) 1 2. FX (x) = 1 cuando x
20
Figura 2.2: Funcin de Distribucin con Salto nito o o
3. FX (x) = 0 cuando x 4. FX (x) es montoma creciente: FX (a) FX (b) cuando a b o 5. FX (x) es continua por la derecha: para h > 0, FX (b + h) = FX (b) cuando h 0 La funcin de Distribucin puede ser utilizado para calcular P [a < X < b]. Para ello observe o o que (a < b)
[X < a]
[a < X < b] = [X < b]
Las probabilidades asociadas con estos Eventos son P [X < a] + P [a < X < b] = P [X < b] Esta expresin puede ser escrita en trminos de la Funcin de Distribucin o e o o P [a < X < b] = FX (b) FX (a) (2.1)
En esta ultima ecuacin, si a = b y 0, FX (b)FX (a) se aproxima a un valor constante o que ser denotado por P [X = b] a P [b < X < b] = P [X = b] = FX (b) FX (b ) El salto nito en FX (x) es mostrado en la Figura 2.2 A continuacin se introducir una funcin matemtica que permita usar operadores o a o a matemticos tales como diferenciacin e integracin y que puedan ser aplicados de mana o o era uniforme a Variables Aleatorias discretas, continuas y mixtas. La funcin matemtica o a que cumple con este requisito es la funcin Paso o
{
u(t) =
0 t<0 1 0t
Esta funcin implementada en MATLAB se llamar stepf un o a
21
Figura 2.3: Distribucin de probabilidades Binomialn = 6 o
function y=stepfun(t,t0) % stepfun y =(t>t0); Se utilizar esta funcin Paso para expresar una funcin de Distribucin de Probabilidad a o o o Discreta en valores nitos x1 , x2 , ..., xn como
n i=0
FX (x) =
P [X = xi ]u(x xi )
La funcin Paso es desplazado sobre el eje x para la derecha para ir de x a x xi . o Ejemplo 2.3 [Funcin de Distribucin Binomial] En este ejemplo se har uso de la funcin o o a o Paso para gracar la funcin de densidad de probabilidad y la funcin de distribucin o o o acumulada de una variable aleatoria del tipo discreto Binomial. Si n = 6 y p = 0.6, el vector b describe la funcin de densidad de probabilidad. Estos valores pueden ser o presentados tambin en grcos como un grco de barras del MATLAB-ver Figura e a a 2.3 bar(b,.2) La funcin de distribucin acumulada puede ser presentado en un grco usando la o o a funcin stepfun del MATLAB y la funcin bin dist desarrollado en MATLABesta o o funcin bin dist se muestra a continuacin. Luego, para una malla de puntos apropiada o o en intervalos de 0.01 se genera la Figura 2.4. function y=bin_dist(b,t,t0) % BIN_DIST es la Funcin de Distribucin Acumulada o o
22
Figura 2.4: Funcin de Distribucin Binomialn = 6 o o
% Distribucin Binomial, b = vector de probabilidades o % t = vector tiempo y t0 es donde se ejecutan los pasos % b y t0 deben tener las mismas longitudes k=length(b); y=zeros(1,length(t)); for i=1:k y = b(i)*stepfun(t,t0(i))+y; end
t=0:.01:6.9; t0=1:7; plot(bin_dist(b,t,t0))
2.4
Funciones de Densidad
La funcin de densidad de probabilidad (fdp) es generada a partir de la funcin de diso o tribucin acumulada. Por ejemplo, asuma que la funcin de distribucin es continua en la o o o regin < a, b >, y al substituir x = a y x + h = b en la ecuacin 2.1 se genera la siguiente o o expresin o P [x < X < x + h] = FX (x + h) FX (x)
(2.2)
multiplicando y dividiendo el lado derecho de la expresin anterior por h y haciendo que o h 0 se obtiene
23
FX (b) FX (a) h
dFX (x) = f (x) dx
(2.3)
el lado izquierdo de la ecuacin 2.2 muestra que la variable aleatoria es limitada por una o pequea regin y cuando h 0 el resultado ser P [X = x] para el caso Discreto. Para una n o a Variable Aleatoria Continua, la probabilidad que una variable aleatoria continua tome un unico valor es igual a cero. Finalmente, combinando las anteriores expresiones se obtiene que P [x < X < x + h] = hf (x) Adems, se deduce una expresin a partir de las identidades anteriores a o P [a < X < b] = FX (b) FX (a) =
f (y)dy
a
(2.4)
Si en la ecuacin 2.4 se congura a = y b = se obtiene una relacin entre FX (x) y o o fX (x) (con x < , >)
FX (x) =
f (y)dy
(2.5)
Las ecuaciones 2.3 y 2.5 forman un par de expresiones para obtener FX (x) y fX (x) uno respecto del otro.
2.5
Funciones de Densidades Continuas
En los anteriores ejemplos se considero la ilustracin de funciones de densidades discretas. o Una conjunto de unicamente tres distribuciones para el caso continuo sern ilustrados a a continuacin, o Ejemplo 2.4 [funcin de densidad Uniforme- Continua] La funcin de densidad de probao o bilidad para la Uniforme es caracterizado por x<a C ax<b f (x) = 0 bx La constante C es determinado integrando esta funcin de densidad sobre todo el o dominio de x
b a
C.dy = C.(b a) = 1
lo que implica que C =
1 (ba) .
En este ejemplo se derivar la funcin de densidad de probabilidad y funcin de disa o o tribucin acumulada y se ilustrar como estas funciones de probabilidad son aplicadas o a para un analizar un problema. La funcin de densidad de probabilidad Uniforme es o denida usando la funcin Paso o f (x) = 1 .(u(x a) u(x b)) (b a)
la funcin de distribucin ser hallada simbolicamente integrando la constante sobre o o a el intervalo diferente de cero de la funcin como o
24
Figura 2.5: Funciones de densidad y Distribucin acumulada Uniforme o
syms x t a b F=1/(b-a)*int(1,x,a,t); pretty(F) t - a ----b - a la funcin de distribucin puede ser escrita en trminos de la funcin Paso para generar o o e o una expresin que sea vlida sobre todo el dominio de x la funcin de densidad de o a o probabilidad y la funcin de distribucin acumulada son gracados a continacin en o o o un dominio positivo de xver Figura 2.5 a=0; b=2; ti=0:0.05:3.0; t=ti-.5; plot(t,f2_4_1(a,b,t),t,f2_4_2(a,b,t)) Las funciones utilizadas para limitar el rango de la funcin fuern: o o function y=f2_4_1(a,b,t) % f2_4_1 es la funcin de densidad de probabilidad Uniforme o % donde a,b = valor de inicio y final % t = vector tiempo y=zeros(1,length(t)); y = 1/(b-a)*(stepfun(t,a)-stepfun(t,b));
CAP ITULO 2. VARIABLES ALEATORIAS function y=f2_4_2(a,b,t) % f2_4_1 es la funcin distribucin acumulada Uniforme o o % donde a,b = valor de inicio y final % t = vector tiempo y=zeros(1,length(t)); t1=ones(1,length(t)); y = 1/(b-a)*(t-a*t1).*(stepfun(t,a)-stepfun(t,b))+stepfun(t,b);
25
Ejemplo 2.5 [funcin de densidad Exponencial- Continua] La funcin de densidad de probo o abilidad para la Exponencial es caracterizado por
{
f (x) =
0 x<0 ex 0 x <
A continuacin se derivar las funciones de densidad de probabilidad y acumulada de o a la exponencial y se ilustrar con una aplicacin. En general, la funcin de densidad a o o de probabilidad es denido para cualquier > 0. Sin embargo, para el presente caso =2 syms t u lam = sym(2); f=lam*exp(-lam*u); pretty(f) 2 exp(-2 u) La funcin de distribucin ser hallada simblicamente integrando sobre todo t > 0 o o a o mediante
F (x) =
0
eu du
F=int(f,u,0,t); pretty(F) -exp(-2 t) + 1 Finalmente, a continuacin se genera la Figura 2.6 la funcin de distribucin de probo o o abilidad y acumulada sobre el dominio t > 0 hold on; ezplot(f,[0 3]); ezplot(F,[0 3]); axis([0 3 0 2]) Esta Ley de Probabilidad es utilizada para anlisis de conabilidad para describir tiema pos de vida de partes o componentes de un sistema. Una relacin de probabilidad que o ocurre de manera repetida en clculos de conabilidad puede ser denida en trminos a e de la funcin de distribucin acumulada o o Problema Asuma que el tiempo de vida de una parte es descrita por una distribucin o Exponencial. Cul es el valor de tal que la probabilidad de que una parte dure por a
26
Figura 2.6: Funciones de densidad y Distribucin acumulada Exponencial o
lo menos 4 horas sea igual a 0.368?. Repetir los clculos para cuando los tiempos de a vida del componente es mayor que y menor que 4 horas con la misma probabilidad. Solucin Segn el enunciado o u P [T < 4] = F (4|) = 0.368 La funcin de distribucin F (t|) acumulada es descrita en trmino del parmetro o o e a t= sym(4); lam = sym(lam); F= 1-exp(-lam*t); El problema puede ser resuelto anal ticamente o numricamente. La solucin numrica e o e es mostrada utilizando la funcin solve del MATLAB. o double(solve(F-0.368,lam)) ans = 0.1147 y la segunda parte del problema es 1 F (4|) = 0.368 double(solve(1 - F - 0.368,lam)) ans = 0.2499
27
Ejemplo 2.6 [funcin de densidad Normal- Continua] La funcin de densidad de probabilo o idad para la Normal es caracterizado por f (x) =
(x)2 1 e 22 2
mientras que la funcin de distribucin acumulada es dado por o o
F (x) =
(u)2 1 e 22 du 2
Problema En este ejemplo, primero se gracar la funcin de densidad de probabilidad a o y funcin de distribucin acumulada GAUSSIANA y luego se examinar el uso de eso o a tas funciones para resolver problemas. La funcin de densidad de probabilidad GAUSo SIANA es denida usando tres argumentos, la variable aleatoria y dos parmetrosver a en la funcin desarrollada en MATLAB gauss den function o function y=gauss_den(t) % gauss_den is the gaussian density function % where a,s = mean and standard deviation % t = variable a=0; s=1; cof=1/sqrt(2*pi*s^2); arg=-((t-a).^2)/(2*s^2); y=cof*exp(arg); La funcin de distribucin normalizada es calculada usando la funcin erf(y) del MATo o o LAB. Luego, es posible vericar que esta funcin de densidad de probabilidad integrada o sobre todo su dominio es igual a uno. La integracin es ejecutada usando mtodos o e numricos y como no puede ser calculada sobre los valores innitos de los los l e mites de la integracin, se harn los clculos utilizando una gran cantidad de valores asignados o a a a y . format long cnormv=quad(gauss_den,-5,5) cnormv = 0.99999937052599 Se debe observar que con l mites 5 el valor de la integral es cercano a uno. La aproximacin puede ser mejorada con valores mayores hasta que la aproximacin sea cercano o o a uno. La funcin de densidad de probabilidadFigura 2.7 y funcin de distribucin o o o acumuladaFigura 2.8 pueden ser gracados primero asignando un rango de valores a la variable aleatoria t, t=0:.01:6; ti=t-3; plot(ti,gauss_den(ti))
28
Figura 2.7: Funcin de densidad probabilidad Normal o
La funcin de distribucin acumulada es de manera similar gracado usando la funcin o o o denida en MATLAB erf. t=0:.01:6; ti=t-3; plot(ti,(erf(ti/sqrt(2))+1)/2)
2.6
2.6.1
Esperanza y Varianza
Esperanza
Uno de los conceptos ms utiles en probabilidad es el de Esperanza de una variable aleatoria. a Si X es una variable aleatoria discreta que toma uno de los posibles valores x1 , x2 , ...,, entonces la esperanza de X, llamado tambin de media de X y denotado por E[X], se dene como e E[X] =
xi P [X = xi ]
(2.6)
Es decir, el valor esperado de X es un promedio ponderado de los valores que puede tomar X, donde el peso est dado por la probabilidad de que X lo tome. a Si X es una variable aleatoria continua con funcin de densidad de probabilidad f, entonces o el valor esperado de X es
E[X] =
xf (x)dx
(2.7)
Es posible probar que si a y b son constantes, E[aX + b] = aE[X] + b tanto para el caso discreto como para el caso continuo. Adems, el operador Esperanza es un operador lineal a en el sentido de que para cualesquiera dos variables aleatorias X1 y X2 E[X1 + X2 ] = E[X1 ] + E[X2 ] (2.8)
29
Figura 2.8: Funcin de Distribucin Acumulada Normal o o
2.6.2
Varianza
Aunque E[X] es un promedio ponderado de los valores posibles de X, no proporciona informacin alguna acerca de la variacin de tales valores. Una forma de medir esta variacin es o o o travs de la Varianza e Denicin Si X es una variable aleatoria con media E[X] = , entonces la varianza de X o denotado por V ar(X), se dene como V ar(X) = E[(X )2 ] Una frmula alternativa de calcular V ar(X) es mediante la siguiente expresin o o V ar(X) = E[X]2 (E[X])2 Otra identidad util que se puede demostrar es V ar(aX + b) = a2 V ar(X) Otro concepto importante es el de Covarianza entre dos variables aleatorias Denicin La covarianza entre dos variables aleatorias X e Y, denotada por Cov(X, Y ), se o dene como Cov(X, Y ) = E[(X E(X))(Y E(Y ))] Una frmula alternativa de calcular la Cov(X, Y ) es mediante o Cov(X, Y ) = E[XY ] E[X]E[Y ] Tambin, e V ar(X + Y ) = V ar(X) + V ar(Y ) + 2Cov(X, Y ) Finalmente, si las variables X e Y son independientes, entonces V ar(X + Y ) = V ar(X) + V ar(Y ) (2.15) (2.14) (2.13) (2.12) (2.11) (2.10) (2.9)
30
2.7
N meros Aleatorios u
El ncleo de un estudio de simulacin es la capacidad de generar nmeros aleatorios que u o u representan valores de una variable aleatoria Distribuida Uniformemente en el intervalo (0, 1). En esta seccin se explicar la forma de hacerlo mediante el uso de la computadora. o a Inicialmente los nmeros aleatorios se generaban de forma manual o mecnica, utilizando u a ruedas giratorias, lanzamiento de dados, barajas de cartas, etc. Sin embargo, actualmente se hace uso del computador para la obtencin de ellas y a estos se les denomina nmeros o u pseudoaleatorios.
2.7.1
Generacin de N meros Pseudoaleatorios o u
Se describir un mtodo numrico para generar secuencias de nmeros aleatorios. Dado que a e e u se utilizar relaciones deterministicas para generar estas secuencias, se argumenta que estos a nmeros no son verdaderamente aleatorios pero que se aproximan a estosexiste un conjunto u de pruebas de validacin para garantizar que esta aproximacin sea lo ms cercana posible. o o a Un mtodo para generar nmeros pseudoaleatorio comienza con un valor inicial denome u inado de semilla x0 y luego se calcula de manera recursiva los valores sucesivos xn , n 1 realizando el siguiente clculo a xn = axn1 mdulo m o El mtodo indica que xn despus de un cierto nmero nito (a lo ms m) de valores generados, e e u a alguno de ellos debe repetirse y una vez que esto ocurre toda la secuencia comienza a repetirse. Es decir, se desea encontrar valores a y m tales que, para cualquier semilla x0 , el nmero de valores que se puedan generar antes de que suceda esta repeticin sea grande. u o En un curso de Teor de la Simulacin se estudian criterios para la determinacin adea o o cuada de a y m y que adems tengan en cuenta la codicacin del lenguaje de mquina. Para a o a una mquina de 32 bits se ha demostrado que el par de valores m = 231 1 y a = 75 = 16807 a producen esta propiedad deseada. El mtodo anterior es denominado de Mtodo Congruencial y puede ser extendido para e e xn = (axn1 + c) mdulo m o Denominado de Mtodo Congruencial Mixto. La mayor parte de lenguajes de computadora e tienen integrado un generador de nmeros pseudoaleatorios que se les puede invocar para u nes espec cos. Ejemplo 2.7 En este ejemplo se ilustrar el mtodo congruencial mixto para generar a e nmeros pseudoaleatorios. Se seleccionar parmetros apropiados para producir seu a a cuencias de nmeros pseudoaleatorios aceptables y no aceptables mostrando las diferu encias entre estos. Se inicia el anlisis con un conjunto de parmetros para a, c y m que produzcan una a a secuencia peridica pequea o n a=7; c=3; m=10; Una vez que la secuencia debe estar entre 0 y m-1 se espera tener 1 a m secuencias en MATLAB. Se generar un arreglo bidimensional con los a ndices de la que correspondan a semillas iniciales entre 0 y 9
CAP ITULO 2. VARIABLES ALEATORIAS z=[0:9]; La frmula del generador est dado por o a for j=1:9 for i=1:10 z(i,j+1) = mod(a*z(i,j) +c,m); end end z z = 0 1 2 3 4 5 6 7 8 9 3 0 7 4 1 8 5 2 9 6 4 3 2 1 0 9 8 7 6 5 1 4 7 0 3 6 9 2 5 8 0 1 2 3 4 5 6 7 8 9 3 0 7 4 1 8 5 2 9 6 4 3 2 1 0 9 8 7 6 5 1 4 7 0 3 6 9 2 5 8 0 1 2 3 4 5 6 7 8 9 3 0 7 4 1 8 5 2 9 6
31
Existen tres secuencias c clicas, 2 de longitud 4 - 1 0 3 4 y 5 8 9 6 y uno de longitud 2 - 2 7 con diferentes semillas iniciales. Lo que se desea claramente es una secuencia donde el periodo es largo y se aproxime a m-1 y no deba exhibir secuencias peridicas o para cualquier semilla inicial. A continuacin se examinar un conjunto de nmeros uniformes generados por los o a u parmetros a a=137; c=0; m=256; x(1)=87; for j=1:256 x(j+1) = mod(a*x(j) +c,m); end Normalizando los nmeros al intervalo (0,1) se tiene u u=x/256; Un histograma de esta secuencia de nmeros pseudoaleatorias debe mostrar la aproxiu macin hacia una Distribucin Uniforme. Para ello, se selecciona 5 celdas con el misma o o longitudFigura 2.9 [nw x]= hist(u,5); bar(x,nw,.3)
32
Figura 2.9: Histograma de N meros Pseudoaleatorios - Uniforme u
Es posible utilizar test de validacin mas sosticados para vericar la hiptesis de que o o una secuencia de nmeros pseudoaleatorios generados es no peridica; Sin embargo, en u o esta parte utilizaremos herramientas grcas mas sencillas para obtener informacin de a o periodicidad. Si se graca los valores ui versus i se observa que una secuencia peridica o existe con un periodo de aproximadamente 40Figura 2.10. plot(u) Otra grca informativa puede ser hecha en donde se muestre el intervalo entre nmeros a u adyacentes en la secuencia. Para ello se graca ui + 1 versus ui mediante la secuencia (ver Figura 2.11) plot(u(2:256),u(1:255)) Esta secuencia de grcas puede realizarse para diferentes valores de N y la longitud en a la secuencia puede ser observada incrementando N hasta que la grca no cambie. Esto a indica que las secuencia estn sobreponiendose una con otra cuando N se incrementa a y contiene secuencias repetidas. Por otra parte, si se usa los parmetros apropiados obtenidos mediante una seleccin a o ptima o a=314159269; c=453806245; m=2^31-1; x(1)=87; for j=1:256 x(j+1) = mod(a*x(j)+c,m); end u=x/m; plot(u(2:255),u(1:254))
33
Figura 2.10: Grca ui vs i a
Figura 2.11: Grca ui + 1 vs ui a
34
Figura 2.12: Ausencia de Periodicidad
Se observa que cuando N se incrementa la curva dibuja todo el espacio con ninguna repeticin indicando una ausencia de periodicidad en la secuenciaFigura 2.12 o Uso de N meros Aleatorios para Evaluar Integrales u Suponga que se desea calcular la siguiente integral
=
0
g(u)du
Si se asume que u U (0, 1), entonces la funcin de densidad de probabilidad de u es dado o por f (u) = 1 para todo u (0, 1). Luego, es posible expresar a como
=
0
1.g(u)du =
0
f (u)g(u)du = E[g(u)]
De manera articial se utiliza una secuencia de nmeros pseudoaleatorios para determinar u aproximadamente el valor de . Es decir, si se genera de manera independiente u1 , u2 , ..., uk desde una Distribucin U (0, 1), esto signica que g(u1 ), g(u2 ), ..., g(uk ) son valores de vario ables aleatorias independientes e idnticamente distribuidas con media . Por otra parte, el e teorema de convergencia de probabilidad 1 establece que
k 1 g(ui ) k i=1
E[g(u)] =
Lo que signica que es posible aproximar mediante la generacin de una gran cantidad de o nmeros aleatorios ui y tomando el promedio g(ui ) como una aproximacin de . u o
1
Tambin conocido como la Ley Fuerte de los Grandes Nmeros e u
35
Figura 2.13: Valor de la Integral aproximado
Ejemplo 2.8 Aproximar el valor de la siguiente integral
=
0
eu du
Para ello se dene un objeto que contenga la funcin a integrar y enseguida se llama o a la funcin int.m previamente denida. Ver Figura 2.13 o g=inline (exp(x)); % funcin a evaluar en la integral o k=100; >> int(g,k) ans = 1.7188 La funcin int.m elaborada en MATLAB es o function valor_int=int(g,k) % g: funcin a evaluar en la integral o % k: nmero de u_k generados u s=zeros(1,k); x=1:k; for i=2:k s(1,i)=s(1,i-1)+g(rand); end int=s./x; valor_int=int(1,k); plot(x,int)
36
2.7.2
Esquema General de Aplicacin del Mtodo de Monte Carlo o e
Regla de las Tres sigmas Es posible vericar, usando la funcin de densidad f(x) de una Distribucin Normal, que o o
+3
f (x)dx = 0.997
3
Cualquiera sean los valores de y . Esta ultima expresin puede tambin ser expresada en o e trminos de probabilidades e P [ 3 X + 3] = 0.997 La probabilidad es tan prxima a 1 que la ultima frmula se interpreta as al efectuar una o o , prueba es prcticamente imposible obtener un valor de X que diera de en ms de 3 a a Teorema Central del L mite Para N variables aleatorias X1 , X2 ,...,XN independientes e idnticamente distribuidos, se e cumple que E[X1 ] = E[X2 ] = ... = E[XN ] = m
V ar(X1 ) = V ar(X2 ) = ... = V ar(XN ) = b2 Si se dene a N = X1 + X2 + ... + XN , se obtiene que E(N ) = N m V ar(N ) = N b2 Por otra parte, si se dene una variable aleatoria Normal N con media y varianza de N m y N b2 respectivamente, el Teorema Central del Limite arma que para cualquier intervalo < a , b > se cumple que (para valores muy grandes de N) P [a < N < b ]

fN (x)dx
El signicado real de este teorema es que la suma N de una gran cantidad de variables aleatorias distribuidas idnticamente es caracterizado aproximadamente por una distribucin e o Normal. En realidad, este teorema es vlido para situaciones mucho ms generales, como cuando a a los sumandos X1 , X2 ,...,XN pueden no tener una distribucin idnticas e independientes, o e necesitando que unicamente cada una de ellas por separado no inuya considerablemente en la suma.
CAP ITULO 2. VARIABLES ALEATORIAS Esquema General de Monte Carlo
37
Suponga que se desea calcular una cantidad m que se desconoce. La idea es asociar (crear articialmente) una variable aleatoria tal que E() = m y V ar() = b2 . A continuacin, o consideremos N variables aleatorias independientes 1 , 2 ..., N con la misma distribucin o que . Si N es sucientemente grande, la distribucin de la suma N = 1 + 2 + ... + N o tendr, de acuerdo al teorema central del l a mite, una distribucin aproximadamente Normal o con parmetros media igual N m y varianza N b2 . Se deduce entonces que a b N b P [m 3 < < m + 3 ] 0.997 n N N o tambin, e P [|
N 1 b i m| < 3 ] 0.997 N i=1 N
Esta relacin es el soporte para la utilizacin del mtodo de Monte Carlo pues permite o o e calcular m y a la vez calcular el error asociado a dicha aproximacin. En efecto, se determina o N valores de la variable aleatoria , y de acuerdo a la ultima expresin, la media de estos o valores ser aproximadamente igual a m. Con una gran probabilidad se puede armar que a el error de esta aproximacin no sobrepasa de 3 bN el error tiende a cero cuando N se o incrementa.
2.7.3
Operaciones sobre N meros Pseudoaleatorios u
Generacin de N meros Pseudoaleatorios de Variables Aleatorias con Diso u tribucin conocidas o En esta aparte se presentar una tcnica para la generacin de una secuencia nmeros a e o u pseudoaleatorios para una Variable Aleatoria con una distribucin general ( anteriormente o se ilustr el caso de la Distribucin Uniforme). La tcnica es llamada de Mtodo de la o o e e Transformada Inversa y es necesario conocer la funcin inversa F 1 para su aplicacin 2 . Se o o ilustrar la tcnica con un ejemplo para el caso continuo y un ejemplo para el caso discreto, a e indicando que lo que se pretende mostrar es la importancia de la utilizacin de la Simulacin o o Estocstica como mtodo para la caracterizacin de sistemas complejos en donde se modele a e o algunos componentes de este sistema mediante Distribuciones de Probabilidad. Mtodo Transformada Inversa - Caso Discreto Si se desea generar el valor de una e variable aleatoria discreta X con funcin de masa de probabilidad: o P [X = xj ] = pj j = 0, 1, ...
pj = 1
Se genera un nmero aleatorio u U (0, 1) y a continuacin valores xj de la variable u o

existen otras tcnicas complementarias para la generacin de nmeros pseudoaleatorios de una Variable e o u Aleatoria con una Distribucin Cualesquiera en donde no necesariamente se exija conocer F 1 , como por o ejemplo, el mtodo de Aceptacin Rechazo, mtodo de la Composicin, Bootstrap, etc. e o e o
2
CAP ITULO 2. VARIABLES ALEATORIAS aleatoria discreta X segn el siguiente procedimiento u

x0 x 1
38
X=
. . . xj . . .
u < p0 p0 u < p 0 + p1 . . .
j1
. . .
i=0
pi u <
i=0 pi
Como P [a u < b] = b a para 0 < a < b < 1, se puede deducir que el anterior procedimiento de generacin de valores xj corresponde a valores de una variable aleatoria o discreta X con funcin de masa de probabilidad descrita anteriormente. Es decir, o P [X = xj ] = P [
j1 i=0
pi u <
j i=0
pi ] =
j i=0
pi
j1 i=0
pi = pj
Entonces el algoritmo de generacin de n meros pseudoaleatorios de una Variable o u Aleatoria X discreta es dado por dos pasos en general: 1. Generar u U (0, 1) 2. Si u < p0 entonces hacer X = x0 y terminar Si u < p0 + p1 entonces hacer X = x1 y terminar Si u < p0 + p1 + p2 entonces hacer X = x2 y terminar . . . Ejemplo 2.9 Generar un valor de la variable aleatoria X con la siguiente Distribucin de o probabilidad P [X = 1] = 0.3; P [X = 2] = 0.2; P [X = 3] = 0.35; P [X = 4] = 0.15. La siguiente funcin desarrollada en MATLAB genera un valor de acuerdo a la Diso tribucin de probabilidad pedida. o function discreta=discreta(X, P) % GENERA UN VALOR DE LA VARIABLE ALEATORIA Discreta de X % X: Variable Aleatoria Discreta con Distribucin P o % P: Distribucin de probabilidad de X o numero=length(X); prob_acum=zeros(1,numero); prob_acum=cumsum(P); u=rand; i=1; while (u>prob_acum(1,i)) i=i+1; end discreta=X(i); Por ejemplo, >> X=[1 2 3 4]; >> P=[0.3 0.2 0.35 0.15]; >> discreta(X, P)
39
ans = 2 Mtodo Transformada Inversa - Caso Continuo Considere una variable aleatoria e continua con funcin de Distribucin F. El mtodo de la Transformada propone generar o o e un valor de esta variable aleatoria a travs de la siguiente proposicin e o Teorema Sea u U (0, 1) para cualquier funcin de Distribucin F invertible, la variable o o aleatoria X denida como X = F 1 (u) Tiene Distribucin F. o La proposicin anterior garantiza que para generar una variable aleatoria X a partir de o la funcin de Distribucin continua F, se genera un u U (0, 1) y se calcula X = F 1 (u) o o Ejemplo 2.10 Generar un valor de la variable aleatoria X con funcin de Distribucin o o F (x) = xn 0<x<1
De acuerdo a anterior teorema se debe despejar x en funcin de u, Es decir, o x = F 1 (u). Entonces, u = F (x) = xn Por ejemplo, parta n = 3 se tiene que >> x=(rand)^(1/3) x = 0.0224 Generacin de N meros Pseudoaleatorios de Algunas Distribuciones Conocidas o u A continuacin se lista un conjunto de rutinas desarrollados en MATLAB pata la generacin o o de valores de Variables Aleatorias de algunas distribuciones conocidas:
Distribucin Uniforme Genera un nmero pseudo aleatorio en el intervalo [0,1] o u rand(1,1); rand(n,m); Distribucin Cero-Uno Genera una secuencia de m nmeros pseudo aleatorios 0 y 1; 1 con probabilidad o u p y 0 con probabilidad 1-p (rand(1,m)<=p); Distribucin Binomial Ejecuta n ensayos donde la probabilidad de xito en cada ensayo es de p. Sea X o e el nmero de xitos u e x=sum(rand(n,m)<=p); % x es un vector de m nmeros pseudo aleatorios de una Bin(n,p) u
x = un
Distribucin Normal Genera una secuencia de nmeros pseudo aleatorios con Distribucin Normal, uso u o ando el comando RANDN del MATLAB

randn(1,m); % vector de longitud m de nmeros pseudo aleatorios de N(0,1) u randn(n,m); % matriz n x m de entradas de una Distribucin N(0,1) o mu+sigma.*randn(1,m); % m nmeros de una Distribucin N(mu,sigma^2) u o
40
Distribucin Exponencial Un evento ocurre en tiempos aleatorios con intensidad lambda. Es decir, la o probabilidad que un evento ocurra entre los instantes t y t+h es lambda veces h, para valores de h pequeos. Siendo t el tiempo de espera hasta que el evento ocurra. n t=-log(rand)/lambda; t=-log(rand(1,m))./lambda; % nmero pseudo aleatorio de una Distribucin Exp(lambda) u o % m nmeros pseudo aleatorios de una Distribucin Exp(lambda) u o
Distribucin Geomtrica ensayos son ejecutados de manera sucesiva, con una probabilidad de xito p, y o e e x denota el n mero de fallas antes que ocurra el primer xito. u e x=floor(-log(rand(1,m))./(-log(1-p))); % es un vector de m nmeros pseudo aleatorios de u % una Distribucin Ge(p) o Distribucin de Poisson El Toolbox del MATLAB ha desarrollado una rutina denominada de POISSRND o para generar nmeros pseudo aleatorios de una Distribucin de Poisson, Po (lambda). u o % matriz NxM de nmeros pseudo aleatorios de una Distribucin u o % Po(lambda) poissrnd(lambda, n, m); Si no es posible utilizar la rutina anterior, puede utilizar la siguiente arrival=cumsum(-log(rand(1,5)./lambda))); n=length(find(arrival<=lambda)); Distribucin Pareto La funcin de densidad de probabilidad de una Pareto es f (x) = alpha/(1 + x)( 1 + o o alpha), con x > 0; y la funcin de distribucin acumulada F (x) = 1 (1 + x)( alpha). Es un ejemplo o o de una Distribucin con colas pesadas. El procedimiento consiste en generar una muestra de una o Distribucin Uniforme y aplicar la FDA inversa a cada uno de ellos. o sample = (1-rand(1, npoints)).^(-1/alpha)-1; % % npoints: tama~o de la muestra, definido n por el usuario poissrnd(lambda);
Distribucin Discreta General Suponga que se dispone de p = [p(1)...p(n)] para valores [1:n], tal que la o sum(p) = 1 y sus componentes p(j) son no negativos. Para generar una muestra de tamao m de esta n Distribucin, se divide el intervalo [0, 1] en sub intervalos de longitudes p(1), ..., p(n). A continuacin o o se genera un nmero pseudo aleatorio de una U (0, 1), y si este nmero cae en el j-simo intervalo u u e entonces el valor generado corresponde a j. Repetir el procedimiento m veces. uni=rand(1,m); cumprob=[0 cumsum(p)]; sample=zeros(1,m); for j=1:n ind=find((uni>cumprob(j)) & (uni<=cumprob(j+1))); sample(ind)=j; end Distribucin Continua General Un mtodo particular de generar nmeros pseudo aleatorios de una Diso e u tribucin continua arbitraria que tenga una Funcin de Distribucin Acumulada (FDA) sin saltos, o o o es usar la inversa del FDA: G(y) = F 1 (y). Si u(1), ..., u(n) son nmeros pseudo aleatorios de una u U (0, 1) entonces G(u(1)), ..., G(u(n)) constituye una muestra de la Distribucin con FDA F (x). (Ver o por ejemplo, la generacin de nmeros pseudo aleatorios de las Distribuciones Exponencial, Pareto, o u etc. Distribucin de Pareto Normalizado La funcin de densidad de probabilidad de una Pareto es f (x) = o o gamma alpha/(1 + gamma x)( 1 + alpha), con x > 0; y la funcin de distribucin acumulada o o F (x) = 1 (1 + gamma x)( alpha). El parmetro adicional gamma es introducido para controlar a el valor esperado. Si 1 < alpha < 2, el valor esperado existe y es igual a 1/(gamma (alpha 1)), mientras que la Distribucin mantiene control de las colas anchas. El procedimiento consiste en o generar una muestra de una Distribucin Uniforme y aplicar la FDA inversa a cada uno de ellos: o sample = ((1-rand(M, N)).^(-1/alpha)-1)./gamma;
41
Figura 2.14: Transformacin de Variables Aleatorias o
Generacin de N meros Pseudoaleatorios de Transformacin de Variables o u o Aleatorias En esta parte se generan nmeros pseudoaleatorios de una transformacin de Variables u o Aleatoriaslo que nalmente es otra variable aleatoria, ver Figura 2.14. En general, la transformacin realiza otro mapeo desde la l o nea Real x a la l nea Real Y mediante la funcin o y = g(x). Puede observarse de la Figura anterior, para el caso de una transformacin de una variable o aleatoria discreta para otra variable aleatoria discreta, que cada xi es transformado para yi mediante y = g(x). La funcin de densidad de probabilidad discreta para la variable aleatoria o X es dado por f (x) =
n i=1
P [X = xi ](x xi )
Mientras que la funcin de densidad de probabilidad de la variable aleatoria Y es dado por o

n i=1
f (f ) =
P [Y = yi = g(xi )](y yi )
Ejemplo 2.11 En este ejemplo se utilizar una Distribucin discreta para demostrar como a o se transforma la Distribucin mediante un cambio de variable. La distribucin de la o o variable aleatoria X es guardado en un vector del MATLAB, as como posibles valores de X PX=[.1 .15 .2 .25 .1 .05 .15] x=-3:3
CAP ITULO 2. VARIABLES ALEATORIAS PX = 0.1000 x = -3 -2 -1 0 1 2 3 0.1500 0.2000 0.2500 0.1000 0.0500
42
0.1500
sum(PX) ans = 1 La frmula de la transformacin es o o y=x.^2; Esta transformacin mapea valores negativos y positivos de x hacia valores positivos o de y. Las probabilidades asociados a los valores de la imagen de la variable aleatoria X son nmeros positivos que deben sumar uno, y son los mismos asociados a los valores u de la imagen de la variable aleatoria Y. As se dene una funcin que toma los yi que , o corresponde a cada xi PY=zeros(1,4); for j=4:7 for i=1:7 PY(j-3)=PX(i)*(y(i)==y(j))+PY(j-3); end end Se aplica esta funcin y unicamente se utiliza los valores de y de 0, 1, 4 y 9. Para o efectuar los grcos de las funciones de densidades de probabilidades y funciones de a distribuciones acumuladas de x e y, se dene en MATLAB la siguiente funcin o function y=bin_dist(b,t,t0) % BIN_DIST es la Distribucin acumulada o % Distribucin Discreta con b = vector de probabilidades o % t = vector tiempo y t0 es donde los saltos se da lugar % b y t0 deben tener la misma longitud k=length(b); y=zeros(1,length(t)); for i=1:k y = b(i)*stepfun(t,t0(i))+y; end A continuacin ejecute o t=0:.01:7; ti=t-3.5; plot(ti,bin_dist(PX,ti,x))
43
Figura 2.15: Funcin de Distribucin Acumulada de X discreta o o
lo que genera la Figura 2.15 La funcin de densidad de probabilidad correspondiente o a X es bar(PX,.1) xlabel(ndice x) I lo que genera la siguiente Figura 2.16 Un procedimiento similar es seguido para la variable aleatoria Y figure t=0:.01:10; ti=t-0.5; plot(ti,bin_dist(PY,ti,y(4:7))) bar(y(4:7),PY,0.1) xlabel(ndice y) I lo que genera las Figuras 2.17 y 2.18 El proceso de transformacin puede ser extendido para el caso continuo. o
44
Figura 2.16: Funcin de Densidad de Probabilidad de la variable aleatoria discreta X o
Figura 2.17: Funcin de Distribucin Acumulada de Y discreta o o
45
Figura 2.18: Funcin de Densidad de Probabilidad de la variable aleatoria discreta Y o
Cap tulo 3
Procesos Estocsticos a
En el cap tulo anterior se deni a la variable aleatoria, as como la generacin de una seo o cuencia de valores de dichas variables aleatorias. Si se considera la posibilidad de realizar estas secuencias de generaciones a cada instante de tiempo, se obtendr muestras o reala izaciones de un proceso estocstico. Cuando se trabaj con variables aleatorias, estas se a o caracterizaban por sus funciones de densidad de probabilidad y funciones de distribucin o acumulada, en este cap tulo se explorar de manera resumida algunas propiedades que se a derivan de un proceso estocstico. a Denicin Un proceso estocstico se dene como una coleccin {Xt , t T } de variables o a o aleatorias Xt denidos sobre el mismo espacio de probabilidad y que toma valores en E (espacio de Estados). El conjunto T es llamado conjunto parmetro. a Si T es contable, especialmente T = 0, 1, 2, ..., se dice que el proceso es de parmetro discreto. a De otro lado, si T es no contable, se dice que el proceso es de parmetro continuo. Para el a ultimo caso, por ejemplo se tiene T = [0, > y T = [a, b]. Es usual pensar del ndice t como siendo el tiempo y luego pensar de Xt como el estado o la posicin del proceso en el tiempo o t. Especicacin de un Proceso Estocstico Sean t1 , t2 , ..., tn un subconjunto de o a ndices de T , y si se considera F (x1 , ..., xn ; t1 , ..., tn ) = P [Xt1 x1 , ..., Xtn xn ] (3.1)
Entonces, el proceso estocstico {Xt , t T } estar especicado si se conocen las Disa a tribuciones nitos dimensionales de la ecuacin 3.1, para todo n > 0. Esto signica o que, para n = 1 se coonoce todas las distribuciones unidimensionales de las Variables Aleatorias Xt1 , t1 T ; para n = 2 se conoce todas Distribuciones bidimensionales de las Variables Aleatorias Xt1 , Xt2 , t1 , t2 T ; y as por delante. Las funciones de e Distribucin de la ecuacin 3.1 deben satisfacer las dos condiciones siguientes: o o Condicin de Simetr o a.- Para cualquier permutacin j1 , ..., jn de los o ndices 1, 2, 3, ..., n, se debe cumplir que F (xj1 , ..., xjn ; tj1 , ..., tjn ) = F (x1 , ..., xn ; t1 , ..., tn ) Condicin de Compatibilidad.- Para m < n o F (x1 , ..., xm , , ..., ; t1 , ..., tm , ..., tn ) = F (x1 , ..., xm ; t1 , ..., tm ) 46 (3.3) (3.2)
CAP ITULO 3. PROCESOS ESTOCASTICOS
47
Figura 3.1: Una posible realizacin de un proceso de llegadas, para el caso de w = o (1.2, 3.0, 1.7, 0.5, 2.6, ...)
Se puede demostrar que cualquier conjunto de funciones de Distribucin de la forma o de la ecuacin 3.1, satisfaciendo las ecuaciones 3.2 y 3.3 dene un proceso estocstico o a {Xt : t T }1 . Ejemplo 3.1 Considere el proceso de llegadas de clientes a una tienda y suponga que el experimento esta dirigido a medir tiempo de entrellegadas. Luego el espacio muestral es el conjunto de todas las secuencias w = (w1 , w2 , ...) de nmeros reales no negativos u wi . Para w y t = [0, >, se dice que Nt (w) = k si y solamente si el entero k es tal que w1 + w2 + ... + wk t < w1 + w2 + ... + wk+1 (Nt (w) = 0 si t < w1 ). Entonces para el resultado w, Nt (w) es el nmero de llegadas en el intervalo de tiempo u < 0, t]. Para cada t + , Nt es una variable aleatoria que toma valores en el conjunto E = 0, 1, .... Es decir, Nt ; t + es un proceso estocstico de parmetro continuo a a con espacio de estado E = 0, 1, .... Considerado como una funcin de t, para un w o jo, la funcin Nt (w) es no decreciente, continua por la derecha, y se incrementa por o saltosVer Figura 3.1
3.1
Generacin de Procesos Estocsticos o a
La generacin de posibles realizaciones de un proceso estocstico est basado en los mismos o a a mtodos usados para generar secuencias de valores de variables aleatorias. Existen varias e formas de generar realizaciones de un proceso estocstico. Una primera forma, es cuando se a trata de procesos a tiempo discreto que genera realizaciones a partir de variables aleatorias indexadas a t = 0, T, 2T, ..., nT ; Por ejemplo, la variable aleatoria caracterizada por una Distribucin Bernoulli Xt Be(p) con E = {1, 1}; Otro ejemplo, es cuando se dene un o proceso de lanzamientos de un dado que es caracterizado por una Distribucin P [Xt = i] = 1 o 6 para i = 1, 2, ..., 6 con E = {1, 2, ..., 6}. Otra segunda forma, tambin para procesos a tiempo e discreto genera realizaciones mediante la suma de n variables aleatorias independientes e idnticamente distribuidos xi , denida como Sk = t xi donde Sk es asociado con t = kT e i=1 con k = 0, 1, 2, ..., n; Por ejemplo, xi Ber(p) con xi = 1 y Sk la suma de xi . Una tercera
1
Este resultado es conocido como Teorema de Extensin de Kolmogorov o
48
Figura 3.2: Realizacin de un proceso de Poisson, = 2 o
forma, es cuando se trata de procesos a tiempo continuo que genera realizaciones a partir de la generacin de tiempos aleatorios ti independientes e idnticamente distribuidos, en donde o e t t+1 se dene a Nt = k si St = i=1 ti t < St+1 = i=1 ti , con Nt siendo una variable aleatoria para cada t + .ver ejemplo Ejemplo 3.1 Ejemplo 3.2 Si el proceso de llegadas del Ejemplo 3.1 es caracterizado o descrito por un Proceso de Poisson, signica que Nt (w) P o(t), > 0 y t jo. Para generar realizaciones de este proceso estocstico se utiliza la funcin Paso denida anteriormente, a o mediante la siguiente relacin o Nt (w) = donde ti Exp(). n=20; lam=2; z=-1/lam*log(rand(20,1)); t(1)=0; for i=1:20 t(i+1)=t(i)+z(i); end i=1:20; stairs(t(1:20),i) La Figura 3.2 muestra una posible realizacin de un proceso de llegada, caracterizado o por un proceso de Poisson
n i=1
u(t ti )
3.2
Procesos de Bernoulli
Considere un experimento consistente de una secuencia innita de ensayos. Suponga que los ensayos son independientes uno del otro y que cada uno tiene unicamente dos posibles
49
resultados, xito y falla. Un posible resultado de tal experimento es (C, C, S, C, S, S, ...), que e indica que el los dos primeros resultados de ensayos fueron Caras (C), el segundo resultado fue Sello (S), etc. Es decir, el espacio muestral consiste de todas las secuencias de las letras C y S. Es decir, = {w; w = (w1 , w3 , w3 , ...), wi {C, S}} Es posible describir una medida de Probabilidad para todos los subconjuntos de . Sea 0 p 1, y se dene a q = 1 p. Es posible pensar de p y q com probabilidades de xito y e falla en un unico ensayo. La probabilidad del evento {w; w1 = C, w2 = C, w3 = S} es igual a p.p.q = p2 .q, y la probabilidad del evento{w; w1 = C, w2 = S, w3 = S, w4 = S, w5 = C} es igual a p.q.q.q.p = p2 .q 3 . Para cada n, es posible determinar las probabilidades de estos n primeros ensayos lo cual es suciente para extender a todas las propiedades que una funcin o conjunta de probabilidad debe cumplir (ver Capitulo 1). Para cada w y n {1, 2, 3, ...}, se dene Xn (w) = 1 Xn (w) = 0 segn corresponda a wn = C o wn = S. Entonces o u para cada n, se tiene una variable aleatoria Xn con valores unicos 0 y 1. De la descripcin o anterior, como X1 , X2 ,... son independientes e idnticamente distribuidos, se tiene que P e completamente caracterizado como P [Xn = 1] = p y P [Xn = 0] = q. A continuacin se o dene el proceso de Bernoulli para un Espacio Muestral y medida de probabilidad P . Sea {Xn ; n = 1, 2, 3, ...} una secuencia de variables aleatorias denidas sobre y que toman valores de 0 1. o Denicin El proceso estocstico {Xn ; n = 1, 2, 3, ...} es llamado de proceso de Bernoulli o a con probabilidad de xito p si e a) X1 , X2 ,... son independientes b) P [Xn = 1] = p, P [Xn = 0] = q = 1 p, para todo n Ejemplo 3.3 Los productos nales obtenidos de una l nea de ensamblado deben pasar por una inspeccin de rutina. Si la n-sima unidad es defectuosa se dene a Xn = 1, o e caso contrario Xn = 1. Si el proceso de produccin esta bajo control, las unidades o producidas sucesivas mostrar efectos de chances aleatorios, y es posible considerar a a la secuencia X1 , X2 ,...como independientes. Si adems, la tasa de unidades defectuosas a es p = 0.5, entonces {Xn ; n = 1, 2, 3, ...} describe un proceso de Bernoulli. n=200; ind=find(rand(n,1)>0.5); S(1:n)=1; S(ind)=-1; stairs(1:25,S(1:25)) axis([0 25 -1.5 1.5]) xlabel(tiempo,FontSize,[12]) ylabel(S(t),FontSize,[12]) La Figura 3.3 muestra una posible realizacin de un proceso de Bernoulli, con p = 0.5 o e intervalos de longitud 1. Ejemplo 3.4 Los dimetros de rodajes obtenidos de una l a nea de produccin son medidos o y aquellos que no cumplen con las especicaciones son rechazados. Sea Y1 , Y2 ,,... los dimetros en pulgadas del primero, segundo, .... rodaje. Sea a = 2.994 y b = 3.006 los a l mites de tolerancia inferior y superior. Es decir, el n-simo rodaje no es rechazado e
50
Figura 3.3: Realizacin de un proceso de Bernoulli, = 2 o
si y solamente si 2.994 Yn 3.006. Suponga que Y1 , Y2 ,,...son independientes e idnticamente distribuidos con distribucin comn, Yi N (3, (0.002)2 ). Para cada n e o u sea Xn = IB (Yn ) Donde B = [2.994, 3.006]. Entonces Xn = 1 si el n-simo rodaje cumple con las especie caciones y Xn = 0 en caso contrario. Dado que los Y1 , Y2 ,,... son independiente, X1 , X2 ,,...son tambin independientes; as como los Yn tienen una Distribucin Comn, los e o u Xn tienen una Distribucin comn. De la transformacin anterior {Xn ; n = 1, 2, ...} es o u o un proceso de Bernoulli. La probabilidad p = P [Xn = 1] es calculada de la siguiente manera p = P [IB (Yn ) = 1] = P [2.994 Yn 3.006)] (Yn 3) (3.006 3) (2.994 3) ] = P[ 0.002 0.002 0.002 (3.006 3) (2.994 3) = ( ) ( ) 0.002 0.002 = 0.9974 Este resultado tambin puede aproximarse mediante simulacin, con la siguiente sine o taxis del MATLAB n=30000;mu=3; sigma_2=(0.002)^2;sigma=sqrt(sigma_2); Y_n=(mu+sigma*randn(n,1)); ind=find((3.006>Y_n)&(Y_n>2.994)); X_n(1:n,1)=0; X_n(ind,1)=1; figure(1) stairs(1:n,X_n(1:n)) axis([0 n -1.5 1.5]) xlabel(n,FontSize,[12]) ylabel(X(n),FontSize,[12])
51
Figura 3.4: Realizacin de un proceso de Bernoulli, p = 0.994 o
z=cumsum(X_n)./[1:n]; p=0.9974*ones(n,1); u=1:n;u=u; figure(2) plot(u,z,u,p) ylabel(Promedio) xlabel(Nmero de Ensayos) u La Figura 3.4 muestra una posible realizacin de este proceso de Bernoulli, con p = o 0.994 e intervalos de longitud 1. La Figura 3.5 muestra la evolucin de la aproximacin o o de p = 0.994. Sea {Xn ; n = 1, 2, 3, ...} un proceso Bernoulli con probabilidad de xito p. Entonces para e cualquier n
2 3 1. E[Xn ] = E[Xn ] = E[Xn ] = ... = p 2 2. V ar(Xn ) = E[Xn ] E[Xn ]2 = p p2 = pq
3. E[Xn ] = 0 P [Xn = 0] + P [Xn = 1] = q + p para cualquier 0
3.2.1
N mero de Ensayos u
{
Sea {Xn ; n = 1, 2, 3, ...} un proceso de Bernoulli con probabilidad de xito p. Si se dene a e Nn (w) = 0 Si n = 0 X1 (w) + ... + Xn (w) Si n = 1, 2, ...
Para cada w . Entonces Nn es el nmero de xitos en los primeros n ensayos, y Nn+m Nn u e es el nmero de xitos en los ensayos numerados n + 1, n + 2, ..., n + m. En esta parte el u e inters se centra en el proceso estocstico {Nn ; n N } , donde N = {0, 1, 2, ...} con espacio e a de estados E = {0, 1, 2, ...}. Es posible derivar los siguientes resultados:
52
Figura 3.5: Estimacin de p = 0.994 o
1. Usando la denicin de Nn , y el hecho que para cualquier par de Variables Aleatorias o X e Y independientes se cumple que E[X1 + X2 ] = E[X1 ] + E[X2 ], se obtiene que E[Nn ] = E[X1 + ... + Xn ] = E[X1 ] + ... + E[Xn ] = np Para todo n > 0. Para n = 0, E[N0 ] = 0, de donde E[Nn ] = np para n N = {0, 1, 2, ...}. 2. De manera similar, usando el hecho de que para cualquier par de Variables Aleatorias X e Y independientes se cumple que V ar[X1 + X2 ] = V ar[X1 ] + V ar[X2 ], se obtiene V ar[Nn ] = V ar[X1 ] + ... + V ar[Xn ] = npq 3. La siguiente relacin se deriva al aplicar la esperanza matemtica a ambos lados de la o a 2 = N 2 2N E[N ] + E 2 [N ]. Luego siguiente expresin (Nn E[Nn ]) o n n n 2
2 E[Nn ] = V ar[Xn ] + (E[Nn ])2
= npq + n2 p2
2 Es posible calcular E[Nn ] directamente, al aplicar la esperanza matemtica a la sigua iente expresin o 2 Nn = n i
Xi2 +
n i j=i
Xi Xj
y obtener
2 E[Nn ] = n i
E[Xi2 ] +
n i j=i
E[Xi Xj ]
= np + n(n 1)p2 = n2 p2 + npq El ultimo clculo indica como obtener momentos de ordenes mayores de Nn a
53
Debe observarse que los clculos de E[Nn ] y V ar[Nn ] se han hecho sin necesidad de conocer la a distribucin de Nn . Sin embargo, si en general se necesita esperanzas de funciones arbitrarias o g(.) de Nn , digamos E[g(Nn )], se necesita conocer la Distribucin de Nn o Lema Para cualquier n, k N se tiene que P [Nn+1 = k] = pP [Nn = k 1] + qP [Nn = k] (3.4)
Prueba.- Para n y k jos, se sabe que para A = {Nn+1 = k} y Bj = {Nn = j}, P [A] = Bj ], de donde j P [A P [Nn+1 = k] = P [Nn+1 = k|Nn = j]P [Nn = j] (3.5)
j
Dado que {X1 , ...Xn } es independiente de Xn+1 , Nn = X1 + ... + Xn es independiente de Xn+1 y que Nn+1 = Nn + Xn+1 , se obtiene que p Si j = k 1 q Si j = k P [Nn+1 = k|Nn = j] = P [Xn+1 = k j] = 0 c.o.c Usando esto en la ecuacin 3.5 se obtiene el resultado deseado. o
Teorema Para cualquier n N se tiene que P [Nn = k] = Para k = 0, 1, ..., n

Prueba.- Para n = 0 se cumple el Teorema, siempre que N0 = 0. Por la hiptesis de la o induccin se asumir que el teorema se cumple para n = m y para todo k. Para completar o a la demostracin se tiene que demostrar que se cumple para n = m + 1 y para todo k. Para o n = m + 1 y k = 0, ecuacin 3.4 e hiptesis de induccin se tiene que o o o P [Nm+1 = 0] = p 0 + q q m = q m+1 Para n = m + 1 y 0 < k m + 1, lema anterior e hiptesis de induccin, se tiene que o o P [Nm+1 = k] = m! pk1 q mk+1 (k 1)!(m k + 1)! m! + q pk q mk k!(m k)! m! 1 1 = pk q mk+1 [ + ] (k 1)!(m k)! mk+1 k (m + 1)! pk q m+1k = k!(m + 1 k)! p
n! pk q nk k!(n k)!
Hasta el momento se ha determinado la Distribucin de Nn para todo n 0. Sin embargo, o es posible deducir propiedades de las Distribuciones de Nn+m Nm = Xm+1 + ... + Xn+m , la suma de n variables aleatorias independientes Bernoulli. Es posible deducir que la Distribucin de Nn+m Nm es la misma que Nn . o Corolario Para cualquier n, m N se tiene que P [Nn+m Nm = k] = Para k = 0, 1, ..., n, independiente de m n! pk q nk k!(n k)!
CAP ITULO 3. PROCESOS ESTOCASTICOS Teorema Para cualquier n, m N se tiene que P [Nn+m Nm = k|N0 , ..., Nm ] = P [Nn+m Nm = k] = Para k = 0, 1, ..., n
54
n! pk q nk (3.6) k!(n k)!
Corolario Sea n0 = 0 < n1 < n2 < ... < nj enteros. Entonces las variables aleatorias Nn1 Nn0 , Nn2 Nn1 , ..., Nnj Nnj1 son independientes. Teorema Sea Y una variable aleatoria que depende de un nmero nito de variables aleatou rias Nm , Nm+1 , ... Es decir, Y puede ser escrito como Y = g(Nm , Nm+1 , ..., Nm+n )
Para algn n y alguna funcin g. Entonces u o E[Y |N0 , ..., Nm ] = E[g(Y )|Nm ]
3.3
Procesos de Poisson
Los procesos de Poisson, como aproximaciones de ciertos fenmenos en la vida real, aparecen o en muchas aplicaciones como por ejemplo procesos de llegadas a un almacn, llegadas de e llamadas a una central telefnica, localizaciones del centro de burbujas en una imagen binaria o de un proceso de otacin, etc. De la misma manera como se ha empleado la palabra xitos o e en un proceso de Bernoulli, aqu se emplear la palabra llegadas en un proceso de Poisson. a Sea un espacio muestral y P la funcin de Probabilidad. Suponga que para realizacin o o w y para t 0 se denen enteros no negativos Nt (w). En ciertas aplicaciones Nt (w) indica el nmero de llegadas en un intervalo [0, t] para la realizacin w. Es decir, para un u o w jo, el mapeo t Nt (w) es una funcin Paso; los tiempos de estos saltos corresponden o a los instantes de llegadas, y cada salto es de tamao uno. La familia resultante {Nt ; t 0} n de variables aleatorias es un proceso de llegadas, que corresponde a un proceso estocstico a con parmetro tiempo continuo y espacio de estados E = N = {0, 1, 2, ...} a Suponga que nuestras observaciones del proceso en el pasado sostiene que la Distribucin o del nmero de llegadas Nt+s Nt en el intervalo < t, t + s] depende unicamente sobre s y u no de t. Suponga adems que se tiene evidencia que no existe correlacin entre el nmero a o u de llegadas Nt+s Nt en el intervalo < t, t + s] y llegadas en el intervalo [0, t]propiedad que puede ser justicada a partir de que un proceso de llegadas como el resultado de las acciones de un nmero muy grande de personas; y si estas acciones son independientes, como u es usualmente el caso, el nmero de llegadas en < t, t + s] debe ser independiente de < 0, t]. u
3.3.1
Proceso de Conteo de LLegadas
Sea un espacio muestral y P una medida de probabilidad denida sobre ella. En lo que sigue, se entender por un proceso de llegadas a aquel proceso estocstico N = {Nt ; t 0} a a denido sobre tal que para cada w , el mapeo t Nt (w) es no decreciente, se incrementa por saltos unicamente, es continua por la derecha, y N0 (w) = 0Ver ilustraciones de una posible realizacin en las Figuras 3.2 y 3.1. o Denicin Un proceso de llegadas {Nt ; t 0} es llamado de proceso de Poisson siempre o que cumpla con los siguientes axiomas
55
1. Para todo w, cada salto es de magnitud uno de t Nt (w) es de magnitud unitaria 2. Para cualquier t, s 0, la Distribucin de Nt+s Nt es independiente de {Nu ; u o t} 3. Para cualquier t, s 0, la Distribucin de Nt+s Nt es independiente de t o La denicin del proceso de Poisson es completamente cualitativo. Sin embargo, los axiomas o cualitativos especican completamente la Distribucin de Nt y por tanto la ley de probo abilidad del proceso completo. A continuacin sern presentados diversos resultados como o a derivaciones de la denicin del proceso de Poisson N = {Nt ; t 0}. o En el siguiente Lema a enunciar se debe considerar que E[Nt ] < . Lema 3.1
t0
1 lim P [Nt 2] = 0 t
Lema 3.2 1 lim P [Nt = 1] = t0 t Para cualquier constante > 0 Teorema Si {Nt ; t 0} es un proceso de Poisson, entonces para cualquier t 0, P [Nt = k] = et (t)k k! k = 0, 1, 2, ...
Para alguna constante > 0. A esta se le llama de Distribucin de Poisson con o parmetro t. a Es de importancia resaltar lo siguiente 1. Para cualquier t 0 E[Nt ] = =
n=0 n=0
nP [Nt = n] n et (t)n = t n! (3.7)
Es decir, es el nmero esperado de llegadas en un intervalo de longitud unitaria. En u otras palabras, es la tasa de llegadas del proceso estocstico. a 2. De manera similar, es posible probar que V ar[Nt ] = t (3.8)
Corolario Sea N = {Nt ; t 0} un proceso de Poisson con tasa . Entonces, para cualquier s, t 0 P [Nt+s Nt = k|Nu ; u t] = P [Nt+s Nt = k] es (s)k = k = 0, 1, 2, ... k!
56
Finalmente, dado los resultados anteriores, es posible obtener una denicin alternativa o de una proceso de Poisson Denicin Un proceso de llegadas {Nt ; t 0} es llamado de proceso de Poisson con tasa o para > 0, siempre que cumpla con los siguientes axiomas 1. N0 = 0 2. (Incrementos Independientes) Para cualquier t, s 0, la Distribucin de Nt+s Nt o es independiente de {Nu ; u t} 3. (Incrementos Estacionarios) Para cualquier t, s 0, la Distribucin de Nt+s Nt o es independiente de t 4. P [Nh = 0] = h0 h lim 5.
h0
lim
P [Nh > 2] =0 h
La condicin 1 establece que el proceso se inicia en cero. La condicin 2 establece que el o o nmero de eventos hasta el instante t ([Nt ]) es independiente de la ocurrencia del nmero de u u eventos que ocurren entre t y t+s ([Nt+s Nt ]). La condicin 3 establece que la distribucin o o de probabilidad de [Nt+s Nt ] es lo mismo para todos los valores de t. Las condiciones 4 y 5 establecen que en un intervalo pequeo de longitud h, la probabilidad de que un evento n ocurra es aproximadamente h, mientras que la probabilidad de que por lo menos dos eventos ocurran es aproximadamente cero. En lo que sigue se argumenta que estas suposiciones determina que que el nmero de eventos u que ocurren en un intervalo de longitud t es una variable aleatoria de Poisson con media t. Para hacer esto, consideremos el intervalo [0, t] y se divide en n sub intervalos de longitud t/n. Analicemos el nmero de sub intervalos que contienen un evento. Como cada sub interu valo, de manera independiente (Condicin 2), contiene un evento con la misma probabilidad o t u (Condicin 3), que es aproximadamente n , se concluye que el nmero de tales sub intero t valos es descrita por una Distribucin Binomial Bin(n, p lambda n ). Se sabe adems que o a cuando n , esta Distribucin Binomial converge a una Distribucin de Poisson P o(t). o o Puede argumentarse, por la condicin 5, que la probabilidad de que cualquier sub intervalo o contenga dos o mas eventos tiende a cero cuando n . Por lo tanto, Nt P o(t).
3.3.2
Tiempo de LLegadas
Para un proceso de Poisson se dene a Tn como el tiempo consumido entre la (n-1)-sima e llegada y n-sima llegada. La secuencia {Tn : n = 1, 2, ...} es llamado de secuencia de tiempos e entre llegadas. Para determinar la Distribucin de Tn se debe notar que el evento X1 > t o es equivalente Nt = 0. Es decir P [X1 > t] = P [Nt = 0] = et , con lo que se concluye que X1 Exp(). Para obtener la Distribucin de X2 observe que o P [X2 > t|X1 = s] = P [0eventosen[s, s + t]|X1 = s] = P [0eventosen[s, s + t]] = et De donde se concluye que X2 Exp(). Adems, X2 es independiente de X1 . Finalmente, a se puede demostrar el siguiente resultado
57
Proposicin Los tiempos de entrellegadas X1 , X2 , ... son independientes e idnticamente o e distribuidos como una Distribucin exponencial de parmetro o a

ProbabilidadesySimulacion Geoestadistica2012

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ProbabilidadesySimulacion Geoestadistica2012

Uploaded by

Copyright:

Available Formats

Introduccin a las Probabilidades y Simulacin o o

Minicurso de Geoestad stica

Operaciones sobre Conjuntos

CAP ITULO 1. CONCEPTOS BASICOS

Figura 1.1: Diagrama de Venn

La operacin and es expresada como o C = intersect(A,B) C = 4 7

CAP ITULO 1. CONCEPTOS BASICOS y la operacin or expresada como o D = union(A,B) D = 2 3

Operaciones Combinadas sobre Conjuntos

CAP ITULO 1. CONCEPTOS BASICOS B=[3 4 7 8] B = 3 4 C=[5 6 7 8] C = 5 6

El lado izquierdo es dado por D= intersect(A,union(B,C)) D = 4 5 7

El lado derecho es E=union(intersect(A,B),intersect(A,C)) E = 4 5 7

Por otra parte, si se dene al conjunto B como B=[3 4 7 8] B = 3 4

CAP ITULO 1. CONCEPTOS BASICOS

Experimento Aleatorio, Espacio Muestral y Eventos

CAP ITULO 1. CONCEPTOS BASICOS

Denicin Sea un espacio muestral asociado a un experimento aleatorio. Una aplicacin: o o

Entonces P (A) es denido como Probabilidad de A3

CAP ITULO 1. CONCEPTOS BASICOS

Figura 1.2: Diagrama de Venn para tres regiones o eventos

Frecuencia Relativa y Probabilidad

CAP ITULO 1. CONCEPTOS BASICOS

CAP ITULO 1. CONCEPTOS BASICOS

Figura 1.3: Clculo de Frecuencias Relativas a

y de los siguientes vectores p=0.5*ones(100,1); u=1:100;

CAP ITULO 1. CONCEPTOS BASICOS

[S.p1 S.p2 S.p3 S.p4]

CAP ITULO 1. CONCEPTOS BASICOS

double([S.p1 S.p2 S.p3 S.p4]) ans = 0.0333

Probabilidad Condicional e Independencia

CAP ITULO 1. CONCEPTOS BASICOS

Figura 1.4: Regiones Compuestas

P [Aj C] P [C|Ai ]P [Ai ]

Pda=0.06;Pdb=0.07;Pdc=0.08; [Pda Pdb Pdc] ans = 0.0600

CAP ITULO 1. CONCEPTOS BASICOS

CAP ITULO 1. CONCEPTOS BASICOS

CAP ITULO 2. VARIABLES ALEATORIAS

Figura 2.1: Mapeo de Eventos a Nmeros Reales u

CAP ITULO 2. VARIABLES ALEATORIAS recursiva P [X = k + 1] = (n k)p P [X = k] ; (k + 1)(1 p) k = 0, 1, 2, ..., n

CAP ITULO 2. VARIABLES ALEATORIAS

Figura 2.2: Funcin de Distribucin con Salto nito o o

[a < X < b] = [X < b]

Esta funcin implementada en MATLAB se llamar stepf un o a

CAP ITULO 2. VARIABLES ALEATORIAS

Figura 2.3: Distribucin de probabilidades Binomialn = 6 o

CAP ITULO 2. VARIABLES ALEATORIAS

Figura 2.4: Funcin de Distribucin Binomialn = 6 o o

t=0:.01:6.9; t0=1:7; plot(bin_dist(b,t,t0))

CAP ITULO 2. VARIABLES ALEATORIAS

dFX (x) = f (x) dx

Funciones de Densidades Continuas

lo que implica que C =

CAP ITULO 2. VARIABLES ALEATORIAS

Figura 2.5: Funciones de densidad y Distribucin acumulada Uniforme o

CAP ITULO 2. VARIABLES ALEATORIAS

Figura 2.6: Funciones de densidad y Distribucin acumulada Exponencial o

CAP ITULO 2. VARIABLES ALEATORIAS

mientras que la funcin de distribucin acumulada es dado por o o

CAP ITULO 2. VARIABLES ALEATORIAS

Figura 2.7: Funcin de densidad probabilidad Normal o

CAP ITULO 2. VARIABLES ALEATORIAS

Figura 2.8: Funcin de Distribucin Acumulada Normal o o

CAP ITULO 2. VARIABLES ALEATORIAS

Generacin de N meros Pseudoaleatorios o u