Estocastica Unidad 1

Unidad 1 Actividad 2
1) Una partícula se mueve en línea recta un paso hacia la derecha con

probabilidad p o un paso hacia la izquierda con probabilidad q = 1 - p. Después
de cada movimiento se observa la posición en que se encuentra la partícula
sobre el eje X.
a) 𝑋𝑛 indica la posición en que se encuentra la partícula sobre el eje 𝑥 en el

paso 𝑛 (contemplando solo los enteros en el eje 𝑥)
b) El espacio de estados es 𝑆 = {−∞, … , −2, −1,0,1 ,2, … , ∞} posición de algún
número entero sobre el eje x
c) El espacio parametral es 𝑇 = { 1, 2, … } paso tomado en cuenta
d) Por lo que tenemos un proceso discreto a tiempo discreto.

2) Considere un sistema de producción que tiende a deteriorarse con el tiempo. El
nivel de deterioro es una variable aleatoria que toma valores en el intervalo [0, 1],
donde cero representa un sistema productivo nuevo y 1 representa uno inservible.
Se observa el nivel de deterioro del sistema productivo en cualquier instante de
tiempo.
a) 𝑋𝑡 indica el nivel de deterioro del sistema productivo en cualquier instante de

tiempo 𝑡
b) El espacio de estados es 𝑆 = [0,1] nivel de deterioro
c) El espacio parametral es 𝑇 = [0, ∞) tiempo tomado en cuenta
d) Por lo que tenemos un proceso continuo a tiempo continuo.
3) Los sábados, llegan vehículo a un parque de diversiones a una tasa media de 20

por hora. Los vehículos pueden llevar 1, 2, 3 o 4 personas, cada número con una
probabilidad distinta. Se observa el número de personas que arriban al parque en
el intervalo de tiempo [0, t].
a) 𝑋𝑡 indica el número de personas que arriban al parque en el instante de

tiempo 𝑡
b) El espacio de estados es 𝑆 = {0,1,2, … , 𝑢} cantidad de personas arribando
c) El espacio parametral es 𝑇 = [0, 𝑤] intervalo de tiempo tomado en cuenta
d) Por lo que tenemos un proceso Discreto a tiempo continuo.
4) En una tienda de supermercado con 6 cajas, se forma una única fila de clientes
que van siendo atendidos por cualquier cajero que se desocupe. Al terminar el
servicio de un cliente en una caja, éste abandona la tiendo El tiempo de servicio
de cada cliente en las cajas, es una variable aleatoria. El número de clientes que
arriban en una hora, es otra variable aleatoria. Se observa la cantidad de clientes
que se encuentran en la tienda en cada instante de tiempo.
a) 𝑋𝑡 indica la cantidad de clientes que se encuentran en la tienda en el

instante de tiempo 𝑡
b) El espacio de estados es 𝑆 = {0,1,2, … , 𝑢} cantidad de clientes en la tienda
c) El espacio parametral es 𝑇 = [0, 𝑤] tiempo en que se observa
d) Por lo que tenemos un proceso Discreto a tiempo continuo.
5) Considera dos jugadores. El jugador 1 tiene una fortuna inicial de a pesos y el

jugador 2 inicia el juego con una fortuna de b pesos. En cada partida, con
probabilidad p, el jugador 1 gana un peso y con probabilidad q = 1 - p pierde un
peso. Se observa la fortuna del jugador 1 tras cierta cantidad partidas.
El dinero total con que se empieza este juego es a+b que es la suma del dinero
del jugador 1 más la el dinero del jugador 2. Lo menos de dinero que puede tener
el jugador 1 es cero, es decir cuando pierde los a pesos que tenía al principio del
juego.
Entonces el jugador 1 puede tener de cero pesos a a+b pesos.
a) 𝑋𝑛 indica la fortuna del jugador 1 tras cierta cantidad de partidas 𝑛

b) El espacio de estados es 𝑆 = {0, 1, 2, … , 𝑎 + 𝑏} fortuna en pesos del jugador 1
c) El espacio parametral es 𝑇 = {1, 2, 3, … } la partida que se observa
d) Por lo que tenemos un proceso Discreto a tiempo Discreto.
6) Un paciente en un hospital debe ser revisado una vez cada hora para tener un
estadístico de su recuperación. Se observa su temperatura una vez cada hora.
Considera las posibles temperaturas del ser humano para establecer el problema.
Considerando que el rango de temperaturas en el ser humano se considera;

Temperatura normal: 36.1°C--37.2°C
Fiebre: mayor de 38°C
Hipotermia: menor a 35°C
Podemos establecer un intervalo de temperatura [35°C--38°C]
a) 𝑋𝑛 indica la temperatura del paciente en la hora 𝑛 del día

b) El espacio de estados es 𝑆 = [35°𝐶, 38°𝐶] temperatura del paciente
c) El espacio parametral es 𝑇 = {0,1, 2, … , 23 } la hora del día en que se toma la
temperatura, no se considera la hora 24 ya que es igual a nuestra hora 0 (cero).
d) Por lo que tenemos un proceso Continuo a tiempo Discreto.
7) Se están llenando el tinaco de mi casa y se ha observado la cantidad de líquido
del tinaco en cierto instante del tiempo. La capacidad del tinaco es de 250 litros.
a) 𝑋𝑡 indica la cantidad de líquido del tinaco en cierto instante del tiempo 𝑡

b) El espacio de estados es 𝑆 = [0, 250] litros en el tinaco
c) El espacio parametral es 𝑇 = [0, ∞) el instante de tiempo en que observa el
nivel del tinaco
d) Por lo que tenemos un proceso Continuo a tiempo Continuo.
8) Se está realizando un partido de futbol americano y se ha observado el marcador

en el segundo cuarto del partido, será importante considerar los puntajes de los
dos equipos.
a) 𝑋𝑡 indica el marcador en el instante de tiempo 𝑡 del segundo cuarto del

partido
b) El espacio de estados es 𝑆 = {(𝑥, 𝑦) 𝑑𝑜𝑛𝑑𝑒 𝑥, 𝑦 ∈ ℕ} el par ordenada
representa el marcador
c) El espacio parametral es 𝑇 = [15, 30] el instante de tiempo en que se observa
el marcador en el segundo cuarto del partido
d) Por lo que tenemos un proceso Discreto a tiempo Continuo.
9) En una fábrica se tienen lotes de 30 unidades y se observa el número de unidades

defectuosas por lote. Se tienen 100 por revisar.
a) 𝑋𝑛 número de unidades defectuosas en el lote n

b) El espacio de estados es 𝑆 = {1,2, … ,30} posibles unidades defectuosas en un
lote
c) El espacio parametral es 𝑇 = {1, 2, 3, … ,100} lote que se está revisando
d) Por lo que tenemos un proceso Discreto a tiempo Discreto.
Fuentes de información:
UnADM. (s.f.). Procesos estocásticos. Unidad 1. Introducción a los procesos estocásticos.

Recuperado el 1 de abril del 2018 de:
https://unadmexico.blackboard.com/bbcswebdav/institution/DCEIT/2016_S2_B1/MT/05/M
PES/U1/U1.%20Introduccion%20a%20los%20procesos%20estocasticos.pdf
Rodríguez, G. (2013). Procesos estocásticos. Ejemplos de procesos. Recuperado el 1 de

abril del 2018 de:
https://es.slideshare.net/lupiuxlupiux/procesos-estocsticos-ejemplos
Unidad 1 Actividad 4
Instrucciones: Elige las respuestas que corresponde a la pregunta planteada. Y justifica tu

respuesta el porqué de tu respuesta
1. Un proceso estocástico a tiempo discreto es estacionario si cumple que:
La varianza es finita y constante.

Es una respuesta correcta ya que al ser un proceso estacionario llega un momento en que
se estabiliza, conservándose sin cambios significativos que alteren la varianza.
La media es constante
Es una respuesta correcta ya que al ser un proceso estacionario llega un momento en que
se estabiliza, conservándose sin cambios significativos que alteren la media,
manteniéndose constante.
2. Supongamos que {Xn} es un proceso con incrementos independientes. Entonces

P  X n  j X 0  x0 , X 1  x1 ,..., X n 1  i 
 P  X n  X n 1  j  i X 0  x0 , X 1  X 0  x1  x0 ,... X n 1  X n 2  i  xn 2 
 P  X n  X n 1  j  i  por la independencia delos incrementos
 P  X n  j X n 1  i 
Diga cuál de las siguientes afirmaciones acerca del desarrollo anterior es correcta:
Se demuestra que todo proceso discreto con incrementos independientes, es de

Markov.
Es la respuesta correcta ya que la suposición se refiere a un proceso discreto con
incrementos independientes y la conclusión se refiere a un proceso de Markov a tiempo
discreto.
𝑃(𝑋𝑛 = 𝑗 | 𝑋0 = 𝑥0 , 𝑋1 = 𝑥1 , … , 𝑋𝑛−1 = 𝑖 ) = 𝑃(𝑋𝑛 = 𝑗 | 𝑋𝑛−1 = 𝑖 )
3. Si un proceso estocástico Xt para valores dados de X0, X1, …, Xt tiene:

𝑃(𝑋𝑡 = 𝑗⁄𝑋0 = 𝑥0 , 𝑋1 = 𝑥1 , … , 𝑋𝑡−1 = 𝑖) = 𝑃(𝑋𝑡 = 𝑗/𝑋𝑡−1 = 𝑖)
Indique qué tipos de procesos puede ser de acuerdo a lo visto en la unidad y
considerando lo anterior. Justifica tu análisis.
La igualdad de probabilidades se lee como la probabilidad de que la variable 𝑋𝑡 tome

el valor 𝑗 dado que se cumple que la colección de variables aleatorias toman los
valores 𝑋0 = 𝑥0 , 𝑋1 = 𝑥1 , … , 𝑋𝑡−1 = 𝑖 es igual a la probabilidad de que la variable 𝑋𝑡
tome el valor 𝑗 dado que se cumple que la que variable aleatoria 𝑋𝑡−1 toma el valor
𝑋𝑡−1 = 𝑖
Esta condición es la que caracteriza a un proceso de Markov lo cual se refiere a que el
proceso es desmemoriado, ya que la historia completa del proceso no es relevante, sino
solamente el estado actual para estimar que puede suceder después. Es decir la
probabilidad de transición a un estado de tiempo 𝑛 solo depende del estado en que se
haya el proceso al tiempo 𝑛 − 1
La notación usada nos indica que es un proceso a tiempo discreto.
Entonces tenemos un proceso de Markov a tiempo discreto.
Recordando que un proceso estocástico puede ser clasificado en varias categorías ya

que las categorías no son excluyentes unas de otras tenemos que la cadena Markov
también podría ser clasificada como un proceso que es y/o recurrente ya que siempre
vuelve a un estado determinado y/o absorbente ya que puede caer en un estado del cual
ya no salga y/o transitorio ya que puede pasar por algún estado al que ya no regrese y/o
periódico ya que puede tener un orden estricto de fases en que se desarrolle.
Concretamente el proceso de Poisson es un proceso de Markov, pero sus incrementos

se relacionan a una distribución exponencial y también el movimiento Browniano es un
proceso de Markov. (Rincón, 2012)
4. En la siguiente elabora la tabla:

Explica en tus propias palabras los procesos y elige de los siguientes ejemplos en la
tercera columna:
a) Xt: Número de personas que llegan a la fila del pan en el momento t.

b) Xn: Número de turistas en el mes n
c) Xt: Número de llamadas por minuto t.
d) Xn: Duración de un refrigerador n.
e) Xn: Marca de pasta de dientes que usa una persona en el mes n
Concepto Explicación en tus propias palabras Elige el ejemplo y justifica

en proceso tu respuesta.
Proceso con Es aquel en que lo que haya b) Xn: Número de turistas
incrementos sucedido en intervalos ajenos al que en el mes n
independientes se toma en cuenta, no altera la Considerando que los
probabilidad de los eventos enfermos del año serán la
relacionados con el proceso en ese suma de los meses previos
intervalo. a n más los del mes n. La
forma en que se dan los
incrementos no están
relacionados
Proceso Es aquel en el que lo que ocurre de d) Xn: Duración de un
independiente un estado a otro es independiente, refrigerador n.
un estado no afecta a otro estado. La duración de un
refrigerador no depende de
lo que pase con otro
refrigerador
Procesos de Markov Es aquel en el que la historia c) Xt: Número de llamadas
completa del proceso no aporta por minuto t.
cambios a la probabilidad de En el número de llamadas
suceder el siguiente estado, solo es por minuto solo interesa el
relevante el estado actual para así estado presente para
estimar que puede suceder al estimar el estado
siguiente estado. siguiente, se dice un
proceso desmemoriado
Procesos Es aquel en el cual al principio del e) Xn: Marca de pasta de
Estacionarios proceso hay fluctuaciones entre los dientes que usa una
posibles valores que toman las persona en el mes n
variables, pero llega un paso o Puede suceder un lapso
tiempo a partir del cual se estanca el de tiempo en el que uno
resultado de las variables, cambie entre distintas
manteniéndose sin cambio marcas de pasta de
significativo. dientes, pero llegara el
mes en donde nuestra
elección ya no se
modifique
Proceso de Poisson Es aquel en el cual el tiempo a a) Xt: Número de
considerar se observa como personas que llegan a la
continuo y lo que nos interesa fila del pan en el momento
conocer es la cantidad de t.
resultados que se pueden observar Es un proceso que se usa
en un intervalo de tiempo dado. cuando el tiempo es
continuo y se busca
contabilizar en números
enteros la cantidad de
personas; comúnmente se
usa en procesos donde se
involucran filas.
5. Llena la siguiente tabla:
Investiga cada proceso y en tus propias palabras explica a qué se refieren cada
proceso y establece un ejemplo para cada proceso donde definas la variable
aleatoria, S y T, así como la justificación de tu ejemplo.
Concepto Explica con tus propias Ejemplo (Define la variable

palabras aleatoria, S y T)
Proceso Transitorio Es aquel donde solo se puede *Sea 𝑋𝑛 que indica la edad
estar una vez en cierto estado de 10 personas en 𝑛 años.
y ya no se vuelve jamás a él. *El espacio de estados es
𝑆 = {𝑝1, 𝑝2, … , 𝑝10}
nombres de las 10
personas
*El espacio parametral es
𝑇 = {0,1,2, … , 𝑖} la edad en
años
*Notemos que cualquiera
de las 10 personas
tomadas en cuenta solo
pueden tener 0 o 1 o 2 o i
años una sola vez en la
vida
Proceso Recurrente Es aquel donde se sabe que se *Sea 𝑋𝑡 que indica el
ha de volver a repetir cierto próximo sismo de cualquier
estado, pero no hay una magnitud que se
secuencia preestablecida que presentara en la ciudad de
anuncie cuando se ha de Puebla en el tiempo t.
repetir dicho estado. *El espacio de estados es
𝑆 = (0, 𝑘]magnitud de un
sismo.
𝑇 = [0, +∞) el tiempo en
que sucede el siguiente
sismo.
*Notemos que estamos
seguros de que temblara en
algún momento en la
ciudad de Puebla, pero no
tenemos un patrón con
fases estrictas por las que
deba transitar el fenómeno
para asegurar cuando
sucederá.
Proceso Absorbente Es aquel en el cual una vez *Sea 𝑋𝑛 que indica el
que se llega a ese estado ya tiempo n en años en que
no cambia el estado; se una persona muere.
permanece en dicho estado *El espacio de estados es
indefinidamente. 𝑆 = {𝑣𝑖𝑣𝑜, 𝑚𝑢𝑒𝑟𝑡𝑜}
𝑇 = {0, 1,2, … , 𝑗} la edad a
la que muere.
*Notemos que estamos
seguros que una vez que
se llega al estado de la
muerte, ya no es posible
cambiar de este,
permanecemos por siempre
en dicho estado.
Proceso Periódico Es aquel donde se sabe que se *Sea 𝑋𝑛 que indica el color
ha de volver a repetir cierto de la luz de un semáforo en
estado, pero en este si hay el paso n.
fases preestablecidas y *El espacio de estados es
definidas que deben suceder 𝑆 = {𝑣𝑒𝑟𝑑𝑒, 𝑎𝑚𝑎𝑟𝑖𝑙𝑙𝑜, 𝑟𝑜𝑗𝑜}
en un orden exacto para volver los tres colores de las luces
a llegar a dicho estado. *El espacio parametral es
𝑇 = {0,1,2, … , } el paso
tomado en cuenta
*Notemos que
invariablemente vamos a
tener la secuencia verde,
amarillo y rojo para
regresar nuevamente al
verde; hay un patrón
definido que se sucede
para volver al mismo estado
por ejemplo del verde.


abril del 2018 de:
Rincón, L. (2012). Introducción a los procesos estocásticos. Recuperado el 28 de abril del

2018 de:
http://www.matematicas.unam.mx/lars/Publicaciones/procesos2012.pdf
Marin, L. (s.f.). Introducción a los procesos estocásticos. Recuperado el 28 de abril del

2018 de:
http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/PEst/tema2pe.pdf
Unidad 1 EA
Introducción
En la vida cotidiana nos encontramos inmersos en situaciones en las que muchos

factores se hacen presentes al mismo tiempo, por ejemplo al ir hacia el trabajo aunque
todos los días tomemos la misma ruta no siempre encontramos las mismas personas o
pasa el mismo autobús o quizás haya días donde se presenta un accidente que nos
impide llegar al centro laboral.
Un proceso estocástico es un modelo matemático que sirve para caracterizar una
sucesión de variables aleatorias que evolucionan en función de otra variable temporal.
El conjunto de variables sometidas a comportamientos azarosos constituye un proceso

estocástico.
Desarrollo
Instrucciones:
1. Una partícula se encuentra en un punto al que identificaremos con el origen
de la recta numérica. Con probabilidad p avanza una unidad hacia la derecha
y con probabilidad 𝑞 = 1 − 𝑝 lo hace hacia la izquierda. Sea 𝑋𝑛 el punto donde
se encuentra la partícula después de 𝑛 pasos.
Este proceso se conoce como caminata aleatoria o recorrido aleatorio. Se
puede pensar a 𝑋𝑛 como una suma de variables independientes e
idénticamente distribuidas 𝑌𝑖 que indican lo ocurrido en cada paso:
1 𝑠𝑖 𝑒𝑛 𝑒𝑙 𝑝𝑎𝑠𝑜 𝑖 ℎ𝑎𝑦 𝑢𝑛 𝑚𝑜𝑣𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑎 𝑙𝑎 𝑑𝑒𝑟𝑒𝑐ℎ𝑎
𝑌𝑖 = {
−1 𝑠𝑖 𝑒𝑛 𝑒𝑙 ℎ𝑎𝑦 𝑝𝑎𝑠𝑜 𝑖 𝑢𝑛 𝑚𝑜𝑣𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑎 𝑙𝑎 𝑖𝑧𝑞𝑢𝑖𝑒𝑟𝑑𝑎
Con distribución de probabilidad común dada por:

𝑃(𝑌𝑖 = 1) = 𝑝 𝑃(𝑌𝑖 = −1) = 1 − 𝑝 = 𝑞
Usando lo anterior, las variables de la caminata aleatoria son:

𝑋0 = 0 𝑋𝑛 = 𝑌1 + 𝑌2 + ⋯ + 𝑌𝑛 Para 𝑛 > 0
Recursivamente, la relación anterior se escribe como:

𝑋𝑛 = 𝑋𝑛+1 + 𝑌𝑛 Para 𝑛 > 0
O bien,
𝑋𝑛 − 𝑋𝑛−1 = 𝑌𝑛 Para 𝑛 > 0
a) Establece para Xn y para Yn, S y T.
Para 𝑋𝑛 tenemos que 𝑋𝑛 indica la posición de la partícula sobre algún entero

sobre la recta numérica después de 𝑛 pasos.
El espacio de estados es 𝑆 = {𝑗, … , −2, −1, 0, 1, 2, … , 𝑘} la posición de la partícula

sobre algún entero sobre la recta numérica.
El espacio parametral es 𝑇 = { 0, 1, 2, … , 𝑢}
Por lo que tenemos un proceso discreto a tiempo discreto
Para 𝑌𝑛 tenemos que 𝑌𝑛 indica el avance de la partícula usando como

referencia la posición actual, hacia la izquierda representado con −1 o hacia la
derecha representado con 1 después de 𝑛 pasos.
El espacio de estados es 𝑆 = {−1, 1} hacia donde se mueve la partícula usando

como referencia la posición actual.
El espacio parametral es 𝑇 = { 1, 2, 3, … , 𝑤}
Por lo que tenemos un proceso discreto a tiempo discreto
b) Demuestra que {𝑋𝑛 } es un proceso con incrementos independientes.
Por demostrar que para cada entero positivo 𝑛 se tiene que

𝑋0 , 𝑋1 − 𝑋0 , 𝑋2 − 𝑋1 , … , 𝑋𝑛 − 𝑋𝑛−1
son variables aleatorias independientes
Para nuestro ejemplo tenemos que el incremento tras el 𝑛 − é𝑠𝑖𝑚𝑜 paso está dado por
𝑋𝑛 − 𝑋𝑛−1 = 𝑌𝑛
Recordemos que 𝑌𝑛 toma el valor −1 o 1 dependiendo si se hace un movimiento a la

izquierda o a la derecha. Así que las variables aleatorias
𝑋1 , 𝑋2 − 𝑋1 , … , 𝑋𝑛 − 𝑋𝑛−1
se corresponden con las variables 𝑌1 , 𝑌2 , … , 𝑌𝑛 que son independientes de acuerdo a las

especificaciones de este problema.
Por lo tanto el proceso estocástico {𝑋𝑛 } es un proceso con incrementos

independientes.
Q.E.D.
c) Demuestre que {Yn} es un proceso independiente.

Las condiciones dadas para este problema ya establecían que 𝑌1 , 𝑌2 , … , 𝑌𝑛 son una
colección de variables independientes, por lo tanto el proceso {𝑌𝑛 } es independiente.
d) Demuestra que {𝑋𝑛 } es un proceso de Markov.

Como ya sabemos que todo proceso con incrementos independientes es un proceso de
Markov, entonces por el inciso b) ya tenemos que {𝑋𝑛 } es un proceso con incrementos
independientes por lo tanto {𝑋𝑛 } es un proceso de Markov.
Q.E.D.
Dando mayor solidez a nuestro argumento, tengamos presente que 𝑋𝑛 − 𝑋𝑛−1 = 𝑌𝑛 ,

entonces calculemos
𝑃(𝑋𝑛 = 𝑥𝑛 |𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … . 𝑋𝑛−1 = 𝑥𝑛−1 ) =
𝑃(𝑋𝑛 − 𝑋𝑛−1 = 𝑥𝑛 − 𝑥𝑛−1 |𝑋1 = 𝑥1 , 𝑋2 − 𝑋1 = 𝑥2 − 𝑥1 , … . 𝑋𝑛−1 − 𝑋𝑛−2 = 𝑥𝑛−1 − 𝑥𝑛−2 ) =
𝑃(𝑌𝑛 = 𝑥𝑛 − 𝑥𝑛−1 |𝑌1 = 𝑥1 , 𝑌2 = 𝑥2 − 𝑥1 , … . 𝑌𝑛−1 = 𝑥𝑛−1 − 𝑥𝑛−2 ) =
𝑃(𝑌𝑛 = 𝑥𝑛 − 𝑥𝑛−1 ) = 𝑃(𝑋𝑛 − 𝑋𝑛−1 = 𝑥𝑛 − 𝑥𝑛−1 ) = 𝑃(𝑋𝑛 = 𝑥𝑛 | 𝑋𝑛−1 = 𝑥𝑛−1 )
Por lo tanto
𝑃(𝑋𝑛 = 𝑥𝑛 |𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … . 𝑋𝑛−1 = 𝑥𝑛−1 ) = 𝑃(𝑋𝑛 = 𝑥𝑛 | 𝑋𝑛−1 = 𝑥𝑛−1 )
Lo que quiere decir que es un proceso de Markov.
Q.E.D.
e) Demuestra que {𝑋𝑛 } es un proceso con incrementos estacionarios.

Recordemos por el inciso b) que las variables aleatorias
𝑋1 , 𝑋2 − 𝑋1 , … , 𝑋𝑛 − 𝑋𝑛−1 , … , 𝑋𝑛+𝑚 − 𝑋𝑛+𝑚−1
se corresponden con las variables 𝑌1 , 𝑌2 , … , 𝑌𝑛 , … , 𝑌𝑛+𝑚 que son independientes e

idénticamente distribuidas de acuerdo a las especificaciones de este problema.
Entonces las variables 𝑋1 , 𝑋2 − 𝑋1 , … , 𝑋𝑛 − 𝑋𝑛−1 , … , 𝑋𝑛+𝑚 − 𝑋𝑛+𝑚−1 tienen la misma

distribución con lo cual se cumple que las variables
𝑋𝑛 − 𝑋𝑛−1 y 𝑋𝑛+𝑚 − 𝑋𝑛+𝑚−1
tienen la misma distribución, lo que significa que {𝑋𝑛 } es un proceso con incrementos
estacionarios.
Q.E.D.
f) Si el siguiente elemento del espacio muestral representa una
colección de valores tomados por las variables 𝑌´𝑠, dibuja la trayectoria
muestral correspondiente:
𝜔 = (−1, −1, 1, −1,1, −1,1, −1,1,1, −1, −1, −1, 1, −1, −1 … )
g) Demuestra la esperanza y la varianza de 𝑋𝑛 e interpreta su valor

cuando 𝑝 > 𝑞, cuando 𝑝 < 𝑞 y cuando 𝑝 = 𝑞 (explica utilizando gráficas)
Tomemos en cuenta que las variables 𝑌1 , 𝑌2 , … , 𝑌𝑛 son independientes e
idénticamente distribuidas de acuerdo a las especificaciones de este problema y
además 𝑃(𝑌𝑖 = 1) = 𝑝 y 𝑃(𝑌𝑖 = −1) = 𝑞 entonces
𝐸(𝑌𝑖 ) = (1)𝑝 + (−1)𝑞
𝐸(𝑌𝑖 ) = 𝑝 − 𝑞
Recordemos que
𝑛
𝑋𝑛 = 𝑌1 + 𝑌2 + ⋯ + 𝑌𝑛 = ∑ 𝑌𝑖
𝑖=1
Entonces para la esperanza 𝐸(𝑋𝑛 ) se tiene que
𝑛
𝐸(𝑋𝑛 ) = ∑ 𝐸(𝑌𝑖 ) = 𝑛𝐸(𝑌𝑖 ) = 𝑛(𝑝 − 𝑞)

𝑖=1
Por lo tanto
𝐸(𝑋𝑛 ) = 𝑛(𝑝 − 𝑞)
Q.E.D.
Para la varianza 𝑉𝑎𝑟(𝑋𝑛 ) primero obtenemos 𝐸(𝑌𝑖2 ) = (1)2 𝑝 + (−1)2 𝑞 = 𝑝 + 𝑞 = 1
𝐸(𝑌𝑖2 ) = 1
Retomando que 𝐸(𝑌𝑖 ) = 𝑝 − 𝑞 y considerando la igualdad

𝑉𝑎𝑟(𝑌𝑖 ) = 𝐸(𝑌𝑖2 ) − [𝐸(𝑌𝑖 )]2
𝑉𝑎𝑟(𝑌𝑖 ) = 1 − [𝑝 − 𝑞]2 = 1 − 𝑝2 + 2𝑝𝑞 − 𝑞 2 = 2𝑝𝑞 + 1 − 𝑝2 − 𝑞 2 =
2𝑝𝑞 + 𝑝 + 𝑞 − 𝑝2 − 𝑞 2 = 2𝑝𝑞 + 𝑝𝑞 + 𝑞𝑝
𝑉𝑎𝑟(𝑌𝑖 ) = 4𝑝𝑞
Entonces
𝑛
𝑉𝑎𝑟(𝑋𝑛 ) = ∑ 𝑉𝑎𝑟(𝑌𝑖 ) = 𝑛𝑉𝑎𝑟(𝑌𝑖 ) = 𝑛(4𝑝𝑞)

𝑖=1
𝑉𝑎𝑟(𝑋𝑛 ) = 4𝑛𝑝𝑞
Q.E.D.
Interpretando cuando 𝑝 > 𝑞
Esto se traduce en que la caminata va a tomar más pasos hacia la derecha, entonces
el estado promedio después de 𝑛 pasos será un número positivo, observando la
expresión de nuestra esperanza 𝐸(𝑋𝑛 ) = 𝑛(𝑝 − 𝑞) notamos que cuando 𝑝 > 𝑞 entonces
𝑝 − 𝑞 > 0 y como 𝑛 siempre es un entero positivo entonces 𝐸(𝑋𝑛 ) > 0.
Ahora asignemos 𝑝 = 7/10 y 𝑞 = 3/10 cumpliéndose 𝑝 > 𝑞.

2 21
Obtengamos 𝐸(𝑋𝑛 ) = 𝑛(𝑝 − 𝑞) = 𝑛 y 𝑉𝑎𝑟(𝑋𝑛 ) = 4𝑛𝑝𝑞 = 𝑛
5 25
Con esta gráfica podemos notar que el espacio comprendido entre las curvas de color
morado y café representan la gama de posibilidades que puede ir tomando la variable 𝑋𝑛
en la medida que se van sucediendo más pasos, cada vez que se aumenta un paso para
este caso 𝑝 > 𝑞 se tiene que los valores esperados serán enteros positivos con mayor
seguridad.
Observemos que las curvas de color morado y café se ensanchan conforme n crece,
esto nos dice que la varianza se está incrementando; es decir mientras más grande sea el
paso n más grande es la incertidumbre respecto a la posición de la partícula.
Interpretando cuando 𝑝 < 𝑞
Esto se traduce en que la caminata va a tomar más pasos hacia la izquierda, entonces
el estado promedio después de 𝑛 pasos será un número negativo, observando la
expresión de nuestra esperanza 𝐸(𝑋𝑛 ) = 𝑛(𝑝 − 𝑞) notamos que cuando 𝑝 < 𝑞 entonces
𝑝 − 𝑞 < 0 y como 𝑛 siempre es un entero negativo entonces 𝐸(𝑋𝑛 ) < 0
Ahora asignemos 𝑝 = 3/10 y 𝑞 = 7/10 cumpliéndose 𝑝 < 𝑞.

2 21
Obtengamos 𝐸(𝑋𝑛 ) = 𝑛(𝑝 − 𝑞) = − 5 𝑛 y 𝑉𝑎𝑟(𝑋𝑛 ) = 4𝑛𝑝𝑞 = 25 𝑛
este caso 𝑝 < 𝑞 se tiene que los valores esperados serán enteros negativos con mayor
seguridad.
Interpretando cuando 𝑝 = 𝑞
Esto se traduce en que la caminata se comportara de una forma simétrica,

entonces el estado promedio después de 𝑛 pasos será el estado inicial porque
𝐸(𝑋𝑛 ) = 𝑛(𝑝 − 𝑞) = 0
Ahora asignemos 𝑝 = 1/2 y 𝑞 = 1/2 cumpliéndose 𝑝 = 𝑞.

Obtengamos 𝐸(𝑋𝑛 ) = 𝑛(𝑝 − 𝑞) = 0 y 𝑉𝑎𝑟(𝑋𝑛 ) = 4𝑛𝑝𝑞 = 𝑛
Grafiquemos así:
La esperanza
𝐸(𝑋𝑛 ) = 0
La esperanza más la desviación estándar 𝐸(𝑋𝑛 ) + 𝐷(𝑋𝑛 ) = 𝐸(𝑋𝑛 ) + √𝑉𝑎𝑟(𝑋𝑛 )

𝐸(𝑋𝑛 ) + 𝐷(𝑋𝑛 ) = 0 + √𝑛
La esperanza menos la desviación estándar 𝐸(𝑋𝑛 ) − 𝐷(𝑋𝑛 ) = 𝐸(𝑋𝑛 ) − √𝑉𝑎𝑟(𝑋𝑛 )

𝐸(𝑋𝑛 ) − 𝐷(𝑋𝑛 ) = 0 − √𝑛
este caso 𝑝 = 𝑞 se tiene que los valores esperados serán igual a cero con absoluta
seguridad.
Conclusiones
Hemos observado como los procesos estocásticos son modelos que nos ayudan a
describir procesos donde está involucrado el azar y los cuales se rigen por las leyes de la
probabilidad y su teoría.
A primera vista pareciera que uno pudiera no estar involucrado en este tipo de
fenómenos estocásticos, pero como pocas cosas o quizás ninguna carezcan de cierto
grado de incertidumbre en nuestras vidas, la realidad es que si estamos cohabitando en
sistemas estocásticos.
Los procesos estocásticos son una herramienta matemática que nos ayuda a
pronosticar posibles estados de un sistema determinado, observar tendencias y tomar las
medidas pertinentes si es que los resultados son algo deseado o no.
Los procesos estocásticos trabajan en emisión de fuentes radioactivas, flujos de

corrientes, comportamientos de fluidos, las frecuencias de desastres naturales y sus
magnitudes.

abril del 2018 de:
Rincón, L. (2012). Introducción a los procesos estocásticos. Recuperado el 28 de abril del

2018 de:
http://www.matematicas.unam.mx/lars/Publicaciones/procesos2012.pdf
Marín, L. (s.f.). Introducción a los procesos estocásticos. Recuperado el 28 de abril del

2018 de:
http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/PEst/tema2pe.pdf

Estocastica Unidad 1

Uploaded by

Document Information

Original Description:

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

Estocastica Unidad 1

Uploaded by

Copyright:

Available Formats

Unidad 1 Actividad 2

1) Una partícula se mueve en línea recta un paso hacia la derecha con

a) 𝑋𝑛 indica la posición en que se encuentra la partícula sobre el eje 𝑥 en el

d) Por lo que tenemos un proceso discreto a tiempo discreto.

a) 𝑋𝑡 indica el nivel de deterioro del sistema productivo en cualquier instante de

3) Los sábados, llegan vehículo a un parque de diversiones a una tasa media de 20

a) 𝑋𝑡 indica el número de personas que arriban al parque en el instante de

a) 𝑋𝑡 indica la cantidad de clientes que se encuentran en la tienda en el

5) Considera dos jugadores. El jugador 1 tiene una fortuna inicial de a pesos y el

a) 𝑋𝑛 indica la fortuna del jugador 1 tras cierta cantidad de partidas 𝑛

Considerando que el rango de temperaturas en el ser humano se considera;

a) 𝑋𝑛 indica la temperatura del paciente en la hora 𝑛 del día

a) 𝑋𝑡 indica la cantidad de líquido del tinaco en cierto instante del tiempo 𝑡

8) Se está realizando un partido de futbol americano y se ha observado el marcador

a) 𝑋𝑡 indica el marcador en el instante de tiempo 𝑡 del segundo cuarto del

d) Por lo que tenemos un proceso Discreto a tiempo Continuo.

9) En una fábrica se tienen lotes de 30 unidades y se observa el número de unidades

a) 𝑋𝑛 número de unidades defectuosas en el lote n

UnADM. (s.f.). Procesos estocásticos. Unidad 1. Introducción a los procesos estocásticos.

Rodríguez, G. (2013). Procesos estocásticos. Ejemplos de procesos. Recuperado el 1 de

Instrucciones: Elige las respuestas que corresponde a la pregunta planteada. Y justifica tu

La varianza es finita y constante.

2. Supongamos que {Xn} es un proceso con incrementos independientes. Entonces

Se demuestra que todo proceso discreto con incrementos independientes, es de

3. Si un proceso estocástico Xt para valores dados de X0, X1, …, Xt tiene:

La igualdad de probabilidades se lee como la probabilidad de que la variable 𝑋𝑡 tome

La notación usada nos indica que es un proceso a tiempo discreto.

Entonces tenemos un proceso de Markov a tiempo discreto.

Recordando que un proceso estocástico puede ser clasificado en varias categorías ya

Concretamente el proceso de Poisson es un proceso de Markov, pero sus incrementos

4. En la siguiente elabora la tabla:

a) Xt: Número de personas que llegan a la fila del pan en el momento t.

Concepto Explicación en tus propias palabras Elige el ejemplo y justifica

5. Llena la siguiente tabla:

Concepto Explica con tus propias Ejemplo (Define la variable

UnADM. (s.f.). Procesos estocásticos. Unidad 1. Introducción a los procesos estocásticos.

Rodríguez, G. (2013). Procesos estocásticos. Ejemplos de procesos. Recuperado el 1 de

Rincón, L. (2012). Introducción a los procesos estocásticos. Recuperado el 28 de abril del

Marin, L. (s.f.). Introducción a los procesos estocásticos. Recuperado el 28 de abril del

En la vida cotidiana nos encontramos inmersos en situaciones en las que muchos

El conjunto de variables sometidas a comportamientos azarosos constituye un proceso

Con distribución de probabilidad común dada por:

Usando lo anterior, las variables de la caminata aleatoria son:

Recursivamente, la relación anterior se escribe como:

Para 𝑋𝑛 tenemos que 𝑋𝑛 indica la posición de la partícula sobre algún entero

El espacio de estados es 𝑆 = {𝑗, … , −2, −1, 0, 1, 2, … , 𝑘} la posición de la partícula

Por lo que tenemos un proceso discreto a tiempo discreto

Para 𝑌𝑛 tenemos que 𝑌𝑛 indica el avance de la partícula usando como

El espacio de estados es 𝑆 = {−1, 1} hacia donde se mueve la partícula usando

Por lo que tenemos un proceso discreto a tiempo discreto

b) Demuestra que {𝑋𝑛 } es un proceso con incrementos independientes.

Por demostrar que para cada entero positivo 𝑛 se tiene que

Recordemos que 𝑌𝑛 toma el valor −1 o 1 dependiendo si se hace un movimiento a la

se corresponden con las variables 𝑌1 , 𝑌2 , … , 𝑌𝑛 que son independientes de acuerdo a las

Por lo tanto el proceso estocástico {𝑋𝑛 } es un proceso con incrementos

c) Demuestre que {Yn} es un proceso independiente.

d) Demuestra que {𝑋𝑛 } es un proceso de Markov.

Dando mayor solidez a nuestro argumento, tengamos presente que 𝑋𝑛 − 𝑋𝑛−1 = 𝑌𝑛 ,

𝑃(𝑋𝑛 − 𝑋𝑛−1 = 𝑥𝑛 − 𝑥𝑛−1 |𝑋1 = 𝑥1 , 𝑋2 − 𝑋1 = 𝑥2 − 𝑥1 , … . 𝑋𝑛−1 − 𝑋𝑛−2 = 𝑥𝑛−1 − 𝑥𝑛−2 ) =

𝑃(𝑌𝑛 = 𝑥𝑛 − 𝑥𝑛−1 |𝑌1 = 𝑥1 , 𝑌2 = 𝑥2 − 𝑥1 , … . 𝑌𝑛−1 = 𝑥𝑛−1 − 𝑥𝑛−2 ) =

𝑃(𝑌𝑛 = 𝑥𝑛 − 𝑥𝑛−1 ) = 𝑃(𝑋𝑛 − 𝑋𝑛−1 = 𝑥𝑛 − 𝑥𝑛−1 ) = 𝑃(𝑋𝑛 = 𝑥𝑛 | 𝑋𝑛−1 = 𝑥𝑛−1 )

e) Demuestra que {𝑋𝑛 } es un proceso con incrementos estacionarios.