Unidad 1.

Introduccin a los Procesos Estocsticos

Asignacin a Cargo del Docente en Lnea

Proceso Binomial

Objetivo: Clasificar procesos estocsticos para determinar en qu situaciones puede ser

usado mediante la identificacin de sus principales caractersticas en particular del
proceso binomial.

Estimados alumnos, para la actividad a cargo del facilitador respondan los siguientes
enunciados. Por favor si tienen dudas con gusto los atiendo, manden un mensaje y
comentarios con sus dudas.

Introduccin.

Un proceso de Bernoulli es la repeticin de un ensayo de Bernoulli. Por ejemplo de una

moneda estaremos estudiando cuntas veces sale guila o cuntas veces sale sol, o la
probabilidad de que salga guila, al menos una vez, de un nmero n de intentos.

1. La probabilidad de xito permanece constante ensayo tras ensayo.

2. Los ensayos deben de ser independientes entre s.

Si nos preguntamos sobre la probabilidad de obtener r xitos en n ensayos, la probabilidad

de que suceda en un ensayo es p, corresponde la llamada distribucin binomial:

( ) (1 )

Distribucin de Bernoulli

0 si el suceso no ocurre A q = 1 p = Pr (X = 0)
{
1 si el suceso no ocurre A p = P r(X = 1)

La funcin de probabilidad es

() = (1 )1 = 0.1

= [] = 0 (1 ) + 1 =

= Var[X] = (0 p)2 (1 p) + (1 p)2 p = p(1 p)

Si se repite un nmero fijo de veces n, un experimento de Bernoulli con parmetro p, el

nmero de xitos sigue una distribucin Binomial de parmetros (n,p)

X = Nmero de veces que ocurre un suceso en las n pruebas

~(, )
X toma valores 0,1,2,...n

Donde la funcin de probabilidad es

n
P(X = r) = ( )pr (1 p)nr
r

[] =

[] = (1 )

Suponga un proceso Bernoulli, como el que se tenga fallos en un cierto lote de bienes.

1. Defina la variable aleatoria, Xn, S y T.

Suponga que se obtuvieron los siguientes resultados:

n Xn
1 Correcto
2 Fallo
3 Correcto
4 Fallo
5 Correcto
6 Correcto
7 Fallo
8 Correcto
9 Fallo
10 Correcto
11 Correcto
12 Fallo
13 Correcto
14 Correcto
15 Fallo
16 Correcto
17 Correcto
18 Fallo
19 Fallo
20 Correcto
Dado que se puede obtener en dicho lote correcto o fallo, se puede plantear como:
correcto (1) o fallo (0), en n intentos.

: Resultado de obtener fallo o correcto, en n bienes.

: = {correcto, fallo} = {(1) ,(0)} ; el resultado de fallos en el lote es de tipo discreto.
:{0, 1, 2, 3,,} Intentos: a tiempo discreto.
 Por lo anterior se puede considerar un proceso estocstico discreto a tiempo
discreto.

2. Obtenga la esperanza estimada y varianza estimada (haciendo uso de estadstica,

no es la terica)

Tomando en cuenta el proceso Bernoulli podemos formar otro proceso estocstico

considerando el conjunto de n procesos Bernoulli donde la variable aleatoria:

Sn=X1+X2+Xn

n=1,2,3

A este proceso se la llama Proceso Binomial

E[x] = P(X = xi)

Como las probabilidades son iguales, tanto la probabilidad de correcto y fallo

tienen el mismo valor:
1 1
p= q=1p=
2 2
1
En este caso se puede escribir p = q = 2
1 + 2 + +
[] =

Al tener la frmula de la media aritmtica de los valores de 1 + 2 + + , la
esperanza para este caso, es la media.
Considerando:

n Xn Xn
1 Correcto 1
2 Fallo 0
3 Correcto 1
4 Fallo 0
5 Correcto 1
6 Correcto 1
7 Fallo 0
8 Correcto 1
9 Fallo 0
10 Correcto 1
11 Correcto 1
12 Fallo 0
 13 Correcto 1
14 Correcto 1
15 Fallo 0
16 Correcto 1
17 Correcto 1
18 Fallo 0
19 Fallo 0
20 Correcto 1
Total 12

Entonces la esperanza estadstica es:

12 3
[] = =
20 5
Para la media se obtiene:

3
=
5
Clculo de la varianza estimada:
Var[X] = E[(X )2 ]
Para el caso de variables aleatorias discretas, con una funcin de probabilidad ()
es:
2 = Var[X] = E[(X )2 ] = ( )2 f( )
Siendo que las probabilidades son iguales:
(1 )2 + (2 )2 + + ( )2
2 = Var[X] =

Tal que se define como la varianza de un conjunto de n nmeros
1 + 2 + +
3
Por lo tanto: = 5

3 2 3 2 3 2
(1 ) + (0 ) + + (1 )
Var[X] = 5 5 5 = 0.252631579
20

Var[X] = 0.252631579

3. Qu presenta Sn en el planteamiento?
Es la cantidad de fallos, que se han presentado en el bien o en el bien.
Tal que es la suma de los fallos, que se presentan en el proceso. Siendo una
sucesin de variables aleatorias independientes:{ donde 1}
 4. Define Sn, S y T.
Sn = X1 + X 2 + + X n
T = {0,1,2,3. . . n}
S = {0,1}
5. Determina si Sn es un proceso independiente
No es un proceso independiente, porque el valor de depende del valor de 1

6. Determina si Sn tiene incrementos independientes

El proceso { 1} es de incrementos independientes: Por definicin de las variables tal

que 1 , 2 , , determinan completamente a 1, 2, 3,,

Ahora como 1 = 1 y = 1 para 2.

Al tener 1 , 2 , , tenemos conocido a 1, 2,3,

P{Sm + n Sm = k | S1, S2, S3, Sm} = P{Sm + n Sm = k | 1 , 2 , , }

Tal que

= {+1 + +2 + + + = | 1,2,3,}

= P{Xm + 1 + Xm + 2 + + Xm + n = k} = P{Sm + n Sm = k} = ( )p qnk

el proceso { 1} es de incrementos independientes.

7. Determina si Sn es un proceso markoviano

Tal que es conocido el estado presente del sistema, los estados anteriores no tienen
influencia en los estados futuros del sistema.

Expresndose de la siguiente manera:

Para cualesquiera estados 1 , 2 , , 1 (pasado), (presente), +1 (futuro), se cumple

la igualdad:

{+1= +1 | 1 = 1 , 2 = 2 ,, = } = {+1= +1 | = }

De tal manera que la probabilidad del evento futuro est representado como +1 = +1
que slo depende del evento = siendo que el evento pasado 1 = 1 , 2 = 2 ,, =
es irrelevante.
 8. Usando los valores del ejercicio 1 y obtn los resultados de Sn, para S1, S2, S15

1 = 1 = 1

2 = 1 + 2 =1 + 0 = 1

3 = 1 + 2 + 3 = 1 + 0 +1= 2

4 = 1 + + 4 = 1 + 0 +1+ 0 = 2

5 = 1 + + 5 = 1 + 0 +1+ 0 + 1 = 3

6 = 1 + + 6 = 1 + 0 +1+ 0 + 1 +1= 4

7 = 1 + + 7 = 1 + 0 +1+ 0 + 1 +1+ 0 = 4

8 = 1 + + 8 = 1 + 0 +1+ 0 + 1 +1+ 0 + 1 =5

9 = 1 + + 9 = 1 + 0 +1+ 0 + 1 +1+ 0 + 1 +0= 5

10 = 1 + + 10 =1 + 0 +1+ 0 + 1 +1+ 0 + 1 +0+1 = 6

11 = 1 + + 11 = 1 + 0 +1+ 0 + 1 +1+ 0 + 1 +0+1 +1= 7

12 = 1 + + 12 = 1 + 0 +1+ 0 + 1 +1+ 0 + 1 +0+1 +1+0 = 7

13 = 1 + + 13 = 1 + 0 +1+ 0 + 1 +1+ 0 + 1 +0+1 +1+0 +1= 8

14 = 1 + + 14 = 1 + 0 +1+ 0 + 1 +1+ 0 + 1 +0+1 +1+0 +1+1= 9

15 = 1 ++ 15 = 1 + 0 +1+ 0 + 1 +1+ 0 + 1 +0+1 +1+0 +1+1+0= 9

16 = 1 ++ 16 =10

17 = 1 ++ 17 =11

18 = 1 ++ 18 =11

19 = 1 ++ 19 =11

20= 1 ++ 20 =12

9. Determina las frmulas de la esperanza y varianza de Sn tericas.

Sea que x = nmero de aciertos con una probabilidad P despus de n intentos

Tal que ( = ) = ( ) (1 )



() = ( ) (1 )

=0

Pero como si k fuese igual a cero al multiplicar por cualquier valor nos dara cero, tal que
entonces para efectos consideramos que = 1

Entonces


() = ( ) (1 )

=1

Ahora desarrollamos ( )y obtenemos lo siguiente


( 1)!
() = (1 )
( )! ( 1)!
=1

Al eliminar K queda

( 1)!
() = (1 )
( )! ( 1)!
=1

Ahora como = p1

( 1)!
() = p1 (1 )
( )! ( 1)!
=1

Extrayendo de la suma tanto a n como a p tal que

( 1)!
() = 1 (1 )
( )! ( 1)!
=1

Ahora se considera que:

1=

1=

Despejando:

=+1

=+1

como nos queda sin definir entonces igualamos las ecuaciones para obtenerla de tal
manera que:
 = ( + 1) ( + 1)

=+11

Vamos a decir que = = 1

Ahora si 1 = 1 1 = = 0

Entonces sustituimos en la ecuacin y tenemos que

()!
() = (1 )
()! ( )!
=1

Al obtener la suma de la probabilidad de c/u de los sucesos de una distribucin binomial

y como por definicin sabemos que sumando todas las probabilidades de un suceso es
igual a 1, se concluye:

() = (1)

() =

Demostracin de la frmula de la varianza

Por la Ley de Bernoulli tenemos que:

E[X 2 ] = 0 (1 P) + 1 P = P

Var[X] = p p2 = (1 p)

Para la Ley Binomial tenemos la suma de Bernoullis independientes

() = = (1 )

[ ] =

( ) = = (1 )
1
Para = = 2

n
= E[ ] =
2
1 1
( ) = = (2) (2) = 4

Var( ) =
4

Dado que 2 = Var( )

Entonces:

= =
4 2

Por lo tanto las formulas son:

E[ ] =
2

Var(Sn) =
4

=
2

10. Obtn la esperanza y varianza usando los resultados para Sn, es decir para S1, S2,
S20 haciendo uso de las frmulas establecidas en el ejercicio 9.

1 1 1
Para: = 1, 1 : E[1 ] = 2 = 0.5 Var(1 ) = 4 = 0.25 = 2 = 0.5

2 2 2
Para: = 2, 2 : E[2 ] = 2 = 1 Var(2 ) = 4 = 0.5 = 2 = 0.707

3 3 3
Para: = 3, 3 : E[3 ] = 2 = 1.5 Var(3 ) = 4 = 0.75 = 2 = 0.866

4 4 4
Para: = 4, 4 : E[4 ] = = 2 Var(4 ) = = 1 = = 1
2 4 2

5 5 5
Para: = 5, 5 : E[5 ] = 2 = 2.5 Var(5 ) = 4 = 1.25 = 2 = 1.118

6 6 6
Para: = 6, 6 : E[6 ] = 2 = 3 Var(6 ) = 4 = 1.5 = 2 = 1.224

7 7 7
Para: = 7, 7 : E[7 ] = 2 = 3.5 Var(7 ) = 4 = 1.75 = 2 = 1.322

8 8 8
Para: = 8, 8 : E[8 ] = = 4 Var(8 ) = = 2 = = 1.414
2 4 2

9 9 9
Para: = 9, 9 : E[9 ] = = 4.5 Var(9 ) = = 2.25 = = 1.5
2 4 2
 10 10 10
Para: = 10, 10 : E[10 ] = 2
=5 Var(10 ) = 4
= 2.5 = 2 = 1.5811

11 11 11
Para: = 11, 11 : E[11 ] = 2
= 5.5 Var(11 ) = 4
= 2.75 = 2 = 1.6583

12 12 12
Para: = 12, 12 : E[12 ] = 2
=6 Var(12 ) = 4
= 3 = 2 = 1.7320

13 13 13
Para: = 13, 13 : E[13 ] = = 6.5 Var(13 ) = = 3.25 = = 1.8027
2 4 2

14 14 14
Para: = 14, 14 : E[14 ] = =7 Var(14 ) = = 3.5 = = 1.8708
2 4 2

15 15 15
Para: = 15, 15 : E[15 ] = = 7.5 Var(15 ) = = 3.75 = = 1.9364
2 4 2

16 16 16
Para: = 16, 16 : E[16 ] = 2
=8 Var(16 ) = 4
= 4 = 2 = 2

17 17 17
Para: = 17, 17 : E[17 ] = = 8.5 Var(17 ) = = 4.25 = = 2.061
2 4 2

18 18 18
Para: = 18, 18 : E[18 ] = =9 Var(18 ) = = 4.5 = = 2.1213
2 4 2

19 19 19
Para: = 19, 19 : E[19 ] = = 9.5 Var(19 ) = = 4.75 = = 2.179
2 4 2

20 20 20
Para: = 20, 20: E[20 ] = 2
= 10 Var(20 ) = 4
= 5 = 2 = 2.236

11. Determina si la esperanza y varianza son crecientes, constantes o decrecientes.

Elabora una grfica que muestre los resultados de la varianza y esperanza.
(Graficar los resultados del ejercicio 10)
 12

10 10
9.5
9
8.5
8 8
7.5
7
6.5
6 6
5.5
5 4.75 5
4.5 4.25 4.5
4 4 3.75 4
3.5 3.25 3.5
3 2.75 3
2.5 2.25 2.5 2.2
2
1.5
2
1.5 1.75 21.4 1.5 1.6 1.7 1.7 1.8 1.9 1.9 2.0 2.1 2.1 2.2
1.3
10.7 0.9 1.25
1.1 1.2
0.5 0.75 11.0
0 0.25 0.5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

E[X] Var(x) Sigma

12. Determina si es un proceso estacionario.

El proceso no es estacionario debido a que la varianza y la esperanza crecen
conforme junto con el tamao de la muestra en diferentes tiempos.
13. Establece dnde puede usarse este proceso (Explica una posible aplicacin)

Es muy usado en la industria manufacturera, donde se haga mejora continua.

En la fabricacin de televisores que se venden en tiendas departamentales exclusivas, si se

producen un millar de televisores por semana, siendo que el 2% de ellas son defectuosas,
al extraer una muestra aleatoriamente de 100 agujas, se calcula la media y la desviacin
estndar de la distribucin binomial tal que:

= = 100 0.02

= = (100) (0.02) (0.98)

= 1.96

= 1.4

Rbrica de evaluacin:

https://drive.google.com/file/d/0ByYJU1IJwKgkXzlNemRaTmJRVDg/view?usp=sharin
g

Recursos:

http://lya.fciencias.unam.mx/lars/Publicaciones/procesos2012.pdf