 ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS

 Sección: D17

 Profesor: José Ángel Partida Ibarra

 Alumnos:
Carrasco Berumen y Robles, Hugo Alejandro
 Castro Ortiz, Alejandro
 González Cambero, Luis Javier
 González Trejo, Braulio
 López Corona, Sergio Everardo
 Es un concepto matemático que sirve
para tratar con magnitudes aleatorias
que varían con el tiempo, o para
caracterizar una sucesión de variables
aleatorias (estocásticas) que
evolucionan en función de otra
variable.
 Cada una de las variables aleatorias
tiene su propia función de distribución
de probabilidad y pueden o no, estar
correlacionadas
Es un proceso que consiste en considerar una secuencia en la cual
ocurren un serie de eventos en un determinado tiempo.

𝑇1 𝑇2 𝑇3 𝑇𝑛

Suponga que las variables aleatorias 𝑇1, 𝑇2 , 𝑇3 … representan los

tiempos que transcurren entre una ocurrencia del evento y la
siguiente ocurrencia.

Tal evento puede ser, por ejemplo, la llegada de una reclamación

a una compañía aseguradora o la recepción de una llamada a un
conmutador.
Se definen las siguientes variables:
• Τ: la longitud de un intervalo del continuo que va a estudiarse.
• Κ: la cantidad de eventos que hay en ese intervalo.
• λ: la cantidad esperada de eventos por unidad de tiempo
(intensidad).

Ejemplo
Si una máquina falla habitualmente en promedio 2 veces
por hora, y la controlamos durante determinadas 3 horas
y falla 7 veces, tenemos:
• Τ: 3 horas
• Κ: 7 eventos
• λ: 2 eventos / hora
En este proceso se considera que el parámetro lambda del proceso
de Poisson no es necesariamente una constante sino una función
del tiempo.

Proceso a tiempo continuo 𝑋𝑡 ∶ 𝑡 ≥ 0 con espacio de estados

{0,1,2,…}, con parámetro la función positiva y localmente
integrable λ(t), para t ≥ que cumple con los siguientes axiomas:

• X=0.
• Tiene incrementos independientes.
• para t ≥ y cuando h 0, P 𝑋𝑡 + 𝑛 − 𝑋𝑡 ≥ 1 = λ 𝑡 ℎ +
𝑜 𝑛 𝑦 P 𝑋𝑡 + 𝑛 − 𝑋𝑡 ≥ 2 = 𝑜 𝑛 .
En este proceso se considera que el parámetro λ no es constante si
no una variable aleatoria

El proceso empieza en 0 dado Λ=λ los incrementos son

independientes y para s menor de t el incremento Xt – Xs tiene
distribución poisson de parámetro lambda veces t – s.

Axiomas:
• X=0.
• Dado (Λ=λ), los incrementos son independientes.
• Dado (Λ=λ), para 0 ≤ 𝑠 < 𝑡, para Xt – Xs ~ Poisson(λ(t-s)).
Esta es una de las generalizaciones del proceso Poisson más
conocidas y de amplia aplicación, consiste en que ahora los saltos
ahora no son necesariamente unitarios.

Sea 𝑁𝑡 ∶ 𝑡 ≥ 0 un proceso de Poisson y sea 𝑌1, 𝑌2… una sucesión de

variables aleatorias independientes, idénticamente distribuidas
independientes del proceso Poisson. Sea 𝑌0 = 0

𝑁𝑡

𝑋1 = ෍ 𝑌𝑛
𝑛−0
Ejemplo
Ejemplo.
 Brunswick,1777 – Gotinga,1855
 Científico alemán.
 Contribuyó significativamente en
muchos campos de la ciencia.
 Considerado «el príncipe de los
matemáticos» y «el matemático
más grande desde la antigüedad».
 Los procesos gaussianos se definen
como una distribución de probabilidad
sobre funciones aleatorias.

 Son sobre colecciones infinitas de

variables(funciones), tal que cualquier
subconjunto de variables aleatoria
finita tiene una distribución gaussiana
multivariable.
 Los procesos gaussianos son una
extensión hacia colecciones
infinitas de variables.
 Esta extensión nos permite pensar
en los procesos gaussianos como
distribuciones, no solo sobre
vectores aleatorios sino sobre
distribuciones de funciones
aleatorias.
 Predicción de series de tiempo (40’s).
 Geoestadística y meteorología (70’s).
 Estadística espacial (1993).
 Regresión (1978).
 experimentos en computadoras (80’s).
 Problemas de regresión (1996).
 La distribución gaussiana es una de las distribuciones
de probabilidad de variable continua, que sirve para la
creación de modelos basados en fenómenos
naturales, sociales e incluso psicológicos.

 Por ejemplo:
 Morfológicos(estatura)
 Sociológicos (consumo de productos)
 Psicológicos (medición de IQ)
 Fisiológicos(efectos de fármacos)

 A esta grafica se lo conoce como “la campana de

gauss” esto por su forma y su creador.
 La función de densidad de una variable
cuya distribución es normal o de gauss
se define por :
1 𝑥−𝛍. 2
1 −2 𝛔
𝑓 𝑥 = 𝑒
σ 2π
 X: siendo la variable con distribución
normal
 μ: media o valor esperado de X
 σ: desviación estándar o típica de X
 Valores de sus parámetros
 μ =0
 Indica la posición de la campana, y en
base a su valor, la grafica se desplaza
sobre el eje horizontal
 σ= 1
 Determina el grado de apuntamiento
de la curva.
 El valor se representa por la letra Z que expresa a que
distancia esta la media en las unidades de desviación
típica.
 Cuando la variable X sigue una distribución N (μ, σ)
 Se puede obtener el valor de Z, que nos ayudara a saber
el área determinada bajo la curva y conocer la
probabilidad deseada. A través de la siguiente formula y
con ayuda de las tablas de distribución normal.

𝑥−μ
𝑧=
σ
 Una vez obtenido el valor de z
 1. Busca el primer entero y su primer decimal en la
columna izquierda.
 2. Identificar la segunda decimal en la parte superior.
 3. Obtener el área acumulada dentro de la tabla.
 La jornada laboral promedio de un
trabajador de la fabrica de chocolates,
es de 40 horas a la semana. Una de las
políticas de la empresa, consiste en
que si un empleado cumple con 45
horas o mas, se le otorga un bono
¿Cuántos empleados recibirán un bono
si se escogen a 100 trabajadores al
azar, con una desviación estándar de
5.5 horas?
 𝑥−μ
 Obtener el valor de 𝑧=
σ
45−40
𝑧=
5.5
 Z=0.91
 Buscamos en la tabla el valor de Z de 0.91
 Z(0.91)=.8186
 P(X>45)
 P(1-P(0.91))=
 1-.8186=.1814
 El porcentaje es 18.14% de la muestra de 100
empleados
 Respuesta: solo 18 e cada 100 trabajadores recibirá el
bono
 Morales, E. (s.f.). INAOE. Recuperado el 18 de Mayo de
2016, de Coordinación de Ciencias Computacionales
del Instituto Nacional de Astrofísica, Óptica y
Electrónica:
https://ccc.inaoep.mx/~emorales/Cursos/Aprendizaje
2/Acetatos/gaussianprocesses.pdf
 Rincón, L. (2011). Introducción a los PROCESOS
ESTOCÁSTICOS. Ciudad de México: Las Prensas de
Ciencias.
 Rincón, L. (2011). Introducción a los PROCESOS
ESTOCÁSTICOS. Ciudad de México: Las Prensas de
Ciencias.