Modelos Estocásticos

CII-2753
Unidad 1: Repaso de Estadística y Probabilidades
Clase 2019-03-21
Profesor: Pablo Cleveland O.

pablo.cleveland@mail.udp.cl
1
 Outline
1. Repaso de Estadística y Probabilidades
2. El Proceso de Poisson
3. Cadenas de Markov en Tiempo Discreto
4. Cadenas de Markov en Tiempo Continuo
5. Teoría de Sistemas de Espera y Aplicaciones

2
Teorema de Bayes
Definiciones básicas
Teorema: Sea (Ω, 𝑓,ҧ ℙ) un e. p. y sean 𝐴, 𝐵 ∈ 𝑓 ҧ dos eventos tales que ℙ 𝐴 > 0 y ℙ 𝐵 > 0.

ℙ 𝐵|𝐴
ℙ 𝐴|𝐵 = ℙ 𝐴
ℙ 𝐵

OBS: Esta propiedad nos entrega una forma para “intercambiar condicionalidad”

Demostración:
ℙ 𝐴∩𝐵 ℙ 𝐴∩𝐵 ℙ 𝐴 ℙ 𝐵∩𝐴 ℙ 𝐴 ℙ 𝐴
ℙ 𝐴|𝐵 = ∙1= = = ℙ 𝐵|𝐴
ℙ 𝐵 ℙ 𝐵 ℙ 𝐴 ℙ 𝐴 ℙ 𝐵 ℙ 𝐵

3
Teorema de Probabilidades Totales
Definiciones básicas
Teorema: Sea (Ω, 𝑓,ҧ ℙ) un e. p. y consideremos una sucesión de eventos tal que 𝐴𝑛 𝑛∈ℕ forma
una partición del espacio muestral Ω
∀𝐵 ∈ 𝑓,ҧ ℙ 𝐵 = ෍ ℙ 𝐵|𝐴𝑛 ∙ ℙ 𝐴𝑛
𝑛∈ℕ

OBS: Una partición es una sucesión de eventos 𝐴𝑛 𝑛∈ℕ que satisface

• ‫𝜖𝑛ڂ‬ℕ 𝐴𝑛 = Ω
• Si 𝑖 ≠ 𝑗 entonces 𝐴𝑖 ⋂𝐴𝑗 = 𝜙

Reemplazando en teorema de Bayes:

ℙ 𝐵|𝐴1 ℙ 𝐴1 ℙ 𝐵|𝐴1 ℙ 𝐴1
ℙ 𝐴1 |𝐵 = =
ℙ 𝐵 σ𝑛∈ℕ ℙ 𝐵|𝐴𝑛 ℙ𝐴𝑛

4
Ejemplo
Probabilidades Totales y teorema de Bayes
Considere un equipo de fútbol que juega con táctica 4-4-2. Se sabe que la probabilidad que un defensa se
1 1 1
lesione durante un partido es , un medio campista , un delantero , y el arquero no se lesiona.
8 5 4
i. ¿Cuál es la probabilidad que un jugador cualquiera se lesione?
ii. ¿Cuál es la probabilidad que un jugador que se haya lesionado sea delantero?

Consideremos los siguientes eventos:

𝐿: “Un jugador se lesiones”
𝐴1 : “El jugador es arquero”
𝐴2 : “El jugador es defensa”
𝐴3 : “El jugador es medio campista”
𝐴4 : “El jugador es delantero”

1 4 4 2
ℙ 𝐴1 = ; ℙ 𝐴2 = ; ℙ 𝐴3 = ; ℙ 𝐴4 =
11 11 11 11
1 1 1
ℙ 𝐿|𝐴1 = 0 ; ℙ 𝐿|𝐴2 = ; ℙ 𝐿|𝐴3 = ; ℙ 𝐿|𝐴4 =
8 5 4
5
Ejemplo
Probabilidades Totales y teorema de Bayes

i. ¿ ℙ 𝐿 ? Por probabilidades totales

4
1 1 4 1 4 1 2 9
ℙ 𝐿 = ෍ ℙ 𝐿|𝐴𝑖 ∙ ℙ 𝐴𝑖 = 0 ∙ + ∙ + ∙ + ∙ = = 0.1636
11 8 11 5 11 4 11 55
𝑖=1

ii. ¿ ℙ 𝐴4 |𝐿 ? Por teorema de Bayes

ℙ 𝐿|𝐴4 ∙ ℙ 𝐴4 1ൗ 2ൗ 5
ℙ 𝐴4 |𝐿 = = 4 11 = = 0.2778
ℙ 𝐿 9ൗ 18
55

6
Variables Aleatorias
Variables Aleatorias
Definición: Sea (Ω, 𝑓,ҧ ℙ) un espacio de probabilidad, diremos que X: Ω → ℝ es una variable aleatoria si y sólo si:

∀ 𝑥ഥ ∈ ℝ, 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒 𝑤 ∈ Ω ∶ 𝑋(𝑤) ≤ 𝑥ഥ ∈ 𝑓 ҧ

Es decir, una variable aleatoria (en adelante v.a.) es una función que asigna un valor numérico a cada
resultado (outcome) en el espacio muestral.
Función de distribución de una v.a.

Definición: Sea (Ω, 𝑓,ҧ ℙ) un espacio de probabilidad y 𝑋 una variable aleatoria. Diremos que 𝐹𝑋 : ℝ → [0,1] es la
función de distribución de 𝑋 si y solo si:

𝐹𝑋 𝑥ҧ = ℙ 𝑋 ≤ 𝑥ҧ = ℙ({𝑤 ∈ Ω: 𝑋(𝑤) ≤ 𝑥})

ҧ

OBS: 𝐹𝑋 contiene toda la información de la v.a. 𝑋.

7
Propiedades funciones de distribución
Variables Aleatorias

1. 𝐹𝑋 𝑥ҧ es creciente, si 𝑥ҧ ≤ 𝑦ത ⇒ 𝐹𝑋 𝑥ҧ ≤ 𝐹𝑋 𝑦ത

2. lim 𝐹𝑋 𝑥ҧ = 0 ; lim 𝐹𝑋 𝑥ҧ = 1
ҧ
𝑥→−∞ ҧ
𝑥→∞

3. 𝐹𝑋 𝑥ҧ es una función continua por la derecha, lim 𝐹𝑋 𝑥ҧ + ℎ = 𝐹𝑋 𝑥ҧ ∀𝑥ҧ ∈ 𝐷𝑜𝑚{𝑋}

ℎ→0+

Ejemplo: Consideraremos una variable aleatoria 𝑋 con la siguiente distribución acumulada 𝐹𝑋 𝑥ҧ .

0, 𝑠𝑖 𝑥ҧ < 0
3
𝐹𝑋 𝑥ҧ = , 𝑠𝑖 0 ≤ 𝑥ҧ ≤ 4
4
1, 𝑠𝑖 𝑥ҧ ≥ 4
3
1.ℙ 𝑋 ≤ 2 = 𝐹𝑋 2 =
4
𝑐 3 1
2. ℙ 𝑋 > 3 = 1 − ℙ( 𝑋 > 3 = 1− ℙ 𝑋 <3 = 1 − 𝐹𝑋 3 = 1 − =
4 4

8
Propiedades funciones de distribución
Variables Aleatorias

3. ℙ −1 < 𝑋 ≤ 2 = ℙ 𝑋 ≤ 2 \X ≤ −1 = ℙ 𝑋 ≤ 2 − ℙ 𝑋 ≤ 2 ∩ 𝑋 ≤ −1 = 𝐹𝑋 2 − ℙ 𝑋 ≤ −1 =
3 3
𝐹𝑋 2 − 𝐹𝑋 −1 = − 0 =
4 4

Propiedad: Sea 𝐹𝑋 𝑥ҧ la función de distribución acumulada de 𝑋 , entonces:

ℙ 𝑋 = 𝑥ҧ = 𝐹𝑋 𝑥ҧ − lim− 𝐹𝑋 (𝑦)
ത
ത 𝑥ҧ
𝑦→

Ejemplo:

ℙ 𝑋 = −4 = 𝐹𝑋 −4 − lim− 𝐹𝑋 𝑦 = 0 − 0 = 0
𝑦→4

3 1
ℙ 𝑋 = 4 = 𝐹𝑋 4 − lim− 𝐹𝑋 𝑦 = 1 − =
𝑦→4 4 4
9
Variable Aleatoria Discreta y Continua
Variables Aleatorias

Definición: Sea 𝑋 una variable aleatoria. Se dice que esta es discreta si y solo si 𝑋 puede tomar valores en un
subconjunto numerable de ℝ, que llamaremos Ι.

Definición: Sea p 𝑥ҧ = ℙ 𝑋 = 𝑥ҧ , a p(𝑥)ҧ la denominaremos como función de masa.

෍ p 𝑥ҧ = 1
ҧ
𝑥∈Ι

Definición: Sea X una variable aleatoria. Se dice que X es una v.a. absolutamente continua si y solo si 𝐹𝑋 (𝑥)ҧ
es continua.

Nota: Lo anterior es equivalente a decir que existe una función 𝑓𝑋 𝑥ҧ : ℝ → ℝ+ , a la que llamaremos función de
densidad, que cumple:
𝑥ҧ
𝑑
𝐹𝑋 𝑥ҧ = න 𝑓𝑋 𝑢 𝑑𝑢 ; 𝑓𝑋 𝑥ҧ = (𝐹 (𝑥))
ҧ
−∞ 𝑑 𝑥ҧ 𝑋
OBS:
𝑥ҧ ∞
lim 𝐹𝑋 𝑥ҧ = න 𝑓𝑋 𝑢 𝑑𝑢 = න 𝑓𝑋 𝑢 𝑑𝑢 = 1
ҧ
𝑥→∞ −∞ −∞ 10
Ejemplo de Variables Aleatorias
Variables Aleatorias
• Bernoulli
Esta variable permite modelar experimentos con resultados dicotómicos, es decir, éxito o fracaso. Asumiremos que
la probabilidad de éxito es 𝑝 ∈ [0,1] y la probabilidad de fracaso es 1 − 𝑝. La función de masa (densidad) en este
caso es:
𝑝, 𝑠𝑖 𝑘 = 1 é𝑥𝑖𝑡𝑜
ℙ 𝑋=𝑘 =ቊ
1 − 𝑝, 𝑠𝑖 𝑘 = 0 (𝑓𝑟𝑎𝑐𝑎𝑠𝑜)
• Binomial
Esta variable permite modelar 𝑛 experimentos Bernoulli, dando respuestas a ¿Cuál es la probabilidad que
exactamente 𝑘 de ellos sea éxito?.
La función de masa en este caso es:
𝑛 𝑛 𝑛!
ℙ 𝑋 = 𝑘 = 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 , donde =
𝑘 𝑘 𝑘! 𝑛 − 𝑘 !
𝑛
Se cumple que: σ𝑘=0 ℙ 𝑋 = 𝑘 = 1

𝑛
Recordemos: (𝑎 + 𝑏)𝑛 = σ𝑛𝑘=0 𝑘
𝑎𝑘 𝑏𝑛−𝑘
𝑛 𝑛
𝑛 𝑘
෍ℙ 𝑋 = 𝑘 = ෍ 𝑝 (1 − 𝑝)𝑛−𝑘 = (𝑝 + (1 − 𝑝))𝑛 = 1
𝑘
𝑘=0 𝑘=0 11
Ejemplo de Variables Aleatoria
Variables Aleatorias
• Geométrica
Sea 𝑋 una variable aleatoria discreta. Se dice que 𝑋~𝐺𝑒𝑜(𝑝) si y solo si su función de masa esta dada por
ℙ 𝑋 = 𝑘 = (1 − 𝑝)𝑘−1 𝑝 ; 𝑘 = 1, … , 𝑛.

Interpretación
Una variable aleatoria geométrica puede interpretarse como el número de experimentos (Bernoulli) que se deben
realizar hasta obtener el primer éxito.

Esta función de masa: ¿Esta bien definida?

Nota: Series geométricas
1−𝑟 𝑛+1
-Si 𝑟 ∈ ℝ, ≠ 1, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 σ𝑛𝑘=0 𝑟 𝑘 =
1−𝑟
∞ 1
- Si n → ∞ y 𝑟 < 1, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 σ𝑘=0
1−𝑟

12
 Modelos Estocásticos
CII-2753
Unidad 1: Repaso de Estadística y Probabilidades
Clase 2019-03-21
Profesor: Pablo Cleveland O.

pablo.cleveland@mail.udp.cl
13
Referencias
• Ross, S., “Introduction to Probability Models”, Capítulo 1 y 2.
• Gazmuri, P., “Modelos Estocásticos para la Gestión de Sistemas”,
Capitulo 1.

Profesor Pablo Cleveland Producción - UDP 14