Reporte de Practica

Procesos Estocsticos
Unidad I: Variables & Modelos
Vctor Manuel Mora Romo
Vctor Ricardo Izquierdo Domnguez UP120254
UNIVERSIDAD POLITCNICA DE AGUASCALIENTES 17/06/2014

ndice
Resumenpg. 3
Marco Terico..pg. 4
Objetivos......pg. 6
Material..pg. 6
Desarrollopg. 6
Algoritmos en Matlab..pg. 9
Resultadospg. 10
Discusin...pg. 13
Conclusinpg. 13
Bibliografa.pg. 13
Resumen
Este documento tiene como finalidad el mostrar los resultados obtenidos al realizar y analizar
los distintos mtodos o distribuciones de probabilidad que se vieron en el curso de Procesos
Estocsticos.
El practicar y conocer los distintos tipos de distribuciones es muy importante, porque en el
tema de las probabilidades no se trata de escoger el mejor mtodo, sino el mtodo que se
adecue a las necesidades planteadas en la problemtica y que se complemente con los datos
conocidos en el momento.
Algunas de las distribuciones que se investigaron fueron; distribucin binominal, distribucin
de Poisson, distribucin normal, distribucin uniforme, distribucin de Rayleigh y distribucin
de Cauchy.
Ya al haber investigado sobre estos tipos de distribuciones y tener bien en claro
conceptualmente su uso se procedi a aplicar unos cuantos ejercicios para ejemplificar su
funcionamiento o fundamentar lo estudiado. Se utiliz tambin el software Matlab, para
generar dichos algoritmos que permitieran comparar los resultados obtenidos en los clculos
con los resultados que el software nos brinda.
Se decidi por darle ms nfasis a las distribuciones binomial, normal y de Poisson ya que
son las ms comunes y fciles de comprender. Se observ que las distribuciones, tanto la
binominal como la de Poisson se basan en el experimento de Bernoulli nombrada as por el
matemtico y cientfico suizo Jakob Bernoulli, es una distribucin de probabilidad discreta,
que toma valor 1 para la probabilidad de xito ( ) y valor 0 para la probabilidad de
fracaso (q = 1-p).

Jakob Bernoulli



Marco Terico
Procesos Estocsticos
Un proceso estocstico es una coleccin o familia de variables {Xt, con t T}, ordenadas
segn el subndice t que en general se suele identificar con el tiempo. A los posibles valores
que puede tomar la variable y el tiempo se le denominan estados.
Estado Discreto
Una secuencia de variables que indique el valor del proceso en instantes sucesivos.
{X0 = x0, X1 = x1,..., Xn 1 = xn 1, Xn = xn}
Estado Contino
Una realizacin parcial de un proceso estocstico de una sucesin de valores de una
variable obtenidos de manera secuencial durante el tiempo.
{Xt}, con t
Variables
Variable es una palabra que representa a aquello que vara o que est sujeto a algn tipo
de cambio. Se trata de algo que se caracteriza por ser inestable, inconstante y mudable. En
otras palabras, una variable es un smbolo que permite identificar a un elemento no
especificado dentro de un determinado grupo.
Discretas
Diremos que una variable es discreta cuando toma un nmero de valores finitos, o
infinito numerable. La distribucin suele definirse mediante la funcin de probabilidad
o la de distribucin.
Continuas
Diremos que una variable es continua cuando puede tomar cualquier valor en un
intervalo: peso, tiempo de duracin de un evento, etc.

Aleatorias
Diremos que una variable es aleatoria cuando toda funcin asocie a cada elemento
del espacio muestral E un nmero real.


Determinstica
Diremos que una variable es determinstica cuando sus valores posibles son
predecibles.


Distribucin de probabilidad
Es una funcin que asigna a cada suceso definido sobre la variable aleatoria la probabilidad
de que dicho suceso ocurra. La distribucin de probabilidad est definida sobre el conjunto
de todos los sucesos, cada uno de los sucesos es el rango de valores de la variable aleatoria

Binomial
Es una distribucin de probabilidad discreta que cuenta el nmero de xitos en una
secuencia de n ensayos de Bernoulli independientes entre s, con una probabilidad fija
p de ocurrencia del xito entre los ensayos.
( = ) =
!
! ( )!

Poisson
Es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia
de ocurrencia media, la probabilidad de que ocurra un determinado nmero de
eventos durante cierto perodo de tiempo.
(; ) =

()

!

Normal
Permite describir fundamentos estadsticos donde los valores ms cercanos se agrupan
en torno a un central y los valores ms externos son escasos.
=

Bernoulli
Es un modelo discreto en el que se toma en cuenta la probabilidad de xito y la de
fracaso.
Condicional
Cuando la probabilidad de un suceso dependa de otro.
Uniforme
Discreta: Asume un numero finito de valores con la misma probabilidad.
Continua: Todos los intervalos de igual longitud en la distribucin en su rango son
igualmente probables.
Cauchy
Se tiene la distribucin de una variable aleatoria que es la relacin entre dos
variables aleatorias normales estndar independientes. Esto tiene la funcin de
densidad de probabilidad.
Rayleigh
Es una funcin de distribucin continua. Se suele presentar cuando un vector
bidimensional (por ejemplo, el que representa la velocidad del viento) tiene sus dos
componentes, ortogonales, independientes y siguen una distribucin normal.







Objetivos
Generales
1.-Observar el comportamiento de las distribuciones probabilsticas.
2.-Ejemplificar las distribuciones probabilsticas.
Particulares
1.-Observar las caractersticas de cada experimento para poder definir de manera
ms rpida el tipo de distribucin a tratar.
2.-Utilizar Matlab como una herramienta para la facilitacin de procesamiento de
algoritmos de este tipo.
Material
Calculadora
Notas de clase
Marco terico investigado
Libros de probabilidad
Matlab
Desarrollo (Ejercicios)
1.- La variable aleatoria X:
Toma valor 0 cuando (sss)
Toma valor 1 cuando (ssc) (scs) (css)
Toma valor 2 cuando (ccs) (csc) (scc)
Toma valor 3 cuando (ccc)
a) Cul ser la P[x2]?
b) Cul ser la P[1x2]
2.-Dada la siguiente tabla de probabilidades determine:
X1 0 1 2
P(x=xi) 1/4 1/2
a) P(x(-, 1)) =
b) P(x(0.5, 2)) =
c) P(x(0.5, 2]) =



3.-Texas Instruments ha elaborado 7000 chips. 2000 de estos tiene algn defecto. Honda
compra 3000 de estos en alarmas de carros



Calcular:
a) P[1 2]
b) P[x(-,1)]
c) P[x(0.5,2]]
d)
e) Vx
f) S
4.-En base a la funcin declarada por:
X=xi 1 2 3 4 5 6 7 8
P(xi) 2/28 3/28 4/28 5/28 4/20 3/20 2/20 1/20

Calcular:
a)
b) Vx
c)
5.-De acuerdo con los datos de control escolar de upa el 25% de los alumnos de ingeniera
electrnica trabajan en actividades relacionadas con el entrenamiento deportivo. Si se
eligen a 10 alumnos en forma aleatoria, calcule la probabilidad de que trabajen en
actividades de entrenamiento deportivo:
a) 6 alumnos
b) Menos de 5 alumnos
c) Ms de tres alumnos
6.-Qu porcentaje de atletas tienen un porcentaje de grasa mayor de 19, sabiendo que la
media es de 16 con una desviacin estndar de 3.6?



X=xi 0 1 2
P(x=xi) 2000/7000 4000/7000 1000/7000
7.-El peso de los estudiantes sigue una distribucin aproximada normal con una media de
140lb y una desviacin estndar de 20lb.
Calcular:
a) P (x 150lb)
b) P ( 150)
c) P ( < 115)
d) P (115 < < 150)
e) P (115 < < 130)
8.-La probabilidad de un accidente de manufactura es de 0.01por da de trabajo cul es
la probabilidad de 3 errores en 300 das?
9.-La probabilidad de que un producto salga defectuosos es de 0.012Cul es la
probabilidad de que entre 800 productos haya 5 defectos?
10.-Si un banco recibe 6 cheques son fondo por da. cules es la probabilidad de recibir 4
cheques en un da sin fondos? Y 10 en dos das?















Algoritmos en Matalab
function [ x ] = bernoulli( pe,pf,re,n )
%pe=probabilidad de exito,pf=probabilidad de falla, re=exitos deseado,
% n es el numero de veces que se repite el experimento
x=((factorial(n))/(factorial(re)*factorial(n-re)))*(pe^re)*(pf^(n-re));
fprintf('\n la probabilidad de re es: %.4f',x);
end

function [ z ] = normal(x,miu,des)
%Distribucion normal donde x es el valor deseado
%miu es la mediana y des es la desviacion estandar
z=((x-miu)/des);
fprintf('\n z es: %.2f',z);
end


function [ x ] = poisson( k,p,n )
% k numero de exitos por unidad
% p es la probabilidad de exito, n el numero de repeticiones del
% experimento
lamda=p*n;
if lamda<10
x=exp(-lamda)*((lamda^k)/factorial(k));
else
fprintf('\n lamda es mayor que 10 ');
end
fprintf('\n la probabilidad de re es: %.4f',x);
end









Resultados
1.- La variable aleatoria X:
Toma valor 0 cuando (sss)
Toma valor 1 cuando (ssc) (scs) (css)
Toma valor 2 cuando (ccs) (csc) (scc)
Toma valor 3 cuando (ccc)
a) Cul ser la P[x2]?
P[x2]=p{0}+p{1}+p{2}=1/8+3/8+3/8=7/8
b) Cul ser la P[1x2]
P [1x2]=p{1}+p{2}=3/8+3/8=6/8
2.-Dada la siguiente tabla de probabilidades determine:
X1 0 1 2
P(x=xi) 1/4 1/2
a) P(x(-, 1)) = P(x=0) = 1/4
b) P(x(0.5, 2)) = P(x=1) = 1/2
c) P(x(0.5, 2]) = P(x=1)+P(x=2) = 3/4

3.-Texas Instruments ha elaborado 7000 chips. 2000 de estos tiene algn defecto. Honda
compra 3000 de estos en alarmas de carros



Calcular:
a) P[1 2] = 5/7
b) P[x(-,1)] = 2/7
c) P[x(0.5,2]] = 5/7
d) = (x0)(p0)+ (x1)(p1)+ (x2)(p2)= (0)+ (4/7)+ (2/7)=6/7
e) Vx = (x0- )2(p0)+(x1- )2(p1)+(x2-
)2(2)=(72/343)+(4/343)+(64/343)=20/49
f) S =

=
20
49
= 0.64



X=xi 0 1 2
P(x=xi) 2000/7000 4000/7000 1000/7000
4.-En base a la funcin declarada por:
X=xi 1 2 3 4 5 6 7 8
P(xi) 2/28 3/28 4/28 5/28 4/20 3/20 2/20 1/20

Calcular:
a) = (x1)(p1)+(x2)(p2)+(x3)(p3)+(x4)(p4)+(x5)(p5)+(x6)(p6)+(x7)(p7)+
(x8)(p8)=(2/28)+(6/28)+(12/28)+(20/28)+(20/20)+(18/20)+(14/20)+
(8/20)=31/7
b) Vx = (x0- )2(p0)+(x1- )2(p1)+(x2- )2(p2)+(x3- )2(p3)+(x4-
)2(p4)+(x5- )2(p5)+(x6- )2(p6)+(x7- )2(p7)+(x8- )2(p8)=173/49
c) = =
173
49
= 1.88
5.-De acuerdo con los datos de control escolar de upa el 25% de los alumnos de ingeniera
electrnica trabajan en actividades relacionadas con el entrenamiento deportivo. Si se
eligen a 10 alumnos en forma aleatoria, calcule la probabilidad de que trabajen en
actividades de entrenamiento deportivo:
a) 6 alumnos
( = 6) =
(!)
! ( )!
(

) (

) =
10!
6! 4!
(0.25
6
) (0.75
4
) = 0.01622
= 1.62%
b) Menos de 5 alumnos
P(x=4)=0.1460
P(x=3)=0.2503
P(x=2)=0.2816
P(x=1)=0.1877
P(x=0)=0.0563
En este caso se deben sumar todas las probabilidades de los casos menores
a 5 es decir 4, 3, 2, 1 y 0 en este caso.
P(x<5)=0.9219= 92.19%
c) Ms de 3 alumnos
P(x=10)=9.5367e-7
P(x=9)=2.8610e-5
P(x=8)=3.8624e-4
P(x=7)=0.0031
P(x=6)=0.0162
P(x=5)=0.0584
P(x=4)=0.1460
De igual manera se suman todas las probabilidades de los casos mayores a
3
P(x>3)= 0.2238= 22.38%
6.-Qu porcentaje de atletas tienen un porcentaje de grasa mayor de 19, sabiendo que la
media es de 16 con una desviacin estndar de 3.6?
=

=
19 16
3.6
= 0.83
En la tabla Z al obtener un valor de 0.83 da como resultado 0.7967, pero ya que se busca
el porcentaje mayor, se debe de obtener el complemento. Por lo tanto el resultado es 1-
0.7967 = 20.33%
7.-El peso de los estudiantes sigue una distribucin aproximada normal con una media de
140lb y una desviacin estndar de 20lb.
Calcular:
a) P (x 150lb) = z=(x-)/ =(150-140)/20 =0.5 = 69.15%
b) P ( 150) = ya que esto es el complemento del inciso a solo se realiza la
siguiente operacin: 1-0.6925=30.85%
c) P ( < 115) = z=(x-)/ =(115-140)/20 =-1.25=10.56%
d) P (115 < < 150) = ya que se cuenta con la probabilidad de que x sea
menor que 115 y la probabilidad de que sea menor que 150, se realiza una
resta de dichas probabilidades y as se obtiene la probabilidad del intervalo
69.15%-10.56%=58.59%
e) P (115 < < 130) = z=(x-)/ =(130-140)/20 =30.85% al haber
obtenido la probabilidad de 130 solo se resta la probabilidad de que sea
menor que 115 para obtener la probabilidad del intervalo 30.85% - 10.56%
= 20.29%
8.-La probabilidad de un accidente de manufactura es de 0.01por da de trabajo cul es
la probabilidad de 3 errores en 300 das?
( = 6) =
(

) (

)
!
=
(
3
) (3
3
)
3!
= 0.2240 = 22.40%
9.-La probabilidad de que un producto salga defectuosos es de 0.012Cul es la
probabilidad de que entre 800 productos haya 5 defectos?
( = 5) =
(

) (

)
!
=
(
9.6
) (9.6
5
)
5!
= 0.0460 = 4.6%


10.-Si un banco recibe 6 cheques son fondo por da. cules es la probabilidad de recibir 4
cheques en un da sin fondos? Y 10 en dos das?
a) ( = 4) =
(

)(

)
!
=
(
6
)(6
4
)
4!
= 0.1339 = 13.39%
b) ( = 10) =
(

)(

)
!
=
(
12
)(12
10
)
10!
= 0.1048 = 10.48%
Discusin
Como se puede observar los mtodos y algoritmos utilizados nos permiten
comprender el funcionamiento de las distribuciones de probabilidad estudiadas,
los resultados nos arrojan valores esperados tanto los de las notas como los
obtenidos con el algoritmo correspondiente.
Conclusin
Puedo concluir que lo enseado en clase complementado con la investigacin
realizada muestra los distintos tipos de distribuciones que podemos manejar en
cuestiones de probabilidad, pero no fue sino con los ejercicios que se comprendi
en que caso se debe realizar o utilizar un mtodo o tipo de distribucin
dependiendo de los datos otorgados y a que se quiere llegar como resultado.
Bibliografa
Notas de clase Procesos Estocsticos impartida en la Universidad Politcnica de Aguascalientes.
Devore, J. L. (2008). Probabilidad y estadstica para Ingenieria y Ciencias. Cenega Learning.
Mendenhall, W. (2010). Introduccin a la probabilidad y estadstica. Cengage Learning.
Walpole, R. E. (2012). Probabilidad y estadstica para ingeniera y ciencias. Pearson Educacin.