Repaso de Procesos Estocsticos Normales y Estacionarios de Covarianza. CLASE 4 Parte 1 1.

. Introduccin Una aproximacin al problema del desarrollo de modelos matemticos para fenmenos empricos que se desarrollan de acuerdo con leyes probabilsticas consiste en caracterizar tales fenmenos en funcin del comportamiento de sus momentos primero y segundo. Esta aproximacin ha encontrado aplicaciones importantes en la teora estadstica de las comunicaciones y el control y anlisis de las series cronolgicas. 2. La Funcin de Valor Medio y el Ncleo de Covarianza de un Proceso Estocstico En general, slo se puede determinar la ley de probabilidad de una variable aleatoria a partir de su media y su varianza cuando se conozca hasta varios parmetros no especificados de la forma funcional de la ley de probabilidad. Si no se conoce la forma funcional de la ley de probabilidad de la v.a., la media y la varianza puede utilizarse para resumir la ley de probabilidad pues, p.e., mediante el uso de la desigualdad de Chebyshev, se pueden formar estimaciones aproximadas de varias formas de la ley de probabilidad. Se puede hacer la analoga entre la media y la varianza para una v.a. simple y la funcin de valor medio y la covarianza de un proceso estocstico. Sea {X(t), t T} un proceso estocstico con momentos segundos finitos. Su funcin de valor medio, representada por m(t), se define para todo t en T mediante: m(t) = E [X(t)] y su ncleo de covarianza, representado por K(s,t), se define para todo s y t en T mediante: K(s,t) = Cov [X(s), X(t)]

Ejemplo 1: Supngase que X(t) representa la posicin de una partcula en movimiento con velocidad constante. Se supone que X(t) tiene la siguiente forma: X(t) = X0 + Vt

Donde X0 y V son variables aleatorias, que representan respectivamente la posicin inicial y la velocidad. La funcin de valor medio y el ncleo de covarianza de {X(t), t 0} vienen dadas por: m(t) = E [X(t)] = E[X0] + tE[V] K(s,t) = Cov[X(s), X(t)] = Var[X0] + (s+t)Cov[X0, V] + st Var[V] Se ve que a fin de obtener la funcin de valor medio y el ncleo de covarianza de {X(t), t 0}, no se necesita saber la ley de probabilidad conjunta de X0 y V, sino solamente sus medias, varianzas y covarianza. Ejemplo 2: Sea {X(t), t 0} un proceso de Wiener con parmetro 2. Como X(t) tiene incrementos independientes, y X(0) = 0, para establecer la ley de probabilidad del proceso estocstico X(t) basta establecer la ley de probabilidad del incremento X(t) X(s) para todo s < t. Como X(t) X(s) es normal, su ley de probabilidad se determina mediante su media y su varianza. Se tiene que: E[X(s) X(t)] = 0 X(t) X(s) (u) = exp{- 0.5 u2 Var[X(t) X(s)]} A partir del hecho que X(t) tiene incrementos independientes estacionarios se puede demostrar que hay una constante positiva, representada por 2 tal que para t s 0: Var[X(t) X(s)] = 2t - s De donde se puede deducir que la ley de probabilidad de un proceso de Wiener est determinada por los axiomas I) a IV) hasta un parmetro 2(que es una caracterstica emprica del proceso que se tiene que determinar a partir de observaciones). Se puede deducir adems que Var[X(t)] = 2t 1 Se dice que un proceso estocstico {X(t), t 0} es un proceso de Wiener si: I. II. III. IV. {X(t), t 0} tiene incrementos independientes estacionarios. Para todo t > 0, X(t) tiene una distribucin normal. Para todo t > 0, E[X(t)] = 0 X(0) = 0

2 Un proceso estocstico de parmetro continuo {X(t), 0 < t < } tiene incrementos independientes si X(0) = 0 y, para cualquier eleccin de ndices t0 < t1 < < tn, las n variables aleatorias X(t1) X(t0), , X(tn) X(tn-1) son independientes. El proceso tiene incrementos independientes estacionarios, si, adems X(t2+h) X(t1+h) tiene la misma distribucin

que X(t2) X(t1) para toda eleccin de los ndices t1 y t2, y todo h > 0. Para un proceso estocstico con incrementos independientes, se tiene que

X(t1) X(tn)

(u1, ,un) =

X(t1)(u1++un)

X(tk) - X(tk-1)

(uk++un)

Se calcula entonces el ncleo de covarianza K(s,t) para s < t: Cov[X(s), X(t)] = Cov [X(s), X(t)- X(s)+ X(s)] = Cov [X(s), X(t)- X(s)]+ Cov[X(s),X(s)] = Var[X(s)] = 2s El ncleo de covarianza del proceso de Wiener est dado por: K(s,t) = 2 min (s,t) para todo s, t 0 En conclusin, normalmente es mucho ms fcil hallar la funcin de valor medio y el ncleo de covarianza de un p.e. que hallar su ley de probabilidad completa. Adems, el conocimiento de la funcin de valor medio y de la covarianza puede contestar muchas preguntas importante sobre un proceso estocstico. Ejemplo 3: Sea {N(t), t 0} un proceso de Poisson de intensidad v y sea L una constante positiva. Se define un nuevo p.e. {X(t), t 0} mediante: X(t) = N(t+L) N(t) Por ejemplo, si N(t) representa el nmero de sucesos de una cierta clase que ocurren en el intervalo 0 a t, entonces X(t) representa el nmero de sucesos que ocurren en un intervalo de longitud L que comienza en t. Mientras que inicialmente se puede determinar la ley de probabilidad conjunta X(t1), , X(tn) para n instantes t1, ., tn, es ms conveniente empezar el estudio de un proceso estocstico calculando su funcin de valor medio y su covarianza. Para {X(t), t 0}, la funcin de valor medio es: m(t) = E[X(t)] = E[N(t + L) N(t)] = vL Supngase que s t. Se distinguen dos casos:

t s + L y t > s + L. Ya que X(s) y X(t) son v.a. independientes, su covarianza es 0 y se tiene que: K(s,t) = Cov[N(s+L) N(s), N(t+L) N(t)] = Cov[N(s+L) N(t) + N(t) N(s), N(t+L) N(t)] = Cov[N(s+L) N(t), N(t+L) N(t)] ya que N(t) N(s) y N(t+L) N(t) tienen covarianza 0. Despus al escribir N(t+L) N(t) = N(t + L) N(s + L) + N(s + L) N(t), se deduce que: K(s,t) = Var[N(s+ L)-N(t)] = v {s + L t} = v {L (t-s)} Se ha establecido el ncleo de covarianza del proceso {X(t), t 0} es para todo s, t 0: K(s,t) = v { L - t-s } si t-s L = 0 si t-s >L 3. Procesos Estacionarios y Evolutivos Un proceso estacionario es aquel cuya distribucin permanece la misma a lo largo del tiempo, poque el mecanismo aleatorio que produce el proceso no vara con el tiempo. (Ejemplo anterior, no depende de t)

Conjunto ndice Lineal Se dice que T es un conjunto ndice lineal si tiene la propiedad de que la suma t + h, de dos miembros cualesquiera t y h de T, pertenece tambin a T. Un p.e. {X(t), t T}, cuyo conjunto ndice sea lineal, se dice que e:
o

Estrictamente estacionario de orden k, donde k es un entero positivo dado, si para k puntos t 1, ,tkcualesquiera de T, y cualquier h de T, los vectores aleatorios de k dimensiones: (X(t1), , X(tk)) y (X(t1+h), , X(tk+h)) estn distribuidos idnticamente.

El proceso es estrictamente estacionario si para un entero k cualquiera es estrictamente estacionario de orden k.

Un p.e. es estacionario de covarianza si posee momentos segundos finitos, si su conjunto ndice T es lineal, y si su ncleo de covarianza K(s,t) es una funcin slo de la diferencia absoluta t-s , en el sentido que exista una funcin R(v) tal que para todo s y t en T:

K(s,t) = R(s-t) O ms precismanete, R(v) tiene la propiedad de que para todo t y v en T: Cov [X(t), X(t+v)] = R(v) Se llama R(v) a la funcin de covarianza de la serie temporal estacionaria de covarianza {X(t), t T} Se debe considerar que a fin de que un proceso estacionario con segundos momentos finitos sea estacionario de covarianza no es necesario que su funcin de valor medio sea una constante.