Procesos Estocsticos I

2016

Introduccin
Las caractersticas de un fenmeno aleatorio puede ser
descrito a travs de la distribucin de probabilidad de una
variable aleatoria que representa el fenmeno.
En la teora de probabilidad, las propiedades estadsticas de
un fenmeno aleatorio que ocurre de manera aleatoria
respecto al tiempo no son considerados.

Introduccin
Ejemplos de fenmenos aleatorios en el tiempo:
Movimiento de los precios de los activos financieros
Movimiento de una partcula en el movimiento
Browniano
Emisin de fuentes radioactivas
Comportamiento de una onda en el ocano.
Vibracin de un edificio causado por un temblor o
terremoto.

Proceso Estocstico
Definicin: Una familia de variables aleatorias x(t) donde t
es el parmetro perteneciente a un conjunto indexado T es
llamado un proceso estocstico (o proceso aleatorio), y se
denota por:
{x(t ), t T }

tambin es definido como:

{x(t , ), t T , }

donde es el espacio muestral.

Proceso Estocstico
Observacin:
Si t es fijo, x( ) es una familia de variables aleatorias.
Para fijo, x(t) es una funcin del tiempo llamada
funcin muestrada.
1

x(t )

x(t )

x(t )

x(t )

x(t )

t1

t2

Proceso Estocstico
Estado
Continuo

Discreto

Discreto

Tiempo

Continuo

Estado y tiempo discreto y continuo.

6

Funcin de Medias
1. Sea {x(t ), t T } un proceso estocstico, se llama funcin
de medias:

x (t ) : T
t x (t ) E[ xt ]

Obs: x (t ) E[ x(t )] cte t T se dice que es un

proceso estocstico estable en media.

Funcin de Varianzas
2. Sea {x(t ), t T } un proceso estocstico, se llama funcin
de varianzas:

x2 (t ) : T

t x2 (t ) V [ xt ] E{( xt E[ xt ]2 }
Obs: x2 (t ) cte t T
se dice que es un proceso
estocstico estable en varianza.

Funcin de Autocovarianzas
3. Sea {x(t ), t T } un proceso estocstico, se llama funcin
de varianzas:

C xx (t ) : T T
(t1 , t 2 ) C xx (t1,t 2 ) Cov[ xt , xt 2 ]
1

E{( xt1 x (t1 ))(xt 2 x (t 2 ))}

Funcin de Autocovarianza
La funcin de Autocovarianza C xx (t1 , t 2 ) de un proceso
estocstico viene dado por:
C xx (t1 , t 2 ) Cov[ x(t1 ), x(t 2 )]
E[( x(t1 ) E[ x(t1 )])(x(t 2 ) E[ x(t 2 )])]
1 n k
{ x(t1 ) x(t1 )}{k x(t 2 ) x(t 2 )}
n k 1

donde

1 n k
x(ti ) E[ x(ti )] x(ti )
n k 1

i 1,2

Si est en funcin de las diferencias de tiempo:

R ( ) Cov[ x(t ), x(t )]
10

Funcin de Autocorrelacin
3. Sea {x(t ), t T } un proceso estocstico, se llama funcin
de varianzas:

x (t ) : T T
(t1 , t 2 ) x (t1, t 2 )

Cov[ xt , xt 2 ]
1

(t1 ) (t 2 )

11

Distribucin conjunta finito

dimensional
Sea (, , P ) un espacio de probabilidad y un conjunto de
ndices T, y X : T un proceso estocstico.
El sistema:
FX {FX (t1 ),...,X (t n ) : t1 ,...., t n T , n }

es una Distribucin conjunta finito dimensional

12

Proceso estocstico de 2 orden

Sea X un proceso estocstico, se dice de 2 orden si
E[ x 2 (t )] t T

o sea

2 (t ) 2 12 t T

13

1.- Proceso Estacionario

OBS: Las caractersticas de un proceso aleatorio son
evaluados basados en la familia de variables aleatorias.
a) Proceso Estocstico Estacionario Estricto:
Si la distribucin conjunta de un vector aleatorio n1
2
n
dimensional, { x(t ), x(t ),...., x(t )}
y {1 x(t ), 2 x(t ),...., n x(t )}
es la misma para todo , entonces el proceso
estocstico x(t) se dice que es un proceso estocstico
estacionario (o estado estacionario).
Es decir, las propiedades estadsticas del proceso se
mantienen invariante bajo la traslacin en el tiempo.
14

1.- Proceso Estacionario

b) Proceso Estocstico Evolucionario:
Es aquel proceso estocstico que no es estacionario.
c) Proceso Estocstico Dbilmente Estacionario:
Un proceso estocstico se dice dbilmente estacionario
(o estacionario en covarianza) si su funcin de valor
medio E[x(t)] es constante independiente de t y su
funcin de autocovarianza Cov[x(t),x(t+)] depende de
para todo t.

15

2.- Proceso Ergdico

Un proceso estocstico x(t) se dice que es un proceso
ergdico si el tiempo promedio de un simple registro es
aproximadamente igual al promedio de la familia de
variables aleatorias. Esto es:
1 n
n x(ti ) para un proceso de tiempo discreto.
i 1
E[ x(t )] T
1 x(t )dt para un proceso de tiempo continuo.
T
0

16

2.- Proceso Ergdico

Obs:
En general, las propiedades ergdicas de un proceso
estocstico se asume verdadera en el anlisis de los
datos observados en ingeniera, y por lo tanto las
propiedades estadsticas de un proceso aleatorio puede
ser evaluado a partir del anlisis de un nico registro.

17

3.- Proceso de Incrementos

Independientes
Un proceso estocstico x(t) se dice que es un proceso de
incrementos independientes si x(ti 1 ) x(t i ) , i=0,1,, es
es estadsticamente independiente (Por lo tanto,
estadsticamente no correlacionado).
Sea el proceso estocstico x(t) un proceso estacionario de
incrementos independientes. Entonces, la varianza de los
incrementos independientes x(t 2 ) x(t1 ) , donde t1 t 2 ,
es proporcional a t 2 t1

18

4.- Proceso de Markov

Un proceso estocstico x(t) se dice que es un proceso de
Markov si satisface la siguiente probabilidad condicional:
P{x(t n ) xn | x(t1 ) x1 , x(t 2 ) x2 ,..., x(t n 1 ) xn 1}
P{x(t n ) xn | x(t n 1 ) xn 1},

donde t1 t 2 ....t n 1 t n

Cadena de Markov: Proceso de Markov con estado

discreto.
Proceso de Difusin: Proceso de Markov con estado
continuo.
19

4.- Proceso de Markov

La ecuacin anterior puede ser escrita como:
f {x(t n ) | x(t1 ), x(t 2 ),..., x(t n 1 )} f {x(t n ) | x(t n 1 )}

entonces se tiene:
f {x(t1 ), x(t 2 ),..., x(t n )}
f {x(t n ) | x(t1 ), x(t 2 ),..., x(t n 1 )} f {x(t1 ), x(t 2 ),..., x(t n 1 )}
f {x(t n ) | x(t n 1 )} f {x(t1 ), x(t 2 ),..., x(t n 1 )}
f {x(t1 ), x(t 2 ),..., x(t n 1 )}
f {x(t n 1 ) | x(t n 2 )} f {x(t1 ), x(t 2 ),..., x(t n 2 )}

f {x(t1 ), x(t 2 ),..., x(t n )} f {x(ti )} f {x(t n ) | x(t r 1 )}

r 2

20

4.- Proceso de Markov

Conclusin:
La funcin de densidad de probabilidad conjunta de un
proceso de Markov puede ser expresado por medio de
las densidades marginales f {x(t1 )} y un conjunto de
funciones de densidad de probabilidad condicional
f {x(t r ) | x(t r 1 )} ,el cual es llamado densidad de
probabilidad de transicin.
Un proceso de Markov se dice Homogneo en el tiempo si
la densidad de probabilidad de transicin es invariante en
el tiempo :
f {x(t r ) | x(t r 1 )} f {x(t r ) | x(t r 1 )}
21

5.- Proceso de Conteo

Un proceso estocstico de tiempo continuo y valores
enteros se llama proceso de conteo de la serie de eventos si
N(t) representa el nmero total de ocurrencias de un evento
en el intervalo de tiempo t=0 a t.
N(t)
4
3
2
1
0

t1

t2

T1 T2

t3

T3

T4

Time

Intervalos de tiempo
entre sucesivas
ocurrencias
22

5.- Proceso de Conteo

Proceso de renovacin (Renewal Process):
Los tiempos entre llegadas son v.a. i.i.d.
Proceso de Poisson:
Proceso de renovacin en la cual los tiempos entre
llegadas obedecen una distribucin exponencial.

23

6.- Proceso de Banda-Angosta

Un proceso estocstico de tiempo continuo y estado
estacionario x(t) es llamado un proceso de banda angosta si
x(t) puede ser expresado como:
x(t ) A(t ) cos{ 0 (t )}

donde 0 = constante . La amplitud A(t), y la fase (t) son

variables aleatorias cuyo espacio de muestreo son
0A(t) y 0 (t) 2, respectivamente.

2 2

0 0

0
24

7.- Proceso Normal(Gaussiano)

Un proceso estocstico x(t) se dice que es un proceso
normal (o gaussiano) si para cualquier tiempo t, la variable
aleatoria x(t) tiene distribucin Normal.
Obs:
Un proceso normal es importante en el anlisis
estocstico de un fenmeno aleatorio observado en las
ciencias naturales, ya que muchos fenmenos aleatorios
pueden ser representados aproximadamente por una
densidad de probabilidad normal. Ejm: movimiento de
la superficie del ocano.
25

8.- Proceso de Wiener-Lvy

Un proceso estocstico x(t) se dice que es un proceso de
Wiener-Lvy si:
i) x(t) tiene incrementos independientes estacionarios.
ii) Todo incremento independiente tiene distribucin
normal.
iii) E[x(t)]=0 para todo el tiempo.
iv) x(0)=0

Se conoce como Proceso de Movimiento Browniano el

cual describe el movimiento de pequeas partculas
inmersas en un lquido o gas.
26

8.- Proceso de Wiener-Lvy

Se puede demostrar que la varianza de un proceso WienerLvy aumenta linealmente con el tiempo.

27

9.- Proceso de Poisson

Un proceso de conteo N(t) se dice que es un proceso de
Poisson con razn media (o intensidad) si:
i) N(t) tiene incrementos independientes estacionarios.
ii) N(0)=0
iii) El nmero de la longitud en cualquier intervalo de
tiempo est distribuido como Poisson con media . Esto
es:
k

()
P{N (t ) N (t ) k} e
, k 0,1,2,...
k!
tambin es llamado como proceso de incremento de
Poisson.
28

9.- Proceso de Poisson

Para un proceso estocstico de incrementos
independientes, se tiene la siguiente funcin de
autocovarianza:
Var[ N (t1 ) N (t 2 )] para 0 t 2 t1
Cov[ x(t1 ), x(t 2 )]
e.t.o.c
0

Si x(t) tiene distribucin de Poisson, entonces:

(t1 t 2 ) ( (t 2 t1 )) para 0 t 2 t1
Cov[ x(t1 ), x(t 2 )]
e.t.o.c
0

Por lo tanto un proceso de incremento de Poisson es

estacionario en covarianza.
29

10.- Proceso de Bernoulli

Considerar una serie de intentos independientes con dos
salidas posibles: xito o fracaso. Un proceso de conteo Xn
se llama proceso de Bernoulli si Xn representa el nmero
de xitos en n intentos.

Si p es la probabilidad de xito, la probabilidad de k xitos

dado n intentos est dado por la distribucin binomial:
n k nk
P{ X n k} p q , donde q 1 p
k

30

11.- Proceso Ruido Blanco

Sea {a (t )}tT
i. E[a (t )] 0
ii.

un p.e., se llama ruido blanco si:

1 si s t
Cov[at , as ] st
0 e.t.o.c.

Obs:
1. El ruido blanco es un proceso estocstico estacionario
(por construccin).
2
a
(
t
)
~
N
(
0
,

t T , en tal caso el ruido

2. Si
a)
blanco se dice Gaussiano.
3. Si t1 , t 2 ,..., t n T son independientes
entonces es ruido blanco puro
31

12.- Proceso de Medias Mviles

Sea {x(t ), t T } un p.e., se dice de media mvil de orden
q si:
xt at 1at 1 2 at 2 ..... q at q
donde
1 ,...., q , q 0

y {a (t )}tT es ruido blanco.

Notacin:

X ~ MA(q )

32

13.- Proceso Autorregresivo

Sea {x(t ), t T } un p.e., se dice autorregresivo de orden p
si:
xt 1 xt 1 2 xt 2 ... p xt p at
donde
1 ,...., p , p 0

y {a (t )}tT es ruido blanco.

Notacin:

X ~ AR ( p )

33

14.- Proceso ARMA

Sea {x(t ), t T } un p.e., se dice autoregresivo de media
mvil de orden (p,q) ssi:
xt 1 xt 1 ... p xt p at 1at 1 ... q at q
donde
1 ,...., p ,1 ,..., q , p 0, q 0

y {a (t )}tT es ruido blanco.

Notacin:

X ~ ARMA ( p, q )

34