En estadística, y específicamente en la teoría de la probabilidad, un proceso estocástico es

un concepto matemático que sirve para usar magnitudes aleatorias que varían con el tiempo o
para caracterizar una sucesión de variables aleatorias (estocásticas) que evolucionan en
función de otra variable, generalmente el tiempo.1 Cada una de las variables aleatorias del
proceso tiene su propia función de distribución de probabilidad y pueden o no
estar correlacionadas entre sí.
Cada variable o conjunto de variables sometidas a influencias o efectos aleatorios constituye

un proceso estocástico. Un proceso estocástico puede entenderse como una familia

uniparamétrica de variables aleatorias indexadas mediante el tiempo t. Los procesos
estocásticos permiten tratar procesos dinámicos en los que hay cierta aleatoriedad.

Índice

 1Ejemplos
o 1.1Casos especiales
 2Definición matemática
 3Véase también
 4Referencias

Ejemplos[editar]
Los siguientes son ejemplos dentro del amplio grupo de las series temporales:

 señales de telecomunicación;
 señales biomédicas (electrocardiograma, encefalograma, etcétera);
 señales sísmicas;
 el número de manchas solares año tras año;
 el índice de la bolsa segundo a segundo;
 la evolución de la población de un municipio año tras año;
 el tiempo de espera en la cola de cada uno de los usuarios que van llegando a una
ventanilla;
 el clima, un gigantesco conjunto de procesos estocásticos interrelacionados (velocidad del
viento, humedad del aire, etcétera) que evolucionan en el espacio y en el tiempo;
 los procesos estocásticos de orden mayor a uno, como el caso de una serie de tiempo de
orden 2 y una correlación de cero con las demás observaciones.
Casos especiales[editar]
 Proceso estacionario: Un proceso es estacionario en sentido estricto si la función de
distribución conjunta de cualquier subconjunto de variables es constante respecto a un
desplazamiento en el tiempo. Se dice que un proceso es estacionario en sentido amplio (o
débilmente estacionario) cuando se verifica que:

1. La media teórica es independiente del tiempo, y

2. Las autocovarianzas de orden s sólo vienen afectadas por el lapso de tiempo
transcurrido entre los dos periodos y no dependen del tiempo.
 Proceso homogéneo: variables aleatorias independientes e idénticamente distribuidas.
Son proceso donde el dominio tiene cierta simetría y las distribuciones de probabilidad
finito-dimensionales tienen la misma simetría. Un caso especial incluye a los procesos
estacionarios, también llamados procesos homogéneos en el tiempo.
 Proceso de Márkov: Aquellos procesos discretos en que la evolución sólo depende del
estado actual y no de los anteriores.
 Procesos de tiempo discreto
 Proceso de Bernoulli son procesos discretos en los que el número de eventos
viene dado por una distribución binomial.
 Proceso de Galton-Watson: es un tipo de proceso de Markov con ramificación.
 Procesos de tiempo continuo:
 Proceso de Gauss: Proceso continuo en el que toda combinación lineal de
variables es una variable de distribución normal.
 Proceso de Márkov continuo
 Proceso de Gauss-Márkov: Son procesos, al mismo tiempo, de Gauss y de
Márkov
 Proceso de Feller: son procesos estocásticos que toman valores sobre
espacios de operadores de algún espacio funcional.
 Proceso de Lévy: son procesos homogéneos de Markov de "tiempo continuo"
que generalizan el paseo aleatorio que usualmente se define como de "tiempo
discreto".
 Proceso de Poisson, es caso particular de proceso de Lévy donde el
tiempo transcurrido entre saltos sigue una distribución exponencial y, por
tanto, el número de eventos en un intervalo viene dado por
una distribución de Poisson.
 Proceso de Wiener, el incremento de la varible entre dos instantes tiene
una distribución gaussiana y, por tanto, además de un proceso de
Lévy es un proceso de Gauss simultáneamente.
 Proceso doblemente estocástico, es un tipo de modelo estocástico usado
para modelar ciertas series temporales, en el que los parámetros que dan las
distribuciones también varían aleatoriamente (de ahí el término de
doblemente estocástico).
 Proceso de Cox es un proceso doblemente estocástico que generaliza el
proceso de Poisson, donde el parámetro de intensidad varía
aleatoriamente.
 Proceso estocástico continuo, es un tipo de proceso estocástico de tiempo
continuo en que las trayectorias son además caminos continuos.

Definición matemática[editar]
Un proceso estocástico se puede definir equivalentemente de dos formas diferentes:

 Como un conjunto de realizaciones temporales y un índice aleatorio que selecciona

una de ellas.

 Como un conjunto de variables aleatorias indexadas por un índice , dado

que , con .
Un proceso se dice de "tiempo continuo" si es un intervalo (usualmente este

intervalo se toma como ) o de "tiempo discreto" si es un

conjunto numerable(solamente puede asumir determinados valores, usualmente se

toma ). Las variables aleatorias toman valores en un conjunto que se

denomina espacio probabilístico. Sea un espacio probabilístico. En una muestra

aleatoria de tamaño se observa un suceso compuesto formado por sucesos

elementales :

, de manera que .
El suceso compuesto es un subconjunto contenido en el espacio muestral y es un álgebra

de Boole . A cada suceso le corresponde un valor de una variable

aleatoria , de manera que es función de :

El dominio de esta función o sea el campo de variabilidad del suceso elemental, es el

espacio muestral, y su recorrido, o sea el de la variable aleatoria, es el campo de

los números reales. Se llama proceso aleatorio al valor en de un elemento ,

donde para todo es una variable aleatoria del valor en .

Si se observa el suceso en un momento de tiempo:

define así un proceso estocástico.2

Si es una filtración,3 se llama proceso aleatorio adaptado, al valor en , de

un elemento , donde es una variable aleatoria -medible del valor

en . La función se llama la trayectoria asociada al suceso .