PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

ESCUELA DE GRADUADOS

PROCESOS ESTOCÁSTICOS

Especialidad: Maestría en Matemáticas Aplicadas Clave: EST621

Semestre: 2019-2 Créditos: 4
Profesor: Loretta Gasco Campos Teoría: 4 hrs./sem
Xyoby Chávez Pacheco

1. Sumilla
Procesos estocásticos con espacio de estados discreto y en tiempo discreto. Camino
o paseo aleatorio. Cadenas de Markov. Procesos estocásticos con espacio de
estados discreto y en tiempo continuo. Proceso de Poisson. Procesos estocásticos
con espacio de estados continuo y en tiempo continuo. Proceso de Wiener. Cálculo
estocástico.

2. Objetivos de aprendizaje
Al finalizar el curso el alumno será capaz de

● identificar y justificar las nociones teóricas sobre los procesos estocásticos que
han sido seleccionados en el curso;
● resolver ejercicios teóricos y prácticos sobre los procesos estocásticos básicos
estudiados;
● realizar simulaciones, usando Python, de los procesos estocásticos básicos
estudiados.

3. Contenido
1. Procesos estocásticos.
Definición. Sucesión de variables aleatorias. Proceso de Bernoulli. Caminos
muestrales. Función media. Paseo aleatorio (Random Walk). Distribuciones de
probabilidad finito-dimensionales. Proceso Gaussiano. Filtraciones.

2. Esperanza condicional.
Condicionando sobre un evento, una variable aleatoria discreta, variable
arbitraria o una sigma-álgebra. Propiedades. Esperanza condicional y predicción.

3. Procesos estocásticos con espacio de estados discreto: Cadenas de Markov.

Cadenas de Markov en tiempo discreto: Definiciones. Clasificación de estados.
Comportamiento a la larga: caso general y caso con espacio de estados finito.
Cadenas de Markov en tiempo continuo: Definiciones. Generador. Distribución
estacionaria. Condición de balance. Comportamiento a la larga.

4. Procesos estocásticos: Martingalas.

Martingalas en tiempo discreto: Definición. Juegos de azar. Tiempos de parada.
Teorema de parada opcional. Desigualdad de Martingalas de Doob. Teorema de
 convergencia de Martingalas de Doob. Integrabilidad uniforme y convergencia L1
de martingalas. Martingalas en tiempo continuo.

5. Procesos estocásticos en tiempo continuo: Proceso de Poissson

Martingalas en tiempo continuo. Procesos de conteo. Proceso de Poisson.
Proceso de Poisson compuesto. Propiedades.

6. Procesos estocásticos con espacio de estados continuo: Movimiento

Browniano.
Definición. Propiedades. Integral estocástica de Itô. Propiedades. Diferencial
estocástica y fórmula de Itô.

4. Metodología
El curso contempla clases teóricas y clases de parte numérica. Las clases teóricas son
de forma expositiva y usa el entorno R para ilustrar los conceptos. Las clases de la
parte numérica se realizarán usando el lenguaje Python y se basarán en la simulación
de los procesos estocásticos estudiados.
El alumno deberá resolver cinco (5) listas de ejercicios que abarcarán tanto la parte
teórica como la parte numérica desarrolladas en el curso.

5. Sistema de evaluación
La nota final PF del curso se obtendrá mediante la siguiente fórmula:

PF = 0.9 EX + 0.1 NT

donde
EX: Promedio simple de dos exámenes;
NT: Promedio simple de las listas de ejercicios.

6. Bibliografía
● Brzezniak, Z. and Zastawniak, T. (1999). Basic Stochastic Processses. A Course
Through Exercises. Springer.
● Grimmett, G.R. and Stirzaker,D.R.(2001). Probability and Random Processes. 3rd.
ed. Claredon Press, Oxford.
● Grimmett, G.R. (2001). One thousand exercises in probability. Oxford University
Press.
● Durrett, R. (2016). Essentials of Stochastic Processes, Third Edition. Springer
● Serfozo, R. (2009). Basics of Applied Stochastic Processes. Springer.
● Norris, J.R. (1998). Markov Chains. Cambridge University Press.
● Privault, N. (2013). Understanding Markov chains: examples and applications.
QA 274.7 P86 en Bib. C.I.A. –Ciencias (Sótano 2)
● Iacus, S; Yoshida,N. (2018). Simulation and Inference for Stochstic Processes with
Yuima. Springer International Publishing.
QA 274.23 I21Y en Bib. C.I.A.- Ciencias (Sótano 2)
● Dobrow, R.P. (2016). Introduction to Stochastic Processes with R.
QA 274 D72 en Bib. C.I.A. – Ciencias (Sótano 2)
  Chiu, D. (2016). R for Data Science Cookbook. Packt Publishing.
● Bell, A., Grimson, E., & Guttag, J. (n.d.). Introduction to Computer Science and
Programming in Python. Retrieved from https://ocw.mit.edu/courses/electrical-
engineering-and-computer-science/6-0001-introduction-to-computer-science-
and-programming-in-python-fall-2016/
● Hilpisch, Y. J. (2014). Python for finance. Sebastopol, CA: OReilly Media.

7. Programación

Introducción al entorno RStudio

Proceso Estocástico. Definición. Sucesión de variables
1 aleatorias. Proceso de Bernoulli. Caminos muestrales.
Agosto 19-23 Función media. Paseo aleatorio (Random Walk).
Distribuciones de probabilidad finito-dimensionales.

Esperanza condicional.
2 Condicionando sobre un evento; una variable aleatoria
26 discreta; variable arbitraria o una sigma-álgebra.

Parte Numérica: Profesor Chávez

Introducción a Python.
3
Simulación de Paseos Aleatorios.
Setiembre 02-06
Simulación de Procesos de Bernoulli.

Esperanza condicional: Propiedades. Esperanza

condicional y predicción.
4
Cadenas de Markov en tiempo discreto: Definiciones.
09-13
Clasificación de estados.

Cadenas de Markov en tiempo discreto:

5
Comportamiento a la larga: caso general y caso con
16-20
espacio de estados finito. Distribución invariante.

Cadenas de Markov en tiempo continuo: Definiciones.

6 Generador. Distribución estacionaria. Condición de
23-27 balance. Comportamiento a la larga.

Parte Numérica: Profesor Chávez

7 Simulación de Cadenas de Markov en tiempo discreto y
30-04 en tiempo continuo.

Martingalas en tiempo discreto: Definición. Juegos de

8
azar. Tiempos de parada. Teorema de parada opcional.
Octubre 07-11
 9
Examen Parcial
14-18
Martingalas en tiempo continuo.
10 Procesos de conteo. Proceso de Poisson. Proceso de
21-25 Poisson compuesto. Propiedades.

Parte Numérica: Profesor Chávez

11 Simulación de Proceso de Poisson; Proceso de Poisson
28-01 Compensado; Proceso de Poisson Compuesto

Desigualdad de Martingalas de Doob. Teorema de

12 convergencia de Martingalas de Doob. Integrabilidad
Noviembre 04-08 uniforme y convergencia L1 de martingalas.

Movimiento Browniano.
13
Definición. Propiedades.
11-15

14 Integral estocástica de Itô. Propiedades.

18-22
Parte Numérica: Profesor Chávez
15
Simulación de Movimiento Browniano.
25-29
16 Diferencial estocástica y fórmula de Itô.
Diciembre 02-06
17
Examen Final
09-13