Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESCUELA DE GRADUADOS
PROCESOS ESTOCÁSTICOS
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.
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
Esperanza condicional.
2 Condicionando sobre un evento; una variable aleatoria
26 discreta; variable arbitraria o una sigma-álgebra.
Movimiento Browniano.
13
Definición. Propiedades.
11-15