UNIVERSIDAD NACIONAL DE LOJA

CARATULA AREA DE LA ENERGÍA Y LOS RECURSOS NATURALES NO

RENOVABLES

INGENIERIA EN ELECTRÓNICA Y TELECOMUNICACIONES

MATEMÁTICA APLICADA
(PROCESOS ESTOCÁSTICOS)

“TRABAJO INVESTIGATIVO”

DOCENTE:

ING. MARIANELA CARRIÓN GONZÁLEZ MG.SC

INTEGRANTE:

✓ PAUL MERINO

Ciclo: 6º “A”

LOJA - ECUADOR
2020
 PROCESOS ESTOCÁSTICOS

INTRODUCCIÓN

Figura 1: La probabilidad de procesos estocásticos.

La probabilidad es una estrategia mediante la cual se intenta estimar la frecuencia con la

que se obtiene cierto resultado necesarios para trabajar con mecanismos físicos, biológicos
o sociales que generen observaciones que no se pueden predecir con certeza. La
probabilidad es el estudio y la medición cuantitativa de que un determinado hecho suceda
ya que se intenta determinar la cantidad de veces que puede un determinado resultado
acontecer, siendo una herramienta matemática establece que un conjunto de reglas o
principios útiles para calcular la ocurrencia o no ocurrencia de los fenómenos. 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. Cada una de las variables aleatorias del proceso tiene su propia
función de distribución de probabilidad y pueden o no estar correlacionadas entre sí.

En muchas ocasiones de nuestra vida nos enfrentamos a procesos afectados por eventos
fortuitos que inciden en los resultados que esperábamos, donde estos procesos son los
denominados procesos estocásticos. Dentro de esto los procesos estocásticos se centran
en el estudio y modelización de sistemas que evolucionan a lo largo del tiempo, o del
espacio, de acuerdo a unas leyes no determinísticas, esto es, de carácter aleatorio. La
forma habitual de describir la evolución del sistema es mediante sucesiones o colecciones
de variables aleatorias, de esta manera un mapa que asocia a cada punto de muestra 𝑤 ∈
Ω una función real de un parámetro 𝑡 perteneciente a un conjunto 𝑌 (en la mayoría de los
procesos estocásticos, el parámetro 𝑡 este asociado al tiempo). Se crea de esta manera
una familia ℕ de funciones de 𝑡, 𝑡 ∈ 𝑌.

De este modo se puede decir que un proceso estocástico es un mapa definido por:
 𝑥: Ω→ℕ

𝑤 → 𝑥(𝑡, 𝑤), 𝑡∈𝑌

Entonces un proceso estocástico es una función de dos variables 𝑤 𝑦 𝑡, cuyos dominios

son Ω y Y ⊂ ℝ, respectivamente, donde es común denominar cada función perteneciente
a la familia ℕ por función-muestra del proceso estocástico y el conjunto de todas las
funciones por ensemble.

Una interpretación interesante es obtenida al fijar, por ejemplo, el valor de 𝑤𝑖 para 𝑤. En

este caso el proceso estocástico pasa a representar una única función 𝑥(𝑡, 𝑤𝑖 ) de 𝑡. Si el
valor 𝑡1 es fijado para el parámetro 𝑡, lo que se obtiene es una variable aleatoria que se
asocia a cada punto de muestra un número real 𝑥(𝑡1 , 𝑤), de manera análoga, al fijar 𝑛
valores 𝑡1 , 𝑡2 , … … , 𝑡𝑛 del parámetro 𝑡 se obtiene un vector aleatorio:

𝑥(𝑡1 , 𝑤)
𝑥(𝑡2 , 𝑤)
.
.
.
(𝑥(𝑡𝑛 , 𝑤))

Donde finalmente, si los valores de 𝑡 𝑦 𝑤 son ambos fijos, el proceso estocástico representa
apenas un número real.

La notación, 𝑥(𝑡, 𝑤), usada para representar un proceso estocástico será simplificada
al omitirse la variable 𝑤, siendo utilizada la representación 𝑥(𝑡).

𝑥(𝑡) puede representar cinco situaciones diferentes.

1. Una familia de funciones (𝑡, 𝑤 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠).

2. Una única función del tiempo (𝑡 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑦 𝑤 𝑓𝑖𝑗𝑜).
3. Una variable aleatoria (𝑡 𝑓𝑖𝑗𝑜 𝑦 𝑤 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒).
4. Un vector aleatorio (𝑡1 , 𝑡2 , … … . . , 𝑡𝑛 𝑓𝑖𝑗𝑜𝑠 𝑦 𝑤 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒).
5. Un único numero real (𝑡 𝑦 𝑤 𝑓𝑖𝑗𝑜).

CLASIFICACIÓN

Los procesos estocásticos se pueden clasificar en dos grupos.

Según la estructura del conjunto paramétrico (𝑻) y del conjunto de estados (𝑬):

Los procesos estocásticos pueden clasificarse en cuatro tipos dependiendo de si (𝑇)

es un conjunto numerable o continuo, y de si (𝐸) es otro conjunto numerable o continuo,
así:
 𝛀 = 𝐄/𝐓 DISCRETO CONTINUO
DISCRETO Serie estocástica con espacio de Proceso estocástico con espacio
estados discreto. de estados discretos.
CADENA PROCESO PUNTUAL
CONTINUO Serie estocástica con espacio de Proceso estocástico con espacio
estados continuos. de estados continuos.
SUCESION DE V. A. PROCESO CONTINUO

➢ Una Cadena es un proceso estocástico en el cual el tiempo se mueve en forma

discreta y la variable aleatoria sólo toma valores discretos en el espacio de estados.
Un gráfico típico de este tipo de proceso se muestra:

Figura 2: Grafico de un tipo de cadena.

Por ejemplo, considere una máquina dentro de una fábrica, los posibles estados de
para la máquina son que esté operando o que esté fuera de funcionamiento y la
verificación de esta característica se realizará al principio de cada día de trabajo. Si
hacemos corresponder el estado” fuera de funcionamiento” con el valor 0 y el estado
“en operación” con el valor 1, se tiene que el espacio de estado es 𝐸 = {0,1} y el
espacio del parámetro es 𝑇 = {1,2, … … … ,20} correspondientes a los días laborales,
la siguiente figura muestra una posible secuencia de cambios de estado a través del
tiempo para esa máquina.

Figura 3: Estado de la máquina al inicio del día.

➢ Un Proceso Puntual es un proceso estocástico en el cual los cambios de estados
pueden ocurrir en cualquier momento, pero la variable aleatoria sólo toma valores
discretos en el espacio de estados, por ejemplo, unidades producidas hasta el
instante de tiempo 𝑡. La representación gráfica común de este tipo de procesos se
muestra en la figura:

Figura 4: Proceso puntual.

Por ejemplo, consideremos de número de estudiantes que están solicitando libros

en la biblioteca de la Facultad de Ciencias Económicas y Sociales en un instante de
tiempo al día. El espacio de estados está representado por 𝐸 = {1,2, … … … , 𝑛},
número de estudiantes, el cual es discreto, y el espacio de estados sería 𝑇 = [0,480]
tomando el tiempo en minutos, el cual es continuo.

➢ En una secuencia aleatoria los estados cambian dentro de un conjunto continuo

de estados y en momentos determinados de tiempo. La figura 2 es un gráfico
representativo de este tipo de procesos, pero en este caso la variable aleatoria es
continua. Un ejemplo de este tipo de la cantidad de lluvia en litros que caen
diariamente durante un mes. La cantidad de agua es una variable aleatoria continua,
entonces 𝐸 = [0, ∞) y el espacio del parámetro sería 𝑇 = {1,2, … … … ,00} días del
mes.

➢ En un proceso continuo los cambios de estados se producen en cualquier instante

y hacia cualquier estado dentro de un espacio continuo de estados. La figura 5
muestra gráficamente un proceso de este tipo.

Figura 5: Proceso continuo.

 Por ejemplo, sea {𝑋𝑡 ∶ 𝑡 ∈ 𝑇} un proceso estocástico donde 𝑋𝑡 es el flujo de agua en
un río en un intervalo de tiempo. Según 𝑇 es de parámetro continuo y según 𝐸 es
un proceso estocástico continuo.

Según las características probabilísticas de las variables aleatorias:

En la vida real se producen distintas relaciones entre las variables aleatorias que
constituyen un proceso estocástico. Estas propiedades probabilísticas son importantes a la
hora de identificar y clasificar un proceso estocástico.

Ejemplo 1: Sea 𝑋𝑛 el numero de caras obtenidas tras el n-ésimo lanzamiento de una

moneda bien balanceada. El valor que puede tomar esa variable está en el conjunto
{0,1,2, … . , 𝑛}, así que espacio de estados del proceso {𝑋𝑛 } es 𝑆 = {0,1,2,3, … }. Se trata de
un proceso discreto a tiempo discreto.

Para analizar este proceso se puede considerar otra sucesión de variables aleatorias {𝑌𝑛 },
en la que cada variable 𝑌𝑛 toma el valor 1 si en el n-ésimo lanzamiento sale cara y toma el
valor 0 si cae en cruz. Es claro que estas variables son independientes e idénticamente
distribuidas, y su distribución de probabilidad común es:
1
𝑃(𝑌𝑛 = 1) = = 𝑃(𝑌𝑛 = 0)
2
De esta manera, se tiene que cada variable del proceso original toma la forma:

𝑋𝑛 = 𝑌1 + 𝑌2 + ⋯ . +𝑌𝑛

Recursivamente, escribimos la relación anterior como:

𝑋𝑛 = 𝑋𝑛−1 + 𝑌𝑛

➢ Procesos estacionarios, un proceso estocástico a tiempo continuo 𝑋(𝑡) es

estrictamente estacionario, si la distribución conjunta de las variables 𝑋(𝑡1 + ℎ),
𝑋(𝑡2 + ℎ),……, 𝑋(𝑡𝑘 + ℎ) es igual a la distribución conjunta de las variables 𝑋(𝑡1 ),
𝑋(𝑡2 ),……, 𝑋(𝑡𝑘 ) para todo ℎ > 0 y para cualquier colección finita de tiempos
𝑡1 , 𝑡2 , … … . , 𝑡𝑘 . En particular, se dice que el proceso tiene incrementos estacionarios
si para 𝑠 < 𝑡 𝑦 ℎ > 0, las variables 𝑋(𝑡) → 𝑋(𝑠) y 𝑋(𝑡 + ℎ) − 𝑋(𝑠 + ℎ) tienen la
misma distribución de probabilidad, es decir, el incremento depende solo de la
longitud del intervalo de tiempo 𝑡 − 𝑠. En un proceso a tiempo discreto {𝑋𝑛 }, las
condiciones anteriores se escriben de la siguiente forma:
Se trata de un proceso estrictamente estacionario si la densidad conjunta de
𝑋1 , 𝑋2 , … … . , 𝑋𝑛 es igual a la densidad conjunta 𝑋𝑚+1 , 𝑋𝑚+2 , … … . , 𝑋𝑚+𝑛 para 𝑛 y 𝑚
enteros positivos.
Se trata de un proceso con incrementos estacionarios si las variables 𝑋𝑛 − 𝑋𝑛−1 y
𝑋𝑛+𝑚 − 𝑋𝑛+𝑚−1 tienen la misma distribución.
 ➢ Procesos con incrementos independientes, en un proceso a tiempo continuo
{𝑋(𝑡)}, para 𝑡𝑚−1 < 𝑡𝑚 , la diferencia 𝑋(𝑡𝑚 ) − 𝑋(𝑡𝑚−1 ) indica cuando se ha
incrementado la característica que se observa en el intervalo de tiempo (𝑡𝑚−1 , 𝑡𝑚 ].
En un proceso a tiempo discreto {𝑋𝑛 }, ese incremento se representa por 𝑋𝑛 − 𝑋𝑛−1 .
Si los incrementos:

𝑋(𝑡𝑜 ), 𝑋(𝑡1 ) − 𝑋(𝑡𝑜 ), 𝑋(𝑡2 ) − 𝑋(𝑡1 ), … … . . 𝑋(𝑡𝑘 ) − 𝑋(𝑡𝑘−1 )

Son independientes para cualquier colección finita de tiempos 𝑡𝑜 < 𝑡1 < 𝑡2 … . < 𝑡𝑘 ,
decimos que {𝑋(𝑡)} es un proceso de incrementos independientes. Si se trata de
un proceso a tiempo discreto {𝑋𝑛 }, diremos que es un proceso con incrementos
independientes si para cada entero positivo 𝑛 se tiene que.

𝑋𝑜 , 𝑋1 − 𝑋𝑜 , 𝑋2 − 𝑋1 , … … . , 𝑋𝑛 − 𝑋𝑛−1

Son variables aleatorias independientes. Esto significa que lo que haya ocurrido en
intervalos ajenos al que se observa en un momento dado, no afecta la probabilidad
de los eventos relacionados con el proceso en ese intervalo.

➢ Procesos de Markov, se trata de procesos desmemoriados en el sentido de que

dado un valor de cualquier variable 𝑋(𝑡 + 𝑠), para 𝑠 > 0, no depende de los valores
que hayan tomado las variables anteriores a 𝑋(𝑡). Es decir, si se conoce el estado
presente, el comportamiento futuro del proceso no depende de cual fue la historia
anterior.
Para un proceso a tiempo continuo {𝑋(𝑡)}, la propiedad de Markov establece que la
probabilidad de transición a un estado de tiempo 𝑡𝑛 , no depende de la historia de
los estados que hayan sido visitados en tiempos 𝑡𝑜 < 𝑡1 < ⋯ < 𝑡𝑛−1 , sino
exclusivamente del estado en que el sistema se encontraba al tiempo 𝑡𝑛−1 , es decir,

𝑃(𝑋(𝑡𝑛 ) = 𝑥𝑛 |𝑋(𝑡𝑜 ) = 𝑥𝑜 , 𝑋(𝑡1 ) = 𝑥1 , . . , 𝑋(𝑡𝑛−1 ) = 𝑥𝑛−1 ) = 𝑃(𝑋(𝑡𝑛 ) = 𝑥𝑛 |𝑋(𝑡𝑛−1 )

= 𝑥𝑛−1 )
Un proceso de Markov en el cual las 𝑋(𝑡) son variables aleatorias continuas, se
conoce como punto de difusión.
En un proceso a tiempo discreto {𝑋𝑛 }, escribimos la propiedad de Markov de la
siguiente forma:

𝑃(𝑋𝑛 = 𝑥𝑛 |𝑋𝑜 = 𝑥𝑜 , 𝑋1 = 𝑥1 , . . , 𝑋𝑛−1 = 𝑥𝑛−1 ) = 𝑃(𝑋𝑛 = 𝑥𝑛 |𝑋𝑛−1 = 𝑥𝑛−1 )

MOMENTOS DE LOS PROCESOS ESTOCÁSTICOS

Los momentos de un proceso estocástico son los momentos de las variables aleatorias
definidas en cualquier instante del proceso.
 ➢ Media de un proceso estocástico 𝑥(𝑡), representada por 𝑚𝑥 (𝑡), es definida como la
media de la variable aleatoria 𝑥(𝑡) (en notación más compacta, 𝑥𝑡 ) asociada a un
instante cualquiera 𝑡 ∈ 𝑌, es decir,

𝑚𝑥 (𝑡) = 𝐸[𝑥(𝑡)]; 𝑡 ∈ 𝑌

➢ Función de autocorrelación de un proceso estocástico 𝑥(𝑡), representada por

𝑅𝑥 (𝑡1 , 𝑡2 ), es definida como la correlaccion entre las variables aleatorias 𝑥(𝑡1 ) y
𝑥(𝑡2 ) (en notación más compacta 𝑥𝑡1 𝑦 𝑥𝑡2 ) asociados a dos valores cualquiera
𝑡1 ∈ 𝑌, 𝑡2 ∈ 𝑌 del parámetro del proceso, es decir,

𝑅𝑥 (𝑡1 , 𝑡2 ) = 𝐸[𝑥(𝑡1 )𝑥(𝑡2 )]; 𝑡1 ∈ 𝑌, 𝑡2 ∈ 𝑌

El valor de la función de un proceso estocástico cuando 𝑡1 = 𝑡2 = 𝑡 es denominado

valor medio cuadrático del proceso estocástico, siendo dada por

𝑅𝑥 (𝑡1 , 𝑡2 ) = 𝐸[𝑥 2 (𝑡)]; 𝑡 ∈ 𝑌

➢ Función de auto covarianza de un proceso estocástico 𝑥(𝑡), representada por

𝑘𝑥 (𝑡1 , 𝑡2 ), es definida como la covarianza entre las variables aleatorias 𝑥(𝑡1 ) y
𝑥(𝑡2 ) asociadas a dos valores cualquiera 𝑡1 ∈ 𝑌, 𝑡2 ∈ 𝑌 del parámetro del proceso,
es decir,

𝑘𝑥 (𝑡1 , 𝑡2 ) = 𝑅𝑥 (𝑡1 , 𝑡2 ) − 𝑚𝑥 (𝑡1 )𝑚𝑥 (𝑡2 )

ESTACIONALIDAD DE PROCESOS ESTOCÁSTICOS

Un proceso estocástico puede ser estacionario en diversos grados de estacionariedad para

ello se clasifica en:

➢ Estacionalidad de Orden 𝑚, un proceso estacionario 𝑥(𝑡) es dicho estacionario de

orden m cuando su fdp de orden m no varía con un desplazamiento en el tiempo
dicho de otra manera cuando:

𝑝𝑥1 𝑥2……𝑥𝑡𝑚 (𝑋1 , 𝑋2 , … … , 𝑋𝑚 )

= 𝑝𝑥𝑡1+𝑥𝑡2+𝜏+….+𝑥𝑡𝑚+𝜏 (𝑋1 , 𝑋2 , … … , 𝑋𝑚 ); ∀𝜏
Observaciones:

Un proceso estocástico 𝑥(𝑡) es de orden 1 cuando:

𝑝𝑥𝑡 (𝑋) = 𝑝𝑥𝑡 +𝜏 (𝑋); ∀𝜏

Un proceso estocástico 𝑥(𝑡) es de orden 2 cuando:

𝑝𝑥1 𝑝𝑥1 (𝑋1 , 𝑋2 ) = 𝑝𝑥𝑡+𝑥2+𝜏 (𝑋1 , 𝑋2 ); ∀𝜏

 Si 𝑥(𝑡) es un proceso estacionario de orden m, el es también estacionario de orden
𝑘 para cualquier valor de 𝑘 < 𝑚.
➢ Estacionalidad en el sentido estricto, un proceso estocástico es dicho estacionario
en el sentido estricto o estrictamente estacionario, cuando el mismo es estacionario
de orden m para cualquier valor entero de 𝑚.

➢ Estacionalidad en el sentido amplio, es un proceso estacionario x(t) es dicho

estacionario en el sentido amplio si:

𝑚𝑥 = 𝜂𝑥 ; ∀𝜏

𝑅𝑥 (𝑡1 , 𝑡2 ) = 𝑅𝑥 (𝜏); 𝜏 = 𝑡2 − 𝑡1

Es decir, que cuando su media es constante y su función auto correlación depende

de la diferencia de 𝑡2 − 𝑡1 .

En muchas ocasiones, sólo disponemos de una realización del proceso (es decir,
disponemos de una función temporal), en este caso, para conocer el proceso calculamos
sus promedios temporales

ERGODICIDAD DE PROCESOS ESTOCÁSTICOS

Sea 𝑋(𝑡) un proceso estacionario débil, definimos la media temporal o valor medio en el
tiempo como:

1 𝜏
𝑀𝑥 = lim ∫ 𝑋(𝑡)𝑑𝑡 = lim 𝜇𝜏
𝜏→∞ 2𝜏 −𝜏 𝜏→∞

La autocorrelación temporal se define como:

1 𝜏
𝐴𝑥 = lim ∫ 𝑋(𝑡)𝑋(𝑡 + 𝜏)𝑑𝑡
𝜏→∞ 2𝜏 −𝜏

Ambas son variables aleatorias ya que toman valores distintos para cada realización del
proceso. Diremos que un proceso es ergódico si sus promedios estadísticos coinciden con
los temporales, sólo necesitamos una realización del proceso para conocer los promedios
estadísticos, por consiguiente, tenemos dos tipos de ergodicidad:

➢ Ergodicidad en media, dado que la media temporal 𝜇𝜏 no depende del tiempo, para
que un proceso sea ergódico en media, es necesario que la media del proceso 𝜇𝑥
sea constante, esto se cumple si el proceso es estacionario
 Ejemplo 2: Sea A una VA 𝑁(0,1), definimos el proceso 𝑋(𝑡) = 𝐴. ¿Es ergódico en
media?

𝜇𝑥 = 𝐸[𝐴] = 0

1 𝜏
𝜇𝜏 = ∫ 𝐴𝑑𝑡 = 𝐴 ≠ 0
2𝑇 −𝜏

𝑛𝑜 𝑒𝑠 𝑒𝑟𝑔𝑜𝑑𝑖𝑐𝑜 𝑒𝑛 𝑚𝑒𝑑𝑖𝑎

➢ Ergodicidad en autocorrelación, Sea 𝑅𝑥 (𝜏) = 𝐸[𝑋(𝑡)𝑋(𝑡 + 𝜏)]. Si construimos el

proceso 𝑍𝜏 (𝑡) = 𝑋(𝑡)𝑋(𝑡 + 𝜏) entonces 𝐸[𝑍𝜏 (𝑡)] = 𝑅𝑥 (𝜏), por lo tanto 𝑋(𝑡) es
ergódico en autocorrelación si 𝑍𝜏 (𝑡) es ergódico en media.

Ejemplo 3: Se considera el proceso 𝑋(𝑡) = 𝑎𝑐𝑜𝑠(𝑤𝑡) + 𝑏𝑐𝑜𝑠(𝑤𝑡), donde a y b son

dos V.A. independientes uniformemente distribuidas en [−1,1], estudie la
ERGODICIDAD en media y autocorrelación.

𝜇𝑥 = 𝐸[𝑎]𝑐𝑜𝑠(𝑤𝑡) + 𝐸{𝑏}𝑐𝑜𝑠(𝑤𝑡) = 0 + 0 = 0

1 𝜏 𝑠𝑒𝑛(𝑤𝑇)
𝜇𝜏 = ∫ (𝑎𝑐𝑜𝑠(𝑤𝑡) + 𝑏𝑐𝑜𝑠(𝑤𝑡))𝑑𝑡 = → lim 𝜇𝜏 = 0
2𝑇 −𝜏 𝑤𝑇 𝜏→∞

1
𝑅𝑥 (𝜏) = 𝐸[𝑋(𝑡)𝑋(𝑡 + 𝜏)] = cos (𝑤𝜏)
3
𝑒𝑠 𝑒𝑟𝑔𝑜𝑑𝑖𝑐𝑜 𝑒𝑛 𝑚𝑒𝑑𝑖𝑎

Bibliografía
Lara, P. (04 de 09 de 2015). issuu. Obtenido de
https://issuu.com/pedrodaniellaramaldonado/docs/u1._introduccion_a_los_procesos_est

Rincón, L. (2012). Introducción a los procesos estocásticos. Mexico: PEARSON S.A.

Rojas, S. (22 de 11 de 2019). aulamh. Obtenido de https://aulamh.com/wp-

content/uploads/Tema-Procesos-Markovianos.pdf

Sandoval, F. (07 de 07 de 2014). SlideShare. Obtenido de https://es.slideshare.net/blog_fralbe/7-

procesos-estocsticos

Serna, G. (2013). Modelos estocásticos en las finanzas. España: Univerdad de la Rioja.