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 {\displaystyle X_{t}}{\displaystyle X_{t}} 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

1 Ejemplos

1.1 Casos especiales

2 Definición matemática

3 Véase también

4 Referencias

Ejemplos

Los siguientes son ejemplos dentro del amplio grupo de las series temporales:

señales de telecomunicación;

señales biomédicas (electrocardiograma, encefalograma, etc.);

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

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:

La media teórica es independiente del tiempo, y

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 variable 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

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 {\displaystyle X_{t}\,}{\displaystyle X_{t}\,} indexadas

por un índice {\displaystyle t\,}t\,, dado que {\displaystyle t\in T\,}{\displaystyle t\in T\,}, con
{\displaystyle T\subseteq \mathbb {R} \,}{\displaystyle T\subseteq \mathbb {R} \,}.

Un proceso se dice «de tiempo continuo» si {\displaystyle T\,}T\, es un intervalo (usualmente este
intervalo se toma como {\displaystyle [0,\infty )}{\displaystyle [0,\infty )}) o de "tiempo discreto" si
{\displaystyle T\,}T\, es un conjunto numerable (solamente puede asumir determinados valores,
usualmente se toma {\displaystyle T\subseteq \mathbb {N} }{\displaystyle T\subseteq \mathbb {N}
}). Las variables aleatorias {\displaystyle X_{t}\,}{\displaystyle X_{t}\,} toman valores en un
conjunto que se denomina espacio probabilístico. Sea {\displaystyle (\Omega ,{\mathcal {B}},P)}
{\displaystyle (\Omega ,{\mathcal {B}},P)} un espacio probabilístico. En una muestra aleatoria de
tamaño {\displaystyle n}n se observa un suceso compuesto {\displaystyle E}E formado por sucesos
elementales {\displaystyle \omega }\omega :

{\displaystyle E=\{\omega _{1},\omega _{2},...,\omega _{n}\}\subset \Omega \,}{\displaystyle E=\

{\omega _{1},\omega _{2},...,\omega _{n}\}\subset \Omega \,}, de manera que {\displaystyle E\in
B\,}{\displaystyle E\in B\,}.
El suceso compuesto es un subconjunto contenido en el espacio muestral y es un álgebra de Boole
{\displaystyle B}B. A cada suceso {\displaystyle \omega }\omega le corresponde un valor de una
variable aleatoria {\displaystyle V}V, de manera que {\displaystyle V}V es función de
{\displaystyle \omega }\omega :

{\displaystyle V=V(\omega );\qquad \omega \in \Omega ,\,-\infty <V<\infty }{\displaystyle

V=V(\omega );\qquad \omega \in \Omega ,\,-\infty <V<\infty }

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 {\displaystyle (A,{\mathcal {A}})}{\displaystyle (A,{\mathcal
{A}})} de un elemento {\displaystyle X=(\Omega ,{\mathcal {B}},(X_{t})_{t\geq 0},P)}{\displaystyle
X=(\Omega ,{\mathcal {B}},(X_{t})_{t\geq 0},P)}, donde para todo {\displaystyle t\in \mathbb {R}
,X_{t}\,}{\displaystyle t\in \mathbb {R} ,X_{t}\,} es una variable aleatoria del valor en {\displaystyle
(A,{\mathcal {A}})}{\displaystyle (A,{\mathcal {A}})}.

Si se observa el suceso {\displaystyle \omega }\omega en un momento {\displaystyle t}t de

tiempo:

{\displaystyle V=V(\omega ,t),\qquad \omega \in \Omega ,t\in T,-\infty <V<\infty }{\displaystyle
V=V(\omega ,t),\qquad \omega \in \Omega ,t\in T,-\infty <V<\infty }.

{\displaystyle V}V define así un proceso estocástico.2

Si {\displaystyle ({\mathcal {B}}_{t})_{t}\,}{\displaystyle ({\mathcal {B}}_{t})_{t}\,} es una filtración,3

se llama proceso aleatorio adaptado, al valor en {\displaystyle (A,{\mathcal {A}})}{\displaystyle (A,
{\mathcal {A}})}, de un elemento {\displaystyle X=(\omega ,{\mathcal {B}},{\mathcal {B}}_{t},
(X_{t})_{t},P)}{\displaystyle X=(\omega ,{\mathcal {B}},{\mathcal {B}}_{t},(X_{t})_{t},P)}, donde
{\displaystyle X_{t}\,}{\displaystyle X_{t}\,} es una variable aleatoria {\displaystyle {\mathcal
{B}}_{t}}{\displaystyle {\mathcal {B}}_{t}} -medible del valor en {\displaystyle (A,{\mathcal {A}})}
{\displaystyle (A,{\mathcal {A}})}. La función {\displaystyle \mathbb {R} \rightarrow A\ :\ t\mapsto
X_{t}(\omega )}{\displaystyle \mathbb {R} \rightarrow A\ :\ t\mapsto X_{t}(\omega )} se llama la
trayectoria asociada al suceso {\displaystyle \omega \,}\omega \,.
Véase también

movimiento browniano

vuelo de Lévy

Referencias

Introducción a las series de tiempo. Métodos paramétricos. Universidad De Medellin. 1 de enero

de 2007. ISBN 9789589801079. Consultado el 6 de febrero de 2017.

Dagum, Camilo y Estela M. Bee de Dagum(1971) Introducción a la Econometría: 79-83. México:

Siglo XXI editores, séptima edición, 1980.

Se llama "filtración" a una sucesión {B(t), t∈T} de sub-σ-álgebras tal que B(t) está incluida en B(r) si
r < t.