ESCUELA DE MAESTRÍA EN

POSGRADO MATEMÁTICAS
APLICADAS

o
PROCESOS ESTOCÁSTICOS

Clave : EST621 Créditos :4

Tipo : Obligatorio Semestre : 2021-2
Horario : Martes 08-10pm; Jueves 08-10pm Requisitos : No tiene
Profesora : Loretta Gasco Campos
lgasco@pucp.edu.pe

1. "Conforme a los lineamientos establecidos por el Ministerio de Educación y la

Superintendencia Nacional de Educación Superior Universitaria (SUNEDU)
dictados en el marco de la emergencia sanitaria para prevenir y controlar el COVID-
19, la universidad ha decidido iniciar las clases bajo la modalidad virtual hasta que
por disposición del gobierno y las autoridades competentes se pueda retornar a las
clases de modo presencial. Esto involucra que los docentes puedan hacer los ajustes
que resulten pertinentes al sílabo atendiendo al contexto en el que se imparten las
clases"

2. Sumilla
Procesos estocásticos de estado y tiempo discretos. Paseo aleatorio. Teoría de
renovación. Procesos estocásticos de estado discreto y tiempo continuo. Procesos
estocásticos de estado y tiempo continuos. Procesos puntuales. Procesos
estacionarios. Cálculo estocástico. Procesos de ramificación.

3. Objetivos de aprendizaje
Al finalizar el curso el alumno será capaz de
1. identificar y justificar las nociones teóricas sobre los procesos estocásticos que
han sido seleccionados en el curso;
2. resolver ejercicios teóricos y prácticos sobre los procesos estocásticos básicos
estudiados;
3. realizar simulaciones, usando algún lenguaje de computación, de los procesos
estocásticos básicos estudiados.

4. Contenido
1. Procesos estocásticos.
Definición. Caminos muestrales. Distribuciones de probabilidad finito-
dimensionales. Función media. Función de autocovarianza. Sucesión de
variables aleatorias. Proceso de Bernoulli. Paseo aleatorio (Random Walk).
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
1
ESCUELA DE MAESTRÍA EN
POSGRADO MATEMÁTICAS
APLICADAS

estados. Comportamiento a la larga: caso general y caso con espacio de

estados finitos.
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.
5. Procesos estocásticos en tiempo continuo: Proceso de Poisson
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 Ito. Propiedades.
Diferencial estocástica y fórmula de Ito.

4. Metodología
El curso contempla sesiones de teoría y de práctica. Las clases teóricas son de forma
expositiva usando ZOOM sobre documentos (PowerPoint y pdf) colocados en la
página Paideia del curso donde también se colocarán las clases grabadas después de
cada sesión.
Habrán Listas de ejercicios correspondientes a los temas desarrollados en el curso las
cuales serán colocadas en la página Paideia al inicio de cada tema y que el alumno
deberá resolver. Cada Lista consistirá de una parte de resolución de ejercicios tanto
sobre la teoría como de su aplicación. La segunda parte estará referida a la simulación
de los procesos estocásticos estudiados en el curso.
Las sesiones prácticas consistirán en videos grabados sobre la resolución de ejercicios
elegidos de cada Lista como feedback a la corrección de la misma.

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

PF = 0.7 E + 0.3 L, donde

E: Promedio de las notas correspondientes a

Examen 1 y Examen 2 con igual peso cada nota;

L: Promedio simple de las notas correspondientes a

Listas de ejercicios con igual peso cada una.

6. Bibliografía
 Brzezniak, Z. and Zastawniak, T. 1999. Basic Stochastic Processses. A
Course Through Exercises. Springer.
 Dobrow, R.P. 2016. Introduction to Stochastic Processes with R.

2
ESCUELA DE MAESTRÍA EN
POSGRADO MATEMÁTICAS
APLICADAS

 Bremaud, P. 2020. Probability Theory and Stochastic Processes. Springer

 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. 2018. Understanding Markov Chains: examples and
applications. Springer. Second Edition.
 Cufaro Petroni, N. 2020. Probability and Stochastic Processes for Physicists.
Springer.
 Kijima, M. 2013. Stochastic processes with applications to Finance. Second
Edition.
 Shreve, S.E. 1997. Stochastic Calculus for Finance I. Springer
 Shreve, S.E. 2004. Stochastic Calculus for Finance II. Springer
 Tucker, H.G. 1967. A graduate course in probability. Academic Press.
 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
 Iacus, S; Yoshida,N. 2018. Simulation and Inference for Stochastic
Processes with Yuima. Springer International Publishing.
 Chiu, D. 2016. R for Data Science Cookbook. Packt Publishing

7. Cronograma
Semana Unidad, tema o capítulo
1 Revisión Probabilidad-Vectores aleatorios.
Procesos estocásticos. Definición. Caminos muestrales. Distribuciones
de probabilidad finito-dimensionales.
2 Función media. Función de autocovarianza. Sucesión de variables
aleatorias. Proceso de Bernoulli. Paseo aleatorio. Filtraciones.
3 Esperanza condicional. Condicionando sobre un evento; una variable
aleatoria discreta; una variable aleatoria arbitraria o una sigma-álgebra.
4 Esperanza condicional: Propiedades. Esperanza condicional y
predicción.
5 Martingalas en tiempo discreto: Definición. Juegos de azar.
6 Cadenas de Markov en tiempo discreto: Definiciones. Clasificación de
estados. Comportamiento a la larga: caso general y caso con espacio de
estados finito. Distribución invariante. Simulación.
7 Cadenas de Markov en tiempo continuo: Definiciones. Generador.
Distribución estacionaria. Condición de balance
8 Comportamiento a la larga. Simulación

9 Examen 1
10 Tiempos de parada. Teorema de parada opcional. Martingalas en
tiempo continuo.
3
ESCUELA DE MAESTRÍA EN
POSGRADO MATEMÁTICAS
APLICADAS

11 Procesos de conteo. Proceso de Poisson. Proceso de Poisson

compuesto. Propiedades. Simulación.
12 Desigualdad de Martingalas de Doob.

13 Teorema de convergencia de Martingalas de Doob. Integrabilidad

uniforme y convergencia L1 de martingalas.

14 Movimiento Browniano.
Definición. Propiedades. Simulación.
15 Integral estocástica de Ito. Propiedades.

16 Diferencial estocástica y fórmula de Ito. Fórmula de Ito generalizada

17 Aplicaciones

17 Examen 2