Unidad 

III
Introducción a Procesos Estocásticos
PROCESOS ESTOCÁSTICOS

 Motivación: … como estudiar la relación de una VA en el tiempo

 Definición:
Es una función que asigna una señal a cada posible resultado de
un experimento aleatorio con espacio muestral ., es decir
, , y .
En el caso mas general, un PE pueden ser de valores complejos, y en
lugar de la variables se puede tener la variable espacial o un vector
de variables.
PROCESOS ESTOCÁSTICOS
 Definición de un PE en imágenes:
PROCESOS ESTOCÁSTICOS
 Perspectivas de un PE

 Definición(poco formal1): desde una óptica estadística es una

colección de variables aleatorias {X(t1), X(t2),…X(tk)} definidas sobre
un espacio de probabilidad.

 Definición(poco formal2): desde la óptica de señales y sistemas es

un manojo de funciones temporales(realizaciones), cada una de
ellas asociada una muestra aleatoria.

 Ejemplos de PE's ...(9.1 y 9.2 de Leon García)

PROCESOS ESTOCÁSTICOS
 Clasificación de un PE… como en SyS
 Según sus valores (variable dependiente): Continuo/ Discreto
 Según su soporte (tiempo): Continuo/ Discreto
PROCESOS ESTOCÁSTICOS
 Caracterización de un PE ‐ probabilidades

Eventos equivalentes o teorema fundamental
Se calculan probabilidades para varios instantes de tiempo
.‐ Ejemplos...(9.3 y 9.4 de Leon García)

Problemas
.‐ Las realizaciones de un PE son complicadas y no pueden describirse
con formulas sencillas.
.‐No es fácil identificar el espacio de probabiliddad principal de las
realizaciones.

¿Entonces?
PROCESOS ESTOCÁSTICOS
 Caracterización de un PE – Distribuciones conjuntas
 función de distribución de primer orden (un instante de tiempo)
,
, y , para todo
En general el PE no queda completamente caracterizado por las funciones
de primer orden :(
 función de distribución conjunta de segundo orden(dos instantes de
tiempo)
 Generalización: función de distribución conjunta de orden k

¿Puede conocerse en la práctica esta distribución para la mayoría de los

procesos?
PROCESOS ESTOCÁSTICOS
 Caracterización de un PE
 Función autocovariancia

 Coeficiente de correlación 
PROCESOS ESTOCÁSTICOS
 Funciones momento (estadísticas de un PE)
 Función media, función varianza, función autocorrelación (lo nuevo)

Obs1: se denomina potencia. Un PE de potencia constante tiene energía infinita

(con probabilidad 1).
Obs2(para mas adelante): Un PE de potencia finita no puede ser estacionario.
 Interpretación de ,

Mide la similitud para la señal  entre  , y  , .
PROCESOS ESTOCÁSTICOS
 Caracterización entre dos PE X(t) e Y(t)
Independencia: si su función de distribución conjunta (pdf o cdf) de cualquier
orden k se puede escribir como el producto de dos funciones de distribución

Corolario: E[X (t) ⋅Y(t)]= E[X (t)]⋅E[Y(t)]

Covariancia cruzada: Para X(t) e Y(t) se define como

X(t) e Y(t) están no‐correlacionados si CXY(t1, t2) = 0 para cualquier t1 y t2.

Correlación cruzada – Ortogonalidad: Para X(t) e Y(t)se define como

X(t) e Y(t) son ortogonales si RXY(t1, t2) = 0 para cualquier valor de t1 y t2.
PROCESOS ESTOCÁSTICOS
Algunos PE’s simples de interés(de tiempo discreto)
 PE IID
 Bernoulli
 Paso Aleatorio

 suma IID
 Binomial
 Caminata Aleatoria
Incrementos independientes
Incrementos estacionarios
PROCESOS ESTOCÁSTICOS
 PE IID: sucesión de variables aleatorias iid. Resumen de sus características:

Ejemplos: 9.13 y 9.14 del Leon García

 PE Bernoulli In: sucesión de variables Bernoulli independientes, Xn
 B(1; p). Puede tomar los valores {0,1} (también se lo asocia a la
función indicadora In). Su media y la varianza son

 PE Paso Aleatorio Dn: Similar a In. Toma los valores {‐1,1} y se puede
definir como
PROCESOS ESTOCÁSTICOS
Realizaciones de In y Dn
PROCESOS ESTOCÁSTICOS
 suma IID (importante S[n=0]=0)
No mucho para decir. Dado un proceso Xn IID, Sn se obtiene de acumar Xn
hasta el instante de tiempo n

Resumen de sus características:

Demostrar esta ultima expresión

¿Qué puede decirse del proceso Sn dado que ocurrió Sn‐1?

Ejemplos: 9.15 y 9.16 del Leon García
PROCESOS ESTOCÁSTICOS
Binomial. Se acumula un proceso Bernoulli In.
 Interpretación: Proporciona el número de éxitos entre los n
primeros ensayos Bernoulli.
 Este proceso no puede decrecer en el tiempo.

Caminata Aleatoria: Puede escribirse como el proceso suma de un PE paso

aleatorio Dn.
 Interpretación: describe el desplazamiento aleatorio de un
móvil en Rn. En el caso unidimensional, el móvil se desplaza de a
saltos unitarios e independientes sobre la recta real.
 Este proceso crece o decrece en el tiempo, dependiendo de p.
PROCESOS ESTOCÁSTICOS
Realizaciones de Sn para In y Dn
 Preguntas….

¿Como se podría obtener la distribución conjunta para dos instantes de tiempo del 
proceso Sn?

¿y para tres o mas instante de tiempo?
PROCESOS ESTOCÁSTICOS
 Propiedades importantes/necesarias
Definición: dado el proceso X(t) y los instantes de tiempo t1<t2…<tk‐1<tk, se
denomina incremento a la diferencia X(ti)‐X(tj) con tj<ti para i, j=1,2,…k.
Los incrementos NO se solapan, si los intervalos de tiempo donde se definen
no lo hacen.
Incrementos independientes (II)
Definición informal: lo que ocurre en un “incremento” NO tiene influencia en
otro incremento, cuando los incrementos NO se solapan.
Por ejemplo, para el proceso suma Sn, el número de eventos que ocurren en el
intervalo [0; n1] es independiente del número de eventos que ocurren en el
intervalo [n2; n4].
Incrementos estacionarios (IE)
Definición informal: si para cada incremento, su distribución NO depende de
su ubicación en el tiempo sino de su longitud.
Corolario
La media de un proceso de IE tiene la forma E[X(t)] = mt, con m = E[X(1)].
La varianza de un proceso de IE tiene la forma Var [X(t)] =2t, con = Var [X(1)].
PROCESOS ESTOCÁSTICOS
 suma IID
Un proceso Sn suma IID es de II y IE. Demostrar.
Usando estas propiedades puede obtenerse la distribución conjunta en dos
instantes de tiempo para un proceso binomial
PROCESOS ESTOCÁSTICOS
Algunos PE’s de tiempo continuo
 Poisson, sección 9.4.1 del Leon García.
 Gausiano, sección 9.5.1 del Leon García.
 Wiener y movimiento Browniano, sección 9.5.2 del Leon García.

Proceso de Markov
El proceso X(t) se dice de Markov si dado su estado actual, el estado futuro NO 
depende del pasado,

Un proceso de Markov puede ser de estado discreto o de estado continuo.
A los procesos de Markov de estado discreto se les conoce como Cadenas de 
Markov.
PROCESOS ESTOCÁSTICOS
 Poisson, sección 9.4.1 del Leon García.
Ampliamente utilizados para modelar arribos/ocurrencias de eventos en un
sistema. Ejemplos
 Pacientes en la guardia de un hospital
 Arribos de ordenes de clientes a una empresa de servicios
 Fallas aleatorias de equipos
Si N(t) es el numero de ocurrencias en el intervalo [0,t] y tiene una distribución
Poisson

Entonces N(t) es un proceso Poisson con media y variancia

 Puede aproximarse como el limite de un PE binomial.

 Permite definir los PE’s tren de impulsos y ruido de disparo.
 Los arribos/ocurrencias
 Se dan en instantes aleatorios Si.
 Son en promedio  en el intervalo [0, t].
PROCESOS ESTOCÁSTICOS
 Gausiano, sección 9.5.1 del Leon García.
Si cualquier colección de VA’s {X(t1), X(t2),…X(tk)} tiene distribución conjunta
gaussiana, entonces X(t) es un PE gausiano.

Importante
 Un PE gausiano queda TOTALEMENTE descrito por su función media y
autocovariancia.
 Estacionariedad en sentido débil = estacionariedad en sentido estricto.
 PE no correlacionado = PE independiente.
 Cualquier tranformacion lineal de X(t) es un PE gausiano.
PROCESOS ESTOCÁSTICOS
 Wiener y movimiento Browniano, sección 9.5.2 del Leon García.

Proceso de Wiener
No todo proceso físico puede ser modelado por de tiempo discreto y estado
discreto (una cadena de Markov)
Un ejemplo de proceso de tiempo continuo y estado continuo es el
Movimiento Browniano
PROCESOS ESTOCÁSTICOS
Proceso autoregresivo
Un proceso autorregresivo de orden 1, AR(1), tiene la siguiente forma: