Documentos de Académico
Documentos de Profesional
Documentos de Cultura
III
Introducción a Procesos Estocásticos
PROCESOS ESTOCÁSTICOS
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
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
Coeficiente de correlación
PROCESOS ESTOCÁSTICOS
Funciones momento (estadísticas de un PE)
Función media, función varianza, función autocorrelación (lo nuevo)
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
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:
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
Demostrar esta ultima expresión
¿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
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: