Procesos estocásticos

Unidad 1. Introducción a los procesos estocásticos

Licenciatura en Matemáticas

Asignatura: Procesos Estocásticos

Unidad 1.- Introducción a los procesos Estocásticos

Actividad 1 (Foro).- Conceptos Básicos

Alumna: Elda Josefina Vázquez Calderón

Grupo: MT-MPES-2201-B2-000

Docente: Alejandro Salazar Guerrero

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

1
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

Actividad 1. Conceptos básicos

Instrucciones: Realiza las siguientes actividades:

1. Elabora un ejemplo de proceso estocástico indicando sus características.

Un proceso estocástico es un conjunto de variables aleatorias que depende de un
parámetro o de un argumento. En el análisis de series temporales, ese parámetro es el
tiempo. Formalmente, se define como una familia de variables aleatorias Y indiciadas por
el tiempo, t. Tales que para cada valor de t, Y tiene una distribución de probabilidad dada.
En términos mucho más sencillos, un proceso estocástico es aquel que no se puede
predecir. Se mueve al azar. Aunque, existen distintos tipos de procesos estocásticos. Uno
de los ejemplos más clásicos para hacer referencia a un proceso estocástico es la bolsa
de valores. A pesar de esto, existen estrategias que han demostrado sobradamente que la
bolsa no es un proceso estrictamente estocástico. Sin embargo, en este caso, nos
estamos refiriendo a la bolsa de valores segundo a segundo. Ni el mejor modelo
predictivo del mundo sería capaz de predecir si la bolsa subirá o bajará cada segundo.

Ejemplos de procesos estocásticos

A continuación se ofrecen ejemplos variados de fenómenos que constituyen procesos
estocásticos.

 Electrocardiograma
 Terremotos
 El clima
 El segundo concreto de un partido en el que un jugador anota un gol
 Número de personas que dicen una palabra concreta alrededor del mundo

Como podemos comprobar son procesos totalmente aleatorios. Es imposible saber en

qué segundo anotará un jugador un gol. Al igual que es imposible predecir de forma
exacta qué tiempo hará en una zona en cierto instante. Y a pesar de los avances
tecnológicos sigue siendo imposible predecir un terremoto. Así pues, una vez introducidos
en los procesos estocásticos es preciso describir los tipos que existen.
En resumen, un proceso estocástico es un proceso aleatorio. Un proceso dominado por el
azar. Aun así, existen dos tipos. Los procesos estocásticos no estacionarios o caóticos. Y
los procesos estocásticos estacionarios que, por sus características, pueden intentar
predecirse

Las características fundamentales de un proceso estocástico son;

 Esperanza: Se define esperanza matemática de un proceso X(s) (también se
podría haber utilizado el tiempo como argumento) a una función no aleatoria, μ(s)
= E[X(s)], tal que, para cualquier valor del argumento s, coincide con la esperanza
matemática de la variable aleatoria correspondiente a dicha localización s. Es
decir, si para s = si, μ(si = E (X[s1)] ∀ si ∈ D, siendo D el dominio que comprende
todos los posibles valores de s.
 Varianza: Se denomina varianza del proceso X(s), a una función no aleatoria,
σ²[X(s)], tal que, para cualquier valor del argumento s, coincide con la varianza de
la variable aleatoria correspondiente a dicha localización s. Es decir, si para s = 𝑠𝑖 ,
σ² (𝑠𝑖 ) = V[X(𝑠𝑖 )] ∀ 𝑠𝑖 ∈ D, siendo D el dominio que comprende todos los posibles
valores de s. Su raíz cuadrada recibe el nombre de desviación típica del proceso.

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

2
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos
 Función de autocovarianza: Se define función de autocovarianza del proceso
estocástico X(s), C(𝑠𝑖 , 𝑠𝑗 ) = C[X(𝑠𝑖 ), X(𝑠𝑗 )], a una función no aleatoria de dos
argumentos (si y 𝑠𝑗 ), tal que, para cualquier par de localizaciones 𝑠𝑖 y 𝑠𝑗 , coincide
con la covarianza de las variables aleatorias correspondientes a dichas
localizaciones 𝑠𝑖 y 𝑠𝑗 . Es decir, si para s = 𝑠𝑖 , C (𝑠𝑖 , 𝑠𝑗 ) = C[X(𝑠𝑖 ), X(𝑠𝑗 )] ∀ 𝑠𝑖 , 𝑠𝑗 ∈ D,
siendo D el dominio que comprende todos los posibles valores de 𝑠𝑖 y 𝑠𝑗 .
 Función de autocorrelación: La función de autocorrelación del proceso se
obtiene sin más que dividir la función de autocovarianza por el producto de las
desviaciones típicas de X (𝑠𝑖 ) y X (𝑠𝑗 ).

Veamos un ejemplo numérico para aclarar los anteriores conceptos:

Considérese el proceso estocástico X(s) = s ξ + η, siendo ξ y η independientes, tal
que sus funciones de cuantía son las siguientes:

ξ=𝑥𝑖 P(ξ=𝑥𝑖 ) η=𝑦𝑖 P(η=𝑦𝑖 )

0'5 1/3 1 1/2
1 1/3 2 1/2
1'5 1/3

Se trata de obtener los puntos elementales o realizaciones del proceso, su

esperanza, varianza, función de autocovarianza y función de autocorrelación.

La distribución de probabilidad conjunta de ξ y η viene dada por:

η 2 1/6 1/6 1/6

1 1/6 1/6 1/6
0'5 1 1'5
ξ

Y los puntos elementales, sucesos, realizaciones o trayectorias del proceso

X(s) = s ξ1 + η son:
X(s) = 0,5s + 1
X(s) = 0,5s + 2
X s) = 1s + 1
X(s) = 1s + 2
X(s) = 1,5s + 1
X(s) = 1,5s + 2
Todas ellas con probabilidad 1/6.
Por tanto, son funciones de "s" para cada par de valores (𝑥𝑖 ; 𝑦𝑖 ), es decir, para
cada comportamiento elemental de (ξ;η). Si, por ejemplo, "s" son los números de
los inmuebles de una calle de Madrid, y X es el precio del metro cuadrado de la
vivienda, y se toma una muestra de 10 precios (uno en cada inmueble), se tiene
una probabilidad de 1/6 de obtener los precios de cualquiera de las 6 trayectorias.

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

3
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

Se aprecia que si, por ejemplo, s = 1, se tiene la variable aleatoria X(s1) cuyos valores
son los puntos que hay en su vertical, todos ellos con probabilidad 1/6 (la de la
correspondiente trayectoria).
Las variables aleatorias correspondientes a s = 1 y s = 2 tienen la siguiente distribución de
probabilidad:

Z(s=1) Prob. Z(s=2) Prob.

1,5 1/6 2 1/6
2 1/6 3 2/6
2,5 2/6 4 2/6
3 1/6 5 1/6
3,5 1/6
La esperanza del proceso o función aleatoria es:
E [X(s)] = (0,5 s + 1) ·1/6 + (0,5 s + 2) · 1/6 + (s +1) · 1/6 + (s +2) · 1/6 + (1,5 s +1) · 1/6 +
(1,5 s +1) · 1/6 = s + 1,5
Por lo tanto:

E [X(s=1)] = 2,5
E [X(s=2)] = 3,5
E [X(s=3)] = 4,5
E [X(s=4)] = 5,5
E [X(s=5)] = 6,5
E [X(s=6)] = 7,5

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

4
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos
Y así sucesivamente. Al no ser constante la esperanza se dice que el proceso tiene deriva
o tendencia.

La varianza del proceso estocástico o función aleatoria es:

V [X(s)] = [(0,5 s + 1) - (s + 1,5)]² · 1/6 + [(0,5 s + 2) - (s + 1,5)]² · 1/6 + [(s+1) - (s + 1,5)]² ·
1/6 + [(s +2) - (s + 1,5)] ² · 1/6 + [(1,5 s +1) - (s + 1,5)]² · 1/6 + [(1,5 s +1) - (s + 1,5)]² · 1/6
= 1/6 s² + 0,25
V [X (s=1)] = 0,417, V [X (s=2)] = 0,917 y V [X (s=3)] = 1.75.

La función de autocovarianza del proceso se elabora a partir de la tabla:

(ξ;η) X(𝑠𝑖 ) X(𝑠𝑗 ) Probabilidad
(0,5;1) 0,5 𝑠𝑖 + 1 0,5 𝑠𝑗 + 1 1/6
(0,5;2) 0,5 𝑠𝑖 + 2 0,5 𝑠𝑗 + 2 1/6
(1;1) 𝑠𝑖 + 1 𝑠𝑗 + 1 1/6
(1;2) 𝑠𝑖 + 2 𝑠𝑗 + 2 1/6
(1,5;1) 1,5 𝑠𝑖 + 1 1,5 𝑠𝑗 + 1 1/6
(1,5;2) 1,5 𝑠𝑖 + 2 1,5 𝑠𝑗 + 2 1/6

Entonces:

C(𝑠𝑖 ; 𝑠𝑗 ) = α11 - α10 · α01, siendo α los correspondientes momentos respecto al origen.

α11 = (0,5 𝑠𝑖 +1) · (0,5 𝑠𝑗 +1) · 1/6 + (0,5 𝑠𝑖 +2) · (0,5 𝑠𝑗 +2) · 1/6 + (𝑠𝑖 +1) · (𝑠𝑗 +1)· 1/6 +
(𝑠𝑖 +2) · (𝑠𝑗 +2) · 1/6 + (1,5 𝑠𝑖 +1) · (1,5 𝑠𝑗 +2) · 1/6 + (1,5 𝑠𝑖 +2) · (1,5 𝑠𝑗 +2) · 1/6 = [7 𝑠𝑖 · 𝑠𝑗
+ 9 𝑠𝑖 + 9 𝑠𝑗 + 15] · 1/6

α10 = 𝑠𝑖 + 1,5
α01 = 𝑠𝑗 + 1,5

Por consiguiente:

C(𝑠𝑖 ; 𝑠𝑗 ) = α11 - α10 · α0 = [𝑠𝑖 · 𝑠𝑗 + 1,5] · 1/6

Así, por ejemplo:

C [X(s=1); X(s=6)] = [1 · 6 + 1,5 ] · 1/6 = 1,25

C [X(s=1); X(s=2)] = [1 · 2 + 1,5 ] · 1/6 = 0,583

La función de autocorrelación del proceso es:

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

5
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos
2. Elabora una tabla de valores para el siguiente caso: X(t) puede ser igual al
número total de clientes que han entrado al supermercado en el tiempo t.
Variable: clientes en un supermercado
Tiempo: mes
X(t) t(min)
6 5
9 10
12 15
20 25
25 40
30 50
38 60

3. Elabora un ejemplo de matriz de estados

Markov fue uno de los matemáticos que investigó los procesos estocásticos, hizo
aportaciones como las cadenas de Markov, y la matriz de transición de Markov.

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

6
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

4. Elabora un diagrama del proceso Poisson

Definición Un proceso de conteo se dice que es un Proceso de Poisson homogéneo de
tasa λ > 0, si:

I. N(0) = 0
II. N(𝑡1 ) − N(𝑡0 ), N(𝑡2 ) − N(𝑡1 ), ..., N(𝑡𝑛 ) − N(𝑡𝑛 −1) son variables aleatorias independientes
(proceso de incrementos independientes).
III. N(t + s) −N(s) (”N° de sucesos que ocurren entre el instante s y el instante t + s) sigue
una distribución de Poisson de parámetro λt.
El proceso de Poisson se utiliza básicamente para modelar los llamados procesos de
colas. En ellos se pueden incluir muchos procesos: coches que llegan al peaje de una
autopista, clientes que llegan a un banco, peticiones que llegan a un servidor de Internet,
llamadas que pasan por una centralita, etc.
Consideremos, por ejemplo, el caso de un servidor de Internet. Queremos estudiar las
peticiones que va recibiendo este servidor. Podemos suponer que las peticiones llegan de
una en una. Si llamamos N(t) al número de peticiones que ha recibido el servidor hasta el
instante t, encontramos que una posible realización de este proceso será del tipo:

Donde S(1) indica el instante en que llega la primera petición, S(2) indica el instante en
que llega la segunda y, en general, S(i) indica el instante en que llega la i-ésima. Éste es
un ejemplo de un proceso que se puede representar utilizando el proceso de Poisson.
Tiene algunas características fundamentales:
 Para cada instante t, N(t) seguirá una distribución de Poisson de parámetro λt.
 Las diferencias entre los tiempos de llegadas consecutivas siguen una distribución
exponencial de parámetro λ, es decir, S(i + 1) − S(i) siguen una exponencial de
parámetro λ

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

7
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos
5. Desarrolla el ejemplo 2 de la página 8, con otros valores
Ejemplo 2: El Proceso Poisson. Empecemos considerando una sucesión {𝑇𝑛 } de
variables aleatorias independientes e idénticamente distribuidas que indican el tiempo
que transcurre entre la ocurrencia de eventos sucesivos. Por ejemplo, puede tratarse
del tiempo entre la llegada de dos clientes a una fila de un banco, o el tiempo entre la
llegada de dos señales de un satélite, o bien el tiempo entre la ocurrencia de dos
accidentes en un crucero vial. También pueden representar el espacio entre dos
eventos, por ejemplo, la longitud entre la presencia de dos defectos en un rollo de tela.

Para fijar ideas, supongamos que los primeros 5 valores asumidos por estas variables
son: 0.30, 1.46, 0.55, 0.8, 1.5.
Entonces, el primer evento ocurre en el tiempo 0.30, el segundo en el tiempo 0.30 + 1.46
= 1.76, el tercero al tiempo 1.76 + 0.55 = 2.31, el cuarto tiempo 2.31 + 0.8 = 3.11, el quinto
tiempo 3.11 + 1.5 = 4.61

0.30 1.76 2.31 3.11 4.61

El instante en que se presenta la n-ésima ocurrencia está dado por:

Ahora estamos en condiciones de definir el proceso que nos interesa. Sea (Nt) el número
de eventos ocurridos desde el inicio de la observación hasta el tiempo t. En el ejemplo
que estamos analizando
N (t) = 0 para toda t ∈ [0, 0.25), N (t) =1 para toda t ∈ [0.25, 1.61) y así sucesivamente.
La variable aleatoria (N t) se puede analizar para cada instante de tiempo t ∈ R y es una
función escalonada con saltos de tamaño 1 en el momento en que ocurre el evento que
estamos observando

0.30 1.76 2.31 3.11 4.61

Podemos definir las variables N(t) de la siguiente manera:

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

8
Procesos estocásticos
Unidad 1. Introducción a los procesos estocásticos

𝑁(0) = 0 𝑦 𝑁(𝑡) = ∑ 𝐼[0,𝑡] (𝑊𝑗 )

𝑗=1

Es decir, se suma una unidad por cada 𝑊𝑗 que se encuentre en el intervalo de

observación [0, t].
También se puede definir de la siguiente manera:

𝑁(0) = 0 𝑦 𝑁(𝑡) = 𝑚𝑎𝑥{𝑛 ∈ 𝑁|𝑊𝑛 ≤ 𝑡}

El proceso {𝑁𝑡 } es una colección infinita no-numerable de variables aleatorias que toman
valores en el espacio de estados {0, 1, 2, 3,…}.
El proceso {𝑁𝑡 } se conoce como proceso Poisson porque se puede demostrar que las
variables {𝑁𝑡 } tienen distribución Poisson con parámetro λt. Es decir, el número medio de
eventos ocurridos en el intervalo [0, t] es, a la larga, λt y el número medio de eventos
ocurridos en [0,1] es λ.

Referencias:

UnADM Matemáticas/ Procesos Estocásticos/Contenido Nuclear Unidad 1 Introducción a

los procesos estocásticos/México D.F. Diciembre 2015.

Brzezniak Z. y Zastawniak T. (2002). Basic Stochastic Processes. A Course through

Excercises. Springer undergraduated Mathematic series, London.

Karlin S. y Taylor H.M. (1981). A first course in Stochastic Processes, 2aedición.

Academic Press, New York.

Lawler G.F. (1995). Introduction to stochastic processes. Chapman and Hall, New York.

Ross S.M. (1996). Stochastic Processes. J. Wiley, NewYork.

Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías

9