HABLEMOS SOBRE EL

METODO GRAFICO
PROPIEDADES Y APLICACIONES

DEFINICIÓN DE PROCESOS ESTOCÁSTICOS:

UN PROCESO ESTOCÁSTICO ES UNA COLECCIÓN DE VARIABLES ALEATORIAS {XT : T ∈ T }
PARAMETRIZADA POR UN CONJUNTO T , LLAMADO ESPACIO PARAMETRAL, Y CON
VALORES EN UN CONJUNTO S LLAMADO ESPACIO DE ESTADOS. (RINCON, 2011 UNAM). UN
PROCESO ESTOCÁSTICO, SE REFIERE A UN CONCEPTO MATEMÁTICO QUE ES DE GRAN
UTILIDAD PARA USAR MAGNITUDES ALEATORIAS QUE CAMBIAN EN EL TRANSCURSO DEL
TIEMPO O PARA IDENTIFICAR LA SUCESIÓN DE LAS VARIABLES ALEATORIAS QUE SE
TRANSFORMAN EN FUNCIÓN A OTRAS VARIABLES.
(HTTPS://WWW.ECONOMIA360.ORG/PROCESO-ESTOCASTICO/#GOOGLE_VIGNETTE,
2023).

CLASIFICACIÓN DE PROCESOS ESTOCÁSTICOS:

DENTRO DE ESTE TIPO DE PROCESO EXISTE UNA CLASIFICACIÓN, QUE FUNDAMENTALMENTE
SE DEFINEN COMO IMPREDECIBLES O PREVISIBLES, ESTOS PROCESOS SON LOS SIGUIENTES:
·ESTACIONARIOS:
SON AQUELLOS QUE MANTIENEN UNA CONSTANCIA EN LA DISTRIBUCIÓN DE
PROBABILIDADES DURANTE LARGOS PERÍODOS DE TIEMPO.
·NO ESTACIONARIOS:
SON LOS QUE VARÍAN CONSTANTEMENTE EN SU DISTRIBUCIÓN, LO QUE SIGNIFICA QUE LOS
DATOS TIENEN UN COMPORTAMIENTO ALTAMENTE CAÓTICO, YA QUE SON TOTALMENTE
IMPREDECIBLES. (HTTPS://WWW.ECONOMIA360.ORG/PROCESO-
ESTOCASTICO/#GOOGLE_VIGNETTE, 2023)
PROCESOS CON INCREMENTOS
PROCESO DE ENSAYOS PROCESOS DE INDEPENDIENTES.
INDEPENDIENTES. MARKOV. CON LA INVENCIÓN DE LA IMPRENTA NACISE DICE QUE UN PROCESO {XT :
ESTOS TIPOS DE PROCESOS SON T ≥0} TIENE INCREMENTOS INDEPENDIENTES SI PARA CUALESQUIERA
TIEMPOS 0 ≤ T1 < T2 <· · · < TN, LAS VARIABLES XT1, XT2 − XT1, . . . , XTN −
EL PROCESO A TIEMPO DISCRETO {XN : N =0, 1, . . IMPORTANTES Y SON MODELOS EN XTN−1SON INDEPENDIENTES.
.} PUEDE ESTAR CONSTITUIDO POR VARIABLES DONDE, SUPONIENDO CONOCIDO EL PROCESOS ESTACIONARIOS.
ALEATORIAS INDEPENDIENTES. ESTE MODELO ESTADO PRESENTE DEL SISTEMA, LOS SE DICE QUE UN PROCESO {XT : T ≥ 0} ES ESTACIONARIO (EN EL SENTIDO
ESTRICTO) SI PARA CUALESQUIERA TIEMPOS T1, . . . , TN, LA DISTRIBUCIÓN
REPRESENTA UNA SUCESIÓN DE ENSAYOS ESTADOS ANTERIORES NO TIENEN DEL VECTOR(XT1, . . . , XTN)
INDEPENDIENTES DE UN MISMO EXPERIMENTO INFLUENCIA EN LOS ESTADOS FUTUROS ERON LOS PERIÓDICOS IMPRESOS.

ALEATORIO. DEL SISTEMA.

Procesos con MARTINGALAS Y

incrementos
estacionarios.
SE DICE QUE UN PROCESO
{XT : T ≥ 0}4 TIENE
INCREMENTOS
ESTACIONARIOS SI PARA
CUALESQUIERA TIEMPOS S
< T, Y PARA CUALQUIER H >
0, LAS VARIABLES XT+H −
XS+H Y XT − XS TIENEN LA
MISMA DISTRIBUCIÓN DE
PROBABILIDAD. ES DECIR,
EL INCREMENTO QUE
SUFRE EL PROCESO ENTRE
LOS TIEMPOS S Y T SOLO
DEPENDE DE ESTOS
TIEMPOS A TRAVÉS DE LA
DIFERENCIA T − S, Y NO DE
LOS VALORES ESPECÍFICOS
DE S Y T.
PROCESOS DE LEVY
UNA MARTINGALA A
TIEMPO DISCRETO ES, EN
TÉRMINOS GENERALES, UN
PROCESO {XN : N = 0, 1, . .
.} QUE CUMPLE LA
CONDICIÓN (XN+1 | X0 =
X0, . . . , XN = XN) = XN.
(1.1) EN PALABRAS, ESTA
IGUALDAD SIGNIFICA QUE
EL ESTADO PROMEDIO DEL
PROCESO AL TIEMPO
FUTURO N + 1.
ES EL VALOR DEL PROCESO
EN SU ÚLTIMO MOMENTO
OBSERVADO, ES DECIR, XN.
SE DICE QUE UN PROCESO A
TIEMPO CONTINUO {XT : T ≥
0} ES UN PROCESO DE LEVY SI
SUS INCREMENTOS SON
INDEPENDIENTES Y
ESTACIONARIOS.

PROCESOS GAUSIANOS.

SE DICE QUE UN PROCESO A TIEMPO CONTINUO {XT : T ≥

0} ES UN PROCESO GAUSIANO SI PARA CUALESQUIERA
COLECCIÓN FINITA DE TIEMPOS T1, . . . , TN, EL VECTOR (XT1,
. . . , XTN) TIENE DISTRIBUCIÓN NORMAL O GAUSIANA.
(RINCON, 2011 UNAM)
Conceptos básicos de procesos estocásticos:
estacionariedad estricta y débil, procesos no
estacionarios, caminata aleatoria, procesos
transitorios, recurrentes, absorbentes,
periódicos, de segundo orden y análisis
espectral
Estacionariedad estricta y
Estacionariedad débil
Un proceso estocástico es estrictamente Esta es una definición más débil de
estacionario si su distribución de estacionariedad, comúnmente utilizada en
probabilidad en un instante de tiempo fijo o el análisis de series temporales. Un proceso
una posición fija es constante para todos los estocástico se considera estacionariamente
instantes de tiempo o posiciones. Esto débil si cumple con ciertas propiedades,
implica que parámetros como la media y la como que el primer y segundo momento no
varianza no varían a lo largo del tiempo o la varíen con respecto al tiempo. (Rincon,
posición. (Rincon, 2011 unam) 2011 unam)

Proceso estocástico no estacionario, Las

caminatas aleatorias y proceso transitorio.
Es aquel cuyas propiedades estadísticas, como la media y la varianza, cambian a lo largo del tiempo, a diferencia de los
procesos estacionarios donde estas propiedades se mantienen constantes.
(https://ocw.uma.es/pluginfile.php/1124/mod_resource/content/0/T3_OCW.pdf, s.f.)

Son cualquier proceso aleatorio donde la posición de una partícula en cierto instante depende solo de su posición en
algún instante previo y alguna variable aleatoria que determina su subsecuente dirección y la longitud de paso.
(https://ocw.uma.es/pluginfile.php/1124/mod_resource/content/0/T3_OCW.pdf, s.f.)

Un estado se considera transitorio si existe una probabilidad positiva de que la cadena, comenzando en ese estado, no
regrese nunca a ese estado.

Recurrentes y
Absorbentes
Un estado se considera recurrente si, una vez alcanzado, el proceso tiene una
probabilidad de 1 de regresar a ese estado en el futuro.
Un estado absorbente es aquel desde el cual el proceso no puede salir una vez que ha
sido alcanzado. Estos conceptos son fundamentales en el análisis de cadenas de
Markov y procesos estocásticos en general
(https://ocw.uma.es/pluginfile.php/1124/mod_resource/content/0/T3_OCW.pdf,

Periódicos y Procesos s.f.)

de Segundo Orden
En el contexto de las cadenas de Markov, un estado se considera periódico si el proceso, comenzando en ese
estado, regresa al estado con un período mayor que 1. Este concepto es relevante para comprender el
comportamiento cíclico de ciertos estados en un proceso estocástico.
(https://ocw.uma.es/pluginfile.php/1124/mod_resource/content/0/T3_OCW.pdf, s.f.)

Los procesos estocásticos de segundo orden son aquellos cuyas propiedades estadísticas, como la media, la
varianza y la covarianza, son constantes en el tiempo. Estos procesos son de interés en el análisis de series
temporales y en la modelización de fenómenos estocásticos.
(https://ocw.uma.es/pluginfile.php/1124/mod_resource/content/0/T3_OCW.pdf, s.f.)

Análisis Espectral y PROCESO

POISSON
El análisis espectral en el contexto de procesos estocásticos se refiere al estudio de las propiedades espectrales de los procesos estocásticos,
incluyendo la descomposición espectral y la interpretación de las componentes espectrales. Este análisis es útil para comprender la estructura de
la variabilidad en los procesos estocásticos y para identificar patrones y tendencias
(https://ocw.uma.es/pluginfile.php/1124/mod_resource/content/0/T3_OCW.pdf, s.f.).
Un proceso de puntos de Poisson es un tipo de objeto matemático aleatorio que consta de puntos ubicados aleatoriamente en un espacio
matemático con la característica esencial de que los puntos ocurren independientemente unos de otros. (Rincon, 2011 unam)
El proceso de Poisson es un modelo relevante tanto en las aplicaciones como en la teoría general de los procesos estocásticos.

Los tiempos entre eventos, La distribución

exponencial, Los procesos de Poisson no
homogéneos
En un proceso de Poisson se modelan mediante una variable aleatoria con una
distribución exponencial de parámetro lambda.
Se caracteriza por la propiedad de que estos tiempos son independientes entre sí.

Son utilizados para modelar el número de sucesos en un intervalo de tiempo dado, donde la media de
números de sucesos en este intervalo sigue una distribución de Poisson. (Rincon, 2011 unam)

La principal diferencia entre un proceso de Poisson homogéneo y no homogéneo es que un proceso

de Poisson homogéneo tiene un parámetro de velocidad constante, mientras que un proceso de
Poisson no homogéneo puede tener un parámetro de velocidad variable que es función del tiempo.
(Rincon, 2011 unam)