UNIVERSIDAD LOYOLA

CARRERA DE INGENIERÍA
CIVIL
MATERIA:

INVESTIGACIÓN OPERATIVA II

CIV: 222
Catedrático:
Ing. WOLTHAR NAVIA MOSCOSO
Capítulo Nº II
PROCESOS ESTOCÁSTICOS
INTRODUCCIÓN,
DEFINICIÓN Y
TIPOS DE
PROCESOS
 PROCESOS ESTOCÁSTICOS

INTRODUCCIÓN
 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.
 Un proceso estocástico es aquel que no se puede
predecir. Se mueve al azar.
 Aunque, como veremos más tarde, existen distintos tipos de
procesos estocásticos. Uno de los ejemplos más clásicos
para hacer referencia a un proceso estocástico es la bolsa de
valores.
También un proceso Estocástico se define:

 Como una colección indexada de variables aleatorias {Xt },

donde el índice t toma valores de un conjunto T dado.
 Con frecuencia T se considera el conjunto de enteros no
negativos mientras que Xt representa una característica de
interés cuantificable en el tiempo t.

Por ejemplo:
Xt puede representar los niveles de inventario al final de la
semana t.

Los procesos estocásticos son de interés para describir el

comportamiento de un sistema en operación durante
algunos periodos.
Un proceso estocástico tiene la siguiente estructura:

La condición actual del sistema puede estar en una de M +1

categorías mutuamente excluyentes llamadas estados.

Por conveniencia en la notación, estos estados se etiquetan 0, 1,

2, . . ., M.

La variable aleatoria Xt representa el estado del sistema en el

tiempo t, de manera que sus únicos valores posibles son 0,
1, . . ., M. El sistema se observa en puntos del tiempo dados,
etiquetados t = 0, 1, 2, . . . De esta forma, los procesos
estocásticos {Xt } = {X0, X1, X2, . . .} proporcionan una
representación matemática de la forma en que evoluciona la
condición del sistema físico a través del tiempo.

Este tipo de procesos se conocen como procesos estocásticos

de tiempo discreto con espacio de estados finito.
Ejemplo de clima

El clima en el pueblo de Centerville puede cambiar con

rapidez de un día a otro. Sin embargo, las posibilidades de
tener clima seco (sin lluvia) mañana es de alguna forma
mayor si hoy está seco, es decir, si no llueve. En particular, la
probabilidad de que mañana esté seco es de 0.8 si hoy está
seco, pero es de sólo 0.6 si hoy llueve. Estas probabilidades
no cambian si se considera la información acerca del clima en
los días anteriores a hoy.

La evolución del clima día tras día en Centerville es un

proceso estocástico. Si se comienza en algún día inicial
(etiquetado como día 0), el clima se observa cada día t, para t
= 0, 1, 2, . . . El estado del sistema en el día t puede ser
Estado 0 = 5 El día t es seco
o bien
Estado 1 = 5 El día t es lluvioso

Así, para t = 0, 1, 2, . . ., la variable aleatoria Xt toma los

valores,

El proceso estocástico {Xt } = {X0, X1, X2, . . .} proporciona

una representación matemática de la forma en que evoluciona
el clima en Centerville a través del tiempo.
TIPOS DE PROCESOS ESTOCÁSTICOS

Existen dos tipos de procesos estocásticos. La diferencia entre

los mismos, tiene que ver con predictibilidad de una serie
temporal:

Procesos estocásticos estacionarios: Tiene una serie de

características que lo hacen, en cierta manera, predecible.

Procesos estocásticos no estacionarios: En términos

generales, sería impredecible.
Proceso estocástico estacionario
 Un proceso estocástico estacionario es aquel cuya
distribución de probabilidad varía de forma más o menos
constante a lo largo de cierto periodo de tiempo.

 Es una serie de números puede parecer (y ser) caótica pero

tomar valores dentro de un rango limitado.

 A través de esta información se pueden realizar modelos que

intenten predecir la variable.

Los retornos diarios de un activo financiero son un ejemplo de

procesos estocásticos estacionarios.

Así pues, los retornos diarios del EUR/USD, es decir, la variación

diaria en porcentaje tiene la siguiente forma:
Proceso estocástico no estacionario

 Un proceso estocástico no estacionario es aquel cuya

distribución de probabilidad varía de forma no constante.

 Dicho de otra forma, si una serie de números se comporta de

forma totalmente caótica, podríamos decir que es aleatorio no
estacionario.

Un ejemplo de proceso estocástico no estacionario sería la

cotización del par de divisas EURUSD.
En síntesis:

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.
Ejemplo 1
Clasificación de procesos
estocásticos
Ejemplo 2
Ejemplo 3
Ejemplo 4
4
 PROCESOS DE
MARKOV- CADENAS
DE MARKOV
 INTRODUCCIÓN A LOS PROCESOS
MARKOVIANOS
 El análisis de Markov, llamado así en honor de un
matemático ruso que desarrollo el método en 1907, permite
encontrar la probabilidad de que un sistema se encuentre
en un estado en particular en un momento dado.

 Algo más importante aún, es que permite encontrar el

promedio a la larga o las probabilidades de estado estable
para cada estado.

 Con esta información se puede predecir el comportamiento

del sistema a través del tiempo
 PROCESOS MARKOVIANOS
Un proceso markoviano esta formado por un conjunto de
objetos y un conjunto de estados tales que:

1. En cualquier instante cada objeto deberá encontrarse en

uno de los estados.
2.- La probabilidad de que un objeto cambie de un estado a
otro durante un intervalo depende del resultado del estado
inmediatamente anterior y no de cualquier otro.
Etapas del Proceso: Es el número de los periodos transcurrido
desde el momento en que se inicia el proceso. Estas pueden ser
finitas o infinitas.

Cadena de Markov: Es un proceso markoviano que tiene un

número finito o infinito contable de estados