ITT-352

Procesos Estocásticos

Rafael O. Batista Jorge ITT-352 Santiago, 2021

Procesos Estocásticos– ITT-352

1. INTRODUCCION

ITT-352
Sistema estocástico.
• Un
  sistema estocástico es cualquier cantidad que evoluciona de manera
aleatoria a través del tiempo
– Puede ser de característica discreta
– Puede ser de característica continua
• De manera más formal, un proceso estocástico asigna una función a un
evento aleatorio.
• Se puede interpretar un proceso estocástico como una colección de
variables aleatorias
– Generaliza el concepto de un vector de valores aleatorios a una función

ITT-352
Característica de la voz humana

ITT-352
Probabilidad e inferencia estadística
• La teoría de la probabilidad es Teoría de la probabilidad

un conjunto de formalismos
enfocados en explicar la
incertidumbre
– Dado un proceso generador de Proceso Generador de
Data Observada
datos, ¿Cuáles son las Información

propiedades de sus resultados?

• La inferencia estadística es el
problema inverso
– Dado los resultados, ¿Qué
Inferencia y Minería de Datos
podemos decir del proceso que
los genera?

ITT-352
Cadenas de Markov
• Definimos
  un conjunto de estados de tal manera que en el momento
discreto , tenemos el estado
– Puede ser de característica discreta
– Puede ser de característica continua
• Definimos la propiedad sin memoria aplicado a procesos estocásticos
– La probabilidad del siguiente estado solo depende del estado actual
– No hay dependencia de estados anteriores ,

ITT-352
Cadenas de Markov
• Si
  definimos dos estados feliz () o triste (1) como una cadena de Markov
tenemos:

• El estado de ánimo de mañana solamente afectado por el estado de ánimo del

día de hoy. No importa si estoy triste o feliz, la mayor posibilidad es de que
mañana esté feliz.
• Aplicaciones en el ranking de página de Google, redes de comunicaciones,
aprendizaje reforzado.

ITT-352
Cadenas de Markov de Tiempo Continuo
• Definimos
  un conjunto de estados dependientes de la variable de,
generando el estado
– La transición entre los estados puede ocurrir en cualquier momento
– Markov: El future es independiente del pasado, es solo función del presente
• Probabilidad de cambiar estado en un tiempo inifitesimal

• Aplicaciones en reacciones químicas, modelado epidémico y predicción del

clima

ITT-352
Proceso aleatorio estacionario
• De
  tiempo contino y estados continuo, no necesariamente implica ser
modelado por una cadena de Markov.
• La distribución probabilística de los estados es constante o tiende a ser
constante según el tiempo t incrementa.
– El Sistema tiene un estado estable en el sentido aleatorio
• Esto engloba el ruido blanco, procesos gaussianos, autocorrelación,
densidad espectral de potencia, movimiento Browniano.
• Aplicaciones en radares, reconocimiento facial, filtrado y ecualización.

ITT-352
Ejemplo de modelado estocástico
• Si
  definimos el tiempo un juego en un casino en donde las probabilidades de
ganar son p>1/2
• En cada apuesta, puedes ganar $1
– Con la probabilidad p, ganas $1
– Con la probabilidad p-1, pierdes $1
• Dos opciones
– Jugar hasta quebrar (Perder todo el dinero)
– Seguir jugando para siempre
• Se inicia con una riqueza inicia
• ¿Se debería jugar este juego?

ITT-352
Ejemplo de modelado estocástico
• Si
  definimos un índice t, que represente cada vez que se coloca una
apuesta.
• Denotamos a como la salida en el instante t, de la siguiente manera
– =1, se gana la apuesta (probabilidad p)
– =0, se pierde la apuesta (probabilidad p-1)
• es denominado como variable aleatoria de Bernoulli con parámetro p.
Dos posibles valores (0,1).
• Con , podemos escribir

ITT-352