Procesos Estocsticos

Introduccin

Las caractersticas de un fenmeno aleatorio

puede ser descrito a travs de la distribucin de
probabilidad de una variable aleatoria que
representa el fenmeno.

En la teora de probabilidad, las propiedades

estadsticas de un fenmeno aleatorio que
ocurre de manera aleatoria respecto al tiempo
no son considerados.

Proceso Estocstico

Definicin: Una familia de variables aleatorias

x(t) donde t es el parmetro perteneciente a un
conjunto indexado T es llamado un proceso
estocstico (o proceso aleatorio), y se denota
por:

{x(t ), t T }

tambin es definido como:

{x(t , ), t T , }

donde es el espacio muestral.

Proceso Estocstico

Observacin:

Si t es fijo, x( ) es una familia de variables aleatorias.

(ensemble).

Para fijo, x(t) es una funcin del tiempo llamada

funcin muestrada.

x(t )

x(t )

x(t )

x(t )

x(t )

t1

t2

Proceso de Markov

Un proceso estocstico x(t) se dice que es un

proceso de Markov si satisface la siguiente
probabilidad condicional:

P{x(t n ) xn | x(t1 ) x1 , x(t 2 ) x2 ,..., x(t n 1 ) xn 1}

P{x(t n ) xn | x(t n 1 ) xn 1},

donde t1 t 2 ....t n 1 t n

Cadena de Markov: Proceso de Markov con estado

discreto.

Proceso de Difusin: Proceso de Markov con

estado continuo.

La ecuacin anterior puede ser escrita como:

f {x(t n ) | x(t1 ), x(t 2 ),..., x(t n 1 )} f {x(t n ) | x(t n 1 )}

entonces se tiene:

f {x(t1 ), x(t 2 ),..., x(t n )}

f {x(t n ) | x(t1 ), x(t 2 ),..., x(t n 1 )} f {x(t1 ), x(t 2 ),..., x(t n 1 )}
f {x(t n ) | x(t n 1 )} f {x(t1 ), x(t 2 ),..., x(t n 1 )}
f {x(t1 ), x(t 2 ),..., x(t n 1 )}
f {x(t n 1 ) | x(t n 2 )} f {x(t1 ), x(t 2 ),..., x(t n 2 )}

f {x(t1 ), x(t 2 ),..., x(t n )} f {x(t i )} f {x(t n ) | x(t r 1 )}

r 2

Proceso de Markov

Conclusin:

La funcin de densidad de probabilidad conjunta

de un proceso de Markov puede ser expresado
por medio de las densidades marginales
y un conjunto de funciones de densidad de
probabilidad condicional
,el
cual es llamado densidad de probabilidad de
transicin.

Un proceso de Markov se dice Homogeneo en el

tiempo si la densidad de probabilidad de
transicin es invariante en el tiempo :

f {x(t r ) | x(t r 1 )}

f {x(t1 )}

f {x(t r ) | x(t r 1 )} f {x(t r ) | x(t r 1 )}

Proceso
Normal(Gaussiano)

Un proceso estocstico x(t) se dice que es un

proceso normal (o gaussiano) si para cualquier
tiempo t, la variable aleatoria x(t) tiene
distribucin Normal.

Obs:

Un proceso normal es importante en el anlisis

estocstico de un fenmeno aleatorio observado
en las ciencias naturales, ya que muchos
fenomenos aleatorios pueden ser representados
aproximadamente por una densidad de
probabilidad normal. Ejm: movimiento de la
superficie del oceano.

Proceso de Poisson

Un proceso de conteo N(t) se dice que es un

proceso de Poisson con razn media (o intensidad)
si:
i) N(t) tiene incrementos independientes
estacionarios.
ii) N(0)=0
iii) El nmero de la longitud en cualquier
intervalo de tiempo est distribuido como Poisson
con media . Esto es:
k

P{N (t ) N (t ) k} e

()
, k 0,1,2,...
k!

tambin es llamado como proceso de incremento

de Poisson.

Proceso de Poisson

Para un proceso estocstico de incrementos

independientes, se tiene la siguiente funcin de
autocovarianza:

Var [ N (t1 ) N (t 2 )] para 0 t 2 t1

Cov[ x(t1 ), x(t 2 )]
e.t.o.c
0

Si x(t) tiene distribucin de Poisson, entonces:

(t1 t 2 ) ( (t 2 t1 )) para 0 t 2 t1
Cov[ x(t1 ), x(t 2 )]
e.t.o.c
0
Por lo tanto un proceso de incremento de Poisson es
estacionario en covarianza.

Proceso de Bernoulli

Considerar una serie de intentos

independientes con dos salidas posibles: xito o
fracaso. Un proceso de conteo Xn se llama
proceso de Bernoulli si Xn representa el nmero
de xitos en n intentos.
Si p es la probabilidad de xito, la probabilidad
de k xitos dado n intentos est dado por la
distribucin binomial:

n k nk
P{ X n k} p q , donde q 1 p
k