Procesos Estocsticos

Unidad 1 Evidencia de Aprendizaje

CONSTRUCCIN DE PROCESOS ESTOCSTICOS

30 de julio de 2015
Autor: Laura Pontn

Procesos Estocsticos
Unidad 1 Evidencia de Aprendizaje
Construccin de procesos estocsticos
A travs de esta actividad tendrs la capacidad de crear un proceso estocstico tomando en
consideracin los conocimientos obtenidos durante la unidad.
Introduccin
Los procesos estocsticos bsicamente representan sistemas en los que su estado cambia a lo largo del
tiempo, tal que dichos cambios no necesariamente son completamente pronosticables, pero si es
posible asociarlos a distribuciones de probabilidad, donde infinidad de fenmenos reales es posible
modelarlos.
Podemos definir a un proceso estocstico como un proceso de incrementos independientes tal que si
= {0,1 } es estadsticamente independiente y no correlacionado, de tal manera que la
distribucin de probabilidad de los cambios en el proceso en cualquier intervalo temporal es
independiente de cualquier otro intervalo, as entonces si la variable aleatoria X sigue este principio,
donde sus variaciones para el caso de cualesquier pequeos intervalos de tiempo ( ,
) son independientes
Como el proceso estocstico X(t) es un proceso estacionario de incrementos independientes, la
varianza de los incrementos independientes (2 ) (1 ), tal que 1 < 2 ,siendo proporcional a
2 1
Ahora como { }>0 se considera como una suma de variables independientes e idnticamente
distribuidas
y tal que para 0 , 1 0 , 2 1 , 1 que son variables
independientes donde 0 < 1 <
son independientes, para cualquier intervalo finito de
tiempos, por lo que (2 ) (1 ) y 1 < 2 , depende solamente de 2 1 Y podemos decir
que independiente de los valores 1 , 2 , 1 slo depende de su intervalo , por lo que son
procesos con incrementos independientes.
Ahora establecemos que para cada n en Z

Procesos Estocsticos | 30/07/2015

0 , 1 0 = 1 2 1 = 0 , 1 1 =

Donde los intervalos de los incrementos coinciden con las variables, Ys que son independientes por lo
que los incrementos son independientes
Por otro lado es importante enfatizar, que dado que un proceso estocstico es un conjunto de variables
aleatorias parametrizadas por un conjunto T (espacio parametral), tal que las variables adoptan
valores en un conjunto S (espacio de estados).
Por lo cual sus caractersticas y propiedades las podemos definir como el espacio de estados y el
parmetro temporal
La clasificacin que tenemos en base a estas dos propiedades generan 4 tipos de procesos
1. Continuos a tiempo continuo,
2. Continuos a tiempo discreto,

3. Discretos a tiempo continuos,

4. Discretos a tiempo discreto.
Ahora un proceso se basa en la teora de Probabilidad, la cual provee las ideas de los conceptos que
detallan o describen a un proceso estocstico: la esperanza condicional y la distribucin conjunta.

Ejercicios
1. Una partcula se encuentra en un punto al que identificaremos con el origen de la recta numrica. Con
probabilidad p avanza una unidad hacia la derecha y con probabilidad = 1 lo hace hacia la
izquierda. Sea el punto donde se encuentra la partcula despus de pasos.
Este proceso se conoce como caminata aleatoria o recorrido aleatorio. Se puede pensar a
como una suma de variables independientes e idnticamente distribuidas que indican lo ocurrido en
cada paso:
1

= {
1
Con distribucin de probabilidad comn dada por:
( = 1) =

( = 1) = 1 =

Usando lo anterior, las variables de la caminata aleatoria son:

0 = 0

= 1 + 2 + +

Para > 0

Recursivamente, la relacin anterior se escribe como:

= +1 +

Para > 0

O bien,
1 =
a)

Para > 0

Establece para Xn y para Yn, S y T.

Definicin 1.1. Un proceso estocstico es una coleccin de variables aleatorias { : }

parametrizada por un conjunto T, llamado espacio parametral, en donde las variables toman valores en
un conjunto S llamado espacio de estados.
ES UN PROCESO A TIEMPO CONTINUO DE

P{( x )tn |(x)n x

, (t ) x,...,
x (t )x
x tn 1
1
1
2
2
x
}, x
n 1} {(P )x tn| ( xn) x tn
1
n 1
con tiempos t t ....t
1 2
n 1 tn
Los procesos de Movimiento Browniano, a veces llamados procesos de Wiener, son de los
ms importantes procesos estocsticos en la teora de probabilidad aplicada. Su origen se encuentra en
la Fsica pero su nombre se debe a Robert Brown, botnico del siglo XIX que lo descubri. Dicho
movimiento es el que exhibe una partcula pequea que se encuentra totalmente inmersa en un lquido

Procesos Estocsticos | 30/07/2015

UN PROCESO ESTOCSTICO SE DICE QUE

MARKOV SI SATISFACE LO SIGUIENTE:

o gas. La primera explicacin del fenmeno la dio Albert Einstein en el ao 1905. El mostr que el
Movimiento Browniano se podra explicar asumiendo que la partcula era continuamente sujeta al
bombardeo de molculas que se encuentran en su entorno. Sin embargo la primera definicin concisa
la present Wiener en el 1918.
Empecemos considerando una caminata simtrica al azar en la cual, en cada unidad de tiempo
es igualmente probable que se de un paso hacia la izquierda o hacia la derecha. Esto es una cadena de
Markov con

Pi,i+1= = Pi,i-1, i = 0, + 1,.

Ahora supongamos que aceleramos este proceso dando pasos cada vez ms cortos en intervalos de
tiempo ms corto. Si tomamos el lmite de la manera correcta obtenemos el Movimiento Browniano.
Si X (t ) denota la posicin en el tiempo t cuando

X (t) x( X1 ... Xt / t )
1
Xi
1

donde

t / t

si el i simo paso de tamaox es a la derecha

si el i simo paso es a la ixquierda

es el entero mayor que es menor o igual a t / t y donde las X i son independientes con

1
PX i 1 PX i 1 .
2

Como EX i 0 y Var( Xi ) E X12 1 obtenemos que

EX (t ) 0

Procesos Estocsticos | 30/07/2015

t
Var( X (t )) (x)2
t

Ahora pasaremos a definir formalmente el movimiento Browniano.

Definicin

Un proceso estocstico X (t ), t 0 se dice que es un movimiento Browniano si

cumple las siguientes condiciones:

1.

X(0) = 0

2.

X (t ),

3.

Para cada t > 0, X(t) est normalmente distribuida con media 0 y varianza

t 0 tiene incrementos estacionarios e independientes.

2t.

La interpretacin del Movimiento Browniano como el limite de caminatas al azar sugiere que X(t)
debera ser una funcin continua de t. Como X(t) es normal con media 0 y varianza t,
(Sheldon M. Ross Captulo 10: Movimiento Browniano y Procesos Estacionarios Introduction to
Probability Models )
Tal que para
Donde X es la posicin del movimiento de la partcula y como es discreta tenemos que usar n por lo que
la definimos como Xn que indica la posicin del movimiento de la partcula al n-simo paso.
= { , , . , , , , } que es el espacio de probabilidad
= {, , , . . . } nmeros de movimientos de la partcula, que son nmeros enteros, numerables,
siendo a tiempo discreto

Tal que para

Donde Y son todos los eventos que pueden tener de 1 slo +1 o -1
= {, } que es el espacio de probabilidad
= {, , , . . . } siendo nmeros enteros numerables, a tiempo discreto.
CAMINATA ALEATORIA:

TAL QUE, INICIANDO EN EL ESTADO 0, AL SIGUIENTE TIEMPO EL PROCESO PUEDE PASAR

AL ESTADO +1 CON PROBABILIDAD P, O AL ESTADO -1 CON PROBABILIDAD Q, EN DONDE
P + Q = 1.
UTILIZANDO LA MISMA REGLA PARA LOS SIGUIENTES TIEMPOS, ES DECIR, PASA AL
ESTADO DE LA DERECHA CON PROBABILIDAD P, O AL ESTADO DE LA IZQUIERDA CON
PROBABILIDAD Q. EL VALOR DE ES EL ESTADO DEL PROCESO AL TIEMPO .

ESTE PROCESO CAMBIA DE UN ESTADO A OTRO EN DOS TIEMPOS CONSECUTIVOS DE

ACUERDO CON LAS PROBABILIDADES DE TRANSICIN QUE SE MUESTRAN EN LA FIGURA
ANTERIOR, SON VLIDAS PARA Y PARA CUALESQUIERA Y .

Procesos Estocsticos | 30/07/2015

UNA CAMINATA ALEATORIA SIMPLE SOBRE EL CONJUNTO DE NMEROS ENTEROS ES

UN PROCESO ESTOCSTICO A TIEMPO DISCRETO { : = , , , } QUE EVOLUCIONA
COMO LA SIGUIENTE FIGURA:

ESTA PROBABILIDAD SE PUEDE ESCRIBIR COMO:

= +
(+ = | = ) = { =

COMO ESTAS PROBABILIDADES NO DEPENDEN DE , SE DICE QUE SON HOMOGNEAS EN
EL TIEMPO, ES DECIR, SON LAS MISMAS PARA CUALQUIER VALOR DE . (RINCN, 2015)

b)

Demuestra que { } es un proceso con incrementos independientes.

Tal que se trata de un proceso discreto a tiempo discreto.

En una caminata aleatoria o recorrido aleatorios se considera a como la suma de variables
independientes, donde representa un proceso estocstico a tiempo discreto, y puede estar
conformado de variables aleatorias independientes, lo cual significa que los desplazamientos que tiene el
proceso en tales intervalos disjuntos de tiempo sern independientes unos de otros.
Considerando las variables de la caminata aleatoria tenemos:
0 = 0

= 1 + 2 + +

Para > 0

Recursivamente, la relacin anterior se escribe como

Para > 0

= +1 +
O bien,

Para > 0

1 =
Por lo que, sabemos que:

Si se trata de un proceso a tiempo discreto, { } tal que es un proceso con incrementos

independientes si para cada entero positivo n se tiene que:
0
1 0
2 1
Procesos Estocsticos | 30/07/2015

3 2 1

Siendo variables aleatorias independientes, tal como se nos plantea en

1 =

Para > 0

c)

Demuestre que {Yn} es un proceso independiente.

Ocurre cuando los intervalos son independientes estadsticamente hablando, eso significa que lo que
haya sucedido en intervalos ajenos al observado en un momento determinado, no afecta la probabilidad
de los eventos relacionados con el proceso en ese intervalo.
Sea entonces que 1 = Tal que la variable es idnticamente distribuida a todas las
donde slo depende del estado anterior, tal que 1 lo que representa

d)

Demuestra que { } es un proceso de Markov.

De la forma recursiva para definir tenemos que: = 1 + , donde slo depende del
estado anterior, tal que 1
Tal que la variable es idnticamente distribuida a todas las
Siendo que los estados anteriores a 2 no afectan a , por lo que se deduce que se trata de un
proceso de Markov.
Para una caminata aleatoria, y segn la descripcin del problema, las probabilidades, se pueden
describir de la siguiente forma:

(+

= +
=
= | = ) = {

Tales probabilidades no dependen de n por lo que son homogneas o estacionarias en el tiempo, es

decir que, son las mismas para cualquier valor que adquiera n.
Tal que como el problema resalta el valor actual del estado, para llegar al siguiente, nos indica que se
trata de un proceso de Markov.
e)

Demuestra que { } es un proceso con incrementos estacionarios.

De acuerdo al Programa Desarrollado pg. 18 " En particular, se dice que el proceso tiene

htienen la misma distribucin de probabilidad, es decir, el incremento depende slo de la longitud

del intervalo de tiempo t s"
cuando la diferencia de todos los intervalos es constante
f)
Si el siguiente elemento del espacio muestral representa una coleccin de valores
tomados por las variables , dibuja la trayectoria muestral correspondiente:
= (1, 1, 1, 1,1,1, 1,1, 1, 1, 1 )

Procesos Estocsticos | 30/07/2015

incrementos estacionarios si para s < t y h > 0, las variables X t X sy X t hX s

g)
Demuestra la esperanza y la varianza de e interpreta su valor cuando > ,
cuando < y cuando = .

LA CAMINATA ALEATORIA SE DEFINE PARA EL CASO DE LA SIGUIENTE MANERA:

TAL QUE SEA , , UNA SUCESIN DE VARIABLES ALEATORIAS INDEPENDIENTES E
IDNTICAMENTE DISTRIBUIDAS (SIENDO EL PROCESO CON INCREMENTOS
INDEPENDIENTES Y ESTACIONARIOS). SIENDO QUE LA DISTRIBUCIN ES IDNTICA, SE
CONSIDERA UNA DISTRIBUCIN POR MEDIO DE , SIN UN SUBNDICE, YA QUE TODAS SON
IDNTICAS.

( = +) =
( = ) =
=

= + + + +
ESPERANZA DE

Procesos Estocsticos | 30/07/2015

( ) = ( )

CONSIDERANDO QUE:
= = = =

( ) = ( ) = ()
=

TAL QUE:

() =

( ) = ( ) = () = ((1) + (1)) = ( )
=1

( ) = ( ) = () = ( )
=

( ) = ( )

PARA LA VARIANZA:

( ) = () = ( 2 ) ()2

() = [ 2 ] 2
TAL QUE
( ) = + =
() = ( )

( ) = () = ( ) () = ( ) =

( ) = ( ) = () = () =

( ) = 4

Interpreta su valor cuando p > q, cuando p < q y cuando p = q.

Si > : La caminata avanza hacia a la derecha con mayor probabilidad, entonces el estado promedio
despus de pasos sera un nmero positivo, tal que, su comportamiento promedio es tender hacia la
derecha.

Procesos Estocsticos | 30/07/2015

Si < : Siendo < , el estado final promedio de la caminata despus de pasos es un nmero
negativo, tal que, en promedio la caminata tiende a moverse hacia la izquierda.
En ambos casos > < , la varianza crece conforme el nmero de pasos crece, eso indica
que mientras mayor es el nmero de pasos que se dan, mayor es la incertidumbre acerca de la posicin
final del proceso.
Si : La caminata es asimtrica.
Si = : La caminata es simtrica, y en promedio el proceso se queda en su estado inicial, pues,
( ) = 0 sin embargo, para tal valor de la varianza es ( ) = y es sencillo demostrar que
ese valor es el mximo de la expresin 4, para (0,1)

2. Realiza:
a. Ingresa a la siguiente hoja de Google drive, coloca tu nombre en el concepto elegido:
https://docs.google.com/spreadsheets/d/1XRAW4AljbcMgIkU9Edi2d_4ueIXiMsi65kZOk99WBQ/edit?usp=sharing
b. Busca en Internet, libros y artculos el concepto elegido y desarrolla en UNA diapositiva la definicin,
considera:
Usar imgenes
Usar Esquemas
Establecer Ejemplos
NO PEGAR INFORMACIN DE INTERNET, USA TUS PROPIAS PALABRAS
No colocar puro texto
No borrar los conceptos de tus compaeros en la presentacin
Sigue las instrucciones
c. En la siguiente presentacin en Google Drive
https://docs.google.com/presentation/d/1sQMfpN3NV5M9r420zB_Ddsb_GrlXuTZr1Wn7IzLieL8
/edit?usp=sharing

Procesos Estocsticos | 30/07/2015

Coloca la informacin de tu definicin. En el documento de la evidencia coloca la pantalla de la

diapositiva que colocaste en la presentacin de Google Drive.

d. Ingresa en la herramienta de Glosario y coloca la informacin de tu definicin. Hecho.

Conclusin
La idea de esta unidad es el anlisis de un proceso estocstico y trabajar con la modelacin matemtica, siendo sta
una sucesin de variables aleatorias.
De forma muy general, los paseos aleatorios se definen como cualquier proceso aleatorio tal que la posicin de
una partcula en cierto instante depende nicamente de su posicin en algn instante anterior y alguna variable
aleatoria que determina la siguiente direccin y la longitud de paso.
Se analizaron prcticamente los conceptos ms significativos que involucran el proceso de Markov, las
propiedades que lo caracterizan.
Donde hay un especial nfasis en la caminata aleatoria que es una representacin matemtica de una trayectoria,
con pasos sucesivos en forma aleatoria, tal como en el ejemplo que se presenta del movimiento de partculas, o
pudiera ser en otros casos el movimiento de molculas en algn medio, el comportamiento animal de manadas, de
insectos, comportamiento burstil, ndices econmicos, anlisis financieros, juegos de azar que es posible
modelarlos con estas herramientas.

Bibliografa
Programa desarrollado, Unadm
Luis Rincn .- Introduccin a los procesos estocsticos Facultad de Ciencias UNAM 2012
Introduccin a los procesos estocsticos.Sheldon M. Ross.- Introduction to Probability Models Captulo 10: Movimiento Browniano
y Procesos Estacionarios
http://ricardorios.wordpress.com/category/matematicas/teoria-de-la-probabilidad/procesosestocasticos/
Caminata al azar: http://users.df.uba.ar/gsolovey/fisica2/Matlab_RW/random_walk.html#
http://www.sepi.ese.ipn.mx/Investigacion/Documents/Investigacin/Valuacion_de_opcione
s_Europea

Procesos Estocsticos | 30/07/2015

http://www.um.es/or/ampliacion/node6.html

10