Documente Academic
Documente Profesional
Documente Cultură
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
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,
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 =
= 1 + 2 + +
Para > 0
Para > 0
O bien,
1 =
a)
Para > 0
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
X (t) x( X1 ... Xt / t )
1
Xi
1
donde
t / t
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
EX (t ) 0
t
Var( X (t )) (x)2
t
X(0) = 0
2.
X (t ),
3.
Para cada t > 0, X(t) est normalmente distribuida con media 0 y varianza
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
b)
= 1 + 2 + +
Para > 0
= +1 +
O bien,
Para > 0
1 =
Por lo que, sabemos que:
3 2 1
Para > 0
c)
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)
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:
(+
= +
=
= | = ) = {
De acuerdo al Programa Desarrollado pg. 18 " En particular, se dice que el proceso tiene
g)
Demuestra la esperanza y la varianza de e interpreta su valor cuando > ,
cuando < y cuando = .
( = +) =
( = ) =
=
= + + + +
ESPERANZA DE
( ) = ( )
CONSIDERANDO QUE:
= = = =
( ) = ( ) = ()
=
TAL QUE:
() =
( ) = ( ) = () = ((1) + (1)) = ( )
=1
( ) = ( ) = () = ( )
=
( ) = ( )
PARA LA VARIANZA:
( ) = () = ( 2 ) ()2
() = [ 2 ] 2
TAL QUE
( ) = + =
() = ( )
( ) = () = ( ) () = ( ) =
( ) = ( ) = () = () =
( ) = 4
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
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
http://www.um.es/or/ampliacion/node6.html
10