Procesos Estocasticos
Jose Antonio Camarena Ibarrola
UMSNH
[email protected]
15 de marzo de 2017
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
1 / 29
Overview
1
Introducción
2 References
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
2 / 29
Introducción a los procesos estocásticos
Esta disciplina se enfoca en la dinámica de las probabilidades
El concepto de variable aleatoria se generaliza para incluir el tiempo
Una variable aleatoria X mapea un evento s del espacio muestral a un
valor numérico X (s)
En un proceso estocástico un evento s, en un instante t se mapea a
un valor numérico X (t, s) ;t ∈ T , donde T se denomina conjunto
parámetro del proceso (conjunto de tiempos)
Dejando fija la muestra s, X (t) es una función del tiempo
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
3 / 29
Introducción
X (t, s) puede verse como una colección de funciones del tiempo, una
para cada muestra s
Si dejamos fijo t, entonces X (s) es una variable aleatoria (mapea un
evento a un número)
Un proceso estocástico se convierte en una variable aleatoria si se
deja fijo el tiempo
Entonces podemos definir un proceso estocástico como una familia de
variables aleatorias X (t, s); t ∈ T , s ∈ S definidas sobre un espacio
de probabilidades e indexadas por el parámetro t
X (t, s) se puede ver como una colección de funciones del tiempo, una
para cada s
A los procesos estocásticos se les conoce también como procesos
aleatorios
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
4 / 29
Clasificación de los procesos estocásticos
Los valores de X (t, s) (t ∈ T ) son llamados estados del proceso
estócástico y el conjunto de todos los posibles valores de X (t, s)
forman el espacio de estados E
Proceso Estocástico de tiempo continuo. T es un intervalo del
dominio del eje del tiempo (un intervalo de números reales)
Proceso Estocástico de tiempo discreto. T es un conjunto contable.
también se llaman a estos secuencias aletorias y se denotan mediante
{X [n]|n = 1, 2, ...}
Proceso Estocástico de estados contínuos. E es contínuo
Proceso Estocástico de estados discretos. E es discreto
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
5 / 29
Caracterización de los procesos estocásticos
Un proceso estocástico queda completamente caracterizado por la
Función de Distribución Acumulada (CDF) conjunta
Por economía de notación representemos X (t, s) por X (t). El valor de
un proceso estocástico X (t) en el instante ti , es decir X (ti ) es una
variable aleatoria
FX (x1, t1) = P[X (t1) ≤ x1]
FX (x2, t2) = P[X (t2) ≤ x2]
...
FX (xn, tn) = P[X (tn) ≤ xn]
0 < t1 < t2 < ... < tn
(1)
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
6 / 29
Caracterización de los procesos estocásticos
Un proceso estocástico queda completamente caracterizado por la
CDF conjunta
FX (x1, x2, ..., xn; t1, t2, ..., tn) = P[X (t1) ≤ x1, X (t2) ≤ x2, ..., X (tn) ≤ xn, ] ∀n
Similarmente, si el proceso estocástico es de tiempo discreto, lo
podemos caracterizar mediante una colección de funciones de
distribución de probabilidad:
fX (x1, x2, ..., xn; t1, t2, ..., tn) = P[X (t1) = x1, X (t2) = x2, ..., X (tn) = xn, ] ∀n
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
7 / 29
Media, Varianza y Autocorrelación de un proceso
estocástico
Una manera de caracterizar un proceso aleatorio es mediante su media
y su varianza. La media de un proceso aleatorio suele denominarse
ensemble average ensemble.- conjunto de resultados de un experimento aleatorio en cierto proceso
µX = E [X (t)]
X = E [(X (t) − µX )2] = E [X 2(t)] − µ2
σ2
X
La autocorrelación proveé una medida de similitud entre dos instantes
de un proceso estocástico
RXX (t, s) = E [X (t)X (s)] = RXX (s, t)
RXX (t, t) = E [X 2(t)]
Un proceso aleatorio X (t) se denomina de segundo orden si E [X 2(t)] < ∞ para todo t ∈ T
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
8 / 29
Procesos estocásticos estacionarios
Un proceso estocástico estacionario es un proceso cuyas propiedades
estadísticas no varian con el tiempo
Procesos estacionarios en sentido estricto.
FX (x1, x2, ..., xn; t1, t2, ..., tn) = FX (x1, x2, ..., xn; t1 +, t2 +, ..., tn +)
Y si FX es diferenciable
fX (x1, x2, ..., xn; t1, t2, ..., tn) = fX (x1, x2, ..., xn; t1 + , t2 + , ..., tn + )
Procesos estacionarios en sentido amplio. Son procesos en los que la
media, la variancia y la autocorrelación no depende del tiempo, son
constantes
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
9 / 29
Procesos estocásticos Ergódicos
Una propiedad deseable en un proceso estocástico es el poder estimar
sus parámetros a partir de datos (mediciones)
T
−T
Promedio temporal
¯x = lím
T→∞
x(t)dt
(2)
En un proceso estocástico ergódico el promedio estadístico (ensemble
average) es igual al promedio temporal E [X (t)] = ¯x
Un proceso estocástico ergódico es un proceso en el cual los
momentos del proceso pueden ser determinados por promedios
temporales o por promedios estadísticos (ensemble averages)
E [X n] = ¯X n
Por lo tanto podemos inferir propiedades estadísticas del proceso a
partir de una única realización del proceso (un miembro del ensemble)
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
10 / 29
Algunos modelos de procesos estocásticos
Martingales
Procesos de conteo
Procesos de incrementos independientes
Procesos de incrementos estacionarios
Procesos de Poisson
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
11 / 29
Martingales
Un proceso estocástico es un proceso martingale si
E [Xn+1|X1, X2, ..., Xn] = Xn, es decir, la mejor predicción para el
próximo valor es el valor actual.
Un proceso es supermartingale si E [Xn+1|X1, X2, ..., Xn] ≤ Xn
Un proceso es submartingale si E [Xn+1|X1, X2, ..., Xn] ≥ Xn
martingale captura la escencia de un juego justo en el sentido de que
independientemente de su suerte, su capital esperado será el mismo
que su capital actual.
En un submartingale se espera que su capital se incremente en el
futuro y en un supermartingale se espera que su capital se reduzca en
el futuro
Martingales son una herramienta importante en matemáticas
financieras modernas.
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
12 / 29
Martingales
Si n = {Y1, Y2, ..., Yn} es la información potencial que se le revela al
proceso a medida el el tiempo progresa
Un martingale es un proceso cuyo valor esperado, condicionado a
cierta información potencial, es igual al valor revelado por la última
información disponible
Sean X1, X 2, ..., variables aleatorias independientes con media cero y
Yn =n
k=1 Xk . entonces:
E [Yn+1|Y1, ..., Yn] = E [Yn + Xn+1|Y1, ..., Yn]
= E [Yn|Y1, ..., Yn] + E [Xn+1|Y1, ..., Yn]
= Yn + E [Xn+1]
= Yn
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
13 / 29
Procesos de conteo
Un proceso estocástico {X (t)|t ≥ 0} es un proceso de conteo si X (t)
representa el número de eventos que han ocurrido en el interval [0, t]
Por ejemplo el número de clientes que han llegado a un banco desde
el momento en que el banco abrió sus puertas hasta un determinado
instante t.
En un proceso de conteo:
1 X (t) ≥ 0
2 X (0) = 0
3 Si s < t, entonces X (s) ≤ X (t)
4 X (t) − X (s) representa el número de eventos ocurridos en el intervalo
[s, t]
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
14 / 29
Procesos de incrementos independientes
Un proceso de conteo es un proceso de incrementos independientes si
el número de eventos que ocurren en intervalos disjuntos es una
variable aleatoria independiente
Por ejemplo en la figura considere los intervalos [0, t1] y [t2, t4], si el
número de eventos que ocurren en un intervalo es independiente del
número de incrementos que ocurren en el otro intervalo, entonces
X (t) es un proceso de incrementos independientes
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
15 / 29
Procesos de incrementos estacionarios
Un proceso de conteo X (t) poseé incrementos estacionarios si para
cada conjunto de instantes de tiempo los incrementos están
idénticamente distribuidos
En general, la media de un proceso de incrementos estacionarios tiene
la forma E [X (t)] = mt, donde m es la media en el instante t = 1, es
decir m = E [X (1)]
De manera similar, la varianza de un proceso de incrementos
estacionarios tiene la forma Var [X (t)] = σ2t, donde σ2 es la varianza
en el instante t = 1, es decir, σ2 = Var [X (1)]
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
16 / 29
Procesos de Poisson
Los procesos de Poisson son ampliamente utilizados para modelar
arribos (ocurrencias de eventos) en un sistema
Modelar incidencias de llamadas telefónicas a un conmutador
Arribos de órdenes de clientes a una empresa de servicios
Fallas aleatorias de equipos
Hay dos maneras de definir procesos de Poisson
Como un proceso de conteo en el cual el número de eventos en
cualquier intervalo de longitud t tiene una distribución de Poisson con
media λt
P[X (s + t) − X (s) = n] =
n!
(λt)n
e−λt
(3)
Como un proceso de conteo con incrementos independientes y
estacionarios con λ > 0
Jose Antonio Camarena Ibarrola (DEP-FIE)
Procesos Estocasticos
15 de marzo de 2017
17 / 29
Procesos de Markov
Se denomina proceso de Markov de primer orden a un proceso
estocástico en el cual:
P[X (tn) ≤ xn|X (tn−1) = xn−1, X (tn−2) = xn−2, ..., X (t0) = x0] =
= P[X (tn) ≤ xn|X (tn−1) = xn−1]
Es decir, dado el es
Comentarios de: Procesos Estocasticos (0)
No hay comentarios