Introduccin

Cuando se estudian fenmenos en los que est involucrada alguna componente

aleatoria, adems de los modelos determinsticos es necesario definir modelos
probabilsticos. Muchos de estos fenmenos se estudian en funcin del tiempo. Los
procesos estocsticos se refieren a modelos de sistemas que varan en el tiempo en
forma aleatoria.
Los procesos aleatorios son importantes porque en casi todos los aspectos de la
vida se presentan este tipo de situaciones en donde el comportamiento de un
fenmeno o evento no puede ser predicho, por tal motivo, solo puede especularse
acerca de los posibles efectos que tendr. A Continuacin se describirn las
principales caractersticas de estos procesos.
Adems, la importancia de la probabilidad dentro de los procesos aleatorios radica en que
estos son una extensin de la probabilidad misma.

PROCESO ALEATORIO
Un proceso aleatorio es un conjunto de variables aleatorias
conjunto de ndices I finito o contable, o

para un

donde T es un conjunto de

ndices no-enumerable.

En el caso en que I es finito o contable se dice que el proceso es de tiempo

discreto. En el caso del conjunto de ndices no-enumerable T, se dice que el proceso
de es de tiempo continuo.

El conjunto de todos los posibles valores de las variables aleatorias

del tiempo discreto, o

, en el caso

en el caso de del tiempo continuo, se denota con S y se

llama espacio de estados del proceso o tambin, alfabeto del proceso. Cada elemento
de S se llama estado.

S tambin se clasifica como continuo o discreto de acuerdo al conjunto de valores

que toma

Ejemplo 1: Se estn contando el nmero de artculos defectuosos que produce por

hora una mquina especfica. En este caso, tanto el espacio de estados S como el
conjunto de ndices son discretos. Ambos toman valores en N.
: Nmero de artculos defectuosos producido por cierta mquina cada hora.
Es un proceso de tiempo discreto con espacio de estados discreto.

Ejemplo 2: En una caja de un banco se cuenta el nmero de clientes en la fila en un

tiempo cualquiera.
: Nmero de clientes en espera para ser atendido en la caja de un banco en
tiempo cualquiera.

Es un proceso con espacio de estados discreto S =

y de tiempo

continuo.

TIPOS DE PROCESOS ALEATORIOS

DISCRETO

Procesos discretos a tiempo discreto:

Se dice que un proceso es discreto a tiempo discreto cuando el espacio de estados
S es numerables y el espacio del parmetro temporal T es numerable, es decir, se
trata de una sucesin de variables aleatorias

que toman valores en un

conjunto S de la forma S = {0, 1, 2,3,}.

Pueden describirse mediante un periodo de tiempo (cada hora, cada da, cada
semana, cada mes) o pueden estar en funcin de la realizacin de una accin (despus
de cada partida de un juego, despus de cada lanzamiento de una moneda).

Ejemplos:
El nmero de personas que llegan a un servicio de urgencias mdicas durante
una noche
La cantidad de llamadas que entran en un conmutador a lo largo de un da.

Procesos discretos a tiempo continuo:

Se dice que un proceso es discreto a tiempo continuo si su espacio de estados S es
numerable y el parmetro temporal est en un conjunto T infinito no numerable, es
decir, se trata de una coleccin de variables de la forma

con un espacio

de estados discreto S = {0, 1, 2,3,}

En general, T es de la forma [0,) y esto significa que el estado del sistema puede
observarse en cualquier instante de tiempo. Tambin puede acotarse el lapso de
observacin haciendo

].

El proceso Poisson es un ejemplo de este tipo pues se observa la cantidad de

llegadas en cualquier instante de tiempo.
CONTINUO
Procesos continuos a tiempo discreto:
Un proceso es continuo a tiempo discreto cuando el espacio de estados S es
infinito no numerable y el conjunto T es numerable, es decir, es una sucesin de
variables aleatorias

donde

, o bien

En este caso, la observacin se hace en tiempos definidos de antemano y la

caracterstica es algo que no se puede contar pero se puede medir.

Ejemplo:
El observar cada 12 horas la cantidad de gases txicos que emite una fbrica
Procesos continuos a tiempo continuo:
Un proceso es continuo a tiempo continuo si su espacio de estados S es infinito
no-numerable y el espacio del parmetro temporal T tambin es infinito
no-numerable, es decir, es una coleccin de variables aleatorias

En estos procesos, la caracterstica que se observa en el sistema, es algo que se

puede medir, y la observacin se puede hacer en cualquier instante de tiempo. El
movimiento Browniano es un proceso de este tipo.

Clasificacin de los procesos aleatorios de acuerdo a las caractersticas

probabilsticas de las variables aleatorias:
Procesos con incrementos independientes
Se dice que un proceso estocstico a tiempo continuo

tiene

incrementos independientes si para cualesquiera tiempos

las variables

son independientes. Esto quiere

decir que los desplazamientos que tiene el proceso en estos intervalos disjuntos de
tiempo son independientes unos de otros.
Procesos de Markov
Estos tipos de procesos son modelos en donde, suponiendo conocido el estado
presente del sistema, los estados anteriores no tienen influencia en los estados futuros
del sistema. Esta condicin se llama propiedad de Markov y puede expresarse de la
siguiente forma: para cualesquiera estados
(presente),

(futuro), se cumple la igualdad.

De esta forma la probabilidad del evento futuro

evento

(pasado),

slo depende el

mientras que la informacin correspondiente al evento pasado

es irrelevante. Los procesos de Markov han sido

estudiados extensamente y existe un gran nmero de sistemas que surgen en muy

diversas disciplinas del conocimiento para los cuales el modelo de proceso
estocstico y la propiedad de Markov son razonables. En particular, los sistemas
dinmicos deterministas dados por una ecuacin diferencial pueden considerarse
procesos de Markov, pues su evolucin futura queda determinada por la posicin
inicial del sistema y la ley de movimiento especificada.

 Procesos estacionarios
Se dice que un proceso estocstico a tiempo continuo

es

estacionario en el sentido estricto si para cualesquiera tiempos

distribucin

del

vector

la

para cualquier valor de

es la misma que la de

para cualquier

misma

que

la

, la
del

vector

. En particular, la distribucin de

PROCESO DE BERNOULLI
Un proceso de Bernoulli es la repeticin de un ensayo de Bernoulli (es un
experimento aleatorio en el que slo se pueden obtener dos resultados habitualmente
etiquetados como xito y fracaso). Desde el punto de vista de la teora de la
probabilidad, estos ensayos estn modelados por una variable aleatoria que puede
tomar slo dos valores, 0 y 1. Habitualmente, se utiliza el 1 para representar el xito.
Si p es la probabilidad de xito, entonces el valor del valor esperado de la variable
aleatoria es p y su varianza,

Los procesos de Bernoulli son los que resultan de la repeticin en el tiempo de

ensayos de Bernoulli independientes pero idnticos. Este proceso puede ser modelado
por una sucesin de variables aleatorias independientes

Propiedades:
El experimento consiste en n pruebas que se repiten.
Cada prueba produce un resultado que se puede clasificar como xito o
fracaso.
La probabilidad de un xito, que se denota con p, permanece constante en
cada prueba.
Las pruebas que se repiten son independientes.

Ejemplo 1:
El acceso a un shopping puede realizarse por dos puertas idnticas. Por motivos
desconocidos los clientes prefieren la puerta de la izquierda. Estudiando la frecuencia
relativa del nmero de clientes que entran por la puerta de la izquierda se ha llegado a
la conclusin de que la probabilidad de que el cliente que arriba elija la puerta de la
izquierda es

. Tambin se ha concluido que la influencia de posibles congestiones

frente a una de las puertas es despreciable pues, debido a las dimensiones de las
puertas y al promedio de clientes que arriban al lugar por unidad de tiempo, dichas
congestiones son muy poco frecuentes. Por todo ello, puede suponerse que los
clientes eligen la puerta de acceso slo segn sus propios gustos. Si definimos
cuando el n-esimo cliente elige la puerta izquierda y
la derecha, el proceso

, cuando elige

es un proceso de Bernoulli.

Ejemplo 2:
Al final de la cadena de ensamblaje ciertos productos son sujetos a inspeccin.
Definimos

si el n-simo producto es defectuoso,

si es bueno.

Supongamos que el proceso de fabricacin bajo inspeccin produce artculos

defectuosos al azar (la aparicin de un artculo defectuoso es independiente de la
aparicin de otros) y la probabilidad de ocurrencia del defecto es una constante p (el
desgaste de la mquina no influye sobre el defecto analizado). El proceso
es un proceso de Bernoulli.

CAMINATAS ALEATORIAS

Una caminata aleatoria simple sobre el conjunto de nmeros enteros

proceso estocstico a tiempo discreto

es un

que evoluciona como se

muestra en la figura. Es decir, 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

. Se usa la misma regla para los siguientes tiempos, es decir, pasa

donde

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 n. Este proceso

cambia de un estado a otro en dos tiempos consecutivos de acuerdo a las

probabilidades de transicin que se muestran en la figura, vlidas para

, y para cualesquiera enteros i y j. estas probabilidades se pueden

cualquier

escribir de la siguiente forma:

Figura

Como estas probabilidades no dependen de n, se dice que son homogneas en el

tiempo, es decir, son las mismas para cualquier valor de n. A partir de estas
consideraciones, es intuitivamente claro que este proceso cumple la propiedad de
Markov, es decir, el estado futuro del proceso depende nicamente del estado
presente y no de los estados previamente visitados. Una posible trayectoria de este
proceso se muestra en la Figura. Una caminata aleatoria puede tambin definirse de la
forma siguiente: sea

una sucesin de variables aleatorias independientes e

idnticamente distribuidas. Por la idntica distribucin denotaremos a cualquiera de

ellas mediante la letra

sin subndice. Supondremos que

, en donde, como antes,

Entonces para

y
se

define

Figura

Propiedades:
Homogeneidad espacial:

Homogeneidad temporal, para todo

propiedad de Markov, para todo

Ejemplo 1:
Dos jugadores A y B juegan una serie de volados de modo que A le gana 1 peso a B
cada vez que la moneda cae guila (con probabilidad p) A le paga un peso a B en
caso contrario. Supongamos que A inicia con a pesos y B con b pesos. El juego se
detiene cuando alguno de los jugadores se queda sin dinero. Cul es la probabilidad
de que A gane el juego?

Solucin:
Sea

(A gane el juego dado que inicia con a pesos), notemos que

. Condicionando el primer volado obtenemos que

.

Adems por independencia podemos obtener que

notacin definimos

y para simplificar la

. Entonces, de la ecuacin anterior se sigue que

, dividiendo por

se tiene

La solucin de la ecuacin anterior estn dadas por

. En efecto, la

solucin general es

( )

. Luego,

Ya que
Ahora bien con

Por lo tanto,

( )

con

se tiene que

( )

( ) =

( )

( )
( )

Ejemplo 2:
Suponga que un jugador A apuesta sucesivamente una unidad monetaria a un jugador
B. Inicialmente el jugador A tiene k unidades, y B tiene

unidades, es decir, el

capital conjunto entre los dos jugadores es de N unidades monetarias. En cada

apuesta el jugador A tiene probabilidad de ganar p, y probabilidad de perder
, se asume adems que no hay empates.

10

Sea

la fortuna del jugador A al tiempo n. Entonces

es una

caminata aleatoria que inicia en el estado k y eventualmente puede terminar en el

estado 0 cuando el jugador A ha perdido todo su capital, o bien puede terminar en el
estado N que corresponde a la situacin en donde el jugador A ha ganado todo el
capital. Este proceso es entonces una caminata aleatoria sobre el conjunto
, en donde los estados 0 y N son absorbentes, pues una vez que la
cadena llega a alguno de ellos, jams lo abandona. Una posible trayectoria cuando la
caminata se absorbe en el estado 0 se muestra en la figura.
Una de las preguntas que resolveremos para esta caminata es la siguiente: Cul es la
probabilidad de que eventualmente el jugador A se arruine? Es decir, Cul es la
probabilidad de que la caminata se absorba en el estado 0 y no en el estado N, u
oscile entre estos dos estados? Este problema se conoce como el problema de la ruina
del jugador. Usando probabilidad condicional es posible transformar este problema en
resolver una ecuacin en diferencias.
Solucin:
Sea es el primer momento en el que la caminata visita alguno de los dos estados
absorbentes, es decir, = mn

. Puede demostrarse

que esta variable aleatoria es finita casi seguramente. La pregunta planteada se

traduce en encontrar la probabilidad

u k = P X t = 0 | X 0 = k
Por el teorema de probabilidad total se obtiene la ecuacin en diferencias:

u k = pu k+1 + qu k 1

(1)

11

Vlida para

. La interpretacin intuitiva de esta identidad es

sencilla: A partir del estado k se busca la probabilidad de ruina analizando lo que

sucede en la siguiente apuesta. Se tienen dos casos. El jugador gana con probabilidad
p y ahora se busca la probabilidad de ruina a partir del estado

, o bien el

jugador pierde con probabilidad q y se busca la probabilidad de ruina ahora a partir

. Las condiciones de frontera son

del estado

. Esta

ecuacin es una ecuacin en diferencias, lineal, de segundo orden y homognea.

Puede encontrarse su solucin de la siguiente forma: multiplicando el lado izquierdo
de (1) por

y agrupando trminos se llega a la expresin equivalente

u k+1 u k = qp u k u k 1

(2)

Resolviendo iterativamente, las primeras k 1 ecuaciones se escriben de la forma

siguiente:

( )

( )

( )

Hemos usado aqu la condicin de frontera

( )
obtiene

( ) pues al sumar las

. Conviene ahora definir

ecuaciones anteriores se

. O bien

(3)

12

De manera anloga, ahora sumando todas las ecuaciones de (2) se obtiene

. Usando la segunda condicin de frontera

se llega

. Substituyendo en (3) y simplificando se llega a la solucin

Es necesario ahora distinguir los siguientes dos casos:

Por lo tanto,

(4)
En la figura se muestra la grfica de la probabilidad como funcin del parmetro

k para varios valores de p y con N = 50. En el caso simtrico la solucin es la lnea

recta que une la probabilidad uno con la probabilidad cero. Naturalmente la
probabilidad de ruina decrece cuando el capital inicial k aumenta.

Figura

13

Anlisis de solucin
Es importante analizar la frmula (4). Para el caso simtrico p = 1/2, es decir,
cuando el juego es justo, la probabilidad de ruina es muy cercana a 1 cuando k es
muy pequeo comparado con N. Esto sugiere que no conviene jugar esta serie de
apuestas contra adversarios demasiado ricos, a n cuando el juego sea justo. Es
tambin un tanto inesperado observar que la probabilidad es muy sensible a
los valores de p cercanos a 1/2. Esto puede apreciarse en la figura. Cuando p es
distante de 1/2 la probabilidad

es casi constante, pero para valores de p

cercanos a 1/2 la probabilidad cambia rpidamente de un extremo a otro. Estas

grficas fueron elaborados tomando N = 50.

Figura

14

Conclusin

La mayora de los procesos son dependientes al tiempo, por tal motivo, una seal aleatoria
es una funcin del tiempo, y debido a esto, aquellas funciones que presentan esta
dependencia son llamados procesos aleatorios.

15

Repblica Bolivariana de Venezuela

Ministerio del Poder Popular Para la Defensa
Universidad Nacional Experimental Politcnica de las Fuerzas Armadas
Ncleo Vargas
Materia: Procesos Estocsticos
6 Semestre de Ingeniera en Sistemas
Seccin 1

Profesora:

Alumna:

Yolimar Prez

Alejos Ana
CI: 24801300

Catia la mar 3 de Noviembre de 2014

16