Академический Документы
Профессиональный Документы
Культура Документы
PROCESOS ESTOCSTICOS
En el estudio de las variables aleatorias realizado hasta ahora se han explorado las caractersticas aleatorias del fenmeno pero se ha mantenido una premisa por defecto, que esas
caractersticas aleatorias permanecen constantes a travs del tiempo. Al incluir en el estudio la presencia de la variable determinstica tiempo se est considerando que, de alguna
forma, la variable aleatoria depende del tiempo. En otras palabras, la variable aleatoria
depender del fenmeno probabilstico y del tiempo. En consecuencia, cualquier funcin que
se establezca en trminos de la variable aleatoria, como lo son la funcin de distribucin o
la funcin de densidad, sern tambin dependientes del tiempo.
Uno de los objetivos de este captulo es construir un modelo que nos permita explicar la
estructura y preveer la evolucin, al menos a corto plazo, de una variable que observamos
a lo largo del tiempo. La variable observada puede ser econmica (I.P.C., demanda de un
producto, existencias en un determinado almacn, etc...), fsica (temperatura de un proceso,
velocidad del viento en una central elica, concentracin en la atmsfera de un contaminante,
etc..) o social (nmero de nacimientos, votos de un determinado partido, etc..). Supondremos
a lo largo del tema que los datos se obtienen en intervalos regulares de tiempo (horas, das,
aos,..) y el objetivo es utilizar la posible inercia en el comportamiento de la serie con el
fin preveer su evolucin futura. As, una serie temporal ser una sucesin de valores de una
variable obtenidos de manera secuencial durante el tiempo.
X Discreta
X Continua
t Discreto
Proceso de estado discreto
y tiempo discreto (Cadena)
(Unidades producidas mensualmente
de un producto)
t Continuo
Proceso de estado discreto
y tiempo continuo ( Proc. Saltos Puros)
(Unidades producidas hasta el instante t)
(Velocidad de un vehculo en
el instante t)
operacin con el valor 1, la siguiente figura muestra una posible secuencia de cambios de
estado a travs del tiempo para esa mquina.
Para el caso de los Procesos de Saltos Puros se puede considerar como un ejemplo una
seal telegrfica. Slo hay dos posibles estados (por ejemplo 1 y -1) pero la oportunidad
del cambio de estado se da en cualquier instante en el tiempo, es decir, el instante del cambio
de estado es aleatorio. La siguiente figura muestra una seal telegrfica.
Cadenas de Markov
Considere un equipo de computacin el cual ser revisado al inicio de cada da para verificar
si est operativo o si est daado. El diagrama de estados de la siguiente figura muestra
los dos posibles estados del proceso y las relaciones que se deben cumplir para pasar de un
4
estado al otro. As, con probabilidad PO-D se pasa del estado operativo al estado daado;
sta es una probabilidad de transicin o de cambio de estado. En el caso de que el valor
de la probabilidad anterior no cambie a travs del tiempo y, esto se repite para todas las
probabilidades involucradas en la figura, se dice que la Cadena es estacionaria.
P = ..
..
..
.
.
.
pk1 pk2 pkk
5
El elemento en la fila i, columna j, pij = P (Xn = sj /Xn1 = si ), representa la probabilidad de transicin de un paso.
El usar esta representacin en forma matricial nos facilita el cmputo de las probabilidades de transicin en ms de un paso. En general P P = P2 corresponde a las probabilidades de transicin en dos pasos, y P3 , P4 , ..., Pm , ... corresponden a las probabilidades de
transicin en 3, 4, ..., m pasos respectivamente. De hecho, la matriz Pm se conoce como la
matriz de transicin en m pasos de la cadena de Markov.
Distribucin Inicial de la Cadena.
En ocasiones no se conoce a ciencia cierta la ubicacin del proceso en el instante inicial.
Esta ocupacin podra presentarse en forma probabilstica como un vector de ocupacin
inicial 0 . Este vector tiene como componentes la probabilidad de ocupar cada uno de los
estados en el instante inicial, es decir, los trminos 0 (j), para cada estado j = 1, 2, ..., k.
0 = (0 (1), 0 (2), 0 (3), ..., 0 (k))
con:
0 (j) 0,
k
X
0 (j) = 1
j=1
k
X
i=1
k
X
n (j) = 1
j=1
k
X
i=1
n = 0 Pn
Ejercicio Despus de mucho estudio sobre el clima, hemos visto que si un da est soleado,
en el 70% de los casos el da siguiente continua soleado y en el 30% se pone nublado.
Tambin nos fijamos en que si un da est nublado, la probabilidad de que est soleado
el da siguiente es 0.6 y la probabilidad de que se ponga nublado es 0.4. Adems, si
un da est soleado la probabilidad de que contine soleado el da siguiente es 0.7 y la
probabilidad de que al da siguiente est nublado es 0.3. Entonces:
a) Construir la matriz de transicin de la cadena.
b) Obtener la matriz de transicin tras dos das.
c) Si hoy est nublado, cul es la probabilidad de que est nublado tres das despus?.
6
donde S(1) indica el instante en que llega la primera peticin, S(2) indica el instante en
que llega la segunda y, en general, S(i) indica el instante en que llega la i-sima. ste es un
ejemplo de un proceso que se puede representar utilizando el proceso de Poisson.
Tiene algunas caractersticas fundamentales:
Para cada instante t, N(t) seguir una distribucin de Poisson de parmetro t.
Las diferencias entre los tiempos de llegadas consecutivas siguen una distribucin exponencial de parmetro , es decir, S(i + 1) S(i) siguen una exponencial de parmetro
.
Por tanto, una realizacin de un proceso estocstico es una sucesin de infinitos valores de
una cierta variable a lo largo del tiempo. Si t tiene una consideracin continua obtendremos
una representacin continua , mientras que si t es discreto obtendremos una sucesin de
puntos.
Si recordamos la definicin de serie temporal que dimos en la introduccin, una serie
temporal ser una sucesin de valores de una variable obtenidos de manera secuencial durante
el tiempo, la nica diferencia que hay entre ellas radica en que la realizacin consta de
infinitos elementos y la serie temporal de un nmero limitado. As, desde el punto de vista
de los procesos estocsticos, diremos que
Definicin: Una serie temporal es una realizacin parcial de un proceso estocstico de
parmetro tiempo discreto.
Por tanto, la teora de los procesos estocsticos ser de aplicacin a las series temporales.
No obstante, nos encontraremos con una fuerte restriccin que radica en el hecho de que en
muchas series temporales, ellas son la nica realizacin observable del proceso estocstico
que las ha generado (por ejemplo, la serie de turistas que visitan Espaa mes a mes, o la
unidades producidas diariamente en una factora, etc.). Esto, en general nos colocar, cuando
queramos deducir las caractersticas del proceso a partir de las de la serie, en una situacin
hasta cierto punto similar a la que tendramos al intentar describir la composicin de una
urna en base a una nica bola extrada. Tal problema, que parece insalvable, requerir que
apliquemos una serie de restricciones e hiptesis al tipo de proceso que queramos analizar.
Definicin: Llamaremos funcin de medias del proceso a una funcin de t que proporciona
las medias de las distribuciones marginales para cada instante t
t = E(Xt )
Definicin: Llamaremos funcin de varianzas del proceso a una funcin de t que proporciona las varianzas de las distribuciones marginales para cada instante t
t2 = V ar(Xt )
Definicin: Llamaremos funcin de autocovarianzas del proceso a la funcin que proporciona la covarianza existente entre dos instante de tiempo cualesquiera:
Cov(t, s) = Cov(s, t) = Cov(Xt , Xs )
y por ltimo,
Definicin: Llamaremos funcin de autocorrelacin a la estandarizacin de la funcin de
covarianzas:
Cov(t, s)
t,s =
t s
En general, estas dos ltimas funciones dependen de dos parmetros (dos instantes).
Una condicin de estabilidad que aparece en muchos fenmenos es que la dependencia slo
dependa, valga la redundancia, de la distancia entre ellos y no del instante considerado.
En estos casos tendremos:
Cov(t, t + j) = Cov(s, s + j) = j
j = 0, 1, 2, ...
Por otro lado, si estudiamos casos concretos como la evolucin de las ventas de una
empresa o la concentracin de un contaminante, slo disponemos de una nica realizacin
y aunque el proceso estocstico exista, al menos conceptualmente, para poder estimar las
caractersticas transversales del proceso (medias, varianzas, etc..) a partir de la serie es
necesario suponer que estas permanecen estables a lo largo de t. Esta idea nos conduce a
lo que se entiende por condiciones de estacionariedad de un proceso estocstico (o de una
serie temporal).
10
j = 0, 1, 2, ...
Observar que el correlograma, tal y como se ha definido, slo tiene sentido para series
estacionarias.
Podemos interpretar un ruido blanco como una sucesin de valores sin relacin alguna
entre ellos, oscilando en tomo al cero dentro de un margen constante. En este tipo de
procesos, conocer valores pasados no proporciona ninguna informacin sobre el futuro ya
que el proceso es puramente aleatorio y por consiguiente carece de memoria
Una de las caractersticas principales de un proceso estocstico es su correlograma y
en el caso del proceso de ruido blanco no puede ser ms sencillo: puesto que las variables
correspondientes a distintos instantes estn incorreladas, todos los coeficientes de correlacin
sern 0 salvo el correspondiente a un retardo 0 que ser 1.
12
(1)
1 a1 a2 .. ap
Proposicin: La condicin necesaria y suficiente para que un proceso AR(p) sea estacionario es que las races de su polinomio caracterstico estn fuera del crculo unidad
del plano complejo.
Determinacin del orden y de los parmetros del modelo AR.
Los dos problemas fundamentales que nos presentan los procesos autorregresivos son:
Determinacin del grado p del polinomio autorregresivo.
Una vez fijado este, determinar los parmetros ai del modelo.
Determinacin de los parmetros del modelo
En esta seccin nos centraremos en la segunda de las cuestiones. As, si consideramos un
proceso AR(p):
Xt = a1 Xt1 + a2 Xt2 + ... + ap Xtp + t
(2)
multiplicando por Xtj y tomado esperanzas
E(Xt Xtj ) = a1 E(Xt1 Xtj ) + a2 E(Xt2 Xtj ) + ... + ap E(Xtp Xtj ) + E(t Xtj )
(3)
j>0
1
..
R= .
p1
1
..
.
p2
14
0 = (1 , 2 , ..., p )
p1
..
.
1
ak
n
X
xik xij =
i=1
n
X
xi xij
j = 1, 2, ...p
i=1
Si denotamos por:
kj = jk =
n
X
xik xij
i=1
ak kj = k
j = 1, 2, ...p
que se corresponden con las ecuaciones de Yule-Walker donde se ha sustituido las correlaciones tericas por sus estimaciones.
Determinacin del orden de la autorregresin.
Determinar el orden de un proceso autorregresivo a partir de su funcin de autocorrelacin es difcil. En general esta funcin es una mezcla de decrecimientos exponenciales y
sinusoidales, que se amortiguan al avanzar el retardo, y no presenta rasgos fcilmente identificables con el orden del proceso. Para resolver este problema se introduce la funcin de
autocorrelacin parcial.
Si comparamos un AR(1) con un AR(2) vemos que aunque en ambos cada observacin
est relacionada con las anteriores, el tipo de relacin entre observaciones separadas dos
perodos, es distinto. En el AR(1) el efecto de Xt2 sobre Xt , es siempre a travs de Xt1 ,
y no existe efecto directo entre ambas. Conocido Xt1 , el valor de Xt2 es irrelevante para
prever Xt , Esta dependencia puede ilustrarse:
AR(1) : Xt3 Xt2 Xt1 Xt
15
Sin embargo, en un AR(2) adems del efecto de Xt2 que se transmite a Xt , a travs de
Xt1 , existe un efecto directo de Xt2 , sobre Xt , Podemos escribir:
p
q
AR(2) : Xt3 Xt2 Xt1 Xt
b
c
La funcin de autocorrelacin simple tiene slo en cuenta que Xt , y Xt2 estn relacionadas en ambos casos, pero si medimos la relacin directa entre Xt y Xt2 , esto es,
eliminando del efecto total debido a Xt1 , encontraremos que para un AR(1) este efecto es
nulo y para un AR(2) no.
En general, un AR(p) presenta efectos directos de observaciones separadas por 1, 2,
..., p retardos y los efectos directos de las p + 1, ... son nulos. Esta idea es la clave
para la utilizacin de la funcin de autocorrelacin parcial, entendiendo el coeficiente de
autocorrelacin parcial de orden k como una medida de la relacin lineal entre observaciones
separadas k perodos con independencia de los valores intermedios. Llamaremos funcin de
autocorrelacin parcial (fap) a la representacin de los coeficientes de correlacin parcial en
funcin del retardo. De esta definicin se deduce que un proceso AR(p) tendr los p primeros
coeficientes de autocorrelacin parcial distintos de cero, y por tanto, en la f ap el nmero
de coeficientes significativamente distintos de cero indica el orden del proceso AR. Esta
propiedad va a ser clave para identificar el orden de un proceso autorregresivo.
16