Proceso estoc�stico

Ir a la navegaci�nIr a la b�squeda
V�ase tambi�n: Sistema estoc�stico

El �ndice de la bolsa es un ejemplo de proceso estoc�stico de tipo no estacionario.

En la teor�a de la probabilidad, un proceso estoc�stico es un concepto matem�tico
que sirve para usar magnitudes aleatorias que var�an con el tiempo o para
caracterizar una sucesi�n de variables aleatorias (estoc�sticas) que evolucionan en
funci�n de otra variable, generalmente el tiempo.1? Cada una de las variables
aleatorias del proceso tiene su propia funci�n de distribuci�n de probabilidad y
pueden o no estar correlacionadas entre s�.

Cada variable o conjunto de variables sometidas a influencias o efectos aleatorios

constituye un proceso estoc�stico. Un proceso estoc�stico {\displaystyle X_{t}}
{\displaystyle X_{t}} puede entenderse como una familia uniparam�trica de variables
aleatorias indexadas mediante el tiempo t. Los procesos estoc�sticos permiten
tratar procesos din�micos en los que hay cierta aleatoriedad.

�ndice
1 Ejemplos
1.1 Casos especiales
2 Definici�n matem�tica
3 V�ase tambi�n
4 Referencias
Ejemplos
Los siguientes son ejemplos dentro del amplio grupo de las series temporales:

se�ales de telecomunicaci�n;
se�ales biom�dicas (electrocardiograma, encefalograma, etc�tera);
se�ales s�smicas;
el n�mero de manchas solares a�o tras a�o;
el �ndice de la bolsa segundo a segundo;
la evoluci�n de la poblaci�n de un municipio a�o tras a�o;
el tiempo de espera en la cola de cada uno de los usuarios que van llegando a una
ventanilla;
el clima, un gigantesco conjunto de procesos estoc�sticos interrelacionados
(velocidad del viento, humedad del aire, etc�tera) que evolucionan en el espacio y
en el tiempo;
los procesos estoc�sticos de orden mayor a uno, como el caso de una serie de tiempo
de orden 2 y una correlaci�n de cero con las dem�s observaciones.
Casos especiales
Proceso estacionario: Un proceso es estacionario en sentido estricto si la funci�n
de distribuci�n conjunta de cualquier subconjunto de variables es constante
respecto a un desplazamiento en el tiempo. Se dice que un proceso es estacionario
en sentido amplio (o d�bilmente estacionario) cuando se verifica que:
La media te�rica es independiente del tiempo, y
Las autocovarianzas de orden s s�lo vienen afectadas por el lapso de tiempo
transcurrido entre los dos periodos y no dependen del tiempo.
Proceso homog�neo: variables aleatorias independientes e id�nticamente
distribuidas. Son proceso donde el dominio tiene cierta simetr�a y las
distribuciones de probabilidad finito-dimensionales tienen la misma simetr�a. Un
caso especial incluye a los procesos estacionarios, tambi�n llamados procesos
homog�neos en el tiempo.
Proceso de M�rkov: Aquellos procesos discretos en que la evoluci�n s�lo depende del
estado actual y no de los anteriores.
Procesos de tiempo discreto
Proceso de Bernoulli son procesos discretos en los que el n�mero de eventos viene
dado por una distribuci�n binomial.
Proceso de Galton-Watson: es un tipo de proceso de Markov con ramificaci�n.
Procesos de tiempo continuo:
Proceso de Gauss: Proceso continuo en el que toda combinaci�n lineal de variables
es una variable de distribuci�n normal.
Proceso de M�rkov continuo
Proceso de Gauss-M�rkov: Son procesos, al mismo tiempo, de Gauss y de M�rkov
Proceso de Feller: son procesos estoc�sticos que toman valores sobre espacios de
operadores de alg�n espacio funcional.
Proceso de L�vy: son procesos homog�neos de Markov de "tiempo continuo" que
generalizan el paseo aleatorio que usualmente se define como de "tiempo discreto".
Proceso de Poisson, es caso particular de proceso de L�vy donde el tiempo
transcurrido entre saltos sigue una distribuci�n exponencial y, por tanto, el
n�mero de eventos en un intervalo viene dado por una distribuci�n de Poisson.
Proceso de Wiener, el incremento de la varible entre dos instantes tiene una
distribuci�n gaussiana y, por tanto, adem�s de un proceso de L�vy es un proceso de
Gauss simult�neamente.
Proceso doblemente estoc�stico, es un tipo de modelo estoc�stico usado para modelar
ciertas series temporales, en el que los par�metros que dan las distribuciones
tambi�n var�an aleatoriamente (de ah� el t�rmino de doblemente estoc�stico).
Proceso de Cox es un proceso doblemente estoc�stico que generaliza el proceso de
Poisson, donde el par�metro de intensidad var�a aleatoriamente.
Proceso estoc�stico continuo, es un tipo de proceso estoc�stico de tiempo continuo
en que las trayectorias son adem�s caminos continuos.
Definici�n matem�tica
Un proceso estoc�stico se puede definir equivalentemente de dos formas diferentes:

Como un conjunto de realizaciones temporales y un �ndice aleatorio que selecciona

una de ellas.
Como un conjunto de variables aleatorias {\displaystyle X_{t}\,} {\displaystyle
X_{t}\,} indexadas por un �ndice {\displaystyle t\,} t\,, dado que {\displaystyle
t\in T\,} {\displaystyle t\in T\,}, con {\displaystyle T\subseteq \mathbb {R} \,}
{\displaystyle T\subseteq \mathbb {R} \,}.
Un proceso se dice de "tiempo continuo" si {\displaystyle T\,} T\, es un intervalo
(usualmente este intervalo se toma como {\displaystyle [0,\infty )} {\displaystyle
[0,\infty )}) o de "tiempo discreto" si {\displaystyle T\,} T\, es un conjunto
numerable (solamente puede asumir determinados valores, usualmente se toma
{\displaystyle T\subseteq \mathbb {N} } {\displaystyle T\subseteq \mathbb {N} }).
Las variables aleatorias {\displaystyle X_{t}\,} {\displaystyle X_{t}\,} toman
valores en un conjunto que se denomina espacio probabil�stico. Sea {\displaystyle
(\Omega ,{\mathcal {B}},P)} {\displaystyle (\Omega ,{\mathcal {B}},P)} un espacio
probabil�stico. En una muestra aleatoria de tama�o {\displaystyle n} n se observa
un suceso compuesto {\displaystyle E} E formado por sucesos elementales
{\displaystyle \omega } \omega :

{\displaystyle E=\{\omega _{1},\omega _{2},...,\omega _{n}\}\subset \Omega \,}

{\displaystyle E=\{\omega _{1},\omega _{2},...,\omega _{n}\}\subset \Omega \,}, de
manera que {\displaystyle E\in B\,} {\displaystyle E\in B\,}.

El suceso compuesto es un subconjunto contenido en el espacio muestral y es un

�lgebra de Boole {\displaystyle B} B. A cada suceso {\displaystyle \omega } \omega
le corresponde un valor de una variable aleatoria {\displaystyle V} V, de manera
que {\displaystyle V} V es funci�n de {\displaystyle \omega } \omega :

{\displaystyle V=V(\omega );\qquad \omega \in \Omega ,\,-\infty <V<\infty }

{\displaystyle V=V(\omega );\qquad \omega \in \Omega ,\,-\infty <V<\infty }

El dominio de esta funci�n o sea el campo de variabilidad del suceso elemental, es

el espacio muestral, y su recorrido, o sea el de la variable aleatoria, es el campo
de los n�meros reales. Se llama proceso aleatorio al valor en {\displaystyle (A,
{\mathcal {A}})} {\displaystyle (A,{\mathcal {A}})} de un elemento {\displaystyle
X=(\Omega ,{\mathcal {B}},(X_{t})_{t\geq 0},P)} {\displaystyle X=(\Omega ,{\mathcal
{B}},(X_{t})_{t\geq 0},P)}, donde para todo {\displaystyle t\in \mathbb {R}
,X_{t}\,} {\displaystyle t\in \mathbb {R} ,X_{t}\,} es una variable aleatoria del
valor en {\displaystyle (A,{\mathcal {A}})} {\displaystyle (A,{\mathcal {A}})}.

Si se observa el suceso {\displaystyle \omega } \omega en un momento

{\displaystyle t} t de tiempo:

{\displaystyle V=V(\omega ,t),\qquad \omega \in \Omega ,t\in T,-\infty <V<\infty }

{\displaystyle V=V(\omega ,t),\qquad \omega \in \Omega ,t\in T,-\infty <V<\infty }.
{\displaystyle V} V define as� un proceso estoc�stico.2?

Si {\displaystyle ({\mathcal {B}}_{t})_{t}\,} {\displaystyle ({\mathcal

{B}}_{t})_{t}\,} es una filtraci�n,3? se llama proceso aleatorio adaptado, al valor
en {\displaystyle (A,{\mathcal {A}})} {\displaystyle (A,{\mathcal {A}})}, de un
elemento {\displaystyle X=(\omega ,{\mathcal {B}},{\mathcal {B}}_{t},
(X_{t})_{t},P)} {\displaystyle X=(\omega ,{\mathcal {B}},{\mathcal {B}}_{t},
(X_{t})_{t},P)}, donde {\displaystyle X_{t}\,} {\displaystyle X_{t}\,} es una
variable aleatoria {\displaystyle {\mathcal {B}}_{t}} {\displaystyle {\mathcal
{B}}_{t}} -medible del valor en {\displaystyle (A,{\mathcal {A}})} {\displaystyle
(A,{\mathcal {A}})}. La funci�n {\displaystyle \mathbb {R} \rightarrow A\ :\
t\mapsto X_{t}(\omega )} {\displaystyle \mathbb {R} \rightarrow A\ :\ t\mapsto
X_{t}(\omega )} se llama la trayectoria asociada al suceso {\displaystyle
\omega \,} \omega \,.

V�ase tambi�n
movimiento browniano
vuelo de L�vy
Referencias
Introducci�n a las series de tiempo. M�todos param�tricos. Universidad De
Medellin. 1 de enero de 2007. ISBN 9789589801079. Consultado el 6 de febrero de
2017.
Dagum, Camilo y Estela M. Bee de Dagum(1971) Introducci�n a la Econometr�a: 79-83.
M�xico: Siglo XXI editores, s�ptima edici�n, 1980.
Se llama "filtraci�n" a una sucesi�n {B(t), t?T} de sub-s-�lgebras tal que B(t)
est� incluida en B(r) si r < t.
Categor�a: Procesos estoc�sticos
Men� de navegaci�n
No has accedidoDiscusi�nContribucionesCrear una
cuentaAccederArt�culoDiscusi�nLeerEditarVer historialBuscar
Buscar en Wikipedia
Portada
Portal de la comunidad
Actualidad
Cambios recientes
P�ginas nuevas
P�gina aleatoria
Ayuda
Donaciones
Notificar un error
Imprimir/exportar
Crear un libro
Descargar como PDF
Versi�n para imprimir
En otros proyectos
Wikimedia Commons
Herramientas
Lo que enlaza aqu�
Cambios en enlazadas
Subir archivo
P�ginas especiales
Enlace permanente
Informaci�n de la p�gina
Elemento de Wikidata
Citar esta p�gina

En otros idiomas
???????
Deutsch
English
Fran�ais
??????
Bahasa Melayu
Portugu�s
???????
??
32 m�s
Editar enlaces
Esta p�gina se edit� por �ltima vez el 26 mar 2019 a las 15:43.
El texto est� disponible bajo la Licencia Creative Commons Atribuci�n Compartir
Igual 3.0; pueden aplicarse cl�usulas adicionales. Al usar este sitio, usted acepta
nuestros t�rminos de uso y nuestra pol�tica de privacidad.
Wikipedia� es una marca registrada de la Fundaci�n Wikimedia, Inc., una
organizaci�n sin �nimo de lucro.