Академический Документы
Профессиональный Документы
Культура Документы
ITESM 2010
Proceso Estocstico
Las variables aleatorias modelan un sistema particular en un instante de tiempo determinado. Esto significa que las variables aleatorias no permiten evaluar el comportamiento aleatorio de un sistema en funcin del tiempo (sistema dinmico), para esto necesitamos definir un proceso estocstico que es una variable aleatoria que depende de un parmetro que frecuentemente es el tiempo.
Proceso estocstico
S E
R 1
X(t) xi
Parmetro
P(X(t)=xi)
0 Recta real
t
Valores de la variable aleatoria (Estados)
Dra. Elva Daz Daz
Espacio Muestral
Un Proceso Estocstico es una familia de variables aleatorias X (t), que estn parametrizadas por una variable t que toma valores de un conjunto T. Esta variable es en muchos casos el tiempo. Los valores xt que toma la variable aleatoria se llaman estados.
X (t ) = xt t T xt E
Dependencia de Markov
La forma mas simple de dependencia es la conocida como dependencia de Markov que vamos a definir a continuacin. Tenemos que para:
t1 , t2 , , tn-1 , tn de modo que: t1 t2 tn-1 tn X(t1 )=x1 , X(t2 )=x2 , , X(tn-1 )=xn-1 , X(tn )=xn La dependencia de Markov es: P(X(tn )=xn | X(t1 )=x1 , X(t2 )=x2 , , X(tn-1 )=xn-1)= P(X(tn )=xn | X(tn-1 )=xn-1)
Solo depende del valor de X en el instante anterior observado.
Dra. Elva Daz Daz
P ( X (ti ) = xi X (t j ) = x j ) = P
ti t j xi x j
Sin perder generalidad podemos denotar los puntos de observacin t por nmeros 1, 2, 3, , T Si el espacio de los estados (valores de las variables aleatorias) es discreto, denotaremos: x1=1, x2=2,, xs=s Entonces igual al nmero de estados del proceso cuyos elementos miden la probabilidad de un paso de largo tj - ti un estado xj a xi .
Dra. Elva Daz Daz
P ( X ( n) = i X ( m) = j ) = Pijnm
Pijn m P
l ij
Cuando el valor de la probabilidad del proceso solo depende de n-m=l el proceso se llama
homogneo.
Donde l =n-m es el nmero de pasos desde m a n
procesos estocsticos de espacio discreto, cuando el resultado de un determinado experimento puede tomar valores distinguibles (contables) dentro de un intervalo
procesos estocsticos de espacio continuo cuando puede tomar cualquier valor en el conjunto de los nmeros reales.
Procesos Estocsticos
estocsticos de parmetro discreto, si estn definidos slo para un conjunto distinguible de instantes de tiempo (t=n, n entero) procesos estocsticos de parmetro continuo cuando estn definidos para cualquier instante.
Procesos Estocsticos
Procesos Estocsticos de parmetro discreto
Proceso de espacio discreto y parmetro discreto. Proceso de espacio discreto y parmetro continuo. Proceso de espacio continuo y parmetro discreto. Proceso de espacio continuo y parmetro continuo.
t
Procesos Estocsticos de parmetro discreto y espacio discreto
Procesos Estocsticos
Procesos Estocsticos de parmetro discreto y espacio continuo
Es posible representar una cadena de Markov por un grafo. Cada nodo representa a un elemento del espacio muestral. Cada arco dirigido representa a la probabilidad de transicin Pij ( desde i a j) asociada al par de estados que conecta (i , j)
1 P12
P21
P22
Una Cadena de Markov (CM) es: Un proceso estocstico Con un nmero finito de e estados (M) Con probabilidades de transicin estacionarias Que tiene la propiedad markoviana
Existen dos formas de representar una cadena de Markov; en forma GRFICA y en forma MATRICIAL
1/4 3/4 0
1/4 2 1/2
0 3 / 4 1 / 4 P = 1 / 4 0 3 / 4 1 / 4 1 / 4 1 / 2
Ecuaciones de Chapman-Kolmogorov
La forma obtener la probabilidad de ir del estado i al estado f en n pasos, es la expresada en esta ecuacin:
P = P
n if k
n 1 ik kf
n, k 0
i, k , f
Las potencias de la matriz se pueden calcular porque las matrices son cuadradas.
Dra. Elva Daz Daz
Ecuaciones de Chapman-Kolmogorov: Ejemplo Por lo tanto podemos obtener la matriz de transicin de 3 pasos, es decir:
( 3) 2
= PP
P = P.P
Calculando potencias sucesivamente.
La matriz P representa el modelo del tiempo en el que un da de sol es de 90% de probabilidades de ser seguido por otro da soleado y un da de lluvia es del 50% de probabilidades de ser seguido por otro da de lluvia. Las columnas pueden ser etiquetados "Sunny" y "lluvia", respectivamente, y las filas pueden ser etiquetados en el mismo orden. P ij es la probabilidad de que, si un da determinado es de tipo I, que ser seguido por un da de j tipo.
Dra. Elva Daz Daz
Observe que las filas de la suma P a 1: esto es debido a P es una matriz estocstica.
Por lo tanto, hay una posibilidad del 90% que el da 1 tambin ser soleado. El tiempo en el da 2 se puede predecir de la misma manera:
Proceso Estocsticos de parmetro discreto y espacio discreto Ejercicio del clima (continuacin)
Ejemplo: Supongamos que el estado del clima se pueda modelar de la forma siguiente:
Probabilidades de transicin de un paso (un da): Ll Nub Sol Ll 0.4 0.3 0.3 Nub 0.2 0.6 0.2 Sol 0.1 0.1 0.8 cada fila suma 1 Probabilidades iniciales: Ll Nub Sol 0.3 0.5 0.2
q1
0.4
0.3
q2
0.2 0.1
q3
0.1