Tema 8: Procesos Estocásticos

Los procesos estocásticos (PE) son:

Una generalización de las variables aleatorias cuando

se manifiestan como función de un parámetro real

Un PE puede considerarse como:

Una familia de variables aleatorias que se rigen por

dos argumentos; normalmente uno temporal y otro, el
asociado a la noción convencional de variable
aleatoria
 Proceso Estocástico

X (W , t ) ; W   , t  T 
Ejemplo: Lanzamiento moneda dos veces repetido en el tiempo

Consecuencia:

Los valores observados de la variable X en el conjunto finito de

tiempo t = 1,2,…,T: (x1, x2, …, xT) son la realización muestral
del proceso estocástico: x(t1), x(t2), x(t3), …, x(tT)
Desde esta perspectiva:

Una serie temporal no es más que una REALIZACIÓN MUESTRAL

de un proceso estocástico

El proceso estocástico ( x(t1), x(t2), x(t3), …, x(tT) ) tiene una

distribución de probabilidad conjunta:

P (x(t1), x(t2), … , x(tT))

y una función de Distribución:

F ( x1, x2, … , xT; t1, t2, … , tT ) =

P ( x(t1) ≤ x1 ; x(t2) ≤ x2 ; …., x(tT) ≤ xT )

CLASIFICACIÓN

1) PE de estado discreto

2) PE de estado continuo

3) PE de parámetro discreto ó de parámetro tiempo discreto

4) PE de parámetro continuo ó de parámetro tiempo continuo

5) Si todas las variables aleatorias pertenecen a la misma familia

de distribuciones, los PE correspondientes se denominan:
normales, de Poisson, binomiales, etc.
6) Si las variables aleatorias que constituyen el PE se concatenan
de una forma especial, aparecen:

Medias móviles (MA)

Autorregresivos (AR)
Autorregresivos y medias móviles (ARMA)

7) Cadenas de Markov

P ( xn | x1, x2, … , xn-1; t1, t2, … , tn-1) = P ( xn | xn-1;

tn-1 )

Son procesos sin memoria o de memoria nula

Caracterización de un proceso estocástico

I. Mediante la distribución de probabilidad conjunta

P ( x1, x2, x3, …, xT )

II. Mediante los momentos:

Media: E [ x(t) ] = µt

Varianza: Var [ x(t) ] = σ2(t) = E [ (x(t) - µt)2 ]

Covarianza ó Autocovarianza: Cov(t1, t2)=E[(x(t1)-µt1)(x(t2)-µt2)]

Autocorrelación: ρ(t1, t2) = Cov (t1, t2) / σ(t1) σ(t2)

PROCESOS ESTOCÁSTICOS ESTACIONARIOS
Un PE es estacionario si las funciones de distribución para una
sucesión cualquiera x(ti) en t1, t2, …, tn y para t1 + τ, t2 + τ, …,
tn + τ son idénticos, es decir, la función de distribución no
depende del origen

Propiedades:

F(x; t) = F(x; t + τ)
F(x1, x2; t1, t2) = F( x1, x2; t1 + τ, t2 + τ ) ; si τ = - t1;
= F( x1, x2; t2 – t1 )
Momentos: μt = μ
σ2(t) = σ2
ρ ( t2 ; t1 ) = ρ (t2 – t1)
PRINCIPALES PROCESOS ESTOCÁSTICOS ESTACIONARIOS

1.- Ruido Blanco (puramente aleatorio)

xt   t

E ( t )  0 t
 (t )  E 
2
t
2
  2
t
Cov(tt , t j )  0 i  j
 ti , t j   0
PRINCIPALES PROCESOS ESTOCÁSTICOS ESTACIONARIOS

2.- Paseo ó Camino aleatorio

xt  xt 1   t
xt  xt 1   t
Ejemplo: Cotizaciones bursátiles

3.- Proceso Gaussiano

x(t1 ), x(t 2 ),..., x(t n ) Distribución conjunta

normal n-dimensional
PRINCIPALES ESTOCÁSTICOS LINEALES:

1.- Modelo AR(p) [ Autorregresivos de orden p]

El comportamiento de la variable x en el periodo t viene explicado

por una media ponderada de sus “p” valores anteriores, en t-1, t-2,
…, t-p y un término de error aleatorio (ruido blanco)

xt  1 xt 1   2 xt  2  3 xt 3  ...   p xt  p   t
PRINCIPALES ESTOCÁSTICOS LINEALES:

1.1- AR(1)

xt  1 xt 1   t
xt 2  1 xt 3   t 2
xt 1  1 xt 2   t 1
xt  1 xt 1   t  1 1 xt 2   t 1    t 
 1 1 1 xt 3   t 2    t 1    t  1 xt 3  1  t 2  1 t 1   t
3 2


xt  1  t  j
j

j 0
PRINCIPALES ESTOCÁSTICOS LINEALES:

1.1- AR(1)


Varxt    t2  E xt2  
2
E xt   0 
1  12
 2
Covxt , xt 1    ...
1  12
 2
Covxt , xt      
     
1  12
.
PRINCIPALES ESTOCÁSTICOS LINEALES:

2.- Modelo MA(q) [ Medias móviles de orden q]

xt   t  1 t 1   2 t  2  ...   q t  q
PRINCIPALES ESTOCÁSTICOS LINEALES:

2.- Modelo MA(q) [ Medias móviles de orden q]

E xt   0
2

Varxt     1  1   2  ...   q
2 2 2
