Procesos Estocásticos

ANÁLISIS DE DECISIONES
¿Qué es un proceso estocástico?
Los procesos estocásticos son básicamente fenómenos cuyo comportamiento se desarrolla en el
tiempo y se rige por las leyes de las probabilidades. Ejemplos de tales fenómenos son: el
movimiento browniano de una partícula, el crecimiento de una población, tal como una colonia
de bacterias, el tamaño de una cola en una estación cliente/servidor, la recepción de una señal
en presencia de ruido o perturbaciones, los precios de un bien en un lapso de tiempo, las
fluctuaciones de fortuna en un juego de azar, etc.
Proceso estocástico
Existen caracterizaciones de procesos estocásticos cuya variable no es el tiempo, sino la
ubicación espacial. Ejemplos de estos procesos estocásticos espaciales son la distribución
geográfica de especies de plantas o animales y el estudio de epidemias, donde el contagio de
una enfermedad en un sitio depende de su proximidad con otros sitios infectados.
Procesos estocásticos
Para efectos matemáticos, un proceso estocástico es una sucesión de variables aleatorias, cada
una de las cuales describe el estado del sistema en un instante de tiempo dado. Esta definición
es adecuada porque abarca los siguientes aspectos:
1) El estado del sistema en un tiempo determinado es variable, y su variabilidad se debe a
mecanismos aleatorios
2) La variable aleatoria del estado del sistema es una función que depende del tiempo y en
consecuencia, su distribución esta determinada por el instante de tiempo que se considere
3) Si se consideran los estados de un sistema en distintos instantes de tiempo conjuntamente, se
puede conceptuar un proceso estocástico como un vector aleatorio n-dimensional.
Proceso estocástico
Resumiendo:
 
(Proceso estocástico). Un proceso estocástico es una sucesión o conjunto de variables aleatorias
definidas sobre un espacio de probabilidad común.

En esta definición, t es el parámetro de tiempo, el cual toma valores en un conjunto T

denominado conjunto índice. Según sea T un conjunto numerable o no, el proceso estocástico
será de parámetro discreto o continuo respectivamente. Usualmente, el valor ínfimo de T es 0,
pues se analizaran los procesos estocásticos a partir de un instante de tiempo 0.
Proceso estocástico
 Los procesos estocásticos de parámetro discreto se denotan por:

Las variables aleatorias X(t) toman valores en un espacio medible llamado espacio de estados. Si
se tiene un proceso estocástico y se fija algún ω Є Ω la función t se llama trayectoria del
proceso estocástico X.
Variables discretas y continuas
Una variable discreta es aquella que no puede tomar algunos valores dentro de un mínimo
conjunto numerable; es decir, no acepta cualquier valor, únicamente aquellos que pertenecen al
conjunto. Estas variables se dan de modo coherente separaciones entre valores observables
sucesivos. Como ejemplo, el número de animales en una granja (0, 1, 2, 3, 4, 5, 6, 7,......).

Una variable continua puede tomar un valor fijo dentro de un intervalo determinado. Y siempre

entre dos valores observables va a existir un tercer valor intermedio que también podría tomar
la variable continua. Una variable continua toma valores a lo largo de un continuo; esto es, en
todo un intervalo de valores. Un atributo esencial de una variable continua es que, a diferencia
de una variable discreta, nunca puede ser medida con exactitud; el valor observado depende en
gran medida de la precisión de los instrumentos de medición. Con una variable continua hay
inevitablemente un error de medida. Como ejemplo, la estatura de una persona (1.72m,
1.719m, 1.7186m....)
Suceso Determinista
En estadística y probabilidad, un suceso determinista es un experimento o fenómeno que da
lugar a un resultado cierto o seguro; es decir, cuando partiendo de unas mismas condiciones
iniciales tenemos la certeza de lo que va a suceder. La relación causa-efecto se conoce en su
totalidad. Son los hechos que llegan a ocurrir con seguridad y precisión aún antes de realizarlos,
se puede saber a priori que es lo que sucederá. Por ejemplo, todos los fenómenos que siguen las
leyes de la física clásica, como puede ser la caída de un cuerpo.
Cuando un experimento o fenómeno no es determinista estamos ante un experimento
aleatorio.
Estados
A los posibles valores que puede tomar la variable aleatoria se le denominaran estados, por lo
que se puede tener un espacio de estados discreto y un espacio de estados continuo. Por otro
lado, la variable tiempo puede ser de tipo discreto o de tipo continuo. En el caso del tiempo
discreto se podría tomar como ejemplo que los cambios de estado ocurran cada día, cada mes,
cada año, etc.. En el caso del tiempo continuo, los cambios de estado se podrían realizar en
cualquier instante.
Clasificación de los procesos
estocásticos
Por tanto, dependiendo de cómo sea el conjunto de subíndices T y el tipo de variable aleatoria
dado por Xt se puede establecer la siguiente clasificación de los procesos estocásticos:
•Si el conjunto T es continuo, por ejemplo R+, diremos que Xt es un proceso estocástico de
parámetro continuo.
•Si por el contrario T es discreto, por ejemplo N, diremos que nos encontramos frente a un
proceso estocástico de parámetro discreto.
•Si para cada instante t la variable aleatoria Xt es de tipo continuo, diremos que el proceso
estocástico es de estado continuo.
•Si para cada instante t la variable aleatoria Xt es de tipo discreto, diremos que el proceso
estocástico es de estado discreto.
Clasificación de los procesos
estocásticos
Clasificación de los procesos
estocásticos
S discreto S continuo

Sucesión de
variables
T discreto Cadena
aleatorias
continuas

Proceso Proceso
T continuo
puntual continuo
Ejemplo de cada tipo de proceso
Cadena: Ejemplo anterior

Sucesión de variables aleatorias continuas: Cantidad de lluvia caída cada mes

Proceso puntual: Número de clientes esperando en la cola de un supermercado

Proceso continuo: Velocidad del viento

Proceso estocástico
Para aclarar un poco estos conceptos, considérese el siguiente ejemplo:
Se cuenta el numero de personas que entran a un banco entre las 9 y 10 am. Definimos el
conjunto índice como el conjunto de todos los posibles instantes de tiempo entre las 9 y 10 am;
el proceso estocástico es por lo tanto de parámetro continuo. Considerando que estamos
interesados en la cantidad de personas que han entrado en cierto instante de tiempo,
definiríamos el espacio de estados como el conjunto de todos los valores enteros no negativos.
Por ultimo, si consideramos una realización del proceso estocástico antes descrito para un día
especifico, digamos el 29 de agosto de este año, tendríamos una trayectoria del proceso.
Ejemplo del clima
El
  clima en el pueblo de Centerville puede cambiar con rapidez de un día a otro. Sin embargo, las posibilidades de
tener clima seco (sin lluvia) mañana es de alguna forma mayor si hoy esta seco, es decir, si no llueve. En
particular, la probabilidad de que mañana este seco es de 0.8 si hoy esta seco, pero es de solo 0.6 si hoy llueve.
Estas probabilidades no cambian si se considera la información acerca del clima en los días anteriores a hoy.
La evolución del clima día tras día en Centerville es un proceso estocástico. Si se comienza en algún día inicial
(etiquetado como día 0), el clima se observa cada día t, para t = 0, 1, 2, . . .
El estado del sistema en el día t puede ser:
Estado 0 = El día t es seco o bien
Estado 1 = El día t es lluvioso
Así, para t = 0, 1, 2, . . ., la variable aleatoria toma los valores,

El proceso estocástico {Xt} = {X0, X1, X2, . . .} proporciona una representación matemática de la forma en que
evoluciona el clima en Centerville a través del tiempo.
Ejemplo de proceso estocástico
Lanzamos una moneda al aire 6 veces. El jugador gana $1 cada vez que sale cara (C), y pierde $1 cada vez que sale
cruz (F). Xi = estado de cuentas del jugador después de la i-ésima jugada. La familia de variables aleatorias {X1, X2,
…, X6} constituye un proceso estocástico…
={CCCCCC,CCCCCF,…}

() = 26 = 64
P()=1/64  
T={1, 2, 3, 4, 5, 6}
S={–6, –5, …, –1, 0, 1, 2, …, 5, 6}
X1()={–1, 1}
X2()={–2, 0, 2}
Ejemplo
Si se fija ω (combinación), por ejemplo 0=CCFFFC, se obtiene una secuencia de valores
completamente determinista: X1(0)=1, X2(0)=2, X3(0)=1, X4(0)=0, X5(0)= –1, X6(0)=0
Se puede dibujar con estos valores la trayectoria del proceso:
3

V alo r d el p ro ceso
1

-1

-2
1 2 3 4 5 6
Instante de tiempo, t
Ejemplo
Si fijo t, por ejemplo t0=3, obtengo una de las variables aleatorias del proceso:

X3 :   
  X 3  
Los posibles valores que puede tomar el proceso en t0=3 son: X3()={–3, –1, 1, 3}
Ejemplo
Se puede hallar la probabilidad de que el proceso tome uno de estos valores:

1 1 1 3
P X 3 ( )  1  P CFC  P CCF  P FCC  3    
2 2 2 8
1 1 1 1
P X 3 ( )  3  P CCC    
2 2 2 8
1 1 1 3
P X 3 ( )  1  P FCF  P FFC  P CFF  3    
2 2 2 8
1 1 1 1
P X 3 ( )  3  P FFF    
2 2 2 8
Ejemplo: Recorrido aleatorio
 
Como se puede apreciar en el ejemplo de los volados; el estado es de tipo discreto, con
variables discretas (X) y tiempo discreto con variables discretas (t).

En este caso, xt es una variable aleatoria que comienza con un valor conocido x0, y a lo largo de
los periodos t = 1, 2, 3... va variando a razón de saltos unitarios hacia arriba o hacia abajo con
una probabilidad asociada del 50% en cada caso. Como los saltos son independientes entre sí, la
evolución de xt puede describirse mediante la siguiente ecuación:

donde es una variable aleatoria con una distribución de probabilidad de:

prob ( = 1) = prob ( = -1) = 50% para t = 1, 2, 3...
Recorrido aleatorio
Denominamos a xt un
proceso de estados discretos
porque sólo puede tomar
valores discretos. Así, si x0 =
0, para los valores impares de
t, los posibles valores de xt
son (-t, ...... , -3 , -1 , 1 ,
3 , ...... , t) mientras que para
los valores pares de t los
valores de xt serían (-t, ...... ,
-4 , -2 , 0 , 2 , 4 , ...... , t). La
distribución de probabilidad
para xt procede de la
distribución binomial.
Recorrido aleatorio
Para t pasos, la probabilidad de que haya n saltos hacia abajo y t-n hacia arriba es igual a:

Así, por ejemplo, la probabilidad de que para 4 pasos haya 3 saltos hacia abajo y uno sólo hacia
arriba es igual a:
Recorrido aleatorio
Lo anterior resulta evidente
porque esa combinación sólo se
puede realizar 4 veces con una
probabilidad unitaria del 6,25%
Recorrido aleatorio
Observar que el rango de posibles
valores que xt puede tomar, aumenta
con el valor de t, lo mismo que le
ocurre también a la varianza de xt (tal
y como se puede observar en la parte
inferior de la figura). Por eso xt es un
proceso no estacionario.

Varianza: 2 4 6.67 10
¿Qué es la varianza?
La varianza es una medida de qué tan disperso es un conjunto de datos. Si la varianza es
pequeña, significa que los valores del conjunto están bastante agrupados. Si la varianza es
grande, significa que los números están más dispersos. En estadística, este concepto tiene
muchos usos. Por ejemplo, si comparas las varianzas de dos conjuntos de datos (por ejemplo,
resultados de pacientes femeninos contra resultados de pacientes masculinos) puedes
comprobar si una variable produce un efecto perceptible. La varianza también es muy útil para
crear modelos estadísticos, ya que una varianza pequeña puede ser un indicio de que estás
ajustando demasiado los datos.
Procesos estacionarios
Es un proceso estocástico cuya distribución de probabilidad en un instante de tiempo fijo o una
posición fija es la misma para todos los instantes de tiempo o posiciones. En consecuencia,
parámetros tales como la media y la varianza; si existen, no varían a lo largo del tiempo o la
posición.
Por ejemplo, el ruido blanco es estacionario. Sin embargo, el sonido de un golpe de platillos no
es estacionario, pues la energía acústica del golpe (y por lo tanto su varianza) disminuye con el
tiempo.
Ejercicio en clase
En un lote de  autos usados, el 25% son de la marca Ford, el 45% son Chevrolet y el 30% son
Mazda, de los cuales, 2 de cada 8 autos Ford son estándar, 1 de cada 10 autos Chevrolet son
estándar y 2 de cada 10 autos Mazda son también estándar.
Un cliente compra un auto de este lote; determinar: a. ¿cuál es la probabilidad de que el auto
seleccionado por el cliente sea estándar?, b. ¿cuál es la probabilidad de que haya seleccionado
un auto Chevrolet estándar?, c. ¿cuál es la probabilidad de que el auto seleccionado sea Ford o
Mazda automático?
Solución
a. Haciendo uso de un diagrama de árbol como se muestra, se facilita hacer el cálculo de
probabilidades:
E2/8 P(S. estándar) = P(S. Ford, Chevrolet o Mazda
25% estándar) = P(S. Ford Est.) + P(S. Chevrolet Est.) +
A6/8
F P(S. Mazda Est.)
E1/10
Ch P(F)P(Est.) + P(Ch)P(Est.) + P(M)P(Est.)
Selección 45%
A9/10 (0.25)(2/8) + (0.45)(1/10) + (0.30)(2/10) =
M
0.0625 + 0.045 + 0.06 = 0.1675 = 16.75%
E2/10
30%
A8/10
Solución

b. ¿Cuál es la probabilidad de que haya seleccionado un auto Chevrolet automático?

P(S. Chevrolet A.) = P(Ch)P(A.) = (0.45)(9/10) = 0.405 = 40.5%

c. ¿Cuál es la probabilidad de que el auto seleccionado sea Ford o Mazda automático?

P(S. Ford o Mazda Automático) = P(S. Ford Auto.) + P(S. Mazda Auto) =
P(F)P(A) + P(M)P(A) = (0.25)(6/8) + (0.30)(8/10) = 0.1875 + 0.24 = 0.4275 = 42.75%