1

INTRODUCCIN
La teora de los procesos estocsticos se centra en el estudio y
modelizacin de sistemas que evolucionan a lo largo del tiempo, o del
espacio, de acuerdo a unas leyes no determinsticas, esto es, de carcter
aleatorio.
La forma habitual de describir la evolucin del sistema es mediante sucesiones
o colecciones de variables aleatorias. De esta manera, se puede estudiar cmo
evoluciona una v.a. a lo largo del tiempo. Por ejemplo, el nmero de
personas que espera ante una ventanilla de un banco en un instante t de
tiempo; el precio de las acciones de una empresa a lo largo de un ao; el
nmero de parados en el sector de Hostelera a lo largo de un ao.
La primera idea bsica es identificar un proceso estocstico con una sucesin
de v.a.
{Xn, n N} donde el subndice indica el instante de tiempo (o espacio)
correspondiente. Esta idea inicial se puede generalizar fcilmente,
permitiendo que los instantes de tiempo en los que se definen las v.a. sean
continuos. As, se podr hablar de una coleccin o familia de v.a. {X
t
, t R}, que
da una idea ms exacta de lo que es un proceso estocstico.
Se tena que una v.a. X(s) es una funcin que va desde un espacio
muestral S a la recta real, de manera que a cada punto s S del espacio
muestral se le puede asociar un nmero de la recta real.
De este modo, la probabilidad de cada suceso de S se puede trasladar a la
probabilidad de que un valor de X (v.a.) caiga en un cierto intervalo o
conjunto de nmeros reales. Si a todo esto se le aade una dimensin
temporal, se obtiene un proceso estocstico.





2


Definicin (Proceso Estocstico)

Dado el espacio de probabilidad (, a, P ) de modo que para todo t T R
fijo
X
t
: (, a, P ) (R, B)
w X
t
(w) R
Esto es, X
t
es una variable aleatoria y w fijo, X

(w) es una funcin del

tiempo.

Ejemplos:
X
t
: nmero de personas que esperan un autobs en un instante t donde t
[9, 10]
X
t
: precio de una accin de una empresa en un da t del mes
(t = 1, 2,. . . , 30). X
t
: nmero de parados en el mes t (t = 1, 2, . . . 12).
Para que un proceso estocstico est completamente definido hay que
determinar completamente las v.a., es decir, determinar e identificar la
distribucin de probabilidad aso- ciada a cada una de ellas y, es ms, la
distribucin conjunta de todas ellas.

Definicin:
Al conjunto T R de subndices se le denomina conjunto paramtrico y
puede ser continuo o numerable.
De este modo aparece una primera clasificacin en procesos
estocsticos de parmetro continuo o de parmetro discreto.

3

PROCESO ESTOCASTICO DE POISSON
Sea una variable aleatoria que evoluciona montonamente en el tiempo
pudiendo tomar solamente valores enteros 0, 1,2,3,,n-1,n,,de modo que si en
el instante es =n,entonces en cualquier instante posterior es n(esto es lo que
significa que la v.a es montona).admitimos que para es =0.
Si adems la probabilidad de que en el intervalo infinitesimal de tiempo de , de
a , la v.a. solamente puede aumentar en una unidad, con la probabilidad
infinitesimal ,o permanecer estacionaria con la probabilidad estacionaria con la
probabilidad complementaria 1- ,se dice que la v.a sigue un proceso
estocstico de Poisson.
En la prctica se ajustan este modelo terico una gran categora de fenmenos
que dependen de mltiples causas que son independientes entre s e
independientes del tiempo, tales como las desintegraciones de tomo radiactivos
averas en un proceso de produccin, trfico de pasajeros, vehculos o
telefnico,etc.
Si llamamos P(n,t) a la probabilidad de que en el tiempo ,la v.a valga n,se
cumple que:
P( )=P( ) +P( )( ); n (1)
Porque el suceso del Segundo miembro, que es , se compone de dos
sucesos que mutuamente se excluyen, que son , con incremento de
en una unidad en el intervalo de tiempo dt de a ; y ( )
permaneciendo constante en el antesitado intervalo infinitesimal de tiempo de
a
(1) Es pues el resultado de aplicar el teorema de las probabilidades totales y de
las probabilidades compuestas. De (1) se sigue que :
P( P( )P( =[P( (2)

4

A lo que lo mismo:
P( = (3)
Pero con:
P (4)
Por no poder tomar valores negativos.
Este proceso se puede resolver por tres procedimientos distintos, que son:
a) Integracin de cadenas recurrentes de ecuaciones diferenciales lineales de
primer orden.
b) Clculo de integrales mltiples
c) Resolucin de la ecuacin en derivadas parciales de la funcin generatriz (fg).
Aqu nicamente se expondr el tercero
Multiplicando en (3) por

, y sumando, teniendo en cuenta la forma peculiar de

(4), desde cero hasta infinito se obtiene:

(5)
Ahora bien, es:

(6)
Siendo g(z,t) la fg. por tanto, la (5) se escribe:

(7)


5

Y como , porque , integrando la (7) se obtiene:


(8)
Que es la de la distribucin de Poisson.Se tiene, pues, que:

(9)
El valor medio y la varianza son proporcionales al tiempo.


Inversin En El Tiempo Del Proceso De Poisson
En el 1 hemos supuesto variable cierta y variable aleatoria, pero podemos
considerar variable cierta y aleatoria, es decir intentar calcular la
probabilidad de que en el intervalo de tiempo de a alcance el valor de
Para ello vamos a calcular previamente el intervalo de tiempo aleatorio que separa
dos valores consecutivos de ,es decir que se tarda en conseguir un incremento
de una unidad en el valor de Si llamamos a la de esta v.a,es:
(10)
Tambin por aplicacin de los teoremas de las probabilidades totales y
compuestas. Porque el suceso del segundo miembro, es decir que el incremento
de en una unidad se haya producido antes del tiempo se compone de dos
sucesos mutuamente excluyentes que son que haya producido antes del tiempo
,o que no habindose producido antes de ,se produce en el intervalo
.observese que es la probabilidad de que el incremento unitario se haya
producido antes de de que se haya producido antes de ,y es la
probabilidad de que se produzca en el intervalo de tiempo de a .De (10)
se sigue que:
(11)
6

Y de aqu:

( )

(12)
Y como es C=1,luego:

(13)
La derivada es la del tiempo aleatorio buscado.se trata de una
distribucin exponencial (4-v) cuya funcin caracterstica (fc) es:

(14)
Se sigue que el tiempo aleatorio que tarda en alcanzar el valor ,es la suma de
v.a
Independientes, cuya es la (14), luego su es:

(15)
Que es una v.a gamma de ff (4-v):

(16)








7

Movimiento Browniano o proceso de Wiener

Se dice que Z [] es un proceso de Wiener o movimiento Browniano si Z
es una funcin definida en algun intervalo I = [0, T ] (eventualmente puede
ser T = +), con las siguientes propiedades:


Observacin:
1. La proyeccion de Z sobre la coordenada t, Z [t] es una
variable aleatoria para todo t I .
En ueste sentido se dice que {Z [t]}
tI
es un proceso estocastico.
2. La propiedad ii) dice que el proceso es independiente de su historia.
3. Existen procesos que son movimientos Brownianos,
pero no es trivial su demostracion. Una de las
demostraciones es constructiva y recurre a una base
completa de L
2
(I ).
4. Se puede probar que con probabilidad uno Z no es
diferenciable en ningun intervalo [t, t + a].