Definiciones
Proceso Estocástico |
Colección Infinita de variables aleatorias sobre un espacio de probabilidad común (Ω, F, P) que esta indexada por un parametro (i.e. tiempo) |
Estado |
Valores que toman las variables aleatorias Xtn
|
Espacio de Estados del Proceso |
Conjunto de todos los posibles estados. Discreto {Xn , n = 0, 1, 2...} o Continuo {Xtn , t ∈ T} y {Xt , t ∈ T}. |
Trayectoria |
Recorrido de un evento específico. Dado ω∈Ω, la trayectoria de ω es ƒ: t→Xt(ω) |
Distribución n-dimencional del proceso |
Ft1 ...tn (x1 ,..., xn ) := P(Xt1 ≤ x1 ,..., Xtn ≤ xn ), donde Xun P.E. real y {t1 , t2 ,... , tn } ⊂ T donde t1 < t2 <...< tn
|
P.E. con Incrementos Independientes |
Cuando las variables aleatorias Xt2 − Xt1 , Xt3 − Xt2 , ..., Xtn − Xtn-1
son independientes dado que ∀ t1 , t2 ,..., tn
y t1 <t2 < ... <tn
|
P.E. Estacionario de orden n Se puede trasladar en el tiempo y la distribucion no cambia |
Sea ∀t1, t2,..., tn y las distribuciones conjuntas de Xt1 , Xt2 ..., Xtn ) y (Xt1+h + h), Xt2+h ..., Xtn+h ) son iguales para todo h>0 |
P.E. Estacionario de orden n |
Si el proceso es estacionario de orden n para todo n∈N, |
P.E. con Incrementos Estacionarios |
Si para cualesquiera 0≤s≤t y 0≤h, se cumple que Xt -Xs
tiene la misma distribucion que Xt+h -Xs+h
|
P.E. de segundo orden o regular |
Si E [Xt ] 2 < ∞ para todo t ∈ T. Ademas Las funciones de media mX (t) = E (Xt ) y de covarianza CX (s, t) = Cov (Xs , Xt ) |
P.E. ortogonal |
Si es P.E. regular y E [Xt Xs ]=0, ∀t,s, ∈ T y t ≠s. |
P.E. Estacionario |
Si es P.E. regular y su función de media mX(t) es independiente de t y si su función de covarianza CX(s, t) es una función que depende sólo de |t − s|, para todo t,s,esto C(s, t) = Cov(X(s), X(t)) = f(t − s). |
P.E. Evolutivo |
Que no es Estacionario |
|
|
Ejemplos Especiales de P.E.
Martingala El valor esperado del X_{n+1} dado que paso por n valores dados, es el ultimo valor observado x_{n} |
Si E(X_{n+1} | X_{0}=x_{0},...,X_{n}=x_{n})=x_{n} |
Proceso de Levy |
Cuando los incrementos son independientes y estacionarios |
Proceso Gausiano |
Si para cualesquiera n tiempos crecientes, se tiene que (X(t1), X(t2)..., X(tn)) tiene una distribucion normal multivariada |
Tipos de P.E.
PDED |
Tiempo Discreto + Espacio Discreto |
PDEC |
Tiempo Discreto + Espacio Continuo |
PCED |
Tiempo Continuo + Espacio Discreto |
PCEC |
Tiempo Continuo +Espacio Continuo |
Propiedades P.E
X=Y sii Xt (ω) = Yt (ω) con ∀t∈ T y ∀ω ∈ Ω |
X y Y son estocásticamente equivalentes si P(Xt = Yt ) =1 y ∀t∈ T. |
X y Y son estocásticamente equivalentes en el sentido amplio si ∀ n∈N, ∀ {t1 ,..., tn }⊂T y {B1 ,..., Bn } ⊂ 2Ω se satisface: P(Xt1 ∈ B1 , ..., Xtn ∈ Bn ) = P(Yt1 ∈ B1 ,..., Ytn ∈ Bn ) |
X y Y se dicen indistinguibles si casi todas sus trayectorias coinciden, esto es, P(Xt = Yt , t ∈ T) = 1. |
Aclaraciones
Sea X = {Xt, t∈ T} un proceso estocástico |
X es real si las v.a. Xt son de valor real para todo t∈T |
X es complejo si las v.a. Xt son de valor complejo para todo t ∈ T |
Si T es finito o contable, entonces es proceso estocástico con parámetro de tiempo discreto. |
Si T es un intervalo de la recta real entonces es proceso con parámetro de tiempo continuo. |
Si T⊆Rn con n>1 entonces el proceso se denomina campo aleatorio. |
|
|
Cadena de Markov
Un P.E. Real X si para todo n tiempos crecientes y a, b ∈ R con a < b, se satisface que P (Xt ∈ (a, b] | Xt1 = x1, Xt2 = x2, ,..., Xtn ) = P (Xt ∈ (a, b] | Xtn ) |
Es decir, solo importa el estado inmediatamente anterior Xtn
para determinar el estado siguiente Xtn+1
|
Equivalente a P (X0 = i0 , ..., Xn+1 = in+1 ) = P (X0 = i0 ) P (X1 = i1 | X0 = i0 ) ...P (Xn+1 = in+1 | Xn = in ) |
Distribucion Inicial |
Distribucion de la variable X 0
, es decir {P (X 0
= 0), P(X 0
= 1), ...} |
Probabilidad de transicion |
Probabilidad de que pase de i a j en un paso (del tiempo n al tiempo n+1) es P(Xn+1 =j| Xn =i)=Pij (n,n+1)=Pij (1) |
Matriz de transicion en un paso |
Sea P=[pij ]=Pij (1). Es la matriz estocastica. El i es la salida y el j es la llegada |
|