Show Menu
Cheatography

Procesos Estocasticos Cheat Sheet (DRAFT) by

Resumen de la clase de Procesos Estocasticos

This is a draft cheat sheet. It is a work in progress and is not finished yet.

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 X
tn
Espacio de Estados del Proceso
Conjunto de todos los posibles estados. Discreto {X
n
, n = 0, 1, 2...}
o Continuo {X
tn
, t ∈ T} y {X
t
, 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
F
t1
...
tn
(x
1
,..., x
n
)
:= P(X
t1
≤ x
1
,..., X
tn
≤ x
n
)
, donde Xun P.E. real y {t
1
, t
2
,... , t
n
} ⊂ T
donde t
1
< t
2
<...< t
n
P.E. con Increm­entos Indepe­ndi­entes
Cuando las variables aleatorias X
t2
− X
t1
, X
t3
− X
t2
, ..., X
tn
− X
tn-1
son indepe­ndi­entes dado que ∀ t
1
, t
2
,..., t
n
y t
1
<t
2
< ... <t
n
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 X
t1
, X
t2
..., X
tn
)
y (X
t1+h
+ h), X
t2+h
..., X
tn+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 X
t
-X
s
tiene la misma distri­bucion que X
t+h
-X
s+h
P.E. de segundo orden o regular
Si E [X
t
] 2 < ∞
para todo t ∈ T. Ademas Las funciones de media mX (t) = E (X
t
)
y de covarianza CX (s, t) = Cov (X
s
, X
t
)
P.E. ortogonal
Si es P.E. regular y E [X
t
X
s
]=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 X
t
(ω) = Y
t
(ω)
con ∀t∈ T y ∀ω ∈ Ω
X y Y son estocá­sti­camente equiva­lentes si P(X
t
= Y
t
) =1
y ∀t∈ T.
X y Y son estocá­sti­camente equiva­lentes en el sentido amplio si ∀ n∈N, ∀ {t
1
,..., t
n
}⊂T
y {B
1
,..., B
n
} ⊂ 2Ω
se satisface: P(X
t1
∈ B
1
, ..., X
tn
∈ B
n
) = P(Y
t1
∈ B
1
,..., Y
tn
∈ B
n
)
X y Y se dicen indist­ing­uibles si casi todas sus trayec­torias coinciden, esto es, P(X
t
= Y
t
, 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 (X
t
∈ (a, b] | X
t1
= x1, X
t2
= x2, ,..., X
tn
) = P (X
t
∈ (a, b] | X
tn
)
Es decir, solo importa el estado inmedi­ata­mente anterior X
tn
para determinar el estado siguiente X
tn+1
Equiva­lente a P (X
0
= i
0
, ..., X
n+1
= i
n+1
) = P (X
0
= i
0
) P (X
1
= i
1
| X
0
= i
0
) ...P (X
n+1
= i
n+1
| X
n
= i
n
)
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(X
n+1
=j| X
n
=i)=P
ij
(n,n+1)=P
ij
(1)
Matriz de transicion en un paso
Sea P=[p
ij
]=P
ij
(1)
. Es la matriz estoca­stica. El i es la salida y el j es la llegada