Introducción a Procesos

Estocásticos
Dr. José Dionicio Zacarias Flores
La necesidad de utilizar
procesos estocásticos y
otras áreas afines
 ▪ El tiempo, el cambio y la incertidumbre son formas
esenciales de complejidad que, cada vez más,
obstaculizan nuestra capacidad para funcionar.
▪ Además, la inestabilidad y el carácter cada vez más
dinámico de nuestro entorno tecnológico, económico,
De acuerdo con financiero y comercial han hecho del control de las
economías y su gestión, inevitablemente, una función
Tapiero (1998) mucho más difícil.

▪ Hoy más que nunca, la administración se ha convertido

al mismo tiempo más en un arte y más en una disciplina
que requiere las últimas herramientas matemáticas y
computacionales.
 ▪ El mañana es ahora, lo que significa que las
complejidades del pasado, el presente y el futuro y
cómo se relacionan entre sí deben ser descifrados.

De acuerdo con ▪ Como resultado, los gerentes y economistas han

comenzado hace mucho tiempo a razonar
Tapiero (1998) explícitamente en términos de procesos, escenarios
alternativos y planes en una perspectiva de tiempo e
incertidumbre.
 ▪ El tiempo, el cambio y la incertidumbre acosan
algunas de las decisiones empresariales, económicas
y financieras más importantes.

De acuerdo con ▪ Aunque en muchas situaciones, la intuición y el juicio se

utilizan para alcanzar un curso de acción adecuado, en
Tapiero (1998) ciertos casos, se requieren conjeturas razonadas y
justificables. Estos plantean algunos problemas
técnicos y de modelado importantes.
 ▪ En este sentido, campos como los procesos estocásticos,
la programación dinámica estocástica y el control
estocástico se convierten en herramientas que a
menudo se requieren para enfrentar estos problemas.
▪ La planificación de una actividad económica o
financiera en una perspectiva de tiempo e
De acuerdo con incertidumbre implica que "organizamos" los eventos
en el tiempo (control) y gestionamos la incertidumbre
Tapiero (1998) que se desarrolla a lo largo del tiempo (gestión de
riesgos).

▪ Para ello, el modelado estocástico y la programación

dinámica estocástica (SDP) son marcos que se
requieren para hacer frente a estos problemas de
planificación.
 ▪ Un proceso estocástico es una colección de variables
aleatorias {X(t): t  T} donde t es el parámetro que se
Definición de encuentra en el índice T. En general, llamamos a t el
parámetro del tiempo (o simplemente el tiempo), y T ⊆
Proceso R. Cada X(t) toma valores en el conjunto S ⊆ R llamado
Estocástico espacio del estado; entonces X (t) es el estado del
proceso en el tiempo t.
 ▪ X (t) puede ser el número de correos electrónicos en su
bandeja de entrada en el momento t,
▪ Su saldo bancario en el día t,
Ejemplos
▪ El número de soles mostradas por t lanzamientos de
alguna moneda.
▪ TAREA: Da algunos ejemplos más.
 Los procesos ▪ (a) El espacio de estados;
estocásticos se ▪ (b) El conjunto de parámetros;
caracterizan por tres ▪ (c) Las relaciones de dependencia entre (es decir, la
propiedades distribución conjunta de) las diversas variables
principales: aleatorias X (t).
 ▪ Como X (t) es una variable aleatoria, el espacio de
estados puede ser discreto o continuo.
▪ Tenga en cuenta que X (t) en sí puede ser un vector
aleatorio.
Notas ▪ Por ejemplo, considere una partícula que realiza un
recorrido aleatorio simétrico simple en plano
coordenado XY. (Es decir, en cada paso cambia su
coordenada x en ± 1, o su coordenada y en ± 1, cada
una con probabilidad ¼ ). Entonces, el proceso es la
secuencia de vectores {(X(n),Y(n)): n  Z+}
 ▪ El parámetro puede ser discreto, por ejemplo T = Z+ o T
= Z; en cuyo caso usualmente usamos n para indicar el
tiempo y llamamos a X (n) un proceso de tiempo
Notas discreto.
▪ Cuando T es un intervalo en la línea real, típicamente T
= [0,∞), entonces X(t) es llamado un proceso en tiempo
continuo.
 ▪ Las relaciones de dependencia entre las variables
aleatorias de un proceso estocástico en particular,
generalmente son sugeridas por algún problema
práctico; son una declaración formal sobre los
Notas supuestos de modelado que hacemos para analizar el
proceso y hacer predicciones en el mundo real.
▪ Normalmente, el proceso se especifica determinando
su comportamiento local, y nuestro análisis está
dirigido a descubrir su comportamiento global.
 ▪ En colas reales, los clientes llegan a un punto de
servicio y esperan ser atendidos antes de que cierre. Si
vamos a modelar este sistema para predecir, por
Ejemplo: Colas ejemplo, las posibilidades de que el cliente tenga éxito
en esto, debemos hacer una serie de supuestos de
modelado. Por ejemplo, (i) ¿Cómo trata el servidor a los
clientes? (ii) ¿Qué tan rápido entran los clientes en la
cola?
 ▪ Cuando se trata de un crear un marco matemático, en el
que se pueden formular estas suposiciones. Un posible
modelo de interés podría especificarse así:

▪ (a) El número de clientes en la cola en el momento t es

X(t), t ≥0; X(0) = 0.

Ejemplo: Colas ▪ (b) Los tiempos entre las llegadas de clientes sucesivos
son variables aleatorias exponenciales (λ)
independientes distribuidas de manera idéntica.

▪ (c) Los clientes son atendidos en orden de llegada.

▪ (d) Sus tiempos de servicio son variables aleatorias
independientes, que son exponenciales (μ) e
independientes del proceso de llegadas.
 ▪ Por esta descripción local, uno espera descubrir, por
Ejemplo: Colas ejemplo, la probabilidad de ser atendido antes de que
cierre el negocio si llega al mediodía y ve una docena
de personas frente a usted, y así sucesivamente.
 ▪ Por ejemplo, en la cola anterior, si usted es un
administrador, su interés tal vez estará en las
Hay dos formas de propiedades generales de X(t), según lo especificado
por sus distribuciones de probabilidad, tales como
ver un proceso
aleatorio X(t): Si es el ▪ (i) La probabilidad de que más de c clientes queden sin
servicio al final del día.
administrador
▪ (ii) La probabilidad de que el servidor haya pasado
más de n horas inactivo por falta de clientes.
 ▪ Si usted es un cliente, tiene poco o ningún interés en
Hay dos formas de los asuntos del administrador; su única preocupación es
ver un proceso su experiencia de la cola.
aleatorio X(t): Si es el ▪ Formalmente, la distinción entre estos dos puntos de
cliente vista se puede expresar así:
 ▪ (i) Podemos estudiar X(t) considerando sus
distribuciones conjuntas.
𝐹 𝑥1 , 𝑡1 ; … ; 𝑥𝑛 , 𝑡𝑛 = 𝑃 𝑋 𝑡1 ≤ 𝑥1 ; … ; 𝑋 𝑡𝑛 ≤ 𝑥𝑛
Hay dos formas de Para cualquier colección de tiempos 𝑡1 , … , 𝑡𝑛
ver un proceso ▪ (ii) Alternativamente: Podemos considerar cada X (t)
aleatorio X(t) de como una función en el espacio muestral Ω; para
manera formal cualquier ω ∈ Ω obtenemos X (t, ω). Para este ω, a
medida que pasa el tiempo, obtenemos una secuencia
particular (X(t, ω); t ∈ T). Esta trayectoria se denomina
ruta de realización o muestra del proceso X (t).
 Ejercicios
A presentarse en una semana
 ▪ Sea (Xn; n ≥ 1) una colección de variables aleatorias
independientes idénticamente distribuidas positivas,
con densidad f(x). Son inspeccionadas a partir de n = 1.
(i) Un observador conjetura que X1 será mayor que
todos los Xn posteriores, n ≥ 2.
Muestra que esta conjetura se probará como incorrecta
Ejercicio 1 con probabilidad 1.

¿Cuál es el número esperado de inspecciones antes de

que se demuestre que la conjetura es incorrecta?
▪ (ii) Sea N el índice de la primera Xn que excede a
N = min{n ≥1:Xn > a }.
∞
‫𝑥𝑑 𝑥 𝑓 𝑥 𝑎׬‬
Demostrar que E(Xn) = ൗ𝑃 𝑋1 >𝑎
 ▪ En una elección el candidato A recibe n votos y el
Ejercicio 2: El candidato B recibe m votos, donde n > m. Suponiendo
problema de Ballot. que todos los ordenamientos son igualmente probables,
demostrar que la probabilidad de que A siempre esté a
la cabeza en el conteo de votos es (n-m)/(n+m)
Ejercicio 3: Variante
del problema de
Ballot. ▪ En el problema de Ballot, calcule la probabilidad de
que A nunca esté atrás en el conteo de los votos.
 ▪ Consideremos un jugador que gana o pierde 1 unidad
Ejercicio 4: Quiebra en cada jugada con probabilidades p y 1-p
de un jugador respectivamente. ¿Cuál es la probabilidad, de que
iniciando con n unidades, el jugador jugará
exactamente n+2i juegos antes de perder todo?
Sugerencia: Usar el problema de Ballot.
 ▪ Consideremos una partícula, que en el tiempo 0, está en
el origen. En cada unidad de tiempo una moneda es
lanzada. Si se obtiene águila (respectivamente sol) la
Ejercicio 5: Caminata partícula se mueve una unidad a la derecha
aleatoria (respectivamente a la izquierda). Si la variable Xn
denota la posición de la partícula después de n
lanzamientos de la moneda. Describe este proceso
estocástico. También da una representación gráfica de
dicho proceso.