PROCESOS ESTOCÁSTICOS
Cuando una variable aleatoria es función del tiempo tenemos
un proceso estocástico. La definición formal de
un proceso de este tipo es la siguiente:
Se denomina
proceso
estocástico a un conjunto de n variables aleatorias
Z(t) , que dependen del parámetro t;, c a un conjunto de
realizaciones del proceso z(t) .Con objeto de definir un proceso,
es necesario asignar una medida de probabilidad en el espacio
funcional de las realizaciones. Para ello, en el intervalo de
variación de t, consideramos n valores cualesquiera \(
t_1,...,t_n \) ; la función aleatoria z(t) se convierte,
entonces, para cada uno de esos n valores de t en las variables
aleatorias :
\( z(t_1) \: ; \: z(t_2) \: ; \: ... \: ; \: z(t_n)\)
Si consideramos ahora el vector aleatorio n-dimensional \({z(t_1)
\: ; \: ... \: ; \: z(t_n)} \) y la función de distribución
del mismo:
\( \begin{array}{l}
P[z(t_1)<x_1 \: ;\: z(t_2)<x_2\: ;\: ... \:;\: Z(t_n)<x_n
]= \\
\\
= P(x_1,..., x_n , t_1, ..., t_n)\qquad\qquad (31)
\end{array} \)
diremos que conocemos la estructura probabilística de este
proceso estocástico si conocemos la distribución
conjunta de las n variables aleatorias \( z(t_i)\). Esta distribución
determina la distribución de cualquier subconjunto de variables
y, en particular, las distribuciones marginales para cada una
de ellas.
La determinación práctica de la distribución
conjunta de un proceso estocástico requiere observar
un gran número de realizaciones. Esta estimación
se simplifica mucho cuando podemos suponer que la distribución
conjunta es normal multivariable, ya que, en este caso, quedará
determinada por el vector de medias y la matriz de covarianzas.
Con referencia a esto, se dice que un proceso estocástico
es gaussiano si todas las distribuciones de un vector aleatorio
de dimensión n son variables gaussianas.
Se denomina
función
de medias de un proceso estocástico a una función
del tiempo que proporciona las medias de las distribuciones marginales
\( z(t_i) \) para cada instante:
\( \mu(t_i) = E[z(t_i)]\qquad\qquad (32) \)
un caso particular importante es aquel en el que todas las variables
tienen la misma media. Se dice entonces que el proceso es
estable
en la media.
Análogamente, la
función
de varianzas del proceso es aquella que proporciona
las varianzas en cada instante temporal:
\( \sigma^2(t_i)= Var[z(t_i)]\qquad\qquad (33) \)
Si esta función es constante en el tiempo se dice que el
proceso es
estable
en la varianza.
La
función
de autocovarianzas de un proceso estocástico
es aquella que describe las covarianzas en dos instantes cualesquiera:
\(\begin{array}{l}
Cov[z(T_1), z(t_{i+j})] = \\
\\
= e[z(t_i) - (t_i)][z(t_{i+j}) - \psi(t_{i+j})] (34)
\end{array} \)
Cuando la función de autocovarianzas viene tipificada se
la conoce con el nombre de
función
de autocorrelación:
\( \displaystyle \rho(t_i,t_{i+j}) = \frac{Cov[z(t_i), z(t_{i+j})]}{\sigma(t_i),
\sigma(t_{i+j})}\qquad (35) \)
Eh general, estas dos funciones dependen de dos parámetros,
el instante inicial y el intervalo entre observaciones.
Si estudiamos a lo largo del tiempo un proceso estocástico
solo dispondremos de un valor de cada variable en cada instante.
Para poder estimar las características "trasversales"
del proceso (medias, varianzas, etc.) a partir de su evolución
"longitudinal" es necesario suponer que la distribución
de las variables es estable a lo largo del tiempo. Esto nos
lleva al concepto de estacionaridad.
Un proceso estocástico es
estacionario
en sentido débil, si existen y son estables
la media, la varianza y las covarianzas, es decir, si para todo
instante se verifica:
\( \begin{array}{lc}
\mu(t_i)= \mu = Cte & \quad (36) \\
& \\
\sigma^2(t_1) = \sigma^2 = Cte & \quad (37) \\
& \\
Cov[z(t_1),z(t_{i+k})] = Cov [z(t_1),z(t_{i-k})]= \gamma_k &
\quad (38)
\end{array} \)
Para un proceso estacionario la función de autocorrelacion
puede calcularse mediante:
\( \displaystyle \rho_k = \frac{\gamma_k}{\gamma_c}\qquad (39)
\)
La estacionaridad no garantiza la estabilidad de un proceso estocástico,
ya que la distribución de las variables \( z(t_i)\) puedes
estar cambiando en el tiempo. Sin embargo, si suponemos que estas
variables tienen conjuntamente una distribución gaussiana
n-dimensional, resultará que todas las distribuciones marginales
serán idénticas por estar determinadas por el vector
media y la matriz de covarianza del proceso total. En estas condiciones
decimos que un proceso es
estacionario
en sentido estricto.
En general, la estacionalidad vivir solo coincide con la estricta
cuándo se considera la hipótesis de normalidad
sí tenemos en cuenta el teorema central del límite
esta situación se dará con bastante frecuencia.
Un proceso estocastico z(t) se denomina
ergódico
si todas sus propiedades estadísticas pueden determinarse
a partir de una sola muestra. Un proceso ergódico debe
ser excepcional yo en sentido estricto. Cuídate ergodicidad
de un proceso es una cosa muy deseable ya que nos permite obtener
las características de este con un número mínimo
de realizaciones.
La posibilidad de calcular los parámetros estadísticos
de un proceso estocástico estacionario queda establecida
por el llamado teorema ergódico de Birkoff que enuncia:
Sí z(t) es un proceso estacionario con media finita, promedio
temporal \( \eta_T \) tiende a un límite \( \eta \) para
casi todas las muestras de z(t).
\( \displaystyle E[z(t)] = \lim \frac{1}{T}\int_{-\infty}^{+\infty}z(t)dt\qquad
(40) \)
Un proceso estacionario muy importante es el definido por las
relaciones:
\( \begin{array}{lc}
E[z(t)] = \mu = 0 & \qquad (41) \\
Var [z(t)] = \sigma^2 & \\
\sigma^2(t_1) = \sigma^2 = Cte & \qquad (42) \\
& \\
Cov [z(t_i), z(t_{i-k})] = 0 , k = \pm 1, \pm 2, ...& \qquad
(43)
\end{array} \)
Y recibe el nombre de
proceso
de ruido. En un proceso de este tipo conoce valores
pasados no proporciona ninguna información sobre el futuro
ya que el proceso no tiene memoria.
Cuando todas las variables aleatorias de un proceso de ruido tienen
distribución normal, no correlación de estas garantiza
su independencia. En este caso decimos que se trata de un
proceso
de ruido blanco.
Sí consideramos un proceso de ruido blanco estándar,
z(t), podemos expresar su función de autocovarianza por:
\( \rho_{zz}(\tau) = \sigma^2·\delta(\tau)\qquad (44)
\)
La transformada de Fourier de esta función, el espectro
de potencia de dicho proceso, vale:
\( \displaystyle Z(w) = \int_{-\infty}^{+\infty}\exp (-i·w
\tau)·\rho_{zz}(\tau)·d\tau = \sigma^2\qquad (45)
\)
Es decir, es una constante en todas las frecuencias. Ver el nombre
de blanco aplicado a este proceso por similitud con la luz blanca
que cubre todo el espectro. Un proceso blanco no es físicamente
realizable ya que requeriría una potencia infinita, puede
aproximarse a un realizable con un espectro constante hasta muy
altas frecuencias., al ser su tratamiento sistemático muy
sencillo, con profusión en la aproximación de modelos
de ruido.