Fundamentos Procesos Estocásticos

Un proceso estocástico sirve para caracterizar una sucesión de variables

aleatorias que evolucionan en función de otra variable, generalmente el tiempo.
Cada una de las variables aleatorias del proceso tiene su propia función de
distribución de probabilidad y, entre ellas, pueden estar correlacionadas o no.

Los fundamentos de los procesos estocásticos se usan para resolver problemas

matemáticos, estadísticos y de probabilidad. Dentro de estos fundamentos, se
encuentran los experimentos aleatorios, espacios muéstrales, probabilidad,
distribución de probabilidad, esperanza matemática, otros; todos estos
fundamentos tienen relación; ya que nos permite conocer por medio de fórmulas y
procedimientos el cálculo de sucesos.

Experimento Aleatorio

Un experimento aleatorio es aquel que puede presentar resultados diferentes

bajo el mismo aparente conjunto de condiciones iniciales por lo que no se puede
predecir o reproducir el resultado preciso de cada experiencia particular.
Un ejemplo clásico sería el lanzamiento de un dado para registrar resultados.
Este tipo de experimento excede al fenómeno determinista, en el que conocer
todos los factores involucrados nos hace predecir su resultado. Por ejemplo,
conociendo la altura desde la que, en el vacío, se arroja un móvil y los restantes
datos en juego, puede calcularse el tiempo que tardará en llegar al suelo.

A diferencia del fenómeno determinista, pese a conocerse el procedimiento a

seguir y hasta el conjunto de posibles salidas, no se puede saber cuál será el
resultado final antes de realizar el experimento: no es predictible.

Propiedades

Un experimento se denomina aleatorio si verifica las siguientes condiciones:

• Si los resultados se pueden contar se le llama experimento aleatorio numerable;

y si no se pueden contar, se le llama experimento aleatorio no numerable.

• Si es posible conocer previamente todos los posibles resultados o por lo menos

nombrar al último resultado se le llama experimento aleatorio finito; y si no se
puede nombrar al último resultado, se le llama experimento aleatorio infinito.
 • Es imposible predecir el resultado exacto del mismo antes de realizarlo.

• A cada realización de un experimento se le llama experiencia o prueba.

Controversia

Existe cierta controversia sobre si los fenómenos aleatorios existenrealmente o

simplemente surgen del desconocimiento de los factores que desencadenan el
mismo o de las leyes físicas que lo rigen. Por ejemplo, si en el lanzamiento de un
dado conociéramos exactamente la fuerza, altura al suelo y ángulo del
lanzamiento, las dimensiones exactas del dado y las propiedades del suelo, se
podría mediante complejos cálculos conocer el resultado final. Es por esto que
algunas veces se define un fenómeno aleatorio como aquel en el que pequeños
cambios en sus factores producen grandes diferencias en su resultado.

Es decir, los rasgos que distinguen a los experimentos aleatorios son:

 Todos los resultados del experimento son conocidos con anterioridad a su

realización.
 No se puede predecir el resultado del experimento.
 El experimento puede repetirse en condiciones idénticas.

Espacio Muestral
Se define como resultado o muestra de un experimento aleatorio como el
resultado que no puede ser descompuesto a partir de otros resultados, o una
combinación de ellos.

El espacio muestral S de un experimento aleatorio se define como el grupo de

todos los resultados posibles, que se especifican como:

 Lista de todos los resultados a={0,1,2,3}

 Mediante una propiedad de los resultados A={x: 0≤x≤3, x es entero}

Un espacio muestral discreto es contable, ejemplo las caras de un dado.

un espacio muestral contínuo es contable infinito o no contable, ejemplo los
valores de voltaje de descarga de un capacitor, o el tiempo hasta la primera falla
de un equipo.
Algunas veces es conveniente incluir en el espacio muestral el resultado
imposible. Ejemplo, incluir que el espacio muestral es un número real positivo para
el tiempo antes de la falla de un dispositivo, aunque conocemos que no tiene
tiempo de operación infinito.

El espacio muestral se denomina con la letra S. ej

Lanzamiento de 1 moneda: S:{ C, S }

Probabilidad
La probabilidad es un método por el cual se obtiene la frecuencia de un
acontecimiento determinado mediante la realización de un experimento aleatorio,
del que se conocen todos los resultados posibles, bajo condiciones
suficientemente estables. Esta teoria se usa extensamente en áreas como la
estadística, la física, la matemática, las ciencias y la filosofía para sacar
conclusiones sobre la probabilidad discreta de sucesos potenciales y la mecánica
subyacente discreta de sistemas complejos, por lo tanto es la rama de las
matemáticas que estudia, mide o determina a los experimentos o fenómenos
aleatorios.

La probabilidad constituye un importante parámetro en la determinación de las

diversas casualidades obtenidas tras una serie de eventos esperados dentro de un
rango estadístico. Existen diversas formas como método abstracto, como la teoría
Dempster-Shafer y la teoría de la relatividad numérica, esta última con un alto
grado de aceptación si se toma en cuenta que disminuye considerablemente las
posibilidades hasta un nivel mínimo ya que somete a todas las
antiguas reglas a una simple ley de relatividad. La probabilidad de un evento se
denota con la letra
p y se expresa en términos de una fracción y no en porcentajes[cita requerida], por
lo que el valor de p cae entre 0 y 1. Por otra parte, la probabilidad de que un
evento “no ocurra” equivale a 1 menos el valor de p y se denota con la letra “q”.

Ej:
P(Q) = 1 −P(E)
Distribución de probabilidad
Cuando se analiza un experimento aleatorio, se descubren factores de
comportamiento de la probabilidad que siguen modelos propios y distintivos. Por
ello, es frecuente asociar a estos experimentos una función de probabilidad, que
puede adoptar diversas formas y regirse por principios diferentes y cuyo estudio
arroja luz sobre la naturaleza y las características del fenómeno físico o social
ligado al experimento.

¿Cómo generamos una distribución de probabilidad?

Supongamos que se quiere saber el número de caras que se obtienen al lanzar

cuatro veces una moneda al aire?

Es obvio que, el hecho de que la moneda caiga de costado se descarta.

Los posibles resultados son: cero caras, una cara, dos caras, tres caras y cuatro
caras.

Si realizamos el experimento obtenemos el siguiente espacio muestral:

NUMERO DE CARAS FRECUENCIA DISTRIBUCIÓN DE PROBABILIDADES

0 1 1/16
1 4 4/16
2 6 6/16
3 4 4/16
4 1 1/16

 OBSERVACION

1. La probabilidad de cada resultado especifico va desde cero hasta uno

inclusive

Variables aleatorias

Es una ecuación que describe o intenta describir los resultados (con un número)
de un evento cuyos resultados se deben al azar.
Dentro de las variables aleatorias existen, fundamentalmente, dos tipos. Su clasificación,
depende del tipo de número que arroja la función matemática. Una variable aleatoria puede
ser de dos tipos:

 Variable aleatoria discreta: Una variable aleatoria es discreta si los

números a los que da lugar son números enteros. La forma de calcular las
probabilidades de una variable aleatoria discreta es a través de la función
de probabilidad.
 Variable aleatoria continua: Una variable aleatoria es continua en caso de
que los números a los que dé lugar no sean números enteros. Es decir,
tengan decimales. La probabilidad de que se de un suceso determinado
correspondiente a una variable aleatoria continua, viene establecido por la
función de densidad.

Ejemplo de variable aleatoria:

Una variable aleatoria bien podría ser la función de los resultados del lanzamiento
de un dado. Es importante diferenciar aquí tres conceptos:

 Dado: No es la variable aleatoria. El dado es simplemente un objeto.

 Lanzamiento de un dado: No es la variable aleatoria. El lanzamiento de un
dado es el experimento aleatorio.
 Resultados del lanzamiento de un dado: Sí es la variable aleatoria. Es la
función que recoge los resultados del lanzamiento del dado. Un ejemplo de
variable aleatoria podría ser: Que salga un número mayor que 2 al lanzar el
dado.

X: Que salga mayor que 2 al lanzar el dado

Distribución de probabilidad:  1/3 no sale mayor que 2 y 2/3 si sale mayor que 2.

Es decir, la probabilidad se distribuye tal que la probabilidad de que salga un

numero menor o igual que 2 es de 1/3. Mientras, la probabilidad de que salga
mayor que 2 es 2/3

Por tanto, nuestra variable aleatoria dependerá del resultado concreto del valor del
dado. El tipo de variable al que estamos haciendo referencia es discreta. ¿Por qué
lo sabemos? Porque cuando tiramos un dado solo podemos obtener 6 posibles
resultados. Todos ellos, son números enteros. Concretamente, entre 1 y 6.
Función de densidad aleatoria
La función de densidad de probabilidad de una variable aleatoria continua es una
fórmula que ayuda a calcular la probabilidad de que una variable aleatoria
continua tenga un valor que esté dentro de un intervalo específico. Es decir, esta
puede asumir un número de incontable de valores.  Por ejemplo, si realizamos el
experimento de ir a una granja y estudiamos las características de las vacas,
podemos definir la variable aleatoria B = peso de una vaca en la granja de Jorge
(en kilogramos).

Alguna vaquita puede pesar 425,1872 kg; otra puede pesar 612,5874541 kg; otra
puede pesar 545,897512121 kg. Si tomamos más vacas, podríamos tener más
valores y nunca terminaríamos. Se conoce que el becerro más pequeño tiene un
peso de 30 kg, y la vaca más grande tiene un peso de 1000 kg.

Y así, tendríamos un número incontable de valores para el rango de esta variable.

El rango de esta variable puede ser cualquier valor dentro del intervalo que va
desde 30 kg hasta 1000 kg, por ello, es una variable aleatoria continua. 

Función de densidad de probabilidad

Sea X una variable aleatoria continua. Entonces, una función de densidad de
probabilidad de X es una función f(x) tal que para dos números cualesquiera a y b
con a ≤ b,

La probabilidad de que X asuma un valor en el intervalo [a, b] es el área sobre

este intervalo y bajo la gráfica de la función de densidad. Se puede apreciar mejor
en la siguiente gráfica:

La gráfica de f(x) se suele llamar curva de densidad.

La función de probabilidad de una variable aleatoria continua siempre cumplirá con

estas condiciones:
No te asustes con las integrales, dado que estamos en el curso de estadística, las
integrales no serán difíciles y en muchos de los casos podemos usar la
calculadora para encontrar el valor de estas integrales definidas. En otros casos, el área
bajo la curva tendrá forma de triángulo o rectángulo y será muy sencilla de calcular. 

Esperanza matemática

La esperanza matemática, también llamada valor esperado, es igual al sumatorio

de las probabilidades de que exista un suceso aleatorio, multiplicado por el valor
del suceso aleatorio. Dicho de otra forma, es el valor medio de un conjunto de
datos. Esto, teniendo en cuenta que el término esperanza matemática está
acuñado por la teoría de la probabilidad. Mientras que en matemáticas, se
denomina media matemática al valor promedio de un suceso que ha ocurrido. En
distribuciones discretas con la misma probabilidad en cada suceso, la media
aritmética es igual que la esperanza matemática.
Ejemplo de esperanza matemática

Imaginemos una moneda. Dos caras, cara y cruz. ¿Cual sería la esperanza
matemática (valor esperado) de que salga cara?

Esta se calcularía como la probabilidad de que, tirando la moneda un número muy

grande de veces, salga cara.

Dado que la moneda solo puede caer en una de esas dos posiciones y ambas
tienen la misma probabilidad de salir, diremos que la esperanza matemática de
que salga cara es una de cada dos, o lo que es lo mismo, el 50% de las veces.

Vamos a hacer una prueba y vamos a tirar una moneda 10 veces. Supongamos
que la moneda es perfecta.

Tiradas y resultado:

1. Cara.
2. Cruz.
3. Cruz.
4. Cara.
5. Cruz.
6. Cara.
7. Cara.
8. Cara.
9. Cruz.
10. Cruz.

¿Cuantas veces ha salido cara (contamos las C)? 5 veces ¿Cuantas veces ha
salido cruz (contamos las X)? 5 veces. La probabilidad de que salga cara será de
5/10=0,5 o, en porcentaje, del 50%.

Una vez ha ocurrido ese suceso podemos calcular la media matemática del
número de veces que ha ocurrido cada suceso. El lado cara ha salido una de cada
dos veces, es decir, un 50% de las veces. La media coincide con la esperanza
matemática.

Cálculo de la esperanza matemática

La esperanza matemática se calcula utilizando la probabilidad de cada suceso. La

fórmula que formaliza este cálculo se enuncia como sigue:
Dónde:

 X = valor del suceso.

 P = Probabilidad de que ocurra.
 i = Periodo en el que se da dicho suceso.
 N = Número total de periodos u observaciones.

No siempre la probabilidad de que ocurra un suceso es la misma, como con las

monedas. Existen infinidad de casos en que un suceso tiene más probabilidad de
salir que otro. Por eso utilizamos en la fórmula la P. Además, al calcular números
matemáticos debemos multiplicar por el valor del suceso.

¿Para qué se utiliza la esperanza matemática?

Esta se utiliza en todas aquellas disciplinas en las que la presencia de sucesos

probabilísticos es inherente a las mismas. Disciplinas tales como la estadística
teórica, la física cuántica, la econometría, la biología o los mercados financieros.
Una gran cantidad de procesos y sucesos que ocurren en el mundo son inexactos.
Un ejemplo claro y fácil de entender es el de la bolsa de valores.

En la bolsa de valores, todo se calcula en base a valores esperados ¿Por qué

valores esperados? Porque es lo que esperamos que suceda, pero no podemos
confirmarlo. Todo se basa en probabilidades, no en certezas. Si el valor esperado
o esperanza matemática de la rentabilidad de un activo es de un 10% anual,
querrá decir que, según la información que tenemos del pasado, lo más probable
es que la rentabilidad vuelva a ser de un 10%. Si solo tenemos en cuenta, claro
está, la esperanza matemática como método para tomar nuestras decisiones de
inversión.

Dentro de las teorías sobre mercados financieros, muchas utilizan este concepto
de esperanza matemática. Entre esas teorías se encuentra la que desarrolló
Markowitz sobre las carteras eficientes.

En números, simplificando mucho, supongamos que las rentabilidades de un

activo financiero son las siguientes:

Rentabilidad en los años 1, 2, 3 y 4.

1. 12%.
2. 6%.
3. 15%
 4. 12%

El valor esperado sería el sumatorio de las rentabilidades multiplicadas por su

probabilidad de suceder. La probabilidad de que «suceda» cada rentabilidad es de
0,25. Tenemos cuatro observaciones, cuatro años. Todos los años tienen la
misma probabilidad de repetirse.

Esperanza = ( 12 x 0,25 ) + ( 6 x 0,25 ) + ( 15 x 0,25 ) + ( 12 x 0,25 ) = 3 + 1,5 +

3,75 + 3 = 11,25%

Teniendo en cuenta esta información, diremos que la esperanza de la rentabilidad

del activo es del 11,25%.

Valor Esperado
El valor esperado de una variable aleatoria es el valor que aparece con más
frecuencia a lo largo de repetir un experimento muchas veces. 

Propiedades de los valores esperados de una variable aleatoria

El valor esperado de una variable aleatoria tiene tres propiedades que

desarrollamos a continuación:

Propiedad 1

Para cualquier constante g, el valor esperado de esta constante se expresará

como E(g) y será la misma constante g. Matemáticamente: 

E(g) = g

Dado que g es una constante, es decir, que no depende de ninguna variable, su

valor permanecerá igual.

Ejemplo

¿Cuál es el valor esperado de 1? En otras palabras, ¿Qué valor le asignamos al

número 1?

E(1) = ¿?
Al número 1 le asignamos el valor de 1 y su valor no cambiará por mucho que
pasen los años o ocurran desastres naturales. Entonces, estamos tratando con
una variable constante y por tanto: 

E(1) = 1 ó E(g)=g

Propiedad 2

Para cualquier constante h y k, el valor esperado de la recta h·X + k será igual a la

constante h multiplicada por la esperanza de la variable aleatoria X más la
constante k. Matemáticamente:

E(h·X + k) = h·E(X) + k

Aquí encontramos también la propiedad de insesgadez, es decir, que el valor

esperado del estimador es igual a su valor poblacional. 

Retomando E(h·X + k) = h·E(X) + k, es importante tener en cuenta que Y es E(h·X

+ k) cuando se saquen conclusiones de las rectas de regresión. En otras palabras,
sería decir que cuando X aumenta en una unidad, Y aumenta de media h
unidades, dado que Y es el valor esperado de la recta h·X + k. 

Propiedad 3

Si H es un vector de constantes y X es un vector de variables aleatorias, entonces,

se puede expresar el valor esperado como la suma de los valores esperados. 

H = {h1 , h2, , … , hn} 

X = {X1 , X2, , … , Xn} 

E(h1·X1 + h2·X2 + … + hn·Xn) = h1·E(X1) + h2·E(X2) + … + hn·E(Xn)

Varianza
La varianza es una medida de dispersión que representa la variabilidad de una
serie de datos respecto a su media. Formalmente se calcula como la suma de los
residuos al cuadrado divididos entre el total de observaciones.

Fórmula para calcular la varianza

La unidad de medida de la varianza será siempre la unidad de medida

correspondiente a los datos pero elevada al cuadrado. La varianza siempre es
mayor o igual que cero. Al elevarse los residuos al cuadrado es matemáticamente
imposible que la varianza salga negativa. Y de esa forma no puede ser menor que
cero.

Donde

 X: variable sobre la que se pretenden calcular la varianza

 xi: observación número i de la variable X. i puede tomará valores entre 1 y
n.
 n: número de observaciones.
 x̄: Es la media de la variable X.

O lo que es lo mismo:

¿Por qué se elevan al cuadrado los residuos?

La razón por la que los residuos se elevan al cuadrado es sencilla. Si no se

elevasen al cuadrado, la suma de residuos sería cero. Es una propiedad de los
residuos. Así pues para evitarlo, tal como ocurre con la desviación típica se elevan
al cuadrado. El resultado es la unidad de medida en la que se miden los datos
pero elevada al cuadrado.

Por ejemplo, si tuviésemos datos sobre los salarios de un conjunto de personas en

euros, el dato que arroja la varianza sería en euros cuadrados. Para que tenga
sentido la interpretación calcularíamos la desviación típica y pasaríamos el dato a
euros.

1. Desviación -> (2-3) = -1

2. Desviación -> (4-3) = 1
3. Desviación -> (2-3) = -1
4. Desviación -> (4-3) = 1
5. Desviación -> (2-3) = -1
6. Desviación -> (4-3) = 1

Si sumamos todas las desviaciones el resultado es cero.

Ejemplo de cálculo de la varianza

Vamos a acuñar una serie de datos sobre salarios. Tenemos cinco personas, cada
uno con un salario diferente:

Juan: 1.500 euros

Pepe: 1.200 euros

José: 1.700 euros

Miguel: 1.300 euros

Mateo: 1.800 euros

La media del salario, la cual necesitamos para nuestro cálculo, es de ((1.500 +

1.200 + 1.700 + 1.300 + 1.800) /5) 1.500 euros.

Dado que la fórmula de la varianza en su forma desglosada se formula como

sigue:

Obtendremos que se deba calcular tal que:

El resultado es de 52.000 euros al cuadrado. Es importante recordar que siempre
que calculamos la varianza tenemos las unidades de medida al cuadrado. Para
pasarlo a euros, en este caso tendríamos que realizar la desviación típica. El
resultado aproximado sería de 228 euros. Esto quiere decir que, en media, la
diferencia entre los salarios de las distintas personas será de 228 euros.