Professional Documents
Culture Documents
Generacin de
Procesos Estocsticos
Departamento de Informtica
Universidad Tcnica Federico
Santa Mara
Simulacin/2002
Hctor Allende
Introduccin
Las caractersticas de un fenmeno aleatorio puede
ser descrito a travs de la distribucin de
probabilidad de una variable aleatoria que
representa el fenmeno.
En la teora de probabilidad, las propiedades
estadsticas de un fenmeno aleatorio que ocurre
de manera aleatoria respecto al tiempo o al espacio
no son considerados.
Simulacin/2002
Hctor Allende
Introduccin
Ejemplos de fenmenos aleatorios en el tiempo:
-Imagen Biomedica, Imagen SAR
-Comportamiento de una onda en el oceano.
-Demanda de energia de cuidad o regin geografica
-Volatilidad de los ADR
-Movimiento de una partcula en un campo magnetico
-Emisin de fuentes radioactivas
-Vibracin de un edificio, causada por un movimiento
ssmico
Simulacin/2002
Hctor Allende
Proceso Estocstico
Definicin: Una familia de variables aleatorias
x(t) donde t es el parmetro perteneciente a un
conjunto indexado T es llamado un proceso
estocstico (o proceso aleatorio), y se denota por:
{x(t ), t T }
Simulacin/2002
Hctor Allende
Proceso Estocstico
Observacin
Si t es fijo, x( ) es una familia de variables aleatorias. (ensemble).
Para fijo, x(t) es una funcin del tiempo llamada funcin
muestrada.
1
x(t )
x(t )
x(t )
x(t )
x(t )
Simulacin/2002
t1
2
Hctor
Allende
Proceso Estocstico
Estado
Discreto
D iscreto
T iem po
C ontinuo
Continuo
Hctor Allende
Funcin de Medias
1. Sea {x(t ), t T } un proceso estocstico, se
llama funcin de medias:
x (t ) : T
t x (t ) E[ xt ]
Obs: x (t ) E[ x(t )] cte t T
se dice que
es un proceso estocstico estable en media.
Simulacin/2002
Hctor Allende
Funcin de Varianzas
2. Sea {x(t ), t T } un proceso estocstico, se
llama funcin de varianzas:
x2 (t ) : T
t x2 (t ) V [ xt ] E{( xt E[ xt ]2 }
x2 (t ) cte t T
Obs:
se dice que es
un proceso estocstico estable en varianza.
Simulacin/2002
Hctor Allende
Funcin de
Autocovarianzas
3. Sea {x(t ), t T } un proceso estocstico, se
llama funcin de varianzas:
C xx (t ) : T T
(t1 , t 2 ) C xx (t1, t 2 ) Cov[ xt , xt 2 ]
1
Simulacin/2002
Hctor Allende
Funcin de
Autocorrelacin
3. Sea {x(t ), t T } un proceso estocstico, se
llama funcin de varianzas:
x (t ) : T T
(t1 , t 2 ) x (t1, t 2 )
Simulacin/2002
Cov[ xt , xt 2 ]
1
(t1 ) (t 2 )
Hctor Allende
Funcin de Autocovarianza
La funcin de Autocovarianza C xx (t1 , t 2 ) de un
proceso estocstico viene dado por:
C xx (t1 , t 2 ) Cov[ x(t1 ), x(t 2 )]
E[( x(t1 ) E[ x(t1 )])( x(t 2 ) E[ x(t 2 )])]
n
1
C xx (t1 , t 2 ) {x(t1k ) x(t1 )}{x(t 2k ) x(t 2 )}
n k 1
1 n
x(ti ) E[ x(ti )] x(tik )
donde
n k 1
i 1,2
Hctor Allende
Simulacin/2002
Hctor Allende
E X(t) t T
Simulacin/2002
Hctor Allende
Proceso Estacionario
OBS: Las caractersticas de un proceso aleatorio son evaluados
basados en el ensemble.
Simulacin/2002
Hctor Allende
Proceso Estacionario
b) Proceso Estocstico Evolucionario:
Un proceso estocstico no estacionario se llama
evolucionario
Simulacin/2002
Hctor Allende
Proceso Ergdico
Un proceso estocstico x(t) se dice que es
un proceso ergdico si el tiempo promedio
de un simple registro es aproximadamente
igual al promedio de ensemble. Esto es:
1 n
n x(ti ) para un proceso de tiempo discreto.
i 1
E[ x(t )]
T
1 x(t )dt para un proceso de tiempo continuo.
T
0
Simulacin/2002
Hctor Allende
Proceso Ergdico
En general, las propiedades ergdicas de un
proceso estocstico se asume verdadera en
el anlisis de los datos observados en
ingeniera, y por lo tanto las propiedades
estadsticas de un proceso aleatorio puede
ser evaluado a partir del anlisis de un
nico registro.
Simulacin/2002
Hctor Allende
Proceso de Incrementos
Independientes
Un proceso estocstico x(t) se dice que es un proceso de
x(ti 1 ) x(,ti )
incrementos independientes si
i= 0,1,, es es estadsticamente independiente
(i.e., Estadsticamente no correlacionado).
Sea el proceso estocstico x(t) se dice un proceso
estacionario de incrementos independientes.
Entonces, la varianza de los incrementos
independientes x(t 2 ) x(t1 ) , donde t1 t 2 ,
es proporcional a t 2 t1
Simulacin/2002
Hctor Allende
Proceso de Markov
Un proceso estocstico x(t) se dice que es un
proceso de Markoviano si satisface la siguiente
probabilidad condicional:
P{x(t n ) xn | x(t1 ) x1 , x(t 2 ) x2 ,..., x(t n 1 ) xn 1}
P{x(t n ) xn | x(t n 1 ) xn 1}, donde t1 t 2 ....t n 1 t n
Hctor Allende
Proceso de Markov
La ecuacin anterior puede ser escrita
como: f {x(t n ) | x(t1 ), x(t 2 ),..., x(t n 1 )} f {x(t n ) | x(t n 1 )}
entonces se tiene:
f {x(t1 ),.., x(t n )} f {x(t n ) | x(t1 ),..., x(t n 1 )} f {x(t1 ),..., x(t n 1 )}
f {x(t n ) | x(t n 1 )} f {x(t1 ), x(t 2 ),..., x(t n 1 )}
f {x(t1 ),..., x(t n 1 )} f {x(t n 1 ) | x(t n 2 )} f {x(t1 ),..., x(t n 2 )}
etc.
Obteniendos
n
Simulacin/2002
Hctor Allende
Proceso de Markov
Conclusin:
La funcin de densidad de probabilidad conjunta
de un proceso de Markov puede ser expresado por
medio de las densidades marginales f {x(t r )} y
Un conjunto de funciones de densidad de probabilidad
condicional f {x(t r ) | x(t r 1 )} ,se llama densidad de
probabilidad de transicin.
Un proceso de Markov se dice homogneo en el tiempo si
la densidad de probabilidad de transicin es invariante en
el tiempo :
f {x(t r ) | x(t r 1 )} f {x(t r ) | x(t r 1 )}
Simulacin/2002
Hctor Allende
Proceso de Conteo
Un proceso estocstico de tiempo continuo y valores
enteros se llama proceso de conteo de la serie de eventos si
N(t) representa el nmero total de ocurrencias de un evento
en el intervalo de tiempo [0 ; t]
N(t)
4
3
2
1
0
t1
T1 T2
Simulacin/2002
t2
t3
T3
T4
Time
Intervalos de tiempo
entre sucesivas
ocurrencias
Hctor Allende
Proceso de Conteo
Proceso de Poisson: Proceso de renovacin en la cual
los tiempos entre llegadas obedecen una distribucin
exponencial.
Proceso Guassiano
Proceso de Wiener
Proceso de Bernoulli
Simulacin/2002
Hctor Allende
Hctor Allende
Proceso de Wiener-Lvy
Un proceso estocstico x(t) se dice que es un proceso de
Wiener-Lvy si:
i) x(t) tiene incrementos independientes estacionarios.
ii) Todo incremento independiente tiene distribucin normal.
iii) E[x(t)]=0 para todo el tiempo.
iv) x(0)=0
Este proceso se conoce en el mundo fisco comomovimiento
Browniano y juega un importante papel en la descripcin del
movimiento de pequeas particulas inmersas en un lquido o
gas.
Se puede demostrar que la varianza de un proceso WienerLvy aumenta linealmente con el tiempo .
Simulacin/2002
Hctor Allende
Proceso de Poisson
Un proceso de conteo N(t) se dice que es un proceso de
Poisson con razn media (o con intensidad) si:
i) N(t) tiene incrementos independientes estacionarios.
ii) N(0)=0
iii) El nmero de la longitud en cualquier intervalo de
tiempo est distribuido como Poisson con media . Esto
es:
P{N (t ) N (t ) k} e
( )
, k 0,1,...
k!
k
Simulacin/2002
Hctor Allende
Proceso de Poisson
Para un proceso estocstico de incrementos independientes,
se tiene la siguiente funcin de autocovarianza:
Var [ N (t1 ) N (t 2 )] para 0 t 2 t1
Cov[ x(t1 ), x(t 2 )]
e.t.o.c
0
Hctor Allende
Proceso de Bernoulli
Considerar una serie de intentos independientes con dos
salidas posibles: xito o fracaso. Un proceso de conteo Xn
se llama proceso de Bernoulli si Xn representa el nmero
de xitos en n ensayos.
Si p es la probabilidad de xito, la probabilidad de k xitos
dado n ensayos est dado por la distribucin binomial:
n k nk
P{ X n k} p q , donde q 1 p
k
Simulacin/2002
Hctor Allende
ii)
t
s
st
a
El ruido blanco es un proceso estocstico estacionario
2
Si a (t ) ~ N (0, a ) t T, en tal caso el ruido blanco
se dice Gaussiano.
Si t1 , t 2 ,..., t n T son independientes
entonces es ruido blanco puro
Simulacin/2002
Hctor Allende
1 ,...., q , q 0
X ~ MA(q )
Simulacin/2002
Hctor Allende
Proceso Autoregresivo
Sea {x(t ), t T } un p.e., se dice autoregresivo de
orden p ssi:
xt 1 xt 1 2 xt 2 ... p xt p at
donde
y
1 ,...., p , p 0
{a (t )}tT
Notacin:
es ruido blanco.
X ~ AR( p )
Simulacin/2002
Hctor Allende
Proceso ARMA
Sea {x(t ), t T } un p.e., se dice autoregresivo de
media mvil de orden (p,q) ssi:
xt 1 xt 1 ... p xt p at 1at 1 ... q at q
donde
y
1 ,...., p ,1 ,..., q , p 0, q 0
{a (t )}tT
Notacin:
es ruido blanco.
X ~ ARMA( p, q )
Simulacin/2002
Hctor Allende
Proceso de Banda-Angosta
Un proceso estocstico de tiempo continuo y estado
estacionario x(t) es llamado un proceso de banda angosta si
x(t) puede ser expresado como: x(t ) A(t ) cos{ 0 (t )}
donde 0 = constante . La amplitud A(t), y la fase (t) son
variables aleatorias cuyo espacio de muestreo son 0A(t)
y 0 (t) 2, respectivamente.
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
Generacin de Procesos Estocsticos
Generacin de Familias de v.a. {Xt}t T
Comenzaremos con las cadenas de Markov homogneas.
Hctor Allende
Generacin de
Procesos Estocsticos
Alternativamente se puede simular Tn, el tiempo hasta el
siguiente cambio de estado y, despus el nuevo estado
Xn+Tn. Si Xn = s, Tn ~ Geo(pss) y Xn+Tn tiene una distribucin
discreta con cuanta {psj / (1 - pss) : j S \ {s}}.
Para muestrear N transiciones de la cadena suponiendo
Xo = io
Algoritmo
Hacer t=0, Xo = io
Mientras t < N
Generar h ~ Geo(pxtxt)
Generar Xt+h ~ {pxtj / (1 - pxtxt) : j S \ {s}}.
Hacer t=t+h
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
Cadenas de Markov en Tiempo Continuo
La simulacin asincrnica de cadenas de Markov en
tiempo continuo es sencilla de implantar.
- Las cadenas de Markov de Tiempo Continuo vienen
caracterizadas por los parmetros vi de las distribuciones
exponenciales de tiempo de permanencia en el estado i y
la matriz de transicin P; con pii = 0; pij = 1
- Sea Pi la distribucin de la fila i-sima. Entonces si Xo= io,
para simular hasta T se tiene :
i j
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
Algoritmo
Hacer t = 0, Xo = io , j = 0
Mientras t < N
Generar tj ~ exp(vxj)
Hacer t = t + tj
Hacer j = j + 1
Generar Xj ~ Pxj-1
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
Proceso de Poisson
En el Proceso de Poisson P(), el nmero de eventos NT
en un intervalo (0,T) es P(T) y los NT ~ U(0,T)
Algoritmo
-Generar NT ~ P(T)
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
1) Para procesos de Poisson no homogneos, con
t
I
- Generar T1, T2 ,..., TNT ~ (t ) [ 0,T ]
Hctor Allende
Generacin de
Procesos Estocsticos
- Sean S0 = 0,
Hctor Allende
Generacin de
Procesos Estocsticos
Procesos no Puntuales (Movimiento Browniano)
- La simulacin de procesos (no puntuales) en tiempo
continuo es ms complicada que la simulacin de procesos
puntuales.
-Una solucin es generar procesos en suficientes instantes
discretos y aproximar la trayectoria por interpolacin.
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
Como ejemplo, consideremos el movimiento Browniano
con parmetro 2
- X0 = 0
- Para s1 t1 s2 t2 ..... sn tn las v.a.
Xt1 - Xs1, ..., Xtn - Xsn son independientes
- Para s < t,
Xt - Xs ~ N(0, (t-s) 2)
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
Entonces para t fijo,
Hacer X0 = 0
Desde i = 1 hasta n
Generar Yi ~ N(0, (t-s) 2)
Hacer Xit = X(i-1)t + Yi
Interpolar la trayectoria en {(it, Xit)}
Otros ejemplos de Simulacin de Procesos continuos [Ver
B. Ripley 1987]
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
El Proceso de Gibbs
El creciente inters en los mtodos de cadenas de Markov,
se debe al uso en Inferencia Bayesiana del Muestrador de
Gibbs. [Geman and Geman (1984)]
Ejemplo: Sean (X,Y) v.a.d. Bernoulli con distribucin
x
0
1
0
1
y P(X,Y)
0
p1
0
p2
1
p3
1
p4
Simulacin/2002
p
i 1
pi > 0
Hctor Allende
Generacin de
Procesos Estocsticos
P(X=1)
= p2 + p4 (Marginal)
P(X/Y=1)
p3 x 0
= p x 1
4
P(X=1/Y=1) =
p4
p3 p 4
P ( y 0 / x 1) P ( y 1 / x 1)
Ayx
p1
p1 p3
p3
p1 p3
p2
p2 p4
p4
p2 p4
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
Algoritmo
Axy
Escoger Y0 = y0 , j =1
Repetir
Generar Xj ~ X/Y = yj-1
Generar Yj ~ Y/X = xj
j=j+1
p1
p1 p2
p2
p1 p2
p3
p3 p4
p4
p3 p4
Hctor Allende
Generacin de
Procesos Estocsticos
Como las probabilidades pi > 0, la cadena es ergdica y
tiene distribucin lmite, que es la marginal de X
Xn
X ; Yn
Y ; (Xn, Yn)
(X,Y)
1)
Generacin de
Procesos Estocsticos
Sea (xs/xr, r s) Distribucin Condicionada
El [Gibbs Sampler] en este caso es
- Escoger X10, X20,..., Xp0 ; j = 1
Repetir
Generar X1j ~ X1/ X2j-1,..., Xpj-1
Generar X2j ~ X2/ X1j, X3j-1,..., Xpj-1
....
Generar Xpj ~ Xp/ X1j, X2j,..., Xp-1j
j = j+1
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
Se puede verificar que Xn = (X1n, X2n,..., Xpn) define una
cadena de Markov con Matriz de transicin
p
Pg(Xn, Xn+1) =
n 1
n
n 1
(
x
/
X
;
j
i
;
X
i
j
j , j i)
j 1
Simulacin/2002
Hctor Allende
Generacin de
Procesos Estocsticos
Ejemplo : Muestrear la densidad
(x1/x2) =
exp[ x1 (1 x22 )] I ( x1 , x2 )
D
siendo D = R+ R
( x1 , x2 )
( x2 )
exp[
x
(
1
x
(x1/x2) =
1
2 )]
2
exp[
x
x
1 2]
(x2/x1) =
x1/x2 ~
exp[1 x22 ]
Hctor Allende
Generacin de
Procesos Estocsticos
El muestreador Gibbs
Escoger x20 ; j = 1
Repetir
Generar X1j ~ exp[1+(x2j-1)2]
Generar X2j ~ N(0, 1/2x1j)
OBS: Las secuencias podran efectuarse en forma
aleatoria en lugar de usar la secuenciacin natural
Estudiar el Algoritmo de Metropolis-Hastings.
Simulacin/2002
Hctor Allende
Simulacin/2002
Hctor Allende