TEMA 2. PROCESOS ESTOCÁSTICOS. PARTE I.

GE-
NERACIÓN DE EJEMPLOS SENCILLOS

1. Introducción
Para la inferencia sobre procesos, a partir de muestras de funciones aleatorias (trayectorias),
generadas mediante diferentes métodos de simulación, el diseño de algoritmos de generación
de procesos aleatorios que evolucionan en el tiempo es fundamental. Generalmente, se suelen
realizar simplificaciones sobre la estructura de dichos procesos. Por ejemplo, se considera una
discretización del parámetro temporal, comenzándose por la implementación de técnicas de
simulación de procesos constituidos por componentes aleatorias independientes, o bien, se
consideran estructuras de dependencia débil tales como las asociadas a modelos o procesos
de Markov (e.g. Cadenas de Markov). Con frecuencia, los métodos de generación, basados
en desarrollos ortogonales sobre el espacio L2 (Ω, A, P ) de variables aleatorias centradas de
segundo orden, permiten reproducir de forma sencilla el comportamiento de un proceso de
segundo orden, en particular, de un proceso Gaussiano, a partir de una base ortonormal de
dicho espacio.
En este capı́tulo, comenzaremos diseñando algoritmos de simulación sencillos, basados
en la hipótesis de independencia, para la generación de procesos aleatorios elementales tales
como los recorridos aleatorios, el movimiento Browniano y el proceso de Poisson. Nótese que los
recorridos aleatorios se construyen a partir de secuencias de variables aleatorias independientes.
Bajo ciertas condiciones, el movimiento Browniano admite una definición como proceso lı́mite
de un recorrido aleatorio. Este proceso posee incrementos independientes al igual que el proceso
de Poisson, que también se generará y visualizará en este capı́tulo. Con frecuencia este tipo de
procesos son de gran interés en aplicaciones dada su fácil impementación, análisis estadı́stico
e interpretación.

2. Generación de recorridos aleatorios

Un recorrido aleatorio es una formalización matemática de una trayectoria definida median-
te una secuencia de saltos aleatorios. El recorrido aleatorio constituye un modelo de proceso
estocástico amplimente utilizado en el análisis y representación de sistemas en diversas áreas
aplicadas tales como Ciencias de la Computación, Fı́sica, Ecologı́a, Economı́a, etc. Por ejem-
plo la trayectoria descrita por una molécula en un lı́quido o gas, el precio de un stock con
fluctuaciones, etc.
Por otra parte los recorridos aleatorios permiten aproximar asintóticamente diversos pro-
cesos tales como procesos tipo movimiento Browniano, procesos tipo Lévy, etc. Los recorridos
aleatorios se hallan relacionados con los procesos de difusión y constituyen una herramienta

1
fundamental en el estudio de procesos de Markov.
Existe una gran variedad de modelos de recorridos aleatorios. De hecho, un recorrido
aleatorio puede asociarse a un grafo, una lı́nea, un plano, o bien, a espacios de dimensión
superior. En el caso más sencillo, un recorrido aleatorio se suele definir sobre los números
enteros.

2.1. Recorrido aleatorio simple

Sea Sn , n ∈ N, un recorrido aleatorio simple, siendo S0 = 0, es decir, que comienza en
cero. En cada paso, el recorrido realiza un salto unitario ±1 (ascendente o descendente) con
igual probabilidad. Formalmente, se construye a partir de una secuencia de variables aleatorias
independientes Z1 , Z2 , . . . , Zk , . . . , cada una de las cuales toma el valor 1 con probabilidad
1/2 y el valor −1 con probabilidad 1/2. Se considera entonces la variable aleatoria suma Sn
definida mediante la ecuación n
X
Sn = Zj .
j=1

La secuencia {Sn , n ∈ N} recibe el nombre de recorrido aleatorio simple. Este concepto admite
una formulación general, en términos de una probabilidad p ∈ (0, 1) de tomar el valor 1
(ascenso) y una probabilidad 1 − p de tomar el valor −1 (descenso) para cada una de las
variables aleatorias Zi , i ∈ N, de la secuencia involucrada en la definición de un recorrido
aleatorio {Sn , n ∈ N} .
Seguidamente se muestra un algoritmo de generación de un recorrido aleatorio simple con
probabilidad de salto ascendente p y descendente (1 − p) en código MatLab.

clear all
p=0.5;
y=[0 cumsum(2.*(rand(1, n − 1) <= p) − 1)];
plot([0 : n − 1],y);

2.2. Recorrido aleatorio con longitud de salto aleatoria

Se define de forma análoga al caso anterior (recorrido aleatorio simple), considerando en
lugar de saltos unitarios, saltos (ascendentes o descendentes) de tamaño aleatorio, definido
mediante una distribución de probabilidad centrada.
Seguidamente se muestra, en código MatLab, un algoritmo de generación de un recorrido
aleatorio simple con longitud de salto aleatoria, definida mediante una distribución uniforme.

clear all
x=rand(1,n)-1/2;
y=[0 cumsum(x)-1)];

2
plot([0:n-1],y);

3. Movimiento Browniano
La universalidad del movimiento Browniano dentro de la teorı́a de procesos estocásticos es
similar a la de la distribución normal dentro de la teorı́a de variables aleatorias. De hecho, el
proceso movimiento Browniano se puede interpretar como una versión continua de un reco-
rrido aleatorio. Aunque inicialmente este proceso surge como modelo para el movimiento de
partı́culas suspendidas en un lı́quido o un gas, posteriormente, ha sido utilizado en la represen-
tación de procesos aleatorios en diversos campos aplicados, tales como las Finanzas, Ingenierı́a,
Biologı́a, Geofı́sica, Medio-Ambiente, etc. Existen, por tanto, diferentes caracterizaciones del
proceso movimiento Browniano asociadas a diferentes campos (Matemáticas, Fı́sica, etc.).
Resumiremos su caracterización matemática habitual. El proceso Movimiento Browniano
se define como un proceso estocástico B(t), t ≥ 0, satisfaciendo:

B(0) = 0

B(t) es continuo casi seguramente

B posee incrementos independientes con B(s + t) − B(s) ∼ N (0, t), para cualquier
s ≥ 0, t > 0.

Seguidamente se muestra, en código MatLab, un algoritmo de generación del movimiento

Browniano a partir de su aproximación mediante un recorrido aleatorio en tiempo discreto.

clear all
n=1000;
dt=1;
y=[0 cumsum(dt∧ 0.5.*randn(1,n))];
plot([0:n],y);

4. Proceso de Poisson
El proceso de Poisson es un ejemplo clásico de Cadena de Markov en tiempo continuo.
Asimismo, se suele introducir desde la teorı́a de procesos de recuento y procesos de renova-
ción. Éste es también un modelo universal. Su distribución de probabilidad y propiedades se
caracterizan mediante un único parámetro λ, que representa la tasa de ocurrencia de los suce-
sos aleatorios que contabiliza. Desde el punto de vista estadı́stico, es un modelo idóneo para
la inferencia ya que se halla caracterizado en términos de un único parámetro. La inferencia

3
sobre este modelo se centra, pues, en la estimación puntual y por intervalos de confianza del
parámetro λ, ası́ como en el planteamiento de contrastes de hipótesis sobre dicho parámetro
y funciones del mismo. El proceso de Poisson ha sido ampliamente utilizado como modelo
para representar el número de fallos de un sistema en Fiabilidad, el número de nacimientos o
muertes en Análisis de Supervivencia, la distribución de excesos sobre umbrales en Medicina,
la ocurrencia de incendios forestales en Medio-Ambiente, etc.
Matemáticamente, el proceso de Poisson {N (t), t ≥ 0} , con parámetro λ, se define como
un proceso de recuento, es decir, N (t) − N (0) = N (t) contabiliza el número de sucesos
aleatorios ocurridos en un intervalo de longitud t, satisfaciendo las siguientes condiciones:

Posee incrementos independientes (el número de sucesos aleatorios ocurridos en dos

intervalos temporales disjuntos se distribuye de forma independiente).

Posee incrementos estacionarios (el número de sucesos aleatorios ocurridos en un inter-

valo temporal no depende de su localización sino de su longitud).

Para cualquier t ∈ R+ y h > 0,

N (t + h) − N (t) ∼ P(λh),

donde se denota por P(λh) la distribución de Poisson con parámetro λh. Adicionalmente,
se tiene que los tiempos aleatorios entre ocurrencias de sucesos se distribuyen según una
esponencial con parámetro λ y que los tiempos de espera hasta que se produce la
ocurrencia de n sucesos aleatorios se distribuyen según una Gamma con parámetro nλ.

Seguidamente se muestra, en código MatLab, un algoritmo de generación del Proceso de

Poisson con parámetro λ considerando un número fijo de ocurrencias de sucesos aleatorios, es
decir, se simulan n tiempos aleatorios entre ocurrencias de sucesos a partir de la distribución
exponencial con parámetro λ.

clear all
interarr=[0 -log(rand(1, n))./lambda];
stairs(cumsum(interarr), 0:n);

Otra opción en el diseño de algoritmos para la simulación del proceso de Poisson es con-
siderar un intervalo temporal fijo [0, T ] y contabilizar el número de sucesos aleatorios que
ocurren en dicho intervalo. El número de sucesos ocurridos en dicho intervalo se distribuye
según una Poisson con media λT. Condicionando al número de sucesos que ocurrieron, los
sucesos se distribuyen uniformemente en el intervalo.
Seguidamente se muestra, en código MatLab, un algoritmo de generación del Proceso de
Poisson con parámetro λ considerando un intervalo temporal fijo [0, T ]

4
clear all
npoints = poissrnd(lambda*T);
if (npoints > 0)
arrt = [0; sort(rand(npoints, 1)*T)];
else
arrt = 0;
end
stairs(arrt, 0:npoints);

Una versión vectorial del algoritmo anterior es difı́cil de obtener, sin embargo, se puede
realizar una versión alternativa desde la teorı́a de procesos de renovación con tiempos alea-
torios entre renovaciones exponencialmente distribuidos. Seguidamente se muestra, en código
MatLab, un algoritmo de generación del Proceso de Poisson desde la perspectiva de procesos
de renovación.

clear all
tarr = zeros(1, nproc);
i = 1;
while (min(tarr(i,:))<= T)
tarr = [tarr; tarr(i, :)-log(rand(1, nproc))/lambda];
i = i+1;
end
tarr2=tarr’;
X=min(tarr2);
stairs(X, 0:size(tarr, 1)-1);

5. Versiones multidimensionales
En esta sección, se introducen extensiones de los algoritmos anteriores para la generación
de versiones multidimensionales de recorridos aleatorios, movimiento Browniano y proceso de
Poisson.

5.1. Recorrido aleatorio bidimensional y tridimensional

Se introducen a continuación dos algoritmos, en código MatLab, para la generación de
recorridos aleatorios bidimensionales y tridimensionales.

Recorrido aleatorio bidimensional

5
 clear all
n=100000;
colorstr=[’b’ ’r’ ’g’ ’y’];
for k=1:4
z=2.*(rand(2,n)¡0.5)-1;
x=[zeros(1,2); cumsum(z’)];
col=colorstr(k);
plot(x(:,1),x(:,2),col);
hold on
end grid

Recorrido aleatorio tridimensional

clear all
p=0.5;
n=10000;
colorstr=[’b’ ’r’ ’g’ ’y’];
for k=1:4
z=2.*(rand(3,n)<=p)-1;
x=[zeros(1,3); cumsum(z’)];
col=colorstr(k);
plot3(x(:,1),x(:,2),x(:,3),col);
hold on
end grid

5.2. Movimiento Browniano tridimensional

En el siguiente algoritmo, escrito en código MatLab, se implementa un método de gene-
ración del movimiento Browniano tridimensional.

clear all
npoints = 5000;
dt = 1;
bm = cumsum([zeros(1, 3); dt∧ 0.5*randn(npoints-1, 3)]);
figure(1);
plot3(bm(:, 1), bm(:, 2), bm(:, 3), ’k’);
pcol = (bm-repmat(min(bm), npoints, 1))./ ...
repmat(max(bm)-min(bm), npoints, 1);

6
hold on;
scatter3(bm(:, 1), bm(:, 2), bm(:, 3), ... 10, pcol, ’filled’);
grid on;
hold off;

5.3. Proceso de Poisson bidimensional y tridimensional

El proceso de Poisson bidimensional permite representar puntos localizados aleatoriamente
en el espacio, o bien, en el espacio y tiempo. La intensidad de puntos es proporcional al área
espacial, o bien, al volumen del conjunto tridimensional considerado. El número de puntos que
se localizan en dos conjuntos bidimensionales o tridimensionales disjuntos se distribuyen de
forma independiente.
Se introduce a continuación un algoritmo, en código MatLab, para la generación del Pro-
ceso de Poisson en el cubo unidad.

clear all
lambda=100;
nmb=poissrnd(lambda)
x=rand(1,nmb);
y=rand(1,nmb);
z=rand(1,nmb);
grid
scatter3(x,y,z,5,5.*rand(1,nmb));