3. Processi Stocastici
Un processo stocastico è una funzione del tempo i
cui valori x(t) ad ogni istante di tempo t sono v.a.
Notazione:
X : insieme di possibili valori
tT : generico istante di tempo (T: insieme dei
possibili istanti di tempo, o asse temporale)
 (t) : funzione di probabilità (o di densità di
probabilità nel caso continuo) all’istante di
tempo t
(X,  (t)) tT
1
Una realizzazione di un processo stocastico (X,  (t)) tT
è una particolare evoluzione x(t) per tT.
Esempio: si lancia una moneta per un numero
infinito di volte agli istanti t = 0,1,2,…
X={0,1} dove x0=0 : esce testa e
x1=1 : esce croce.
tempo
0
1
:
xi
(xi)
0
1
0
1
1/2
1/2
1/2
1/2
:
:
(X,  (0))
(X,  (1))
possibile
realizzazione
t
0
1
2
3
:
xi
0
0
1
0
:
2
Esempio: si lancia una moneta all’istante t=0 e la
si lascia nella stessa posizione per ogni t > 0.
La tabella (tempo, xi, (xi)) è uguale alla precedente
ma vi sono solo 2 possibili realizzazioni
tempo
0
1
:
xi
(xi)
0
1
0
1
1/2
1/2
1/2
1/2
:
:
t
0
1
2
3
:
x1
0
0
0
0
:
x2
1
1
1
1
:
La tabella (tempo, xi, (xi)) non è sufficiente per
descrivere completamente un processo stocastico.
3
I processi stocastici vengono classificati come segue:
a stati continui
(X è un insieme
continuo, ad es.
XR)
a stati discreti
(X è un insieme
discreto, ad es.
X={x1,x2,…,xn})
a stati finiti
se n < + 
sono
anche
detti
catene
a stati infiniti
se n = + 
4
Esiste anche un’altra classificazione
dei processi stocastici
a tempo continuo
(T è un insieme
continuo, ad es.
T R+{0})
a tempo discreto
(T è un insieme
discreto, ad es.
T=N)
5
Esempi
1) x è pari al numero di persone in una coda
X={0,1, … } spazio di stato discreto
T= R+  {0} tempo continuo
2) x è pari all’altezza di una persona il giorno del
suo compleanno
X= R+  {0} spazio di stato continuo
T = {0,1,…,n} tempo discreto
6
Ad un processo stocastico a stati discreti
possiamo associare un numero infinito di funzioni
di probabilità congiunta:
x1,x2,…,xn(t1,t2,… ,tn) = Pr(x(t1)=x1, x(t2)=x2, … , x(tn)=xn)
n1
 t1 < t2 < … < tn
 x1 , x2 , … , xn  X
Una definizione analoga vale per le densità di
probabilità nel caso dei sistemi a stati continui.
7
Esempio: si lancia una moneta per un numero
infinito di volte agli istanti t=0,1,2,…
X={0,1} dove x0=0 : testa e x1=1 : croce.
0(0) = Pr(x(0)=0) = 1/2
0,0(0,1) = Pr(x(0)=0, x(1)=0) = 1/4
Esempio: si lancia una moneta all’istante t=0 e la
si lascia nella stessa posizione per ogni t > 0.
0(0) = Pr(x(0)=0) = 1/2
0,0(0,1) = Pr(x(0)=0, x(1)=0) = 1/2
8
Processi stocastici stazionari
Un p.s. è detto stazionario se tutte le sue funzioni di
probabilità (o densità di probabilità) sono stazionarie
ossia invarianti per traslazioni nel tempo.
x1,x2,…,xn(t1,t2,… ,tn) = x1,x2,…,xn(t1+ ,t2+ ,… ,tn+ )
n1
 t1 < t2 < … < tn
 x1 , x2 , … , xn  X
T
N.B.
Se un p.s. è stazionario
allora
 t T x(t) = 
9
Esempio: si lancia una moneta per un numero
infinito di volte agli istanti t=0,1,2,…
X={0,1} dove x0=0 : testa e x1=1 : croce.
x(0) = 1/2
x(1) = 1/2
:
Sono p.s. stazionari.
Esempio: si lancia una moneta all’istante t=0 e la
si lascia nella stessa posizione per ogni t > 0.
x(0) = x(1) = … = 1/2
10
Esempio: Una macchina può essere guasta x0=0 o
funzionante x1=1 ( X={0,1} ).
Vogliamo studiare la probabilità che la macchina sia
guasta in un certo anno  T={0, 1, … , } (anni di
funzionamento).
t
xi
xi
x(t)
Ovviamente la
0
0
probabilità di guasto
0
1
1
1
aumenta con gli anni.
0
0.1
1
0.9
1
0.9
t
0(t)=1-(0.9)
0
0.19
2
0.81
1(t)=(0.9) t
1
0.81
0
0.27
3
0.73
1
0.73
Non è stazionario.
: 

11
Processi stocastici ergodici
Un processo stazionario si dice ergodico se tutte le
proprietà statistiche possono essere determinate da
un’unica realizzazione del processo.
Il valore atteso della v.a. in un qualunque istante
coincide con la media temporale di una qualunque
realizzazione.
Definizione formale:
12
Si consideri un p.s. stazionario e sia μ la media di ogni
v.a. (X,  (t)), al tempo t T. Per ogni possibile
realizzazione posso calcolare la media temporale:
1 n
μˆ  lim  x(t)
processi a tempo discreto
n  n t  0
1 tfinale
processi a tempo
μˆ  lim
 x(t)dt
tfinale  t
0
finale
continuo
Il p.s. è ergodico se:
1) il limite μ̂ esiste
2) tale limite non dipende dalla particolare realizzazione
3) μˆ  μ
13
Lo studio di un p.s. ergodico può pertanto essere
effettuato sulla base di una sola realizzazione.
Esempio: si lancia una moneta per un numero
infinito di volte agli istanti t=0,1,2,…
X={0,1} dove x0=0 : testa e x1=1 : croce.
x(0) = 1/2
x(1) = 1/2 …
μ  μˆ  1/2
ergodico
Esempio: si lancia una moneta all’istante t=0 e la
si lascia nella stessa posizione per ogni t > 0.
Ho solo 2 possibili realizzazioni. Il limite μ̂
esiste ma dipende dalla realizzazione.
non ergodico
14
Processi stocastici indipendenti
Un p.s. è indipendente se i valori assunti dal processo in
istanti di tempo diversi sono v.a. indipendenti.
Esempio: si lancia una moneta per un numero
infinito di volte agli istanti t=0,1,2,…
Pr(x(2)=0 | x(1)=0) = 1/2 = Pr(x(2)=0)
p.s. indipendente
Esempio: si lancia una moneta all’istante t=0 e la
si lascia nella stessa posizione per ogni t > 0.
Pr(x(2)=0 | x(1)=0) = 1  Pr(x(2)=0)
p.s. non indipendente
15
Processi stocastici markoviani
Un p.s. è markoviano (o di Markov) se la legge di
probabilità che governa i cambiamenti di stato in un
dato istante di tempo dipende solo dal valore assunto
dallo stato nell’istante di tempo precedente e non da
tutti i precedenti valori assunti dallo stato
Pr(x(tn)=xn | x(tn-1)=xn-1) =
Pr(x(tn)=xn | x(tn-1)=xn-1, x(tn-2)=xn-2, … x(t1)=x1)
Il processo non ha memoria di quanto accaduto
prima di raggiungere lo stato attuale.
16
Esempio di processo non markoviano: Ho un urna con 2
palline, una bianca e una nera.
Effettuo delle estrazioni e ogni volta rimetto 2
palline dello stesso colore di quelle che ho tolto.
Esempio di Processo markoviano: si lancia una
moneta all’istante t=0 e la si lascia nella stessa
posizione per ogni t > 0.
17
Processi stocastici semi-markoviani generalizzati
Un p.s. semi-markoviano generalizzato è una
estensione di un p.s. markoviano.
In particolare in questo caso la legge di probabilità
che governa i cambiamenti di stato in un dato istante
di tempo dipende sia dal valore assunto dallo stato
nell’istante di tempo precedente sia dal tempo di
permanenza in tale stato.
18
Processi di conteggio
Un p.s. X(t) è detto processo di conteggio se conta il
numero totale di eventi accaduti fino al tempo t, ossia
nell’intervallo (0,t].
I processi di conteggio sono una speciale classe di p.s.:
• a tempo continuo
• a stati discreti
numero di
eventi
istanti di tempo in
cui si verificano gli
eventi
19
Per definizione un processo di conteggio verifica le
seguenti condizioni:
(i) X(t)  0
(ii) X(t)  N
(iii) se t’  t’’  X(t’)  X(t’’)
(iv) se t’ < t’’
 la v.a. X(t’’) - X(t’) conta il
numero di eventi accaduti in (t’,t’’].
20
Definizione
Un processo di conteggio ammette incrementi
indipendenti se
 t  0,
 h > 0,
le v.a. X(t+ h) - X(t) e X(t) sono tra loro indipendenti.
Il numero di eventi in (t,t+ h] è indipendente
dal numero di eventi in (0,t].
21
Definizione
Un processo di conteggio ammette incrementi stazionari
se
 t’, t’’  0,
 h > 0,
le v.a. X(t’+ h) - X(t’) e X(t’’+ h) - X(t’’) hanno la
stessa distribuzione di probabilità.
La probabilità di avere un certo numero di
eventi in un dato intervallo di tempo dipende
solo dall’ampiezza dell’intervallo stesso.
22
Processo di Poisson
Un processo di Poisson è un caso particolare di
processo di conteggio.
È particolarmente importante perché un gran numero
di fenomeni fisici possono essere descritti (almeno in
prima approssimazione) da tale processo:
ossia conta gli eventi che si verificano in modo molto
casuale ma indipendente dal tempo.
N.B.
Nel seguito si farà sempre l’ipotesi che due eventi non
possano verificarsi mai contemporaneamente.
23
Definizione
Un p.s. X(t), t  0, è detto Processo di Poisson con
parametro (o intensità, o tasso)  se:
(i) X(0) = 0
(ii) il processo ha incrementi indipendenti
(iii)  t  0,  h > 0, la v.a. X(t+ h) - X(t) ha
distribuzione di Poisson di parametro h.
 e -  x
 x!
Pr(x)  

0
x N
  R+
altrimenti
E[X]  
Var[X]  
24
Proprietà:
Come conseguenza della
(iii)  t  0,  h > 0, la v.a. X(t+ h) - X(t) ha
distribuzione di Poisson di parametro h
• E[X(t)] = t e
• il processo ha incrementi stazionari.
Possiamo pertanto dare la seguente altra
definizione di processo di Poisson.
25
Definizione
Un processo di Poisson X(t) è un processo di
conteggio con incrementi indipendenti e stazionari
e tale per cui la v.a. X(t+ h) - X(t) ha
distribuzione di Poisson di parametro h, 
t  0,  h > 0.
N.B.
Il parametro  ha le dimensioni dell’inverso del
tempo e rappresenta il numero di eventi nell’unità
di tempo.
Il rapporto 1/ rappresenta pertanto il tempo
medio tra due eventi successivi.
26
Proprietà (la diamo senza dimostrazione):
I tempi di inter-evento (ossia i tempi tra due eventi
successivi) di un processo di Poisson sono una
sequenza di v.a. indipendenti aventi distribuzione
esponenziale.
In particolare, la corrispondente funzione di densità
di probabilità è
λ t

λ
e
t0
(t)  
t0
0
dove  è il parametro caratteristico del processo di
Poisson.
Infatti:

1
0

μ   t(t)dt 
è il tempo medio di
inter-evento.
27
Memoryless property
Ricordiamo preliminarmente che nel caso di densità di
probabilità esponenziale con parametro , la funzione
di distribuzione cumulativa di probabilità vale:
F(t) = 1 - e- t
Ora, supponiamo che un evento si verifichi al tempo T.
Sia T + V il tempo in cui si verifica l’evento successivo.
Supponiamo che al tempo T+z > T l’evento successivo
NON si sia verificato.
Si è verificato l’evento [V>z].
28
V
T
T+z
T+z + t
età dell’evento
Calcoliamo la probabilità che si verifichi l’evento
[V  z + t ] per un generico t> 0, dato che si è
verificato l’evento [V > z].
Probabilità
condizionata
29
Pr[V  z  t and V  z]
Pr[V  z  t | V  z] 
Pr[V  z]
Pr[z  V  z  t]

1  Pr[V  z]
Poiché i tempi di inter-evento sono caratterizzati
da una distribuzione esponenziale
Pr[V  z]  F(z)  1 - e -z
(1 - e - (z  t) )  (1 - e -z )
Pr[V  z  t | V  z] 
e -z
- e -z  e -t  e -z
-t


1

e
e -z
30
Pr[V  z  t | V  z]  1  e-t
Tale probabilità condizionata verifica allora le
seguenti proprietà:
(1) non dipende da z
(2) è identica a F(t) = Pr[V  t]
Questa è la proprietà memoryless (priva di
memoria) della distribuzione esponenziale.
31
Teorema (la diamo senza dimostrazione):
La memoryless property vale per qualunque
distribuzione esponenziale
e
se una distribuzione gode della memoryless property
deve necessariamente essere esponenziale.
Riassumendo:
Processo di
Poisson
Tempi di interevento
esponenziali
Memoryless
property
32
Proprietà:
Il p.s. risultante dalla sovrapposizione di m processi
di Poisson mutuamente indipendenti, caratterizzati
dai parametri i, i=1, …, m, è ancora un processo di
Poisson caratterizzato dal parametro = 1 + … + m.
33
Esempio: Il processo degli arrivi in coda ad un
semaforo è Poissoniano?
Se il precedente semaforo è molto lontano potrebbe
esserlo poiché gli arrivi sarebbero indipendenti.
Se invece il precedente semaforo è vicino, allora le
macchine arrivano generalmente a piccoli gruppi e non
sono indipendenti.
Questo naturalmente nell’ipotesi che il flusso delle
macchine sia indipendente dal tempo.
34