Um processo estocástico é, essencialmente, uma família de variáveis aleatórias indexada por algum conjunto Vamos considerar, mais especificamente, em duas situações específicas, como um subintervalo da reta ou como um conjunto discreto enumerável da reta. Em muitos casos, representa uma variável temporal, discreta ou contínua, e indica a variação do estado de algum sistema ao longo do tempo, por exemplo.
A definição acima, porém, é um tanto vaga. Uma definição mais precisa de um processo estocástico é a de que as variáveis aleatórias são funções (mensuráveis) definidas em um mesmo espaço amostral e assumindo valores em um mesmo espaço de estados
Classificamos um processo de acordo com a natureza do conjunto de índices e do conjunto eventos Dizemos que é um processo estocástico em tempo discreto quando é discreto, e.g. ou ou ou Dizemos que é um processo estocástico em tempo contínuo quando for um intervalo não trivial, e.g. ou ou
No caso do conjunto de eventos, dizemos simplesmente que é um processo estocástico discreto, quando é discreto, ou um processo estocástico contínuo, quando é contínuo.
Vale ressaltar que a função é uma função determinística, levando cada em um estado A incerteza vem da interpretação de que cada realização ou cada conjunto de realizações vem com uma certa probabilidade de ser observado. A análise, em si, é que é probabilística por natureza.
Em relação aos conjuntos amostrais, definidos pela -álgebra é necessário que cada seja uma variável aleatória em relação a essa -álgebra. Ou seja, para cada evento devemos ter Dizemos, assim, que é mensurável, ou, mais precisamente, que é --mensurável.
Para cada a função é chamada de trajetória, ou caminho amostral. É comum denotarmos um caminho por A distribuição de probabilidade nos dá não apenas a probabilidade de observarmos um determinado valor, em um determinado instante, mas também a probabilidade de observamos toda uma trajetória, ou trajetórias, ou partes dela.
Com as variáveis aleatórias definidas no mesmo espaço amostral, com medida de probabilidade podemos representar a probabilidade do processo assumir um determinado valor em um certo instante por
Por sua vez, a probabilidade conjunta de observarmos uma trajetória assumindo estados em dois instantes por E assim por diante.
O conjunto é um tanto abstrato, podendo ser representado de várias formas possíveis, ou normalmente nem sendo especificado. Mas é instrutivo pensarmos mais concretamente, como sendo o próprio conjunto de todas as trajetórias possíveis, definidas no intervalo de tempo e assumindo qualquer estado em Naturalmente, esperamos observar só algumas trajetórias em um dado processo, o que será determinado pela probabilidade de cada trajetória, ou, mais precisamente, da probabilidade de cada subconjunto mensurável ou seja, de cada
Pensando assim, a probabilidade de, em um determinado instante observamos um certo evento é a probabilidade do conjunto de todas as trajetórias que passam por no instante
Por sua vez, a probabilidade conjunta em dois instantes e para dois eventos é a probabilidade do conjunto
No caso de um processo real, i.e. em que o espaço de eventos é um subconjunto de a probabilidade pode ser caracterizada pelas funções de probabilidade acumuladas (conjuntas). A função de probabilidade acumulada no instante é definida por
e as funções de probabilidade acumulada conjuntas, por
Por construção, essa família de funções de distribuição satisfaz duas condições fundamentais:
Simetria: Sejam e Se é uma permutação dos índices então para quaisquer
Compatibilidade: Para e vale
Por outro lado, um resultado importante de Kolmogorov, conhecido como o Teorema Fundamental de Kolmogorov (além de outros nomes, tais como Teorema de Existência de Kolmogorov e Teorema de Extensão de Daniell-Kolmogorov) garante que qualquer família de funções de distribuição satisfazendo as condições de simetria e compatibilidade definem um processo estocástico.
Este é um dos primeiros resultados profundos envolvendo processos estocásticos contínuous. Vejam, por exemplo Kolmogorov extension theorem e Lecture 5. The Daniell-Kolmogorov existence theorem e 245A, Notes 6: Outer measures, pre-measures, and product measures. Sua demonstração é baseada no Teorema de Extensão de Carathéodory, usualmente visto em Teoria da Medida