
Ein stochastischer Prozess (auch Zufallsprozess) ist ein mathematisches Objekt zur Modellierung von zufälligen, oft zeitlich geordneten, Vorgängen. Die Theorie der stochastischen Prozesse stellt eine wesentliche Erweiterung der Wahrscheinlichkeitstheorie dar und bildet die Grundlage für die stochastische Analysis. Obwohl einfache stochastische Prozesse schon vor langer Zeit studiert wurden, wurde die heute gültige formale Theorie erst Anfang des 20. Jahrhunderts entwickelt, vor allem von Paul Lévy und Andrei Kolmogorow.
Im einfachsten Fall ist ein stochastischer Prozess das Modell einer zufälligen Funktion, deren Realisierungen gewöhnliche Funktionen, die so genannten Pfade, sind. Formal erfolgt die Festlegung eines stochastischen Prozesses durch einen Vektor, eine Folge oder allgemeiner eine Familie von Zufallsvariablen, die gemeinsam eine mehrdimensionale oder unendlich-dimensionale Wahrscheinlichkeitsverteilung besitzen.
Ursprünglich wurde der Begriff des stochastischen Prozesses für Fälle verwendet, bei denen das zeitliche Fortschreiten eines zufallsbestimmten Vorgangs modelliert wurde. Inzwischen hat sich die Bedeutung des Begriffs verallgemeinert und als stochastische Prozesse werden auch unendliche Familien von Zufallsvariablen bezeichnet, deren Realisierungen Funktionen sind, ohne dass ein zeitlicher Bezug vorliegt. Solche allgemeineren stochastischen Prozesse werden z. B. in der Theorie empirischer Prozesse untersucht.
Sei ein Wahrscheinlichkeitsraum, ein mit einer σ-Algebra versehener Raum (zumeist die reellen Zahlen mit der Borelschen σ-Algebra) und eine Indexmenge, zumeist , die in Anwendungen häufig die Menge der betrachteten Zeitpunkte darstellt.
Ein stochastischer Prozess ist dann eine Familie von Zufallsvariablen , also eine Abbildung
so dass für alle eine --messbare Abbildung ist.
Die Familie der Zufallsvariablen, die einen stochastischen Prozess bilden, wird auch in der Form notiert. Die Menge heißt auch Zustandsraum und enthält alle von dem Prozess anzunehmenden Werte.
Eine alternative Formulierung sieht vor, dass eine einzige Zufallsvariable ist, wobei ein mit einer geeigneten σ-Algebra versehener Funktionenraum ist. Man spricht hier auch von Zufallsfunktionen (vergleiche Pfad (Stochastik)). Bei geeigneter Wahl fallen diese beiden Definitionen zusammen.
Folgend sind einige Kriterien aufgeführt, nach denen stochastische Prozesse klassifiziert werden. Eine genauere Beschreibung findet sich in der Liste stochastischer Prozesse.
Die grundlegendste Einteilung stochastischer Prozesse in verschiedene Klassen erfolgt über die Indexmenge und die Werte- oder Zustandsmenge :
Außerdem werden stochastische Prozesse noch analog zu den Zufallsvariablen danach klassifiziert, ob der Erwartungswert und die Varianz existieren oder spezielle Werte annehmen.
Des Weiteren werden stochastische Prozesse noch mittels der Struktur ihrer stochastischen Abhängigkeiten klassifiziert, diese werden meist über den bedingten Erwartungswert definiert. Zu diesen Klassen gehören:
Des Weiteren kann man Prozesse wie folgt klassifizieren:
Für jedes erhält man eine Abbildung . Diese Abbildungen nennt man die Pfade des Prozesses und wird auch mit notiert. Häufig spricht man statt von den Pfaden auch von den Trajektorien oder den Realisierungen des stochastischen Prozesses.
Ist speziell und (oder ein allgemeinerer topologischer Raum), so kann man von Stetigkeitseigenschaften der Pfade sprechen. Man nennt einen zeitstetigen stochastischen Prozess stetig, rechtsseitig stetig, linksseitig stetig bzw. càdlàg, wenn alle Pfade des Prozesses die entsprechende Eigenschaft haben. Der Wiener-Prozess hat stetige Pfade, von denen im Bild zu den Beispielen unten zwei zu sehen sind. Der Poisson-Prozess ist ein Beispiel für einen zeitstetigen, wertdiskreten càdlàg-Prozess; er hat also rechtsseitig stetige Pfade, bei denen an jeder Stelle der linksseitige Limes existiert.
Ein Pfad ist somit ein zufälliger Punkt im Raum der Funktionen von .
Während die Theorie der stochastischen Prozesse ein Teilgebiet der Wahrscheinlichkeitstheorie und damit der Mathematik ist, ist das Gebiet der Zeitreihenanalyse ein Teilgebiet der Statistik.
Die Zeitreihenanalyse geht von einer konkreten Zeitreihe, d. h. einer endlichen Folge zeitlich geordneter Daten aus, und beschreibt diese einerseits mit Methoden der deskriptiven Statistik und verwendet andererseits spezielle stochastische Modelle (wie ARMA- oder ARCH-Modelle) zur Erklärung von Zeitreihen. Eine beobachtete Zeitreihe kann als endlicher Ausschnitt des Pfades eines zeitdiskreten oder zeitstetigen stochastischen Prozesses aufgefasst werden. Eine Aufgabe der statistischen Zeitreihenanalyse ist die Schätzung der Parameterstruktur der Verteilung eines stochastischen Prozesses aus einer vorliegenden Zeitreihe.
Während in der Theorie stochastischer Prozesse die mathematische Struktur der modellierten Zufallsfunktionen (etwa Stetigkeit, Differenzierbarkeit, Variation oder Messbarkeit bezüglich gewisser Filtrierungen) im Vordergrund steht, geht die Zeitreihenanalyse von den Daten aus und schlägt als statistische Teildisziplin die Brücke zwischen Empirie und Theorie.
