Stochastic processes are collections of random variables representing the evolution of random systems over time.Un proceso aleatorio establece una regla probabilística según la cual un sistema pasa de un estado a otro a lo largo del tiempo. A diferencia de las leyes deterministas (como la caída de una manzana), aquí solo podemos hablar de probabilidades de distintas trayectorias. Por ejemplo, la desintegración radiactiva de los átomos es un proceso aleatorio de Poisson: los momentos de desintegración son impredecibles, pero el número medio de desintegraciones por minuto es estable.
La teoría formal de los procesos estocásticos comenzó a gestarse a principios del siglo XX con los trabajos de Louis Bachelier (1900) sobre el movimiento browniano y los mercados financieros. Norbert Wiener en 1923 construyó un modelo matemático riguroso del movimiento browniano (proceso de Wiener). Andréi Kolmogórov en 1931 sentó las bases de la teoría axiomática de los procesos aleatorios. El desarrollo de la teoría estuvo fuertemente motivado por problemas de la física (difusión), las telecomunicaciones (ruido) y las finanzas.
Un proceso estocástico se describe mediante probabilidades de transición entre estados. En tiempo discreto, puede ser una cadena con probabilidades de transición dadas. En tiempo continuo, la dinámica se define mediante ecuaciones diferenciales estocásticas (por ejemplo, la ecuación de Langevin para una partícula browniana). Para el análisis, se utilizan a menudo la ecuación de Chapman-Kolmogórov, la ecuación de Fokker-Planck. La propiedad clave, la markovianidad (el futuro solo depende del presente), conduce a simplificaciones significativas.
La predicción de tipos de cambio, la modelización de atascos en carreteras e incluso la generación de texturas realistas en videojuegos se basan en procesos aleatorios.
En 1905, Albert Einstein utilizó un proceso aleatorio (el movimiento browniano) para demostrar la existencia de los átomos: relacionó el movimiento caótico del polen con los empujes térmicos de las moléculas.
| S_t | variable | CUSUM statistic at time t |
| S_{t-1} | variable | CUSUM statistic at previous time |
| z_t | variable | Observation or standardized value at time t |
| k | variable | Allowance or reference value (positive constant) |
| max | operador | Takes the maximum of two numbers — maximum |
| x_t | variable | value of the process at time t — time series value |
| x_{t-1} | variable | value of the process at previous time — time series value |
| \phi | variable | autoregressive coefficient — autoregressive coefficient |
| \epsilon_t | variable | white noise innovation at time t — noise term |
| \sigma^2 | variable | variance of the noise — varianza |












