Stochastic processes are collections of random variables representing the evolution of random systems over time.Un processus aléatoire définit une règle probabiliste selon laquelle le système passe d'un état à un autre au cours du temps. Contrairement aux lois déterministes (comme la chute d'une pomme), on ne peut ici parler que de probabilités de différentes trajectoires. Par exemple, la désintégration radioactive des atomes est un processus aléatoire poissonnien : les instants de désintégration sont imprévisibles, mais le nombre moyen de désintégrations par minute est stable.
La théorie formelle des processus stochastiques a commencé à se développer au début du XXe siècle avec les travaux de Louis Bachelier (1900) sur le mouvement brownien et les marchés financiers. Norbert Wiener a construit en 1923 un modèle mathématique rigoureux du mouvement brownien (processus de Wiener). Andrei Kolmogorov a jeté en 1931 les bases de la théorie axiomatique des processus aléatoires. Le développement de la théorie a été fortement motivé par les problèmes de physique (diffusion), de télécommunications (bruit) et de finance.
Un processus stochastique est décrit par les probabilités de transition entre états. En temps discret, il peut s'agir d'une chaîne avec des probabilités de transition données. En temps continu, la dynamique est donnée par des équations différentielles stochastiques (par exemple, l'équation de Langevin pour une particule brownienne). Pour l'analyse, on utilise souvent l'équation de Chapman-Kolmogorov, l'équation de Fokker-Planck. La propriété clé — la markovianité (le futur ne dépend que du présent) — conduit à des simplifications significatives.
La prévision des taux de change, la modélisation des embouteillages et même la génération de textures réalistes dans les jeux vidéo reposent sur les processus aléatoires.
En 1905, Albert Einstein a utilisé un processus aléatoire (le mouvement brownien) pour prouver l'existence des atomes — il a relié le déplacement chaotique du pollen aux chocs thermiques des molécules.
| 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 | opérateur | 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 — variance |












