Pro Ceos

Procesos Estocsticos
Referencias: 1I t d Introduccin y conceptos b i i t bsicos 2 Estadsticos de un proceso estocstico 3 Estacionariedad de un proceso estocstico 4 Ergodicidad de un proceso estocstico 5 Ejemplos
Captulo 8 de Introduccin a los Sistemas de Comunicacin. Stremler, C.G. (1993) Apuntes de la Universidad de Vigo (pgina Web) Captulo 6 de Principios de Probabilidad, variables aleatorias y seales aleatorias
Al final del tema el alumno ser capaz de:

Entender el concepto de proceso estocstico Interpretar y calcular los estadsticos de los procesos estocsticos: esperanza, autocovarianza y autocorrelacin t i t l i Interpretar y comprobar la estacionariedad de los procesos estocsticos Interpretar y determinar si un proceso es ergdico Saber calcular probabilidades en procesos estocsticos formados a travs de distribuciones estudiadas en los temas anteriores
Estadstica. Profesora Mara Durbn
1 Estadstica. Profesora Mara Durbn
1I t d Introduccin y conceptos b i i t bsicos 2 Estadsticos de un proceso estocstico 3 Estacionariedad de un proceso estocstico 4 Ergodicidad de un proceso estocstico 5 Ejemplos
1 Introduccin y conceptos bsicos

En los temas anteriores hemos estudiado procesos q no varan con el p que tiempo o slo dependen de una variable. Por ejemplo, estudiamos el nmero de llamadas que se producen en una ejemplo central telefnica. Si definimos X como el nmero de llamadas que se reciben en una hora hora, podemos decir que X sigue una distribucin de Poisson de media . Pero, qu pasa si queremos definir ahora otra variable que corresponda al nmero de llamadas recibidas en la misma centralita durante todo el da de trabajo ( horas)? j (8 ) Podramos definir una nueva X, variable que seguira una distribucin de Poisson, Poisson definida como nmero de llamadas recibidas en la centralita durante 8 horas, con una nueva que sera igual a 8.
3 4 Estadstica. Profesora Mara Durbn

Las representaciones seran (si =2, por ejemplo):

Definicin
As, para cada tiempo que fijemos, tendramos una variable aleatoria. Se define entonces una familia de variables aleatorias que dependen de una variable determinista, (en este caso el tiempo). PROCESO ESTOCSTICO Se define el proceso estocstico X(t) como el nmero de llamadas que se producen en l centralita en el ti d la t lit l tiempo (0 t) (0,t). As, para cada valor de t que se elija, tendremos una variable aleatoria distinta, distinta con forma similar pero distinto valor valor. En los temas anteriores definimos X(x), en este caso X(). Ahora debemos representar X(x t) en este caso X( t) X(x,t), caso, X(,t). En general, diremos X(t) igual que antes llambamos X y no X().
=2 =16

Ejemplos
En los sistemas de comunicaciones aparecen seales aleatorias como: La seal de informacin tiene pulsos de voz de duracin informacin, aleatoria y posicin aleatoria. Una interferencia en el canal que es debida a la presencia cercana de otros sistemas de comunicaciones comunicaciones. El ruido en un receptor es debido al ruido trmico en resistencias y componentes del receptor. As, la seal recibida va ser una seal con varias componentes aleatorias. Aunque no es posible describir este tipo de seales con una expresin matemtica, matemtica se pueden utilizar sus propiedades estadsticas Son seales aleatorias en el sentido de que antes de realizar el experimento no es posible d i t ibl describir su f ibi forma exacta t

Proceso Estocstico
Es una funcin de dos variables, t y x, una determinista y otra aleatoria a) X(x t) es una familia de funciones temporales X(x,t) temporales. b) Si se fija x, tenemos una funcin temporal X(t) llamada realizacin del proceso. proceso c) Si se fija t, tenemos una Variable Aleatoria. d) Si se fijan t y x, tenemos un nmero real o complejo (muy normal en teora de la seal).

Espacio de tiempos, T Conjunto de los posibles valores de tiempo que puede tomar el proceso estocstico. Espacio de estados, S Conjunto de los posibles valores del proceso estocstico (resultado numrico, real o complejo). Discreto Continuo Discreto Continuo Proceso discreto en el tiempo. Proceso continuo en el tiempo. Proceso discreto en el espacio de estados. Proceso continuo en el espacio de estados.
9

Ejemplo 1 Distintas realizaciones del proceso X(t) = Ncos((2/24)t+) siendo N y VA con distribuciones P(10) y U(0,2), respectivamente.

En general:

Ejemplo 2 Caracterice la continuidad del nmero de llamadas que llegan a la centralita. p porque puede tomar cualquier valor real: q Es continuo en el tiempo, p q p t =1 hora t =1,67 horas t = 8 horas t = 35 horas, etc. Es discreto en el espacio de estados X(, t=t X( t t0) es siempre un nmero entero i t Ejemplo 3 El tiempo que un ordenador tarda en ejecutar una tarea es una VA Y~ Exp(). Para hacer un estudio de la evolucin temporal del sistema se construye el proceso estocstico X(t) definido como el tiempo que resta pa a co p eta a tarea sabiendo para completar la ta ea sab e do que ya ha co su do t minutos. a consumido utos
11
Dibuje una realizacin del proceso y especifique los espacios T y S.

12

Funcin de distribucin Dado un proceso estocstico cualquiera, si fijamos un tiempo t=t0 tendremos una V.A. X(t0) que tendr una funcin de distribucin asociada. asociada
=1/36
Si, para el mismo proceso, fijamos otro instante t=t1 tendremos otra VA, en principio, distinta a la anterior, con una funcin de distribucin diferente. Se define la funcin de distribucin de primer orden del proceso X(t) como
x 2
FX ( x, t ) = P( X (t ) x)
0 20 tiempo 40 60
Y, por tanto, se tiene tambin la funcin de densidad de primer orden derivando la funcin de distribucin respecto a x
f ( x, t ) =
dFX ( x, t ) dx 14

Funcin de distribucin de segundo orden De igual modo: Se define la funcin de distribucin de segundo orden de e a u c d st buc segu do o de del proceso X(t) como

Aplicacin de la funcin de distribucin y funcin de densidad Realizacin de un proceso continuo en el tiempo con funcin de densidad de primer orden gaussiana.
F ( x1 , x 2 , t1 , t 2 ) = P ( X (t1 ) x1 X (t 2 ) x 2 )
Se puede obtener la funcin de densidad de segundo orden derivando la funcin de distribucin parcialmente respecto a x1 y a x2
2 F ( x1 , x2 , t1 , t 2 ) f ( x1 , x2 , t1 , t 2 ) = x1x2
15 Estadstica. Profesora Mara Durbn Estadstica. Profesora Mara Durbn 16
1 Introduccin y conceptos bsicos 2 Estadsticos de un proceso estocstico 3 Estacionariedad de un proceso estocstico 4 Ergodicidad de un proceso estocstico 5 Ejemplos
2 Estadsticos de un proceso estocstico

Media La media de un proceso estocstico corresponde a: En el caso real: E [ X (t )] = x (t ) = En el caso complejo:
+
x f ( x, t ) dx
E[Z (t )] = E[ X (t )] + j E[Y (t )]
Se puede entender grficamente como el centro de gravedad de la funcin densidad de probabilidad Caracterstica: Para cada t, se tiene una VA distinta una media distinta La media es, en general una funcin dependiente del tiempo es general,
17 18 Estadstica. Profesora Mara Durbn

Ejemplo 4
Considere la oscilacin aleatoria X(t) = cos (2ft + B), donde f es una constante real, es una variable aleatoria uniforme en [ /2, /2], y B es una variable aleatoria discreta, independiente de , tal que P(B=0)=p y P(B=1)=q. Defina y calcule la esperanza de la variable aleatoria X(t).

Ejercicio 1 Un transmisor enva pulsos rectangulares de altura y posicin aleatorias. Cada pulso transmitido corresponde a una realizacin del p proceso estocstico X(t) = Vh(t T), t > 0, Donde la altura V del pulso es una variable aleatoria uniforme en [0,v0], y T es una variable aleatoria exponencial de parmetro , independiente de V, y la funcin determinista h(t) es h(t)= 1, 0<t<1, 0, en el resto.
E [ X (t ) ] = E [ cos(2 ft + B ) ] ( f
= E [ cos(2 ft + B ) | B = 0] Pr( B = 0) + E [ cos(2 ft + B ) | B = 1] Pr( B = 1) = p cos(2 ft) + qE [ cos(2 ft + ) ] (2 E (2

Para cada t, cos (2ft+) es una variable aleatoria funcin de . Podemos escribir:
/2
E [ cos(2 ft + ) ] =
/ 2
1 2 cos(2 ft + ) = cos(2 ft )
Calcule la funcin valor medio del proceso estocstico X(t)
x (t ) = p + q cos ( 2 f t )
20

Varianza La media de un proceso estocstico corresponde a: En el caso real: Var [[ X((t ) ]= xx((t))= Var X t )] = t =
22 + +

Correlacin O esperanza del producto de Variables Aleatorias como funcin de dos variables temporales tk y ti dada por:
Recordamos:
((xx ((tt)))) ff((xx,,tt))dxdx

22 xx
2
Var V [ X ] = E X 2 ( E [ X ])
R X (t1 , t 2 ) = E[X (t1 )X (t 2 )] =
x1 x 2 f ( x1 , x 2 ; t1 , t 2 ) d x1 d x 2
x2 (t ) = E [X (t ) 2 ] E[X (t )]2 = E [X (t ) 2 ] [ x (t )]2

En el caso de que la media del proceso estocstico sea siempre cero, la varianza y el valor cuadrtico medio coincidiran.
En el caso de que t1 = t2 se tiene el valor cuadrtico medio del proceso estocstico que es una funcin de una variable temporal:
R X (t , t ) = E ( X (t )) = x 2 f ( x; t ) d x
2
Potencia del proceso


Covarianza Covarianza del proceso X(t) como una funcin de dos variables temporales tk y ti dada por:

Matriz de Correlacin de dos procesos Dados dos procesos X(t) e Y(t). Todas las propiedades de correlacin se pueden colocar de forma matricial segn una matriz de funciones de dos dimensiones temporales temporales.
C X (t1 , t 2 ) = E [( X (t1 ) x (t1 ) ) ( X (t 2 ) x (t 2 ) )] =

+ +
(x X (t1 )) ( y X (t2 )) f X (t1 ), X (t2 ) ( x, y) dxdy
R (t , u ) RXY (t , u ) R (t , u ) = X RYX (t , u ) RY (t , u )
RXY (t , u ) = E [ X (t )Y (u ) ]
En l E el caso d que tk = ti se ti de tiene l varianza d l proceso estocstico. la i del t ti De las definiciones de correlacin y covarianza, se puede obtener:
En el caso de que t=u la matriz de correlacin tiene la expresin siguiente, siendo una matriz de funciones de una variable temporal y simtrica.
C x (t1 , t 2 ) = RX (t1 , t 2 ) x (t1 ) x (t 2 )

En el caso de que la media del proceso estocstico sea siempre cero, la funcin de correlacin y la de covarianza coincidiran.
Estadstica. Profesora Mara Durbn 23
E X (t ) 2 E [ X (t )Y (t ) ] R (t , t ) = E [Y (t ) X (t ) ] E Y (t ) 2

Ejemplo 4 Si X(t) representa un proceso estocstico de media x(t) = 3 y funcin de correlacin RX(t1, t2) = 9 + 4exp{0,2|t1t2|}. Calcule la esperanza, la varianza y la covarianza de las variables aleatorias Z = X(5) y T = X(8) X(8). 1) Esperanzas 2) Varianzas E(Z) = E(X(5)) = x(5) = 3 E(T ) = E(X(8)) = x(8) = 3 E(Z2) = E(X(5)X(5)) = RX(5,5) = 13 E(T2) = E(X(8)X(8)) = RX(8 8) = 13 E(X(8) X(8)) (8,8) 2) (E(Z))2 = 4 Var(Z) = E(Z Var(T) = E(T2) (E(T))2 = 4 E(ZT) = E(X(5)X(8)) = RX(5, 8) = 9+4e0.6 Cov(Z,T) = E(ZT) E(Z)E(T ) = 4e0.6 ( , ) ( ) ( ) (
25

Independencia Dos procesos X(t) e Y(t) son independientes si su funcin de densidad conjunta de cualquier orden se puede descomponer como el producto de dos funciones de densidad marginales una conteniendo trminos slo marginales, dependientes del proceso X(t) y la otra dependientes de Y(t).
E[X (t ) Y (t )] = E[X (t )] E[Y (t )]

Incorrelacin Dos procesos X(t) e Y(t) son incorrelados si CXY(t1, t2) = 0 para cualquier valor de t1 y t2.
RXY (t1 , t 2 ) = X (t1 ) Y (t 2 )
Ortogonalidad Dos procesos X(t) e Y(t) son ortogonales si RXY(t1, t2)=0 para cualquier valor de t1 y t2.
3) Covarianzas
O tambin como, Cov (Z,T) = CX(5, 8) = RX(5, 8) x(5)x(8) = 4e0.6
C XY (t1 , t 2 ) = X (t1 ) Y (t 2 )

Ejercicio Calcule la funcin de correlacin del proceso X(t) = Acos (2ft+), donde A y son variables aleatorias independientes, siendo una variable aleatoria uniforme en [ ] y A exponencial de parmetro [ , ], . Ejercicio El tiempo que un ordenador tarda en ejecutar una tarea es una v.a. Y ~ Exp(). Para hacer un estudio de la evolucin temporal del sistema se construye el proceso estocstico X(t) definido como el tiempo que resta para completar la tarea sabiendo que ya ha consumido t minutos. a) Determine E[X(t)] Var[X(t)] E[X(t)2] E[X(t)], Var[X(t)], ]. b) Indique si cada una de las funciones del aparatado anterior depende del tiempo o no e interprete el resultado.
3 Estacionariedad de un proceso estocstico

Cuando utilizamos un modelo estocstico, generalmente vamos a estar ,g interesados en predecir el comportamiento del proceso en el futuro y para ello nos basamos en la historia del proceso. Estas predicciones no sern correctas a menos que las condiciones futuras sean anlogas a las pasadas Un proceso estocstico es estacionario si sus propiedades estadsticas son invariantes ante una traslacin del tiempo

Ejemplo 5 El nmero de llamadas que llegan a una centralita hasta el instante t
25
x2 x1
20
15
El nmero medio de llamadas no es constante, depende de d t
10
El mecanismo fsico que genera el experimento no cambia con el tiempo
No estacionario
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 tiempo
30

Ejemplo 6 Distintas realizaciones del proceso X(t) = Ncos((2/24)t+) siendo N y VA con distribuciones P(10) y U(0,2) respectivamente.

Estacionariedad (en sentido estricto o fuerte) Un proceso X(t) es estacionario en sentido estricto si la funcin de densidad de densidad conjunta, de cualesquiera de sus n v.a. medidas en instantes t1,,tn, permanece constante cuando t transcurre cualquier intervalo de tiempo
f ( x1 ,....xn ; t1 ,..., tn ) = f ( x1 ,....xn ; t1 + ,..., tn + )

Esta es una condicin muy fuerte ya que implicara estudiar infinitas funciones de densidad conjunta
La media del proceso se mantiene constante

puede ser estacionario
Estacionariedad en sentido dbil o amplio p

31 Estadstica. Profesora Mara Durbn 32

Estacionariedad (en sentido dbil) Un proceso X(t) es dbilmente estacionario si:

Estacionariedad (en sentido dbil) Un proceso X(t) es dbilmente estacionario si:
E [ X (t ) ] =
( (independiente del tiempo) p p )
E [ X (t ) ] =
( (independiente del tiempo) p p )
RX (t1 , t2 ) = RX ( ) = t2 t1 (depende solo de la distancia entre los tiempos considerados)

Propiedades: La potencia E X (t ) no depende de t 2 ya que E X (t ) = RX (0)
2
RX (t1 , t2 ) = RX ( ) = t2 t1 (depende solo de la distancia entre los tiempos considerados)

Propiedades: Estacionario en sentido estricto dbil
RX ( ) = RX ( )
ya q e a que
Si el proceso es gaussiano: estricto = dbil
RX ( ) = E [ X (t ) X (t ) ] = E [ X (t ) X (t ) ] = RX ( ) 33
Estadstica. Profesora Mara Durbn Estadstica. Profesora Mara Durbn
34

Ejemplo 7 Distintas realizaciones del proceso X(t) = Acos((2/24)t+) siendo A constante y una VA con distribucin U(-, ). Es X(t) dbilmente estacionario?
10

Ejemplo 7 Distintas realizaciones del proceso X(t) = Acos((2/24)t+) siendo A constante y una VA con distribucin U(-, ). Es X(t) dbilmente estacionario?
E [ X (t ) ] = AE [ cos((2 / 24)t + ) ] = A cos((2 / 24)t + )
1 d = 0 2
R X (t , t + ) = E [X (t )X (t + )] = A E [cos((2 / 24 )t + ) cos((2 / 24 )(t + ) + )]

2
0
Utilizando:
-5
cos( ) = cos( ) cos( ) m sen( ) ( ) ( ( ( ( )sen( 2 cos( ) cos( ) = cos( + ) + cos( ) ( ( ( (
-10
20 tiempo
40
60
36

Ejemplo 7 Distintas realizaciones del proceso X(t) = Acos((2/24)t+) siendo A constante y una VA con distribucin U(-, ). Es X(t) dbilmente estacionario? 2 cos( ) cos( ) = cos( + ) + cos( )

Ejercicio Sea U una VA uniforme en [0,1], a partir de ella se construye el proceso X(t)=exp(-Ut) a) Para cada valor de t, determine el rango de X(t) b) Calcule E[X(t)] y Rx(t1,t2) c) Estudie la estacionariedad en sentido amplio (es decir en sentido decir, dbil) Ejercicio Si X e Y son VA normales, i d l independientes, con media 0 y varianza 1 se di t di i 1, define el proceso Z(t)=Xcos(2t)+Ysin(2t) a) Determine la funcin de probabilidad conjunta de Z(t1) y Z(t2) b) Calcule la media y la autocovarianza del proceso Z(t) c) Estudie la estacionariedad en sentido dbil y estricto
37 Estadstica. Profesora Mara Durbn 38
E [ X (t ) ] = AE [ cos((2 / 24)t + ) ] = A cos((2 / 24)t + )
1 d = 0 2
R X (t , t + ) = E [X (t )X (t + )] = A E [cos((2 / 24)t + ) cos((2 / 24)(t + ) + )] = A2 E [cos((2 / 24)(2t + ) + 2 ) + cos((2 / 24 ) )] 2 A2 = cos((2 / 24) ) 2
Es dbilmente estacionario
3 Ergodicidad de un proceso estocstico

En muchas ocasiones, slo disponemos de una realizacin del proceso (es decir, disponemos de una funcin temporal), en este caso, para conocer el proceso calculamos sus promedios temporales temporales. Sea X(t) un proceso estocstico La media temporal o valor medio en el tiempo se define como:
M X =T lim uuu r 1 2T
X (t )dt =T lim T uuu r
La autocorrelacin temporal se define como:
AX =T lim uuu r
1 2T
X (t ) X (t + )dt
Ambas son VA ya que toman valores distintos p y q para cada realizacin del proceso.

Diremos que un proceso es ergdico si sus promedios estadsticos coinciden con los temporales slo necesitamos una realizacin del proceso para conocer los promedios estadsticos Ergodicidad en media : Dado que la media temporal T no depende del tiempo, tiempo para que un proceso sea ergdico en media es necesario que la media, media del proceso X sea constante, esto se cumple si el proceso es estacionario Ejemplo 8 Sea A una VA N(0,1), definimos el proceso X(t)=A. Es ergdico en media? X = E [ A] = 0 No es ergdico en media g 1 T T = T At = A 0 2T

Ergodicidad en autocorrelacin : Sea RX ( ) = E [ X (t ) X (t + )]. Si construimos el proceso Z (t ) = X (t ) X (t + ), entonces E [ Z (t )] = RX ( ) , por lo tanto X (t ) es ergdico en autocorrelacin si Z (t ) es ergdico en media Ejemplo 7 Se considera el proceso X(t)=a cos(wt)+b sin(wt) donde a y b son dos VA sin(wt), independientes uniformemente distribuidas en [-1,1], estudie la ergodicidad en media y autocorrelacin.
X = E [a ]cos(wt ) + E [b]sin (wt ) = 0 + 0 = 0 T =

1 2T
T T
a sin (wT ) (a cos(wt ) + b sin(wt ))dt = wT lim
T = 0
Es ergdico en media
41
1 RX ( ) = E [ X (t ) X (t + ) ] = cos( w ) 3 1 T X (t ) X (t + )t 2T T Estadstica. Profesora Mara Durbn
sin ( ) = sin ( ) cos( ) cos( )sin ( ) i i i

42

Ergodicidad en autocorrelacin : Sea RX ( ) = E [ X (t ) X (t + )]. Si construimos el proceso Z (t ) = X (t ) X (t + ), entonces E [ Z (t )] = RX ( ) , por lo tanto X (t ) es ergdico en autocorrelacin si Z (t ) es ergdico en media Ejemplo 7 Sea considera el proceso X(t)=a cos(wt)+b sin(wt), donde a y b son dos VA independientes uniformemente distribuidas en [-1,1], estudiar la ergodicidad en media y autocorrelacin. di id d di t l i
1I t d Introduccin y conceptos b i i t bsicos 2 Estadsticos de un proceso estocstico 3 Estacionariedad de un proceso estocstico 4 Ergodicidad de un proceso estocstico 5 Ejemplos
X = E [a ]cos(wt ) + E [b]sin (wt ) = 0 + 0 = 0 T =
1 T a sin (wT ) T (a cos(wt ) + b sin(wt ))dt = wT limT T = 0 2T 1 RX ( ) = E [ X (t ) X (t + ) ] = cos( w ) ( 3 No N es ergdico en di 1 T 1 2 autocorrelacin 2 X (t ) X (t + )t = (a + b ) cos( w ) uuu r T lim 2T T 2 Estadstica. Profesora Mara Durbn
44
5 Ejemplos
Proceso de Poisson Es un proceso de tiempo continuo y estado discreto. X(t)= nmero de sucesos en [0,t] X(t) P(t) X(t)~P(t) X=t CX(t1,t2)=min{t1,t2} Ruido Ruido= seales indeseables que constituyen una interferencia en un sistema de comunicaciones. H d ti i t d i i Hay dos tipos d ruido: ruido externo al de id id t l sistema (atmosfrico), ruido interno al sistema (fluctuaciones aleatorias debidas a dispositivos). Generalmente se representan las interferencias mediante un ruido blanco. Ruido blanco: Un proceso es un ruido blanco si las variables X(t1), X(t2) estn incorreladas para todo t. p Si las variables son gaussianas, incorreladas = independientes
5 Ejemplos
Procesos Gaussianos Diremos que un proceso es gaussiano, si cualquier coleccin de VA del proceso tiene distribucin conjunta gaussiana El proceso est totalmente descrito si conocemos su funcin media y su autocovarianza (o auticorrelacin) Estacionariedad en sentido dbil = estacionariedad en sentido estricto Un proceso es independiente C(ti,tj)=0 Ejercicio. Febrero 2003 Ej i i F b Sean X e Y dos VA independientes y normales con media 0 y varianza 1, se define el proceso gaussiano: Z(t)=Xcos(2t)+Ysin(2t)
x1 0 -1 1 2
46
-3 -2 -1 0 tiempo 1 2 3
5 Ejemplos
Procesos Gaussianos Diremos que un proceso es gaussiano, si cualquier coleccin de VA del proceso tiene distribucin conjunta gaussiana El proceso est totalmente descrito si conocemos sufuncin media y su autocovarianza (o auticorrelacin) Estacionariedad en sentido dbil = estacionariedad en sentido estricto Un proceso es independiente C(ti,tj)=0 Ejercicio. Febrero 2003 Ej i i F b Sean X e Y dos VA independientes y normales con media 0 y varianza 1, se define el proceso gaussiano: Z(t)=Xcos(2t)+Ysin(2t) a) Determine la funcin de p ) probabilidad conjunta de Z(t1) y Z(t2). j ( ( ) b) Estudie la estacionariedad en sentido dbil y estricto.
5 Ejemplos
Procesos Autorregresivos Un proceso autorregresivo de orden 1, AR(1), tiene la siguiente forma:
X (t ) = c + X (t 1) + t t ~ N (0, 2 )
E [X (t )] =
= 0 .7
-2
c 1
Var[X (t )] =
2 1 2
C X ( ) =
2 1 2
-4
-2
2 0
4 0
6 0
8 0
1 0 0
0 .5
-3
-2
-1
2 0
4 0
6 0
8 0
1 0 0

Pro Ceos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Pro Ceos

Cargado por

Copyright:

Formatos disponibles

Procesos Estocsticos

Al final del tema el alumno ser capaz de:

1 Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

5 Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

8 Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

10 Estadstica. Profesora Mara Durbn

Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

Dibuje una realizacin del proceso y especifique los espacios T y S.

Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

13 Estadstica. Profesora Mara Durbn

Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

2 Estadsticos de un proceso estocstico

Estadstica. Profesora Mara Durbn

2 Estadsticos de un proceso estocstico

2 Estadsticos de un proceso estocstico

= E [ cos(2 ft + B ) | B = 0] Pr( B = 0) + E [ cos(2 ft + B ) | B = 1] Pr( B = 1) = p cos(2 ft) + qE [ cos(2 ft + ) ] (2 E (2

Calcule la funcin valor medio del proceso estocstico X(t)

19 Estadstica. Profesora Mara Durbn

2 Estadsticos de un proceso estocstico

2 Estadsticos de un proceso estocstico

((xx ((tt)))) ff((xx,,tt))dxdx

R X (t1 , t 2 ) = E[X (t1 )X (t 2 )] =

x2 (t ) = E [X (t ) 2 ] E[X (t )]2 = E [X (t ) 2 ] [ x (t )]2

Potencia del proceso

2 Estadsticos de un proceso estocstico

2 Estadsticos de un proceso estocstico

C X (t1 , t 2 ) = E [( X (t1 ) x (t1 ) ) ( X (t 2 ) x (t 2 ) )] =

(x X (t1 )) ( y X (t2 )) f X (t1 ), X (t2 ) ( x, y) dxdy

C x (t1 , t 2 ) = RX (t1 , t 2 ) x (t1 ) x (t 2 )

2 Estadsticos de un proceso estocstico

2 Estadsticos de un proceso estocstico

E[X (t ) Y (t )] = E[X (t )] E[Y (t )]

RXY (t1 , t 2 ) = X (t1 ) Y (t 2 )

Estadstica. Profesora Mara Durbn

O tambin como, Cov (Z,T) = CX(5, 8) = RX(5, 8) x(5)x(8) = 4e0.6

26 Estadstica. Profesora Mara Durbn

2 Estadsticos de un proceso estocstico

28 Estadstica. Profesora Mara Durbn

3 Estacionariedad de un proceso estocstico

3 Estacionariedad de un proceso estocstico

El nmero medio de llamadas no es constante, depende de d t

El mecanismo fsico que genera el experimento no cambia con el tiempo

29 Estadstica. Profesora Mara Durbn

Estadstica. Profesora Mara Durbn

3 Estacionariedad de un proceso estocstico

3 Estacionariedad de un proceso estocstico

f ( x1 ,....xn ; t1 ,..., tn ) = f ( x1 ,....xn ; t1 + ,..., tn + )

La media del proceso se mantiene constante

puede ser estacionario

Estacionariedad en sentido dbil o amplio p