ACTIVIDAD DE TRABAJO AUTÓNOMO

Datos generales
Nombre Docente Carlos Gencón
Asignatura Procesos Estocásticos Unidad No. 3
Unidad Análisis de procesos estocásticos Actividad No. 1
Tipo de actividad de trabajo autónomo
Ejercicios de Análisis de
Taller x Investigación
práctica caso
Control de
Ensayo Exposición Resumen
lectura
Ejercicios de
Artículo Proyecto Análisis de datos
aplicación

Datos de la actividad
Objetivo: El objetivo de este taller es aplicar diferentes modelos de procesos estocásticos en
la resolución de problemas.
Tema de la actividad: Análisis de procesos estocásticos
Descripción: El taller consta de cuatro partes, en las que se requiere diferentes niveles de
habilidad en la aplicación de los conceptos descritos en el objetivo.
Orientaciones metodológicas: Para desarrollar esta tarea se deberá revisar el material
proporcionado en la materia durante la Unidad 3.
Orientaciones prácticas (consideraciones y pasos a seguir para entregar la actividad):

• Formato: Formato PDF

• Fecha máxima de entrega: detallada en la Ruta de Aprendizaje
• Nombre del archivo: Nombre_Apellido_PE_Taller3.pdf
• Extensión mínima: Las páginas que sean necesarias


UNIDAD III: ANÁLISIS DE PROCESOS ESTOCÁSTICOS

Parte A. Procesos de Márkov

1. Sea 𝑋(𝑡) una cadena de Márkov de tiempo discreto T: 𝑡 = 0, 1, 2, … donde 𝑡 se mide en

microsegundos 𝑋(𝑡) modela el estado de la entrada serial de un canal de comunicación con tasa de
recepción de 1 Mbps. Se conocen las probabilidades de transición entre estados de la entrada serial:
𝑃(𝑋(𝑡 + 1) = 0 | 𝑋(𝑡) = 0) = 0.25; 𝑃(𝑋(𝑡 + 1) = 1 | 𝑋(𝑡) = 1) = 0.35
Determine:
a. El tiempo de llegada entre bits.
b. Construya un diagrama de estados y probabilidades de transición para 𝑋(𝑡).
c. Escriba la matriz probabilidad de transición de un paso.
d. Halle los valores de:
i. 𝑃(𝑋(3) = 0 | 𝑋(0) = 1) ii. 𝑃(𝑋(6) = 1 | 𝑋(2) = 0)
a.- El tiempo de llegada entre bits: Dado que la tasa de recepción del canal de comunicación
es de 1 Mbps (megabit por segundo), el tiempo de llegada entre bits es el tiempo necesario para
transmitir un solo bit. Dado que 1 Mbps significa 1 millón de bits por segundo, el tiempo de
llegada entre bits es de 1/1,000,000 segundos, que es equivalente a 1 microsegundo.

b.- Diagrama de estados y probabilidades de transición: El diagrama de estados y

probabilidades de transición para X(t) es:

ESTADO 0 ESTADO 1
0,25 0,35

0,65 0,75

c.- Matriz de probabilidad de transición de un paso: La matriz de probabilidad de transición

de un paso P es:

d.-
Para calcular P(X(3)=0∣X(0)=1), elevaremos la matriz de transición P a la tercera potencia y
tomaremos el elemento P21.

Para calcular P(X(6)=1∣X(2)=0), elevaremos la matriz P a la sexta potencia y tomaremos el

elemento P12.

Ahora, procedamos a calcular estos valores.

Primero, elevaremos la matriz de transición P a la tercera potencia para calcular

P(X(3)=0∣X(0)=1):

P3=P×P×P

Después de realizar los cálculos, obtendremos P(X(6)=1∣X(2)=0)=(P6)12.

P(X(3)=0∣X(0)=1)≈0.447882

P(X(6)=1∣X(2)=0)≈0.631779

Por lo tanto:
i. P(X(3)=0∣X(0)=1)≈0.447882

ii. P(X(6)=1∣X(2)=0)≈0.631779

Parte B. Procesos de Poisson

2. El número paquetes 𝑁(𝑡) que llegan al puerto de un router en el intervalo 𝑡 ≥ 0 medido en

milisegundos, es un proceso de Poisson de tasa 22 paquetes por cada milisegundo.

a. El tiempo de actualización de un servidor es de 0.5 ms, ¿cuál es la probabilidad

de que lleguen 10 paquetes en este tiempo?

b. Determine el número medio de paquetes que llegan entre 1 y 2 milisegundos.

2
c. Calcule: i. E [(𝑁(2) − 𝑁(1)) ] ii. 𝑅𝑋(1, 2)

d. Calcule la probabilidad del suceso “Llegan 25 paquetes durante los primeros

2 milisegundos y 20 paquetes los siguientes 2 milisegundos”

e. Determine 𝑃(𝑁(2) = 35 | 𝑁(1) = 25)

a. Probabilidad de que lleguen 10 paquetes en un tiempo de actualización de 0.5 ms:

Dado que el número de paquetes que llegan sigue un proceso de Poisson con una tasa de
llegada de 22 paquetes por milisegundo, podemos usar la fórmula de la distribución de
Poisson.

Donde λ es la tasa de llegada y k es el número de eventos que estamos interesados en calcular

la probabilidad. En este caso, λ=22⋅0.5=11, ya que estamos considerando un intervalo de
tiempo de 0.5 ms.
Por lo tanto, la probabilidad de que lleguen 10 paquetes en este tiempo sería:

b. Número medio de paquetes que llegan entre 1 y 2 milisegundos.

Dado que el proceso de Poisson es homogéneo, el número medio de paquetes que

llegan en un intervalo de tiempo es simplemente la tasa de llegada multiplicada por la
duración del intervalo. Entonces, para el intervalo de tiempo de 1 a 2 ms, el número
 medio de paquetes sería ⋅(2−1)=22λ⋅(2−1)=22 paquetes.
c.

i. E[(N(2)−N(1))2]:

Para el proceso de Poisson, la varianza de N(t) en un intervalo de tiempo t es igual a

λ⋅t. Por lo tanto, la varianza de N(1) a N(2) sería λ⋅(2−1)=22.

ii. RX(1,2):

Esto se refiere a la función de autocorrelación del proceso de Poisson, que es igual a

su varianza. Por lo tanto, RX(1,2)=22.
d.

Para calcular esta probabilidad, necesitamos considerar que los eventos de los
primeros 2 milisegundos y los siguientes 2 milisegundos son independientes. La
probabilidad se calculará multiplicando las probabilidades individuales.
e.

Para calcular esta probabilidad condicional, usaremos la propiedad de independencia

de los incrementos del proceso de Poisson. La diferencia entre N(2) y N(1) sigue una
distribución de Poisson con parámetro λ⋅(2−1)=22. Entonces, la probabilidad pedida
sería P(X=35−25).

Parte C. Procesos Gaussianos

a. Sea 𝑋(𝑡) un proceso normal para 𝑡 ≥ 0 con E[𝑋(𝑡)] = 1 y 𝑅𝑋(𝑡1, 𝑡2) = max{𝑡1, 𝑡2} para 0 <
𝑡1 < 𝑡2.

a. Halle las distribuciones de primer y segundo orden.

b. Determine el valor de 𝐸[3𝑋(0) + 2𝑋(1) − 4𝑋(2) + 5].

c. Calcule 𝑃(3𝑋(0) + 2𝑋(1) − 4𝑋(2) + 5 > 4).

d.

a. Distribuciones de primer y segundo orden:

Dado que se nos da E[X(t)]=1, podemos asumir que X(t) tiene una media constante de 1 para
todo t.
Para la función de autocorrelación RX(t1,t2)=max{t1,t2}, podemos encontrar la función de
autocovarianza CX(t1,t2) utilizando la relación CX(t1,t2)=RX(t1,t2)−μX(t1)μX(t2), donde μX(t)
es la media de X(t).
Para t1<t2, tenemos:
CX(t1,t2)=max{t1,t2}-1
Para t1=t2, la autocovarianza es simplemente la varianza, que es CX(t,t)=t−1
La distribución de primer orden para X(t) es normal con media μ=1 y varianza σ2=t−1

La distribución de segundo orden está completamente caracterizada por su media y su función

de autocovarianza CX(t1,t2).

b. Valor de E[3X(0)+2X(1)−4X(2)+5]:

Dado que X(t) es un proceso normal, su valor esperado es simplemente su media en cualquier
punto de tiempo. Entonces:
E[3X(0)+2X(1)−4X(2)+5]=3E[X(0)]+2E[X(1)]−4E[X(2)]+5

=3⋅1+2⋅1−4⋅1+5=3+2−4+5=6=3⋅1+2⋅1−4⋅1+5=3+2−4+5=6

c. Probabilidad de 3X(0)+2X(1)−4X(2)+5>4:
Dado que X(t) es un proceso normal, la combinación lineal 3X(0)+2X(1)−4X(2) también sigue
una distribución normal. Por lo tanto, podemos calcular la probabilidad utilizando la
distribución normal acumulada.

P(3X(0)+2X(1)−4X(2)+5>4)=P(3X(0)+2X(1)−4X(2)>−1)

Ahora, calcularemos la media y la varianza de 3X(0)+2X(1)−4X(2), y luego utilizaremos estas

estadísticas para calcular la probabilidad utilizando la función de distribución acumulada de la
distribución normal estánda

Parte D. Procesos Sinusoidales

Sea la señal 𝑋(𝑡) = 10 cos(600𝜋𝑡 + 𝛩) donde la amplitud y la frecuencia son constantes; la fase
𝛩 es una variable aleatoria continua uniforme tal que 𝛩 ~ 𝑈𝑛𝑖 (0, 2𝜋).

a. Determine:
i. 𝐸[𝑋(𝑡)] ii. 𝑅𝑋(𝑡, 𝑡 + 𝜏)
b. De lo anterior halle la función de:
i. varianzas ii. autocovarianzas iii. coeficiente de correlación

a. i. E[X(t)]:

E[X(t)]=E[10cos(600πt+Θ)]
Dado que la esperanza es un operador lineal, tenemos:

E[X(t)]=10⋅E[cos(600πt+Θ)]

Dado que ΘΘ es una variable aleatoria uniforme entre 0 y 2π, la esperanza de cos(600πt+Θ) es
cero, ya que la media de cos⁡(Θ)cos(Θ) es cero.

Entonces, E[X(t)]=0.

ii. RX(t,t+τ):

Para el cálculo de la función de autocovarianza, primero necesitamos definir la señal

X(t+τ):

X(t+τ)=10cos(600π(t+τ)+Θ)

RX(t,t+τ)=E[X(t)X(t+τ)]

Dado que ΘΘ es uniformemente distribuida en el intervalo [0,2π], no hay correlación entre

X(t) y X(t+τ) debido a la aleatoriedad de ΘΘ. Por lo tanto, RX(t,t+τ)=0 para cualquier valor de
τ.
b.

i. Función de varianzas
Dado que E[X(t)]=0, la varianza de X(t) es simplemente la esperanza del cuadrado de X(t):

Var[X(t)]=E[X(t)2]=E[(10cos(600πt+Θ))2]

=E[100cos2(600πt+Θ)]

=100⋅E[cos2(600πt+Θ)]
=100⋅1/2
=50=50
Entonces, Var[X(t)]=50

ii. Función de autocovarianzas:

Dado que RX(t,t+τ)=0, la autocovarianza de X(t) para cualquier t y τ es cero.
Cov[X(t),X(t+τ)]=RX(t,t+τ)−E[X(t)]E[X(t+τ)]=0−0⋅0=0
Entonces, Cov[X(t),X(t+τ)]=0.

iii. Coeficiente de correlación:

El coeficiente de correlación ρ se define como:
Dado que Cov[X(t),X(t+τ)]=0 y Var[X(t)]=Var[X(t+τ)]=50, tenemos:

Entonces, el coeficiente de correlación ρ=0.