Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TallerUnidad4_ProcesosEstocasticos
TallerUnidad4_ProcesosEstocasticos
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:
Desarrollo
a) 𝑃(𝑋(𝑡+1)=0 | 𝑋(𝑡)=0)=0.25;
𝑃(𝑋(𝑡+1)=1 | 𝑋(𝑡)=1)=0.35
1
t R= 6
1 ×10
−6
t R =1× 10
t R =1 μ s
b)
1-β= 0.35
β
1
1-α= 0.25
0 α
β= 1- 0.35 = 0.65
α = 1- 0.25 = 0.75
[ ]
c) p 00 p01
P=
p 10 p11
P=
[ 1−αβ α
1−β
= ] [
0.25 0.75
0.65 0.35 ]
d) Halle los valores de:
P=
3
[ 0.25
0.65
0.75
0.35 ][
=
0.43 0.57
0.494 0.506 ]
La probabilidad de pasar del estado 1 al 0 en tres pasos 0.494
4
P=
[ 0.25
0.65
0.75
0.35 ][
=
0.478 0.522
0.4524 0.5476 ]
La probabilidad de pasar del estado 0 al 1 en cuatro pasos 0.522
Desarrollo
22
λ= =22
1
a.
( λ h )k
P ( N ( t+h )−N ( t ) =k ) =e−λ h ; k =0 ,1 , 2 , …
k!
10
( 22∙( 0.5) )
P ( N ( t+0.5 )−N ( t )=10 )=e−22∙(0.5) =0.119
10 !
2
c. Calcule: i. E[( N ( 2 )−N ( 1 ) ) ] ii. 𝑅𝑋(1, 2)
ci. X =N ( 2 )−N ( 1 )
X Poi ( λ Poi =22 ( 2−1 ) )
X Poi ( λ Poi =22 )
E [ X 2 ] =σ 2X + μ 2X
E [ X 2 ]= λ Poi + λ 2Poi
E [ X 2 ]=22+ ( 22 )
2
E [ X 2 ]=506
cii. R X ( t 1 ,t 2 )= λ min { t 1 , t 2 } + λ t 1 t 2
2
2
R X ( 1 , 2 )=22 min { 1 ,2 }+ ( 22 ) ∙1 ∙ 2
2
R X ( 1 , 2 )=22 ∙1+ (22 ) ∙1 ∙ 2
R X ( 1 , 2 )=990
P (N ( 2 )=25 ∩ N ( 1 )=25)
𝑃(𝑁(2)=35| 𝑁(1)=25) ¿
P¿ ¿
−22 ∙1 10 ❑
e ∗( 22∙ 2 )
10 !
𝑃(𝑁(2)=35| 𝑁(1)=25) ¿ −22 ∙1 25
=0.03122
e ∗( 22∙ 2 )
25 !
3. Sea 𝑋(𝑡) un proceso normal para 𝑡≥0 con E[𝑋(𝑡)]=1 y R X ¿ )=max{t 1 , t 2}para 0<t 1
<t 2.
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).
Desarrollo:
2
a. Distribución primer orden: X (t) N (μ X ( t ) , σ X (t ) )
μ X (t )=E [ X ( t ) ] =1
2 2
σ ( t ) =R X ( t , t )−μ X ( t )
X
2 2
σ ( t ) =max { t , t }−( 1 )
X
2
σ X ( t ) =t−1
2
X ( t ) N (μ=1 , σ =t −1)
[]
μ X (t ) 1
m X = μ X (t ) 2
⋮
μX(t ) n
mX=
[ 11]
[ ]
2
σ X(t ) 1
σ X ( t ) X (t ) … σ X ( t ) X (t )
1 2 1 n
2
σ X (t ) X ( t ) σ … σ X ( t ) X (t )
M X= 1 2 X ( t2 ) 2 n
⋮ ⋮ ⋱ ⋮
2
σ X (t ) X ( t ) σ X ( t ) X (t ) …
1 n 2 n
σ X(t )n
M X=
[ σ 2X ( t )
1
σ X (t ) X ( t )
1 2
σ X (t ) X ( t )
σ 2
1
X ( t2 )
2
]
2 2
σ X ( t ) =R X ( t , t )−μ X ( t )
2
σ X ( t ) =t−1
σ X (t ) X ( t )=R X ( t ,t )−μ ( t 1 ) . μ ( t 2 )
1 2
σ X (t ) X ( t )=max {t 1 ,t 2 }−1.1
1 2
σ X (t ) X ( t )=t 2−1
1 2
M X=
[ t1
t 2−1
t 2−1
t2 ]
b. Determine el valor de 𝐸[3𝑋(0)+2𝑋(1)−4𝑋(2)+5].
𝐸[3𝑋(0)+2𝑋(1)−4𝑋(2)+5] =E[3𝑋(0)]+E[2𝑋(1)]-E[4𝑋(2)]+E[5]
𝐸[3𝑋(0)+2𝑋(1)−4𝑋(2)+5] =3E[𝑋(0)]+2E[𝑋(1)]-4E[𝑋(2)]+5
𝐸[3𝑋(0)+2𝑋(1)−4𝑋(2)+5] =3*1+2*1-4*1+5
𝐸[3𝑋(0)+2𝑋(1)−4𝑋(2)+5] = 6
c. Calcule 𝑃(3𝑋(0)+2𝑋(1)−4𝑋(2)+5>4).
[]
1
E [ Y ] =[ 3 2 −4 ] 1 +5
1
[]
T
3
a=[ 3 2 −4 ] = 2
−4
b=5
Var [ Y ] =a ∙ M X ∙ a
T
[ ][ ]
3 0 0 0
Var [ Y ] = 2 ∙ 0 1 0 ∙ [ 3 2 −4 ]
−4 0 0 2
Var [ Y ] =36
Y N ( μ=1 , σ 2=36 )
( )
2
+∞ y−1
−
1
P ( Y >4 )=∫ e √36 dy=0.353553
1 √36 √ 2 π
4. Parte D. Procesos Sinusoidales
Sea la señal 𝑋(𝑡)=10cos(600𝜋𝑡+𝛩) donde la amplitud y la frecuencia son constantes; la
fase 𝛩es una variable aleatoria continua uniforme tal que 𝛩~𝑈𝑛𝑖 (0,2𝜋).
a. Determine:
i. 𝐸[𝑋(𝑡)]
ii. ii. 𝑅𝑋(𝑡,𝑡+𝜏)
i. varianzas
ii. autocovarianzas
iii. coeficiente de correlación
Desarrollo
a. Determine
ai. 𝐸[𝑋(𝑡)]=
aii. 𝑅𝑋(𝑡,𝑡+𝜏)
R X ( t ,t +τ )=E [ X ( t ) ∙ X ( t+ τ ) ]
R X ( t ,t +τ )=E ¿
R X ( t ,t +τ )=0
bi. varianzas
2π
Var [ X ( t ) ] =∫ (10 cos ( 600 πt+θ ))
0
2
( 2 π1−0 )dθ
Var [ X ( t ) ] =50
bii. Covarianzas
Cov [ X ( t ) ∙ X ( t +τ ) ] =R X ( t , t+ τ )−μ X ( t ) ∙ μ X ( t+ τ )
Cov [ X ( t ) ∙ X ( t +τ ) ] =0
Cov [ X ( t ) ∙ X ( t +τ ) ] 0
ρ= = =0
√ Var [ X ( t ) ] Var [ X ( tt+ τ ) ] √50∗50