Professional Documents
Culture Documents
Procesos Estocsticos
Referencias:
1 IIntroduccin
t d
i y conceptos
t b
bsicos
i
1
Estadstica. Profesora Mara Durbn
Procesos Estocsticos
1 IIntroduccin
t d
i y conceptos
t b
bsicos
i
Por ejemplo,
ejemplo estudiamos el nmero de llamadas que se producen en una
central telefnica.
4
Estadstica. Profesora Mara Durbn
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).
=2
=16
PROCESO ESTOCSTICO
Se define el proceso estocstico X(t) como el nmero de llamadas
que se producen
d
en lla centralita
t lit en ell ti
tiempo (0
(0,t).
t)
As, para cada valor de t que se elija, tendremos una variable aleatoria
distinta, con forma similar pero distinto valor
distinta
valor.
Ejemplos
Proceso Estocstico
La seal de informacin,
informacin tiene pulsos de voz de duracin
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.
a) X(x
X(x,t)
t) es una familia de funciones temporales
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.
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 se pueden utilizar sus propiedades estadsticas
matemtica,
8
Estadstica. Profesora Mara Durbn
Espacio de tiempos, T
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.
Discreto
Continuo
Discreto
Continuo
10
Estadstica. Profesora Mara Durbn
En general:
entero
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
para
pa
a completar
co p eta la
a ta
tarea
ea sab
sabiendo
e do que ya ha
a co
consumido
su do t minutos.
utos
11
Estadstica. Profesora Mara Durbn
12
=1/36
FX ( x, t ) = P( X (t ) x)
0
20
40
60
tiempo
13
Estadstica. Profesora Mara Durbn
f ( x, t ) =
dFX ( x, t )
dx
14
De igual modo:
Se de
define
e la
a funcin
u c de d
distribucin
st buc de segu
segundo
do o
orden
de
del proceso X(t) como
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
16
Estadstica. Profesora Mara Durbn
Procesos Estocsticos
x f ( x, t ) dx
En el caso complejo:
E[Z (t )] = E[ X (t )] + j E[Y (t )]
Caracterstica:
Para cada t, se tiene una VA distinta una media distinta
5 Ejemplos
La media es,
es en general
general, una funcin dependiente del tiempo
17
Estadstica. Profesora Mara Durbn
18
Estadstica. Profesora Mara Durbn
Ejemplo 4
Ejercicio 1
Un transmisor enva pulsos rectangulares de altura y posicin
aleatorias. Cada pulso transmitido corresponde a una realizacin del
proceso estocstico
p
E [ X (t ) ] = E [ cos(2
( fft + B ) ]
h(t)=
E [ cos(2 ft + ) ] =
/2
/ 2
1
2
cos(2 ft + ) = cos(2 ft )
0, en el resto.
x (t ) = p + q cos ( 2 f t )
1, 0<t<1,
19
20
Estadstica. Profesora Mara Durbn
Varianza
Correlacin
O esperanza del producto de Variables Aleatorias como funcin de dos
variables temporales tk y ti dada por:
Recordamos:
+
+
xx
V [ X ] = E X 2 ( E [ X ])
Var
x1 x 2 f ( x1 , x 2 ; t1 , t 2 ) d x1 d x 2
R X (t , t ) = E ( X (t )) = x 2 f ( x; t ) d x
2
Covarianza
R (t , u ) RXY (t , u )
R (t , u ) = X
RYX (t , u ) RY (t , u )
+ +
E ell caso d
En
de que tk = ti se tiene
ti
lla varianza
i
d l proceso estocstico.
del
t ti
E X (t ) 2 E [ X (t )Y (t ) ]
R (t , t ) =
E [Y (t ) X (t ) ]
Y (t ) 2
E
RXY (t , u ) = E [ X (t )Y (u ) ]
22
Estadstica. Profesora Mara Durbn
23
24
Estadstica. Profesora Mara Durbn
Ejemplo 4
Independencia
2) Varianzas
3) Covarianzas
Ortogonalidad
Dos procesos X(t) e Y(t) son ortogonales si RXY(t1, t2)=0 para cualquier valor
de t1 y t2.
C XY (t1 , t 2 ) = X (t1 ) Y (t 2 )
25
26
Estadstica. Profesora Mara Durbn
Procesos Estocsticos
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)],
E[X(t)] Var[X(t)],
Var[X(t)] E[X(t)2].
]
b) Indique si cada una de las funciones del aparatado anterior
depende del tiempo o no e interprete el resultado.
5 Ejemplos
27
Estadstica. Profesora Mara Durbn
28
Estadstica. Profesora Mara Durbn
x2
x1
20
El nmero medio de
llamadas no es
constante, depende
d t
de
15
10
No estacionario
29
Estadstica. Profesora Mara Durbn
9 10 11 12 13 14 15 16 17 18 19 20
tiempo
30
Ejemplo 6
puede ser
estacionario
32
Estadstica. Profesora Mara Durbn
E [ X (t ) ] =
E [ X (t ) ] =
((independiente
p
del tiempo)
p )
((independiente
p
del tiempo)
p )
Propiedades:
Propiedades:
La potencia E X (t ) no depende de t
ya que E X (t ) 2 = RX (0)
2
RX ( ) = RX ( )
dbil
ya
aq
que
e
RX ( ) = E [ X (t ) X (t ) ] = E [ X (t ) X (t ) ] = RX ( ) 33
34
Estadstica. Profesora Mara Durbn
Ejemplo 7
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
1
d = 0
2
-5
Utilizando:
-10
20
40
tiempo
60
35
36
Estadstica. Profesora Mara Durbn
Ejemplo 7
Ejercicio
1
d = 0
2
A2
E [cos((2 / 24)(2t + ) + 2 ) + cos((2 / 24 ) )]
2
A2
=
cos((2 / 24) )
2
Es dbilmente estacionario
37
38
Estadstica. Profesora Mara Durbn
Procesos Estocsticos
M X =T lim
uuur
1
2T
X (t )dt =T lim
uuur T
AX =T lim
uuur
5 Ejemplos
1
2T
X (t ) X (t + )dt
40
Estadstica. Profesora Mara Durbn
Ejemplo 7
Se considera el proceso X(t)=a cos(wt)+b sin(wt)
sin(wt), donde a y b son dos VA
independientes uniformemente distribuidas en [-1,1], estudie la
ergodicidad en media y autocorrelacin.
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
g
en media
1 T
T =
At = A 0
2T T
41
a sin (wT )
(a cos(wt ) + b sin(wt ))dt = wT lim
T
1
RX ( ) = E [ X (t ) X (t + ) ] = cos( w )
3
1 T
X (t ) X (t + )t
T
2T Estadstica.
Profesora Mara Durbn
T = 0
Es ergdico en media
sin
i ( ) = sin
i ( ) cos( ) cos( )sin
i ( )
42
Procesos Estocsticos
1 IIntroduccin
t d
i y conceptos
t b
bsicos
i
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
di id d en media
di y autocorrelacin.
t
l i
1 T
(a cos(wt ) + b sin (wt ))dt = a sin (wT ) limT T = 0
T
2T
wT
1
RX ( ) = E [ X (t ) X (t + ) ] = cos(( w )
3
N es ergdico
No
di en
1 T
1 2
autocorrelacin
2
X (t ) X (t + )t = (a + b ) cos( w )
uuur
T lim
2T T Profesora Mara Durbn
2
Estadstica.
1
2T
T =
5 Ejemplos
43
44
Estadstica. Profesora Mara Durbn
5 Ejemplos
5 Ejemplos
Proceso de Poisson
Procesos Gaussianos
Ruido
x1
46
-2
45
Estadstica. Profesora Mara Durbn
5 Ejemplos
-3
-2
-1
tiempo
5 Ejemplos
Procesos Gaussianos
Procesos Autorregresivos
X (t ) = c + X (t 1) + t t ~ N (0, 2 )
E [X (t )] =
2
1 2
C X ( ) =
2
1 2
= 0 .7
-4
-2
Var[X (t )] =
c
1
2 0
4 0
6 0
8 0
1 0 0
2 0
4 0
6 0
8 0
1 0 0
0 .5
-3
-2
-1
47
Estadstica. Profesora Mara Durbn
48
Estadstica. Profesora Mara Durbn