02 Pest Tiempo

Anlisis de procesos estocsticos en el dominio del tiempo
Anlisis de procesos estocsticos en el dominio del

tiempo
F. Javier Cara
ETSII-UPM
Curso 2012-2013
Contenido
Introduccin
Procesos estocsticos
Variables aleatorias
Una variable aleatoria
Dos variables aleatorias
Caracterizacin de procesos estocsticos
Procesos estocsticos estacionarios
Procesos estocsticos ergdicos
Procesos estocsticos Gausianos
Ejemplos de modelos de procesos estocasticos
Proceso estocstico ruido blanco
Procesos MA(q)
Procesos AR(p)
Estimacin de los parmetros de un proceso estocstico
Estimacin de parmetros de procesos estocsticos: Mtodo general
Estimacin de parmetros de procesos estacionarios
Estimacin de parmetros de procesos ergdicos
Estimacin de parmetros de procesos AR(p)

Introduccin
v (m/s)
v (m/s)
5
0
5
v (m/s)
5
0
5
v (m/s)
5
0
5
5
0
5
v (m/s)
5
0
5
v (m/s)
Velocidad del viento (Puente del Tablate)

0
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
100
200
300
400
500
100
200
300
Tiempo (seg)
400
500
5
0
5

Introduccin
Tenemos que:
Se ha registrado un dato cada 0.25 segundos durante 10 minutos
Seales discretas.
Podemos organizar los datos en forma matricial
v1 (t)
v1 (t1 ) v1 (t2 ) v1 (t3 ) v1 (t2400 )
v2 (t) v2 (t1 ) v2 (t2 ) v2 (t3 ) v2 (t2400 )
v3 (t) v3 (t1 ) v3 (t2 ) v3 (t3 ) v3 (t2400 )
(1)
v4 (t) v4 (t1 ) v4 (t2 ) v4 (t3 ) v4 (t2400 )
v5 (t) v5 (t1 ) v5 (t2 ) v5 (t3 ) v5 (t2400 )

v6 (t)
vn (t1 ) vn (t2 ) vn (t3 ) vn (t2400 )
El valor que estamos registrando en un instante de tiempo ti
depende de la seal que observemos, vj (ti ) 6= vk (ti ). Son variables
aleatorias.
El conjunto de los datos registrados (1) provienen de un proceso
estocstico o aleatorio.

Un proceso estocstico es una secuencia de variables aleatorias.
El trmino proceso estocstico puede hacer referencia tanto al

proceso que genera la secuencia como a la secuencia misma.
Se representa como {X (k) , k K }.
es el espacio muestral, el conjunto de valores posibles que puede

tomar {X (k)}.
k es el indice que hace referencia a la posicin dentro de la
secuencia, y toma valores en K .
La secuencia puede ser a lo largo del tiempo, o posiciones a lo largo

de una linea, o en general, parametros que indican posicin relativa.
Nosotros vamos a estudiar procesos estocsticos en los que k indica
tiempo, es decir, {X (k)} son valores registrados a lo largo del
tiempo. Por esta razn tambin se les conoce como seales, y
tambin como series temporales.
Una realizacin del proceso son los valores que toman las variables
aleatorias en un experimento determinado.
5

En el caso del puente, tenemos una secuencia

v1 (t)
v1 (t1 ) v1 (t2 ) v1 (t3 )
v2 (t) v2 (t1 ) v2 (t2 ) v2 (t3 )

vn (t)
v6 (t1 ) vn (t2 ) vn (t3 )

{V (t)} = V (t1 ) V (t2 )
de variables aleatorias:
v1 (t2400 )
v2 (t2400 )
(2)

vn (t2400 )
V (t3 )

V (t2400 )
(3)
V (tj ) es la variable aleatoria velocidad registrada en el instante de

tiempo tj .
Una observacin de los valores de las variables aleatorias se conoce
como realizacin del proceso estocstico. Cada realizacin es nica.

Realizacin i vi (t) = vi (t1 ) vi (t2 ) vi (tj ) vi (t2400 )
El proceso estocstico viento se representa como
{V (tk ) R, k N}.

Una variable aleatoria es una funcin que asigna un nmero real al
resultado de un experimento aleatorio.
Al lanzar dos monedas al aire, los resultados posibles son

{CC , CX , XC , XX }
Se puede definir la siguiente variable aleatoria:
C : nmero de caras que se obtienen al lanzar dos monedas al
aire.C {0, 1, 2} variable aleatoria discreta.
La mayora de las veces el resultado del experimento aleatorio ya es
un nmero, por lo que la variable aleatoria es dirctamente el
resultado:
H: altura de una persona elegida al azar. H (0, +) variable
aleatoria continua.
En general, las variables donde el resultado se cuenta son v.a.
discretas, y cuando el resultado se mide son v.a. continuas. Nosotros
trabajamos con medidas de sensores v.a. continuas!
7

Toda variable aleatoria X tiene asociada una funcin de densidad de

probabilidad, fX (x), que cumple que:
Funcin de densidad de probabilidad
fX (x) 0 para todo x.

R +
fX (x)dx = 1.
Rb
P(a x b) = a fX (x)dx .
Se define la esperanza o media de una variable aleatoria X continua como
Esperanza
E (x) =
x fX (x)dx
E (ax + b) = aE (x) + b
8

Se denomina varianza de una variable aleatoria X
Varianza
2
Var (X ) = E (X E (x))
(x E (x))2 fX (x)dx
Var (ax + b) = a2 Var (x)

2
Var (x) = E (x 2 ) (E (x))

Ejemplo
Sea X una variabla aleatoria con funcin de densidad de probabilidad
dada por la figura. Calcular la media y la varianza de X .
Segn la figura
fX (x) =
Como
Z
fX (x)dx = 1
a
x
2
a
a
xdx =
2
2
xdx = 1 a = 1
0
10

Por tanto
fX (x) =
E (x) =
x fX (x)dx =
+
x 2 fX (x)dx =
Var (x) = E (x E (x))

Z
1
1
x xdx =
2
2
E (x 2 ) =
1
x
2
1
1
x 2 xdx
2
2
x 2 dx =
4
3
x 3 dx = 2
0
(x E (x))2 fX (x)dx

2
4
1
2
x
xdx =
3
2
9
La varianza tambin se puede calcular mediante

2
2
4
=
Var (x) = E (x ) (E (x)) = 2
3
9
2
11

Distribuciones conjuntas
Sean dos variables aleatorias continuas X , Y :
Funcin de densidad de probabilidad conjunta
fXY (x, y ) 0 para todo x, y .

R + R +
f (x, y )dxdy = 1.
XY
RbRd
P(a x b, c y d) = a c fXY (x, y )dxdy .
Funciones de densidad marginales
fX (x) =
fY (y ) =
Z +
fXY (x, y )dy

fXY (x, y )dx
12

Las variables aleatorias X ,Y son independientes si y slo si

fXY (x, y ) = fX (x)fY (y )
Se define la covarianza de dos variables aleatorias X ,Y
Covarianza
Cov (X , Y ) = E ((X E (x))(Y E (y )))
Z + Z +
=
(X E (x))(Y E (y ))fXY (x, y )dxdy
Var (aX + bY ) = a2 Var (X ) + b 2 Var (Y ) + 2abCov (X , Y )

Cov (X , Y ) = E (XY ) E (X )E (Y )
E (XY ) se conoce como correlacin de X e Y , y es muy importante en el
estudio de los procesos estocsticos.
13

N variables aleatorias
X1
X2
X =

Xn
,F. densidad prob.: fX (X1 , X2 , . . . , Xn )
Se tiene que
E (X1 )
E (X2 )
E (X ) =

E (Xn )
Var (X1 )
Cov (X2 , X1 )
Var (X ) =
Cov (Xn , X1 )
Cov (X1 , X2 )
Var (X2 )
Cov (Xn , X2 )
Cov (X1 , Xn )
Cov (X1 , Xn )
Var (Xn , Xn )
14

Transformaciones lineales
Y = AX + b =

b1
X1
a11 a12 a1n
Y1
Y2 a21 a22 a2n X2 b2

=
+
bn
Xn
an1 an2 ann
Yn
E (Y ) = AE (X ) + b =

b1
E (X1 )
a11 a12 a1n
E (Y1 )
E (Y2 ) a21 a22 a2n E (X2 ) b2

= +
bn
E (Xn )
an1 an2 ann
E (Yn )
15

Transformaciones lineales
Var (Y ) = AVar (X )AT =
Var (Y1 )
Cov (Y , Y )
2
1
Cov (Yn , Y1 )
a11
a
21
=

an1
a12
a22
an2
Cov (Y1 , Y2 )
Var (Y2 )
Cov (Yn , Y2 )
a1n
Var (X1 )
a2n
Cov (X2 , X1 )

ann
Cov (Xn , X1 )
Cov (X1 , X2 )
Var (X2 )
Cov (Xn , X2 )
Cov (Y1 , Yn )
Cov (Y1 , Yn )
Var (Yn , Yn )
Cov (X1 , Xn )
a11
Cov (X1 , Xn )
a12

Var (Xn , Xn )
a1n
a21
a22
a2n
an1
an2

ann
Independencia
Las vaiables aleatorias X1 , X2 , , Xn son independientes si y slo si
fX (X1 , X2 , . . . , Xn ) = f (X1 ) f (X2 ) f (Xn )
16

Procesos estocsticos (rep.)

Un proceso estocstico es una secuencia de variables aleatorias.

x1 (t)
x1 (t1 ) x1 (t2 ) x1 (t3 )
x2 (t) x2 (t1 ) x2 (t2 ) x2 (t3 )
=
xn (t1 ) xn (t2 ) xn (t3 )

xn (t)

{X (t)} = X (t1 )
X (t2 ) X (t3 )
x1 (tN )
x2 (tN )

xn (tN )

X (tN )
En nuestro caso, X (tj ) es la variable aleatoria aceleracin registrada

en el instante de tiempo tj .
Una observacin de los valores de las variables aleatorias se conoce
como realizacin del proceso estocstico. Cada realizacin es nica.

Realizacin i xi (t) = xi (t1 ) xi (t2 ) xi (tj ) xi (tN )
La coleccin de realizaciones se denota con {X (t)}.
17


En general, una nica realizacin xi (t) no puede ser usada para
representar un proceso estocstico.
Para caracterizar completamente un proceso estocstico {X (t)} es
necesario conocer la funcin de densidad de probabilidad conjunta:
fX (X (t1 ), X (t2 ), , X (tN ))
para todo tj .
Cada X (tj ) es una variable aleatoria continua.

Si el proceso est completamente caracterizado podramos calcular
(en trminos de probabilidad!) que valor toma cada variable
aleatoria.
En el caso del puente, podramos calcular cul es la aceleracin en el
instante t = tj , con una probabilidad igual a p.
Pero en la prctica es imposible calcular la funcin de densidad de
probabilidad conjunta.
18

En su lugar se utilizan los siguientes parmetros estadsticos:
Funcin de medias:
X (tj ) = E (X (tj )) =
xfX (tj ) (x)dx
(4)
n
1X
X (tj ) = lim
xi (tj )
n n
(5)
i=1
La Ecuacin (4) se utiliza cuando se conoce la funcin de densidad

de probabilidad de X (tj ) y la Ecuacin (5) se utiliza cuando se
conocen los valores que toma X (tj ) en infinitas realizaciones.
Funcin de valor cuadrtico medio (- RMS):
Z +

x 2 fX (tj ) (x)dx
X2 (tj ) = E X 2 (tj ) =
n
1X 2
xi (tj )
n n
X2 (tj ) = lim
i=1
19

Funcin de varianzas (- desviacin tpica):

Z +

2
(x X (tj ))2 fX (tj ) (x)dx
X2 (tj ) = E (X (tj ) X (tj )) =
n
1X
(xi (tj ) X (tj ))2
n n
X2 (tj ) = lim
i=1
Recordad que se cumple

2
2 = E (x 2 ) (E (x)) = 2 2
Funcin de autocorrelacin:
RXX (tj , tk ) = E (X (tj )X (tk )) =
xj xk fX (tj )X (tk ) (xj , xk )dx
n
1X
RXX (tj , tk ) = lim
xi (tj )xi (tk )
n n
i=1
20

Funcin de autocovarianza:
XX (tj , tk ) = cov (X (tj ), X (tk )) = E ((X (tj ) X (tj )) (X (tk ) X (tk ))) =
= E (X (tj )X (tk )) X (tj )X (tk ) =
= RXX (tj , tk ) X (tj )X (tk )
Por lo tanto, la funcin de autocovarianza y la funcin de

autocorrelacin estn relacionadas por la ecuacin anterior. Las
ventajas de trabajar con la funcin de autocorrelacin quedarn
patentes al estudiar la seal en frecuencias.
La funcin de varianza est contenida en la funcin de
autocovarianza:

XX (tj , tj ) = E (X (tj ) X (tj ))2 = X2 (tj )
21


Formalmente, un proceso {X (t)} se denomina estrctamente estacionario
si para cualquier :
fX (X (t1 ), X (t2 ), , X (tN )) = fX (X (t1 + ), X (t2 + ), , X (tN + ))
En otras palabras, los parmetros estadsticos en tj y en tk = tj +
son iguales
fX (tj ) = fX (tk )
X (tj ) = X (tk )
X2 (tj ) = X2 (tk )
RXX (tj , tk ) = RXX ( ), tj , tk
Por otro lado, un proceso {X (t)}
X (tj )
X2 (tj )
RXX (tj , tk )
se denomina dbilmente estacionario si

= X (tk ) = cte
= X2 (tk ) = cte
= RXX ( ), tj , tk
22


Los procesos estocsticos ms importantes en la prctica son
1. Ergdicos, con cualquier estructura de probabilidad.
2. Gausianos, ya sean ergdicos o no.
Un proceso es ergdico si los parmetros estadsticos calculados en un
conjunto de realizaciones (promedios de conjunto) son iguales que los
parmetros estadsticos calculados en una nica realizacin (promedios
temporales).
Un proceso es ergdico en la media si

n
1X
xi (tj )
n n
X (tj ) = lim
i=1
N
1 X
xi (tj ) = xi
N N
= lim
j=1
23

Un proceso es ergdico en la varianza si

n
1X
(xi (tj ) X (tj ))2
n n
X2 (tj ) = lim
i=1
N
1 X
(xi (tj ) xi )2 = x2i
N N
= lim
j=1
Un proceso es ergdico en la funcin de autocorrelacin si

n
1X
xi (tj )xi (tj + )
n n
RXX (tj , ) = lim
i=1
N
1 X
xi (tj )xi (tj + )
N N
= lim
j=1
24

Si se cumplen las tres condiciones anteriores, el proceso se conoce

como dbilmente ergdico.
Si todos los parmetros estadsticos calculados a partir del conjunto

de realizaciones se pueden calcular utilizando una nica realizacin,
se conoce como fuertemente ergdico.
Para que un proceso sea ergdico primero tiene que ser estacionario.
El recproco no es cierto.
En general nunca nos vamos a encontrar con un proceso estacionario

real. Sin embargo, la hiptesis de estacionaridad proporciona
resultados suficientemente exactos para nuestros propsitos.
Lo mismo ocurre con la hiptesis de ergodicidad. A veces slo se ha

medido una realizacin de un proceso estocstico y tenemos que
admitir ergodicidad para poder extraer conclusiones de nuestros
datos.
25


Un proceso estocstico es Gausiano o normal si la funcin de densidad de
probabilidad conjunta de {X (t1 ), X (t2 ), . . . , X (tn )} es normal
multivariante.
Si el proceso es Gausiano se tiene que:
Los procesos Gausianos son muy comunes en problemas fsicos.
Un proceso estocstico Gaussiano est completamente determinado

si se conocen la media y la funcin de autocorrelacin.
Si el proceso Gausiano es dbilmente estacionario, entonces tambin

es estrctamente estacionario. Adems, si el proceso Gausiano es
dbilmente ergdico, tambin es fuertemente ergdico.
26

Ejemplo
Sean Y1 , A2 , ..., A10 variables aleatorias independientes con distribucin
Y1 N(0, 2 = 1), Ai N(0, 2 = 0, 5). Sea el proceso estocstico
definido por Yt = 2Yt1 + At , para t = 2, ..., 10.. Calcular
La funcin de medias del proceso E (Yt )

Las varianzas de Y2 , Y3 , Y4 .
La correlacin entre Y3 e Y4 Es estacionario el proceso?
Solucin
E (Y1 ) = 0;
Y2 = 2Y1 + A2 E (Y2 ) = 2E (Y1 ) + E (A1 ) = 0;
En general, E (Yt ) = 0 t
Y2 = 2Y1 + A2
Var (Y2 ) = 4Var (Y1 ) + Var (A2 ) + 4Cov (Y1 , A2 )
indep.
Cov (Y1 , A2 ) = E (Y1 A2 ) E (Y1 )E (A2 ) = E (Y1 )E (A2 ) 0 = 0

Var (Y2 ) = 4 + 0, 5 = 4, 5
27

De igual manera se obtiene que

Var (Y3 ) = 4Var (Y2 ) + 0, 5 = 18, 5
Var (Y4 ) = 4Var (Y3 ) + 0, 5 = 74, 5
Por tanto ya se puede concluir que el proceso no es estacionario.
E (Y3 Y4 ) = E [Y3 (2Y3 + A4 )] = 2E (Y32 ) + E (Y3 A4 )

Se tiene que
E (Y3 A4 ) = E [(2Y2 + A3 )A4 ] = 2E (Y2 A4 ) + E (A3 A4 ) =
2E [(2Y1 + A2 )A4 ] = 2E (Y1 A4 ) + E (A2 A4 ) = 0
Por otro lado
Var (Y3 ) = E (Y32 ) [E (Y3 )]2 = 18,5 E (Y32 ) = 18,5
Por tanto
E (Y3 A4 ) = 2E (Y32 ) + E (Y3 A4 ) = 37
La covarianza entre Y3 e Y4 es inmediata
Cov (Y3 , A4 ) = E (Y3 A4 ) E (Y3 )E (Y4 ) = E (Y3 A4 ) = 37
28

Ejemplo
Sea X una variable aleatoria con distribucin uniforme (1, 1) e
Y1 , ..., Y10 variables aleatorias independientes con distribucin uniforme
(1/10, 1/10). Sea el proceso estocstico definido por Zt = tX + Yt ,
para t = 1, 2, ..., 10. Calcular:
La funcin de medias del proceso E (Zt )
La funcin de momentos de segundo orden E (Z1 Z2 ).
Coeficiente de correlacin del proceso para Z1 y Z2 . Es estacionario
el proceso?
Solucin
Las funciones de densidad de X e Y se pueden representar como
29

Para empezar
R1
E (X ) = 1 x 12 dx = 0;
R1
E (X 2 ) = 1 x 2 12 dx = 1/3;
R 1/10
E (Yt ) = 1/10 y 5dy = 0;
R 1/10
E (Yt2 ) = 1/10 y 2 5dy = 1/300
E (Zt ) = E (tX + Yt ) = tE (X ) + E (Yt ) = 0

E (Z1 Z2 ) = E [(X + Y1 )(2X + Y2 )] =
2E (X 2 )+E (X )E (Y2 )+2E (X )E (Y1 )+E (Y1 )E (Y2 ) = 2E (X 2 ) = 2/3
Var (Zt ) = Var (tX + Yt ) = t 2 Var (X ) + Var (Yt ) = t 2 /3 + 1/300
El proceso estocstico no es estacionario.
30

Proceso estocstico ruido blanco, {W (t)}

E (wt ) = 0,
Var (wt ) =
w (t, t + h) = E (wt wt+h ) =
w2 ,

w2
si h = 0
si h =
6 0
t, h
Es frecuente usar la notacin wt , en lugar de w (t). Como estamos

trabajando con series discretas, wk = w (kt), donde t es el
intervalo de tiempo entre dos medidas, t = constante.
ws y wt estn incorrelacionadas para s 6= t ya que
E (ws wt ) = E (ws )E (wt ) = 0.
Si, adems de independientes, las variables estn idnticamente
distribuidas, con media 0 y varianza w2 , wt iid(0, w2 ).
Por ltimo, las variables aleatorias pueden ser variables aleatorias
independientes y Gausianas w2 . wt N(0, w2 ).
El ruido blanco es un proceso estocstico estacionario y ergdico.
31

Ejemplo: media mvil

Ruido blanco, wt
4
50
100
150
200
250
300
350
400
450
500
350
400
450
500
vt=1/3(wt1+wt+wt+1)
4
50
100
150
200
250
300
La figura superior muestra una realizacin de 500 variables aleatorias

de un proceso estocstico wt iidN(0, 1).
En la figura inferior se ha reemplazado wt por la media de cada valor
con su antecedente y su precedente media mvil
1
vt = (wt1 + wt + wt+1 )
3
32

Funcin de medias:
1
vt = E (vt ) = E ( (wt1 + wt + wt+1 ))
3
1
= (E (wt1 ) + E (wt ) + E (wt+1 )) = 0 t
3
Funcin de autocovarianzas
v (s, t) = E ((vs 0)(vt 0))
1
= E ((ws1 + ws + ws+1 )(wt1 + wt + wt+1 )
9
Es conveniente calcularla en funcin de la separacin s t = h,
h = 0, 1, 2
Para h = 0
1
E ((wt1 + wt + wt+1 )(wt1 + wt + wt+1 )
9
1
3
= (E (wt1 wt1 ) + E (wt wt ) + E (wt+1 wt+1 )) =
9
9
v (t, t) =
33

Para h = 1
1
E ((wt + wt+1 + wt+2 )(wt1 + wt + wt+1 )
9
1
2
= (E (wt wt ) + E (wt+1 wt+1 )) =
9
9
v (t + 1, t) =
Para el resto de valores
3/9
2/9
v (s, t) =
1/9
si
si
si
si
s=t
|s t| = 1
|s t| = 2
|s t| 3
Luego este proceso es estacionario ya que

E (vt ) = cte
w (t, t + h) = v (h) =
t
3/9
2/9
1/9
0
si
si
si
si
h=0
h = 1
h = 2
|h| 3
34

En efecto, si trabajamos con la funcin de autocovarianza, un proceso es

dbilmente estacionario si

X (tj ) = X (tk ) = cte
XX (tj , tk ) = XX ( ), = |tj tk |, tj , tk .
La condicin de que la varianza es constante ya est contenida en las
condiciones anteriores:
estac
XX (tj , tj ) = RXX (tj , tj ) X (tj )X (tj ) = cte

Por otro lado
XX (tj , tj ) = X (tj )2
35

Procesos MA(q)
Definicin
Un proceso media mvil de orden q, o MA(q), se definide mediante
xt = wt + 1 wt1 + 2 wt2 + + q wtq
dnde hay q retardos en la media mvil y 1 , 2 , , q (q 6= 0) son
parmetros.
Se asume que wt es ruido blanco Gausiano, wt N(0, w2 ).
Un proceso MA(q) siempre es estacionario y ergdico.
36

Procesos AR(p)
Definicin
Un proceso autoregresivo de orden p, o AR(p), se definide mediante
xt = 1 xt1 + 2 xt2 + + p xtp + wt
dnde hay p retardos y 1 , 2 , , p (p 6= 0) son parmetros.
Salvo indicacin expresa, wt es ruido blanco Gausiano, wt N(0, w2 ).
Se ha asumido que la media de xt es cero. Si la media es 6= 0 entonces
xt = 1 (xt1 ) + 2 (xt2 ) + + p (xtp ) + wt
xt = + 1 xt1 + 2 xt2 + + p xtp + wt
donde
= (1 1 p )
Recordad que una regresin lineal tiene la forma
xt = 1 zt1 + 2 zt2 + + q ztq + wt
(de ah el nombre de autoregresivo)
37

Procesos AR(p)
Definicin
Se define el operador retardo por
Bxt = xt1
2
B xt = B(Bxt ) = Bxt1 = xt2

B k xt = xtk
Un proceso AR(p) se puede escribir como
(1 1 B 2 B 2 p B p )xt = wt
o de forma ms compacta como
(B)xt = wt ,
(B) = (1 1 B 2 B 2 p B p ), B C
(B) = es el polinomio caracterstico del proceso.

Un proceso AR(p) es estacionario si las raices de (B) estn fuera del
crculo unidad. Si un proceso AR(p) es estacionario, es ergdico.
38

Estimacin de parmetros
POBLACIN: , 2 .
MUESTRA ALEATORIA SIMPLE: {X1 , X2 , . . . , Xn }
Media y varianza muestral: x =
n
1X
Xi ,
n
i=1
s2 =
n
1X
(Xi x)2
n
i=1
Se selecciona una muestra aleatoria simple de una poblacin. A partir de

esta muestra obtenemos una estimacin de los parmetros de la
poblacin. Existen dos mtodos para hacer sto:
Mtodo de los momentos:
= x,
2 = s 2.
Mtodo de mxima verosimilitud: la estimacion del parmetro es
aquel valor que hace que la probabilidad de seleccionar la muestra
sea mxima.
39

Estimacin de parmetros de procesos estocsticos: Mtodo general
Mtodo general
Sean M realizaciones de un proceso estocstico, M 20:
Media:
n
n
1X
1X
X (tj ) = xj , xj =
xi (tj ) =
xij
n
n
i=1
i=1
Valor cuadrtico medio:

n
n
1X 2
1X 2
xi (tj ) =
xij
X2 (tj ) =
n
n
i=1
i=1
Varianza:
n
X2 (tj ) = sX2 (tj ),
sX2 (tj ) =
1 X
(xi (tj ) xj )2
n1
i=1
Funcin de autocorrelacin:
n
X
XX (tj , tk ) = 1
xi (tj )xi (tk )
R
n
i=1
40

El mtodo anterior es un mtodo general, vlido tanto para procesos

estacionarios como para procesos no estacionarios.
Cuando tenemos procesos dbilmente estacionarios, la media y la
varianza son constantes. Pero puede ocurrir que esto no se cumpla
en la prctica, fundamentalmente debido a los errores en la
estimacin de cada xj . Para mejorar estas estimaciones se puede
hacer:
N
1 X
x =
xj
N
j=1
sX2 =
1
N
N
X
sX2 (tj )
j=1
41

Igual que ocurre con la media y la varianza, la estimacin de la

funcin de autocorrelacin en procesos estacionarios puede mejorarse
mediante promedios en el tiempo:
XX (j ) =
R
Nj
1 X
RXX (tk , tk + j ),
N j
0 tk , j Nt
k=1
donde j = jt, j = 1, 2, . . . , N.
La funcin de autocorrelacin de un proceso estacionario es funcin

solamente del retardo entre las variables aleatorias, j .
42


En procesos estacionarios y ergdicos (M = 1), las ecuaciones anteriores
se transforman en promedios temporales:
x =
N
1 X
xj
N
j=1
sx2 =
N
1 X
(xj x)2
N
j=1
XX (j ) =
R
Nj
1 X
xk xk+j
N j
k=1
Es evidente que esto slo es razonable cuando la realizacin que se ha

usado es representativa del resto de realizaciones del proceso estocstico.
Cuando tengamos solo un registro tenemos que utilizar estas frmulas!
43


Proceso autoregresivo de orden p, o AR(p), se definide mediante
xt = 1 xt1 + 2 xt2 + + p xtp + wt
Si colocamos los datos de esta manera

xp+1
xp
xp1
xp+2 xp+1
xp

xp+3 xp+2 xp+1

xp+4 = xp+3 xp+2
xN
xN1 xN2
wp+1
wp+2
1
2 wp+3
+
wp+4

p
wN
xNp
x1
x2
x3
x4
X = M + W
donde el vector W ha de ser mnimo mnimos cuadrados
||W ||2 =
N+p
X
wi2 es mnimo
i=p+1
44

Para que ||W ||2 sea mnimo, W tiene que ser perpendicular al espacio
vectorial generado por las columnas de M
MT W = 0
Figura: Izq: Una descomposicin cualquiera. Der: solucin mnimos cuadrados.
+ W MT X = MT M
+ MT W
X = M

= (M T M)1 M T X
MT X = MT M
45

x1t Tablate
0.5
0.5
10
15
20
25
30
35
40
25
30
35
40
25
30
35
40
M (Ar(4))
0.5
0.5
10
15
20
Wt (Ar(4))
0.5
0.5
10
15
20
t (s)
46

02 Pest Tiempo

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

02 Pest Tiempo

Enviado por

Direitos autorais:

Formatos disponíveis

Anlisis de procesos estocsticos en el dominio del tiempo

Anlisis de procesos estocsticos en el dominio del

Anlisis de procesos estocsticos en el dominio del tiempo

Anlisis de procesos estocsticos en el dominio del tiempo

Velocidad del viento (Puente del Tablate)

Anlisis de procesos estocsticos en el dominio del tiempo

v3 (t) v3 (t1 ) v3 (t2 ) v3 (t3 ) v3 (t2400 )

v5 (t) v5 (t1 ) v5 (t2 ) v5 (t3 ) v5 (t2400 )

Anlisis de procesos estocsticos en el dominio del tiempo

El trmino proceso estocstico puede hacer referencia tanto al

es el espacio muestral, el conjunto de valores posibles que puede

La secuencia puede ser a lo largo del tiempo, o posiciones a lo largo

Anlisis de procesos estocsticos en el dominio del tiempo

En el caso del puente, tenemos una secuencia

V (tj ) es la variable aleatoria velocidad registrada en el instante de

Anlisis de procesos estocsticos en el dominio del tiempo

Al lanzar dos monedas al aire, los resultados posibles son

Anlisis de procesos estocsticos en el dominio del tiempo

Toda variable aleatoria X tiene asociada una funcin de densidad de

Funcin de densidad de probabilidad

fX (x) 0 para todo x.

Se define la esperanza o media de una variable aleatoria X continua como

Anlisis de procesos estocsticos en el dominio del tiempo

Se denomina varianza de una variable aleatoria X

Var (ax + b) = a2 Var (x)

Var (x) = E (x 2 ) (E (x))

Anlisis de procesos estocsticos en el dominio del tiempo

Anlisis de procesos estocsticos en el dominio del tiempo

Var (x) = E (x E (x))

La varianza tambin se puede calcular mediante

Anlisis de procesos estocsticos en el dominio del tiempo

Funcin de densidad de probabilidad conjunta

fXY (x, y ) 0 para todo x, y .

Funciones de densidad marginales

fXY (x, y )dy

Anlisis de procesos estocsticos en el dominio del tiempo

Las variables aleatorias X ,Y son independientes si y slo si

Var (aX + bY ) = a2 Var (X ) + b 2 Var (Y ) + 2abCov (X , Y )

Anlisis de procesos estocsticos en el dominio del tiempo

,F. densidad prob.: fX (X1 , X2 , . . . , Xn )

Anlisis de procesos estocsticos en el dominio del tiempo

Anlisis de procesos estocsticos en el dominio del tiempo

Anlisis de procesos estocsticos en el dominio del tiempo

Procesos estocsticos (rep.)

xn (t1 ) xn (t2 ) xn (t3 )

En nuestro caso, X (tj ) es la variable aleatoria aceleracin registrada

Anlisis de procesos estocsticos en el dominio del tiempo

Caracterizacin de procesos estocsticos

Cada X (tj ) es una variable aleatoria continua.

Anlisis de procesos estocsticos en el dominio del tiempo

En su lugar se utilizan los siguientes parmetros estadsticos:

xfX (tj ) (x)dx

La Ecuacin (4) se utiliza cuando se conoce la funcin de densidad

Anlisis de procesos estocsticos en el dominio del tiempo

Funcin de varianzas (- desviacin tpica):

Recordad que se cumple

xj xk fX (tj )X (tk ) (xj , xk )dx

Anlisis de procesos estocsticos en el dominio del tiempo

Por lo tanto, la funcin de autocovarianza y la funcin de

Anlisis de procesos estocsticos en el dominio del tiempo

Procesos estocsticos estacionarios

RXX (tj , tk ) = RXX ( ), tj , tk

Por otro lado, un proceso {X (t)}

se denomina dbilmente estacionario si