Procesos Estocasticos PDF

Procesos Estocsticos
Referencias:
1 Introduccin y conceptos bsicos
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
2 Estadsticos de un proceso estocstico
Al final del tema el alumno ser capaz de:

Entender el concepto de proceso estocstico
3 Estacionariedad de un proceso estocstico
Interpretar y calcular los estadsticos de los procesos estocsticos:

esperanza, autocovarianza y autocorrelacin
4 Ergodicidad de un proceso estocstico
Interpretar y comprobar la estacionariedad de los procesos

estocsticos
5 Ejemplos
Interpretar y determinar si un proceso es ergdico
1
Estadstica. Profesora Mara Durbn
Saber calcular probabilidades en procesos estocsticos formados a

travs de distribuciones estudiadas en los temas anteriores
En los temas anteriores hemos estudiado procesos que no varan con el

tiempo o slo dependen de una variable.
Por ejemplo, estudiamos el nmero de llamadas que se producen en una

central telefnica.
Si definimos X como el nmero de llamadas que se reciben en una 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 (8 horas)?
5 Ejemplos
Podramos definir una nueva X, variable que seguira una distribucin de

Poisson, definida como nmero de llamadas recibidas en la centralita
durante 8 horas, con una nueva que sera igual a 8.
3
4
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).
=2
=16
PROCESO ESTOCSTICO
Se define el proceso estocstico X(t) como el nmero de llamadas
que se producen en la centralita en el tiempo (0,t).
As, para cada valor de t que se elija, tendremos una variable aleatoria
distinta, con forma similar pero distinto valor.
En los temas anteriores definimos X(x), en este caso X().
Ahora debemos representar X(x,t), en este caso, X(,t).
En general, diremos X(t) igual que antes llambamos X y no X().
5
6
Ejemplos
Proceso Estocstico
En los sistemas de comunicaciones aparecen seales aleatorias como:
Es una funcin de dos variables, t y x, una determinista y otra aleatoria
La seal de 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.
El ruido en un receptor es debido al ruido trmico en
resistencias y componentes del receptor.
a) X(x,t) es una familia de funciones temporales.

b) Si se fija x, tenemos una funcin temporal X(t) llamada realizacin
del 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
d) Si se fijan t y x, tenemos un nmero real o complejo (muy normal

en teora de la seal).
Son seales aleatorias en el sentido de que antes de realizar el

experimento no es posible describir su forma exacta
7
8
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.
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
Proceso discreto en el tiempo.
Continuo
Proceso continuo en el tiempo.
Discreto
Proceso discreto en el espacio de estados.
Continuo
Proceso continuo en el espacio de estados.
10

Ejemplo 2
En general:
Caracterice la continuidad del nmero de llamadas que llegan a la

centralita.
Es continuo en el tiempo, porque puede tomar cualquier valor real:
t =1 hora
t =1,67 horas
t = 8 horas
t = 35 horas, etc.
Es discreto en el espacio de estados
X(, t=t0) es siempre un nmero entero
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 completar la tarea sabiendo que ya ha consumido t minutos.
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.
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.
=1/36
Se define la funcin de distribucin de primer orden del

proceso X(t) como
FX ( x, t ) = P( X (t ) x)
0
20
40
60
tiempo
13
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
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.
De igual modo:
Se define la funcin de distribucin de segundo orden
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
16

Media
La media de un proceso estocstico corresponde a:

En el caso real: E [X (t )] = x (t ) =
x f ( x, t ) dx
En el caso complejo:
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
5 Ejemplos
La media es, en general, una funcin dependiente del tiempo

17
18
Ejemplo 4
Ejercicio 1
Un transmisor enva pulsos rectangulares de altura y posicin
aleatorias. Cada pulso transmitido corresponde a una realizacin del
proceso estocstico
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).
X(t) = Vh(t T), t > 0,
E [ X (t ) ] = E [ cos(2 ft + B ) ]
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
= 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 + ) ]
h(t)=
Para cada t, cos (2ft+) es una variable aleatoria funcin de . Podemos

escribir:
E [ cos(2 ft + ) ] =
/2
/ 2
Calcule la funcin valor medio del proceso estocstico X(t)
x (t ) = p + q cos ( 2 f t )
0, en el resto.
1
2
cos(2 ft + ) = cos(2 ft )
1, 0<t<1,
19
20
Varianza
Correlacin
O esperanza del producto de Variables Aleatorias como funcin de dos
variables temporales tk y ti dada por:
La media de un proceso estocstico corresponde a:

En el caso real: Var
Var[[XX((tt))]]==xx((tt))==
22
Recordamos:
+
+
((xx ((tt)))) ff((xx,,tt))dxdx

22
xx
Var [ X ] = E X 2 ( E [ X ])
RX (t1 , t2 ) = E [ X (t1 ) X (t2 ) ] =
x1 x2 f ( x1 , x2 ; t1t2 )x1x2
En el caso de que t1 = t2 se tiene el valor cuadrtico medio del

proceso estocstico que es una funcin de una variable temporal:
x2 (t ) = E [X (t ) 2 ] E[X (t )]2 = E [X (t ) 2 ] [ x (t )]2
RX (t ) = E X (t ) 2 =
x 2 f ( x; t )x
En el caso de que la media del proceso estocstico sea siempre cero, la

varianza y el valor cuadrtico medio coincidiran.
Potencia del proceso
21
Covarianza
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.
Covarianza del proceso X(t) como una funcin de dos variables

temporales tk y ti dada por:
C X (t1 , t 2 ) = E [( X (t1 ) x (t1 ) ) ( X (t 2 ) x (t 2 ) )] =

=
R (t , u ) RXY (t , u )
R (t , u ) = X
RYX (t , u ) RY (t , u )
+ +
(x X (t1 )) ( y X (t2 )) f X (t1 ), X (t2 ) ( x, y) dxdy
En el caso de que tk = ti se tiene la varianza del proceso estocstico.
E X (t ) 2 E [ X (t )Y (t )]
R (t , t ) =
E [Y (t ) X (t ) ]
Y (t ) 2
E
C x (t1 , t 2 ) = RX (t1 , t 2 ) x (t1 ) x (t 2 )
RXY (t , u ) = E [ X (t )Y (u ) ]
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.
De las definiciones de correlacin y covarianza, se puede obtener:
En el caso de que la media del proceso estocstico sea siempre cero,

la funcin de correlacin y la de covarianza coincidiran.
22
23
24
Ejemplo 4
Independencia
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).
1) Esperanzas
E(Z) = E(X(5)) = x(5) = 3

E(T ) = E(X(8)) = x(8) = 3
2) Varianzas
E(Z2) = E(X(5)X(5)) = RX(5,5) = 13

E(T2) = E(X(8)X(8)) = RX(8,8) = 13
Var(Z) = E(Z2) (E(Z))2 = 4
Var(T) = E(T2) (E(T))2 = 4
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
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
3) Covarianzas
E(ZT) = E(X(5)X(8)) = RX(5, 8) = 9+4e0.6

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

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].

b) Indique si cada una de las funciones del aparatado anterior
depende del tiempo o no e interprete el resultado.
5 Ejemplos
27
28

Ejemplo 5
Cuando utilizamos un modelo estocstico, generalmente vamos a estar

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
El nmero de llamadas que llegan a una centralita hasta el instante t

25
Un proceso estocstico es estacionario si sus propiedades estadsticas

son invariantes ante una traslacin del tiempo
x2
x1
20
El nmero medio de
llamadas no es
constante, depende
de t
15
10
El mecanismo fsico que genera el experimento no cambia con el tiempo
No estacionario
29
9 10 11 12 13 14 15 16 17 18 19 20
tiempo
30
Ejemplo 6
Estacionariedad (en sentido estricto)
Distintas realizaciones del proceso X(t) = Ncos((2/24)t+) siendo N y

VA con distribuciones P(10) y U(0,2) respectivamente.
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
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
Estacionariedad en sentido d
dbil
La media del proceso se mantiene constante
puede ser
estacionario
31
32
Estacionariedad (en sentido dbil)
Estacionariedad (en sentido dbil)
Un proceso X(t) es dbilmente estacionario si:
Un proceso X(t) es dbilmente estacionario si:
(independientedel
deltiempo)
tiempo)
E [ X (t () ])= (independiente
(independientedel
deltiempo)
tiempo)
E [ X (t () ])= (independiente
RRX (t(1t,1 t,2t2) )==RRX (() )==t2t2t1t1(depende

(dependesolo
solode
delaladistancia
distancia
RRX (t(1t,1 t,2t2) )==RRX (() )==t2t2t1t1(depende

(dependesolo
solode
delaladistancia
distancia
entre los tiempos considerados)
entre los tiempos considerados)
Propiedades:
Propiedades:
La potencia E X (t ) no depende de t
2
Estacionario en sentido estricto
dbil
ya que E X (t ) 2 = RX (0)
RX ( ) = RX ( )
Si el proceso es gaussiano: estricto = dbil
ya que
RX ( ) = E [ X (t ) X (t ) ] = E [ X (t ) X (t ) ] = RX ( ) 33
34
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

E [ X (t ) ] = AE [ cos((2 / 24)t + )] = A cos((2 / 24)t + )

5
1
d = 0
2
RX (t , t + ) = E [ X (t ) X (t + ) ] = E [ cos((2 / 24)t + ) cos((2 / 24)(t + ) + ) ]

Utilizando:
cos( ) = cos( ) cos( ) m sen( )sen( )
-10
-5
2 cos( ) cos( ) = cos( + ) + cos( )

0
20
40
tiempo
60
35
36
Ejemplo 7
Ejercicio

2 cos( ) cos( ) = cos( + ) + cos( )
E [ X (t ) ] = AE [ cos((2 / 24)t + )] = A cos((2 / 24)t + )
1
d = 0
2
RX (t , t + ) = E [ X (t ) X (t + ) ] = E [ cos((2 / 24)t + ) cos((2 / 24)(t + ) + ) ]

1
E [ cos((2 / 24)(2t + ) + 2 ) + cos((2 / 24) ) ]
2
1
= cos((2 / 24) )
2
=
dbilmente estacionario
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
dbil)
Ejercicio
Si X e Y son VA normales, independientes, con media 0 y varianza 1, se
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
38
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
Sea X(t) un proceso estacionario dbil, definimos la media temporal o

valor medio en el tiempo como:
M X =T lim
uuur
1
2T
X (t )dt =T lim
uuur T
La autocorrelacin temporal se define como:
AX =T lim
uuur
5 Ejemplos
1
2T
X (t ) X (t + )dt
Ambas son VA ya que toman valores distintos para cada realizacin del
proceso.
39
40

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
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, para que un proceso sea ergdico en media, es necesario que la
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
1 T
T =
At = A 0
2T T
Ejemplo 7
Se considera el proceso X(t)=acos(wt)+bcos(wt), donde a y b son dos VA
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 =
41
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
(a cos( wt ) + b sin wt )t =
sin( wT )
wT
1
RX ( ) = E [ X (t ) X (t + )] = cos( w )
3
1 T
1
X (t ) X (t + )t = (a 2 + b 2 ) cos( w )
uuur
T lim
2T T Profesora Mara Durbn
2
Estadstica.
Ergdico en media
uuur T = 0
T lim
sin( ) = cos( )sin( ) sin( ) cos( )

42
lim
uuur T = 0
No es ergdico en
autocorrelacin
1
RX ( ) = E [ X (t ) X (t + ) ] = cos( w )
3
1 T
X (t ) X (t + )t
T
2T Estadstica.
Profesora Mara Durbn
sin( wT )
wT
X = E [ a ] cos( wt ) + E [b ] sin wt = 0 + 0 = 0
(a cos( wt ) + b sin wt )t =
Ejemplo 7
Sea considera el proceso X(t)=acos(wt)+bcos(wt), donde a y b son dos
VA independientes uniformemente distribuidas en [-1,1], estudiar la
ergodicidad en media y autocorrelacin.
1
2T
T =
1
2T
5 Ejemplos
43
44
5 Ejemplos
5 Ejemplos
Proceso de Poisson
Procesos Gaussianos
Es un proceso de tiempo continuo y estado discreto.
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)
X(t)= nmero de sucesos en [0,t]

X(t)~P(t)
X=t
Cx(t1,t2)=min{t1,t2}
Estacionariedad en sentido dbil = estacionariedad en sentido estricto

Un proceso es independiente
C(ti,tj)=0
Ejercicio. Febrero 2003
Sean X e Y dos VA normales con media 0 y varianza Y, se define el
proceso gaussiano: Z(t)=Xcos(2t)+Ysin(2t)
1
0
x1
-1
45
46
-2
Ruido= seales indeseables que constituyen una interferencia en un

sistema de comunicaciones. Hay dos tipos de ruido: ruido externo al
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.
Si las variables son gaussianas incorreladas = independientes
Ruido
-3
5 Ejemplos
-2
-1
tiempo
5 Ejemplos
Procesos Gaussianos
Procesos Autorregresivos
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)
Un proceso autorregresivo tiene la siguiente forma:
X (t ) = c + X (t 1) + t t ~ N (0, 2 )
E [ X (t ) ] =
=0.7
-4
-2
Estacionariedad en sentido dbil = estacionariedad en sentido estricto

Un proceso es independiente
C(ti,tj)=0
Ejercicio. Febrero 2003
Sean X e Y dos VA normales con media 0 y varianza Y, se define el
proceso gaussiano: Z(t)=Xcos(2t)+Ysin(2t)
c
2
2
Var [ X(t) ] =
RX ( ) =
2
1
1
1 2
40
60
80
100
40
60
80
100
0.5
-2
-1
a) Determinar la funcin de probabilidad conjunta de de Z(t1) y Z(t2)

b)Estudiar la estacionariedad en sentido dbil y estricto
20
48
-3
47
0
20
Estadstica. Profesora
Mara Durbn

Procesos Estocasticos PDF

Enviado por

Dados do documento

Título original

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

Procesos Estocasticos PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Procesos Estocsticos

1 Introduccin y conceptos bsicos

Captulo 8 de Introduccin a los Sistemas de Comunicacin. Stremler, C.G. (1993)

2 Estadsticos de un proceso estocstico

Al final del tema el alumno ser capaz de:

3 Estacionariedad de un proceso estocstico

Interpretar y calcular los estadsticos de los procesos estocsticos:

4 Ergodicidad de un proceso estocstico

Interpretar y comprobar la estacionariedad de los procesos

Interpretar y determinar si un proceso es ergdico

Saber calcular probabilidades en procesos estocsticos formados a

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

En los temas anteriores hemos estudiado procesos que no varan con el

2 Estadsticos de un proceso estocstico

Por ejemplo, estudiamos el nmero de llamadas que se producen en una

3 Estacionariedad de un proceso estocstico

Si definimos X como el nmero de llamadas que se reciben en una hora,

4 Ergodicidad de un proceso estocstico

Podramos definir una nueva X, variable que seguira una distribucin de

Estadstica. Profesora Mara Durbn

Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

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

Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

En los sistemas de comunicaciones aparecen seales aleatorias como:

Es una funcin de dos variables, t y x, una determinista y otra aleatoria

La seal de informacin, tiene pulsos de voz de duracin

a) X(x,t) es una familia de funciones temporales.

d) Si se fijan t y x, tenemos un nmero real o complejo (muy normal

Son seales aleatorias en el sentido de que antes de realizar el

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

Conjunto de los posibles valores de tiempo que puede tomar el proceso

Proceso discreto en el tiempo.

Proceso continuo en el tiempo.

Proceso discreto en el espacio de estados.

Proceso continuo en el espacio de estados.

Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

Caracterice la continuidad del nmero de llamadas que llegan a la

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

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

Dado un proceso estocstico cualquiera, si fijamos un tiempo t=t0

Se define la funcin de distribucin de primer orden del

Y, por tanto, se tiene tambin la

Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

Funcin de distribucin de segundo orden

Aplicacin de la funcin de distribucin y funcin de densidad

2 Estadsticos de un proceso estocstico

1 Introduccin y conceptos bsicos

La media de un proceso estocstico corresponde a:

2 Estadsticos de un proceso estocstico

Se puede entender grficamente como el centro de gravedad de la

La media es, en general, una funcin dependiente del tiempo

2 Estadsticos de un proceso estocstico