Académique Documents
Professionnel Documents
Culture Documents
PROBABILIDAD Y
PROCESOS
ESTOCASTICOS
Elaborado por:
Andrs Sacoto C.
Nury Cornejo C.
Propiedades
Dada una V.A X y = lim0 + , = lim0
1. 0 1
+ =1
=0
2. es una funcin no decreciente de x, esto es 2 1 ; si 2 > 1 (siempre
creciente).
3. Si a<b =>
4. Si 0 = 0 => = 0 para todo xx0
5. P(x>x) = 1 P(x x) = 1 -
1
6.
7.
8.
9.
()
Propiedades
1) 0
2) P(a x b) =
3)
()
= 1 ;
4) =
=1
()
Ejemplo:
Verificar si las siguientes funciones son distribuciones de probabilidad
a) =
3
3
; = 1,2,3,4,5
4
=
=1
3
=1
3
2 1
1 2
+0+ + = 0
3 3
3 3
1 2 < 0
b) =
2 2 ; > 0
0 ; 0
2
0
1
= 2 2
2
=2 0+
0
1
=1
2
2
Ejemplo:
Dada =
a)
b)
c)
d)
e)
3 ; > 0
0 ; 0
a)
1
= 3
3
= 0+
0
1
=1
3
=3
b)
5
2
P(2<x<5)
1
3 3 = 3 3
3
=3
2
15 6
+
= 6 15
3
3
P (2<x<5) = 2.47x10-3
c)
P(x<3)
3
3
0
1
= 3 3
3
=3
0
9 0
1
+
= 9
3
3
3
P(x<3) = 0.333
d)
P(x>6)
1
3 3 = 3 3
3
=3
6
18
+
= 18 0
3
3
P(x>6) = 1.523x10-18
e)
1
3 3 = 3 3
3
= 3 + 1
0
1 3 ; > 0
0 ; 0
0.9
2.5
0.8
0.7
0.6
0.5
1.5
0.4
1
0.3
0.2
0.5
0.1
0
-2
10
0.5
1.5
2.5
Distribucin Binomial
; , =
; , ; = 0,1,2,3, ,
=0
Identidades Binomiales
Ejemplo:
Se asegura que en una empresa de instalaciones elctricas, en el 70% de las instalaciones se
reducen al menos una 3 parte de los gastos si se hacen con ciertos materiales de buena calidad.
De acuerdo con lo anterior, cules son las probabilidades de que se reduzcan al menos una 3
parte en:
a) Cuatro de seis instalaciones
b) En al menos tres de seis instalaciones
a)
P(x=4)
p = 0.7
4; 6,0.7 =
b)
6
0.74 (0.3)2 = 0.324
4
6
0.71 0.3
1
6
0.72 0.3
2
= 1 0.069 = 0.93
Determinacin de probabilidades
Nos encontraremos casos en los que nos dan una grfica de distribucin de probabilidad y
nos piden calcular una serie de probabilidades lo cual veremos que se puede hacer solo con la
grfica teniendo claros los conceptos de distribucin de probabilidad.
Fx
1
Ejemplo:
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1
x
-0.5
0.5
1.5
2.5
Determinar:
a)
b)
c)
d)
e)
f)
g)
P(x< -1/2)
P(1/4 x <1)
P(x 5)
P(1/4 x 1)
P(x< 5)
P(x0)
P(x>1/2)
Solucin:
a) En si nos estn pidiendo Fx(-1/2) y esto es 0, como podemos observar en la grfica y en la
funcin de distribucin por tramos.
b) P(1/4 x <1)= Fx(1) - Fx(1/4), notemos que para ambos valores y 1 tenemos la funcin
+1
4
+1
4
y tenemos que
P(x0) = 1/4
g) P (x> 1/2) = 1 P (x 1/2) = 1-Fx(1/2)
P (x> 1/2) = 1 3/8 = 5/8
Valor Esperado
En el caso que X sea una v.a. discreta, este valor es la media ponderada de los posibles
valores que puede tomar la variable X, en donde los pesos o ponderaciones son las probabilidades
de ocurrencia de los posibles valores de X. Luego el valor esperado de X se interpreta como una
media ponderada de los posibles valores de X, y no como el valor que se espera que tome X, pues
puede suceder que E [X] no sea uno de los posibles valores de X. En el caso de v.a. continua, E [X]
nos indica el centro de la funcin de densidad, es decir, nos indica el centro de gravedad de la
distribucin.
= =
() ; .
= =
( = ) ; .
=
Propiedades
Varianza
La varianza de una variable aleatoria es una medida de su dispersin. Se trata de la
esperanza del cuadrado de la desviacin de la variable frente su media y se mide en una unidad
diferente.
Var(x) = E[(x - nx)2]
Var(x) =
Var(x) =
2 =
V.A Continua
V.A Discreta
Var(x) = E[ x2 ] nx2
Propiedades
Var (c) = 0
c = constante
Ejemplo:
Una V.A. x puede tomar los valores -4, -3, -2, -1, 1, 2, 3, 4, con igual probabilidad.
Determinar la varianza de Y=2x3
Solucin:
Como es una variable discreta y todos los valores tienen la misma probabilidad, entonces
la probabilidad de cada valor seria 1/8.
Var (Y) = Var (2x3) = 4 Var( x3 )
Var (Y) = 4 {E [ x6 ] E [ x3 ]2}
E [ x6] = 4*[(-4)6(1/8) + (-3)6(1/8) + (-2)6(1/8) + (-1)6(1/8) + (1)6(1/8) + (2)6(1/8) + (3)6(1/8) +
(4)6(1/8)]
Var (Y) = 4890
Probabilidad Condicional
El concepto de probabilidad condicional es muy sencillo. Est basado en una situacin
particular que podemos resumir como sigue: probabilidad de ocurrencia de un evento en un
escenario muy particular
Vamos a explicar lo anterior. Suponga que se lanza un dado. Existe una clase de
escenarios exhaustivos y no traslapados como son: el nmero del dado es par y el nmero del
dado es impar. Entonces bajo la hiptesis de trabajar con esta clase de escenarios, uno se puede
preguntar la probabilidad de obtener algn determinado nmero bajo uno de estos escenarios.
P [ A/M] =
()
()
; P(M) 0
{ } { , }
()
()
( / )
; M en trminos de x
Propiedades
Fx (+/ M) = 1
Fx (-/ M) = 0
P (x 1 < x 2 ; M)
P (M)
Ejemplo:
Determinar Fx (x/ M) y fx (x/ M); dado que M= ,xaDato: Fx (x) = P (xx)
Solucin:
Fx(x /M)= P (xx/M) =
(x)
()
x ( )
()
Dibujaremos en una recta numrica para poder visualizar lo que nos piden
b<x<a
a
x<x
a
9
Como podemos ver la interseccin de estas dos rectas sera P (xx) y tendramos:
P(xx)
F x (x)
F x (a)
Ejemplo:
M = ,b<xa-; a>b
Solucin:
En este ejemplo tendramos tres casos que los representaremos en las siguientes rectas.
Caso 1: Donde a>b pero menor que x
b
Fx(x /M)= P (xx/M) =
(x)
()
x (< )
(< )
x<x
b
b<x<a
b
Como podemos observar la interseccin de estas dos grficas sera P(b<xa) y tendramos:
P(b<xa)
(x)
()
x (< )
(< )
x<x
x
10
b<x<a
x
0
P(b<xa)
=0
(x)
()
x (< )
(< )
x<x
b
a>b
b
Como podemos observar la interseccin de las dos grficas sera P (xx)-P(x<b) y tendramos:
Fx(x /M) =
P xx P xb
P(b<xa)
Fx x Fx b
F x a F x b
Probabilidad Total
Ai Aj = ; ij = 1,2,3,.., n
=
=
11
P(A/B) =
P(A/B)P(B) =P(B/A)P(A)
P(B/A) =
P(A/B) =
()
()
(/)()
()
(/)()
P(B/A) =
()
()
( ) ;
[ = ] ;
V.A. Continua
V.A. Discreta
Ejemplo:
Sea X la entrada a un canal de comunicaciones y Y la salida. La entrada al canal es +1 1con igual probabilidad. La salida del canal es la entrada ms el de ruido N que est
uniformemente distribuido en el intervalo [-2,2] encuentre la probabilidad de P *x=+1, Yy+
12
Solucin:
0.25
fn
0.25
0.2
0.2
0.15
0.15
0.1
0.1
0.05
0.05
0
-5
n
-4
-3
-2
-1
0
-5
fy(y/x=+1)
y
-4
-3
-2
-1
Siendo Y =X + N, fN(x) es uniforme en (-2,2), por tanto fY(y/ x=+1) es tambin uniforme en (-1,3), es
1
= +1 =
1
4
Ejercicio Completo
fx
0.35
0.3
0.25
0.2
0.15
0.1
0.05
a)
b)
c)
d)
x
0
13
Solucin:
a)
Para determinar Fx(x) primero debemos encontrar el valor de a
+
2
1 +
1 2
6
2 2
6
2
2
1
2
+
+ 2
6 + 16
2
2
2 2
1=
7
2
+ 3 =
=
2
2
7
0
; < 1
2 1
+
;1 < 2
7
7 7
2 3
=
;2 < 4
7 7
2 6 11
+
; 4<6
14 7
7
1
; 6
2
Fx
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
x
0
14
b)
Resolvemos el valor absoluto y tenemos
P (|x-3|<c) =P (-c<x-3<c) =P(3-c<x<3+c)= Fx(3+c)- Fx(3-c) =1/4
Reemplazamos en la funcin del intervalo correspondiente de Fx que sera
2
7
7 y
tenemos
2(3 + ) 3 2 3
3 1
7
+ = 6 + 2 6 + 2 =
7
7
7
7 4
4
4c =
7
7
c=
4
16
c)
2
=
1
2
( 1) +
7
2 2
2 3
=
7 3
2
4
2
2 4
2
+
7 2
1
(x )
()
6
4
1 3
2
6
7 3
2
2
Ex =
d)
2
7
1
( 6)
7
6
=
4
5 12 4
+
+
21 7 3
23
7
x ( 3)
( 3)
xx
3
x
x3
3
3
(3) 7
=
=
4
1 (3)
7
0
;
3
3
; 3<4
2
=
2 3 7
+
; 4<6
8
2 2
1
;
>6
15
Fx(X/M)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
x
0
(/)
0
1
2
; <3
;3 < 4
3
+
4 2
0
;4 < 6
; 6
fx(X/M)
0.5
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
x
0
16
(1 )
(2 )
+
++
(1 )
(2 )
=
()
()
()
Dos Variables
Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales
de forma semejante al caso unidimensional.
FXY (x, y) =P ,Xx; YyfXY (x,y) =
(, )
, = 0
, = 0
, = 1
1 < 2 , = 2 , 1 ,
, 1 < 2 = , 2 , 1
1 < 2 , 1 < 2 = 2 , 2 1 , 2 2 , 1 + 1 , 1
17
, = 1
, =
(, )
Marginales
FX(x) =FXY (x,+)
=
+
(, )
+
(, )
Ejemplo:
Sea X,Y V.A. con funcin de densidad
, =
a)
b)
c)
d)
1
0
Solucin:
En el siguiente grfico podemos visualizar la zona de integracin que se obtuvo al despejar |y|<x,
y que se encuentra limitado por 0<x<1
-x<y<x -> en la zona de integracin tendremos a los y>x y a los y<-x
y
y= x
y= -x
1.5
1
0.5
0
-0.5
-1
-1.5
-2
x
0
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
18
a)
=
0
, = 1
2 = 2
0
2
2
=1
0
. .
b)
Para determinar la media de X y Y primero debemos hallar la marginal de X y Y para lo cual
tenemos:
1.5
1
= 2
0.5
E[x] =
2 = 2
3 0
-0.5
E[x]= 2/3
-1
-1.5
-2
x
0
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
2
1.5
1
0.5
0
-0.5
-1
-1.5
-2
x
0
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
= 1 + (1 + )
19
1 + ; 1 < 0
1; 0 < 1
=
0
1 + +
1
2 3
1 =
+
2
3
2 3
+
2
3
1
1
0
1 1 1 1
= + + =0
2 3 2 3
c)
Var (x) =E [x2] E [x]2
1
4
2 = 2
4
2
=
0
1
2
2
3
1
1
=
4
2
=2
1
18
1
2
1 + +
1
3 4
1 =
+
3
4
2
d)
P(x<1/2; y>0)
3 4
+
3
4
1
=
0
1
6
1
1
0=
6
6
1.5
1
0.5
0
-0.5
-1
-1.5
-2
x
0
0.2
0.5
0.4
0.6
0.8
0.5
dydx =
0
x2
x dx =
2
1.2
1.4
0.5
=
0
1.6
1.8
1
8
20
P(x>1/2; -1/2<y<1/2)
1.5
1
0.5
0
-0.5
-1
-1.5
-2
x
0
0.2
0.4
0.6
0.8
1.2
0.5
1.4
0.5
dydx =
0.5 0.5
1.6
1 dx =
0
1.8
1
2
Desigualdad de Chebyshev
La desigualdad de Chebyshev es un resultado que ofrece una cota inferior a la probabilidad
de que el valor de una variable aleatoria con varianza finita est a una cierta distancia de su valor
esperado.
1
; > 0
2
Ejemplo:
Suponga que el nmero de artculos producidos por una fbrica en una semana es una
variable aleatoria con media 50. Si la varianza de una semana de produccin se sabe que es igual a
25, entonces Que podemos decir acerca de la probabilidad de que en esta semana la produccin
difiera en ms de 10 a la media?
= 50
= 25
50 = 10
10 5 2
P=
1
1
=
2
k
4
21
Ejemplo:
El nmero de clientes que visitan una sala exhibicin de una empresa automotriz de un
sbado
por
la
maana
es
una
variable
aleatoria
con
media
= 18 y = 25 Con que probabilidad podremos asegurar que habr entre 8 28 clientes?.
18 = 8
8 2.5 3.2
1
1
2
+ +
+ +
2.5 + 18 2.5 + 18
2.5 + 18 = 8
2.5 = 10
=4
= 1
1
15
=
16
16
= =
Momento Central
= ( ) =
0 = 1
1 = 0
2 = ()
22
16
+ ; 0.5 , 0.5 1
3
23
16
3
16 2
3
16
16
1 (0.25 + + 2 0.5 2 ) =
1 (0.25 + 0.5)
3
3
+ =
0.5+
1
0.5+
16
3
2
0.5+
16
1 0.5 +
3
(0.5 + )
16 3 3
1
= 4 8 ; 0
3 4 2
2
, =
, =
2 ,
, =
24
Teorema
Para determinar , se resuelve el sistema:
= ,
, , .
= h x, y
Sean(1 , 1 ), (2 , 2 ), , ( , ) .
= (1 , 1 ) = (2 , 2 ) = = ( , )
= (1 , 1 ) = (2 , 2 ) = = ( , )
, =
=1
( , )
( , )
Ejemplo:
, V.A Independientes
22
= 2 2 ; > 0
(, )
Transformacin:
e
= ()
= ()
1. , = ? ?
Solucin:
2 = 2 2 ()
2 = 2 2 ()
,
2 + 2 = 2 2 + 2 2 ()
25
2 + 2 = 2 2 + 2 ()
:
2 + 2 = 2 1
= 2 + 2
cos
()
=
()
1
=
()
tan =
= arctan
22 1
2
2
2
, , =
, =
cos()
()
()
= 2 + 2 =
()
, =
, =
=1
, =
, (, ) 2 2
1
=
(, )
2 2
2 + 2
2 2
2 2
2 + 2
2 2
2 2
, =
2 + 2
2 2
26
Funcin Caracterstica
Si z=g(x,y) z(w) =E[egwz]
Si z =x+y z(w) =E[egw(x+y)]
Si x e y son independientes
z(w) =E[egwx] E[egwy+ = x(w)*y(w)
Si z=x+y fz(z) =
=
, )
= () ()
Probabilidad Condicional
= =
= =
[ , = ]
[ = ]
=
(, )
()
Si x e y son independientes
= = ()
Si x e y son V.A discretas
, = =
[ = , = ]
[ = ]
Momentos Condicionales
= =
= .
= =
= .
=1
27
Momentos Conjuntos
Dadas dos V.A x,y e fXY(x,y) y z=g(x,y)
(, ) (, ) .
(, ) = ; = .
,
Covarianza
= x y
Coeficiente de covarianza
=
; 0 1
Teorema
Dos V.A se dice que son no correlacionadas si CXY =0
E[XY] =nXnY =E[X]E[Y]
Ortogonalidad
Dos V.A se dice que son ortogonales si el E[XY]=0
Teorema
Si dos V.A son independientes entre s entonces son no correlacionadas.
28
1, 2 =
1 + 2
1 + 2
Ejemplo:
Sea(X,Y) una variable aleatoria bidimensional con funcin de densidad
, , =
; 0 1, 0 1
0
;
Determinar:
La funcin de densidad de S= (X + Y)/ 2.
La covarianza entre S y X.
La ( 0.5 , 1).
Solucin:
Si 0 ,
1
2
= (0 2 , 0 2 )
2
1 =
0
2
0
= 2 2
Si
1
2
,1
= 1 > = 1 (2 1 1 , 2 1)
1
=1
1
21 2
= 12 1
29
0
2
=
;
;
12 1
<0
0 < 1/2
1
<1
2
1
; 0 < 1/2
1
= 4 1
;
<1
2
0
;
b)
, = =
+
2
1
1
, = 2 +
2
2
1
=
0
1
2
1
2 =
=
0
=
0
1
0
1
3
1
4
= 2 +2 = 2
, =
1
24
0.5 , + 2 =
1
2
30
1 ,2 ,, (1 , 2 , , )
1 , 2 , ,
X1 , X2 , , Xn =
Densidades Marginales
1 ,3 1 , 3 = 1 ,2 ,3 ,4 1 , , 3 ,
1 ,3 1 , 3 =
1 ,2 ,3 ,4 1 , 2 , 3 , 4 2 4
Densidad Condicional
La distribucin marginal de X es simplemente la ley de probabilidad de X haciendo caso
omiso de la informacin referente a Y
1 , 2 , , +1 , +2 , , =
(1 , 2 , +1 , +2 , , )
(+1 , +2 , , )
31
Ejemplo:
1 2 , 3 =
(1 , 2 , 3 )
(2 , 3 )
1 2 , 3 =
1 2 , 3 1
Ejemplo:
1 , 3 2 , 4 =
1
(1 , 2 , 3 , 4 )
(2 , 4 )
1 , 3 2 , 4 =
1 , 3 2 , 4 1 3
Regla de la Cadena
1 , 2 , 3 , ,
= 1 , 2 , , 1 1 2 , 3 , , 1 2 3 , 4 , , 1
2 1 1
Remocin de Variables
Dado 1 , 2 , 3 4 , 5 ;
Notacin:
1 , 2 , 3 => . .
4 , 5 => . .
Para remover una V.A. de la derecha se multiplica por la densidad condicional de las variables
que desea remover, dado el resto de las variables de la derecha y se integra con respecto a ellas
de
Para remover una V.A. de la izquierda se integra con respecto a esa variable.
32
Ejemplo:
Dado 1 , 2 3 , remover 2
1 3 =
1 , 2 3 2
Dado 1 2 , 3 , 4 , hallar 1 4
1 4 =
1 2 , 3 , 4 2 , 3 4 2 3
( ) +
=1
( , )
=1 =1
33
entonces
lim =
Ejemplo:
Suponga que las ordenes en un comedor son variables aleatorias idnticamente
distribuidas con media igual a $8 y una desviacin estndar de $2. Determine:
a) La probabilidad de que los primeros 100 clientes gasten un total de ms de $860
b) La probabilidad de que los primeros 100 clientes gasten un total entre $760 y $840
c) Despus de cuantas ordenes se puede estar un 95% seguro que el total gastado por todos
los clientes es mas de $1000
Solucin:
= 8; = 2
a)
=
860 100(8)
=3
2 (10)
Entonces
> 3 = 0.9987
b)
=
840 100(8)
=2
2 (10)
34
760 100(8)
= 2
2 (10)
Entonces
2 > > 2 = 0.544
c)
=
1000 (8)
<
2 ( )
1000 8
2
= 0.95
Entonces
1000 8
2
= 1.6
Redondeando
= 121
Ejemplo:
Un estudiante usa lpices cuya duracin es una variable aleatoria exponencial con media
de una semana. Use el teorema del lmite central para determinar el mnimo numero de lpices
que debera comprar al inicio del semestre (15 semanas) para tener una probabilidad de 0.99 de
no quedarse sin lpices durante el semestre.
Solucin:
15
= 1 ; = 1 ; = 15
35
<
15
15
= 0.99
= 2.325
225 30 + 2 = 5.4056
225 35.4056 + 2 = 0
1 = 8.3
2 = 27.1
Entonces el nmero de lpices mnimo es 9.
X t,
V.A. que nos proporciona informacin
() = () ()
36
Ejemplo:
Hallar y del siguiente proceso estocstico, si se sabe que A es una variable
aleatoria uniforme con intervalo (0,2)
, = ()
. . .
(0,2)
() =
= =
0.5 =
0
0.5
1
0.5 2
0.52 |20 =
2
2
() 2 = 2 2
= ()
= 2 2 2 = 2
2 0.5 2
0
0.5 3 2
0.5 (8)
|0 2 = 2
2
3
3
4
1
= 2 2 = 2 ()
3
3
= 2
0,5 ; 0 2
0 ;
1 ; 2
= 0.5 ; 0 < 2
0 ; < 0
37
( ) =
1
;
2()
0.5 ()
=
; 0 () < 2()
()
0
;
<0
()
0.5
; 0 () 2()
= ()
0 ; ()
() =
0.5
()2 2 ( ) 42 ()
=
|
=
4() 0
4()
= ()
Igual procedimiento se puede realizar para obtener la varianza de X(t).
Autocorrelacin
La autocorrelacin es la correlacin cruzada de un seal consigo misma.
La funcin de autocorrelacin resulta de gran utilidad para encontrar patrones repetitivos
dentro de una seal, como por ejemplo, la periodicidad de una seal enmascarada bajo el ruido o
para identificar la frecuencia fundamental de una seal que no contiene dicha componente, pero
aparecen numerosas frecuencias armnicas de esta.
1 , 2 = [ 1 , (2 )]
38
Crosscorrelacion
La correlacin cruzada es una medida de la similitud de dos formas de onda como una
funcin de un desfase aplicado a uno de ellos. Esto tambin se conoce como un deslizamiento
producto punto o corredera interior-producto.
1 , 2 = [ 1 , (2 )]
Autocovarianza
Es el clculo de la crosscovarianza de un proceso consigo mismo.
1 , 2 = [ 1 (1 ) 2 (2 ) ]
Crosscovarianza
El trmino covarianza transversal se utiliza para referirse a la covarianza cov (X, Y) entre
dos vectores aleatorios X y Y, con el fin de distinguir que el concepto de la "covarianza" de un
vector X al azar, que se entiende ser la matriz de covarianzas entre los componentes escalares de
X.
1 , 2 = [ 1 (1 ) 2 (2 ) ]
= 2 = , =
= (, ) [()]2
[()]2 =
39
Coeficiente de Correlacin
El coeficiente de correlacin de Pearson es un ndice que mide la relacin lineal entre dos
variables aleatorias cuantitativas. A diferencia de la covarianza, la correlacin de Pearson es
independiente de la escala de medida de las variables.
1 , 2 =
(1 , 2 )
(1 , 1 ) (2 , 2 )
; (1 , 2 ) 1
Ejemplo:
Dado un proceso estocstico X(t) y la variable aleatoria . Hallar E[X(t)] y (1 , 2 )
= +
=> . . 0, 2
, =
Solucin:
=
1
2
= + =
=
2
2
1
1
=
2
2
0
0
1
1
=
2
2
0 +
0 =0
2
2
1 , 2 = 1 2
= 1 1 2 2
= 2 2 1 2 + 2 2 1 2
2 1 2 2 1 2
= 2 1 2 2 + 2 1 2 2
2 1 2 + 2 1 2
40
2 =
0
2
2 =
0
1 1 1
1 1
1
1
1
+ 2 =
[ + 2]2
=
0 =
2 2 2
2 2
4
2
2
1 1 1
1 1
1
1
1
2 =
[ 2]2
=
0 =
2 2 2
2 2
4
2
2
2
=
0
1
1
=
2
2
4
2
0
=0
Entonces
1 , 2 =
2
2
2
1 2 + 1 2 =
1 2
2
2
2
2
=
( 1 2 )
2
1. = = (sin )
2. = ; , (sin )
41
Ejemplo:
Calcular:
a)
b)
c)
d)
Si se conoce lo siguiente:
A y B => Variables Aleatorias Independientes
A => Distribucin exponencial con media 1
B => Distribucin uniforme (0,1)
X(t) y Y(t) son procesos estocsticos de la siguiente manera:
= ; > 0
= + ; > 0
Solucin:
= 1 ; 0,1
= ; 0,1
= ; 0,
= 1 ; (0, )
a)
= =
1
+1
+1
0
0
1
+1
1
1
(+1)
=
0
+1
+1
=
0
1
+1
(+1)
0
1
1
0 =
+1
+1 +1
1
=
+1
42
= 1 2 =
1 , 2 = 1 2
1 + 2 +1
1
1 + 2 + 1
1 + 2
1
( 1 + 2 +1)
1 + 2 + 1
=
0 1 + 2 + 1
1 + 2 +2
( 1 + 2 ) 2 =
0 0
1
2
1 + 2 +1
= 1 + 2 + =
1 , 2 = 1 2
=
=
0
1 + 2
2
0
( 1 + 2 +1)
0
=
0
1
1 2
1 + 2 + 1 2
1
0
1
2(1 + 2 + 1)
b)
= ()
, =
1
; [()]
2 + 1
= , [()]
=
1
( + 1)2
Entonces
1 2
= 1
1
1
2 + 1 ( + 1)2
= 1 2 (1) (2)
1 2
= 2 = 3 =
0
1
; 2
2
3 =
4 =
0
1
4
1
3
Entonces
1 2
1 11 6 4
2
1
=
=
=
4 23
24
24 12
c)
43
=
= 1
; > 0
0 ; <0
1 ; () 1
= 1
()
+
= 1 + ln () = 1 + () ; 0 () < 1
0 ; () < 0
1
1
1
; 0 1
= ()
0 ;
d)
1 1 = + 1 = + 0 = = , ()
= ; = 1 ; = 1 ; = ; , = (1 )
1
, =
=
0
=
0
= 0 = 1 + 1 = 1
44
Ejemplo:
Hallar:
a)
b)
c)
d)
1
1 , +
2
2 , +
Solucin:
a)
1
=0
b)
1 , + = + =
= =
= ( )
c)
2
= 00 = 0
d)
2 , + = +
+ +
= + + +
+ + = + +
= 2 + = 2 +
45
Ejemplo:
Determinar si X(t) es w.s.s., sabiendo que => . . (, )
= 2 2 +
Solucin:
=
; =
2
2
= 2 2 +
= 2
1 2 +
+
2
2
1
1
= 2 + 2 +
2
2
1
1
= 2 + 2 2 2 2
2
2
1 2 1
1
= + 2 2 2 2
2
2
2
1
1 1
=
2
=
2
2
2 2
=0
1
1
1
=
2
2
2 2
1
11 = 0
4
Entonces:
= 2 2 => Independiente de t
= = 2 2 + 2 2 +
= 4 2 + 2 +
1 1
1 1
= 4
+ 2 + 2
+ 2 + 2
2 2
2 2
4 4
=
+ 2 2 2 2
4
4
4
2 2 2 2
4
4
2 2 2 2
4
4
+ 2 2 2 2
4
46
1 1
= + 4
2 2
1 1
= + 4
2 2
1 1 1
+
4
2 4 4
2 2
2 2
=
2 2
1
2 2
2
1 1
2
2 2
1 1
= +
2 2
1
2
1
1
=
2
2
2 2
=0
1
2
Entonces:
=
4 4
4
+ 2 2 + 2 2
4
8
8
4
=
2 + 2 2 + 2
8
=
4
2 + 2
8
=>
= lim
0 < <
47
= , +
, + 2
, + = 1
2 [ ]
= 1
() 2
Ejemplo:
Determinar:
a) Si Y(t) es w.s.s.
b) ()
Dado que X(t) es w.s.s.
= 0 ;
=2
= 2 + 3( 1)
Solucin:
a)
= 2 + 3 1
= 2 + 3 1
= 2 =>
, = = 2 + 3 1 2 + 3 1
= 4 + 6 1 + 6 1 + 9 1 1
= 4 + 9 1 1 = 4 + 9 =>
Entonces . . .
48
b)
()
4 2 +
4 + 9 () 2
9 () 2 = 4 + 9 ()
Ejemplo:
Conociendo que X(t) es w.s.s., y que = ; .
Determinar:
a) Si = . . .
b) Si = , ()
Solucin:
a)
lim () = 2 => = 0
= =
= =
, . . .
b)
= [ (, )]
, + = + = + +
= + + +
+ + = + +
= 2 + = 2 +
=
4
2
2
1 + 1 2 1 + 2 2 1 + 3 2
49
()
=
=
Ejemplo:
Suponiendo X(t) y W(t) w.s.s. e independientes. Hallar () si:
a)
= ()
Solucin:
=
= ()
50
b)
= + ()
Solucin:
= + +
= + + +
= + + + = + + 2
Retardador
Z t = X t t0
R Z =
Procesos Ergdicos
Determinacin de parmetros:
a) Se toma una muestra completa del proceso y se realizan los clculos sobre ella.
b) Se toman todas las salidas para un t k y se calcula los parmetros deseados.
Si el valor del parmetro resulta igual por los dos mtodos, se dice que el proceso es ergdico
respecto a ese parmetro.
Ejemplo: Ergodicidad respecto a la media
1
= lim
( )
= =>
2 = 2 =>
= ()2 =>
= 2 = 2
=>
= =>
() = ()
51
Ejemplo:
Se tiene un proceso ergdico X(t) con = 2 2
Solucin:
Nivel DC
lim = 2 = 0 => = 0
4
+ 2
4 2
52
Ruido Blanco
El ruido blanco o sonido blanco es una seal aleatoria (proceso estocstico) que se
caracteriza por el hecho de que sus valores de seal en dos tiempos diferentes no guardan
correlacin estadstica. Como consecuencia de ello, su densidad espectral de potencia (PSD, siglas
en ingls de power spectral density) es una constante, es decir, su grfica es plana.1 Esto significa
que la seal contiene todas las frecuencias y todas ellas muestran la misma potencia. Igual
fenmeno ocurre con la luz blanca, de all la denominacin.
Ejercicios Varios
Ejercicio1:
2
Solucin:
a)
=
= 9 =>
=3
Entonces = 4.2 ( )
53
= =
= 2 ()
= 2
= 2
Entonces Z(t) S es w.s.s.
b)
=
= 2.4 9 + 2
= 21.4 2 + 4.8 4
Ejercicio2:
Sea A,B una variable aleatoria bidimensional continua con
, , =
2 ; 0, 0, + 1
0 ;
Si = 2 + , determinar:
a) [()] y la Autocorrelacion de X(t)
b) (2)
c) Funcion de Densidad y de Probabilidad de X(1)
Solucin:
54
a)
1
2 = 201 = 2 2
2 = 21
= 2 2
0
2 2 = 2|0 2 |0 = 2 2
2 2 = 2|0 2 |0 = 2 2
= 2 + = 2 + = 2 + []
1
= =
0
2
2 1
2 2 = 2 |10 3 |10 = 1 =
3
3 3
Entonces
= 2 +
1 , 2 = 1 2 = 1 2 + 2 2 + = 2 1 2 2 2 + 1 2 + 2 2 + 2
= 1 2 2 2 2 + 1 2 + 2 2 + [2 ]
1
2
=
0
2 1 1 1 2 1 43 1
2 (2 2) = 3 0 4 0 = =
=
3
2
3 2
6
6
2 = 2
0
2 2 + 1 =
=
0
2 1
(1 )2
2
0
0
0
1
2
1 1
1
1
3 22 + = 4 0 3 0 + 2 0
4
3
2
= 2
1 2
1 2 1 38+6
1
= + =
=
4 3 2
12
12
1
Entonces 1 , 2 = 6 1 2 2 2 + 12 1 2 + 12 2 2 + 6
b)
2
= 2
=
13
18
= 2,2 (2)
1
1
1
1
5
= 4 4 +
4 +
4 +
6
12
12
6
3
55
c)
= 2 + => 1 = +
(1)
2 = 2 1 ; 0 (1) 1
0
Ejercicio3:
Un proceso ergdico con distribucin uniforme entre [-a, a], tiene la siguiente funcin de
correlacion:
=
Solucin:
Partimos del hecho que
0 = 2
Por lo que en este caso en particular tenemos lo siguiente:
1
=
3
Y resolviendo:
1 1 3
1
=
2 3 3
56
1 3
1 3 1
+
=
6
6
3
1 2 1
=
3
3
=1
Ejercicio4:
Un proceso ergodico X(t) tiene un valor medio igual a 4[V]. Si X(t) pasa por un sistema lineal cuya
respuesta impulsiva es h(t) igual a 4sinc(t), determine el valor medio de la seal de salida.
Solucin:
Se entiende que tengo ()
= + 16
Entonces
= + 16
=
= + 16 2
()
= 4
= 16 + 16
= 16 + 162
= 16 + 162
= 16
57
Ejercicio5:
Una seal X(t) con = 5 5 + 2 se contamina con ruido blanco independiente de ella,
con densidad espectral de potencia = 0.5 La suma de estas seales se procesan en un
sistema lineal que tiene modulo de () 2 = 2 ()
Determinar:
a) Grafica de
b) ()
c) Valor DC y potencia AC de X(t)
Solucin:
a)
b)
= 5 + 2()
58
c)
Valor DC = 2
Potencia Total = 7
Potencia AC = 7-2 = 5
Ejercicio6:
Un mensaje X(t) aleatorio y ergdico, con una funcin de
= 0.1 2 (106 ) es modulado en amplitud usando el siguiente sistema:
autocorrelacion
Determine:
a) Densidad Espectral de Potencia de Y(t) en funcin de la Densidad de Potencia X(t) y
dibjela.
b) Dibujar la Densidad Espectral de Potencia de Y1(t) y Y2(t)
59
Solucin:
1 =
= 0.8 ()
2 = 1 +
1 ( 0 ) 2 ( 0 )
+
4
4
= 2 2109 + 2 + 2109 + +
= 2 2 + 2109 + 2109 + +
1
= 2
(2109 )
2
60