Dise no de esquemas de control para

sistemas lineales
Tarea 4. Proceso estocastico gaussiano
Pedro Enrique

Avila Hernandez
6 de abril 2014
1. Proceso estocastico
Un proceso estocastico es una coleccion o familia de variables aleatorias X
t
, cont T, ordena-
das seg un el subndice t que en general se suele identicar con el tiempo.
Por tanto, para cada isntante t tendremos una variable aleatoria distinta representada por X
t
,
con lo que un proceso estocastico puede interpretarse como una sucecion de variables aleatorias
cuyas caractersticas pueden variar a lo largo del tiempo. Por ejemplo, si observamos solo unos
pocos valores de t, tendramos una imagen similar de la de la siguiente gura:
Figura 1: Graca de variables aleatorias y su correspondiente distribucion de probabilidad
en la que se representa para cada t la funcion de densidad correspondiente a X
t
. Aunque en la
gura se han representado unas funciones de densidad variables, un proceso estocastico no tiene
por que presentar esas diferencias en la funcion de densidad a lo largo del tiempo.
A los posibles valores que puede tomar la variable aleatoria se le denominaran estados, por lo
que se puede tener un espacio de estados discreto y un espacio de estados continuo. Por otro lado,
la variable tiempo puede ser de tipo discreto o de tipo continuo.
1
2. Proceso estocastico gaussiano
Un proceso estocastico es Gausiano o normal si para cualesquiera coleccion nita de tiempos
t
1
, ..., t
n
la funcion de densidad de probabilidad conjunta del vector X(t
1
), ..., X(t
n
) es normal mul-
tivariante. A su vez este vector es multivariante si satisface las siguientes condiciones equivalentes:
Toda combinacion lineal Y = a
1
X
1
+... +a
n
X
n
esta normalmente distribuida.
Hay un vector aleatorio Z = [Z
1
, ..., Z
m
]
T
cuyas componentes son variables independientes
aleatorias distribuidas seg un la normal estandar, un vector = [
1
, ...,
m
]
T
y una matriz
A
nm
tal que X = AZ +.
Hay un vector y una matriz semidenida positiva simetrica tal que la funcion carac-
terstica de X es: Si es una matriz no singular, entonces la distribucion puede describirse
por la siguiente funcion de densidad: Donde = AA
T
Cabe se nalar que los procesos estocasticos Gausianos estan completamente determinados si se
conocen la media y la funcion de autocorrelacion. As

A mismo la salida de un sistema LTI a una

esntrada gaussiana es gaussiana
3. Algunos ejemplos de procesos estocasticos gaussianos
Movimiento browniano ( movimiento aleatorio que se observa en algunas part

Aculas mi-
croscopicas que se hallan en un medio uido)
Ruido gaussiano (asociado con la radiacion electromagnetica)
4. Referencias
http://www.etsii.upm.es/ingor/estadistica/fjcara/mme_construccion/02_pest_tiempo.
pdf
http://es.wikipedia.org/wiki/Distribuci\penalty\@M\hskip\z@skip\unhbox\voidb@
x\bgroup\let\unhbox\voidb@x\setbox\@tempboxa\hbox{o\global\mathchardef\accent@
spacefactor\spacefactor}\accent19o\egroup\spacefactor\accent@spacefactor\penalty\
@M\hskip\z@skip\setbox\@tempboxa\hbox{o\global\mathchardef\accent@spacefactor\
spacefactor}\spacefactor\accent@spacefactorn_normal_multivariante
http://www.dmae.upct.es/
~
mcruiz/Telem06/Teoria/apuntes_procesos.pdf
http://lmi.bwh.harvard.edu/papers/pdfs/1996/martin-fernandezCOURSE96b.pdf
2