Procesos Estocásticos- Procesos Gaussianos
-
Upload
victor-cruz -
Category
Documents
-
view
11 -
download
0
description
Transcript of Procesos Estocásticos- Procesos Gaussianos
7/21/2019 Procesos Estocásticos- Procesos Gaussianos
http://slidepdf.com/reader/full/procesos-estocasticos-procesos-gaussianos 1/5
PROCESOS ESTOCÁSTICOS
Un proceso estocástico es una secuencia de variables aleatorias
-
El término proceso estocástico puede hacer referencia tanto al proceso que genera la
secuencia como a la secuencia misma.
-
Se representa como X(k) ∈
Ω, k ∈
K .o
Ω es el espacio muestral, el conjunto de valores posibles que puede tomar X(k).
o
K es el indice que hace referencia a la posición 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 posición relativa.
-
Nosotros vamos a estudiar procesos estocásticos en los que k indica tiempo, es decir,
X(k) son valores registrados a lo largo del tiempo. Por esta razón también se les conoce
como señales, y también como series temporales
-
Una realización del proceso son los valores que toman las variables aleatorias en un
experimento determinado.
VARIABLES ALEATORIAS
Una variable aleatoria es una función que asigna un número 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: “número de caras que se obtienen al
lanzar dos monedas al aire”. C 0,1,2 variable aleatoria discreta.
-
La mayoría de las veces el resultado del experimento aleatorio ya es un número, por lo
que la variable aleatoria es directamente el resultado:H: “altura de una persona elegida alazar”. 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.
EJEMPLO
Se ha registrado un dato cada 0.25 segundos durante 10 minutos Señales discretas
Podemos organizar los datos en forma matricial
7/21/2019 Procesos Estocásticos- Procesos Gaussianos
http://slidepdf.com/reader/full/procesos-estocasticos-procesos-gaussianos 2/5
-
El valor que estamos registrando en un instante de tiempo ti depende de la señal que
observemos, V j(ti) ≠ Vk(ti). Son variables aleatorias.
El conjunto de los datos registrados (1) provienen de un proceso estocástico o aleatorio.
Tenemos una secuencia de variables aleatorias:
-
V (t j) es la variable aleatoria velocidad registrada en el instante de tiempo t j.
-
Una observación de los valores de las variables aleatorias se conoce como realización del
proceso estocástico. Cada realización es única.
Realización
El proceso estocástico viento se representa como
Toda variable aleatoria X tiene asociada una función de densidad de probabilidad, fx(x), que
cumple que:
FUNCIÓN DE DENSIDAD DE PROBABILIDAD
-
f X(x) ≥ 0 para todo x.
- ∫ () = 1
+∞
−∞
- ( ≤ ≤ ) = ∫ ()
7/21/2019 Procesos Estocásticos- Procesos Gaussianos
http://slidepdf.com/reader/full/procesos-estocasticos-procesos-gaussianos 3/5
ESPERANZA
Se define la esperanza o media de una variable aleatoria X continua como
VARIANZA
Se denomina varianza de una variable X
EJEMPLO
Sea X una variable aleatoria con función de densidad de probabilidad dada por la figura. Calcular la
media y la varianza de X.
Según la figura () =
2
Como
7/21/2019 Procesos Estocásticos- Procesos Gaussianos
http://slidepdf.com/reader/full/procesos-estocasticos-procesos-gaussianos 4/5
Por tanto:
La varianza también se puede calcular mediante
PROCESOS ESTACIONARIOS
Formalmente, un proceso X(t) se denomina estríctamente estacionario si para cualquier τ:
En otras palabras, los parámetros estadísticos en tj y en tk= tj + τ son iguales
Por otro lado, un proceso X(t) se denomina débilmente estacionario si
PROCESOS ERGÓDICOS
7/21/2019 Procesos Estocásticos- Procesos Gaussianos
http://slidepdf.com/reader/full/procesos-estocasticos-procesos-gaussianos 5/5
PROCESOS GAUSSIANOS
Un P.A. X(t) es un proceso gaussiano, si cada función muestra de X(t) es una v.a. gaussiana.
Podemos decir que X(t) tiene una distribución gaussiana si su función de distribución de
probabilidad tiene la forma
Si la variable X(t), está normalizada, se tiene que
para N(0,1) = N(µ, σ2)
Propiedades
-
Si X(t) es un proceso gaussiano aplicado a la entrada de un sistema LIT, la salida también
es un proceso aleatorio gaussiano Y(t).
-
Si un P.A. X(t), es gaussiano, entonces las funciones muestra generadas por X(t) son
conjuntamente gaussianas, para cualquier n, siendo n, el orden del P.A.
-
Si el proceso gaussiano es estacionario, entonces el proceso es estrictamente estacionario.
-
Si las v.a. X(t1) X(t2) X(tn), son obtenidos de un proceso gaussiano X(t) en los tiempos t1 , t2,
… tn y son no correlacionados entonces las v.a. son estadísticamente independientes.