Probabilidad

Probabilidad de una variable aleatoria binomial: Binomial(n,p)

- Probabilidad exactamente k (p(x=k))
o Se establece la probabilidad p, la muestra n, exactamente k.
o Con estos datos se aplica la frmula
k n k
p p
k
n
k x p

|
|

\
|
= = ) 1 ( ) (
- Si no es exacta puede haber diferentes opciones como:
o Al menos k (p(x>=k)). Es decir, que lo alcance k o ms veces hasta
n, (muestra).
o Como mucho k (p(x<=k)). Es decir, que lo alcance k o menos
veces hasta 0.
En cualquier caso si k es un valor cercano al lmite (n para el primer caso y 0
para el segundo) se aplica la frmula anterior al valor k, y a los siguientes hasta
ese lmite (en el primer caso a k, k+1, hasta n y en el segundo k, k-
1, hasta 0) y se suma:
0 ) 1 ( 1
) 1 ( ... ) 1 (
1
) 1 ( ) ( p p
n
n
p p
k
n
p p
k
n
k x p
n k n k k n k

|
|

\
|
+ +
|
|

\
|
+
+
|
|

\
|
=
+ +
n k n k k n k
p p
n
p p
k
n
p p
k
n
k x p ) 1 (
0
... ) 1 (
1
) 1 ( ) (
0 ) 1 ( 1

|
|

\
|
+ +
|
|

\
|

+
|
|

\
|
=


Pero si k es un valor ms cerca del lmite opuesto (0 para el primer caso y n
para el segundo) se aplica la frmula anterior a los valores desde k-1 hasta 0
(caso 1) o desde k+1 hasta n (caso 2), se suman, y el resultado se le resta a 1
(en el primer caso ) 1 ( 1 k x p y en el segundo ) 1 ( 1 + k x p ). Es decir, lo
que intentamos es realizar el menor nmero de clculos posibles as que
aplicamos el menor nmero de veces la frmula anterior. Se podra aplicar
siempre la frmula y sumar pero es ms fcil aplicarla dos veces, por ejemplo,
que 6. Esto tambin es aplicable en el caso de que pidan una ocurrencia de Ms
de k o Menos de k, slo que siempre debemos tener en cuenta el signo
comparador. Por ejemplo:

o Ms de k (p(x>k)).
Se aplica la frmula anterior al valor k+1, hasta n y se suma si
estamos cerca de n:
0 ) 1 ( 1
) 1 ( ... ) 1 (
2
) 1 (
1
) ( p p
n
n
p p
k
n
p p
k
n
k x p
n k n k k n k

|
|

\
|
+ +
|
|

\
|
+
+
|
|

\
|
+
= >
+ +

Se aplica la frmula anterior al valor k, k-1 hasta 0, se suman los
valores y se le restan a 1, si estamos cerca de 0 ( ) ( 1 k x p ).
o
|
|

\
|

|
|

\
|
+ +
|
|

\
|

+
|
|

\
|
=
n k n k k n k
p p
n
p p
k
n
p p
k
n
k x p ) 1 (
0
... ) 1 (
1
) 1 ( 1 ) ( 1
0 ) 2 ( 2 ) 1 ( 1
E igual con menos de k (p(x<k)).

Recordemos que 1 =
|
|

\
|
n
n
y n
n
=
|
|

\
|
0

- Puede ser que pidan la probabilidad de que nunca se active, se llegue,, es
decir, de k=0.
- Pueden preguntar el tipo de distribucin, es decir, a partir del enunciado
deducir que es una Binomial(n,p).

Ejemplo:
Cuando un paquete de datos atraviesa un determinado canal, la probabilidad de
que ste llegue a su destino es de 0.7. Si se envan 200 paquetes por el canal,
cul es la distribucin de probabilidad que sigue la v.a. nmero de paquetes
que llega bien a su destino?
Ser una Binomial(200,0.7)

- Tambin se puede pedir una aproximacin de una normal (gaussiana) a una
binomial. En estos casos el enunciado ser parecido a los anteriores (tipo
binomial), pero te piden la probabilidad de que lleguen a destino entre a y b
seales, paquetes, Para resolverlo se utiliza la distribucin normal. La
distribucin normal o de Gauss viene caracterizada por dos parmetros, el valor
medio o parmetro de posicin () y la desviacin tpica (), que mide la
dispersin de la variable aleatoria con respecto a . La distribucin normal viene
determinada por:
2
2
2
) (
2
1
) , , (

=
x
e x f
Por tanto se deben hallar los valores que no conocemos y que se hallan:
) 1 (

p p n
p n media
ad probabilid p
muestras n
=
=

Y el clculo de la probabilidad se realiza con:
dx e b x a p
b
a
x

=
2
2
2
) (
2
1
) (

Ejemplo
Cul es la probabilidad de que lleguen bien al destino entre 150 y 160
paquetes?
Toda binomial se puede aproximar por una normal N(,)
Los valores que necesitamos conocer por tanto para hallar la aproximacin
normal a la binomial son:
48 , 6 3 , 0 7 , 0 200 ) 1 (
140
7 , 0
200
= = =
= =
=
=
p p n
p n media
ad probabilid p
es repeticion n

Por lo tanto la normal es N(140,6.48)

Y el clculo de la probabilidad es:
( )
dx e x P dx e b x a P
b
x
b
a
x

= =
5 , 160
5 , 149
48 , 6 2
) 140 (
2
) (
2
2
2
2
2 48 , 6
1
) 160 150 (
2
1
) (

Hacemos la correccin de continuidad ( ) 05 5 , 0 ( + < < b Y a p ) para obtener

los extremos de la integral 149,5 y 160,5.


Teorema de probabilidad total y de Bayes

- Te reparten algo en varias cantidades donde el total es el 100%. Por ejemplo tres
canales de comunicaciones, dos tipos de productos distintos, Tambin te dan
dentro de cada canal, producto, etc. una probabilidad de que pase algo o no pase,
por ejemplo que funcione o no funcione, este disponible o no,.... Y finalmente se
coge algo (paquetes, bateras,) al azar y preguntan:

o Probabilidad de que ese algo funcione o no funcione, este disponible o
no, Si por ejemplo F significa funcionar o D estar disponible se pide:
) ( ), ( ), ( ), ( D P D P F P F P
Lo ms fcil es crear un rbol de probabilidades y a partir de l aplicar
las frmulas. Se tiene que recorrer el rbol entero para poder averiguar la
probabilidad por lo que usamos el teorema de probabilidad total. Se
usa la multiplicacin ( ) y la suma
Ejemplo. Si cada C es un canal con una cantidad concreta de paquetes y
D indica si el paquete est disponible o no, al escoger un paquete al
azar, cul es la probabilidad de que el paquete cogido al azar sea
defectuoso?











Evidentemente ser la suma de las tres ramas que dan defectuoso (D):
027 , 0 01 , 0 2 , 0
05 , 0 3 , 0 02 , 0 5 , 0 ) 3 ( ) 2 ( ) 1 ( ) (
= +
+ + = + + = D C P D C P D C P D P


o Probabilidad en relacin con la primera columna del rbol. Por ejemplo
si este algo que se ha cogido al azar es D (disponible) o F (falla) qu
probabilidad hay de que sea de un canal u otro, o de un producto u otro.
En este caso se usa el teorema de Bayes. Como la informacin sobre la
ltima columna del rbol ya la tenemos por el ejercicio anterior (cada
porcentaje individual as como la probabilidad total de que sea
0.05
0.01
0.02
0.5
0.2
0.3
C1
C2
C3
D
D
D
D
D
D
) ( ), ( ), ( ), ( D P D P F P F P ), usaremos ese valor. En este caso usaremos
la multiplicacin ( ), la suma y la divisin.
Ejemplo. Si el paquete al azar resulta que no es defectuoso, qu
probabilidad hay de que venga del canal C3?
En este caso debemos dividir la probabilidad de la rama C3+no
defectuoso con la probabilidad total de que no sea defectuoso. Por tanto
debemos calcular los valores ya que tenemos justo los contrarios:
Rama C3 y no defectuoso:1-0,01=0,99
Paquetes totales que no son defectuosos 1-0,027=0,973
203 , 0 973 , 0 / 99 , 0 2 , 0 ) / 3 ( ) / 3 ( = = = D D C P D C P



Funcin de densidad
1. Te dan la funcin de densidad conjunta de un v.a. expresada en funcin de una
constante k y te piden:

- El valor de k:
o Se aplica la ecuacin

= dxdy y x f
XY
) , ( 1 y se despeja k. Donde
) , ( y x f
XY
es la definicin de la funcin all donde es distinta de 0. Al ser
k una constante se saca de la integral, primero se integra sobre x ya
que est dentro y el resultado es la integral sobre y

Ejemplo
0 2, 0 2
( , )
0 otherwise
XY
k x y x y
f x y
< < < <
=

4
1
4 2 2
2
2 2
2
2
) , ( 1
2
0
2 2
0
2
0
2
0
2
0
2 2
0
2
0
= = =
(

= =
= =
(

= = =

k k k
y
k ydy k
ydy k dy
x
y k xydxdy k dxdy y x f
XY


Ejemplo:
( )
2 2
0 1
( , )
0 otherwise
XY
k x y y x
f x y

+

Vamos a reescribir el dominio de la funcin para descubrir los lmites de
x e y.
2 2 2
2 2
1 1 0 1 0
] 1 , 0 [ 1 0
x x x y
x y x y

a

x debe ser como mximo 1 ya que si fuese ms de 1 el lmite de y no
tendra sentido ya que ira desde 0 a un valor menos de 0 (por ejemplo
1-1,1=-0,9) algo no posible. Por tanto:
] 1 , 1 [ a x
( ) ( )
2
1 1
2 2
1 0
4
1 ...
5
x
k x y dydx k x y dydx k
+ + +

= + = + = =


Repasar:

( )
( )

+ = +
+ = +
2
2
2
3
2
2
3
xy
x
dy y x
xy
x
dy y x



- Funciones de densidad marginales de X e Y:

o Se aplican las frmulas

= dy y x f x f
XY X
) , ( ) ( y

= dx y x f y f
XY Y
) , ( ) ( .
Se tiene en cuenta que cuando se integra sobre una variable la otra se
considera una constante y se podra sacar de la integral.
Ejemplo:
0 2, 0 2
( , )
0 otherwise
XY
k x y x y
f x y
< < < <
=

Sabemos que k=1/4.
2
2
4 2 4 4
1
) , ( ) (
2
0
2
0
2
x x y x
xydy dy y x f x f
XY X
= =
(

= = =

o Hay que tener cuidado de definir perfectamente los lmites:

Ejemplo:
( )
2 0 , 0
( , )
0 otherwise
x y
XY
e x y y
f x y
+
<
=

Hay que tener en cuenta que al hallar la densidad marginal de x
hacemos la integral en funcin de y, por tanto los lmites de la
integral de la densidad marginal de x son los lmites de y. Al
contrario que cuando se hace la integral doble de la funcin conjunta:
[ ]
x y x y x y x y x
x
e e e dy e e dy e e dy e x f

+
= = = = =

2 2 2 2 2 ) (
0
0 0 0
) (

( )
( )
0 0 0
( ) 2 2 2 2 1
y
y y
x y y x y x y y
Y
f y e dx e e dx e e e e
+
( = = = =



Ejemplo:
24 0, 0, 1
( , )
0 otherwise
XY
xy x y x y
f x y
+
=

Hay que tener en cuenta que x y x y y x + 1 0 1 1
1
2
1
2
0
0
( ) 24 24 12 (1 )
2
x
x
X
y
f x xydy x x x

(
= = =
(

o Te dan la funcin de densidad de una de las variables. En este caso es
probable que la otra se pueda obtener por simetra directamente (aunque
siempre se puede sacar la integral).
Ejemplo:
0 1, 0 1
( , )
0 otherwise
XY
x y x y
f x y
+ < < < <
=

1
0 1
( )
2
0 otherwise
X
x x
f x

+ < <

Por simetra:
1
0 1
( )
2
0 otherwise
Y
y y
f y

+ < <

O a travs de la integral:
2
1
2
) , ( ) (
1
0
1
0
2
+ =
(

+ = + = =

y
x
xy ydx x dx y x f y f
XY Y


- Determina la funcin de densidad condicional f(x/y) o f(y/x)

o Se aplica la frmula
) (
) , (
) / (
x f
y x f
x y f
X
XY
= o
) (
) , (
) / (
y f
y x f
y x f
Y
XY
=
Ejemplo f(y/x):
( ) 2
( / ) 0 1, 0 1
1
2 1
2
x y
x y
f y x x y
x
x
+
+
= = < < < <
+
+


- Determina las funciones de distribucin marginales.

o En este caso se debe realizar la integral sobre t de cada funcin de
densidad marginal con los lmites de a x o a y
Ejemplo:
x x
xy
x xy x
XY X
e
x
x e
x
e
x e dy xe e dy y x f x f

= |

\
|
=
(

= = =

1
) , ( ) (
0
0


1 0
( ) ( )
0 otherwise
x
x
X X
e x
F x f t dt

>
= =

( )
2
( 1)
0
1
0
1 ( ) ( , )
0 otherwise
x y
Y XY
y
y f y f x y dx x e dx

+

>

+ = = =

0
1 ( ) ( )
0 otherwise
y
Y Y
y
y
y F y f t dt

>

+ = =

- Demostrar que realmente es una funcin de densidad conjunta.

o Para ello la integral doble debe ser igual a 1.

- Determinar algn tipo de probabilidad

o Es posible que pidan una probabilidad relacionada con un clculo ya
hecho, por ejemplo la de densidad condicional relacionada con alguna
densidad marginal. Darn un rango para una de las variables y un valor
exacto para la otra. Se sustituye el valor exacto en la frmula en cuestin
y se realiza la integral en el rango determinado.

Ejemplo, la probabilidad P(0<Y<0.5|X=0.5):
8
3
32
12
8
1
4
1
4
1
2
1
2
1
2
4
1
2
2
1
2
1
2
2
2
1
2 1
2
1
) 2 1 (
2
1
2
1
2
2 1
1 2
) ( 2
) 5 . 0 / ( ) 5 . 0 / 5 . 0 0 (
5 . 0
0
2 5 . 0
0
5 . 0
0
5 . 0
0
5 . 0
0
5 . 0
0
5 . 0
0
= = + =
|

\
|
+ =
=
|
|
|
|

\
|
+ =
(

+ = + = + = + =
=
+
=
+
+
= = = = < <


y
y ydy dy y ydy
dy
y
dy
x
y x
dy x y f X Y P

Ejemplo, P(1/2 < x < 1)
En este caso slo hara falta hacer la integral de la funcin de densidad
marginal f
X
(x) con los lmites indicados.

- Determina si X e Y son independientes

o Las variables X e Y son independientes si y slo si
j i b Y P a X P b Y a X P
j i j i
, ), ( ) ( ) , ( = = = = = es decir,
) ( ) ( ) , ( x f x f y x f
Y X XY
=

Si seguimos el caso anterior vemos que xy y x f
XY
4
1
) , ( = y que
2
) (
x
x f
X
= y
2
) (
y
y f
Y
= por lo que
4
) ( ) (
xy
x f x f
Y X
= por tanto son independientes.

- Te dan la funcin de densidad conjunta y te piden la funcin de distribucin de
una v.a. Z=X+Y.

o En este caso ponemos una de las variables dependiendo de Z lo que nos
permite recrear la funcin de densidad conjunta (p.e. Y=Z-X). A partir
de aqu calculamos la funcin de densidad marginal de Z que se haya
calculando la integral en Z de la funcin de densidad conjunta, con los
lmites relacionados con Z. Por ltimo, la funcin de distribucin de una
v.a. es la integral sobre t de la funcin de densidad de esa v.a.
Nota: Recordamos poner los lmites de la otra variable en la integral.
Ejemplo:
5
0, 0
(1 ) ( , )
0 otherwise
XY
a
x y
x y f x y

> >

+ + =

Hemos calculado que a=12
( )
resto
x z x
x z x
x z x f y x f
X Z X XY
0
0 , 0
1
12
) , ( ) , (
5
) (
> >
+ +
= =


( ) ( ) ( ) ( )
[ ]
( )
5
0
5
0
5
0
5
0
5
1
12
1
12
1
1
12
1
12
1
12
) (
z
z
x
z
dx
z
dx
z
dx
x z x
z f
Z
Z Z Z
Z
+
=
+
=
+
=
+
=
+ +
=


4
0
4 1
( ) ( ) ... 1
(1 )
z
Z Z
z
F z f t dt
z
+
= = =
+

2. Te dan la funcin de densidad de una v.a. expresada en funcin de una constante k
y te piden:

- El valor de k.
o Se aplica la ecuacin

= dx x fx ) ( 1 y se despeja k
Funcin de distribucin
1. Te dan la funcin de distribucin F
X
(x) y te piden calcular la funcin de densidad.
Para ello lo nico que se debe hacer es derivar la funcin de densidad:
Ejemplo:

1 0
1 0 5
0 0
) ( ' ) (
4
>

<
= =
x
x x
x
x F x f
x


2
1
0
2
1
0 cos
0 0
) ( ' ) (
>

<
= =
x
x x
x
x F x f
x


2. Te dan E[X] = E[X
2
] = 1 y te piden la funcin de distribucin de la v.a. X
Segn el teorema de la varianza
2 2
) ( ) ( ) ( X E X E X Var = , lo que nos da
0 1 1 ) 1 ( 1 ) (
2
= = = X Var . Por tanto X es una constante. Como E[X] =1 entonces
X=1 por lo que la funcin de distribucin es:
1 1
( )
0 otherwise
X
x
F x

=

Funcin de probabilidad
1. Te dan la funcin de probabilidad de un v.a. discreto (en un cuadrante) y te piden:

- Calcular las funciones de probabilidad marginales.
Lo nico que se debe hacer es sumar las filas y las columnas.
Ejemplo:


- Calcular diferentes probabilidades:
Ejemplo:
) * ( par Y X P = en este caso sumamos las probabilidades de que la
multiplicacin de X por Y de un nmero par.

4 / 3 12 / 9 12 / 1
12 / 1 4 / 1 6 / 1 6 / 1 ) 3 , 3 ( ) 2 , 3 ( ) 3 , 2 (
) 2 , 2 ( ) 1 , 2 ( ) 2 , 1 ( ) * (
= == +
+ + + + = = = + = = + = = +
+ = = + = = + = = = =
Y X P Y X P Y X P
Y X P Y X P Y X P par Y X P


- Ver si X e Y son independientes. Para ello se escoge una posicin y se
comprueba si ) ( ) ( ) , ( b Y P a X P b Y a X P = = = = =

Estocstica
Nos van a pedir realizar uno de los siguientes clculos:

o Valor medio m(t)=E(X(t))
o Autocorrelacin entre dos momentos R(t1,t2)=E(X(t1)X(t2)
o La autocovarianza entre dos momentos C(t1,t2)=R(t1,t2)-m(t1)m(t2)
o La potencia Pot(t)=E(X(t))
2
=R(t,t)=Cov(t.t)+m(t)
2

o El valor mnimo y mximo que puede tomar la potencia. El valor mnimo
es siempre 0 por lo que:
Si tenemos senoidales el mnimo es cuando tenemos sen(0) o
cos(0) y el mximo cuando sen(1), cos(1). Si nos dan cos(2t)
ignoramos el 2, el mnimo seguir estando en cos(0) y el mximo
en cos(1).
Si tenemos una ecuacin se iguala a 0 su derivada y se despeja
t. Sustituimos ese valor en la ecuacin de la potencia.
o Justifica si el proceso es estacionario. Lo ser en los casos:
La potencia es una constante.
El valor medio es una constante y la autocorrelacin entre dos
momentos depende slo de la diferencia entre esos dos momentos
(t2-t1). Como ) ( ) ( ) , ( ) , (
2 1 2 1 2 1
t m t m t t C t t R + = si el valor medio
es constante ser estacionario si la autocovarianza cumple estas
caractersticas
o La desviacin tpica ) var( ) var(
2
x x
X
= = y
t x x C x = = ) , ( ) var(
o Nos piden el coeficiente de correlacin. Usaremos la frmula:
) , ( ) , (
) , (
) ( ) (
) , (
b b Cov a a Cov
b a Cov
b Var a Var
b a Cov
= =

Nota: Recordamos:
2 2
2
) ( ) ( ) (
var ) (
X E X Var X E
ianza desviacin
=
=

Si las variables son dependientes E(AB)=Cov(A,B)+E(A)E(B). En general te
dirn si son independientes y sino es que lo son, esto ltimo tpicamente en
ejercicios donde una variable es exponencial y la otra uniforme.

Variable aleatoria uniforme (o gaussianas) o exponencial

-
Te dan un proceso con una v.a. uniforme en un rango concreto y te piden lo anterior.
Para estas peticiones se necesitar calcular antes E(V), E(V
2
) y E(UV) si hay dos
variables, teniendo en cuenta que E(V
2
)=Var(V)+E(V)
2


Ejemplo,
X(t)=t+V(1-t) donde V es una variable aleatoria uniforme en [-2,4]
Por ser una variable uniforme tenemos:
1
2
4 2
2
lim lim
) ( =
+
=
+
=
mayor menor
V E
( ) ( )
4 1
12
) 2 ( 4
) (
12
lim lim
) (
2
2
2
2
= +

= +

= V E
menor mayor
V E
1 1 ) 1 ( 1 ) 1 )( ( )) 1 ( ( )) ( ( ) ( = + = + = + = + = = t t t t t V E t t V t E t X E t m
( )( ) ( )
( )
4 3 3 3
4 4 4 4
1 4
) 1 )( 1 ( 4 ) 1 ( ) 1 (
) 1 )( 1 )( ( ) 1 )( ( ) 1 )( (
) 1 )( ( ) 1 )( ( ) 1 )( ( ) 1 )( (
) 1 ( ) 1 ( )) ( ) ( ( ) , (
2 1 1 2
2 1 1 2 2 1 2 2 1 1 2 1
2 1 1 2 2 1 2 2 1 1 2 1
2 1 2 1 2 1 2 1
2 1
2
2 1 2 1 2 1
2 1 2 1 2 1 2 1
2 2 1 1 2 1 2 1
+ + =
= + + + + =
= + + + + =
= + + + =
= + + + =
= + + + =
= + + = =
t t t t
t t t t t t t t t t t t
t t t t t t t t t t t t
t t t t t t t t
t t V E t t V E t V E t t t
t V E t V E t t V E t V E t t t
t V t t V t E t X t X E t t R

) 1 ( 3 3 3 3 3
1 4 3 3 3 ) , ( ) , (
2 1 1 2 2 1 1 2
2 1 1 2 2 1 2 1 2 1
+ + = + + =
= + + = =
t t t t t t t t
t t t t mt mt t t R t t C
4 6 3 4 3 3 3 ) , ( ) (
2
+ = + + = = t t tt t t t t R t Pot
Para hallar el mnimo al ser una ecuacin igualamos a 0 la derivada y
despejamos:
1
6
6
6 6
) 4 6 3 (
0
2
= = =
+
= t t
dt
t t d

La potencia mnima se encuentra en el momento t=1, sustituimos para
hallar la potencia mnima.
1 4 6 3 ) ( = + = t Pot
Min

Aunque el valor medio es constante la autocorrelacin no depende slo
de la diferencia entre los dos momentos por lo que no es estacionario.

Ejemplo,
Dado el proceso con B variable exponencial de parmetro =1

Dibujamos una realizacin del proceso. Para ello slo hay que dar un
valor a B y dibujar (entre 0 e como indica el proceso)

Piden los valores que puede tomar la variable aleatoria X(1). Son los
que tendremos al sustituir t=1
B B
B
X
>

=
1
1 0 1
) 1 (
B B
B
X
>

=
1
1 1
) 1 (
1
1 1
) 1 (
<

=
B B
B
X
Sabemos que el proceso vale 1 y B por tanto slo nos queda conocer B.
Para B<1 slo podemos tener B=0, el rango ser [0,1] o sea de estado
continuo.
En otro ejemplo tenemos:
A A
A A
X
>

=
2
2 0 2
) 2 (
A A
A A
X
>

=
2
2 2
) 2 (
2
2 2
) 2 (
<

=
A A
A A
X
En este caso tambin sabemos que el valor mnimo es 0 pero el mximo
como est en funcin de A (no es una constante) ir aumentando desde
0,1,2,3, hasta infinito segn vamos dando valores a A. Por tanto es un
proceso de estado continuo con valores entre [0,)

Piden m(t). Por ser una variable exponencial definida por partes
realizamos las integrales:



> < + > < =
= =
t
b
t
b
db e s esoslmite valorentre db e s esoslmite valorentre
t X E t m


0
)) ( ( ) (
t
t
b
t
b
t
b
t
b
e e t e b db te db be t X E t m

= + + = + = =

1 ) ( ) 1 ( )) ( ( ) (
0 0
Al ser una exponencial el pico en 1,5 representado en la realizacin
desaparece. Si hubiese habido una discontinuidad tambin hubiese
desaparecido.
Nota sobre las integrales:
b b
e b db be

+ = ) (
b b
e b db be

+ =

) 1 (
b b
e b db e b
2 2
2
1
2

|

\
|
+ =

b b
e t b db e t b
2 2
2
1
2 ) (

|

\
|
=

Ejemplo:
Dado t B t A t X
2 2
sin cos ) ( + = donde A y B son variables aleatorias
gaussianas independientes con E(X(t))=1 y desviacin 2.
Comenzamos haciendo clculos que nos servirn:
E(A)=E(B)=1
E(A)E(B)=11=1
E(A)
2
=E(B)
2
=1
Var(A)=Var(B)=
2
=2
2
=4
E(A
2
) =E(B
2
)=Var(A)+E(A)
2
=4+1=5

1
sin cos sin ) ( cos ) ( ) sin cos ( ) (
2 2 2 2 2 2
=
= + = + = + = t t t B E t A E t B t A E t m

( ) ( )
2
2
1
2
2
2
1
2
2
2
1
2
2
2
1
2
2
2
1
2 2
2
2
1
2
2
2
1
2
2
2
1
2 2
2
2
2
2
1
2
1
2
2 1 2 1
sin sin 5
cos sin sin cos cos cos 5 ) sin sin
cos sin sin cos cos cos (
) sin cos )( sin cos ( ) ( ) ( ) . (
t t
t t t t t t t t B
t t AB t t AB t t A E
t B t A t B t A E t X t X E t t R
+
+ + + = +
+ + + =
= + + = =

Calcula la potencia en los instantes t=0 y t=pi/4. Es estacionario?
3
4
12
4
5
4
1
4
1
4
5
2
1
2
1
5
2
1
2
1
2
1
2
1
2
1
2
1
5
2
1
sin
2
1
sin 5
2
1
cos
2
1
sin
2
1
sin
2
1
cos
2
1
cos
2
1
cos 5
4
,
4 4
5 0 0 0 5 0 sin 0 sin 5
0 cos 0 sin 0 sin 0 cos 0 cos 0 cos 5 ) 0 , 0 ( ) 0 (
2 2
2 2 2 2 2 2
2 2
2 2 2 2 2 2
= = + + + = + + + = +
+ + + = |

\
|
= |

\
|
= + + + = +
+ + + = =

R Pot
R Pot
La potencia en dos momentos distintos es distinta es decir, no es
constante, por lo que no es estacionario.

Calcula la varianza de Z=X(pi/4)-X(0).
Sabemos que E(Z
2
)=Var(Z)+E(Z)
2
por lo que Var(Z)= E(Z
2
)- E(Z)
2

( ) ( ) 0 1 1 0
4
) 0 (
4
) ( = = |

\
|
=
|
|

\
|
|

\
|
=
X X
m m X E X E Z E


E(Z)
2
=0
( )
2 3 2 5 3
) 0 ( 2 ) 0 (
4 4
, 0 2 ) 0 (
4
) 0 (
4
2 ) 0 (
4
) 0 (
4
) (
2
2
2
2
= + =
= + |

\
|
= |

\
|
+ |

\
|
=
=
|
|

\
|
|

\
|
+
|
|

\
|
|

\
|
=
|
|

\
|
|
|

\
|

|

\
|
=
Pot Pot Pot R Pot Pot
X X E EX X E X X E Z E





Procesos de Poisson

- Te dan un sistema al que le ocurre algo en el tiempo siguiendo un proceso de
Poisson de parmetro determinado. Un proceso de Poisson cuenta el nmero de
veces que sucede un acontecimiento predeterminado en un intervalo de tiempo [0,t).
Decimos que el proceso es de Poisson si el nmero de acontecimientos en dos
intervalos temporales disjuntos son variables aleatorias independientes. El
parmetro es el nmero de acontecimientos por unidad de tiempo.Y te piden:

o La probabilidad de que le suceda ese algo durante un tiempo
determinado.
o Te dan una probabilidad concreta y te piden el momento en el tiempo en
el que esa probabilidad se cumpla.
o Te piden la funcin de valor y medio o esperanza. Aplicamos
m(t)=E(X(t))=t
o La desviacin tpica. Tenemos en cuenta que:
) var( ) var(
2
x x
X
= = y que t x x C x = = ) , ( ) var(
o Te piden la potencia de un proceso que se encuentra en funcin de
( ) ) , ( ) ( ) (
2
t t R t Y E t Pot
Y Y
= = . Si es una suma o resta cuadrado del
primero
o Preguntan si la funcin de valor medio y la potencia dependen del
tiempo.
Ejemplo:
En un sistema de comunicacin se producen averas a lo largo del tiempo
siguiendo un proceso de Poisson X(t) de parmetro =2 averas/da.

Calcular la probabilidad de que se produzca alguna avera durante las 3
primeras horas.
Consideramos el ciclo de 24 horas del da por lo que las 3 primeras horas
corresponden a 1/8 del da. Es decir, el proceso de Poisson tiene
t=1/8=0,125, por tanto X(1/8). Dentro de esta parte del da el parmetro
ser t=2/8, ya que el que nos dan est basado en 24 horas no en 3. Nos
piden:
|
|

\
|
|

\
|
= = 1
8
1
X P p
Al igual que hacamos en probabilidad debemos realizar el menor nmero
de clculos posible. No sabemos exactamente cuantas averas podra haber
(aunque la media es 2/da) por tanto podemos enfrentarlo as:
|
|

\
|
= |

\
|
= =
|
|

\
|
|

\
|
= = 0
8
1
1 1
8
1
X P X P p
Aqu debemos aplicar la frmula
( )
|
|

\
|
=
|
|

\
|
= =

! !
) (
n
t
e
n
e n N P
n
t
n


,
donde n es el intervalo, en nuestro caso slo hay uno que es 0. Por tanto:

( )
221 , 0 1 1 1
!
1 0
8
1
1
8 / 2 8 / 2
= = =
|
|

\
|
=
|
|

\
|
= |

\
|
= =

e e
n
t
e X P p
n
t

Cuntas horas hay que considerar para que esta probabilidad valga .
Antes hemos calculado el parmetro para un intervalo de 3 horas, en este
caso desconocemos las horas ya que es lo que nos piden por lo que lo nico
que debemos hacer es resolver la ecuacin:
das t t t e e
t t
34 , 0
2
69 , 0
2 69 , 0 2
2
1
ln ln
2
1
ln 1
2
1
2 2
=

= = = = = =

Es decir, 8,32 horas

Funcin de valor medio (o esperanza) del proceso Y(t)=X(t+1)-X(t)
Sabemos que m(t)=E(X(t))=t=2t por lo que:
t t t X E t m
X
2 )) ( ( ) ( = = =
Sustituimos el valor de t por el que nos dan. Se suman los valores medios:
2 2 ) 1 ( 2 ) ( = + = t t t m
Y


Potencia del proceso. Cuando nos piden la potencia de un proceso que
consiste en la resta de un proceso con una valor (t en este caso) a otro con
otro valor (t+1) lo hacemos con
( ) ( ) ( ) ) , ( 2 ) , ( ) , ( ) ( ) ( ) ( ) (
2 2
a b R b b R a a R b X a X E t Y E t Pot
x x x Y
+ = = =
Por tanto:
( ) ( ) ( )
)) 1 ( ) ( ( )) ( ) ( ( )) 1 ( ) 1 ( (
) 1 , ( 2 ) , ( ) 1 , 1 (
) ( ) 1 ( ) ( ) (
2 2
+ + + + =
= + + + + =
= + = =
t X t X E t X t X E t X t X E
t t R t t R t t R
t X t X E t Y E t Pot
x x x
Y


Sabemos que la t t t X E t m
X
2 )) ( ( ) ( = = = as que sustituimos:
4 4 4
4 4 4 4 4 4 4 ) 1 ( 2 2 2 2 ) 1 ( 2 ) 1 ( 2
)) 1 ( ) ( ( )) ( ) ( ( )) 1 ( ) 1 ( ( ) (
2
2 2 2
+ + =
= + + + + = + + + + + =
= + + + + =
t t
t t t t t t t t t t t t
t X t X E t X t X E t X t X E t Pot
Y



Ejemplo:
A un dispositivo llegan partculas siguiendo un proceso de Poisson X(t) de
parmetro =10 partculas por segundo.
Esperanza y desviacin tpica del nmero de partculas que llegan en un
minuto.
5 , 24 600 60 10
600 60 10 ) 60 (
10 ) , ( ) var( ) var(
10 )) ( ( ) (
2
= = =
= =
= = = = =
= = =

m
t t x x Cov x x
t t t X E t m
X


En un momento determinado se detecta que en 1 minuto llegan 620, es un
comportamiento anmalo?. Se puede ver que eso son 20 ms que la
esperanza para ese tiempo lo que implicara una variacin de la desviacin
de 39 , 0 5 , 24 89 , 24 620 = = , algo poco apreciable que no constituye una
anomala.

Intervalo de tiempo a considerar para que la desviacin tpica sea el 1%
de su esperanza.


El dispositivo genera una corriente de intensidad Y(t)=1+X(t)/10t.
Encuentra la potencia de Y(t) e indica si se estabiliza en tiempo grandes.

( ) ( ) ( ) ) , ( 2 ) , ( ) , ( ) ( ) ( ) ( ) (
2 2
a b R b b R a a R b X a X E t Y E t Pot
x x x Y
+ = = =
= + + =
= |

\
|
+ |

\
|
+ =
|
|

\
|
|

\
|
+ = =
t
t
t
t
t
t
R
t
t
t
t
R R
t
t X
E t Y E t Pot
x x x Y
10 100
1
1 ,
10
2
10
,
10
) 1 , 1 (
10
) (
1 ) ) ( ( ) (
2
2
2
2

( )
t
t t
t
t
t t
t
t t t
t t
t t t t t
t
t
t
t t
t
t EX
t
t EX
t
t EX
t
t EX
t
t X
E t Y E t Pot
Y
10
1
4
10
1
3 1
10
30 1
1
10
20 10 1
1
500
1000 500 50
1
5 100
100 10 100 10 5
1
5
10
100
100 10
1
5
) (
100
) (
1
10
) (
2
10
) (
1
10
) (
1 ) ) ( ( ) (
3
3 3 2
2
2 2
2
2 2
2 2
2
+ =
= + + =
+
+ =
+ +
+ =
+ +
+ =
=
+ +
+ = +
+
+ = + + =
= + |

\
|
+ =
|
|

\
|
|

\
|
+ = =
Por tanto cuando aumenta t la potencia se aproxima a 4.



Procesos gaussianos

- Te dan un proceso Gaussiano y su valor medio y funcin de autocovarianza en
funcin de ciertos parmetros constantes. Y piden:

o Cmo deben ser los parmetros para que el proceso sea estacionario en
sentido estricto. Al ser gaussiano si lo es en sentido amplio lo es tambin en
sentido estricto.
o Nos dan la potencia del proceso y la de otro que se define en funcin del
primero y nos piden averiguar los parmetros que queden.
Nos dan un valor para los parmetros y nos piden segn estos datos cual es
el valor de la esperanza y el coeficiente de correlacin para cierto valor de t
en X(t).
o Nos piden la desviacin entre dos valores cuando ya conocemos la potencia
mnima y mxima pero no la autocorrelacin. Se calcula:
( ) ( ) ( )
) (
2
) , ( 2 ) , ( ) , ( ) ( ) ( ) ( ) (
2 2
Z Var
Pot Pot Pot
a b R b b R a a R b X a X E Z E Z Cov Z Var
z
Min Max Max
x x x
=
+ =
= + = = = =

Ejemplo:
Un tipo de procesos gaussianos X(t) tiene los valores t t m
X
sin ) ( + = y
) ( cos ) , (
1 2
2
2 1
t t t t C
X
= donde , y son constantes.

Qu han de verificar los parmetros para que se el proceso sea
estacionario en sentido estricto?
Para ello m(t) debe ser una constante, y la nica forma de asegurarlo es
haciendo =0, de esta manera m(t)=. Por su parte la covarianza vemos
que nos la dan dependiente de la diferencia de tiempo por tanto con =0
podemos asegurar que es estacionaria en sentido amplio y estricto (al ser
gaussiano). Hemos hallado el valor del primer parmetro.

Otro ejemplo en ) 1 ( ) ( t t t m
X
+ = si = = = ) (t m
X


Obtener el valor del resto de parmetros si X(t) tiene potencia 15 e
Y(t)=X(t)+2 tiene potencia 27
Vamos a hacer un sistema de ecuaciones para resolverlo. Por un lado:
2
15 ) ( ) ( ) , ( ) , ( ) ( + = + = = t m t m t t C t t R t Pot
X X X X X

Y por otra parte:
( ) ( ) )) ( ( 4 4 ) ( ) 2 ) ( ( ) ) ( ( ) (
2 2 2
t X t X E t X E t Y E t Pot
Y
+ + = + = =
Sabiendo que ) ( )) ( ( t m t X E
X
= y que ya hemos hallado la potencia de X(t),
tenemos que:
( ) 4 4 )) ( ( 4 4 ) ( 27
2 2
+ + + = + + = t X t X E
Resolvemos por el mtodo de Gauss para no complicarnos con races.
Restamos la primera ecuacin a la segunda:
2 4 4 12 4 4 27
15 15
2
2 2
= + = + + + =
+ = + =



Y sustituimos en la primera:
11 4 15
2
= + = + =

Si , y =1 calcula la esperanza y el coeficiente de correlacin de las
variables X(0) y X(pi/6)
Recalculamos los valores para estos parmetros:
t t t m
X
sin 1 sin ) ( + = + =
) ( cos ) ( cos ) , (
1 2
2
1 2
2
2 1
t t t t t t C
X
= =
Para los valores pedidos tenemos:
2
3
2
1
1
6 6
1 0 1 )) 0 ( ( ) 0 (
= + =
|
|

\
|
|

\
|
= |

\
|
= + = =

X E m
X E m
X
X

( )
75 , 0
1
6
cos
0 cos 0 cos
6
cos
6 6
cos 0 0 cos
0
6
cos
)
6
,
6
( ) 0 , 0 (
6
, 0
2
2 2
2
2 2
2
=
|

\
|
=
=
|

\
|
=
|

\
|

|

\
|

=
|

\
|
=

Cov Cov
Cov

Nota: Para hallar el
|

\
|
6
cos
2

hallo el coseno simple y lo elevo al cuadrado.
Tambin podran pedir la esperanza y desviacin tpica para unos valores
dados, p.e. tras decirnos que m(t)=2, y pedirnos la esperanza de Z=X(pi)-
X(0). Como m(t) es constante tendremos 2-2=0.