Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
SISTEMAS DE COMUNICACIONES I
Curso 2005
CONTENIDO
Breve Repaso: Probabilidad Y Teora de Conjunto
Variables Aleatorias Discretas
Variables Aleatorias Continuas
Valor Esperado y Varianza
Procesos Estocsticos
Curso 2005
Curso 2005
Ai Aj = cuando i j
Curso 2005
P[AB ]
P[B ]
Propiedades:
1. P[A|B] 0
2. P[B|B] = 1
3. Si A = A1 U A2 U con Ai Aj = para i j
P[A|B] = P[A1|B] + P[A2|B] +
Curso 2005
P[A] = P[ A | Bi ]P[Bi ]
i =1
B1
B4
A
B2
B3
Curso 2005
P[A | B ]P[B ]
P[B | A] =
P[A]
Para un Event Space B1, B2, ,Bm con P[Bi] > 0, y utilizando la ley
de la Probabilidad Total tenemos:
P[Bi | A] =
P[ A | Bi ]P[Bi ]
m
P[A | B ]P[B ]
i =1
Curso 2005
P[ AB] = P[A]P[B]
Los eventos A, B y C son independientes si y solamente si:
A y B son independientes
B y C son independientes
A y C son Independientes
P[A B C] = P[A]P[B]P[C]
Curso 2005
Curso 2005
Curso 2005
{Y=1} = {bm,mb}
{Y=2} = {bb}
1
PY ( y ) =
2
1
4
y=0
y =1
y=2
Curso 2005
PX ( x) = p
0
x=0
x =1
otro lugar
x = 0,1,2,......., n
otro lugar
PX ( x) = (l k + 1)
0
x = k , k + 1,...., l
otro lugar
Curso 2005
x = 1,2,.......
otro lugar
Curso 2005
PX ( x) = x!
0
x = 0,1,2,......
otro lugar
PX |Y ( x | y ) = P[ X = x | Y = y ]
PX |Y ( x | y ) =
PX ,Y ( x, y )
PY ( y )
PX | B ( x ) = P[ X = x | B ]
Curso 2005
PX ( x) = PX | Bi ( x) P[ Bi ]
i =1
PX ( x)
PX | B ( x) = P[ B]
0
xB
otro lugar
Curso 2005
PX ,Y ( x, y ) = P[ X = x, Y = y ]
PX ,Y ( x, y ) = PX |Y ( x | y ) PY ( y ) = PY | X ( y | x ) PX ( x )
Curso 2005
x Sx y Sy
X ,Y
( x, y ) = 1
PX ( x) = PX ,Y ( x, y )
y
3.
PY ( y ) = PX ,Y ( x, y )
x
4.
P[ B ] =
( x , y )B
X ,Y
( x, y )
Curso 2005
PX ,Y ( x, y ) = PX ( x) PY ( y )
Por lo tanto podemos deducir que:
PX |Y ( x | y ) = PX ( x)
PY | X ( y | x) = PY ( y )
Curso 2005
Curso 2005
Curso 2005
Valor Superior de X
Variable Aleatoria
FX(x) = P[X x] para todo x es llamada: Funcin de Distribucin
Acumulativa (CDF)
Curso 2005
1. FX () = 0
2. FX () = 1
3. P[ x1 < X x2 ] = FX ( x2 ) FX ( x1 )
4. La CDF es una funcin Creciente de 0 a 1
Curso 2005
x1
Lim
0
P ( x1 < X x1 + )
= Lim
FX ( x1 + ) FX ( x1 )
=
=
dFX ( x)
dx
f X ( x)
Curso 2005
dFX ( x)
dx
f X ( x) 0
para todo x
f X ( x) =
3.
(u ) du = 1
4. P[ x1 < X x2 ] =
x2
(u ) du = FX ( x2 ) FX ( x1 )
para x1 < x2
x1
x
5. FX ( x) =
(u ) du
Curso 2005
f X (x) = b a
0
a x<b
otrolugar
0
x a
FX (x) =
b a
1
xa
a< xb
x >b
Curso 2005
a eax
f X ( x) =
0
1 eax
FX ( x) =
0
x0
otro lugar
x0
otro lugar
Curso 2005
2 a
f X ( x) = x a e
0
a
FX ( x) = 1 e
0
2 2
x>0
otro lugar
2 2
x>0
otro lugar
Curso 2005
f X ( x) =
FX ( x) =
1
2 2
1
2 2
( x )2
2 2
( x )2
2 2
x
du =
Curso 2005
fY | X ( y | x ) =
f X , Y ( x, y )
f X ( x)
f X ( x)
f X | B ( x) = P[ B]
0
xB
otro lugar
Curso 2005
n FX 1 ,............, X n ( x1 ,.........xn )
x1 L xn
Curso 2005
FX ,Y ( x, y ) = P[ X x, Y y ]
x y
FX ,Y ( x, y ) =
X ,Y
(u , v)dvdu
2 FX ,Y ( x, y )
f X ,Y ( x, y ) =
x y
f X ,Y ( x, y ) = f X |Y ( x | y ) fY ( y ) = fY | X ( y | x) f X ( x)
Curso 2005
0 FX ,Y ( x, y ) 1
FX ( x) = FX ,Y ( x, )
FY ( y ) = FX ,Y (, y )
FX ,Y (, y ) = FX ,Y ( x,) = 0
FX ,Y (, ) = 1
Si x1 x y y1 y, entonces FX ,Y ( x, y ) FX 1Y1 ( x1 , y1 )
Curso 2005
para todo ( x , y )
f X , Y ( x , y ) dx dy = 1
P[ A] =
f X , Y ( x , y ) dx dy
f X (x) =
f X , Y ( x , y ) dy
fY ( y ) =
f X , Y ( x , y ) dx
Curso 2005
f X ,Y ( x, y ) = f X ( x ) f Y ( y )
Por lo tanto podemos deducir que:
f X |Y ( x | y ) = f X ( x)
fY | X ( y | x ) = fY ( y )
Curso 2005
xP ( x)
xS X
E[X] = p
2. Geomtrica:
E[X] = 1/p
3. Poisson:
E[X] =
4. Binomial:
E[X] = np
5. Uniforme:
E[X] = (k + l)/2
Curso 2005
E [X ] = X =
x f
( x) dx
E[X] = (b+a)/2
2. Exponencial
E[X] = 1/a
3. Rayleigh:
E[X] = (/2a2)
4. Gausiana:
E[X] =
Curso 2005
1. E[cX] = cE[X]
2. Var [ Constante ] = Constante
3. E[X +c] = E[X] + c
4. E[ X + Y] = E[X] + E[Y]
Curso 2005
E[X | Y = y ] =
xP
xS X
X |Y
( x | y)
Continuo:
E [X | Y = y ] =
x f
X |Y
( x | y ) dx
Curso 2005
[ ] x P ( x)
E [X ] = x P ( x)
E X2 =
xS X
xS X
Continuo:
[ ] x
E X2 =
f X ( x) dx
f X ( x) dx
[ ] x
E Xn =
Curso 2005
Var[ X ] = X2 = E[( X E[ X ]) 2 ] = E[ X 2 ] ( E[ X ]) 2
Desviacin Estndar:
X = Var (x)
Nota: La Varianza siempre es Mayor que 0 (Cero)
Curso 2005
Curso 2005
Var[X] = p(1-p)
2. Geomtrica:
Var[X] = (1-p) / p
3. Binomial:
Var[X] = np(1-p)
4. Poisson:
Var[X] =
5. Uniforme:
Curso 2005
Var[X] = (b-a)2 / 12
2. Exponencial:
Var[X] = 1 / a2
3. Rayleigh:
Var[X] = (2 /2) / a2
4. Gausiana:
Var[X] = 2
Curso 2005
Var[ X | Y ] = E[( X E[ X | Y ]) 2 | Y ] = E[ X 2 | Y ] X2 |Y
La Correlacin
La Correlacin de X e Y se expresa por:
rX ,Y = E[ XY ] =
xyP
X ,Y
xS X ySY
( x, y )
rX ,Y = E[ XY ] =
xy f
X ,Y
( x, y ) dx dy
Curso 2005
X ,Y
Cov[ X , Y ]
=
Var[ X ]Var[Y ]
1 X ,Y 1
Curso 2005
1. rX ,Y = E[ XY ] = E[ X ]E[Y ]
2. E[ X | Y = y ] = E[ X ]
para todo y SY
3. E[Y | X = x] = E[Y ]
para todo x S X
Curso 2005
rX ,Y = E[ XY ] = 0
Variables Aleatorias No Correlacionadas
Dos Variables Aleatorias X e Y son No Correlacionadas si la
covariancia es igual a CERO.
Cov[ X , Y ] = 0
Curso 2005
PROCESOS ESTOCASTICOS
Definicin
Consideremos un experimento aleatorio especificado por los
resultados s de un Espacio Muestral S. Suponga que a cada
resultado le asignamos una funcin de tiempo representada:
X(t,s)
-T t T
Curso 2005
Curso 2005
Curso 2005
Curso 2005
Curso 2005
Media
X (tk ) = E[ X (tk )] =
x f
X (t k )
( x) dx
Curso 2005
Var[ X (tk )] =
(x E[ X (t )])
C X (t , ) = Cov[ X (t ) X (t + )]
= E[( X (t ) X (t )) ( X (t + ) X (t + ))]
= E[ X (t ) X (t + )] X (t ) X (t + )
Autocorrelacin
Curso 2005
Autocorrelacin
RX (t , ) = E[ X (t ) X (t + )] =
=
xy f
X ( t ), X ( t + )
( x, y ) dx dy
all ( x , y )
Curso 2005
f X 1 , X 2 ,K, X k K ( x1 , x2 , K , xk , K) = f X 1 ( x1 ) f X 2 ( x2 ) L f X k ( xk ) L
= f X ( x1 ) f X ( x2 ) L f X ( xk ) L
Curso 2005
f X ( t ) ( x) = f X ( t + ) ( x) = f X ( x)
X (t ) = E[ X (t )] = E[ X ] = X
X2 (t ) = Var[ X (t )] = Var[ X ] = X2
RX (t , ) = RX ( )
C X (t , ) = C X ( ) = RX ( ) X2
El Valor Esperado, la Varianza, la Autocorrelacin y la Covarianza son
independientes del tiempo
Curso 2005
X (t ) = X
RX (t , ) = RX ( )
C X (t , ) = C X ( ) = RX ( ) X2
Curso 2005
RX (0) = E[ X 2 (t )] = X2 + ( X ) 2
Filtrado de Procesos WSS
Curso 2005
2.
h ( 0)
= h(u ) h(v) RX ( v + u ) dv du
= h( ) h( ) RX ( )
Curso 2005
S X ( f ) = F {RX ( )} =
( ) exp( j 2f ) d
Recordando Fourier
G( f ) =
j 2ft
g
(
t
)
e
dt
g (t ) = G ( f )e j 2ft df
G ( 0) =
g (t )dt
g (0) = G ( f )df
Curso 2005
R X ( 0) =
( f ) df
RY ( ) = h( ) h( ) RX ( )
SY ( f ) = H ( f ) H * ( f ) S X ( f ) = | H ( f ) |2 S X ( f )
Curso 2005
RXY (t , ) = E[ X (t )Y (t + )]
Curso 2005
RXY (t , ) = RXY ( )
RXY ( ) = RYX ( )
} R
S XY ( f ) = F R XY ( ) =
XY
( ) e j 2 f d
RXY ( ) = h( ) RX ( )
S XY ( f ) = H ( f ) S X ( F )
Curso 2005
1
(2 )
k 2
12
exp (x X )T C 1 (x X )
2
Curso 2005
V.A. Gaussiana
N=2
f X ( t1 ) ( x1 ) =
f X (t1 ), X ( t 2 ) ( x1 , x2 ) =
1
2 12
x
1 1
1
( x1 1 ) 2
2 12
2 ( x1 1 )( x 2 2 ) x 2 2
+
1 2
2
2 (1 ) 2
2 1 2 1 2
Curso 2005
N0
Sn ( f ) =
2
Rn ( ) =
N0
( )
2
Curso 2005
1
donde Ts =
2W
Curso 2005
S X ( f f 0 ) + S X ( f + f 0 )
S Xc ( f ) = S Xs ( f ) =
0
| f |< f 0
Otro
Curso 2005