Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
F. Novillo
Procesos aleatorios o
estocsticos
F. Novillo
F. Novillo
Definicin
Sistema de reconocimiento de voz las decisiones son hechas en
base a formas de ondas de voltaje correspondientes a una
expresin oral.
En una red peer to peer, el nmero de pares en el sistema varia con
el tiempo.
En ocasiones el dos o ms funciones de tiempo pueden ser de
inters. Por ejemplo, la temperatura de una determinada ciudad y
de la demanda sobre la utilidad de energa elctrica locales varan
juntos en el tiempo.
Las funciones de tiempo aleatorio en el ejemplo anterior pueden
ser vistas como cantidades numricas que evolucionan
aleatoriamente en el tiempo o el espacio.
Por lo tanto, lo que realmente se tiene es una familia de variables
aleatorias indexadas por el tiempo o la variable espacio.
F. Novillo
Definicin
Un proceso estocstico es un concepto
matemtico que sirve para caracterizar una
sucesin de variables aleatorias (estocsticas)
que evolucionan en funcin de otra variable,
generalmente el tiempo. Cada una de las
variables aleatorias del proceso tiene su propia
funcin de distribucin de probabilidad y, entre
ellas, pueden estar correlacionadas o no.
Cada variable o conjunto de variables sometidas
a influencias o efectos aleatorios constituye un
proceso estocstico.
F. Novillo
Defincin
Los siguientes son ejemplos dentro del amplio grupo
de las series temporales:
Seales de telecomunicacin
Seales biomdicas (electrocardiograma, encefalograma,
etc.)
Seales ssmicas
El nmero de manchas solares ao tras ao
El ndice de la bolsa segundo a segundo
La evolucin de la poblacin de un municipio ao tras ao
El tiempo de espera en cola de cada uno de los usuarios
que van llegando a una ventanilla
El clima es un gigantesco cmulo de procesos estocsticos
interrelacionados (velocidad del viento, humedad del aire,
etc) que evolucionan en el espacio y en el tiempo.
F. Novillo
Definicin
Considere un experimento aleatorio
especificado por los resultados desde algn
espacio muestral S, por los eventos definidos
sobre S, y por las probabilidades sobre estos
eventos. Suponer que a cada resultado ,
se asigna una funcin de tiempo de acuerdo a
alguna regla:
F. Novillo
Definicin
El grfico de la funcin
X(, ) versus t, para fijo,
es llamado una realizacin,
trayectoria de la muestra, o
la funcin de la muestra de
un proceso aleatorio.
As, se puede observar los
resultados del experimento
aleatorio
como
la
produccin de toda una
funcin del tiempo como se
muestra en la figura
F. Novillo
Definicin
Por otro lado, si un tiempo tk es fijado desde un
conjunto de ndices I, entonces X(, ) es una
variable aleatoria puesto que se est mapeando
sobre nmeros reales.
As, se ha creado (o ensamblado) una familia de
variables aleatorias indexadas por el parmetro t,
X , , . Esta familia es llamada un proceso
aleatorio, tambin referido como proceso
estocstico.
Usualmente se suprime y se usa X para
denotar a un proceso aleatorio.
F. Novillo
Definicin
Un proceso estocstico se dice que es discreto
en el tiempo si el ndice I es establecido como
un conjunto contable (i.e. el conjunto de
enteros o el conjunto de enteros no
negativos).
Cuando se trata de procesos de tiempo
discreto, se suele utilizar n para denotar el
ndice de tiempo y X para denotar el proceso
aleatorio.
F. Novillo
10
Definicin
Un proceso estocstico de tiempo continuo es
uno que I es continuo (i.e. la recta real o la
lnea real no negativo ).
F. Novillo
11
Ejemplo
Sea seleccionada aleatoriamente del intervalo [-1,1].
Definir el proceso aleatorio continuo X(, ) por:
, = cos(2) , < <
Las realizaciones de este proceso aleatorio son
sinusoides con amplitud .
This image cannot currently be displayed.
F. Novillo
12
Ejemplo
Sea seleccionada aleatoriamente del intervalo [,] y dgase que:
, = cos(2 + ) , < <
Las realizaciones de ,
son versiones
cambiadas de fase de cos(2).
F. Novillo
13
Ejemplo
La aleatoriedad en induce la aleatoriedad en
la funcin observada , .
En principio, se puede deducir la probabilidad
de eventos envolviendo un proceso
estocstico en varios instantes de tiempo de
probabilidades envolviendo utilizando el
mtodo de evento equivalente.
F. Novillo
14
Trabajo en clase
Definir detalladamente
procesos estocsticos.
F. Novillo
ejemplos
de
15
Ejemplo
Conseguir las siguientes probabilidades para el
proceso aleatorio
F. Novillo
16
Ejemplo
Dada una secuencia binaria aleatoria, dgase
que es un nmero seleccionado aleatoriamente
del intervalo = [0,1], y dgase 12 son la
expansin binaria de :
17
Definicin
Una variable aleatoria es una regla para
asignar a cada resultado de un experimento
S un nmero x(). As un proceso estocstico
es una familia de funciones en el tiempo
dependientes
del
parmetro
o
equivalentemente una funcin de t y .
El dominio de es el conjunto de todos los
resultados experimentales y el dominio de t es
el conjunto R de nmeros reales.
F. Novillo
18
Definicin
Si R es eje real, entonces x(t) es un proceso de
tiempo continuo.
Si R es el conjunto de enteros, entonces x(t) es un
proceso de tiempo discreto.
Un proceso de tiempo discreto es as una
secuencia de variables aleatorias. Tal que una
secuencia ser denotadas por xn o para evitar
dobles ndices por x[n].
Por lo tanto, se dice que x(t) es un proceso de
estado discreto si sus valores son contables, de
otra manera, es un proceso de estados continuos.
F. Novillo
19
Estadsticas de procesos
estocsticos
Un proceso estocstico es un infinito no contable de
variables aleatorias, una para cada t. Para un t especfico,
x(t) es una variable aleatoria con distribucin:
, = [() ]
(, )
, =
20
Estadsticas de procesos
estocsticos
Interpretacin
de
frecuencia:
Si
el
experimento es ejecutado n veces, entonces n
funciones X , son observadas, una para
cada prueba.
Denotando por ni(x) el nmero de pruebas tal
que en el tiempo t las ordenadas de las
funciones observadas no excedan x (lneas
continuas), se concluye que:
F. Novillo
()
,
21
Estadsticas de procesos
estocsticos
Distribucin de segundo orden del el proceso X(t)
es la distribucin conjunta:
, ; , = [() 1, (2) 2]
F. Novillo
22
23
Especificacin de un proceso
aleatorio
Hay muchas preguntas con respecto a los procesos aleatorios que
no se puedan contestar con el slo conocimiento de la distribucin
en un solo instante de tiempo.
Por ejemplo, se podra estar interesado en la temperatura en un
lugar dado en dos diferentes instantes de tiempo. Para ello se
requiere la siguiente informacin:
En otro ejemplo, el sistema de compresin de voz en un telfono
celular predice el valor de la seal de voz en el prximo tiempo de
muestreo basado en las k muestras anteriores.
Por lo tanto se puede estar interesado en el siguiente probabilidad:
Es claro que una descripcin general de un proceso aleatorio debe
proporcionar probabilidades para los vectores de muestras del proceso.
F. Novillo
24
Distribuciones conjuntas de
muestreos de tiempo
Dgase que X1, X2, , Xk son las variables aleatorias k obtenidas por
muestrear el proceso aleatorio X(t, ) en el tiempo t1, t2, , tk:
25
Distribuciones conjuntas de
muestreos de tiempo
F. Novillo
26
27
Autocorrelacin
La autocorrelacin RX(t1,t2) de un proceso
aleatorio X(t) es definida con el momento
conjunto de X(t1) y X(t2)
Donde 1 , 2 (, ) es la pdf de segundo orden de X(t).
En general, la autocorrelacin es una funcin de t1 y t2.
Note que , = [ 2 ()] , que corresponde a la
potencia promedio de X(t).
F. Novillo
28
Autocovarianza
La autocovarianza CX(t1,t2) de un proceso
aleatorio X(t) es definida como la covarianza de
X(t1) y X(t2):
29
Coeficiente de correlacin
El coeficiente de correlacin de X(t) es definido
como el coeficiente de correlacin de X(t1) y
X(t2):
Recuerdee que el coeficiente de correlacin es una
medida de hasta qu punto una variable aleatoria
puede ser predicha como una funcin lineal de otra
F. Novillo
30
F. Novillo
31
Funciones de autocorrelacin y
autocovarianza en tiempo discreto
Las funciones de autocorrelacin y autocovarianza de
un proceso aleatorio de tiempo discreto son definidas
como sigue:
32
Ejemplos
F. Novillo
33
34
F. Novillo
35
Procesos aleatorios
independientes
El proceso aleatorio X(t) y Y(t) se dicen
procesos aleatorios independientes si el
vector de variables aleatorias X=(X(t1),,
X(tk)) y Y=(Y(t1),, Y(tj)) son independientes
para todo k, j, y todas las elecciones de t1,,
tk y t1,, tj:
F. Novillo
36
Correlacin cruzada
La relacin cruzada , , de X(t) y Y(t)
es definida por:
, , = [ ()]
F. Novillo
37
F. Novillo
38
Covarianza cruzada
La covarianza cruzada , , de X(t) y
Y(t) se define por:
, , = { ()}{ 2 (2)}
, , = , , [()]
F. Novillo
39
Procesos aleatorios no
correlacionados
Los procesos aleatorios X(t) y Y(t) se dicen
procesos aleatorios no correlacionados si:
F. Novillo
40
Ejemplos
F. Novillo
41
F. Novillo
42
F. Novillo
43
CDF conjunta
La cdf conjunta para cualquier instante de tiempo
n1,, nk es dada por :
F. Novillo
44
La media (iid)
La media de un proceso iid se obtiene de la
siguiente manera:
De tal manera que la media es constante.
F. Novillo
45
La funcin autocovarianza
La funcin autocoarianza es obtenida como
sigue, si 1 2 .
Dado que 1 y 2 son independientes. Si
1 = 2 = , entonces:
F. Novillo
46
La funcin autocovarianza
Se puede expresar la autocovarianza de los procesos iid
de manera compacta de la siguiente manera:
F. Novillo
47
La funcin autocorrelacin
La funcin autocorrelacin de un proceso iid
se obtiene como:
F. Novillo
48
F. Novillo
49
Procesos de suma
Muchos procesos aleatorios interesantes se
obtienen como la suma de una secuencia de
variables aleatorias iid, X1, X2, :
F. Novillo
50
Procesos de Poisson
Considere un evento en que ocurre en
instantes aleatorios de tiempo a una velocidad
promedio de eventos por segundo.
De esta manera un evento podra representar
el arribo de un cliente a una estacin de
servicio
F. Novillo
51
F. Novillo
52
F. Novillo
53
Promedios de tiempo
Para estimar la media de mx(t) de un proceso
aleatorio (, ), se repite el experimento
aleatorio y toma el siguiente promedio:
Donde N es el nmero de repeticiones del
experimento y (, ) es la realizacin
observada en la ith repeticin.
F. Novillo
54
Promedios de tiempo
En algunas situaciones se est interesado en
estimar la media o funcin autocorrelacin del
promedio de tiempo de una realizacin
simple, esto es:
F. Novillo
55
Teorema de ergodicidad
Un teorema ergdico establece condiciones
bajo qu un promedio de tiempo converge a
medida que el intervalo de observacin se
hace grande.
Se est interesado en teoremas ergdicos que
establezcan cuando los promedios de tiempo
convergen al media del conjunto (valor
esperado).
F. Novillo
56
Teorema de ergodicidad
Se establece que si Xn es un proceso aleatorio de
tiempo discreto iid con media finita E[Xn]=m, entonces
el promedio de tiempo de las muestras converge a la
media del conjunto con probabilidad uno:
57
58
Teorema de ergodicidad
Dgase X(t) es un proceso WSS con = ,
entonces
F. Novillo
59
Teorema de ergodicidad
Estimado del promedio en el tiempo de la funcin
autocorrelacin del proceso Y(t).
Reemplazando X(t) con Y(t+ )Y(t), se obtiene un
promedio en el tiempo estimado para la funcin
autocorrelacin del proceso Y(t):
F. Novillo
60