Clase 3. Procesos estocásticos en Teoría de la señal.
|
|
- Francisco José San Martín Villalba
- hace 7 años
- Vistas:
Transcripción
1 1 Introducción Clase 3. Procesos estocásticos en Teoría de la señal. Como ya se comentó en la clase anterior, el ruido es una señal inherente a cualquier transmisión de telecomunicación. El ruido es una señal que aparece por múltiples causas, todas ellas incontrolables. En realidad, podríamos imaginarnos cada realización del ruido {ε t } t R, en cada instante t como la agregación de los valores de muchas variables independientes: ε t = X 1t + X 2t + + X kt, por el Teorema Central del límite, para distintas realizaciones del ruido tendremos que ε t es una distribución normal. De ahí que el ruido se diga gaussiano, por otra parte, es deseable que fijado el instante t, tengamos que E[ε t ] = 0 y V ar[ε t ] = σ 2, puesto que esto significa que en media la distorsión es nula y los efectos distorsionantes se mueven en una banda fija. Finalmente, hay una tercera propiedad deseable y es que en distintos instantes de tiempo, los ruidos se comporten de modo independiente, es decir, si fijamos dos instantes de tiempo E[ε t ε t ] = 0. Con ello garantizamos que si hay una distorsión puntual esta no se lleva arrastrando en el transcurso del tiempo, afectando, por tanto, a la calidad de la transmisión. En definitiva, lo que hemos planteado en el párrafo anterior es, de nuevo, la definición de ruido blanco gaussiano. Por su importancia en la transmisión de señales es fundamental conocer técnicas que permitan detectarlo y este será el objetivo central de la clase de hoy. 2 Conceptos teóricos Recuerda que cuando en un proceso estocástico fijamos t, entonces disponemos de una variable aleatoria. Si obtenemos n variables aleatorias en otros tantos instantes de tiempo, sus propiedades estadísticas (media, varianza, covarianza, etc) se obtendrán a partir de su densidad conjunta. Un proceso aleatorio se dice estacionario en el tiempo cuando sus propiedades estadísticas no cambian en el tiempo. Existen distintos grados de estacionariedad, a menudo difíciles de comprobar en la práctica. Proceso estacionario de orden 1: su función de densidad no cambia al desplazar el origen de tiempos. Es decir, si f(x, t) es la función de densidad de la variable aleatoria X t, entonces f(x; t) = f(x; t + ), > 0. 1
2 Consecuencia:Un proceso estocástico que sea estacionario de orden 1 cumple que para cualquier instante de tiempo t en el que paremos el proceso se tiene que E[X t ] = µ y V ar[x t ] = σ 2, donde µ y σ 2 son constantes (no dependen de t). Proceso estacionario de orden 2: la función de densidad conjunta de cualquier par de variables X t1 y X t2 cumple para cualquier valor real > 0: f(x 1, x 2, t 1, t 2 ) = f(x 1, x 2, t 1 +, t 2 + ). Consecuencia: Fijados dos instantes de tiempo cualesquiera se tiene que la función de autocorrelación sólo depende de la distancia entre los dos instantes de tiempo. R XX (t 1, t 2 ) = E[X t1 X t2 ] = (τ = t 2 t 1 ) = R XX (τ) Proceso estacionario en sentido amplio: Es la acepción de estacionariedad más utilizada en la práctica. Aunque no es tan restrictiva como la estacionariedad de orden 2, mantiene alguna de sus propiedades. Diremos que un proceso es estacionario en sentido amplio cuando: E[X t ] = µ, E[X t X t+τ ] = R XX (τ), t, τ 0. Proceso estacionario en sentido estricto:cuando es estacionario para cualquier orden k. Ejercicio: Demuestra que siguiente proceso aleatorio es estacionario en sentido amplio, suponiendo que A y ω 0 son constantes y Θ se distribuye uniformemente en (0, 2π): X(t) = A cos(ω 0 t + Θ) Procesos estacionarios conjuntamente:dados dos procesos aleatorios X(t) e Y (t), decimos que son estacionarios conjuntamente en sentido amplio si cada uno de ellos tiene media constante y además R XY (t 1, t 2 ) = R XY (t, t + τ) = R XY (τ). En lo sucesivo, asumiremos que trabajamos con procesos estacionarios en sentido amplio. A continuación se presentan realizaciones de diversos procesos, se trata de que para cada realización detectes si el proceso es estacionario en sentido amplio y en 2
3 caso de que no lo sea, transformes el proceso de modo adecuado para conseguir al estacionariedad. Nota: si un proceso no es estacionario en media, conviene aplicar la transformación diferencia; si no es estacionario en varianza, conviene aplicar la transformación logarítmica. Otras transformaciones matemáticas también pueden ser de utilidad (transformaciones de Box-Cox). Ejercicio: en el fichero datos.txt tienes, en cada columna, una realización de un proceso estocástico diferente. En este ejercicio debes realizar la correspondiente representación gráfica y las transformaciones que estimes necesarias para que la realización transformada se corresponda a un proceso estacionario en sentido amplio. Realización 1 (prices): serie de precios recogida en días consecutivos. Realización 2 (eur libra): serio de cambios de moneda del euro a la libra en días laborables consecutivos. Realización 3 (robos): serie mensual de robos denunciados en Boston desde enero de Realización 4 (cotiza): valores trimestrales desde el primer trimestre de 1955 que representan el porcentaje de ahorro de las familias americanas. Realización 5 (natali): tasa de natalidad anual de España desde Promedios temporales y ergodicidad Hasta el momento hemos parado un proceso en un instante de tiempo t, por lo que las propiedades que estudiamos requieren que dispongamos de distintas realizaciones para poder comprobar con técnicas estadísticas que se cumplen las propiedades señaladas. Sin embargo, muchas veces solo disponemos de una realización y nos planteamos... en qué casos y cómo se comprueban las propiedades anteriores que afectan a todo el proceso en su conjunto con una única realización?. Consideramos una realización del proceso, x(t), definimos: 1 Promedio temporal: A[x(t)] = lim T 2T T T x(t)dt 1 Función de autocorrelación temporal: R XX (τ) = A[x(t)x(t+τ)] = lim T 2T 3 T T x(t)x(t+τ)dt
4 Observa que la expresiones anteriores se pueden calcular para cada realización y los valores que toman irían cambiando. Así pues, son variables aleatorias. Supongamos que disponemos de un proceso estacionario en sentido amplio, entonces: E[A[x(t)] = µ E[R XX (τ))] = R XX (τ) Procesos ergódicos: Un proceso estocástico es ergódico cuando A[x(t)] y R XX (τ) son constantes para cualquier realización x(t) del proceso. En consecuencia: A[x(t)] = µ, R XX (τ) = R XX (τ). (1) La ergodicidad es una propiedad muy difícil de comprobar en la práctica. Primero, requerimos de un proceso estacionario en sentido amplio y, después, hay que asumir que una realización del proceso es un representante adecuado del proceso global, es decir, cualquier otra realización generaría resultados del tipo promedio temporal iguales. No obstante, como en la estacionariedad, existen grados de ergodicidad que son muy asumibles en la práctica. Proceso ergódico respecto a la media y a la autocorrelación: dado un proceso estacionario en sentido amplio se satisface (1). Theorem 3.1. Sea {X(t)} un proceso estacionario en sentido amplio. Sea 1 T T C XX (τ) = lim T 4T 2 (x(t) µ)(x(t + τ) µ)dtdτ, T T entonces el proceso es ergódico respecto a la media si a) C XX (0) < y C XX (τ) 0 cuando τ. b) C XX(τ) <. y también es ergódico respecto a la correlación si en las dos condiciones anteriores reemplazamos el proceso X(t) por W (t) = X(t)X(t + λ), para cualquier λ > 0. 4 La función de autocorrelación Esta función ya la hemos presentado en la sección anterior y en el caso de procesos estacionarios en sentido amplio es igual a R XX (τ) = E[X t X t+τ ]. Las propiedades de la función de autocorrelación son: 1. R XX (τ) R XX (0) 4
5 2. R XX (τ) = R XX ( τ) 3. R XX (0) = E[X 2 (t)] 4. Si el proceso es ergódico sin componentes periódico lim τ R XX (τ) = µ Si X(t) tiene un componente periódico, también lo tendrá R XX (τ) con el mismo periodo. 6. La función de autocorrelación no tiene una forma arbitraria La función de autocorrelación da mucha información sobre la serie en estudio. En general, trataremos de trabajar con series estacionarias en media y, si es el caso, en términos en desviaciones, es decir, con media igual a cero. En consecuencia, por la propiedad 4 tendremos que la función de autocorrelación debe converger a cero. Asimismo, tiene que ir decreciendo y el valor en el cero, cuando la media es nula, es la varianza del proceso estacionario. Para las series del ejercicio anterior, calculamos la función de autocorrelación muestral. Ejercicio 2: Estudia la función de autocorrelación muestral para las series del ejercicio anterior. Comprueba que si las has transformado para obtener estacionariedad, la función transformada satisface las propiedades teóricas de la función de autocorrelación. Ejercicio 3: Describe la función de autocorrelación de la serie AirPassengers, que ya se encuentra incluida en el paquete. Ejercicio 4: Sea X t es un proceso estacionario en sentido amplio con función de autocorrelación R XX (τ) = e a τ, donde a > 0 es una constante. Si la labor de X t es la de modular una onda cos(ω 0 t + Θ), donde ω 0 es una constante y Θ es una v.a. aleatoria independiente de X t y con distribución uniforme en ( π, π), cuál es la función de autocorrelación de Y t = X t cos(ω 0 t + Θ). Nota: cos(ω 0 t + Θ) cos(ω 0 t + ω 0 τ + Θ) = cos(ω 0 τ) + cos(2ω 0 t + ω 0 τ + 2Θ) Ejercicio 5: Calcula la función de autocorrelación de un ruido blanco. Ejercicio 6: Contrasta el ruido blanco para las series anteriores. Ejercicio 7: 5
6 Considera el proceso estocástico: X t = 2 cos(2πt) + ε t, 1 < t < 1 donde ε t es un proceso de ruido blanco con función de autocorrelación R ε (τ) = 0.01δ(τ). a) Implementa un programa en R que genere realizaciones de este proceso. b) Para una de estas realizaciones obtén con R la función de autocorrelación. c) Obtén en R la correspondiente función espectral de densidad de potencia. d) Tiene algún grado de estacionariedad el proceso anterior? e) Comprueba que el ruido generado es, efectivamente, blanco. 6
Ejercicios de Procesos Estocásticos
Ejercicios de Procesos Estocásticos Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros Ejemplo Considerar
Más detallesIDENTIFICACIÓN DE SISTEMAS SISTEMAS LINEALES Y PROCESOS ESTOCÁSTICOS
IDENTIFICACIÓN DE SISTEMAS SISTEMAS LINEALES Y PROCESOS ESTOCÁSTICOS Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Sistema Un sistema
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesProcesos Estocásticos. Procesos Estocásticos. Procesos Estocásticos. 1 Introducción y conceptos básicos. Al final del tema el alumno será capaz de:
Procesos Estocásticos Procesos Estocásticos Referencias: Capítulo 8 de Introducción a los Sistemas de Comunicación. Stremler, C.G. (993 Estadísticos de un proceso estocástico Apuntes de la Universidad
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Duración: horas Fecha: de Julio de Fecha publicación notas: -7- Fecha revisión examen: 8-7-
Más detallesTema 7: Procesos Estoca sticos
Tema 7: Procesos Estoca sticos Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Definición 2 Caracterización Estadística 3 Estadísticos 4 Estacionariedad 5 Ergodicidad 6 Densidad Espectral de Potencia
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Primavera 15 FECHA: de Junio de 15 Fecha publicación notas: 11 de Junio de 15 Fecha revisión
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Otoño 3 Duración: 3 horas FECHA: 9 de Enero de 4 Fecha publicación notas: 6--4 Fecha revisión
Más detallesExamen de Estadística Grado en Ingeniería de Telecomunicación
Cuestiones Examen de Estadística Grado en Ingeniería de Telecomunicación 3 de Junio de 5 solución h 45m C (.5 puntos). Una multinacional realiza operaciones comerciales en 3 mercados (A, B y C). El % de
Más detallesSEÑALES ALEATORIAS Y RUIDO. E. T. S. de Ingenieros de Telecomunicación Universidad de Valladolid.
SEÑALES ALEATORIAS Y RUIDO. Marcos Martín Fernández E. T. S. de Ingenieros de Telecomunicación Universidad de Valladolid. CONTENIDOS INDICE. DE FIGURAS VII 1. PROBABILIDAD. 1 2. VARIABLES ALEATORIAS.
Más detallesPROCESOS ALEATORIOS. Capítulo AXIOMAS DE PROBABILIDAD
Capítulo 2 PROCESOS ALEATORIOS Los procesos aleatorios son importantes porque en casi todos los aspectos de la vida se presentan este tipo de situaciones en donde el comportamiento de un fenómeno o evento
Más detallesSistemas de comunicación
Sistemas de comunicación Práctico 5 Ruido Pasabanda Cada ejercicio comienza con un símbolo el cuál indica su dificultad de acuerdo a la siguiente escala: básica, media, avanzada, y difícil. Además puede
Más detallesEL4005 Principios de Comunicaciones Clase No.15: Ruido Blanco y Procesos Gaussianos
EL4005 Principios de Comunicaciones Clase No.15: Ruido Blanco y Procesos Gaussianos Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile 6 de Octubre de 2010 1 of 21 Contenidos de
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesGuía 3 - Densidad espectral de potencia, transformación de procesos, ergodicidad
Guía 3 - Densidad espectral de potencia, transformación de procesos, ergodicidad Nivel de dificultad de los ejercicios Estrellas Dificultad Normal Intermedio Desafío Densidad espectral de potencia, transformación
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesTécnicas de Predicción Solución Examen Final
Técnicas de Predicción Solución Examen Final Administración y Dirección de Empresas 23 de Junio, 2008 Prof. Antoni Espasa Secciones 3h Nota: Todas las respuestas deben ser adecuadamente razonadas. Respuestas
Más detallesEstadística. Soluciones ejercicios: Procesos estocásticos. Versión 8. Emilio Letón
Estadística Soluciones ejercicios: Procesos estocásticos Versión 8 Emilio Letón. Nivel. Calcular la media del proceso estocástico X (t) = A+t con A U (0; ). Utilizar dos métodos distintos: propiedades
Más detallesTema 3: Funcio n de Variable Aleatoria
Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una
Más detallesSoluciones Examen de Estadística Ingeniería Superior de Telecomunicación
Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación 7 de Septiembre, 25 Cuestiones 2 horas C. A partir de los procesos estocásticos X(t e Y (t incorrelados y de media cero, con funciones
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesCadenas de Markov Tiempo Discreto. Modelado y Análisis de Redes de Telecomunicaciones
Cadenas de Markov Tiempo Discreto Modelado y Análisis de Redes de Telecomunicaciones Motivación Ejemplo 1 Sea un enrutador al que arriban paquetes de otros (varios) routers Cuando más de un paquete llega
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesPráctica 4 - Programación en MatLab
LABORATORIO DE TRANSMISIÓN Práctica 4 - Programación en MatLab Introducción En esta práctica veremos la utilización de diversas órdenes de MatLab, así como el uso de bucles y la creación de funciones y
Más detallesClase 1. Simulación de procesos estocásticos.
Clase 1 Simulación de procesos estocásticos 1 Introducción De un modo muy general, podemos decir que la probabilidad es la disciplina que se ocupa del estudio de lo aleatorio (o estocástico) y que un proceso
Más detalles1 Tema 4: Variable Aleatoria Bidimensional y n-dimensional
1 Tema 4: Variable Aleatoria Bidimensional y n-dimensional 4.1. Variable aleatoria bidimensional Las Variables Aleatorias Bidimensionales o N-Dimensionales surgen cuando es necesario trabajar en espacios
Más detallesReceptor de Correlación. Sistemas de Comunicación
Receptor de Correlación Sistemas de Comunicación Facundo Mémoli * -Versión 2.- mayo, 22 * memoli@iie.edu.uy Índice. Introducción 3 2. Hipótesis y Planteo del Problema 3 3. Procedimiento 4 3.. Hipótesis
Más detallesGRADO de TELECOMUNICACIONES
GRADO de TELECOMUNICACIONES ESTADISTICA 2009-2010 PRACTICA 2. PROBABILIDAD Y VARIABLES ALEATORIAS OBJETIVOS: Introducción a la probabilidad y a las variables aleatorias 1. Probabilidad 1. Simular 1000
Más detallesAnálisis Estadístico de Datos Climáticos SERIES TEMPORALES 2
Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 2015 Contenido Procesos estacionarios y débilmente estacionarios Algunos procesos estocásticos útiles: Procesos puramente aleatorios (ruido
Más detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
Más detallesModelo discreto Binomial.
Modelo discreto Binomial. Uniperíodo (con derecho a eercer en un sólo paso Consideremos una Call europea (con opción a eercer finalizado el período C, con strike K, se tienen dos posibles estados a tiempo
Más detallesEstadística Grupo V. Tema 10: Modelos de Probabilidad
Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detallesCapítulo 2. Métodos estadísticos Simulación estadística. Simulación univariante
Capítulo 2 Métodos estadísticos 21 Simulación estadística La simulación estadística consiste en generar realizaciones de variables aleatorias que siguen unas distribuciones concretas Si esas variables
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesProcesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo
Procesos estocásticos Sesión 9. Cadenas de Markov a tiempo continuo Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos 1. Cadenas
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallestransmisión de señales
Introducción al análisis y transmisión de señales La transmisión de información La información se puede transmitir por medio físico al variar alguna de sus propiedad, como el voltaje o la corriente. Este
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesSOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004
Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras
Más detallesMÉTODOS ESTADÍSTICOS AVANZADOS USADOS EN LOS Sistemas de Información Geográfica. Esperanza Ayuga (2008)
Imagen cortesía de la NASA MÉTODOS ESTADÍSTICOS AVANZADOS USADOS EN LOS Sistemas de Información Geográfica (II. Procesos y Modelo Lineal General ) Esperanza Ayuga (2008) Introducción Las técnicas estadísticas
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detallesGermán Bassi. 9 de septiembre de X(i) = 1 N 1T X. i=1
. Estimación de la Media Germán Bassi 9 de septiembre de 00 Dada la variable aleatoria X, podemos estimar el valor esperado de la misma mediante la siguiente fórmula: µ X = X(i) = T X. Ambas representaciones
Más detalles1.1. Distribución exponencial. Definición y propiedades
CONTENIDOS 1.1. Distribución exponencial. Definición y propiedades 1.2. Procesos de conteo 1.3. Procesos de Poisson - Tiempos de espera y entre llegadas - Partición y mezcla de un proceso de Poisson -
Más detallesInstituto de Matemática Aplicada del Litoral
PROBLEMAS DE BARRERA EN PROCESOS ESTOCÁSTICOS Ernesto Mordecki http://www.cmat.edu.uy/ mordecki mordecki@cmat.edu.uy Facultad de Ciencias Montevideo, Uruguay. Instituto de Matemática Aplicada del Litoral
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesTécnicas de Inferencia Estadística II. Tema 2. Contrastes de hipótesis en poblaciones normales
Técnicas de Inferencia Estadística II Tema 2. Contrastes de hipótesis en poblaciones normales M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 2. Contrastes
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesVariables aleatòries vectorials Els problemes assenyalats amb un (*) se faran a classe. 1.- Los estudiantes de una universidad se clasifican de acuerdo a sus años en la universidad (X) y el número de visitas
Más detallesProbabilidad y Estadística Segundo del grado en Telecomunicaciones, UAM, Examen de la convocatoria extraordinaria,
Probabilidad y Estadística Segundo del grado en Telecomunicaciones, UAM, 2014-2015 Examen de la convocatoria extraordinaria, 22-6-2015 Nombre y apellidos.......................................................................
Más detallesConceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesTEORÍA DE LAS TELECOMUNICACIONES
DEPARTAMENTO DE CIENCIA Y TECNOLOGÍA UNIVERSIDAD NACIONAL DE QUILMES Roque Sáenz Peña 8 (B876BD) Bernal Buenos Aires Argentina TEORÍA DE LAS TELECOMUNICACIONES CLASIFICACIÓN DE LAS SEÑALES Básicamente
Más detallesModelos de distribuciones discretas y continuas
Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución
Más detallesTema 4: Variable Aleatoria Bidimensional
Curso 2016-2017 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones
Más detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesUNIVERSIDAD CARLOS III DE MADRID MATEMÁTICAS PARA LA ECONOMÍA II PROBLEMAS (SOLUCIONES ) HOJA 3: Derivadas parciales y diferenciación.
UNIVERSIDAD CARLOS III DE MADRID MATEMÁTICAS PARA LA ECONOMÍA II PROBLEMAS SOLUCIONES ) 3-1. Calcular, para las siguientes funciones. a) fx, y) x cos x sen y b) fx, y) e xy c) fx, y) x + y ) lnx + y )
Más detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
Más detallesAnálisis de señales biomédicas
Análisis de señales biomédicas Objetivo La adquisición y procesado de las variables fisiológicas del paciente para realizar una recomendación diagnóstica y/o un plan terapéutico utico. La bioengeniería
Más detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesProcesos Integrados. Si (Y t ) no es estacionario pero la serie (Z t ) de las primeras diferencias. Z t = Y t = Y t Y t 1,
Capítulo 5 Procesos Integrados Un proceso no estacionario puede no ser estable en la media, en la varianza o en las autocorrelaciones. Por ejemplo, las series 3, 5-13, 19, 29-31, 35-37, y 39 del Capítulo
Más detallesGRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática)
GRADO en INGENIERIA de TELECOMUNICACION (Sistemas de comunicaciones, audiovisuales y telemática) ESTADISTICA 2008-2009 PRACTICA 2. VARIABLES ALEATORIAS OBJETIVOS: Introducción a las variables aleatorias:
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesTendencias y ciclos en las variables macroeconómicas
. Tendencias y ciclos en las variables macroeconómicas Rafael Doménech Temas de Análisis Macroeconómico. Tema 2 1/30 Introducción Necesitamos una estimación que permita extraer el comportamiento tendencial
Más detallesSolución Examen Parcial IV Nombres: Apellidos: C.I.: Firma: Fecha: 22/06/2005
Nombres: Apellidos: C.I.: Firma: Fecha: 22/06/2005 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta o llene los espacios en blanco (0,5 puntos c/u): 1. (V F) La prueba
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesVARIABLE COMPLEJA Y ANÁLISIS FUNCIONAL
VARIABLE COMPLEJA Y ANÁLISIS FUNCIONAL (Curso 00-00) HOJA Ejercicio. Determina en qué recintos es holomorfa la siguiente función: f(x + iy) x + ay + i(bx + cy) En este caso consideramos: u(x, y) x + ay
Más detallesTema 7. Variables Aleatorias Continuas
Presentación y Objetivos. Tema 7. Variables Aleatorias Continuas En este tema se propone el estudio de las variables aleatorias continuas más importantes, desde la más simple incrementando el grado de
Más detallesProcesos autorregresivos
Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo
Más detallesTema 8. Introducción al análisis espectral de series temporales
Tema 8. Introducción al análisis espectral de series temporales Tema 8. Introducción al análisis espectral de series temporales Tema 8. Introducción al análisis espectral de series temporales 8.1 Introducción
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesTransmisión digital por canales con ruido
Ingeniería Informática Medios de Transmisión (MT) Problemas del tema 8 Transmisión digital por canales con ruido Curso 008-09 18/1/008 Enunciados 1. Un sistema de transmisión binario con se nalización
Más detalles9 APROXIMACIONES DE LA BINOMIAL
9 APROXIMACIONES DE LA BINOMIAL 1 Una variable aleatoria sigue una distribución binomial B(n = 1000; p = 0,003). Mediante la aproximación por una distribución de POISSON, calcular P(X = 2), P(X 3) y P(X
Más detalles5. Distribuciones de probabilidad multivariadas
5. Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable binomial
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesVectores Aleatorios. Vectores Aleatorios. Vectores Discretos. Vectores Aleatorios Continuos
Definición Dado un espacio muestral S, diremos que X =(X 1, X 2,, X k ) es un vector aleatorio de dimension k si cada una de sus componentes es una variable aleatoria X i : S R, para i = 1, k. Notemos
Más detallesFunciones en R n Conceptos métricos y topológicos Límites y continuidad en R 2. Funciones en R n : nociones topológicas
Funciones en R n : nociones topológicas 1 Funciones en R n 2 Conceptos métricos y topológicos 3 Límites y continuidad en R 2 Definición Definición Llamaremos función escalar real de n variables reales,
Más detallesEjercicios T.5 CONTRASTES PARAMÉTRICOS
Ejercicios T.5 CONTRASTES PARAMÉTRICOS 1. Un fabricante de perfume asegura que los frascos que produce contienen por término medio 100 ml. distribuyéndose el contenido de dichos frascos según una distribución
Más detalles2 Modelos de probabilidad discretos sobre R
UN CATÁLOGO DE MODELOS DE POBABILIDAD Julián de la Horra Departamento de Matemáticas U.A.M. Introducción En este capítulo vamos a dar un catálogo de algunos de los modelos de probabilidad más utilizados,
Más detalles