Procesos estocásticos
|
|
- Catalina Padilla Espinoza
- hace 5 años
- Vistas:
Transcripción
1 Teoría de la comunicación Comunicaciones - U.A.H.
2 Indice Probabilidad. Variables Aleatorias. Procesos Estocásticos. Comunicaciones - U.A.H.
3 Probabilidad Probabilidad. Dado un experimento ε del tipo que sea, se define el espacio muestral como el conjunto de todos los resultados posibles del experimento. Al espacio muestral, normalmente se le denota con la letra S. El lanzar un dado es un experimento cuyo espacio muestral está formado por los seis posibles números, es decir, S={,, 3, 4, 5, 6} Se define un suceso A, respecto a un espacio muestral S, como un conjunto de posibles resultados. Normalmente el suceso A va a suponer un subconjunto del espacio muestral S. Comunicaciones - U.A.H. 3
4 Probabilidad. Se define la frecuencia relativa de un suceso A ε, al cociente entre el número de veces que se da el suceso A, después de repetir n veces el experimento ε. Las principales propiedades de la frecuencia relativa son: 0 f A. f A = si A ocurre en las n repeticiones. f A =0 si A no ocurre en las n repeticiones. f A = n A n Sea A y B dos sucesos pertenecientes al experimento ε y mutuamente excluyentes, entonces f A B =f A +f B. Si el número de repeticiones del experimento ε tiende a infinito, n, la frecuencia relativa f A converge en cierto sentido probabilístico hacia la probabilidad de A. P ( A) n = = A f A n n n Comunicaciones - U.A.H. 4
5 Probabilidad. Dado un experimento ε cuyo espacio muestral es S, si a cada suceso A se le asocia un número real designado por P(A), resultado de obtener f A cuando n, se van a a cumplir las siguientes propiedades: 0 P(A). P(S)=. Si es el conjunto vacío, P( )=0. P( A) = P( A) Si A y B son dos sucesos cualquiera P(A B)=P(A)+P(B)-P(A B). Si A y B son sucesos mutuamente excluyentes P(A B)=P(A)+P(B) Si A B entonces P(A) P(B). Comunicaciones - U.A.H. 5
6 Probabilidad. Sean A y B dos sucesos asociados a un experimento ε, se define la probabilidad condicionada de B al suceso A como la probabilidad de que se de el suceso B si se ha dado el suceso A, y se define como: ( B P ) ( A B) = ( A) ( A) 0 P P > A P Así mismo se define la probabilidad de A condicionada a que se halla dado el suceso B, como: ( A ) P( A B) = ( B) ( B) 0 P P > B P Comunicaciones - U.A.H. 6
7 Probabilidad. A partir de las dos ecuaciones anteriores es posible obtener el teorema de Bayes que establece: P ( A B) = P( B ) P( A) = P( A ) P( B) A B P P ( B ) A ( A ) B = = P P ( A ) P( B) B P ( A) ( B ) P( A) A P ( B) Comunicaciones - U.A.H. 7
8 Variables aleatorias. Dado un experimento ε cuyo espacio muestral asociado es S, se define la variable aleatoria, a la función que asigna a cada uno de los elementos s S, un número real (s). Si S contiene un número contable de muestras, entonces (s) es una variable aleatoria discreta, en caso contrario (s) será una v.a. continua. La principal ventaja que presentan las variables aleatorias son que permiten manejar sucesos del tipo P(=a) o bien P( a), siendo a un punto de la recta real x. Comunicaciones - U.A.H. 8
9 Variables aleatorias. Función de distribución de probabilidad (F.D.). Considerando un experimento ε al que se ha asociado una variable aleatoria, se define la función distribución de probabilidad F (x), como la probabilidad de que x, o lo que es lo mismo P( x). F ( x) = P( x) < x < Comunicaciones - U.A.H. 9
10 Variables aleatorias. Sus principales propiedades son: 0 F (x), siendo F (- )=0 y F ( )=. F (x) es continua por la derecha, es decir, F (x+)= F (x). F (x) es una función no decreciente, es decir, F (x ) F (x ) si x > x P(>x) = - F (x). P(a<x b) = F (b) - F (a), siendo b>a Comunicaciones - U.A.H. 0
11 Variables aleatorias. Función densidad de probabilidad (f.d.p.). La función densidad de probabilidad se define como: f ( x) = df dx ( x) La función de distribución es muy útil para el cálculo de probabilidades, sin embargo, en comunicaciones se va a trabajar sobre todo con promedios estadísticos, por ello va a ser más útil trabajar con la función densidad de probabilidad. Comunicaciones - U.A.H.
12 Variables aleatorias. Las propiedades de la función densidad de probabilidad para variables aleatorias continuas, son: P( x) = F ( x) = f ( λ) f (x) 0. f x dx = ( ) x dλ P( a < b) = F ( b) F ( a) f ( x) b = dx a Comunicaciones - U.A.H.
13 Variables aleatorias. F.D. y f.d.p. conjuntas. Algunos experimentos se caracterizan por más de una variable aleatoria que pueden o no ser independientes, en este caso se habla de F.D. y f.d.p. conjuntas. Por sencillez se estudia el caso de dos variables aleatorias. La función distribución conjunta se define como: F Y ( x, y) = P( x, Y y) La función densidad de probabilidad conjunta, se define como:. f Y ( xy) = d F Y dx dy ( xy) Comunicaciones - U.A.H. 3
14 Variables aleatorias. Propiedades de la F.D. y f.d.p. conjunta. P F x y ( x < x, y < Y y ) = f ( xy) F f Y dy dx x y ( ) = f ( xy) dy dx Y Y = F f ( x) = F ( x, ) = P( x < Y ) Y, Y Y ( x) = f ( xy) Y dy ( y) = F (, y) = P( <,Y y) Y ( y) = f ( xy) Y dx Comunicaciones - U.A.H. 4
15 Variables aleatorias. Dos variables aleatorias son estadísticamente independientes si el valor que toma cada una de ellas no influye sobre los valores de la otra, por lo tanto se va a cumplir: F f Y Y ( xy) = F ( x) FY ( y) ( xy) = f ( x) f ( y) Y Si dos variables aleatorias no son independientes, es posible obtener su f.d.p. conjunta en función de las f.d.p. condicionales: f Y ( ) ( y xy = f ) f ( x) = f ( ) x f ( y) Y x Y y Y Comunicaciones - U.A.H. 5
16 Variables aleatorias. Promedios estadísticos de una v.a. La F.D. y la f.d.p. caracterizan totalmente a una variable aleatoria, sin embargo, en algunas ocasiones o bien no es necesaria tanta información o bien es muy difícil obtener dichas funciones y es suficiente con definir algunos promedios de dicha v.a. Media Varianza Coeficiente de correlación Comunicaciones - U.A.H. 6
17 Variables aleatorias. Media estadística. Se define la media como el valor con mas probabilidad esperado. Sea una variable aleatoria discreta con valores posibles x, x,..., x n y sea p(x i )=P(=x i ), i=,,..., n. El valor esperado de se denota por E[] y se define como: E [ ] = m = x p( x ) Dada una v.a. continua, cuya f.d.p. es f (x), su valor medio es: E n i= [ ] m = x f ( x) = dx i i Comunicaciones - U.A.H. 7
18 Variables aleatorias. Propiedades de la media estadística: Si =Cte entonces E[]=Cte. E[k]=k E[]. E[+Y]=E[]+E[Y] E[ n ]=E[ ]+E[ ]+...+E[ n ] Sea (,Y) una v.a. bidimensional con ey independientes E[Y]=E[] E[Y] Dada Y=g() es posible obtener la media de la nueva variable Y, como: E [ Y ] y f ( y) dy = E[ g( )] = g( x) f ( x) = dx Y Comunicaciones - U.A.H. 8
19 Variables aleatorias. Varianza de una v.a. La varianza es una medida de la concentración de la f.d.p. de alrededor de la media. Cuanto mayor sea la varianza, mayor es la probabilidad de encontrar valores alejados de la media. La varianza se define como: Var = σ = E m Si es una v.a. discreta la varianza de la función se define como: σ Si es una v.a. continua: σ = [ ] ( ) ( ) xn m ) P( = xn ) ( n= = ( x m ) f ( x) dx Comunicaciones - U.A.H. 9
20 Variables aleatorias. Propiedades de la varianza. σ = E [( ) ] [ ] m = E E [ ] Var(k) = k Var() Var(+k) = Var() Si (,Y) es una v.a. bidimensional donde e Y son independientes se cumple: ( + Y ) = Var( ) Var( Y ) Var + Sea,,..., n v.a. independientes. Se cumple: ( ) = Var( ) + Var( ) +... Var( ) Var + n n Comunicaciones - U.A.H. 0
21 Variables aleatorias. Coeficiente de correlación. El coeficiente de correlación de dos variables aleatorias e Y da, en gran parte, el grado de similitud entre las dos variables aleatorias. Se define el coeficiente de correlación entre e Y, como. ρ Y = E [( m ) ( Y my )] Var[ ] Var[ Y ] { Var[ ] y Var[ Y ]} ρ El numerador del coeficiente de correlación representa la covarianza de e Y (C Y ). Y 0 C Y = E [( m ) ( Y my )] = E[ Y] m my Comunicaciones - U.A.H.
22 Variables aleatorias. Variables aleatorias incorreladas. Se dice que dos v.a. e Y están incorreladas si su coeficiente de correlación es nulo y por lo tanto su covarianza. Si e Y son dos v.a. independientes, también serán v.a. incorreladas. La incorrelación es una condición mucho más débil que la independencia. Dos variables aleatorias e Y pueden estar incorreladas pero no tiene porque ser independientes. Si e Y están incorreladas Var[+Y]=Var[]+Var[Y]. Comunicaciones - U.A.H.
23 Variables aleatorias. Variables aleatorias ortogonales. Dos variables aleatorias e Y son ortogonales si E[Y]=0. Variables aleatorias independientes. Dos variables aleatorias e Y son independientes si se cumple: F f Y Y ( xy) = F ( x) FY ( y) ( xy) = f ( x) f ( y) Y Comunicaciones - U.A.H. 3
24 Variables aleatorias. Distribución Gaussiana. Una de las v.a. continuas más importantes es aquella cuya f.d.p. tiene una distribución normal o Gaussiana, que toma valores de x entre y -, y cuya expresión es: f x m σ ( x) = e = N( m, σ ) < x < πσ f (x) x E[]-σ E[] E[]+σ x Comunicaciones - U.A.H. 4
25 Variables aleatorias. Distribución uniforme. La f.d.p. uniforme tiene la misma probabilidad en un intervalo de x, siendo dicho probabilidad nula fuera del mismo. f (x) a E[] b x f ( x) = b a 0 a x Re sto b x E σ [ ] = b + a = ( b ) a Comunicaciones - U.A.H. 5
26 Variables aleatorias. Distribución de Rayleigh. El modelo de Rayleigh describe una v.a. continua producida por dos variables aleatorias Gaussianas,Y resultante de la transformación mostrada en la figura : y Y R Φ Las variables aleatorias e Y van a ser independientes y además van a cumplir: E [ ] = E[ Y ] = 0 ; σ = σ Y = σ 0 x Comunicaciones - U.A.H. 6
27 Comunicaciones - U.A.H. 7 Variables aleatorias. La v.a. R tiene una f.d.p. denominada de Rayleigh y cuya ecuación es la siguiente: () () [ ] [ ] [ ] = = = = r 0 R R Var R E R E r u e r r f σ π σ σ π σ σ r f (r) R E[R] (b) () ( ) () r u e r R P r F 0 r R = = σ Y R + =
28 Los procesos aleatorios o procesos estocásticos son extensiones de los conceptos asociados con las variables aleatorias cuando se introduce el parámetro tiempo en la función. La mayoría de las señales que se utilizan en comunicaciones son de tipo determinístico, sin embargo en ciertas situaciones, como es el caso de un sistema al que se le suma ruido térmico, las señales que se generan no van a ser determinísticas sino aleatorias. Comunicaciones - U.A.H. 8
29 v(t,e ) t Fuente de ruido v(t) v(t,e ) v(t,e ) 3 t t v(t,e ) 4 t Comunicaciones - U.A.H. 9
30 En general v(t,ei) va a representar la forma de la señal de ruido cuando se produce el evento Ei del espacio muestral. Se dice que v(t,ei) es una función muestral del espacio muestral. Al conjunto de todas las funciones muestrales v(t,ei) se le denomina simplemente conjunto y define al proceso aleatorio que caracteriza, en este caso, a la fuente de ruido. Al observar la forma de la señal generada por la fuente de ruido, se ve una de las funciones muestrales. Es posible comparar la definición de variable aleatoria y la de proceso estocástico, ya que mientras la variable aleatoria transforma los eventos en constantes, el proceso estocástico transforma los eventos en funciones del tiempo. Comunicaciones - U.A.H. 30
31 Respecto a un proceso estocástico v(t,e) se pueden dar los siguientes casos: Si t es variable y E es variable se tiene un proceso estocástico o aleatorio. Si t es variable y E es fija se tiene una función determinística y representa una realización concreta del proceso aleatorio. Si t fija y E variable se tiene una variable aleatoria. Si t fija y E fija se tiene un número real. En general, el proceso aleatorio v(t,e) se va a conocer como v(t), por comodidad. Comunicaciones - U.A.H. 3
32 v(t,e ) t t t v(t,e ) Fuente de ruido v(t) v(t,e ) 3 t t t t t t v(t,e ) 4 t t t v(t,e ) i v(t,e ) i Comunicaciones - U.A.H. 3
33 Función de Distribución de primer y segundo orden. Se va a suponer que x(t,e)=x(t) es un proceso real. La función de distribución de primer orden de x(t) va a ser una función dependiente del tiempo y se va a definir como: F ( x; t) = P( ( t) x) Dado un proceso aleatorio x(t,e)=x(t) y dados dos instantes de tiempo t y t, se tiene las variables aleatorias x(t ) y x(t ). La función de distribución conjunta va a depender de t y t y se va a definir como: F ( x,x ;t,t ) = P[ ( t ) x, ( t ) ] x Comunicaciones - U.A.H. 33
34 Función Densidad de Probabilidad de primer y segundo orden. Se define la función densidad de probabilidad como: ( x;t) f = df( x;t) dx Dado un proceso aleatorio x(t,e)=x(t) y dados dos instantes de tiempo t y t, se tiene las variables aleatorias x(t ) y x(t ). La función densidad de probabilidad conjunta, va a depender de t y t y se va a denotar por: ( x,x ;t,t ) f = d F ( x,x ;t,t ) dx dx Comunicaciones - U.A.H. 34
35 Estadísticos temporales. Estadísticos de primer orden. Media Valor cuadrático medio. Varianza. Estadísticos de segundo orden Autocorrelación. Autocovarianza. Comunicaciones - U.A.H. 35
36 Media. La media de un proceso x(t) es la esperanza de la v.a. x(t), y se define como: m x en general va a ser una función dependiente del tiempo. Valor cuadrático medio. () t E[ x() t ] = x f ( x;t) = dx El valor cuadrático medio se define como: E [ x () t ] x f ( x;t) = dx Comunicaciones - U.A.H. 36
37 Varianza. Se define la varianza de x(t),, como la diferencia entre el valor cuadrático medio y el cuadrado del valor medio. Var [ x( t) ] = σ = E x ( t) [ ] E x( t) [ ] también va a ser una función dependiente del tiempo. Comunicaciones - U.A.H. 37
38 Autocorrelación. La función autocorrelación es una media de conjunto de las variables aleatorias x(t ) y x(t ), definiéndose como: R ( t,t ) E[ x( t ) x( t )] = x x f ( x,x ;t,t ) dx dx = va a ser una función de t y t. Autocovarianza. La autocovarianza de x(t) es la covarianza de las variables aleatorias x(t ) y x(t ): C ( t,t ) = E[ ( x( t ) m ( t ) ) ( x( t ) m ( t ) )] C ( t,t ) = R( t,t ) m ( t ) m ( t ) x x x x Comunicaciones - U.A.H. 38
39 En función de la relación de la relación entre x(t ) y x(t ), se pueden dar las siguientes situaciones: Si x(t ) y x(t ) son v.a. incorreladas u ortogonales o independientes, entonces x(t) será un proceso de incrementos incorrelados u ortogonales o independientes, cuyo caso se cumplirá: R ( t,t ) = E[ x( t )] E[ x( )] si x(t ) y x(t ) son independientes o incorrelados. t E[x(t ) x(t )]=0 si x(t ) y x(t ) son ortogonales [ ] ( ) ( ) Si t =t =t, entonces R t,t = E x t y representa el valor cuadrático medio de la v.a. x(t). Comunicaciones - U.A.H. 39
40 La importancia de la función autocorrelación radica en que describe completamente la densidad espectral de potencia y por lo tanto el contenido en potencia de un gran número de señales aleatorias. La autocorrelación es una medida de relación o dependencia entre x(t ) y x(t ). Cuando es necesario examinar los estadísticos conjuntos de dos procesos aleatorios reales, x(t) e y(t), se habla de correlación cruzada y covarianza cruzada, definiéndose como: R C Y Y ( t,t ) = E[ x( t ) y( t )] ( t,t ) = R ( t,t ) E[ x( t )] E[ y( t )] Y Comunicaciones - U.A.H. 40
41 Se dice que dos procesos están incorrelados, si para todo t y t, se cumple: R C Y Y ( t,t ) = E[ x( t )] E[ y( t )] ( t,t ) = R ( t,t ) E[ x( t )] E[ y( t )] = 0 Y Dos procesos aleatorios independientes serán procesos incorrelados. La independencia física de dos procesos implica independencia estadística de los mismos y por lo tanto incorrelación entre ellos, sin embargo, la incorrelación de dos procesos no implica necesariamente independencia entre ambos. Se dice que dos procesos son ortogonales si: ( t,t ) = E[ x( t ) y( t )] 0 RY = Comunicaciones - U.A.H. 4
42 En general si un proceso x(t) es función de una variable aleatoria Y, es decir: ( t) g( Y,t) x = para t=t aleatoria. x(t )=g(y,t ) va a ser una transformación de una variable Si se conoce la f.d.p. de Y, f Y (y), se podrán calcular sus estadísticos temporales como: E R [ x() t ] E[ g( Y,t)] = g( Y,t) f ( y) = dy Y ( t,t ) E[ g( Y,t ) g( Y,t )] = g( Y,t ) g( Y,t ) f ( y) = dy Y Comunicaciones - U.A.H. 4
43 Procesos estacionarios. Se dice que un proceso aleatorio es estacionario en sentido estricto, si sus características estadísticas no se ven afectadas por traslaciones en el tiempo, es decir, los procesos x(t) y x(t+t 0 ) tienen las mismas características estadísticas para cualquier valor de t 0. En general dados dos procesos aleatorios x(t) e y(t), se dice que ambos procesos son conjuntamente estacionarios si las características estadísticas conjuntas de x(t) e y(t) son las mismas que las de x(t+t 0 ) e y(t+t 0 ) para cualquier valor de t 0. Debido a la dificultad de establecer de forma rigurosa esta propiedad, es más común utilizar la definición de proceso estacionario en sentido amplio, la cual solo va referida a los estadísticos de primer y segundo orden. Comunicaciones - U.A.H. 43
44 Procesos estacionarios en sentido amplio. Un proceso x(t) es estacionario en sentido amplio si sus estadísticos de primer orden no dependen del tiempo y los de segundo orden solo dependen del intervalo de tiempo τ = t -t. Estadísticos de primer orden m σ ( t) () t = m = σ Estadísticos de segundo orden R C ( t,t ) = R ( t t ) = R ( τ ) ( t,t ) = C ( t t ) = C ( τ ) Comunicaciones - U.A.H. 44
45 Si el proceso aleatorio es estacionario se puede simplificar la notación y se puede reescribir la ecuación correspondiente a la función de autocorrelación como: R ( τ ) = E[ x( t) x( t τ )] = E[ x( t) x( t + τ )] Propiedades de la función autocorrelación de un proceso estacionario x(t): R (τ) es una función par, es decir, R (τ)=r (-τ). El máximo valor de R (τ) se da para τ=0. R 0 = [ ] ( ) E x ( t) Comunicaciones - U.A.H. 45
46 Procesos conjuntamente estacionarios en sentido amplio. Dos procesos x(t) e y(t), son conjuntamente estacionarios en sentido amplio si cumplen que su media es constante, su autocorrelación depende del intervalo τ y su correlación cruzada de pende solo de τ=t - t, es decir: E E [ x() t ] = cte ; R ( τ ) = E[ x( t) x( t + τ )] [ y() t ] = cte ; R ( τ ) = E[ y( t) y( t + τ )] Y R Y ( τ ) = E[ x( t) y( t + τ )] Comunicaciones - U.A.H. 46
47 Propiedades de la función R Y (τ): R Y (τ) es una función par, es decir, R Y (τ)=r Y (-τ). R Y (τ)=r Y (-τ). R Y ( τ ) R ( 0) R ( 0) Y ( ) [ ( ) R ( 0) ] R Y τ R 0 + Si x(t) e y(t) son dos procesos incorrelados: Y R Y ( τ ) = E[ x( t) ] E[ y( t) ] Dos procesos x(t) e y(t) son ortogonales si R Y ( τ ) = 0 τ Comunicaciones - U.A.H. 47
48 Procesos ergódicos. En general, se dice que un proceso x(t) es ergódico si todos sus parámetros estadísticos se pueden determinar con una única realización del proceso x(t;e i ). Esto implica que los diversos parámetros estadísticos se pueden expresar como medias temporales. Se puede decir que un proceso es ergódico si las medias temporales coinciden con las medias estadísticas. Comunicaciones - U.A.H. 48
49 Ergodicidad respecto a la media. E [ x() t ] = x f ( x) x T T () t = Lim x() t T T dx dt E [ x() t ] = x() t Comunicaciones - U.A.H. 49
50 Ergodicidad respecto a la varianza. E [ ()] x t = x f ( x) x T T () t = Lim x () t T T dx dt E [ ()] x t = x () t Comunicaciones - U.A.H. 50
51 Comunicaciones - U.A.H. 5 Procesos estocásticos Ergodicidad respecto a la autocorrelación. Un proceso ergódico debe ser estrictamente estacionario, sin embargo un proceso estacionario no tiene porque ser ergódico. La ergodicidad implica que una sola función muestral es representativa para caracterizar todo el proceso aleatorio ( ) ( ) ( ) [ ] () ( ) () ( ) ( ) ( ) ( ) τ τ τ τ τ τ + = + = + + = t x t x R dt t x t x T Lim t x t x t x t x E R T T T ( ) ( ) ( ) [ ] () ( ) () ( ) ( ) ( ) ( ) τ τ τ τ τ τ + = + = + + = t y t x R dt t y t x T Lim t y t x t y t x E R Y T T T Y
52 Espectro de potencia (densidad espectral de potencia). El espectro de potencia de una señal aleatoria estacionaria, refleja la distribución de potencia en el dominio de la El teorema de Wiener-Kintchine establece que cuando x(t) es un proceso estacionario en sentido amplio, la densidad espectral de potencia se obtiene como la transformada de Fourier de la función autocorrelación: G R ( ω) = TF{ R ( τ )} = R ( τ ) ( τ ) = TF { G ( ω) } = G ( ω ) π e jωτ dτ e jωτ dω Comunicaciones - U.A.H. 5
53 Respuesta de un sistema L.T.I. a una entrada aleatorio. Este estudio se va a restringir al análisis con señales aleatorias estacionarias. Si x(t) es un proceso estacionario, de media m y autocorrelación R (τ), que pasa a través de un sistema LTI estable, cuya respuesta impulsiva es h(t) de tipo real, se obtendrá un proceso aleatorio y(t) también estacionario. x(t) ( ω) R ( τ) G ( ω) Sistema LTI h(t) H(ω) y(t) Y( ω) R ( τ) Y G ( ω) Y Comunicaciones - U.A.H. 53
54 x(t) ( ω) R ( τ) G ( ω) Sistema LTI h(t) H(ω) y(t) Y( ω) R ( τ) Y G ( ω) Y y R G E TF () t = x( t) h( t) Y ( ω ) = ( ω ) H ( ω ) Y ( τ ) = h( τ ) h( τ ) R ( τ ) Y ( ω ) = H ( ω ) G ( ω ) [ y() t ] = E[ x() t ] H ( 0) Comunicaciones - U.A.H. 54
55 Proceso aleatorio gaussiano. Se dice que un proceso aleatorio x(t), es Gaussiano si su f.d.p. f(x;t) es Gaussiana para todos los valores de t, su f.d.p. bidimensional, f(x,x ;t,t ) es también una variable aleatoria Gaussiana para todo t y t y su f.d.p. conjunta de mayor orden también deberá ser una variable aleatoria Gaussiana. La importancia de los procesos aleatorios Gaussianos radica en su papel fundamental en el estudio de las comunicaciones, ya que el modelo Gaussiano se aplica a muchos fenómenos aleatorios eléctricos. Comunicaciones - U.A.H. 55
56 Las principales propiedades que cumple un proceso aleatorio Gaussiano son: x(t) queda totalmente descrito por E[x(t)] y R (t,t ). ( ) [ ( )] [ ( )] Si R t,t = E x t E x t entonces x(t ) y x(t ) están incorreladas y son estadísticamente independientes. Si x(t) es estacionario en sentido amplio, entonces también es estacionario en sentido estricto y ergódico. Cualquier operación lineal sobre x(t) produce otro proceso aleatorio Gaussiano. Comunicaciones - U.A.H. 56
57 Ruido blanco Gaussiano. El ruido blanco Gaussiano es un proceso aleatorio de tipo Gaussiano y es capaz de caracterizar el ruido producido por el movimiento de los electrones debido a su agitación termal. El ruido va a tener una distribución Gaussiana siempre que se consideren múltiples fuentes de ruido independientes. Si a la entrada de un sistema LTI se tiene un proceso aleatorio Gaussiano, a la salida se obtiene también un proceso aleatorio Gaussiano. Se dice que un ruido es blanco y Gaussiano si su densidad espectral de potencia es constante para todo el espectro de frecuencias. G R η0 ( ω ) = Comunicaciones - U.A.H. 57
58 A partir de la densidad espectral de potencia de ruido, es posible obtener la función autocorrelación: R R 0 ( τ ) = TF [ G ( ω) ] = δ ( τ ) R Debido a que R R (τ)=0 para τ 0, cualquiera dos ejemplos de ruido blanco Gaussiano van a ser incorrelados y estadísticamente independientes. Si se tiene un ruido blanco Gaussiano cuya densidad espectral de potencia es η 0 /, y este se filtra mediante un sistema LTI cuya función de transferencia es H(ω) se obtiene la señal de salida y(t): G R Y Y η 0 ( ω ) = H ( ω ) G ( ω ) = H ( ω ) η [ ] 0 ( τ ) = TF H ( ω ) R η Comunicaciones - U.A.H. 58
59 Procesos paso banda. En la mayoría de los sistemas de comunicación en los que se modula la información para ser transmitida, mediante una portadora fp, se cumple que el ancho de banda del canal es pequeño comparado con fp. Cuando un proceso aleatorio es modulado por una portadora para transmitirlo a través de un canal de transmisión, el resultado es un proceso aleatorio paso banda. El ruido que se suma a la transmisión de una señal en el canal, va a ser un proceso aleatorio paso banda. Para trabajar en estos casos es conveniente representar el ruido n(t), en términos de las componentes en fase y cuadratura. Comunicaciones - U.A.H. 59
60 n n f c n() t = n f ( t) cos( ω pt + ϕ p ) nc ( t) sen( ω pt + ϕ p ) () t = n() t cos( ω pt) + nˆ ( t) sen( ω pt) componente en fase () t = n() t cos( ω t) nˆ () t sen( ω t) componente en cuadratura p p Si n(t) es un proceso aleatorio Gaussiano paso banda de media cero y estacionario, la componente en fase n f (t) y la componente en cuadratura n c (t) también van a ser procesos aleatorios Gaussianos, conjuntamente estacionarios, de media cero e independientes, pero de banda base. E σ R R [ n( t) ] = E n ( t) n n n f f = σ [ ] = E n ( t) = σ = σ [ ] ( τ ) = Rn ( τ ) = Rn ( τ ) cos( ω pτ ) ± Rˆ n( τ ) sen( ω τ ) c p ( τ ) = R ( τ ) cos( ω τ ) Rˆ ( τ ) sen( ω τ ) n c n f n f n c 0 p c = 0 n p Comunicaciones - U.A.H. 60
61 También es posible obtener la señal de ruido en función de la envolvente R(t) y de la fase instantánea φ(t): () () () R t = n f t + nc t n() t = R() t cos( ω pt + ϕ p + φ() t ) nc () t φ () t = artg n f () t R(t) es un proceso aleatorio que sigue una función de distribución de Rayleigh, definida por: π = σ f R σ0 () r = e u() r σ r 0 r E E R Var [ R() t ] [ () t ] [ R() t ] = σ π = σ 0 φ(t) es una proceso aleatorio uniformemente distribuido entre -π y π e independiente de R(t). 0 0 Comunicaciones - U.A.H. 6
62 Teoría de la comunicación Comunicaciones - U.A.H. 6
Repaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
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 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 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 detallesTEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
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 detallesEjercicios 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 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 detallesTeoría de la Comunicación. a) Si X es una variable aleatoria con una distribución uniforme en el intervalo [ 2, 2], calcule las probabilidades
.6. Ejercicios Ejercicio.1 Se tiene una variable aleatoria X. a) Si X es una variable aleatoria con una distribución uniforme en el intervalo [, ], calcule las probabilidades i) P (X >1) ii) P (X > 1)
Más detallesSistemas de Comunicaciones
Sistemas de Comunicaciones Tema 2: Señales aleatorias Grado en Ingeniería de Sistemas de Telecomunicación Departamento de Ingeniería de Comunicaciones Universidad de Málaga Curso 202/203 Tema 2: Señales
Más detallesEstadística Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 2011 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1 1. Las Definiciones de Probabilidad 2. Variables Aleatorias 3. Función de Densidad
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 detallesRuido en los sistemas de comunicaciones
Capítulo 2 Ruido en los sistemas de comunicaciones Cuando una señal se transmite a través de un canal de comunicaciones hay dos tipos de imperfecciones que hacen que la señal recibida sea diferente de
Más detallesPOTENCIA DE UN PROCESO ALEATORIO. Análisis Espectral 1 / 30
POTENCIA DE UN PROCESO ALEATORIO Análisis Espectral 1 / 30 POTENCIA DE UN PROCESO ALEATORIO Recordemos: Para señales determinísticas.... la potencia instantánea es Para una señal aleatoria, es una VA para
Más detallesSEÑALES Y SISTEMAS Clase 5
SEÑALES Y SISTEMAS Clase 5 Carlos H. Muravchik 15 de Marzo de 2018 1 / 43 Habíamos visto: Repaso Probabilidades (sobrevuelo) Veremos: 1. Repaso Probabilidades 2. Repaso Variables aleatorias. Distribuciones.
Más detallesTeoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y
Profesores de TMDE Teoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y estadística Monograph 9 de septiembre de 23 Springer Índice general. Variables aleatorias
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 detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
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 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 detallesVECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción VECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M. Desde un punto de vista formal, los vectores aleatorios son la herramienta matemática adecuada para transportar
Más detallesSistemas de comunicación
Sistemas de comunicación Práctico Repaso de procesos estocásticos Cada ejercicio comienza con un símbolo el cuál indica su dificultad de acuerdo a la siguiente escala: básica, media, avanzada, y difícil.
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 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 detallesTEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesClase 3. Procesos estocásticos en Teoría de la señal.
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
Más detallesA502 - Teoría de Sistemas y Señales
A50 - Teoría de Sistemas y Señales Transparencias Densidad Espectral de Energía de Señales Aperiódicas Autor: Dr. Juan Carlos Gómez Señales de Potencia Verifican TD: TC: Algunas Definiciones N 1 < P lim
Más detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesDistribución Gaussiana Multivariable
Distribución Gaussiana Multivariable Carlos Belaustegui Goitia, Juan Augusto Maya 8 de Agosto de Resumen En este documento presentamos la deducción de la expresión de la función densidad de probabilidad
Más detallesProbabilidad y Procesos Aleatorios
y Dr. Héctor E. Poveda P. hector.poveda@utp.ac.pa www.hpoveda7.com.pa @hpoveda7 Plan del curso Probabilidad Múltiples 1. Probabilidad Espacios probabilísticos Probabilidad condicional 2. 3. Múltiples 4.
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO ANÁLISIS DE SEÑALES ALEATORIAS 1560 5 06 Asignatura Clave Semestre Créditos Ingeniería Eléctrica Ingeniería en Telecomunicaciones
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 detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
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 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 detallesFolleto de Estadísticas. Teoría del 1er Parcial
Folleto de Estadísticas Teoría del 1er Parcial 2012 Población objetivo: Es un conjunto bien definido de elementos sobre los que se desea hacer algún tipo de investigación o medida. Unidades de investigación:
Más detallesDetección y Estimación Maestría en Ing. Electrónica Capitulo I Probabilidad, Variables y Procesos Aleatorios
Detección y Estimación Maestría en Ing. Electrónica Capitulo I Probabilidad, Variables y Procesos Aleatorios D.U. Campos-Delgado Facultad de Ciencias UASLP Agosto-Diciembre/2017 1 CONTENIDO Espacio muestral
Más detallesPAM de doble banda lateral (PAM-DSB)
PAM paso banda - Modulación AM Generar una PAM banda base st) = n A[n] gt nt) Modular st) en amplitud PAM de doble banda lateral PAM-DSB) PAM de banda lateral única PAM-SSB) Banda lateral inferior. Banda
Más detallesSOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
Más detallesCapítulo 5: Probabilidad e inferencia
Capítulo 5: Probabilidad e inferencia estadística (Fundamentos Matemáticos de la Biotecnología) Departamento de Matemáticas Universidad de Murcia Contenidos Principios de la probabilidad Conceptos básicos
Más detallesNotas de clase. Prof. Nora Arnesi
Notas de clase Este material está sujeto a correcciones, comentarios y demostraciones adicionales durante el dictado de las clases, no se recomienda su uso a aquellos alumnos que no concurran a las mismas
Más detallesA502 - Teoría de Sistemas y Señales
A50 - Teoría de Sistemas y Señales Transparencias Densidad Espectral de Energía de Señales Aperiódicas Autor: Dr. Juan Carlos Gómez Señales de Potencia Verifican TD: TC: Algunas Definiciones < P lim (n)
Más detallesINGENIERO DE TELECOMUNICACION (Troncal) Escuela Técnica Superior de Ingenieros Industriales y de Telecomunicación 2543 TEORIA DE LA COMUNICACION
1. DATOS IDENTIFICATIVOS DE LA ASIGNATURA Título/s Centro Módulo / materia Código y denominación Créditos ECTS 6 Curso / Cuatrimestre Web Idioma de impartición Forma de impartición INGENIERO DE TELECOMUNICACION
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesSistemas Discretos LTI
Sistemas Discretos LTI MSc. Bioing Rubén Acevedo racevedo@bioingenieria.edu.ar Bioingeniería I Carrera: Bioingeniería Facultad de Ingeniería - UNER 06 de Abril de 2009 Bioingeniería I Sistemas discretos
Más detallesApunte de procesos estocásticos
Apunte de procesos estocásticos Margarita Manterola 6 de junio de 2005 Resumen Este apunte pretende ser un resumen de lo dado en clase (tanto práctica como teórica) en la materia Procesos Estocásticos
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
Examen de Estadística Grado en Ingeniería de Telecomunicación 6 de Mayo de 6 Cuestiones solución h 45m C (.5 puntos). Considera tres eventos A, B, C S tales que P (A) = P (B) =.5, P (A B) =.5, y P (C)
Más detallesTema 2: Variables Aleatorias Unidimensionales
Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función
Más detallesDISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN ( CONJUNTA ) DE UN VECTOR ALEATORIO FUNCIÓN DE CUANTÍA ( CONJUNTA) DE VECTORES ALETORIOS DISCRETOS FUNCIÓN DE DENSIDAD (CONJUNTA)
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
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 detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesREPRESENTACIÓN DE SEÑALES PASABANDA. Prof. Germán González Depto de Electrónica USB Junio 2002
REPRESENTACIÓN DE SEÑALES PASABANDA Prof. Germán González Depto de Electrónica USB Junio 2002 Los organismos encargados de regular el uso del espectro radioeléctrico dividen a éste en porciones a ser utilizadas
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
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 detallesTema 4: VARIABLE ALEATORIA N-DIMENSIONAL
Tema 4: VARIABLE ALEATORIA N-DIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
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 detallesENRIC RUIZ MORILLAS ESTADÍSTICA APLICADA A EXPERIMENTOS Y MEDICIONES
ENRIC RUIZ MORILLAS ESTADÍSTICA APLICADA A EXPERIMENTOS Y MEDICIONES Índice 1. Experimento y medición...1 2. Frecuencia y probabilidad...3 3. Características teóricas de las variables aleatorias...25 4.
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 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 detallesTRATAMIENTO Y TRANSMISIÓN
TRATAMIENTO Y TRANSMISIÓN DE SEÑALES INGENIEROS ELECTRÓNICOS SOLUCIÓN CUESTIONES DEL EXAMEN JUNIO 2003 1. Si g(t) es una señal de energía, su autocorrelación viene dada por: Propiedades: R g (τ) =< g(t),
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 detallesPPE - Probabilidad y Procesos Estocásticos
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 205 - ESEIAAT - Escuela Superior de Ingenierías Industrial, Aeroespacial y Audiovisual de Terrassa 749 - MAT - Departamento
Más detallesTEMA 5: ANÁLISIS DE LA CALIDAD EN MODULACIONES ANALÓGICAS
TEMA 5: ANÁLISIS DE LA CALIDAD EN MODULACIONES ANALÓGICAS Parámetros de calidad: SNR y FOM Análisis del ruido en modulaciones de amplitud Receptores de AM y modelo funcional SNR y FOM para detección coherente
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesConcepto de VA bidimensional. Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL. Concepto de VA bidimensional. Concepto de VA bidimensional
Concepto de VA bidimensional Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL Carlos Alberola López Lab. rocesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar
Más detallesTema 5 Modelos de distribuciones de Probabilidad
Tema 5 Modelos de distribuciones de Probabilidad Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria es una aplicación del espacio muestral E al conjunto
Más detallesTema 3: VARIABLE ALEATORIA BIDIMENSIONAL
Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho 2D014 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesCuestiones propuestas de la primera prueba de la primera preparación
Cuestiones propuestas de la primera prueba de la primera preparación Temas a 9 de Teórica Básica Estas cuestiones van pensadas en la línea del primer examen Su dificultad conjunta tiene un nivel similar
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 detallesEstadística Espacial
Kenneth Roy Cabrera Torres 16 de febrero de 2018 1 / 25 Definición Datos de elevación Campos aleatorios Terminología y notación Funciones 2 / 25 Definición Datos de elevación Campos aleatorios Terminología
Más detallesDefinición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números
IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo
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 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 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 detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesVariables aleatorias bidimensionales discretas
Universidad de San Carlos de Guatemala Facultad de Ingeniería Área de Estadística VARIABLES ALEATORIAS BIDIMENSIONALES Concepto: Sean X e Y variables aleatorias. Una variable aleatoria bidimensional (X,
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 detallesTema 4: Variables aleatorias.
Estadística 46 Tema 4: Variables aleatorias. El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos aleatorios, que en muchos
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesEXPERIMENTO ALEATORIO
EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesComunicaciones Digitales
Trabajo Práctico Codificación de Fuente Comunicaciones Digitales E.1 Una fuente tiene un alfabeto {a1,a, a3, a4, a5, a6} con sus correspondientes probabilidades {0.1,0.,0.3,0.05,0.15,0.}. Encontrar la
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 detallesI Conceptos Generales 1
Índice I Conceptos Generales 1 1. Procesos Estocásticos 3 1.1. Introducción............................ 3 1.2. Definición de proceso estocástico................ 4 1.3. Distribución de un proceso estocástico.............
Más detallesSEÑALES Y SISTEMAS Clase 13
SEÑALES Y SISTEMAS Clase 13 Carlos H. Muravchik 19 de Abril de 2018 1 / 27 Habíamos visto: 1. Sistemas lineales con entradas aleatorias. 2. Introducción a la Transformada de Fourier Y se vienen: Repaso
Más detalles