TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
|
|
- Inés Romero Ojeda
- hace 5 años
- Vistas:
Transcripción
1 TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/ Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso Características de un proceso estocástico Ejemplos de procesos estocásticos: Procesos de Poisson Procesos gaussianos o normales Procesos estacionarios en sentido estricto Procesos estacionarios en sentido amplio Propiedades de la función de autocorrelación en procesos ESA Proceso sinusoidal en Teoría de la señal Señales en tiempo discreto y proceso de ruido blanco Procesos estocásticos en teoría de la señal Densidad espectral de un proceso estacionario en sentido amplio Sistemas lineales invariantes en el tiempo.
2 5.1. CONCEPTO DE PROCESO ESTOCÁSTICO Definición: Sea Ω un espacio muestral asociado a un experimento aleatorio. Un PROCESO ESTOCÁSTICO es una familia de variables aleatorias { Xt, t T} definidas todas ellas en Ω, que describe la evolución temporal de la variable aleatoria X (t es el parámetro que mide el tiempo). Si t = t 0 es un valor fijo, X(t 0 ) es una variable aleatoria unidimensional (tema 2) Si el valor que toma la variable X es fijo y t es variable, tendremos una función de t que llamaremos REALIZACIÓN del proceso. Cada realización del proceso lleva asociada una probabilidad. TIPOS DE PROCESOS Variable / Parámetro Discreto (n) Continuo (t) Discreta Procesos de variable discreta y parámetro discreto Procesos de variable discreta y parámetro continuo Continua Procesos de variable continua y parámetro discreto Procesos de variable continua y parámetro continuo
3 Problema 1 de la hoja: Ejemplo de proceso de variable discreta y parámetro continuo. Observación: Estudiaremos la teoría básica de procesos estocásticos para aplicarla en el tratamiento de señales aleatorias (Teoría de la señal). En ese contexto, la mayoría de los procesos estocásticos que se utilizan son de variable continua y parámetro continuo.
4 Ejemplo: Proceso de variable y parámetro continuos en señal Difusión de la señal de radio en una estación de FM
5
6
7 5.2. CARACTERÍSTICAS DE UN PROCESO ESTOCÁSTICO Dado un proceso estocástico { Xt, t T} la forma de caracterizarlo es dar la distribución conjunta de cualquier variable aleatoria n-dimensional (tema 3) { } Xt, Xt,..., Xt tt,,..., t T, n 1 2 n 1 2 ESTA CARACTERIZACIÓN SE PUEDE OBTENER EN MUY POCOS CASOS Nos conformaremos con: 1.- Obtener algunas medidas asociadas al proceso estocástico: Función de medias y función de varianzas del proceso Función de autocorrelación, función de autocovarianzas y función coeficiente de correlación. 2.- Estudiar algunos tipos de procesos especiales por su importancia práctica: Procesos de Poisson Procesos normales Procesos estacionarios en sentido estricto y en sentido amplio n
8 MEDIDAS ASOCIADAS A UN PROCESO ESTOCÁSTICO { Xt, t T} Definición 1: Llamaremos distribuciones de primer orden del proceso a las distribuciones de cualquier variable aleatoria unidimensional X(t), para t cualquiera fijo. Definición 2: Llamaremos distribuciones de segundo orden del proceso a las distribuciones bidimensionales de (X(t 1 ), X(t 2 )) para t 1, t 2 cualesquiera fijos. Problema 1: Para el proceso X(t)=At+B, d) Determinar la distribución de primer orden para X(1). Determinar la distribución de segundo orden para (X(1), X(2)) y sus distribuciones marginales Son independientes X(1) y X(2)?
9 Definición 3: Llamaremos media del proceso o función de medias del proceso X(t) a la función de t µ t = E X t X Definición 4: Llamaremos varianza del proceso o función de varianzas de X(t) a la función de t = ( t) 2 2 σ 2 [ ()] [ ()] [ 2 ()] 2 X t V X = EX t EXt = EX t µ X () t Observación: Para hacer estos cálculos, sustituiremos la expresión de X(t) y XY, v.a. bidimensional y abc,, usaremos las propiedades ya vistas para 1. E[ ax + by + c] = ae[ X ] + be[ Y ] + c V ax + by + c = a V X + b V Y + 2 abcov( X, Y ) Problema 1: Para el proceso X(t)=At+B, c) Obtén la media y varianza del proceso.
10 Definición 5: Llamaremos función de autocorrelación del proceso X(t) a la función de dos variables, t 1 y t 2, (, ) = RX t t E X t X t La función de autocorrelación juega un papel primordial a la hora de analizar y procesar señales aleatorias. Observación: para su cálculo podemos proceder de dos maneras: 1.- Si conocemos la distribución conjunta de ( 1), ( 2) fórmulas vistas en el tema 3. X t X t usaremos las 2.- Si no la conocemos, lo que es lo habitual, sustituiremos la fórmula del proceso en X ( t1) y en X ( t2) y realizaremos la operación X ( t1) X ( t2) Observación: Si t 1 = t 2 = t siempre se verifica que, 2 ( ) = X (, ) µ X V X t R tt t.
11 Problema 1: Para el proceso X(t) = At+B, e) Calcula E X ( 1) X ( 2). f) Calcula la función de autocorrelación X ( 1, 2) 2 V X( t) R tt, µ t X X =. R t t. Comprueba que Definición 6: Llamaremos función de autocovarianza del proceso X(t) a la función de dos variables, t 1 y t 2, (, ), (, ) = (, ) µ µ CX t1 t2 = Cov X t1 X t2 = E X t1 X t2 E X t1 E X t2 C t t R t t t t X 1 2 X 1 2 X 1 X 2 Problema 1: Para el proceso X(t) = At+B, g) Calcula la función de autocovarianza X ( 1, 2) C ( tt, ) V X( t) X =. C t t. Comprueba que
12 Definición 7: Llamaremos función coeficiente de correlación del proceso X(t) a la función de dos variables, t 1 y t 2, ρ X ( t, t ) ρ X ( t ), X ( t ) = = CX ( t1, t2) ( 1 ) V( X ( t2) ) V X t Problema 1: Para el proceso X(t) = At+B, calcula su función coeficiente de correlación.
13 EJEMPLO DE PROCESO ESTOCÁSTICO: PROCESO DE POISSON Definición: Sea el proceso estocástico N(t): número de sucesos que ocurren en el intervalo [0,t), t 0. Diremos que N(t) es un PROCESO DE POISSON de tasa λ, λ > 0, si: 1) P[N(0) = 0] = 1 2) El número de sucesos que ocurren en intervalos de tiempo disjuntos son independientes. 3) La variable aleatoria UNIDIMENSIONAL que mide el número de sucesos en cualquier intervalo de tiempo de longitud h, h > 0 (que es N(t+h) N(t), para t cualquiera) tiene distribución de Poisson de parámetro λh, es decir, k ( h), 0, 0,1,2,... h P N t+ h N t = k = e t > k = k! λ λ λ es el nº medio de sucesos que ocurren en una unidad de tiempo y, por tanto, λh es el n ºmedio de sucesos que ocurren en un intervalo de longitud h unidades de tiempo.
14 PROPIEDADES DEL PROCESO DE POISSON 1) La propiedad 3 de la definición se puede escribir de otras maneras: i) La variable aleatoria unidimensional N(b)-N(a) mide el número de sucesos que ocurren en el intervalo [a,b). Por tanto, tiene distribución Poisson(λ(b-a)). λ N b - N a ~ P b- a, b> a ii) Para t fijo, la variable aleatoria UNIDIMENSIONAL N(t) tiene distribución Poisson(λt) porque mide el número de sucesos que ocurren en el intervalo [0,t), ( λ ), > 0 N t P t t 2) Por la propiedad 2 de la definición, si los intervalos [a,b) y [c,d) son disjuntos las variables aleatorias N(b)-N(a) y N(d)-N(c) son INDEPENDIENTES. µ t = σ t = λt. 2 3) Las funciones de medias y de varianzas del proceso son N N 4) Las funciones de autocorrelación del proceso y de autocovarianzas son, respectivamente, N (, ) = λmin {, } + λ 2 ; (, ) = λmin {, } R t t t t tt C t t t t N
15 El proceso de Poisson es habitual encontrarlo en sistemas de colas de espera o en fiabilidad de sistemas. Ejemplo: El número de aviones N(t) que llegan a un pequeño aeropuerto en el intervalo [0,t) es un proceso de Poisson de tasa 12 aviones a la hora. a) Un controlador se ausenta 10 minutos, cuál es la probabilidad de que en su ausencia llegue algún avión? b) Cuál es el número medio de aviones que llegan entre el minuto 15 y el minuto 30? c) Calcula la probabilidad del suceso llegan 5 aviones en la primera media hora y 12 aviones en la primera hora d) Calcula P( N( 3) = 30 / N( 1) = 14). e) Calcula P N( 3) N( 5) E ( N 3 N 1 ) 2 >. f) Calcula Obs: En ejercicios de procesos de Poisson, hay que elegir una única unidad de tiempo única. Usaremos de nuevo la distribución de Poisson vista en tema 2 (función de masa, media, varianza, cálculo de probabilidades)
16 5.3.2.EJEMPLO DE PROCESO ESTOCÁSTICO: PROCESO GAUSSIANO O NORMAL Definición Un proceso X(t) se dice que es Gaussiano o NORMAL si para cualquier conjunto de instantes de tiempo t1, t2,..., t n, la distribución conjunta de la variable aleatoria n-dimensional ( ( 1), ( 2),..., ( n )) X = X t X t X t es NORMAL n-dimensional. Vimos en el tema 3 que si X es normal n-dimensional: 1) X queda totalmente caracterizada si conocemos su vector de medias m X y su matriz de varianzas covarianzas M X donde m X ( ) ( ) ( ) (, ) (, ( n )) (, ) ( ) (, ( n )) E X t 1 V X t1 Cov X t1 X t2 Cov X t1 X t E( X t2 ) Cov X t1 X t2 V X t2 Cov X t2 X t = y M X = E X t Cov X t X t Cov X t X t V X t ( ( 1), ) ( 2), ( ) n n n n
17 2) Las distribuciones de primer orden en un proceso normal son normales unidimensionales, es decir, cada variable aleatoria unidimensional X(t) es normal, t fijo 2 ( µ =, σ = ( )) X t N E X t V X t. 3) Las distribuciones de segundo orden en un proceso normal (distribuciones X t, X t, t t conjuntas de i j i j), son normales bidimensionales con el vector de medias y matriz de varianzas correspondiente (ver punto 1). ( i) ( j) ( i) ( j) ( i) y X ( tj) son independientes. 4) Si X t, X t son normales y Cov X t, X t = 0 X t 5) Si,,..., 1 2 n dimensional X X ( t1), X ( t2),..., X ( tn ) X t X t X t son normales e independientes, la variable aleatoria n- matriz de varianzas de X es = es normal n-dimensional. En este caso, la M X ( ( 1) ) V X t V( X ( t2 )) 0 = 0 0 V( X ( tn ))
18 6) Transformaciones lineales de una variable X = X ( t1), X ( t2),..., X ( tn ) normal n-dimensional con vector de medias m X y matriz de varianzas M X nos devuelven variables aleatorias normales. En concreto: a) Y = AX + B, A una matriz mxn, B un vector mx1. Entonces, Y es una variable aleatoria m-dimensional y el vector de medias y la matriz de varianzas-covarianzas de Y son, respectivamente, m Y = Am X + B y M Y = AM X A T T T n b) Y= ax 1 1+ ax ax n n + b= a X+ b, a= ( a1, a2,..., a n ) un vector de y b. Entonces, Y es una variable aleatoria unidimensional y la media y la varianza de Y son, respectivamente, [ ] T y T EY = amx + b V Y = am Xa Obs: En el caso b) los valores E[Y] y V(Y) se pueden calcular usando las fórmulas vistas en el tema 3 para el cálculo de medias y varianzas de combinaciones lineales de variables aleatorias.
19 IMPORTANTE: Muchas señales y procesos de ruido se ajustan bien a procesos gaussianos. Esto hace que sean unos de los procesos estocásticos más utilizados en el procesamiento de señales aleatorias. Problema 2:
20 PROCESOS ESTACIONARIOS EN SENTIDO ESTRICTO Definición: Un proceso X(t) se dice que es estacionario en sentido estricto si para cualquier conjunto de instantes de tiempo t1, t2,..., t n, las variables aleatorias n-dimensionales ( X ( t1), X ( t2),..., X ( t n )) y X ( t1 h), X ( t2 h),..., X ( tn h) tienen la MISMA DISTRIBUCIÓN para cualquier h > , Idea: El comportamiento aleatorio del proceso se mantiene constante a lo largo del tiempo. Esto es, tiene el mismo comportamiento en el intervalo de tiempo (a,b) que en el intervalo (a+h,b+h). Observación: Es complicado demostrar que un proceso es estacionario en sentido estricto. En la práctica sólo se puede comprobar si algunas de sus medidas como la media o la varianza son estacionarias. Esto se recoge en la definición de procesos estacionarios en sentido amplio, que son los que se usan en situaciones reales.
21 PROCESOS ESTACIONARIOS EN SENTIDO AMPLIO Definición: Un proceso X(t) se dice que es estacionario en sentido amplio (lo denotaremos como ESA) si verifica: 1) μ X (t)= E(X(t)) = μ (la función de medias del proceso es constante e independiente de t, para todo t). 2) X ( 1, 2) X ( t ) R t t = R t (la función de autocorrelación sólo depende de la diferencia entre los dos instantes de tiempo, t 2 - t 1 = τ. Es, por tanto, una función de una sola variable). Observación: Como el objetivo es probar que X ( 1, 2) de τ =t 2 - t 1, para calcular X ( 1, 2) R t t depende solamente R t t vamos a cambiar la notación. En concreto, t 1 = t y t 2 = t + τ e intentaremos probar que R (, ) (, X t1 t2 RX t t t) RX ( t) = + =.
22 Propiedades para un proceso estacionario en sentido amplio (ESA) 1) La función de varianzas es constante y no depende de t 2 ( ) = X ( 0) V X t R µ 2) La función de autocovarianzas es una función de una sola variable y depende solamente de τ X 2 (, + t) = ( t ) µ C tt R 3) La función de los coeficientes de correlación es también una función de una sola variable y depende solamente de τ 2 RX ( t ) µ ρx ( tt, + t) = 2 R 0 µ 4) Si X(t) es estacionario en sentido estricto, entonces es estacionario en sentido amplio pero el recíproco no es cierto (solamente ). 5) Si X(t) es GAUSSIANO + ESA (estacionario en sentido amplio) X(t) es estacionario en sentido estricto X X
23 Problema 5: Ejemplo de procesos ESA Sean X(t) e Y(t) procesos estocásticos independientes tales que E[X(t)] = E[Y(t)] = 0, con funciones de autocorrelación respectivas X τ ( t ) y ( t ) cos( 2πτ ) R e R = Y =. Se pide: a) Estudiar si el proceso Z(t) = X(t) - Y(t) es estacionario en sentido amplio. b) Calcular la varianza de Z(3) c) Calcular Cov(X(0), X(5))
24 PROPIEDADES DE LA FUNCIÓN DE AUTOCORRELACIÓN EN PROCESOS ESTACIONARIOS EN SENTIDO AMPLIO (ESA) Normalmente, las señales se modelizan mediante procesos estocásticos X(t) que son estacionarios en sentido amplio (ESA). Para el estudio de estas señales la herramienta fundamental es la función de autocorrelación, R x (τ), del proceso. Propiedades de R(τ) en procesos ESA: 1) R( 0) E X 2 ( t) 2) R( τ) R( τ) = mide la POTENCIA MEDIA del proceso = es decir, R(τ) es una función par. 3) R(τ) mide la rapidez de cambio del proceso: si R(τ) R(0) rápido cuando τ 0, el proceso X(t) cambia rápidamente. Si R(τ) R(0) despacio cuando τ 0, el proceso X(t) cambia lentamente. 4) R(τ) alcanza su máximo cuando τ = 0. Entonces R R( 0) τ. 5) Si X(t) es periódico, R(τ) también es periódica. Además, si R( 0) = R( d) entonces la función R(τ) es periódica de periodo d. 2 6) Si existe lim R( τ ) τ, entonces lim R( τ) m no sea periódica. τ = siempre que la función R(τ)
25 Ejemplo: Esta función de autocorrelación pertenece a un proceso estacionario en sentido amplio. En efecto, se pueden verificar las propiedades antes enunciadas: es par, alcanza su máximo en τ = 0, tiende rápidamente hacia R(0) cuando τ 0 y los límites en el infinito coinciden con la media al cuadrado del proceso.
26 Problema 7: Observar que R X (τ) verifica todas las propiedades que se le piden a una función de autocorrelación de un proceso ESA: es par, alcanza su máximo en τ = 0, R X (τ) tiende a R X (0) cuando τ 0 y los límites en el infinito coinciden con la media al cuadrado del proceso.
27 : PROCESO SINUSOIDAL EN TEORÍA DE LA SEÑAL Muchas señales aleatorias son del tipo X t = Acos( ω t + θ ), A, θ U ( π, π) ó U ( 0, 2π) con frecuencia ω constante, y amplitud A y fase θ variables independientes. 1) Si la amplitud A es constante, el proceso es ESA con E(X(t)) =0 y su A 2 función de autocorrelación es R( τ) = cos( wτ). Esta función es periódica. Problema 9 a): Para la señal portadora Y( t) = ( ω0t+ θ) ω0 θ U( ππ) probar que es estacionaria en sentido amplio. p 2 cos, constante,,, 2) Si A y θ son variables aleatorias no siempre el proceso será ESA.
28 SEÑALES EN TIEMPO DISCRETO Y PROCESO DE RUIDO BLANCO EN TIEMPO DISCRETO EN TEORÍA DE LA SEÑAL Muchas señales de parámetro continuo se muestrean en intervalos regulares de tiempo, dando lugar a señales discretas en el tiempo, X(n). Al transmitir estas señales por un canal, el ruido que las acompaña, W(n), se suele modelizar como un proceso estocástico discreto llamado RUIDO BLANCO. Definición: Un proceso estocástico en tiempo discreto {W(n)} se dice que es un RUIDO BLANCO si las variables aleatorias W(n), para n, son independientes con distribución N(0, σ W ). Se puede demostrar que este tipo de procesos son estacionarios en sentido amplio y que: W E W n = 0 (, + ) = W = 2 R n n k R k 0 k 0, k σ W k = 0
29 Problema 6: Dado el proceso estocático, n 1 X ( n) = W( n) + W( n 1 ), con W( n) N( 0, σw ), iid 2 a) Obtener la distribución de X(3). b) Calcular la media, la varianza y la función de autocorrelación del proceso X(n) Es X(n) estacionario en sentido amplio? Observación: este proceso {W(n)} es un proceso de ruido blanco en tiempo discreto.
TEMA 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 detallesProcesos estocásticos
Teoría de la comunicación Comunicaciones - U.A.H. Indice Probabilidad. Variables Aleatorias. Procesos Estocásticos. Comunicaciones - U.A.H. Probabilidad Probabilidad. Dado un experimento ε del tipo que
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 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 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 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 detallesRepaso 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 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 detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
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 detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
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 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 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 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 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 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 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
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 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 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 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 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 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 detallesVectores aleatorios (distribuciones multivariantes)
Vectores aleatorios (distribuciones multivariantes) Tema 9. Distribución conjunta de un vector aleatorio. Distribuciones marginales y condicionadas Ignacio Cascos Depto. Estadística, Universidad Carlos
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 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 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 detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. Se eligen tres puntos A, B y C, al azar e independientemente, sobre una circunferencia. Determinar la distribución del valor
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 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 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 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 detallesTEMA 2.- VARIABLES ALEATORIAS
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 16/17 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias. 2.2. Variables aleatorias discretas. Diagrama de barras. 2.3. Función de
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 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 detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
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 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 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 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 detallesOtras distribuciones multivariantes
Trabajo A Trabajos Curso -3 Otras distribuciones multivariantes Clase esférica de distribuciones en R p Definición. Dado un vector aleatorio X = X,..., X p t, se dice que se distribuye en la clase esférica
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 detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesExamen de Estadística
Examen de Estadística Grado en Ingeniería de Telecomunicación 4 de Junio de 03 Cuestiones solucion h 30m C. (p) Un sistema de comunicación está compuesto por los componentes A, B, C, D y E, donde cada
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 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 detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
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 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 detallesTema 6: Distribuciones Multivariantes
Tema : Distribuciones Multivariantes. Distribución conjunta de un vector aleatorio. Distribución conjunta de un vector aleatorio. Distribuciones marginales condicionadas.3 Independencia entre 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 detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
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 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 detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesY \ X
18 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 4 1. En la siguiente tabla se presenta la función de probabilidad conjunta del vector aleatorio discreto (X, Y ): Y \ X 1 2 3 4 1 0.10 0.05 0.02 0.02 2 0.05
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 detallesTEMA 3.- MODELOS DISCRETOS
TEMA 3.- MODELOS DISCRETOS 3.1. Introducción. 3.2. Distribución uniforme discreta de parámetro n. 3.3.Distribución Bernoulli de parámetro p. 3.4.Distribución Binomial de parámetros n y p. Notación: X Bn,
Más detalles2.7. Soluciones de los ejercicios
7 oluciones de los ejercicios Ejercicio olución a) La probabilidad se calcula integrando la función densidad de probabilidad de en el intervalo correspondiente, obteniéndose para la distribución uniforme
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 detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
Más detallesTEMA 1.- PROBABILIDAD.- CURSO
TEMA 1.- PROBABILIDAD.- CURSO 2016-2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesMuestreo y Procesamiento Digital
Muestreo y Procesamiento Digital Práctico N+ Problemas surtidos El propósito de este repartido de ejercicios es ayudar en la preparación del examen. Dadas las variadas fuentes de los ejercicios aquí propuestos,
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 detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
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 detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 4. a) Hallar las funciones de probabilidad marginal de X ydey : p X (x) y p Y (y) respectivamente.
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 4 1. En la siguiente tabla se presenta la función de probabilidad conjunta del vector aleatorio discreto (X, Y ): Y \ X 1 2 3 4 1 0.10 0.05 0.02 0.02 2 0.05 0.20
Más detallesGRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD
GRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD Prof. Rosario Martínez Verdú TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD 1. Nociones básicas de teoría de la probabilidad. 2. Variable
Más detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesCONJUNTO R n. = (5, 2, 10) de 3, son linealmente. = (2,1,3) y v 3. = (0,1, 1) y u 3. = (2,0,3, 1), u 3. = (1,1, 0,m), v 2
CONJUNTO R n.- Considerar los vectores u = (, -3, ) y v = (, -, ) de 3 : a) Escribir, si es posible, los vectores (, 7, -4) y (, -5, 4) como combinación lineal de u y v. b) Para qué valores de x es el
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 detalles6 Variables aleatorias independientes
6 Variables aleatorias independientes Edgar Acuna ESMA 4 Edgar Acuna Dos variables aleatorias son independientes si para todo a b P[
Más detallesCálculo de Probabilidades y Estadística. Segunda prueba. 1
08231. Cálculo de Probabilidades y Estadística. Segunda prueba. 1 Problema 1. En una circunferencia de radio 1 se toman tres puntos, al azar e independientemente. Hallar la probabilidad de que el triángulo
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 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 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 detallesVECTORES ALEATORIOS. 1 Introducción. 2 Vectores aleatorios
VECTORES ALEATORIOS 1 Introducción En la vida real es muy frecuente enfrentarnos a problemas en los que nos interesa analizar varias características simultáneamente, como por ejemplo la velocidad de transmisión
Más detallesSumas/promedios de variables aleatorias
Sumas/promedios de variables aleatorias Dadas unas variables aleatorias X 1,..., X n, interesa considerar las variables S n = X i o bien Z n = 1 n X i. De las variables S n y Z n querremos calcular sus
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 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 detallesTema 4: Variables aleatorias multidimensionales
1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica
Más detallesNotas sobre polinomios
Notas sobre polinomios Glenier Bello 1. Definiciones y conceptos básicos 1.1. Un polinomio es una función f : C C del tipo f(x) = a n x n + a n 1 x n 1 + + a 1 x + a 0, donde n es un entero no negativo
Más detallesHoja de Problemas Tema 3 (Variables aleatorias multidimensionales)
Depto. de Matemáticas Estadística (Ing. de Telecom.) Curso 2004-2005 Hoja de Problemas Tema 3 (Variables aleatorias multidimensionales) 1. Consideremos dos variables aleatorias independientes X 1 y X 2,
Más detallesUNIVERSIDAD POLITÉCNICA DE MADRID PRUEBA DE ACCESO PARA MAYORES DE 25 AÑOS Curso INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDAD POLITÉCNICA DE MADRID PRUEBA DE ACCESO PARA MAYORES DE 5 AÑOS Curso 17-18 Ex. Modelo MATERIA: MATEMÁTICAS II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN Después de leer atentamente
Más detallesDistribuciones de probabilidad discretas. Características y tratamiento. La distribución binomial y la de Poisson. Aplicaciones
Tema 65 Distribuciones de probabilidad discretas. Características y tratamiento. La distribución binomial y la de oisson. Aplicaciones 65.1 Conceptos básicos en Teoría de la robabilidad Sea un conjunto
Más detallesTema 1. Introducción a las señales y los sistemas
SISTEMAS LINEALES Tema. Introducción a las señales y los sistemas de septiembre de F. JAVIER ACEVEDO javier.acevedo@uah.es TEMA Contenidos. Definiciones. Clasificación de señales. Transformaciones de la
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 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 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 detallesTEMA 1.- PROBABILIDAD.-CURSO 2016/2017
TEMA 1.- PROBABILIDAD.-CURSO 2016/2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
Más detallesU3: Procesos Poisson. Probabilidad e Introducción a los Procesos Estocásticos. Mgs. Nora Arnesi
U3: Procesos Poisson Probabilidad e Introducción a los Procesos Estocásticos. Mgs. Nora Arnesi Analizar el siguiente proceso estocástico: Una fuente radioactiva emite partículas y sea X t : número de partículas
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 detallesEl momento de orden n de una variable aleatoria X es el valor esperado de X elevado a la n, es decir,
1 CLASES DE ESTADÍSTICA II CLASE 4) MOMENTOS. FUNCIÓN GENERATRIZ DE MOMENTOS CONJUNTA. El concepto de Momentos ya se conocía en el análisis de una variable aleatoria y es bueno recordarlo ahora para generalizarlo
Más detalles