Detección y Estimación Maestría en Ing. Electrónica Capitulo I Probabilidad, Variables y Procesos Aleatorios
|
|
- Gustavo Juárez Pérez
- hace 5 años
- Vistas:
Transcripción
1 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
2 CONTENIDO Espacio muestral y Eventos Axiomas y Propiedades de la Probabilidad Probabilidad Condicional e Independencia Variables Aleatorias Discretas y Continuas Densidad Probabiĺıstica y Distribuciones Variables Aleatorias con Distribución Conjunta Valores Esperados, Covarianza y Correlación Procesos Aleatorios Discretos y Continuos 2
3 Espacio muestral y Eventos DEFINICIÓN: un experimento es cualquier acción o proceso cuyo resultado está sujeto a incertidumbre. DEFINICIÓN: el espacio muestral de un experimento, denotado por S, es el conjunto de los posibles resultados de ese experimento. DEFINICIÓN: un evento es cualquier colección (subconjunto) de resultados contenida en el espacio muestral S. Se dice que un evento es simple si consiste de un solo resultado, y compuesto si consta de más de uno. Ejemplo: considerar el tirar un dado, cuál sería el espacio muestral?, como se podrían definir eventos simples y compuestos? 3
4 Axiomas y Propiedades Dados un experimento y un espacio muestral S, el objetivo de la probabilidad es asignar a cada evento A un número P(A), denominado probabilidad del evento A, que dará una medida más precisa de la posibilidad de su ocurrencia. Ya que un evento se puede asociar a un subconjunto dentro del espacio muestral, la probabilidad se puede definir como una medida para ese subconjunto dentro del espacio de probabilidad. AXIOMAS: Para cualquier evento A S, P(A) 0 y P(S) = 1. Si A 1,...,A n es una colección finita de eventos mutuamente excluyentes en S P(A 1... A n ) = n i=1 P(A i ). 4
5 U PROPIEDADES: Para cualquier evento A, P(A ) = 1 P(A). Si A y B son mutuamente excluyentes P(A B) = 0. Para dos eventos A y B P(A B) = P(A)+P(B) P(A B). Si E i son eventos simples y A = {E 1,...,E m } P(A) = ip(e i ). S S S A B A B A B P(A UB) P(A) P(B)-P(A B) Ejemplo: considerar que se lanzan dos dados por separado, cual es el espacio muestral? Sin ningún dado está cargado cada evento es equiprobable, cual es su prob.? Definir el evento A = { suma de los dos números = 7}, definir este conjunto y calcular su probabilidad. 5
6 Probabilidad Condicional e Indep. DEFINICIÓN: para dos eventos A y B con P(B) > 0, la probabilidad condicional de A dado que ocurrió B se define como: P(A B) P(A B). P(B) Considerar los eventos A 1,...,A n los cuales son excluyentes y exhaustivos (partición para S), entonces para cualquier otro evento B Ley de la Probabilidad Total: P(B) = P(B A 1 )P(A 1 )+...+P(B A n )P(A n ) Tma. de Bayes: si P(A i ) > 0 y P(B) > 0 P(A j B) = P(A j B) P(B) para j = 1,...,n. = P(B A j)p(a j ) ni=1 P(B A i )P(A i ) 6
7 Ejemplo: considerar un rara enfermedad, donde solo 1 de 1000 adultos la padecen. Para esta enfermedad se tiene una prueba farmacéutica, donde al tomarla un individuo que tiene la enfermedad tiene un resultado positivo el 99% de las veces, en tanto que un individuo sin la enfermedad presenta un resultado positivo solo un 2%. Se aplica la prueba a un individuo al azar, cuál es la probabilidad de que tenga la enfermedad si la prueba es positiva? DEFINICIÓN: dos eventos A y B son independientes si P(A B) = P(A), de los contrario son dependientes. Dos eventos mutuamente excluyentes son independientes? Además para dos eventos independientes P(A B) = P(A) P(B), y en general si A 1,...,A n son mutuamente independientes, se cumple. P i I A i = i I P(A i ) I {1,...,n} 7
8 Variables Aleatorias Discretas DEFINICIÓN: para un espacio muestral S de algún experimento, una variable aleatoria (VA) es una regla que asigna un número con cada resultado en S VA : S R. S DEFINICIÓN: cualquier VA cuyos posibles valores sean solo 0 y 1 se llama variable aleatoria de Bernoulli. DEFINICIÓN: una VA discreta es una variable cuyos posibles valores constituyen un conjunto finito, y una VA continua si su subconjunto de valores consiste en un intervalo completo de la recta real. Por lo general, las VA s se denotan por letras mayúsculas y los valores que toman por letras minúsculas. 8
9 DEFINICIÓN: la función masa de densidad probabiĺıstica (FMDP) p(x) de una VA discreta se define para todo número x mediante p(x) = P(X = x) = P( s S : X(s) = x) p(x) 0 y x R(X) p(x) = 1.0. Ejemplo 1: considerar las ventas de computadoras en una tienda de artículos de oficina que se dieron en 1 semana. Se define una VA por { 1 Compra de una Laptop X = 0 Compra de una Desktop Si el 20% eligió una Laptop, definir la función de densidad y graficarla. DEFINICIÓN: la función de distribución acumulada (FDA) F(x) de una VA con función de densidad p(x) se define como F(x) = P(X x) = y xp(y) F(x) representan la probabilidad de que el valor observado de X sea a lo sumo x. 9
10 Ejemplo 2: considerar que una compañía produjo 6 lotes de componentes, donde cada lote tuvo un cierto número de componentes defectuosos Lote # de Defectos Se elige un lote al azar para enviarlo a un cliente, y definir la variable aleatoria X que especifica el # de componentes defectuosos. Calcular las funciones de densidad y distribución acumulada de X, y graficarlas. PROPIEDAD: a,b con a b P(a X b) = F(b) F(a ) en particular, si a,b Z P(a X b) = F(b) F(a 1). 10
11 DEFINICIÓN: sea X una VA discreta con un conjunto D de valores posibles (rango) y función de densidad p(x) el valor esperado de X se denota por E(x) o µ X E(X) x p(x) x D Además si se define una función h(x), entonces su valor esperado será E[h(X)] x D h(x) p(x). PROPIEDAD: Si a,b R E(aX +b) = ae(x)+b. DEFINICIÓN: la varianza de X, denotada por V(X) ó σ 2 X, es V(X) E[(X µ X ) 2 ] y la desviación estándar (DE) de X es σ X. V(X) = 11
12 PROPIEDADES: V(X) = E(X 2 ) [E(X)] 2 = E(X 2 ) µ 2 X, Si a,b R V(aX +b) = a 2 V(X) = a 2 σ 2 X. DISTRIBUCIONES IMPORTANTES: Bernoulli: X = {0,1} y tomar 0 p 1 p(x) = { p x (1 p) 1 x x = {0,1} 0 cualquier otro caso Binomial: la VA se define como X = # de éxitos entre los n ensayos p(x) = { n! (n x)!x! px (1 p) n x x = 0,1,2,...,n 0 cualquier otro caso E(X) = np y V(X) = np(1 p). 12
13 Ejemplo 3: supóngase que 20% de las copias de un determinado libro de texto no pasan cierta prueba de calidad. Sea X el número entre 15 copias elegidas al azar que no pasan la prueba. Entonces X tiene una distribución binomial, definir sus parámetros y calcular (a). La probabilidad de que a lo sumo 8 o que exactamente 8 no pasen la prueba, (b). La probabilidad de que entre 4 y 7, inclusive, no pasen la prueba. Ejemplo 4: considerar el experimento de lanzar un dado en 10 ocasiones. Cuál es la probabilidad de obtener 6 en dos ocasiones?. Ejemplo 5: un receptor recibe una cadena de 0 s y 1 s, trasmitidos por una fuente. Para tomar una decisión acerca del dato transmitido, si el receptor recibe 3 símbolos y de esos 2 o 3 símbolos son cero, entonces decide que esos símbolos representan la transmisión de 0. 13
14 Si el receptor realiza una decisión correcta el 80% de las ocasiones. Cuál es la probabilidad de tomar una decisión adecuada, si las propiedades de enviar 0 y 1 son iguales? Geométrica: la VA se define como X = la primera ocurrencia de un evento A en el k-ésimo ensayo { (1 p) p(x) = x 1 p x = 1,2,... 0 cualquier otro caso E(X) = 1 p y V(X) = 1 p p 2. Poisson: con parámetro λ > 0 p(x) = e λ λ x x! E(X) = V(X) = λ. x = 0,1,2,... Distribución Binomial Distribución de Poisson, si n y p 0 en la Binomial y np λ. 14
15 Variables Aleatorias Continuas DEFINICIÓN: sea X una VA continua, entonces una función de densidad probabiĺıstica (FDP) de X es una función f(x), tal que a,b R con a b, P(a X b) = b a f(x)dx f(x) P(a<X<b) x 0 a b c R se cumple P(X = c) = 0, y a,b R con a < b se cumple P(a X b) = P(a < X < b). DEFINICIÓN: la función de distribución acumulada (FDA) F(x) para una VA continua X está definida por F(x) = P(X x) = x f(y)dy 15
16 PROPIEDADES: a R se cumple P(X > a) = 1 F(a). a,b R con a < b, P(a X b) = F(b) F(a). F (x) = f(x). DEFINICIÓN: el valor esperado o promedio de una VA continua X con FDP f(x) es la varianza µ X = E(X) = σ 2 X = V(X) = x f(x)dx, (x µ X) 2 f(x)dx y la desviación estándar (DE) es σ X = V(X). V(X) = E[(X µ X ) 2 ] = E(X 2 ) [E(X)] 2. y E[h(X)] = h(x) f(x)dx. 16
17 Densidad y Distribuciones DISTRIBUCIONES IMPORTANTES: Uniforme: considerar un intervalo [A, B] entonces la FDP está dada por f(x) = { 1 B A A x B 0 en otro caso Normal: definir los parámetros µ y σ donde < µ < y σ > 0, la FDP es f(x) = 1 e (x µ)2 2σ 2 2πσ < x < σ=0.25 σ= σ=1 σ=2 f(x) x 17
18 Normal Estándar: es una FDP normal con µ = 0 y σ = 1. Gamma: es una FDP de una VA continua X definida por f(x) = { 1 β α Γ(α) xα 1 e x/β x 0 0 en otro caso donde α,β son reales positivos y Γ( ) define la función gamma. Gamma Estándar: es una FDP gamma con β = α= f(x) α=1.0 α=2 α= x 18
19 Exponencial: se define en base a un parámetro λ > 0, y se expresa por f(x) = { λe λx x 0 0 en otro caso Ji-Cuadrada: (Chi-Square) sea ν un entero positivo, la FDP se expresa como f(x) = 1 2 ν/2 Γ(ν/2) xν/2 1 e x/2 x 0 0 x < 0 Rayleigh: considerar un parámetro σ > 0, la FDP se define como f(x) = x2 x σ2e 2σ 2 x 0 0 x < 0 Si se consideran 2 VA s continuas X 1 y X 2 con FDP normal la nueva VA Y = X1 2 +X2 2 tendrá una FDP Rayleigh. 19
20 2.5 2 σ= f(x) σ= σ=1.0 σ= x Lognormal: tomar una VA no negativa X, esta distribución se define en función de los parámetros µ y σ: f(x) = 1 e (ln(x) µ)2 2σ 2 x 0 2πxσ 0 x < 0 Si X es una VA con distribución normal Y = ln(x) tendrá distribución lognormal. 20
21 µ=1,σ= f(x) µ=3,σ= µ=3,σ= x Ejemplo 1: calcular las FDA de las distribuciones: (A) uniforme, (B) normal, (C) Exponencial, y (D) Rayleigh. Ejemplo 2: obtener el valor esperado y la varianza de las distribuciones: (A) uniforme, (B) normal, (C) gamma, (D) exponencial, y (E) Rayleigh. 21
22 Ejemplo 3: según un estudio el tiempo de reacción para una respuesta en tráfico a una señal de frenado de las luces de freno normales, se puede modelar como una distribución normal que tiene valor medio 1.25 s y desviación estándar 0.46 s Cuál es la probabilidad de que el tiempo de reacción esté entre 1.0 s y 1.75 s? y cuál es la probabilidad de que el tiempo de reacción exceda 2 s? Tma. del Limite Central: considerar una secuencia de VA s X 1,...,X n independientes e idénticamente distribuidas (i.i.d.); esto es, las correspondientes FDP s f Xi (x) con i = 1,...,n con iguales. Tomar a S n = n i=1 X i como la suma de las n VA s, con promedio finito m = m m n y varianza finita σ 2 = σ σ2 n, donde m i = E(X i ) y σ 2 i = V(X i ) para i = 1,...,n. La FDP de S n dada por f Sn (x) = f X1 (x)... f Xn (x) se acerca a una distribución normal si n, esto significa f Sn (x) 1 e (x m)2 2σ 2 2π 22
23 En relación a la FDA de una distribución normal, se pueden definir 2 funciones importantes en probabilidad Función de Error erf(x) erf(x) 2 π x 0 e u2 du erf( x) = erf(x) (impar). Función de Error Complementaria erfc(x) erf(x) 2 π x e u2 du erfc(x) = 1 erf(x) erfc(x) Función de Error erf(x) x 23
24 Distribuciones Conjuntas DEFINICIÓN: Considerar un espacio muestral S de un experimento, y asumir que sobre él se definen dos VA s discretas X y Y, p(x,y) es la función masa de probabilidad conjunta (FMPC) si para cualquier par ordenado (x,y) se cumple p(x,y) = P(X = x Y = y) Sea A cualquier conjunto que consiste de pares ordenados (x, y) la probabilidad de pertenencia a ese conjunto A es P [(X,Y) A] = (x,y) A p(x,y) DEFINICIÓN: la función masa de probabilidad marginal (FMPM) de X y Y, se denota por p X (x) y p Y (y) respectivamente, y están dadas por p X (x) = y p(x,y) p Y (y) = x p(x, y) 24
25 DEFINICIÓN: Considerar un espacio muestral S, y asumir que sobre él se definen dos VA s continuas X y Y, f(x,y) es la función de densidad probabiĺıstica conjunta (FDPC) si para cualquier conjunto A R 2 se cumple P [(X,Y) A] = A f(x,y)dx dy En particular, si A se define por un rectángulo, es decir A = {(x,y) : a x b,c y d} P [a X b,c Y d] = b a d c f(x,y)dx dy DEFINICIÓN: la función de densidad probabiĺıstica marginal (FDPM) de X y Y, se denota por f X (x) y f Y (y) respectivamente, y están dadas por f X (x) = f Y (y) = f(x,y)dy < x < f(x,y)dx < y < 25
26 DEF.: se dice que dos VA s X y Y son independientes, si para cada par de valores (x,y) o bien p(x,y) = p X (x) p Y (y) VA s discretas f(x,y) = f X (x) f Y (y) VA s continuas Si no se satisfacen estas condiciones para todo par (x,y) X y Y son dependientes. Esta definición se puede generalizar, las VA s X 1,...,X n son independientes si para todo subconjunto de las VA s, la FMPC o FDPC del subconjunto es igual al producto de las FMP s o FDP s marginales. Ejemplo 1: si X 1,...,X n representan los tiempos de vida de n componentes de un sistema, los componentes operan de forma independiente entre sí y cada tiempo de vida tiene una distribución exponencial con parámetro λ. Calcular las FDPC f(x 1,...,x n ). Si uno de estos n componentes falla, entonces el sistema no puede operar calcular la prob. de 26
27 de que el sistema opere pasando el tiempo t P(X 1 > t,...,x n > t) y la prob. de que el tiempo de vida del sistema sea menor o igual a t.
28 DEFINICIÓN: sean X y Y dos VA s continuas con FDP conjunta f(x,y) y FDP de X marginal f X (x) para cualquier valor x de X para el cual f X (x) > 0, la función de densidad de probabilidad condicional de Y dado que X = x es f Y X (y x) = f(x,y) f X (x) < y < Si X y Y son VA s discretas, la función masa de probabilidad condicional Y cuando X = x es p Y X (y x) = p(x,y) p X (x) 27
29 Ejemplo 2: un banco cuenta con una ventanilla para atender clientes en su automóvil y otra para clientes a pie. En un día elegido al azar, sea X = parte del tiempo que está en uso la ventanilla para atender los clientes en automóvil, y Y = parte del tiempo que está en uso la ventanilla para clientes a pie. Entonces el conjunto de posibles valores para (X,Y) es D = {(x,y) : 0 x 1,0 y 1}. Suponer que la FDP conjunta es f(x,y) = { 65 (x+y 2 ) (x,y) D 0 otro caso Comprobar que D f(x,y)dx dy = 1, Calcular las FDP s marginales para X y Y, Calcular la FDPC de Y dado que X = 0.8, Calcular la prob. de que la ventanilla de atención a clientes a pie esté ocupada a lo sumo la mitad del tiempo dado que X =
30 Covarianza y Correlación Sean X y Y dos VA s con FMP p(x,y) o FDP f(x,y) según las variables sean discretas o continuas el valor esperado de una función h(x,y), denotado por E[h(X,Y)], es E[h(X,Y)] = { y h(x,y) p(x,y) VA s discretas h(x,y) f(x,y)dx dy VA s continuas. x DEFINICIÓN: la covarianza entre dos VA s X y Y es Cov(X,Y) = E[(X µ X )(Y µ Y )] donde µ X = E(X) y µ Y = E(Y). Cov(X,Y) = E(X Y) µ X µ Y. 29
31 DEFINICIÓN: el coeficiente de correlación de X y Y, representado por Corr(X,Y) ρ X,Y, se define por ρ X,Y = Cov(X,Y) σ X σ Y PROPIEDADES: a,b,c,d R y a 0,c 0 Corr(aX +b,cy +d) = Corr(X,Y) Para dos VA s X y Y 1 Corr(X,Y) 1. Si X y Y son independientes ρ X,Y = 0, pero ρ X,Y = 0 no implica independencia. ρ X,Y = 1 o 1 Y = ax + b a,b R y a 0. Dos VA s se definen como ortogonales X Y si E[XY] = 0. 30
32 Ejemplo: una compañía vende latas de nueces mixtas que contienen almendras, castañas y maní. Suponga que el peso neto es exactamente de 1 lb, pero la contribución al peso de cada tipo nuez es aleatorio. Debido a que los 3 pesos suman 1 lb, un modelo probabiĺıstico conjunto para 2 tipos de nueces da la información necesaria acerca del peso del tercer tipo. Sea X = peso de las almendras en una lata seleccionada, y Y = peso de las castañas. Entonces la región de densidad positiva es D = {(x,y) : 0 x 1,0 y 1,x+y 1} 1.0 y D 0.5 x Definir la FDP conjunta por f(x,y) = { 24xy (x,y) D 0 otro caso 31
33 6 5 4 f(x,y) y x Verificar que D f(x,y)dx dy = 1, Calcular la FDP marginales para X y Y, Calcular los valores esperados y varianzas de X y Y, Encontrar la covarianza y correlación entre X y Y. 32
34 VA s Vectoriales Un vector aleatorio X es un vector X = [ X 1...X n ] donde X i son VA s que tienen asociadas cada una un espacio muestral S i S = S 1... S n. La probabilidad de que X este en una región D S es donde P[X D] = D f(x)dx x = [x 1... x n ] f(x) = f(x 1,...,x n ) = n F(x 1,...,x n ) x 1... x n es la densidad multivariable conjunta y F(x) = F(x 1,...,x n ) = P[X 1 x 1,...,X n x n ] es la distribución acumulada multivariable. 33
35 DEFINICIÓN: las VA s X 1,...,X n se denotan mutuamente independientes si los eventos {X i x i } i = 1,...,n son independientes entre si, es decir F(x 1,...,x n ) = F(x 1 ) F(x n ) f(x 1,...,x n ) = f(x 1 ) f(x n ). PROPIEDADES: Linealidad del Valor esperado E[h(X)] = h(x 1,...,x n )f(x 1,...,x n )dx 1...dx n E[α 1 h 1 (X)+...+α n h n (X)] = α 1 E[h 1 (X)]+...+α n E[h n (X)] donde α i R. Covarianza C ij Cov(X i,x j ) = E[(X i µ i )(X j µ j )] = E(X i X j ) µ i µ j donde µ i = E(X i ) y µ j = E(X j ). Coeficiente de Correlación ρ ij C ij σ i σ j donde σ 2 i = V(X i) y σ 2 j = V(X j). 34
36 Ejemplo considerar que se tiene n mediciones de una variable de valor φ con diferentes instrumentos, las cuales pueden ser modeladas como n VA s definidas por X i = φ+v i E(V i ) = 0 E(V 2 i ) = σ2 i donde V i representa el ruido en la medición y considerar que es i.i.d. Se busca encontrar una estimación lineal de φ, la cual se no polarizada y de varianza mínima, es decir se buscan encontrar las constantes α i para todo i = 1,...,n tal que la suma ˆΦ = α 1 X α n X n sea una VA con valor esperado E(ˆΦ) = α 1 E(X 1 )+...+α n E(X n ) = φ iα i = 1, y su varianza sea mínima. V = α 2 1 σ α2 nσ 2 n 35
37 Procesos Aleatorios DEFINICIÓN: un proceso aleatorio (PA) se define como un mapeo de elementos de un espacio muestral s S a funciones definidas en el tiempo X(t,s). x 1 (t) S 0 x 2 (t) t 0 t x n (t) 0 t=t o t Asociando a cada elemento del espacio muestral una función del tiempo se obtiene un familia del funciones ensamble. Cuando se fija el tiempo t a un instante t o, el PA X(t) se convierte en una VA X(t o ), y x(t o ) será una muestra de la VA. 36
38 TIPOS DE PA s: Proceso Aleatorio Continuos (PAC): X(t) y t tiene rangos continuos de valores. Proceso Aleatorio Discreto (PAD): X(t) toma solamente valores discretos, mientras que el tiempo t es una variable continua. Secuencia Aleatoria Continuos (SAC): X[n] = X n toma un rango continuo de valores, mientras que el tiempo se definen em base a un índice n entero. Secuencia Aleatoria Discreta (SAD): X n es una variable discretas y n es un índice entero. 37
39 X(t) PAC 0 t X(t) PAD 0 t X[n] SAC n X[n] SAD 1 n
40 Ejemplo 1: considerar un proceso aleatorio X(t) definido por X(t,s) = R(s)cos(ω o t+θ(s)) donde R y Θ son VA s con distribución uniforme { 1 f(θ) = 2π π θ π 0 otro caso f(r) = { 1 0 r 1 0 otro caso s S le corresponde una función X(t,s). 39
41 Para un tiempo específico t, X(t) es una VA con FDA F(x,t) = P[X(t) x] distribución de primer orden. Su derivada con respecto de x f(x,t) = F(x,t) x se define como densidad de primer orden de X(t). La distribución de segundo orden de X(t) es una distribución conjunta dada por F(x 1,x 2 ;t 1,t 2 ) = P[X(t 1 ) x 1,X(t 2 ) x 2 ] de las VA s X(t 1 ) y X(t 2 ) y las correspondiente densidad igual a f(x 1,x 2 ;t 1,t 2 ) = 2 F(x 1,x 2 ;t 1,t 2 ) x 1 x 2 En general, la distribución de n-orden para X(t) es la distribución conjunta F(x 1,...,x n ;t 1,...,t n ) para las VA s X(t 1 ),...,X(t n ). 40
42 Para conocer las propiedades estadísticas de X(t) se necesita el conocimiento de la distribución de n-orden para todo x i, t i y n. En ocasiones es suficiente conocer los valores esperados de X(t) y X 2 (t) Promedio: η X (t) E[X(t)] = x f(x,t)dx Autocorrelación: R XX (t 1,t 2 ) E[X(t 1 )X(t 2 )] = x 1 x 2 f(x 1,x 2 ;t 1,t 2 )dx 1 dx 2 para t 1 = t 2 = t se obtiene la energía promedio de X(t) R XX (t,t) = E[X 2 (t)] Autocovarianza C XX (t 1,t 2 ) R XX (t 1,t 2 ) η X (t 1 )η X (t 2 ) y su valor C XX (t,t) para t 1 = t 2 = t se define como la varianza de X(t). 41
43 PROPIEDADES: (a) Simetría: R XX (t 1,t 2 ) = R XX (t 2,t 1 ). (b) Positividad: R XX (t 1,t 1 ) = E[ X(t 1 ) 2 ] 0. (c) Desigualdad de Schwarz: R XX (t 1,t 2 ) 2 E [ X(t 1 ) 2] E [ X(t 2 ) 2] 42
44 DEFINICIÓN: un proceso estrictamente estacionario es aquel cuya distribución de probabilidad en un instante de tiempo fijo es la misma para todos los instantes de tiempo parámetros tales como la media y la varianza, si existen, no varían a lo largo del tiempo. DEFINICIÓN: cuando la autocorrelación R XX (t 1,t 2 ) de una proceso aleatorio X(t) varia solamente con respecto a la diferencia t 1 t 2, y su promedio η X es constante, X(t) se define como estacionario de sentido amplio R XX (t+τ,t) = R XX (τ). Un proceso aleatorio estacionario en sentido amplio solo requieren que el primer y segundo momento no varíen con respecto al tiempo. 43
45 Ejemplo 2: considerar nuevamente el proceso aleatorio X(t) definido por X(t) = Rcos(ω o t+θ) donde R y Θ son VA s independientes. Θ tiene distribución uniforme en [ π,π] y R en [0,1]. Calcular R XX (t,t+τ), X(t) es un proceso estacionario de sentido amplio?. Ejemplo 3: asumir que X(t) es un PA estacionario de sentido amplio con autocorrelación R XX (t,t+τ) = Ae α τ donde A,α R. Calcular E[(X(8) X(5)) 2 ]. Ejemplo 4: considerar el PA X(t) = Acosωt+Bsenωt Establecer condiciones en las VA s A y B tal que X(t) sea estacionario de sentido amplio. 44
46 Considerar dos PA s X(t) y Y(t): Correlación cruzada: R XY (t 1,t 2 ) E[X(t 1 )Y(t 2 )] Covarianza cruzada: C XY (t 1,t 2 ) E[{X(t 1 ) µ X (t 1 )}{Y(t 2 ) µ Y (t 2 )}] Si estos dos procesos X(t) y Y(t) son reales y estacionarios de sentido amplio, se cumple: R XX ( τ) = R XX (τ). R XX (0) = E [ X(t) 2] = µ 2 X +σ2 X 0. R XX (τ) R XX (0). ĺım τ R XX (τ) = µ X 2. R XY (τ) 2 R XX (0) R YY (0). R XY (τ) R XX(0)+R YY (0) 2. 45
47 Si dos PA s X(t) y Y(t) se definen como conjuntamente estacionarios de sentido amplio por separado deben poseer esta propiedad y R XY depende solo de τ = t 1 t 2 E[X(t+τ)Y(t)] = R XY (τ) DEFINICIÓN: dos PA s X(t) y Y(t) son ortogonales si R XY (t 1,t 2 ) = 0 t 1,t 2 y se definen como sin correlación C XY (t 1,t 2 ) = 0 t 1,t 2. DEFINICIÓN: un PA W(t) se conoce como ruido blanco si t i,t j con t i t j sus muestras W(t i ) y W(t j ) no tiene correlación. En general, también se asume E[W(t)] = W(t) t (seg) 46
48 DEFINICIÓN: si los procesos aleatorios X(t) y Y(t) son independientes cumplen que las VA s X(t 1 ),...,X(t n ) y Y(t 1 ),...,Y(t n ) son mutuamente independientes. DEFINICIÓN: un proceso X(t) se denomina como normal, si las VA s X(t 1 ),...,X(t n ) son normal conjuntamente para todo n y t 1,...,t n. Un proceso aleatorio normal puede ser definido completamente en base a su media η(t) y su autocovarianza C(t 1,t 2 ). Ejemplo 5: considerar un proceso normal X(t) definido por η(t) = 3 C(t 1,t 2 ) = 4e 0.2 t 1 t 2 t 1,t 2. (A) Encontrar la probabilidad de que X(5) 2. (B) Encontrar la probabilidad de que X(8) X(5) 1. 47
49 Dado un PA X(t), se puede asignar una función que a cada muestra X(s i,t) le asigne Y(s i,t) define otro PA. Y(t) = T [X(t)] Si T es determinístico si para dos muestras X(s 1,t) y X(s 2,t) de la entrada que son idénticas en t Y(s 1,t) y Y(s 2,t) son también idénticas en t. Si T es probabiĺıstico existen dos eventos s 1 y s 2 tal que X(s 1,t) = X(s 2,t) en t, pero Y(s 1,t) Y(s 2,t). Si un sistema se define en término de relaciones físicas o ecuaciones, entonces será determinístico (probabiĺıstico) si sus elementos o coeficientes son determinísticos (probabiĺısticos). 48
50 T es un operador sin memoria: E[Y(t)] = E[Y(t 1 )Y(t 2 )] = T(x)f(x,t)dx T(x 1 )T(x 2 )f(x 1,x 2,t 1,t 2 )dx 1 dx 2 T es un operador lineal invariante en el tiempo definido por la convolución: Y(t) = X(t) h(t) = X(t τ)h(τ)dτ donde h(t) representa la respuesta al impulso de T. Si X(t) es una PA normal, entonces Y(t) también lo será. Si X(t) es un PA estrictamente estacionario, entonces Y(t) también lo es. Si X(t) es un PA estrictamente estacionario en sentido amplio, entonces X(t) y Y(t) poseen esta propiedad de forma conjunta. 49
51 PROPIEDADES: E[T{X(t)}] = T {E[X(t)]} E[Y(t)] = η X (t) h(t) donde η X (t) = E[X(t)] R XY (t 1,t 2 ) = R XX (t 1,t 2 ) h(t 2 ) = T [R XX (t 1,t 2 )](t 2 ) R YY (t 1,t 2 ) = h(t 1 ) R XY (t 1,t 2 ) = T [R XY (t 1,t 2 )](t 1 ) Ejemplo 6: un proceso estacionario V(t) con autocorrelación R VV (τ) = qδ(τ) q > 0 (ruido blanco) se aplica en t = 0 a un sistema lineal definido por h(t) = e ct 1(t) donde c R + y 1(t) representa la función escalón unitario. Calcular la autocorrelación de la salida R YY (t 1,t 2 ) para 0 < t 1 < t 2, y la energía promedio de salida E[Y(t) 2 ]. 50
52 DEFINICIÓN: el espectro de potencia de un PA estacionario de sentido amplio X(t), real o complejo, es la transformada de Fourier S XX (ω) de su autocorrelación R XX (τ) = E[X(t+τ)X (t)] S XX (ω) = R XX(τ)e jωτ dτ. Como R XX ( τ) = R XX (τ) S XX (ω) es una función real de ω. DEFINICIÓN: el espectro de potencia cruzado de 2 PA s X(t) y Y(t) es la transformada de Fourier S XY (ω) de su correlación cruzada R XY (τ) = E[X(t+τ)Y (t)]: S XY (ω) = R XY(τ)e jωτ dτ. Como R XY ( τ) = E[X(t τ)y (t)] = RYX (τ) S XY (ω) = SYX (ω) es una función compleja par de ω. 51
53 Ejemplo 7: considerar un PA X(t) = acos(ω o t+ Θ), donde a,ω o > 0 y Θ es una VA uniformemente distribuida en el intervalo [0, 2π]. Determinar el espectro de potencia S XX (ω). Ejemplo 8: considerar un PA Y(t) = X(t T) donde X es estacionario de sentido amplio con autocorrelación R XX (τ) y espectro de potencia S XX (ω). T es una constante. Expresar el espectro de potencia cruzado S XY (ω) en función de S XX (ω). Si Y(t) = T [X(t)], T es un operador lineal invariante en el tiempo y X(t) es estacionario de sentido amplio se cumple R XY (τ) = R XX (τ) h( τ) S XY (ω) = S XX (ω)h (ω) donde H(ω) = F{h(t)}. R YY (τ) = R XY (τ) h(τ) S YY (ω) = S XY (ω)h(ω) = S XX (ω) H(ω) 2 52
54 Ejemplo 9: considerar que X(t) es ruido blanco con potencia promedio q, es decir R XX (τ) = qδ(τ). Considerar que Y = X(t) h(t), calcular S YY (ω). DEFINICIÓN: un PA X(t) es ergódico si todas sus propiedades estadísticas pueden ser determinadas a partir de una función muestra del proceso. Conjunto de Todos los PA's Estrictamente Estacionarios Ergódicos Estacionarios de Sentido Amplio 53
55 Dos conceptos más débiles: Ergódico en el promedio: si el promedio en tiempo de una muestra x(t) es igual al función promedio del ensamble E[X(t)] = ĺım T 1 2T T T x(t)dt Ergódico en la autocorrelación: si se cumple R XX (τ) = ĺım T 1 2T T T x(t+τ)x(t)dt Ejemplo 10: considerar un PA X(t) = acos(ω o t+ Θ), donde a,ω o > 0 y Θ es una VA uniformemente distribuida en el intervalo [0, 2π]. Demostrar que X(t) es ergódico en su promedio y autcorrelación. 54
56 Tarea # 1 Presentación electrónica y reporte acera de los siguientes PA s: Proceso de Poisson Proceso de Markov Random Walk Proceso Wiener Movimiento Browniano 55
Procesos 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 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 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 detallesUnidad 3. Probabilidad
Unidad 3. Probabilidad Javier Santibáñez 17 de agosto de 2018 1. Introducción Definición 1. La probabilidad es una medida subjetiva del grado de creencia que se tiene acerca de que algo desconocido sea
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 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 detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
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 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 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 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 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 detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
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 detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
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 detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesTema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesFórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
DEPARTAMENT D ESTADÍSTICA I INVESTIGACIÓ OPERATIVA Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática A. Distribuciones de variables aleatorias. 1. Descripción de una distribución
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 detallesModelado de la aleatoriedad: Distribuciones
Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:
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 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 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 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 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 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 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 detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Definición de una V.A.C. Definición de una V.A.C.
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 detallesREVISION DE CONCEPTOS BÁSICOS
REVISION DE CONCEPTOS BÁSICOS Objetivos Introducir, de manera muy general, algunos de los conceptos matemáticos y estadísticos que se utilizan en el análisis de regresión. La revisión no es rigurosa y
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 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 detallesRequisitos Matemáticos. Clase 01. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Universidad Austral de Chile Escuela de Ingeniería Comercial ICPM050, Econometría Clase 01 Requisitos Matemáticos Profesor: Carlos R. Pitta Econometría, Prof. Carlos R. Pitta, Universidad Austral de Chile.
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesMa34a Probabilidades y Procesos Estocásticos 21 de Noviembre, Resumen No. 3
Ma34a Probabilidades y Procesos Estocásticos 21 de Noviembre, 2004 Resumen No. 3 Prof. Cátedra: M. Kiwi Prof. Auxiliares: M. Soto, R. Cortez 1 Variables Aleatorias 1.1 Variables Aleatorias Absolutamente
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.
1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado.
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 detallesDistribución conjunta de variables aleatorias
Distribución conjunta de variables aleatorias En muchos problemas prácticos, en el mismo experimento aleatorio, interesa estudiar no sólo una variable aleatoria sino dos o más. Por ejemplo: Ejemplo 1:
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
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 detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesFamilias de distribuciones
Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra
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 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 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 detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesEl primer momento centrado en el origen (k=1) es la esperanza matemática de X
MOMENTO K-ÉSIMO PARA UNA VARIABLE ALEATORIA DISCRETA RESPECTO DEL ORIGEN E(x) n i 1 k x i.p x i El primer momento centrado en el origen (k=1) es la esperanza matemática de X También se definen momentos
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 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 detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para
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 detallesUniversidad Nacional de La Plata
Universidad Nacional de La Plata Facultad de Ciencias Agrarias y Forestales CÁLCULO ESTADÍSTICO STICO Y BIOMETRÍA CONTENIDOS UNIDAD 3: Introducción al Cálculo de Probabilidades. Experimento aleatorio.
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 detallesDefinición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).
VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido
Más detallesProbabilidad, Variable Aleatoria Pag 1 de 26 PROBABILIDAD
Probabilidad, Variable Aleatoria Pag 1 de 6 PROBABILIDAD Actualmente la teoría de probabilidades desempeña un papel importante en el campo de los negocios, la investigación, específicamente en la toma
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
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 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 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 detallesINGENIERO EN COMPUTACIÓN DISTRIBUCIONES DE PROBABILIDAD CONTINUA ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN DISTRIBUCIONES DE PROBABILIDAD CONTINUA ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detalles5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
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 detalles0 en otro caso. P (X > 0) P ( 0.5 < X < 0.5) P ( X > 0.25) x 3 si 0 x < 2. 1 si 2 x P(X 1) P(0.5 X 1) P(0.5 < X 1 X < 1) f X (x) = (1+αx) 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0.75(1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
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 detallesProbabilidad para una V.A. Continua. P( a X b) = f ( x)
Tema 4: Variables Aleatorias Contínuas Prof. Heriberto Figueroa S. Capítulo 4 Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 4.1. Variables Aleatorias Continuas Una variable aleatoria
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
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 detallesDistribuciones de probabilidad Discretas
Distribuciones de probabilidad Discretas Distribución Uniforme Discreta Definición Una variable aleatoria X, tiene una distribución uniforme discreta, si cada uno de los valores x 1, x 2,.. x n, tiene
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 detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad ½ 0.75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesTablas de Probabilidades
Tablas de Probabilidades Ernesto Barrios Zamudio José Ángel García Pérez José Matuk Villazón Departamento Académico de Estadística Instituto Tecnológico Autónomo de México Mayo 2016 Versión 1.00 1 Barrios
Más detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
Más detallesPráctica 11 Probabilidades
Matemáticas Especiales II Año 2014 Prof: T. S. Grigera JTP: V. Fernández AD: S. Franchino Práctica 11 Probabilidades Esta práctica abarca los siguientes temas: a) Definiciones y axiomas. Interpretación
Más detallesProbabilidad y Procesos Aleatorios
y Dr. Héctor E. Poveda P. hector.poveda@utp.ac.pa www.hpoveda7.com @hpoveda7 Prólogo Las diapositivas que se presentan a continuación resumen los conceptos más relevantes de probabilidad: enumeraciones,
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 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 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 detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad las reglas mátemáticas de la probabilidad no son simplemente reglas para calcular frecuencias de variables aleatorias;
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 detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
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 detallesMatemática 3 Curso 2013
Matemática 3 Curso 2013 Práctica 3: Variables aleatorias discretas. Funciones de distribución Binomial, Geométrica, Hipergeométrica, Poisson. 1) Dadas las siguientes funciones, determinar cuales son funciones
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 detallesTema 6 - Introducción. Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo.
Tema 6 - Introducción 1 Tema 5. Probabilidad Conceptos básicos. Interpretación y propiedades básicas Probabilidad condicional y reglas de cálculo. Generalización Tema 6. Variables aleatorias unidimensionales
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 detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
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 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 detalles