estocasticos clase 1
Post on 22-Oct-2015
31 Views
Preview:
TRANSCRIPT
1
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE INGENIERÍA EN ELECTRICIDAD Y COMPUTACIÓN
FRANCISCO NOVILLO, PhD.
Probabilidades y Procesos Estocásticos
F. Novillo Probabilidades y Procesos Estocásticos
Política de Evaluación 1 PARCIAL Examen ………………..50 Lección …………………25 Deber …………………..15 Trabajo en Clase …..10 TOTAL …………………100
2 PARCIAL Examen ………………..50 Proyecto .……………..20 Lección …………………10 Deber …………………..10 Trabajo en Clase …..10 TOTAL …………………100
F. Novillo Probabilidades y Procesos Estocásticos 2
Examen
Hoja papel ministro Calculadora Lápiz/pluma Borrador/corrector Ficha de fórmulas No celulares
F. Novillo Probabilidades y Procesos Estocásticos 3
Objetivos
Presentar al estudiante el análisis y aplicación de los conceptos básicos de la teoría de probabilidades con principal énfasis en el estudio de las variables aleatorias individuales y múltiples, funciones y suma de variables aleatorias, teorema del límite central, los procesos estocásticos y la densidad espectral de potencia.
F. Novillo Probabilidades y Procesos Estocásticos 4
Contenido del Curso I. VARIABLES ALEATORIAS. Definición. La función de distribución acumulativa (cdf). La función densidad de probabilidad (pdf). Variables
aleatorias discretas y continuas importantes y su función densidad
Funciones de una variable aleatoria. Valor esperado de x y de f(x). Varianza.
Desigualdad de Chevyshev Métodos de transformación. Función característica y
teorema de momentos. Función generadora
F. Novillo Probabilidades y Procesos Estocásticos 5
Contenido del Curso II. VARIABLES ALEATORIAS MULTIPLES. Variables vectoriales. Eventos y probabilidades Dos variables aleatorias. Pdf y cdf conjuntas. Funciones marginales Independencia de dos variables aleatorias. Probabilidad condicional y valor esperado condicional Múltiples variables aleatorias. Distribución conjunta e
independencia. Regla de la cadena Funciones de varias variables aleatorias. Una función de varias
variables aleatorias. Transformación lineal y general de pdf. Valor esperado de funciones de variables aleatorias. Correlación y
covarianza de 2 variables aleatorias. Función característica conjunta. Variables aleatorias conjuntamente Gausianas. Transformación
lineal
F. Novillo Probabilidades y Procesos Estocásticos 6
Contenido del Curso III. SUMA DE VARIABLES ALEATORIAS. Sumas de variables aleatorias. Media y varianza. Pdf de suma de variables
aleatorias independientes El teorema de límite central.
IV. PROCESOS ALEATORIOS O ESTOCÁSTICOS. Definición. Especificación de un proceso aleatorio. Función Valor medio,
Autocorrelación y Autocovarianza. Procesos estocásticos múltiples. Correlación y covarianza cruzada.
Ejemplos de procesos aleatorios de tiempo discreto y continuo. Procesos iid y suma. Procesos de Poisson y la señal telegráfica aleatoria
Procesos aleatorios estacionarios. Procesos estacionarios en el sentido amplio (WSS). Función de Autocorrelación de un proceso WSS. Propiedades
Procesos cicloestacionarios Promedios de tiempo en procesos estocásticos y teoremas de ergodicidad.
F. Novillo Probabilidades y Procesos Estocásticos 7
Contenido del Curso
V. ANÁLISIS Y PROCESAMIENTO DE SEÑALES ALEATORIAS.
La densidad espectral de potencia (PDF). Teorema de Wiener- Khinchin. Densidad espectral de potencia para procesos estocásticos continuos y discretos.
Densidad espectral de potencia como un promedio de tiempo. Fórmula
Respuesta de sistemas lineales a señales aleatorias Proceso estocástico Ruido Blanco Modulación de amplitud con señales aleatorias
F. Novillo Probabilidades y Procesos Estocásticos 8
Referencias TEXTO GUÍA: "Probability and random process for electrical
engineering". Autor: Alberto Leon-Garcia. Editorial: Addison-Wesley Publishing Company, segunda
BIBLIOGRAFÍA: "Probability and Random Variables, and Stochastic
Processes". Autor: Athanasios Papoulis. Editorial: McGraw Hill, tercera edición, 1991.
"Stochastic Processes". Autor: Sheldon M. Ross. Edidtorial: Academic Press. Inc., 1983.
F. Novillo Probabilidades y Procesos Estocásticos 9
Modelo Un modelo es representación aproximada de una situación
física. Intenta explicar el comportamiento observado usando un
conjunto de reglas simples y comprensibles. Las reglas pueden ser usadas para predecir las salidas de los
experimentos que envuelven una determinada situación física Un modelo útil explica todos los aspectos relevantes de una
situación dada. Tales modelos pueden ser usados en lugar de experimentos
para responder cuestiones con respecto a la situación dada. Los modelos por lo tanto permiten a los ingenieros evitar los
costes de experimentación, mano de obra, equipo, y el tiempo.
F. Novillo Probabilidades y Procesos Estocásticos 10
Modelos Matemáticos
Estos son usados cuando el fenómeno observacional tiene propiedades medibles. Consiste de un conjunto de asunciones sobre
como un sistema o proceso físico trabaja. Estas asunciones son declaradas en la forma
de relaciones matemáticas envolviendo los parámetros importantes y variables del sistema.
F. Novillo Probabilidades y Procesos Estocásticos 11
El proceso de modelamiento El proceso de desarrolla y
validar un modelos consiste necesariamente e de una serie de experimentos y modificaciones del modelo.
Cada experimento investiga un cierto aspecto del fenómeno bajo investigación y consiste en la toma de observaciones y mediciones en un conjunto específico de condiciones.
El modelo es usado para predecir el resultado del experimento y estas predicciones se comparan con las observaciones reales que resultan cuando el experimento se lleva a cabo.
F. Novillo Probabilidades y Procesos Estocásticos 12
Escenario a modelar
F. Novillo Probabilidades y Procesos Estocásticos 13
Primary user (PU)
Individual WLANs using ISM channels or primary band channels as secondary users (SUs).
Access Point (AP)
Client Station (STA)
ab
Parámetros de modelado
F. Novillo Probabilidades y Procesos Estocásticos 14
System Model
Areas
Primary users
Coverage/Service
Frequency planing
Interference
Spectrum usage parameters
ModelsPropagation
Primary Channel AvailabilityInterference-
Based MetricChannel Assignment
Constraints
Spectrum
Power parameters
Deployment
WLANs
Spectrum usage parameters
Power parameters
Deployment
Escenario modelado
F. Novillo Probabilidades y Procesos Estocásticos 15
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0.46
0.59
0.057
0.480.016
0.18
0.057
0.180.032
0.480.66
0.37
0.59
0.37
0.0240.024
0.0160.66
0.032
Highdensity
ofneighboring
APs
ap4
neighboringAPs
nonneighbords
Vertex
PenaltyEdge
ap2
ap1
ap3
ap5
ap6
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Interference area from the PU to
any AP
Usage area of the AP
Interference area from the AP
to another AP
Access Point (AP)
Interference area from the AP
to any PU
Usage area of the PU
Primary User (PU)
,UA PUR,IA PU SUR →
,UA SUR
ap apu vIAR→
,IA SU PUR →
CDF
F. Novillo Probabilidades y Procesos Estocásticos 16
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 1 2 3 4 5 6 7 8 9 10 11 12
CDF
Neighbords per AP
AP=10AP=20AP=30AP=40AP=50
F. Novillo Probabilidades y Procesos Estocásticos 17
0
10
20
30
40
50
60
0 10 20 30 40 50 60 70 80 90 100
Prob
abili
ty (%
)
Percentage of Available Primary Channels per AP
PU=4 PU=12 PU=20 PU=28 PU=36
Promedio
F. Novillo Probabilidades y Procesos Estocásticos 18
15
25
35
45
55
65
75
85
95
0 4 8 12 16 20 24 28 32 36
Perc
enta
ge o
f Ava
ilabl
e Pr
imar
y Ch
anne
ls p
er A
P
Number of Primary Users
Ru,PU=25
Ru,PU=50
Ru,PU=75
Ru,PU=100
Evaluación 1
Enfocado en su carrera trate de identificar 3 casos o escenarios probabilísticos. Dada una superficie cuadrangular de 1x1
sobre la cual se quieren distribuir uniformemente N puntos. Qué procedimiento propondría para calcular el número promedio de puntos por vecino. Definiendo como vecinos aquellos cercanos entre entre si. F. Novillo Probabilidades y Procesos Estocásticos 19
Trabajo en clase
Lectura, resumen, presentación y debate: – 1. TRANSMISION DE PULSOS EN BANDA BASE – 1.1 Filtro acoplado. Propiedades de los filtros acoplados. – 1.2. Probabilidad de error en la detección con filtro acoplado
de una señal NRZ PCM.
F. Novillo Probabilidades y Procesos Estocásticos 20
Propiedades Las asignaciones de probabilidades deben satisfacer las
siguientes propiedades: A experimento aleatorio debe ser definido y un conjunto S
de todos los posibles resultados ha sido identificado Una clase de subconjunto de S llamados eventos ha sido
especificado Cada evento A ha sido asignado un número, P[A].
F. Novillo Probabilidades y Procesos Estocásticos 22
Experimentos aleatorios
Un experimento aleatorio es un experimento en que la salida varia de manera impredecible cuando el experimento es repetido bajo las mismas condiciones. Un Experimento aleatorio es especificado
estableciendo un procedimiento y un conjunto de una o mas mediciones u observaciones. Ejemplo lanzar una moneda tres veces y notar
la secuencia de caras y sellos.
F. Novillo Probabilidades y Procesos Estocásticos 23
Espacio muestral Dado un experimento aleatorio no consecutivamente el
mismo resultado, es necesario determinar el conjunto de posibles resultados.
Se define un resultado o punto de muestra de un experimento aleatorio como un resultado que no puede descomponerse dentro de otros resultados.
Cuando se ejecuta el experimento uno y solo un resultado ocurre.
El espacio muestral S de un experimento aleatorio es definido como el conjunto de todas las posibles soluciones.
Se denota un resultado de un experimento como ζ, que corresponde a un elemento o punto en S.
F. Novillo Probabilidades y Procesos Estocásticos 24
Evento
Normalmente no se está interesado en la ocurrencia de resultados específicos, pero si en la ocurrencia de algunos eventos (i.e. si el resultado satisface ciertas condiciones).
Esto requiere que se considere subconjuntos de S. Se dice que A es un subconjunto de B si cada elemento
de A también pertenece a B. Ejemplo: dado un experimento que consiste en
determinar el valor de la señal de audio en el tiempo t1. Un evento podría ser definido como
E: El valor absoluto del voltaje menor que 1 V.
F. Novillo Probabilidades y Procesos Estocásticos 25
Variable aleatoria
Una variable aleatoria es definida como una función que asigna un valor numérico al resultado del experimento. Una variable aleatoria X es una función que
asigna un número real, X(ζ), a cada resultado ζ en el espacio muestral de un experimento aleatorio.
F. Novillo Probabilidades y Procesos Estocásticos 26
Ejemplo variable aleatoria
Una moneda es lanzada tres veces y la secuencia de caras y cruz es observada. El espacio muestral para este experimento es S={HHH, HHT, HTH, HTT, THH, THT, TTH, TTT}. Dígase que X es el número de caras en los tres
lanzamientos. X asigna a cada resultado ζ en S un número desde el conjunto Sx={0,1,2,3}.
F. Novillo Probabilidades y Procesos Estocásticos 27
Ejemplo variable aleatoria
La tabla a continuación lista 8 resultados de S y los correspondientes valores de X.
F. Novillo Probabilidades y Procesos Estocásticos 28
X es luego una variable aleatoria tomando valores en el conjunto Sx={0,1,2,3}.
Ejemplo 2 variable aleatoria
Un jugador paga $1.5 para jugar el siguiente juego: Una moneda es lanzada tres veces y el número de caras X es contado. El jugador recibe $1 si X=2 y $8 si X=3, pero nada en otros casos.
Dígase que Y es el premio al jugador. Y es una función de la variable aleatoria X y sus resultados pueden relacionarse de nuevo al espacio muestral del experimento aleatorio subyacente de la siguiente manera:
F. Novillo Probabilidades y Procesos Estocásticos 29
Ejemplo 2 variable aleatoria
Y es entonces una variable aleatoria tomada sobre valores en el conjunto Sy={0,1,8}
Este ejemplo muestra que una función de una variable aleatoria produce otra variable aleatoria.
F. Novillo Probabilidades y Procesos Estocásticos 30
Dígase X es el número de caras en tres lanzamientos independientes de una moneda justa. Conseguir la probabilidad de que el evento {X=2}. Conseguir la probabilidad que el jugador gane $8.
Note que X(ζ)=2 si y solamente si ζ esta en {HHT, HTH, THH}. Por lo tanto:
F. Novillo Probabilidades y Procesos Estocásticos 31
El evento {Y=8} ocurre si y solamente si el resultado ζ es HHH
La función de distribución acumulativa (CUMULATIVE DISTRIBUTION FUNCTION,
CDF).
Esto es la probabilidad que la variable aleatoria X tome un valor en el conjunto (-∞, x).
F. Novillo Probabilidades y Procesos Estocásticos 32
La función de distribución acumulada es un enfoque que usa eventos de la forma {X≤b}.
Esta función tiene como ventaja que no está limitada a variables discretas y aplica a todos los tipos de variable aleatoria.
Se la puede definir formalmente como: La función de distribución de una variable aleatoria X es definida
como la probabilidad del evento {X ≤x}:
Ejemplo
Se conoce que X toma solo valores de 0,1,2,3 con probabilidades 1/8, 3/8, 3/8 y 1/8, respectivamente. De manera que F(x) es la suma de las
probabilidades de los resultados desde {0,1,2,3} que son menores o iguales a x.
F. Novillo Probabilidades y Procesos Estocásticos 33
La función de distribución acumulativa (CUMULATIVE DISTRIBUTION FUNCTION,
CDF).
La cdf puede ser escrita en términos de un escalón unitario
F. Novillo Probabilidades y Procesos Estocásticos 35
Ejemplo El tiempo de espera X de un cliente en una parada de taxis
es cero si el cliente encuentra un taxi estacionado en la parada, y una longitud aleatoria uniformemente distribuida de tiempo en el intervalo de 0, 1 (en horas) si ningún taxi se encuentra a la llegada. la probabilidad de que un taxi está en el soporte cuando llega el cliente es p. Encuentre la cdf de X.
F. Novillo Probabilidades y Procesos Estocásticos 36
Note que P[X≤x|encuentra taxi]=1 cuando x≥0 y 0 en otros casos.
Por lo tanto P[X≤x|no encuentre taxi] es dada:
Propiedades de las CDF
La CDF tiene propiedades que permiten calcular la probabilidad de eventos envolviendo intervalos y valores simples de X:
F. Novillo Probabilidades y Procesos Estocásticos 38
Ejemplo Dígase que X es el número de caras en tres
lanzamientos de una moneda. Use la CDF para conseguir las probabilidades de los siguientes eventos: A={1<X≤2}, B={0.5 ≤X<2.5} y C={1 ≤X<2}.
F. Novillo Probabilidades y Procesos Estocásticos 39
Tipos de Variables aleatorias
Variables aleatorias discretas Variables aleatorias continuas Variables aleatorias de tipo mixtas
F. Novillo Probabilidades y Procesos Estocásticos 40
Variables aleatorias discretas Tiene una cdf que es continua por la derecha, función
escalera de x, con saltos en un conjunto contable de puntos x0, x1, x1,….
La cdf Fx(x) de una variable aleatoria discreta es la suma de las probabilidades de los resultados menores que x y pueden ser escritos como la suma de pesos de funciones de paso unitario:
F. Novillo Probabilidades y Procesos Estocásticos 41
Variables aleatorias Continuas Son definidas como una variable aleatoria cuyo
cdf Fx(x) es continua en todas partes Adicionalmente es suficientemente lisa que
puede ser escrita como una integral de una función no negativa f (x):
F. Novillo Probabilidades y Procesos Estocásticos 42
Para variables aleatorias continuas P[X=x]=0 para todo x. Para las variables aleatorias continuas, las probabilidades
son calculadas como integrales de "densidad de probabilidad" en intervalos de la línea real
Variables aleatoria tipo mixta Es una variable aleatoria con una cdf que tiene saltos
sobre un conjunto contable de puntos x0, x1, x2, …, pero que también incrementa continuamente sobre al menos un intervalo de valores de x.
El cdf se representa como:
F. Novillo Probabilidades y Procesos Estocásticos 43
Donde 0<p<1 y F1(x) es la cdf de una variable aleatoria discreta y F2(x) es la cdf de una variable aleatoria continua.
Función densidad de probabilidad
La función densidad de probabilidad de X (pdf), si existe, está definida como la derivada de Fx(x):
F. Novillo Probabilidades y Procesos Estocásticos 44
Función densidad de probabilidad
F. Novillo Probabilidades y Procesos Estocásticos 45
La pdf es una alternativa y mas usada manera para especificar la información contenida en la función de distribución acumulada.
La pdf representa la densidad de probabilidad en el punto x en el siguiente sentido: La probabilidad que X es un intervalo pequeño en la vecindad de x, eso es, {x<X≤x+h} es
Si la cdf tiene una derivada en x, entonces h se hace muy pequeña:
Función densidad de probabilidad
Así fx(x) representa la densidad de probabilidad en el punto x en el sentido que la probabilidad que X sea un pequeño intervalo en la vecindad de x es aproximadamente fx(x)h. La derivada de la cdf, cuando esta existe es
positiva puesto que la cdf es una función no decreciente de x, entonces:
F. Novillo Probabilidades y Procesos Estocásticos 46
Función densidad de probabilidad
Función fx(x) función no negativa, llamada función densidad de probabilidad. Especifica la probabilidad de eventos de la forma X en un pequeño intervalo de ancho dx sobre el punto x.
La probabilidad de eventos en torno a X son expresados en términos de la pdf añadiendo la probabilidad de intervalos de ancho dx.
F. Novillo Probabilidades y Procesos Estocásticos 47
La probabilidad del un intervalo es por lo tanto el área bajo fx(x) en el intervalo dado.
La cdf de X puede ser obtenida integrando la pdf:
Función densidad de probabilidad
La variable aleatoria continua es definida como una variable aleatoria X cuyo cdf es la integral de fx(x).
Dado que las probabilidades de todos los eventos envolviendo X pueden ser escritos en términos de cdf, este entonces sigue que las probabilidades pueden ser escritas en términos de la pdf.
De esta manera la pdf especifica completamente el comportamiento de variables aleatorias continuas.
F. Novillo Probabilidades y Procesos Estocásticos 49
Función densidad de probabilidad
Condición de normalización para pdf
F. Novillo Probabilidades y Procesos Estocásticos 50
Una pdf válida puede ser formada desde cualquier función continua no negativa, por partes g(x) que tenga una integral finita:
Al permitir fx(x)=g(x)/c, se obtiene una función que satisface la condición de normalización
Ejemplo pdf
Variable aleatoria uniforme La pdf de una variable aleatoria uniforme es dada por:
F. Novillo Probabilidades y Procesos Estocásticos 51
Ejemplo pdf Variable aleatoria exponencial. El tiempo de transmisión X de mensajes en un sistema de
comunicación tiene una distribución exponencial:
F. Novillo Probabilidades y Procesos Estocásticos 52
Pdf de variables aleatorias discretas
La derivada de la cdf no existe en el punto donde la cdf no es continua. De esa manera la definición para variables
continuas no aplica para variables discretas en el punto donde la cdf es discontinua. La función densidad de probabilidad es
definida de manera general haciendo notar la relación entre la función de escalón unitario y la función delta.
F. Novillo Probabilidades y Procesos Estocásticos 53
Pdf de variables aleatorias discretas
La derivada de la cdf no existe en puntos donde la cdf es no continua. De manera que la expresión antes usada no
aplica a variables aleatorias discretas en el punto donde la cdf es discontinua. Así que se puede generalizar la definición de la
función densidad de probabilidad señalando la relación entre la función escalón y la función delta, F. Novillo Probabilidades y Procesos Estocásticos 54
Pdf de variables aleatorias discretas
Siendo la función de escalón unitario definida como:
F. Novillo Probabilidades y Procesos Estocásticos 55
La función delta es relacionada a la escalón unitario:
Una función escalón unitario traducido es entonces:
Pdf de variables aleatorias discretas
Sustituyendo la escalón anterior en la cdf de una variable aleatoria discreta:
F. Novillo Probabilidades y Procesos Estocásticos 56
Esto sugiere que se defina la pdf de una variable aleatoria discreta como:
Ejemplo Dígase X el número de caras en tres monedas lanzadas.
Conseguir la pdf de X. Conseguir P[1<X≤2] y P[2 ≤X ≤3] Integrando la pdf.
F. Novillo Probabilidades y Procesos Estocásticos 57
Cuando la función delta aparece en los límites de
integración se debe indicar si las funciones delta están incluidas en la integración.
Pdf y cdf condicionales
Suponer que el evento C es dado y que P[C]>0. La cdf condicional de X dado C es definida por:
F. Novillo Probabilidades y Procesos Estocásticos 58
La pdf condicional de X dado C:
Ejemplo El tiempo de vida X de una máquina tiene una cdf continua
Fx(x). Conseguir la cdf y pdf condicionales dado el evento C={X>t} (i.e. la máquina sigue trabajando en el tiempo t)
F. Novillo Probabilidades y Procesos Estocásticos 59
La intersección de los dos eventos en el numerador es un conjunto vacío cuando x<t y a {t<X ≤x} cuando x≥t.
El valor esperado de X Suponer una serie de experimentos para variables
aleatorias continuas. Dada variables aleatorias continuas teniendno que P[X=x]=0 para cualquier valor especifico de x, dividir la línea real en pequeños intervalos y contar el número de veces Nk(n) las observaciones caen en el intervalo {xk<X<xk+∆}.
Como n se hace grande entonces la frecuencia relativa fk(n)=Nk(n)/n se acercará fx(xk) ∆, la probabilidad del intervalo.
Se calcula la media de la muestra en términos de las frecuencias relativas y se deja n→∞
F. Novillo Probabilidades y Procesos Estocásticos 60
La expresión en la parte derecha se acerca a un integral que disminuye ∆
El valor esperado de X
El valor esperado o media de una variable aleatoria X es definida por:
F. Novillo Probabilidades y Procesos Estocásticos 61
Ejemplo
Media de una variable aleatoria uniforme La media de una variable aleatoria uniforme es
dada por:
F. Novillo Probabilidades y Procesos Estocásticos 62
Ejemplo Media de una variable aleatoria Gaussiana. La pdf es simétrico con respecto a x=m. Entonces
E[X]=m. La siguientes expresiones son usadas cuando X es una
variable aleatoria no negativa.
F. Novillo Probabilidades y Procesos Estocásticos 63
Varianza de X
La varianza de una variable aleatoria X es definida por:
F. Novillo Probabilidades y Procesos Estocásticos 64
La desviación estándar de una variable aleatoria X es definida por:
Desigualdad de Markov
Probabilidad de X exceda t: 𝑃𝑃 𝑋𝑋 ≥ 𝑡𝑡 =?
𝑃𝑃 𝑋𝑋 ≥ 𝑡𝑡 ≤ 𝐸𝐸[ℎ(𝑥𝑥)]ℎ(𝑡𝑡)
X es una variable aleatoria y h es una función decreciente y no negativa. Si X es no negativa y h(x)=x, se tiene la desigualdad de Markov:
𝑃𝑃(𝑋𝑋 ≥ 𝑡𝑡) ≤ 𝐸𝐸[𝑋𝑋]𝑡𝑡
F. Novillo Probabilidades y Procesos Estocásticos 65
Desigualdad de Markov
La altura media de niños en el jardín es 3 pies, 6 pulgadas. Conseguir el límite de que la probabilidad que un niño en la clase sea mas alto que 9 pies. De la desigualdad de Markov
𝑃𝑃 𝐻𝐻 ≥ 9 ≤ 42 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝108 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
= 0.389=38.9%
F. Novillo Probabilidades y Procesos Estocásticos 66
Desigualdad de Chebyshev
𝑃𝑃 𝑋𝑋 − 𝐸𝐸 𝑋𝑋 ≥ 𝑡𝑡 ≤ 𝜎𝜎𝑥𝑥2
𝑡𝑡2
Requiere conocimiento de la varianza Puede ser aplicado en variables negativas Ofece mejore límites Puede ser usado en el cálculo de intervalos de
confianza y simulaciones.
F. Novillo Probabilidades y Procesos Estocásticos 67
Desigualdad de Chebyshev
El tiempo medio de respuesta y la desviación estándar en un sistema de computo multiusuario son 15 seg y 3 seg respectivamente. Estimar la probabilidad que la respuesta de tiempo sea mayor que 5 seg de la media.
F. Novillo Probabilidades y Procesos Estocásticos 68
Métodos de transformación
Mapear 𝑓𝑓𝑓𝑓 𝑥𝑥 en otra función 𝐹𝐹(𝑤𝑤) y satisfacer la propiedad
𝐹𝐹 𝑓𝑓1 𝑥𝑥 ∗ 𝑓𝑓2 𝑥𝑥 = 𝐹𝐹1 𝑤𝑤 𝐹𝐹2(𝑤𝑤)
Se remplaza a la con una operación de multipliación más simple.
F. Novillo Probabilidades y Procesos Estocásticos 69
La función característica
La función característica de una variable aleatoria X está definida por:
F. Novillo Probabilidades y Procesos Estocásticos 70
Transformada de Fourier de la pdf de f(x)
De la transformada inversa de Fourier se tiene que :
Ejemplo
Variable aleatoria exponencial La función característica para una variable
aleatoria distribuida exponencial con parámetro λ es dada por:
F. Novillo Probabilidades y Procesos Estocásticos 71
Momentos Dado que fx(x) y Φx(w) forman un par de
transformadas, se puede esperar obtener los momentos de X de Φx(w).
El teorema del momento establece que los momentos de X son dados por
F. Novillo Probabilidades y Procesos Estocásticos 72
Los diferentes momentos de X son determinados por:
Ejemplo Para conseguir la media de una variable aleatoria
distribuida exponencialmente, de Φ𝑋𝑋(𝑤𝑤) = 𝜆𝜆(𝜆𝜆 − 𝑗𝑗𝑤𝑤)
F. Novillo Probabilidades y Procesos Estocásticos 73
El teorema del momento implica que E X =Φ′𝑋𝑋(0)/𝑗𝑗 = 1/𝜆𝜆
Considerando la segunda derivada
El segundo momento es E X2 = Φ′′𝑋𝑋(0)/𝑗𝑗2 = 2/𝜆𝜆2 , entonces la varianza de X es dada por:
Función Generadora
La función generadora de probabilidad GN(z) de una variable aleatoria entera no negativa N es definida por:
F. Novillo Probabilidades y Procesos Estocásticos 74
La primera expresión es el valor esperado de la función de N, zN
La segunda es la transformada z de la función de masa de probabilidad
Note que la función característica de N está dada por Φ𝑁𝑁(𝑤𝑤) =𝐺𝐺𝑁𝑁(𝑒𝑒𝑗𝑗𝑤𝑤)
Usando la derivación del teorema del momento, se tiene:
Función generadora
Los momentos de X son:
F. Novillo Probabilidades y Procesos Estocásticos 75
Media Varianza
top related