1
2.1. Introduccin
x=randn(1,n)+3;
z=randn(1,n)+4;
y=zeros(1,n);
m=50;
for i =1:n-m
y(i)=mean(x(i:i+m-1));
end
0
0 20 40 60 80 100
2
se genera la serie ...
fx=fx/sum(fx);
[fy,ky]=hist(y,50);
fy=fy/sum(fy);
plot(kx,fx,'b',ky,fy,'r');grid
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
-2 -1 0 1 2 3 4 5 6 7
3
la densidad de x es mas aplanada por tener mayor dispersin
Fy=cumsum(fy);
plot(kx,Fx,'b',ky,Fy,'r');grid
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-2 -1 0 1 2 3 4 5 6 7
2.1.5. Esperanza.
E ( x , k 1 ) = f x ( k 1 , ) d = m( k 1 ) [2.1]
-
mx=mean(x);
4
my=mean(y);
ans =
2.1.6. Momentos
E X n = x n f X ( x ) dx
b
[2.2]
a
Ex=fx*(kx.^2)';
Ey=fy*(ky.^2)';
[Ex Ey]
ans =
10.0150 9.2366
momentos centrados
E ( X m X ) = (x m ) f X ( x ) dx
n b n
[2.3]
a
X
Ex1=fx*(kx-mx)';
Ex2=fx*((kx-mx).^2)';
Ey1=fy*(ky-my)';
Ey2=fy*((ky-my).^2)';
ans =
5
el momento de segundo orden de x es mayor que el de y. Esto se debe a la mayor
dispersin de sus valores
2.1.7. Varianza
[cov(x) fx*((kx-mx).^2)' std(x)
ans =
fnx=fnx/sum(fnx);
plot(kx,fnx,kx,fx);grid
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
-2 -1 0 1 2 3 4 5 6 7
6
Una variable aleatoria (escalar) se dice que tiene una distribucin Gaussiana o
Normal si su funcin de densidad de probabilidad est dada por:
1 ( x mX )2
pX ( x ) = exp [2.4]
X 2 2 2X
2.1.9. Correlacin
E [ XY ] = xyf X ,Y ( x, y ) dxdy
b b
[2.5]
a a
crxx=xcorr(x,x);
crxz=xcorr(x,z);
crxy=xcorr(x,y);
7
4
x 10
14
12
10
-2
0 0.5 1 1.5 2
4
x 10
5
x 10
1.25
1.2
1.15
1.1
1.05
0.95
0.9
0.85
0 50 100 150 200 250
8
el producto de los valores medios de x e y es 9
el producto de los valores medios de x y z es 12
2.1.10. Covarianza
llamando mX = E [ X ] y mY = E [Y ] resulta:
r XY (j,k)= 0 [2.8]
rX (j,k)= cov X j = E ( X j - m Xj )
2
[2.9]
= ( x - m Xj ) f(X,j,k) dx
2 2
cvxx=xcorr(x-mean(x),x-mean(x));
cvxz=xcorr(x-mean(x),z-mean(z));
cvxy=xcorr(x-mean(x),y-mean(y));
9
plot([-9:11],cvxx(9991:10011));grid
10000
8000
6000
4000
2000
-2000
-10 -5 0 5 10 15
plot([-9:11],cvxy(9991:10011));grid
10
2000
1500
1000
500
-500
-10 -5 0 5 10 15
plot([-9:11],cvxz(9991:10011));grid
200
150
100
50
-50
-100
-150
-10 -5 0 5 10 15
11
La correlacin entre x e y tiene valores entre 0 y 5 por la forma en que se ha
generado y .
La correlacin entre x y z es prcticamente nula ya que no estn relacionadas.
2.2. Proceso Aleatorio
Los procesos varan en el tiempo. Se definen procesos con n realizaciones y m
muestras temporales
m=100;
n=1000;
x=randn(m,n)+3;
den=[1 -.94];
num=sum(den);
y=filter(num,den,x);
plot(y(:,1:10)); grid
3.5
2.5
1.5
0.5
0
0 20 40 60 80 100
12
imp=zeros(m,1);
imp(1)=1000;
rimp=filter(num,den,imp);
plot(rimp); grid
70
60
50
40
30
20
10
0
0 20 40 60 80 100
[fx,kx]=hist(x',nb);
mesh([1:m],[1:nb],fx)
13
nb=50;
[fy,ky]=hist(y',nb);
waterfall([1:m],[1:nb],fy)
500
400
300
200
100
0
60
100
40 80
60
20 40
20
0 0
14
2.2.2. Funciones de Distribucin
Para conocer un proceso estocstico se necesitara saber la funcin de distribucin
de probabilidades en todo instante condicionada a los tiempos anteriores y posteriores. Es
decir:
FX ( X (t0 ) , t0 ) = P ( X ( t0 ) xt 0 ) [2.11]
Fx=cumsum(fx);
Fy=cumsum(fy);
mesh([1:m],[1:nb],Fx)
15
mesh([1:m],[1:nb],Fy)
16
2.2.3. Esperanza de un Proceso Estocstico
mx=mean(x');
plot([mx kx'*fx/n]);grid
3.1
3.05
2.95
2.9
2.85
0 50 100 150 200
my=mean(y');
plot([my' (ky'*fy/n)']);grid
17
3.5
2.5
1.5
0.5
0
0 20 40 60 80 100
2.2.4. Autocorrelacin
crxx=[];
for i=1:m
crxx(i,:)=xcorr(x(1,:),x(i,:));
end
mesh([1:m],[1:1999],crxx')
18
2.2.5. Autocovarianza
cvxx=[];
for i=1:m
cvxx(i,:)=xcorr(x(1,:)-mean(x(1,:)),x(i,:)-mean(x(i,:)));
end
mesh([1:m],[1:1999],cvxx')
19
cvyy=[];
for i=1:m
cvyy(i,:)=xcorr(y(1,:)-mean(y(1,:)),y(i,:)-mean(y(i,:)));
end
mesh([1:m],[1:1999],cvyy')
20
21
2.2.6. Correlacin Cruzada
RXY (t1 , t2 ) = E X ( t1 ) Y ( t 2 )
[2.16]
RYX ( t1, t2 ) = E Y (t1 ) X (t 2 )
cvxx=[];
for i=1:m
cvxx(i,:)=xcorr(x(1,:)-mean(x(1,:)),x(i,:)-mean(x(i,:)));
end
mesh([1:m],[1:1999],cvxx')
R (t , t ) R XY ( t1, t2 )
R ( t1, t2 ) = X 1 2 [2.17]
RYX ( t1 , t2 ) RY ( t1 , t2 )
cvxy=[];
for i=1:m
cvxy(i,:)=xcorr(x(1,:)-mean(x(1,:)),y(i,:)-mean(y(i,:)));
end
mesh([1:m],[1:1999],cvxy')
22
Se puede comparar la covarianza cruzada con la respuesta impulsional
plot([cvxy(:,1000) rimp]);grid
70
60
50
40
30
20
10
-10
0 20 40 60 80 100
23
2.2.8. Proceso Estacionario
2.2.10. Continuidad
2.2.11. Diferenciacin
2.2.12. Integracin
d 2x dx
m 2
+c = f [2.19]
dt dt
se puede demostrar que si la masa es relativamente grande, para x y t se puede
considerar el choque como elstico y en ese caso f es ruido blanco.
x1 = x
dx [2.20]
x2 =
dt
dx1
dt 0 1 x1 0
= +
c 1 f
[2.21]
dx2 0 m x2 m
dt
fdt es el impilso que recibe la partcula por lo que se puede asociar a un proceso de
Wiener.
La media,
dmx (t )
= Amx (t ) [2.23]
dt
24
dPx (t)
= APx ( t) + Px (t ) AT + Rx 1 [2.24]
dt
Rx ( s, t ) = ( s, t) Px ( t) [2.25]
mx (0) = 0 mx (t ) = 0 t [2.26]
dx1 0 1 x 0
= + 1 dW
1
dx 0 c x dt [2.27]
2
m 2 m
m ct
1 1 exp
t 0 1 c m
(t ) = exp
c dt =
[2.28]
m ct
0 0
0 exp
m
la matriz de covarianza,
dP1 dP2
0 0 0
dt =
dt 0 1 P1 P2 P1 P2 0
+ + r
dP3 0 c m P2 P3 P2 P3 1 c m 0
[2.29]
dP2 m2
dt dt
r
P3 (0) =
2mc
la ley de conservacin de energa trmica dice
25
1 1
kT = mE x22 [2.31]
2 2
1 1 r
kT = m [2.32]
2 2 2mc
r = 2kTc [2.33]
reemplazando resulta
P1 (t) = 2
kT
c
m
(
t c 1 e
ct
m
) [2.34]
P2 ( t) =
kT 1 e ct m [2.35]
c
kT
P3 (t ) = [2.36]
m
la correlacin ser
m c ( s t)
r11 ( s, t ) = P1 (t) + 1 e m
P2 (t )
c
[2.37]
kT c ( s t) m
r22 ( s, t ) = e
m
26