Escuela superior politécnica del litoral

Facultad de ingeniería en electricidad y computación

Folleto de probalidad y
procesos estocásticos
TEORIA, EJERCICIOS y FORMULARIOS
Michael Andrés Herrera Pilatuña

Jorge Enrique Ordoñez García

II TÉRMINO 202011
 Probabilidades y Procesos Estocásticos
TEMAS RESUMIDO DEL DESARROLLO DEL CURSO
- Variables Aleatorias Simples
- Variable Aleatorias Múltiples
- Suma de Variables Aleatorias
- Procesos Estocásticos
- Análisis y Procesamiento de Señales Aleatorias
Función Distribución de Probabilidad
( ) * +

Propiedades

Dado una variable aleatoria y ( ) ( ) ( )

( ).

 ( ) ( ) ( )
 ( )
( ) ( )
 ( ) ( )
 ( ) ( )
 * + * + – ( )
 ( ) ( ) ( )
 * + ( )– ( )
 * + ( ) * +

 * + ( ) ( )
Función de Densidad de Probabilidad

( )
( )
Propiedades

 F x ( ) =∫ ( ) dx
 ( )
 P{ + ∫ ( )
 ∫ ( ) Comprobar, si no se cumple no se cumple no es
una función de densidad de probabilidad.

EJERCICIO

Una v .a x tiene una función de densidad de probabilidades

( ) *

) ( ⁄ ⁄ )

) ( )

) ( ) ( )

a. ∫

∫ =1 ∫

c= 6
b.

( ) *

⁄
4 ⁄ 5– ( ⁄ ) ∫⁄ ( )

⁄ ( ⁄ ) ( ⁄ ( ⁄ ( ⁄
) ) )
=6 ∫⁄

c.

( ) ∫ ( – ) 0 – 1 ∫ 0 1

Fx ( ) = 1 , x
3 , 0

0 ,

d. Fx ( ) Fx ( )
EJERCICIO

El tiempo de trasmisión x de los mensajes en un sistema de comunicaciones obedece a la ley de

probabilidad exponencial con parámetro donde

P, -= , x

Determinar

Fx( )

P, -,T ⁄

a.

( ) ( )

( ) ∫

( )

b.

( ) ( ) ( )
. /
= 1- - ( . /)

= 1-

= -

= 0.318
 EJERCICIO: sea la grafica

𝑓𝑋(𝑥)

a. Determinar y graficar ( ).

∫ ( ) ∫ ( ) ∫ ( )

∫ ( ) ∫ ∫ ( )

∫ ( )

∫ ( ) ∫

∫ ( ) ∫ ∫ ( )
b. Determinar c para que (| | ) .

𝐹𝑋 (𝑥)

, -

, -

( ) ( )

( )

( ) ( )
EJERCICIO

Verificar si las siguientes funciones son Distribuciones de Probabilidad.

) ( )

∑ ( )

) ( )

∑ ( )

c) ( ) {

EJERCICIO

Dado

( ) {

a)

Determinar el valor de a para que sea fdp.

b)

( ) ∫
c)

( ) ∫

d)

( ) ∫

Distribución Binomial
 Existen solamente dos resultados posibles en cada ensayo.
 La probabilidad de un éxito es la misma en cada ensayo.
 Hay n ensayos, donde n es constante.
 Los n ensayos son independientes

( ) . / ( )
EJERCICIO

Se asegura que, en el 60 de los instalaciones de electricidad mediante energía nuclear, los

gastos de se reducen al menor en una tercera parte Encuentre:

Cuáles son las probabilidades que se reduzcan al menos una tercera parte en

Cuatro de cinco instalaciones

En el menor cuatro de cinco instalaciones

a)

( ) ( )( ) ( )

b)

( ) ( )( ) ( ) ( )( ) ( )

Si es id ( ) ∑ ( )

Identidades Binomiales
 ( ) ( )
 ( ) ( )
 ( ) ( ) ( )
 ( ) ( ) ( )

EJERCICIO

Alguien asegura que el 75 de los accidentes industriales pueden producirse por las
disposiciones de de seguridad. Suponiendo que la información sea verdadera, cuáles son las
posibilidades que:

Menos de 16 de un total de 20 accidentes industriales pueden ser prevenidos acatando

estrictamente las disposiciones de seguridad.

12 de 15 accidentes industriales pueden prevenirse obedeciendo estrictamente las

disposiciones de seguridad.
 ( ) ( )

( ) ( )( ) ( ) ( )( ) ( )

( )( ) ( ) ( )( ) ( )

( )( ) ( )

( ) ( )( ) ( )

EJERCICIO

La función ( ) de un variable aleatoria X está dada por la figura.

𝐹𝑋 (𝑥)

a) , -
b) , -
Ecuación de la recta:

( ) ( ) [ ( ) ]

c) , -
d) , - ( ) ( ) 0 . / 1
e) , -
f) , -
g) , - 0 1 . /
EJERCICIO

Sea una variable aleatoria

( ) , -

Determinar k para que ( ) sea una fdp.

∑[ ]

( )
Valor Esperado

, - ∫ ( ) ar a le leator a ont nuas

, - ∑ , - ar a le leator a scretas

Propiedades
 , - , siendo c una constante.

 , ( )- , ( )- , ( )-

 , ( ) ( ) ( )- , ( )- , ( )- , ( )-

 Si ( ) es simétrica en , -

 Si ( ) es simétrica en , -

EJERCICIO

( )

( )

{ ( )
 𝑓𝑋(𝑥)

𝟐⁄
𝟕

Encontrar el valor esperado de .

, - ∫ ( ) ∫ ∫ ( )

Varianza
( ) [( ) ]

( ) ∫( ) ( )

( ) ∑ ( ) , -

( ) [ ] ( ) [ ]
Propiedades
 ( )

 ( ) ( )

 ( ) ( )

EJERCICIO

Una V.A puede tomar los valores de -4, -3, -2, -1, 1 ,2 ,3 ,4 con igual probabilidad. Determinar
la varianza de .

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

EJERCICIO

Con el ejercicio anterior

Dada la función fx(x). Calcular la varianza de x

( )

( )

{ ( )
 𝑓𝑋(𝑥)

𝟐⁄
𝟕

( ) ∫ ( ) ( )

( ) ∫ ( ) ( )

∫ ( ) ∫ ( ) ( )

( ) ∫ ( )( ) ∫ ( )

∫ ( )( )
 ( ) ∫ ( )

∫ ( )

( )
∫ 4 5

( ) 6 7 6 7

6 7

( )

Probabilidad Condicional
( )
, - ( )
( )

Función Distribución Condicional

*( ) + ( )
( ) , -
( ) ( )

Función de Densidad Condicional

( )
( ) en t rm nos de

Propiedades
( )

( )

( )
( ) ( ) ( )
( )
Eje:

Determinar ( )y ( ); dado * +

*( ) ( )+
( ) ( ) ( )
( )

Caso 1:

* + ( )
( )
* + ( )

( )
( ) ( ) ( ) constante
( ) ( )

Caso 2:

* +
( )
* +

( )
Eje:

Calcular ( )y ( ) dado * +

b a

a a

* +
( )
( )

Caso 1: a

( )
( )
( )

( )

Caso 2: a

( ) ( ) ( )
( )
( ) ( ) ( )

( )
( )
( ) ( )

Caso 3:

( )

( )
 Eje:

Determinar ( )y ( ) * +.

( )

𝑓𝑋(𝑥)

𝒙
𝟐⁄
𝟕

*( ) ( )+
( )
( )

( )

( )
 ( ) ( )
( )
( )

( )

( ) ( ) ( ) ( )
( )
( )

( )

( )

( )

( )

0.7142

0.1428

1 2 3 4 5 6
Probabilidad total

( ) ( ) ( ) ( ) ( ) …… ( ) ( )

( ) ( ) ( ) ( ) ( ) …. ……. ( ) ( )

( ) ( ) ( ) ( ) ( ) …… ( ) ( )

( ) ( ) ( ) ( ) ( ) …… ( ) ( )

( ) ( ) ( ) ( ) ( )
( )
( )

( ) ( ) ( )
( ) ( )
( ) ( )

( ) ( )
( )
( )

Valor Esperado de ( )

, - , ( )- ∫ ( ) ( )
Valor Esperado condicional

, - ∫ ( ) ar a le leator a ont nua

, - ∑ , - ar a le leator a screta

Eje: Sea X la entrada a un canal de comunicaciones y la salida. La entrada al canal es

con igual probabilidad. La salida del canal es la entrada más el voltaje de ruido N que está
uniformemente distribuida en el intervalo , -. Encuentre la probabilidad de que ,
-.

: , -

: , -

, - , -

, -
, -
, -

, - , - , -

, - , - ∫ ( )

, - ∫ , -

( )

-1 3
Ejercicio 2: Si determine y dibuje ( ) ( )

( ) , - , -

, -

, - ( )

( ) ( )
( )

( )
( )

( ) ( )
( )

( )

( )

( )

Graficar ( ) y ( )

𝐹𝑌 (𝑦)

𝒚
 𝑓𝑌 (𝑦)

Determinación de ( ). Teorema fundamental.

Para encontrar ( ) para un específico, se resuelve la ecuación ( ) para en términos
de

Denotando las raíces reales por ( ) ( ) ( ).

( ) ( ) ( ) ( )
( ) ( )
| ( )| | ( )| | ( )|

Ejercicio:

Dado determine ( ).

( )

( )

{ ( )

( )
( )

( )

( ) ( )
Dos Variables Aleatorias
Distribución de probabilidad

( ) * +

( )
( )

Propiedades de ( )

( )

( )

( )

* + ( ) ( )

* + ( ) ( )

* + ( ) ( ) ( ) ( )

Propiedades de f ( )

∫ ∫ ( ) ( ) ∫ ∫ ( )

Marginales

( ) ( ) ( ) ( )

( ) ∫ ( ) ( ) ∫ ( )
Eje:

Sea una variable aleatoria con función de densidad

| |
( ) 2

a. Comprobar que ( ) sea una fdp.

𝒙
∫ ∫

b. Comprobar la media de

( ) ∫ ( ) ∫

( ) ∫

, - ∫ ( ) ∫

, - ∫ ( ) ∫ ( ) ∫ ( ) ∫ ( )

Desigualdad de Chebyschev

Si una distribución de probabilidad tiene media y una desviación estándar , la probabilidad de

obtener un valor que se desvía de al menos por es a lo mucho 1/

(| | )

Eje:

Suponga que el número de artículos producidos en una fábrica durante una semana es una
variable aleatoria con . Si la varianza de una semana de producción se sabe que es igual
a 25; entonces ¿Qué podemos decir acerca de la probabilidad de que en esta semana la
producción difiera en más de 10 a la media?

(| | )

( )
Eje:

El número de clientes que visitan la sala de exhibición de una empresa automotriz un sábado
por la mañana es una variable aleatoria con 18 y 2.5. ¿Con qué probabilidad podemos
asegurar que habrá entre 8 y 28 clientes?

(| | )

( ) ( )

( ) ( )

(| | )

Momentos

Respecto al origen

, - ∫ ( ) { , -
, -

Central

,( ) - ∫( ) ( ) {
( )

Variables Independientes
( ) ( ) ( )

( ) ( ) ( )

* + * + * +
Una función de dos Variables Aleatorias
Dadas dos Variables Aleatorias y una función ( ), se forma la Variable Aleatoria ( ).
Se requiere calcular ( ) y ( )

Eje:

y=-x+z

( ) ( ) ∫ ∫ ( )

Ejercicio propuesto

Una compañía dulcera distribuye cajas de dulces con una mezcla de dos componentes A y B.
Suponga que una máquina dentro del proceso está dañada por lo que no se produce una mezcla
uniforme de los componentes individuales resultando en cajas con diferentes pesos. Para una
caja seleccionada aleatoriamente; representan los pesos en kilogramos de los
componentes A y B respectivamente y suponga que la función de densidad conjunta de estas
variables es

( ) { ( )
Encuentre:

a) Calcule la probabilidad que el peso de la componente B sea mayor que el de la componente A.

b) Calcular la probabilidad de que el peso total de la caja de dulces sea mayor que 1.5
kilogramos.

c) ¿Es independiente?

Graficas:

Literal b
Eje:

Sean una variable aleatoria bidimensional con fdp

( ) {

Calcular:

a) El valor de k.

∫ ∫
b) ¿Son independientes?

( ) ∫ ( ) ∫

c) El valor esperado de y su varianza.

, - ∫ ( ) ∫

, - ∫ ( ) ∫

( ) ( ) , - ( , -)

( )

Dos funciones de dos Variables Aleatorias

Dadas dos Variables Aleatorias y las funciones ( ) ( ) se forma las Variables Aleatorias
( )y ( ).

( ) , -

, ( ) ( ) -

(( ) )

( ) ∬ ( )
 ( )
( )

Definición.- Jacobiano ( ) de la transformación ( )e ( ) es:

( ) || ||

Teorema: Para determinar ( ) se resuelve el sistema

( )
{ en t rm nos de
( )

Sean ( ) ( ) ( ) todas las soluciones reales.

( ) ( ) ( )

( ) ( ) ( )

( )
( ) ∑
| ( )|

Eje:

Variables aleatorias independientes

( ) ( )

( ) Uniforme , -

Obtener ( )

( ) | |

( )

. /

√
 ( )

( )
√ ( )

( )
√

Función Característica

Si ( ) ( ) [ ]

( ) ( )
Si [ ]

Si son independientes:

( ) [ ] [ ] ( ) ( )

( ) ∫ ( )

( ) ∫ ( ) ( ) ( ) ( ) convoluc n l neal

Probabilidad Condicional
, -
( ⁄ = )=
, -

( ⁄ = )= ( ⁄ = )

Si x , y son V.A. independientes.

( x, y) = P ,X ≤ x, Y ≤ y - = P,X ≤ x- * P*Y ≤ y+

Momentos condicionales

E[ ⁄ ]=∫ ( ⁄ ) V,A,C
 0 ⁄ 1 ∑ 0 ⁄ 1

Nota:

( )
( ⁄ = x) =
( )

Momentos Conjuntos
Dados dos V.A. X e Y (x, y, = y( x,y )

y=-x+z

E[ ( )]=∫ ∫ ( ) (x,y ) V,A,C

E[ ( )]=∑ ( ) , ] V, A, D

Covarianza:
,( )( )-

, -
Coeficiente de Covarianza:

= ; 0≤| | | |=

Teorema: Dos V.A. son no correlacionados si =0

Teorema: Dos V.A. son ortogonales si el E[xy]=0

Ejercicio:

Calcule la probabilidad de que el peso de la componente B sea mayor que ⁄ Kg, si se sabe que
el peso de la componente A constituye ⁄ del peso mínimo del total.

( x, y ) = {

P (y > 0,5 / x = ( ) ) = p (y > 0.5 ; x = ) = p(x = )

=∫ ∫ ( )

=∫ ( )

=∫ ( )

= 2y –y∫

= 2 – 1.5 – 1 + 0.75

= 0.75 =

(x) = ∫ ( )

= , -
= , -

= , -

( )
( = y) = |
)

, -
=
, . ( ) / . / -

P {y > / x = + = ∫ , -

= , ( ) . / ( ) . /-

= , -

=1

Ej:

Dado x, y, z como variables enteras no correlacionadas con 5, =12, =9. Si u = x+y y w=

y+z determine el coeficiente de correlación entre u y w.

‗ =E[uw]-

E[xy]- ‗0 = E [(x+y)(y+z])- E[x+y] E[y+z]

E[x] E[y] = E [xy+xz+ +yz] – (E[x] +E[y]) (E[y] +E[z])

= E[xy]+ E[xz]+ E [ ]+E[yz]+ E[x] E[y]-E[x] E[z]- [y]-E[y] E[z]

 = ((E[xy]- )+E[yz] - )+ (E[yz] - )+E [ ]- *y+ ‗

‗ ‗12

[ ] ( , -) [ ] , -

‗ [( ) ] E[x+y] E[x+y]

‗ [ ]+2E [xy]+ [ ]- E[x] E[x]- E[x] E[y]- E[x] E[y]- E[x]

E[y]

[ ] , - [ ] , - 2E[x] [y]

-2E [xy]

√ √

Secuencia de variable aleatoria

Sean n V.A.

( ) = P( )

(
( )=

∫ ∫ ∫ ( )

P{( ) + ∫ ∫ …..∫ ( )

Densidades Marginales
Ej: Si se tienen V.A.

( ) ( )

( ) ∫ ∫ ( )
Densidad Condicional
( )
( )‗
( )

Regla de la cadena
( )
, ⁄
- [ ⁄ ] ( ⁄ ) ( )

Teorema del límite central

Sea la suma de N v.a independientes con igual distribución con E[x]= =[x]= siendo
( ) ⁄
= P[ --∫ .
√

Nota: Este teorema se aplica independientemente de la distribución de las variables aleatorias

Ej:

Suponga que las ordenes en un comedor son variables aleatorias independientes con igual
distribución con media=$3 y una Determine .

a) La probabilidad de que los primeros 200 clientes gasten un total de más de $840.

b) La probabilidad de que los primeros 100 clientes gasten un total entre $780 y $820.

c) Después de cuantas órdenes se puede estar un 90% seguro que el total gastado, por todos los
clientes es más de $1000.

a) P ( ) = 1 – P(S ≤ 840) = 1 P (Z<Z)

= 1 – 0.9773 = 0.0227

( )
=2
√

b) P (780 ) =P( )–P( )

=P (Z<1) – P (Z<-1)
√

= 0.841-0.159 = 0.682
√
c) P=0.9 P( ) =0.9

( )
√

1- P ( ) =0.9

P (Z< )

( ) ( √ )

Ej.

Un estudiante utiliza lápices cuyo tiempo de duración es una variable exponencial con u=1
semana. Usando el teorema del límite central determine el número de lápices que el estudiante
debería comprar el inicio del semestre (duración de 12 semanas) para que tenga una
probabilidad de 0.99 y no quedarse sin lápices durante el semestre.

( )
√

El mínimo número de lápices que debería comprar es de 9.

Procesos Aleatorios o Estocásticos

Variables Aleatorias

X(t,A) = A cos( ) = x(t)

Variable Variable Aleatoria

Aleatoria Uniforme
[-1, 1]

( )( ) ∫ ( )

Comportamiento de Distribuciones de Tiempo muestreado

… ( ) en tiempos

= x( ), = x( ) , ……… , = x( )

( ) , -

Media

( ) , ( )- ∫ ( )( )
Ejemplo:

Dado x (t)=A

A , -

Determine la media:

( ) ∫ cos cos

Auto correlación ( , ) Nota: si x, y pertenecen a P.E. estocástico

( , )= E , ( ) ( )- ( ) ( ) se denomina
=∫ ∫ ( ) ( ) ( ) cros correlación ( , )

( ) cos ( ) cos , ( ) ( )- , cos cos -

=∫ cos cos =cos cos , -

=∫ cos cos , - ∫ ( )

( ) ( )
= ∫ ∫

Auto covarianza ( )

Covarianza de ( ) ( )

( ) ,* ( ) ( )+-* ( ) ( )+

Nota: si las E Diferentes ( ) y ( ) se la denomina Crosscovarianza ( )

( ) ( ) ( ) ( ) (Expresada en términos de Autocorrelación)

( ) , ( )- ,* ( ) ( )+ -

Coeficientes de Correlación
De ( ) ( ) ( )

( )
( ) | ( )|
√ ( )√ ( )
Ejemplo:

Sea ( ) ( )

, -

Determinar la media, autocorrelación, auto covarianza y ( ) o ( )

(
( )
∫ ∫
cos( ) cos( ) ( )
( )

Autocorrelación

( ) , ( ) ( )- , cos( ) cos( )-

cos( ) cos( )
6 7

cos( ) cos(cos )
∫ 6 7

s n( )
6 ∫ cos( ) ∫

cos( ) cos( )
6 cos( ) 7

( ) cos( )

Auto covarianza ( )

( ) ( ) ( ) ( )

( ) cos( )
Coeficiente de correlación

( ) ( )
( ) =cos( )
√ ( )√ ( )

( ) , ( ) ( )- , ( )- ( ) cos( )

( )
= ∫ 0 1 d ( ) cos( )

( )
0 ∫ 1

, -

Ejemplo:

Sea ( )

, -

( )

. ( )( )/ ( )( ) ( )( ) * +

* +

2 3

⁄
=∫ ( )

. /
=
Proceso Estocásticos Gaussiano
Un P.E. x (t) es un P.E.G. Si las muestras ( ) ( ) ( ),…., ( ) son
V.A. conjuntamente Gaussianas para todo K y todas las elecciones de .

El conjunto de pdf de V.A. conjuntamente Gaussianas es determinada por el vector de las medias y
por la matriz de covarianzas.

( ⁄ )( ) ( )
( )
⁄ ⁄
( )

( ) ( ) ( )
( ) ( ) ( ) ( )

[ ( )]
[ ( ) ( ) ( )]

Propiedades del P.E.G.

Las operaciones lineales tales como suma, derivada o integral sobre un proceso Gaussiano
resultan en otro P.E.G.

*Nota:

Varias señales y procesos de ruidos son exactamente modelados como Gaussianos (Procesamiento
de señales).

Procesos Estáticos Múltiples

X (t) y y (t)

( ),……, ( )

( ) ( )

Para toda k, j y todas las selecciones y

Los procesos x (t) e y (t) son independientes si el valor de V.A. ( ( ),……, ( )) y

( ( ) ( )) son independientes para todo k, j y todas las selecciones de y

 ( ) , ( ) ( )-
 ( ) y ( ) son ortogonales si ( ) para todo .
 ( ) ( ) ( ) ( )
  ( ) y ( ) son no correlacionales si ( ) para todo .
Ejemplo:

Dado que donde

( ) ( )
} ( )
( ) ( )

Determine:

Cros correlación: ( ) ( ) * + * +

Cros covarianza: ( )

( ) , ( ) ( )- ( )

,cos( ) s n( )- cos( )

,s n( ) s n( )-

0 s n( )1 ,s n( )-

( ) s n( )

( ) s n( ) ∫ cos( ) ∫ s n( )

s n( )

Estacionalidad
Un proceso aleatorio es estacionario en sentido estricto si sus propiedades estadísticas no
cambian con un desplazamiento de origen temporal.

( ) ( ) ( ( ) ( ) ( ) ( )( ( ) ( )

Si esto se cumple hasta un orden ( )

Auto correlación ( ) , ( ) ( )-

 Si el proceso es estacionario de orden , ( )-

 Si el proceso es estacionario de orden se cumple la anterior y la correlacion entre
dos V.A. dependerá, no de la ubicación absoluta de cada una, sino de la distancia entre
ellos.
 ( )
Proceso estacionario en sentido amplio ( )

1. , ( )- debe quedar solo en función de

2. , ( ) ( )- ( )
Un P. estacionario de orden 2, la será en sentido amplio, sin embargo esto último no garantiza la
primera condición.

Propiedades de la función de auto correlación de un

a) ( ) , ( )-
b) ( ) ( )
c) | ( )| ( )
d) La grafica de ( ) puede darnos información sobre el comportamiento temporal del
proceso

Ejemplo:

Un P. Estacionario x (t):

, ( )-

( ) | |

( ) ( ) ( )

( ) ( ) ( ) ( )

( ) ( ) ( ) P es una V.A. independiente de x(t) con distribución uniforme (0,2 )

( ) ( ) ( ) ( )

( )

P, ( ) son interpretados

a) ( ) ( ) ( )
( ) [( ( ) ( ))( ( ) ( ))]
, ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )-
| | | | , ( ) ( )- , ( ) ( )-
 | | | |
| | | | | | | |
| | | | | |

b) ( ) ( )
( ) , ( ) cos( ) ( ) cos( )-
, ( ) cos( ) cos( )-
cos( ) cos( ) ( )
c) ( ) ( ) ( )
, ( ) cos( ) ( ) cos( )-
, ( ) ( )- ,cos( ) cos( )-

( ) ∫ cos( ) cos( )

( ) ∫ cos( ) cos( )
( ) ( )
0 ∫ cos 1
( )

d) , ( ) ( ) ( ) ( )-
, ( ) ( )- ,cos cos -

( ) [ ∫ ∫ cos( ) ∫ ∫ cos ]

( ) cos

e) , ( ) ( ) ( ) ( )-
( ) ,cos( ) cos( )-
( )
0∫ ∫ cos( ) ∫ ∫ cos 1

( ) cos( )
[∫ ∫ cos ]

( )
cos( )
Ejemplo:

Sea x (t) P.E. normal no estacionario, de media ( )

Sea S una V.A. discreta, independiente de x (t), que verifica:

( ) ( )

Sea z (t)=s+x(t)

Calcule la media y auto correlación de z(t)

P (z(t) 1

a) ( ) , ( )- ( ) , ( ) ( )-
, - , ( )- [( ( ))( ( )]
( ) ( ) , - , ( )- , ( )- , ( ) ( )-
( ) ( ) ( ) ( )
( )
( )

b) ( ( ) ) , ( ) -
. ( ) / ( ) , ( ) -
( )

( ( ) ) ( ( ) 1)

( ) ( ( ) ⁄ ) ( ) ( ( ) ⁄ )

( ( ) ) ( ( ) )

. ( ) / . /

( ) ( )

c) ( ( ) ) ( ) ( ( ) ⁄ ) ( ) ( ( ) ⁄ )
∮( ) ( )
 d) Sabiendo 7(3) (0.44, 0.45) ¿Qué es más probable s=1 o s=0?
( ) ( )
( ) ( )

Taller
Sea(x (E)) un Normal y Estacionarlo de media , - y Autocorrelación

( )

Calcular:

, ( ) ( ) -

tridimensional [x(1), x(2), x(3)]

( ) ( )

( ) ( )

*lectura: transformada de Fourier , diversas transformadas de Fourier.

Deber: 3 ej. De transformada de Fourier y 3 ej., de transformada inversa de Fourier.

Densidad Espectral potencial

( ) lm | ( )|

⁄ ( )
(f)=∫ ( )
⁄

Teorema de Wiener Khinchin

( ) * ( )+ ∫ ( )

( ) , ( )- ∫ ( )

Si X (t) es WSS

( ) , ( )- ∫ ( ) [ ⁄ ]

( ) , ( )- ∫ ( ) df

Ej:

X (t)=a cos (2 )

( )

a) Determinar y graficar ( )

b) es WSS

( ) ( ) ( )

( ) , ( ) ( )-

( ) ∫ (a cos( ))( cos( ))

( ) ,cos ( )-
 ( )= ( ) ,cos ( )-

( ) cos, ( )- cos( )

( )∫ cos( ) ∫ cos( )

( ) ∫ 4 5( )

cos( )

( ) ∫ ( ) ( )

( ) ( )
( ) 6 7

( ) ( )
( ) [ | |

( ) ( )
6 | | 7]

( ) ( )
( ) [6 | | 7]
( ) ( )

( ) ( )
( ) → →
( ) ( )

( ) ( ) ( )
→ →
( ) ( )
 ( ) [∫( ) ∫( )]

𝑎
𝑆𝑋 (𝑓) ,𝛿(𝑓 𝑓) 𝛿(𝑓 𝑓 )-

𝑓 𝑓 𝑓

Ej:

Y (t)=2+3 x (t-1) , ( )-

Y (t) ss?? Si x (t) es ss , ( )-

Determinar ( )

a) ¿Es ( ) WSS?

, ( )- , ( )- , - , ( )-

( ) , ( ) ( )-

( ) ,* ( )+ * (( ) )+-

( ) [ ( ) (( ) ) (( ) ) ( )]

( ) ( )

b) Calcular la densidad espectral de ( ).

( ) , ( )- , ( )-

( ) ( ) ( )

Deber:

E ej: con transformada discreta de Fourier

 :

① ( )

( ) , -

Si ( ) ( ) ( )

Si ( ) ( ) ( ) ( )

( ) , ( ) ( )- , ( ) cos( ) ( ) cos( )-
, ( ) cos( )- , ( ) cos( )-
( ) , ( )- ( ) , ( )-

, ( )-

b) ( ) ( ) ( )

( ) , ( ) ( )- [( ( ) ( )) ( ( ) ( ))]

( ) , ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )-

, ( ) ( )- , ( ) ( )- , ( ) ( )- , ( ) (
)-
( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

| | | | | |

, ( )- , ( )-( )

cos( )
Paso de la señal aleatoria por un sistema lineal

( )

( ) ( ) ( )

( ) , ( ) ( )-

( ) ( ) ( ) ( )

( ) | ( )|

( ) ( ) ( )

( ) ( )

( ) ( ) ( ) ( ) ( )

( )

( ) , ( ) ( )- , ( ) ( )-

( ) , ( ) ( )- , ( ) ( )-

( ) ( ) ( )
② Sumador ? , ( )-

( ) ( ) ( )

( ) [( ( ) ( )) ( ( ) ( ))]

, ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )-

( ) , ( ) ( )- , ( ) ( )- ( )

( ) , ( )- , ( )- , ( )- , ( )- ( )

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( )
( ) ( )

Deber

( )

( ) ( )
0 . /1

Se aplica ( )

( )

, ( )-

( )
 ( ) ( )
( ) ( )

( )

( ) ( )

( ) ( )
( ) ( ) ( )

: ( ) ( ) ( )

( ) ( ) ( ) ( )

( ) | ( )| ( )

( ) |( ( ))| ( ) ( )

) ( )

Ergodicidad Respecto a la media.-

, ( )- lm ∫ ( ) ∫ ( ) ( ( )) ( )

, - ( )

, - ( )

( , - ) ( )

( ) ( ) ( )

( )
 , ( )- ( )

Ejemplos:

1. Un proceso ergodigo

( ) | |

, ( )- | | , ( )-
lm

( ) , ( )-

, - , -

, | |
( )- [ ] ( )

2. Si tiene un p. ergodico con distribución de gaussiana

( ) ( )

Determina la p. de que el proceso tome valores entre 0.5 y 1

P (0.5 )

La med a es “o”

( ) | |
( )

, ( )- | | , ( )-
lm

( ) , ( )-

, - , -

( ) [ ] ( )
DEBER

Sea ( ) () , -

( )

( ) ( )

𝑆𝐴 (𝑓)

Dibuje ( )

Potencia total de x(t)

Lectura.- ruido blanco

Ejercicios

Si x (t) es un gaussiano wss con

( ) , y sea

S una variable aleatoria discreta independiente dx(t) con distribución

P(s=1) = 0,7

P(s=2) = 0,2

P(s=3) = 0,1

S: Z(t) = Sx(t)

Z(t) es Wss??

( )

( ) ,( ) ( ) ( )- , ( ) ( )- , -

( ) ( ) ∑ ( ) ( )( ( ) ( ) ( )

( ) ( )

( ) , ( ) ( )-
( ) [ ]
(w)=108 ( )
Ejercicio:

Sea a, b una

Densidad de tipo

Conjunto (a, b) =2

Si x (t)= A

Determinar

E [x (t)] y autocorrección de x(1)

De x (2)

Función de densidad de x(1)

𝒂 𝒃 𝒙𝟏

𝒂 𝒃 𝒙𝟐

, ( )- ∬ ( ) ( ) ∬ ( ) ∫ ∫ ( )

( )
, ( )- ∫, - ∫ ∫( ( ) )
 , ( )- 6 7∫ 6 7

, ( )- [ ]

( ) , ( ) ( )- ∫ ∫ ( )( )

( ) ∫ ∫ ( )

∫ 6 7∫

( ) ( )
∫ 6 ( )7

( ) ( ) ( )
∫ 6 7

∫ 6 7 6 7 6 7

( ) [ ] [ ]

( )
( ) ( ) ( )

, ( ) - ∫ ∫ ( ) ∫ ∫ ( )

( )
, ( ) - ∫ 6 7∫

( ) ( )
∫ ( )

6 4 5 4 5

7∫ [ ] ( )
 ( )
( ) ( )

Var (2)= , - ( , -)

( )
4 5 ( )

( )

a) Función de densidad de x(1) (fdp)

De probabilidad

P( ( ) ) ( )

= ( )

Deber
1. Sea el PE x(t) =(1/4)a
A=V.A U (-1,1)

Encuentre:

Dibujar 4 relaciones

Var (x (t))

F(x) (x (t)) y dibujarla

2) Sea N (t) un proceso de poisson con tasa 1, B una V.A

Punto pendiente de N (t) tal que p (B=0) = P (B=1) = ½ y x (- ) N (t) B

a) , ( )- [ ( )]

b) ( )

c) ( ( ) ( ) )
Ejemplo:

Un proceso Ergodicó con distribución uniforme (-a, a) tiene

| |
( )

Determine el valor de a:

lm ( )

( ) , ( )-

, ( )- | | , ( )-
lm

( ) , ( )- ∫ ( )

∫ ( )

Ejercicio:

Un proceso Ergodicó x (t) tiene un valor medio igual a 4(v). Si x (t) pasa por un sistema cuya
respuesta impulsada es h (t)=4. Determine el valor medio.

E, ( )-

( ) ( ) ( )

s n( )
sec

s n( )
sn

( )
 ( ) ( ) ( )

( ) | | ( )

( )( ( ) ( )) ( ) ( )

( ) | | ( )

( ) ( ( )) ( )

( ) ( sn ) . /

( ) ( ) ( ( ( ) ( ))

( ) ( ( )) ( )

( ) ( )

( )

, ( )-

Ejercicio.-

Un mensaje x (t) aleatorio ergodicó con una función de autocorrección ( ) es

modulado en amplitud del sonido el siguiente sistema

( ) ( ) ( )

( ) ( )

( ) ( ) cos( )

( )

( ) ( )
 | ( )| ( )

, ( ) cos( ) ( ) cos ( ) -

( ) cos( )

Dibuje ( )

𝑆𝑌 (𝑓)

Eje:

X (t) con autocorrección ( ) ( ) con ruido blanco independiente de con

densidad de potencia ( ) ; la suma d estas señales se procesa por un sistema que tiene
| ( )| ( ) a) determine el valor del nivel DC y la potencia de AC de x (t)

B) Graficar ( )

( , -)

s n( )
lm lm

s n( )
lm
 √

, - , -

( ) s n( )

s n( ) s n( )

sn
lm [ ]

sn cos( )( )
lm lm lm

s n( )
( )

( )
Graficar ( )

𝝉
Ejercicios del libro de Alberto león García
Sección 3.5

EJERCICIO 57

Dado y=g(x)

a) Encontrar cdf y pdf de Y en términos de la cdf y la pdf de X

( ) ( )

( ) ( ) ( )

( )

Fy(Y) ( )

Derivamos la función de distribución

( ) ( )
( ) ( ) ( ) ( ( )) ( ) | |

( )

b) Encontrar CDF y PDF de Y si X es un laplaciano

( ) | |

Por definición sabemos que

( ) ∫ ( )
Resolvemos la integral en los intervalos correspondientes

| | | |
∫ 4 5

| | | |
∫ 4 5

| | | |

| | | |

Por lo tanto la función de probabilidad de X queda de la siguiente manera

| |
Fx(X)

| |

Fy(Y)

La función de densidad queda de la siguiente manera

( ) ( )

( ) ( ) | |

( )

c) Encontrar cdf y pdf de Y si X es gaussiana con media m y desviación estándar 

( )
La función de densidad de una variable con distribución normal (gaussiana) ya está
definida

( )
( )
√

( )
∫
√

( )

d) Encontrar pdf de Y si X = b sen U donde U es una variable con distribución

uniforme de (0, 2)
Sabemos por definición que la función de densidad de una variable uniforme esta dada
por

( ) ; Donde son los límites 0 y 2

( )

Para encontrar la función de distribución de U integramos lo obtenido anteriormente

( ) ∫

Fu(U)

Para encontrar la pdf de Y en términos de X aplicamos la propiedad de probabilidad

( )( ( )) ( ( ) ( ))

( ( ))

( )
4 5

( )
4 4 55
 ( )
. /

( )
. / ( )
Fy(x)Y(x)= . /

( )
. /

EJERCICIO 58

Y= h(x)

Encontrar cdf y pdf de Y en términos de la cdf y la pdf de X

Primeramente definimos la función por tramos de la siguiente manera, encontramos las

respectivas acumuladas usando la propiedad de la función de probabilidad

, - , - , - ( )

, - , - ( )

, - , - , - ( )

( )

Fy(Y) ( )

( )
Para obtener la función de densidad lo procedemos a derivar
( )

( ) ( )
( )

( )

Encontrar CDF y PDF de Y si X es un laplaciano

Nota: un pdf laplaciano se encuentra definido de la siguiente forma

. ⁄ /

Su función de distribución

( ) ∫ ( )

( )

A partir de la función de densidad del laplaciano y con

( ) ( )

EJERCICIO 59

Y=ex
 Encontrar cdf y pdf de Y en términos de la cdf y la pdf de X

, -

, - , - , ( ) ( )- , ( )-
( ( ))

Fy(Y) ( ( ))

( ) ( )
( ) ( ) ( ( ))

Encontrar la PDF cuando X es una variable Gaussiana.

( )
( )
√

( ( ) )
( )
√

EJERCICIO 60

Dado

( ) ( )
 a) Determinar el valor de c

∫ ( )

6 7

( ) ( )

b) Determinar la pdf del área cubierta por un disco con radio x:

Tenemos que ; donde A representa el área del disco

√ ⁄

( ) , - , - 6 √ ⁄ √ ⁄ 7

4√ ⁄ 5 4 √ ⁄ 5

Obtenemos

4√ ⁄ 5 4 √ ⁄ 5
( )
( )
√ ⁄ √ ⁄

4√ ⁄ 5
( )
√
Remplazando en la función original tenemos

4√ ⁄ 5
( ) ( √ ⁄ )
√

( ) ( √ ⁄ )

c) Determinar la pdf del volumen del disco de radio X

Sabemos que el volumen esta dado de la siguiente forma

Evaluamos dicha expresión en la función de densidad original fx(x)

( ) ( ) √( )

⁄ ⁄
⁄
Por lo tanto ( ) . / 4 . / 5. /

Simplificando la expresión

( ) ( )[ √ ]
√

0 ; para el resto

d) Determine la pdf Y=Xn

Usando la relación del literal anterior tenemos que

( ) ( ) (√ )
Remplazando en Fx(X) original tenemos la expresión

( √ )
( ) √

0 ; para el resto

Sección 6.1 y 6.2

EJERCICIO 3

Un proceso aleatorio discreto X esta definido como sigue. Una moneda es lanzada, si el
resultado de las caras es ( ) para todo n; si el resultado de los sellos es
( ) para todo n

a) Realice algunas realizaciones del proceso

( ) Con n=0 n=1 n= 2 ( ) con n=0 n=1 n= 2

b) la pmf para Xn
Debemos tomar en cuenta que

, ( ) - , ( ) -

c) Encuentre la pmf conjunta para y

Existe cierta probabilidad de que sea cara o sello a la vez y la única forma es que Xn y
Xn+k tomen el mismo valor

, ( ) ( ) - , ( ) ( ) -
En caso contrario su valor será cero

d) Encuentre la varianza y la auto covarianza de

, - ( ) ( )

Su auto covarianza

( ) , - , - , - , -

, ( ) ( ) - ( )( ) , ( ) ( ) -

( )

EJERCICIO 5

Sea g(t) el pulso rectangular mostrado

El proceso aleatorio X(t) esta definido como X(t)= Ag(t), donde A toma valores de +1 y -1
con igual probabilidad

a) Encuentre la pmf de X(t)

En el intervalo [0,1] x(t) puede tomar dos posibles valores
X(t)= +g(t)=+1
X(t)= -g(t)=-1

Entonces A puede tomar valor de ±1 con igual probabilidad

P[ X(t)=+1] = P[X(t)=-1]=0,5t 0,1

P[ X(t)=0] =1 ; para otros casos

b) Encuentre ( )
Para t [0,1]

Mx(t)=(1) p[ X(t)=+1]+(-1)p[ X(t)=-1]= 0

c) Encuentre la conjunta pmf de X(t) y X(t+d)

Depende del instante de tiempo t
Cuando X(t) y X(t+d) están en el intervalo [0,1] toman los mismos valores
 P[ X(t)=+1] , P[ X(t+d)=1]= 0.5
P[ X(t)=-1] , P[ X(t+d)=-1] =0.5

Cuando X(t) esta en el intervalo y X(t+d) no lo esta

P[X(t)=+1] , P[ X(t+d)=0] = 0.5
P[X(t)=-1] , P[X(t+d)=0] = 0.5

Cuando ambos están fuera del intervalo

P[ X(t)=0] , P[X(t+d)=0] =1

d) Encuentre ( )
Cx(t,t+d)=E [X(t)(t+d)]- Mx(t) Mx(t+d)= E [X(t)(t+d)]
Cx(t,t+d)=E [Ag (t) Ag (t+d)]= E [ ]g(t)g (t+d)

E[ ]= 1

Cx(t,t+d)= g(t)g (t+d)= 1 X(t) y X(t+d) están en [0,1]

0 resto

Sección 6.5
EJERCICIO 50

Es la amplitud sinusoidal aleatoria en el ejemplo un proceso estacionario en sentido

amplio?

Cx(t1,t2)= Var[ +cos(2πt1)cos(2πt2) esta no depende solo de por lo tanto no es

estacionario ni estacionario en sentido amplio

EJERCICIO 53

Sea X(t)= A cos wt + B sen wt

Donde A y B tienen distribución uniforme con media cero y son independientes

 a) Mostrar que X(t) es estacionario en sentido amplio
( ) , ( )- , ( ) ( )-
, - ( ) , - ( )-

( ) ,( ( ) ( ))( ( ( ))
( ( )))-

, - ( ) ( ( ))
, -. ( ) ( ( )) ( ) ( ( ))/
, - ( ) ( ( ))

Sabemos que A y B son independientes

, - , - , - , - , -

La auto correlación queda definida de la siguiente manera

( ) , - ( ) ( ( )) , - ( ) ( ( ))

( ) , - ( ( )) , - ( )

( ) , - ( )

b) Mostrar que X(t) no es estacionario, considere E[X3(t)]

0( ( ) ( )) ( ( ) ( ))1 , -

, - ,( ( ) ( ) ( ) ( ))( ( )
( ))-

, - , ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )-

, - , - ( )
, - ( )

EJERCICIO 54

Considere el siguiente proceso promedio

( )
 a) ¿Es Yn un proceso estacionario si Xn es un proceso independiente?
Primero observamos 3 puntos arbitrarios de nuestra pdf Yn n1<n2<n3

, -

[ ( ) ( ) ( )

Luego se aplica un pequeño desplazamiento a Xn+t y queda de la siguiente forma

[ ( ) ( ) ( ) ]

Donde t=-n1+2 remplazando tenemos

[ ( ) ( ) ( )

Esto se cumple solo si Xn es estacionario, lo que nos quiere decir que sus propiedades
estadísticas no cambian con un desplazamiento del origen temporal y aun si se incluye el
efecto que Xn sea ind, no afecta en nada al desplazamiento de t por lo tanto Yn es
estacionario

b) ¿Es Yn un proceso estacionario si Xn es un proceso estacionario?

En el literal anterior se demostró que Yn es estacionario y Yn esta en función de Xn por lo
tanto para que se cumpla lo demostrado en el literal anterior Xn también debe sr
estacionario

Sección 7.1

EJERCICIO 1

Sea g(X) denotada como una función triangular

 a) Encuentre la función espectral de potencia correspondiente a ( ) ( )
A (1- | |/T) esta es la función triangular de ( )

( )
Sx (f)= F [Rx( )] lo que da como resultado ( )
( )

b) Encuentre la auto correlación correspondiente a la densidad espectral de potencia Sx

(f)=g (f/W)

| |
( ) 8 ( 9

( )
( ) ( )

EJERCICIO 2

Sea p(x) una función rectangular mostrada en la figura

Es Rx ( )= p(x/T). Una función de auto-correlación valida?

Esto solo se cumple con el requerimiento de pico en , además debe cumplir que
( ) ( )

Si tomamos la transformada de Fourier, obtenemos una función sinc:

Esta función es estrictamente positiva por causa de esto es proporcional al cuadrado de
la cantidad, entonces asi que Rx ( )= p(x/T) no es una auto correlación valida

EJERCICIO 3

Encontrar Sy(f) dado que Rx( )= Rx( )cos(2 )

Partimos de la definición

( ) , ( ) ( )-

( ) 6 ( )4 57

( ) [ ( ) ] [ ( ) ]

Donde ( ) , ( )- y lo que acompaña a el ( ) es decir el provoca un

desplazamiento

( ) ( ) ( )

EJERCICIO 5

( ) ( ) ( ) //cuando X(t) y Y(t)son wss entonces su función de auto

correlación de Z(t) es :

( ) , ( ) ( )- ,( ( ) ( ))( ( ) ( ))-

( ) ,( ( ) ( )- ,( ( ) ( )- ,( ( ) ( )- ,( ( ) ( )-

( ) ( ) ( ) ( ) ( )

Su respectiva densidad espectral de potencia

( ) , ( )-
 ( ) ( ) ( ) ( ) ( )

Para que cumpla la condición de que ( ) ( ) ( ) se debe cumplir que

( ) ( )

Por lo que la función queda definida como

( ) ( ) ( )

EJERCICIO 6

Demuestre que

a) RX,Y( ) = RY,X( )

b) SX,Y(f) = S*y ,x(f).

RX,Y ( ) = E(X(t + )Y (t)) = E(Y (t)X(t + )) = RY,X(− )

( ) ∫ ( )

∫ ( )

∫ ( )

=S*y ,x(f).

SECCION 7.2

EJERCICIO 17

Sea X (t) un proceso aleatorio wss diferenciable y definido como:

( )
Y(t)=
Determine una expresión para ( )y ( ).

Para este sistema, H (f)= j2πf.

Sy(f ) =| ( )| SX (f ) = | | SX (f ) = 4 SX (f )
( )
⇔ J2πf S (f)

Ry( ) = −(( ) SX (f ) =− ( Rx( ))

EJERCICIO 18

Sea Y (t) la derivada de X (t), un proceso de ruido blanco con banda limitada.

a) Determine ( ) y ( ).
b) ¿Cuál es la potencia promedio de salida?
( )
( )

Y(t)=h(t)∙x(t) ( )

( ) | ( )| ( )

( )
E, ( )- 0 1

( ) ( (
E, ( ) ( -=E0 1

( ) ( ( )
( ) [ ]

( ) | ( )| ( )

( ) ( ( )
( ) {[ ]}

Sx(f)=

Sy(f)=( )

( )
( )=
 ( )= − ( Rx( ))

( )
( )=

( ) ( )
= 0 1

( ) ( ) ( ) ( ) ( ) ( )
( Rx( ))= No[ - - ]

( ) [ (( ) – 2) ( ) ( )]

( )=∫ ( ) ∫ ( )

EJERCICIO 19

Sea Y(t) un término corto de la integración de X(t)

Y(t)= ∫ ( )

Encontrar Sy(f) en términos de Sx(f)

La respuesta impulso puede ser escrita de la siguiente forma

h(t)= ∫ ( ) = ∫ ( ) - ∫ ( )

= ( ( ) ( ))

H(f)= ∫ dt = =

( )
=
Con esto
( )
Sy(f)= | ( )| SX (f ) =( ) Sx(f)

EJERCICIO 20

Del problema 19, sea ( )= (1-|x|/T) para |x|<T y cero en el resto.

Determine ( )

Determine E[ ( )-

Y(t)= ∫ ( )

( )=(1-| |T)para | |

E, ( )- = E0 ∫ ( ) 1 k=∫ ( ) ; donde k es constante

E, ( )- = ∫ ( )

E, ( )-= ∫ | |

E, ( )-= ( ( )) T=k

E, ( ) ( )-=E0 ∫ ( ) ∫ ( ) 1

E, ( ) ( )-=E0 ∫ ( ) ∫ ( ) 1

( ) ( )

( ) { ( )}

( ) * ( )+

E, ( )-= ( )

| |
E, ( )- ( ) . / ( )
E, ( )-

∫ dz + ∫

-∫ d +∫

=1+1+2

( ) ( )
( )

∫ d = +∫ =

u= du=d

dv= d v=

=| |
( )

=
( )

| |
( )

=
( )

EJERCICIO 21

La entrada a un filtro de ruido blanco con media cero y densidad de ruido de potencia
No/2.

H (f) =

Determine ( )y ( )
Determine ( )y ( ).

¿Cuál es la potencia promedio de salida?

( )=H(f)Sx(f)=

Aplicándole la transformada inversa tenemos

( )

Sy(f)= | ( )| SX (f )=)= ( )

Aplicándole la transformada inversa

( ) | |

La potencia se la obtiene evaluando el ( )

( )

EJERCICIO 24

Un proceso wss aleatorio gaussiano X(t) es aplicado a dos sistemas lineales como se
muestra en la figura. Determine el conjunto pdf de Y (t) y W (t)

( ) ( ) ( )

Y(t)=∫ ( ) ( ) , ( )-= ∫ ( )d E, ( -
W(t)=∫ ( ) ( ) E, ( )-=∫ ( )d E, ( -

Como x(0) es normal los las salidas a los procesos también son normales

( ) ( )
4 5
( )
( )
√ ( )

( ) ( )
4 5
( )
( )
√ ( )

( ) | ( )| ( )

( ) *, ( )- ( )+

, ( )-= ( )

var( ( )) , ( )- , ( )-

var(W(t))= , ( )- , ( )-

EJERCICIO 25

Sea Y(t) = h(t) * X(t) y Z(t) = X(t) – Y(t) se muestra en la figura

Determine ( ) en términos de ( )

Determine E[ ( )-
Figura

( ) ( ) ( ) ( ) ( ) ( )

E, ( ) ( )- [( ( ) ( ))( ( ) ( ))]

E, ( ) ( )- E, ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )-

E[x(t+ ) ∫ ( ) ( ) ]

E[∫ ( ) ( ) ( ) ]

∫ ( ) , ( ) ( ) ]

= ( )∫ ( )
 Escuela Superior Politécnica del Litoral
Facultad Ingeniería en Electricidad y Computación
CORRECCION LECCION
PROBABILIDADES Y PROCESOS ESTOCASTICOS

Nombre:
Paralelo:

Ejercicio 1
Sea x(t) un proceso normal estacionario con medio 0 y densidad
espectral ( ) y sea Y(t) la respuesta de un sistema lineal
a la entrada X(t), siendo.

| |
( )
| |
La función de transferencia del sistema

Calcular

a) (| ( ) ( )| )
b) Potencia media de X(t) y de Y(t)
c) ( ( ) )

Literal a)

(| ( ) ( )| ) ( ( ) ( ) )

Para hallar la probabilidad primero debemos hallar su valor

esperado de dicha función y su varianza

, ( ) ( )- , ( )- , ( )-
 0( ( ) ( )) 1
, ( )- , ( ) ( )- , ( )-
( ) ( ) ( )

Como sabemos

X(w) Y(w)
H(w)

( ) ( ) ( )
( ) | ( )| ( )

( )

Si queremos ( ) * ( )+

( ) { }

( ) | |

, - ( )

, - ( )
, - , - , -
Por otro lado

( )

Si queremos ( ) * ( )+

( ) | |

, - ( )

, - ( )

, - , - , -

Regresando al ejercicio

0( ( ) ( )) 1
, ( )- , ( ) ( )- , ( )-

( ) ( ) ( ) . /

Entonces la varianza para z=( ( ) ( ))

( ( ) ( ) ) ( )

( ) ( ) ( )
Literal b)

Potencia medias de X(t) y Y(t)

, - ( )

, - ( )
Literal c)

( ( ) ) ( )
√
( )
Ejercicio 2

Sea (A,B), una variable aleatoria bidimensional con distribuccion

normal y tal que E[A]=E[B]=0 y Var[B]=Cov(A,B)=1, y Sea X(t)=A+Bt
un proceso estocásticos

a) Calcula la media y la autocorrelacion de X(t).

b) Calcule la distribución de primer orden de X(t)
c) Calcule las distribuciones de segundo orden
d) ¿Es X(t) un proceso normal? Justifique su respuesta.
e) ¿Es X(t) un proceso estacionario en sentido amplio?

Literal a)

, ( )- , - , - , - , - , -

[( )( ( ))]
, - , - , ( )- ,( ) ( )-
, - , - ( ) , - ( ) ,( ) -
( ) ( )

Literal b)
, -

, - ( )

, - , - , -
 . /
( )
√
Reemplazando

( )
√

Literal c)

( ) ∫
√

( )
√
Literal d)

Es normal ya que su media es cero y su varianza es 1

( )

Literal e)

No es estacionario porque depende

Ejercicio 3

Sean dos sistemas idénticos con respuestas de impulso

()

Un proceso aleatorio, X(t), E.S.A, con , ( )- se aplica a la

entrada de y su salida, Y(t) se aplica a su vez a la entrada de
Si la salida de es Z(t), hallar , ( )-

X(t) Y(t) Z(t)

h(t) h(t)

X(w) Y(w) Z(w)

H(w) H(w)

( ) ( ) ( ) ( ) ( ) ( )
( ) ( )| ( )| ( ) ( )| ( )|

( ) ( )
( )

PARA HALLAR LA MEDIA YA TENIENDO LA DE ENTRADA USAMOS

, ( )- , ( )- ( )
, ( )- , ( )- ( )
Reemplazando

, ( )- ( )

, ( )- ( )
Ejercicio 4

Se considera un sistema lineal cuya función de transferencia H(w)

viene dada por:
| |
( )

A la entrada de sistema se aplica un proceso X(t) que es normal y

estacionario con media E[X(t)]=0 y autocorrelacion ( )
Sea Y(t) la salida del sistema a la
( ) ( )
entrada X(t)

a) Calcula ( ( ) ( ) )
b) Determina la distribución de la variable aleatorio Y(t).

Literal a)

( ( ) ( )) ( ( )) ( ( ))

( ( ) ( ))
0( ( ) ( )) 1 [ ( ( )) ( ( ))]
. ( )/ ( ( )) ( ( )) . ( )/

( ) ( ) ( )
 ( )
( ) ( )

( )
( ) ( ) ( )
Regresando a lo anterior

( ( ) ( )) ( )

( ( ) ( ) ) ( ) ( )

Literal b)

Como ( ) | ( )|

( ) ( )| ( )| ( )
( ) ( )

Si sacamos la inversa de Fourier

, ( )- , ( )-
( ) ( )

Es decir que X(t) y Y(t) son iguales, ya que x(t) es normal

entonces Y(t) también lo es
 . /
( )
√
Reemplazando

( )
√
Ejercicio 1

Un canal de comunicaciones acepta un voltaje de entrada arbitrario v y

genera un voltaje de salida y=v+n, donde n es una variable aleatoria
uniforme con valor esperado 0 y varianza igual a 1.Suponga que el canal se
usa para transmitir información binaria como sigue:

 Para transmitir un 0 la entrada debe ser igual a -1.

 Para transmitir un 1 la entrada debe ser igual a +1.

El receptor decide que un cero (0) fue enviado si el voltaje que llega es
negativo y un uno (1) si el voltaje de entrada es positivo.

a) Asumiendo de que un uno (1) fue enviado, encontrar la probabilidad

de que el receptor detecte un cero (0).
b) Encuentre la Probabilidad de que el Receptor este en error.

, - , -
, - , -
( )

, - , -
, - , -
( )
Ejercicio 2

Una variable aleatoria X tiene la pdf mostrada en la figura.

a) Determinar la expresión matemática para que fX(x) sea una pdf.
b) Determinar y graficar FX(x).
c) Determinar b para que P(|X-3| < b) = 1/2.
d) Asuma que Y=2-X, encontrar la probabilidad de que P(|Y|≥1)
e) Encontrar la varianza de la v.a. Y.

fX (x)

1 2 5 x
4

a)
Area= +2a +∫ ( ) dx=1
+ 2a + 0.337=1
a=0.266

F(x) ={
( )
b)

∫ ( ) = 0.133 -0.266x
∫ ( ) + ∫ ) = 0.133 + 0.266x

( )
∫ ( ) + ∫ ) + ∫ ( ) =

c)

, - ∫ ( ) ∫ ( )

∫ ( )

, - ∫ ( ) ∫ ∫ ( )

, - , -

(| | )

√ ( )

d)
(| | ) ( ) ( )
( ) ( )
( ) ( )
( ) ( )
( )

∫ ) ∫ ( )
e)
( ) ( )
( ) ( ) ( )“ ”
Ejercicio 3

Una compañía dulcera distribuye cajas de chocolates con una mezcla de

tres tipos: cremas, chiclosos y envinados. Suponga que el peso de cada
caja es de 1 kg, pero los pesos individuales de las cremas de los chiclosos
y de los envinados varían de una caja a otra. Para una caja seleccionada
aleatoriamente X y Y representan los pesos de las cremas y de los
chiclosos respectivamente, y suponga que la función de densidad conjunta
de estas variables es:

24 xy 0  x  1,0  y  1, x  y  1
f ( x, y)  
 0 d .o.m

a) Calcule la probabilidad de que en una caja determinada el peso de los

chocolates envinados sea más de la mitad del peso total.
b) Encuentre la densidad marginal para el peso de las cremas.
c) Calcule la probabilidad de que el peso de los chocolates chiclosos en una
caja sea menos de 1/8 de kilogramo, si se sabe que las cremas
constituyen ¾ del peso.

0.5

0.5 1

a) ( )

b) ∫ “ ”
 , -

( )
) ( ( )| )
( )

( ) ( ) ( ) ( )

( ) ∬

∫ ∫

( )
( )
Ejercicio 4

Tres tipos de mensajes arriban a un centro de llamadas. 10% de los

mensajes son de alta prioridad, 40% son de prioridad normal y 50% son de
prioridad baja. Encuentre:
a) La probabilidad de que k de N mensajes no sean de alta prioridad
b) La probabilidad de que n mensajes son recibidos antes de que
arriben los mensajes de alta prioridad. Asuma que los mensajes
arriban uno a la vez
c) La probabilidad de que de 20 mensajes, 5 son de alta prioridad, 10
son de prioridad normal y 5 son de baja prioridad

A: Mensajes de Alta prioridad

B: Mensajes de Baja prioridad
C: Mensajes de prioridad normal

P(A)= 0,1
P(B)=0,5
P(C)= 0,4

a) P(A)C=1 – 0,1= 0,9

b) P(X=n)=( )( )( ) ; n=1,2,3,4…

c) ( ) ( )( ) ( )

( ) ( )( ) ( )

( ) ( )( ) ( )

P(c)=P(1)P(2)P(3)= 3,038x10-7
Ejercicio 5
Una variable aleatoria X tiene la pdf mostrada en la figura.
f) Determinar y graficar FX(x)
g) Determinar b para que P(|X-3| < b) = 1/2.
h) Encontrar E[x/x≥3]
i) Asumiendo que Y=3-X, determine y dibuje fY(y)

fX (x)

1 2 4 6

a)
a/2 + 2a + a=1  a=2/7

( )

1<x<2: ∫

2<x<4 ∫ ∫

4<x<6 ∫ ∫ ∫

( )

{
b) , - ∫ ∫ ∫

, - ∫ ∫ ∫

, - , - 1.3
P(|x-3|<b)=1/2
½=1- 1/k2 k=√
b= kσ = 1.61

c) E[x/x≥3]=∫ ∫

d) y=3-x
y<0; F(y)=P[Y≤y]=P[3-x≤y]=Fx(3-y)

( ) ( )

( )
( )
( ) ( )

( )

( )

( )
{
Ejercicio 6

Una compañía dulcera distribuye cajas de chocolates con una mezcla de

dos tipos: cremas y envinados. Suponga que una maquina dentro del
proceso esta dañada, produciendo paquetes de diferente peso. Para una
caja seleccionada aleatoriamente, X y Y representan los pesos en gramos
de las cremas y de los envinados respectivamente, y suponga que la
función de densidad conjunta de estas variables es:
16
( x  y) 0.5  y  x  1
f xy (x,y)   3
0 De otro mod o


Encuentre:
a) Calcule la probabilidad que el peso de la componente “envinada” sea
mayor que el de la componente “crema”
b) Calcule la probabilidad de que el peso total del paquete sea mayor
que 1.5 gramos.
a) ( )

b) ( ) ( )

∫ ∫ ( )

( )

( ) –
Ejercicio 7
Dos variables aleatorias X, Y tienen la siguiente pdf:

( ) {

a) Determinar k para que sea una pdf.

b) Determinar P[X  1,Y  1].
c) Determinar P[X  1].
d) Determinar P[Y  1|X  1].
e) Determinar P[X + Y  1].
f) Determinar P[X  Y2].

∬ ∬

K=1/3
 ( )

( ) ∫ ∫

( ) ∫
√ √

( ) √
( | )
( )

( )∫ ∫

( ) ∫
Ejercicio 8

Se tienen 2 fábricas de bombillos que aseguran que la vida media de su

producto es de 1.000 horas. Sin embargo, al investigar más se descubre
que:
a) El fabricante A produce N/2 bombillos que duran 500 horas y N/2 que
duran 1.500.
b) El fabricante B produce N bombillos cuya vida cumple con una
distribución uniforme entre 975 y 1025.
¿Cual de les 2 tiene un mejor producto?

∑( )

( ) ( )

( )

( )
Ejercicio 9

Si la salida de un sistema [ x(t) ] representa una señal eléctrica, esta

será de potencia y la interpretación física de los siguientes parámetros
será:

a) E[ x ] ==============
_________________________________

b) E[ x2 ] ==============
_________________________________

c) E[ x ]2 ==============
_________________________________

d) σx2 = E[ x2 ] - E[ x ]2 ====
_________________________________

e) σx ==============
_________________________________

E[ x ] = Nivel DC de x(t)

E[ x2 ] = Potencia Promedio total de x(t)

E[ x ]2 = Potencia DC de x(t)

σx2 = E[ x2 ] - E[ x ]2 = Potencia Promedio AC de x(t)

σx = Voltaje Rms de x(t)

Ejercicio 10

Una variable aleatoria X tiene la pdf mostrada en la figura.

j) Determinar la expresión matemática para que fX(x) sea una pdf.
k) Determinar y graficar FX(x).
l) Determinar b para que P(|X-3| < b) = 1/2.
m) Asuma que Y=2-X, encontrar la probabilidad de que P(|Y|≥1)

fX (x)

1 2 5 x
4

∫( )

( ){
( )
)

∫ ( )

∫ ( ) ∫ )
 ( )
∫ ( ) ∫ ) ∫ ( )

( )

, - ∫ ( ) ∫ ( ) ∫ ( )

, - ∫ ( ) ∫ ∫ ( )

, - , -

(| | )

√ ( )

)
(| | ) ( ) ( )
( ) ( )
( ) ( )
( ) ( )
( )
∫ ) ∫ ( )
Ejercicio 11

Se tiene las siguientes CDF y PDF correspondientes a una variable

aleatoria X y se desea saber la correspondencia, para ello se deberá
llenar la tabla que se presenta.

TABLA
CDF PDF
(a) b
(b) e
(c) d
(d) c
(e) a
Ejercicio 12
Un proceso aleatorio estacionario en sentido amplio X(t), con valor medio
igual a 5 y el espectro de potencia.
3
 XX ( )  50 ( ) 

1   / 2
2

Se aplica a una red con respuesta al impulso

h(t )  4 exp 4 t 
Hallar H(  ) para la red.
El valor medio de Y(t).
El espectro de potencia de la respuesta de Y(t)

( )
* ( )+

( )
( )

( ) ( ( ) )
. /

, ( )- , ( )- ( ) “ ”
( ) , ( )- , ( )-
, ( )- ( )
Ejercicio 13

Un proceso estocástico estacionario X(t) tiene media E[X(t)] = 0 y

autocorrelación
( ) | |

a) Calcular la densidad espectral del proceso A(t) = X(t) − X(t−1)

b) Calcular la autocorrelación de Y (t) = X(t) cos(t). ¿Es Y(t) estacionario
en sentido amplio?
c) Calcular la autocorrelación de B(t) = X(t) cos(t+ ), donde es una
variable aleatoria independiente de X(t) con distribución uniforme en el
intervalo (0,2 ) Indicación: 2 cos(a) cos(b) = cos(a + b) + cos(a − b)
d) Calcular la autocorrelación de Z(t) = X(t) cos(w0t+ ), donde es una
variable aleatoria con distribución uniforme en el intervalo (0,2 ), w0 es
una variable aleatoria con distribución uniforme en el intervalo (−1, 1) y ,
w0 y X(t) son independientes.

Literal a)
,( ( ) ( ))( ( ) ( ))-
, ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
)-
, ( ) ( )- , ( ) ( )- , ( ) ( )- , (
) ( )-
( ) ( ) ( ) ( )
( ) ( ) ( )
| | | | | |
( )
* +
Literal )
, ( ) ( ) ( ) ( )-
( ) ( ) , ( ) ( )-
( ( ) ( )) | |
“”
Literal )
, ( ) ( ) ( ) ( )-
, ( ) ( )- , ( ) ( )+
( | |) , ( ( ) ( ))-
| |
( )
( )( ( ) ∫ )
 | |
( )( ( )

Literal )

, ( ) ( ) ( ) ( ( ) )-
, ( ) ( )- , ( ) ( )-
| |
, ( ) ( )-
| |
, ( ) ( ) ( ) ( )-
, ( )-
| |
, ( )- , ( )- , (
)- , ( )- , ( )-
| |
( , ( )-( ) , ( )-( )
, ( )-)
| |
(∫ ( ) )

| |
( )
Ejercicio 14

Una variable aleatoria X tiene la pdf mostrada en la figura.

a) Encontrar fX(x).
b) Determinar y graficar la PDF de X.
c) Determinar b para que P (|X| < b) = 1/2.
pdf de X

c
c
fx(x)

-a a

-a 0 a
x

| |
a) ( ) *
( | | ) | |

∫ ( )

b) ( ) ( )

( ) ∫ 4 5
( )
 ( ) ∫ ( ) ∫ ( ) ∫ 〖 4 〗5
( )

c) ,| | - ( ) ( ) ( √ )
Ejercicio 15

Dado Fx(x) e Y=3X+4:

a) Dibuje fy(Y)
 Y 5 
P 
b) Calcule  3  Y  9 
c) Determine E[Y]
Fx(x)

1
0.8
0.6
0.4
0.2 x
-1.5 -1 -0.5 0.2 1 1.5
a)
( )
( )
( )
(( ) )
fy

1 2 3 4 5 6 7 8 9
b)
( )
( )
( )

c)

, - ∫ ( )

, - ∫ ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
, -
Ejercicio 16

Sea (X,Y) una variable aleatoria bidimensional, con función de densidad

( ) {
Determinar:
a) La función de densidad de S = X + Y.
b) La covarianza entre S y X.
c) La ( ).

)
( ) ( )
( )

∫ ∫

∫( )

( ) ( )
( )

∫ ∫

∫ ( )
( )
)
, - , - , -

∬ ( ) – (∫ )(∫ )

)
( )

∬ ( ) ∬ ( )
Ejercicio 17

Sean N(t) un proceso de Poisson con tasa 1, B una variable aleatoria

independiente de N(t) tal que P(B=0)=P(B=1)=1/2 y X(t) el proceso dado
por
X(t) = N(t) + B, t>=0
Calcular:
a) E[X(t)] y E[N2(t)].
Nota: Una variable aleatoria con distribución de Poisson de parámetro u
tiene media u y varianza u.
b) La autocorrelación RX(t1,t2), para t2>t1.
c) La P(X(t)=0)

a)

, ( )- , ( )- , -
( ( )) , ( )- , ( )-
, ( )-
, ( )-

b)

, ( ) ( )-
,( ( ) )( ( ) )-
, ( ) ( ) ( ) ( ) -
, ( ) ( )- , ( )- , ( )- , -
, ( ) ( )- , - , ( )- , - , ( )-

( )

c)
( ( ) )
( ( ) ) ( ( ))

( ) {
 ( ) ( )
( ( ) ) {

Ejercicio 18

Asuma que se tiene el proceso estocástico definido por X(t)=Ae-βtμ(t-to),

donde β y to son constantes y A es una variable aleatoria con distribución
uniforme en el intervalo [-k,k].
a) Dibuje tres realizaciones del proceso estocástico
b) Es x(t) WSS?

to to

A=0 A=K A=-K

b)
( ) , ( )( ( ))-
( ) ( ) ( ) , -
( ) ( ) ( )( )

“ ”
Ejercicio 19

Un estudiante usa lápices cuya duración es de una semana. Use el teorema

del límite central para determinar el mínimo número de lápices que debería
comprar al inicio del semestre (15 semanas) para tener una probabilidad
de 0.99 de no quedarse sin lápices durante el semestre. Ayuda:fx(x)=λe-
λx

Como

X: tiempo de duración de los lápices

( )
, -
4 5 ( )
√ ( ) √
( )
√

( )
√

( )
√

√
Ejercicio 20

Dada la figura, asuma que el proceso es estocástico:

g(t)

t
0 1
Siendo X(t) = Ag(t), donde A es una variable aleatoria que toma los
valores -1 y +1 con igual probabilidad. Determine:

a) La función (pmf) probabilidad de masa de X(t)

b) E[X(t)]
c) Determine la pmf conjunta de X(t) y X(t+τ)

( ) ( )
a) ( ( ) ( )) ( ( ) ( )) . ( )
/ . ( )
/
Cuando A=-1 x(t)=-g(t)
A= 1 x(t)=g(t) P(A=1)=1/2

( )
( ) ( )
( ) { ( ) ( ) ( ( )) { ( ) ( )
( )
{

( ) ( )
( ) {
( ) ( )

b) , ( )- ∑ ( )( ( ) ( )) ( ( ( )) ( ( )))

( ) ( )
c) ( ) {
( ) ( )
 ( ) ( ) ( )
( ( ) ( ) ( ) ( ))
( ) ( ) ( )
{
Ejercicio 21

Un proceso estocástico estacionario en el sentido amplio X(t), con función

de autocorrelación:
( ) ( | |)

a) Determine si Y(t)= 2 + X(t)Sen(12πt) es un proceso estocástico

estacionario en el sentido amplio.
b) Calcule la Densidad espectral de Potencia Sy(f) de Y(t) en términos
de Sx(f).

() () ( )

( ) , ( ) ( -
,( ( ) ( ))( ( ) ( ))-

( ) ( ( )) , ( )- ( ) , ( )-
( ) ( ( )) ( )

( ) ( ( )) ( ) ( ) ( ) ( ) ( (
)) ( )

, ( )- ( )
, ( )-

( ) , ( ( ) ( )- ( ),( )( ( )
( ( )))-

( | |)
( ) , ( ( ) ( )- ( )( )( ( )
( ( )))-

b) No se puede realizar ya que no es Wss

Ejercicio 22

Asuma que X(t) es un proceso estocástico gausianoWSS con media cero y

autocorrelación ( ) .
( ) ( )

Determinar: P(X(2)-X(1)1)

( )
, ( ) - ( )
( ) , ( ) - , ( )-

( ) ( )
, -

, - , ( ) -– , ( ) ( )- , ( ) -
, -) ( ( ) ( ))
( ( ) ( )) ( ( ) ( )) – , ( )- , ( )- ( )

( ) ( )
√

( ( ) ( ) ) ( ) –
 Escuela Superior Politécnica del Litoral
Facultad Ingeniería en Electricidad y Computación
CORRECCION PRIMERA EVALUACION
PROBABILIDADES Y PROCESOS ESTOCASTICOS

Nombre:
Paralelo:

Ejercicio 1

Una fuente binaria emite de manera equiprobable e independiente un

bloque de tres dígitos (0 y 1) cada segundo. De cada bloque se envía a un
canal de transmisión un cero si en el bloque hay más ceros que unos y un
uno en caso contrario. El canal transmite el digito con una probabilidad
de error p, y el receptor reconstruye la terna, repitiendo tres veces el
digito que se ha recibido.

Determine:
a) ¿Cuál es el número de bits erróneos por bloque?
b) ¿Cuál debería ser la probabilidad p, para que este valor
medio no fuese mayor que 1?

Literal a)

El números de bits erróneos=

Literal b)

La probabilidad p, para que este valor medio no fuese mayor

que 1
Ejercicio 2

La v.a, X tiene por función de densidad ( )y se define la v.a

y=g(x).

a) Determinar b para que (| | )

b) Encuentre y grafique ( ) ( )
c) Si ( ) , encuentre y grafique la función de distribución
y la función de densidad de y

( -
( ) ( -
( - ( )

( -
( ) ( -
( -

( ) ( )

1 1 x -1/2 1/2 x

-1
Literal a)

(| | )

( )

( ) ( )

( ) ∫ ( ) 64 57

( ) ∫ ( ) ∫ ( ) 64 57

( ) ∫ ( ) ∫ ( )

( )
 ( ) ( )

( )

Utilizando formula general

√ ( ). /
( )

√ √

Como b debe ser un valor dentro el rango escogemos (-1,1)

Literal b) ( ( )) ( )

f(x) 0 ]( x+ 1 ]( -x+1 ]( 0
-1 -1/2 0 -1/2 1

g(x) -1 ]( 0 ]( 1
-1 -1/2 0 -1/2 1

f(g(x)) 0 ]( 0 ]( 1 ]( 1 ]( 0 ](0
 ( - ( )
( ) . 1

( )

-1 -1/2 1/2 1

Para hallar Fy(y) hay que integrar la función fy(y)

( ) ∫

( ) ∫ ∫ , -

( ) ∫ ∫

( -
( ) ( ]
( )
 ( )

-1/2 1/2

Literal c)

Si ( ) √

( )

(√ ) (√ )

( )

( ) ( ) ( √ ) (√ ) ( )
 √ √
( ) ∫ ( ) 6 7 √

√ √
( ) ∫ ( ) 6 7 √

√
( )
√

( )

-1 1
Para hallar fy(y) debemos derivar la funcion Fy(y)

( )
( )

( )

( ) √
√

( ) √
√

( )

√
( )
√
EJERCICIO 3

Dado la Fxy(x,y) de una bivariable aleatoria:

( )

Determinar

a) Fx(x), Fy(y) y graficarlas

b) fx(x), fy(y) y graficarlas
c) E[X], E[Y]

Literal a)

Para poder calcular las funciones Fx(x) y Fy(y) debemos aplicar la

siguiente definicion

( ) ( )

( ) ( )

Aplicando la definición Fx(x)

( ) ( )

( ) ( )
 Entonces Fx(x) quedaría

( )

Aplicando la definición Fy(y)

( ) ( ) ( )

( ) ( )

Entonces Fy(y) quedaría

( )

Graficando Fx(x)y Fy(y)

Fx(x)

1 2
Para hallar fx(x) y fy(y) hay que derivar las funciones Fx(x) y Fy(y)

( )
( )

( )
( )

Derivando fx(x) y fy(y) quedan

( )
( )

( )
( )

( )
( )

( )
( )

( )
( )

( )
( )

( )
( )
 ( )
( )

Entonces fx(x) y fy(y) quedan

( )

( )

Graficando fx(x) y fy(y)

fx(x)

1 2

Literal c)

, - ∫ ( ) 6 7

, - ∫ 4 5
 Escuela Superior Politécnica del Litoral
Facultad Ingeniería en Electricidad y Computación
CORRECCION SEGUNDA EVALUACION
PROBABILIDADES Y PROCESOS ESTOCASTICOS

Nombre:
Paralelo:

Ejercicio 1

Sea X(t) un proceso normal y estacionario de media E(X(t))=0 y

autocorrelación:

( )

a) Calcular la matriz de covarianzas de la variable aleatoria

bidimensional [X(-2), X(1)+5 X(2)]
b) Calcular la función de densidad de la variable aleatoria
A=X(1)+5 X(2)
c) Sea B una variable aleatoria tal que P (B=0)=P (B=1)= 1/2.
Si se supone que las variables aleatorias A y B son
independientes. Calcular la función de densidad de la
variable aleatoria C= A + B
Consideremos el siguiente sistema lineal e invariante con el
tiempo cuya función transferencia es

| |
( +
| |

Sea Y(t) la salida de este sistema cuando la entrada es X(t)

d) Determine la función de densidad de Y(t)

RESOLUCION

Literal a)

Recordemos que el valor esperado evaluado en cualquier tiempo t

es igual a cero

E(X(-2))=0

E(X(1)+5X(2))= E(X(1))+5E(X(2))= 0.

Para hallar la varianza primero recordemos que el

( ) ( ( ) )

Entonces

( ) ( ( ) )

Como sabemos que

( ) ( ( ) ) ( ( ))

( ( ))

Ahora hallemos la varianzas de VAR(X(-2)), VAR(X(1)+5X(2)) y la

covarianza de Cov(X(-2), X(1)+5 X(2))

E( ( ) ) ( )

E[( ( ) ( )) - ( ( ) ) ( ( ) ( )) ( ( ) )

( ) ( ) ( ) ( ) ( )

( )
 ,( ( ) ( ( ) ( ))- (( ( ) ( )) (( ( ) ( ))

( ( )) ( ( ))

( ) ( )

Como la varianza es:

( ) ( ( ) ) ( ( ))

Entonces

( ( ))

( ( ) ( ))

En cambio la covarianza es:

( ) ( ( ) ( )) ( ( )) ( ( ))

( ( ) ( ) ( ))

Entonces la matriz de covarianzas seria:

[ ]

Literal b)

Si A=X(1)+5 X(2) Sabemos de lo ya calculado anteriormente

( )

( )
Como es una variable aleatoria normal entonces

. /
( )
√
Reemplazando

( )
√

Literal c)

C= A+ B

( ) ( ) ( )

( | ) ( ) ( | ) ( )

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

Como P(B=0)=P(B=1)=1/2

( ) ( )

Como F(A) ES NORMAL

( )
√
REEMPLAZANDO

( ) ( )
 ( ) ∫ ∫
√ √

( ) ∫ ∫
√ √
( )
( ) ∫ ∫
√ √
Literal d)

( ) | ( )| ( )

Como H(W) es

| |
( +
| |

Entonces | ( )|

Por otro lado ( ) * ( )+

( ) 8 9

| |
( )

Reemplazando quedaría

( ) ( )
| |
( )

Si queremos ( ) * ( )+

( ) | |
{ }

( )
 , - ( )

, - ( )

, - , - , -

Si f(x) es normal entonces f(y) también es normal por tener media igual a
cerp y varianza igual 9.

. /
( )
√
Reemplazando media y varianza

( )
√
Ejercicio 2

Sea x(t) un proceso estocástico normal y estacionario de media cero y

autocorrelacion:

( )

Sea A una variable aleatoria discreta, independiente de x(t) y que verifique

P(A=0)=1/2, P(A=1)=1/2. Determinar:

a) P[X(t+2)<1+X(t+1)+X(t)]
b) P[X(t)>A]
c) La función de densidad de la variable aleatoria , ( ) ( )-

RESOLUCION

LITERAL a)

, ( ) ( ) ( )- , ( ) ( ) ( ) -

Entonces primero calculamos la media de dicha expression y la varianza

, ( ) ( ) ( )- , ( )- , ( )- , ( )-=0

0( ( ) ( ) ( )) 1=

, ( )- , ( )- , ( )- , ( ) ( )-
, ( ) ( )- , ( ) ( )-

= ( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

P[ z ≥ ]= 0.732
√
Literal b)

a) , ( ) - , ( ) -
, ( ) | - ( ) , ( ) | - ( )
, ( ) - ( ) , ( ) - ( )

, ( ) - , ( ) -

, - , ( ) -

Recordemos sacar la media y varianza de ( )

, - ( )

, - ( )

, - , - , -

, - , -

( ) ( )

Literal c)

, ( ) ( )-

√ ( ) ( )

Cambio de variable √

( ( )) ( ( ) ( )) ( ( )) ( ( ))

. ( )/ ,, ( ) ( )- - , ( )- , ( ) ( )- , ( )-

, ( ) ( )- ( ) ( )
 , ( )- , ( )- ( )

Remplazando

. ( )/ , ( )- , ( ) ( )- , ( )-

( )

Como es normal

. /
( )
√
Reemplazando

( )
√
Como √

( )
√
Ejercicio 3

Considere los siguientes procesos:

( )

( ) ( )

a) Se lanza una moneda 10 veces de forma equiprobable (p) para

obtener la realización de un proceso aleatorio de Bernoulli Xn.
Graficar una de las realizaciones resultantes para Xn, Yn y Zn.
b) Encuentra la media, la varianza y la covarianza de Yn y Zn, si
Xn es un proceso aleatorio de Bernoulli.
c) Encontrar el pdf de los procesos definidos si Xn en una
secuencia iid gaussiana de media cero y varianza uno.
Justifique su repuesta.

RESOLUCION

Literal a)

GRAFICO Xn

Xn

0 1 2 3 4 5 6 7 8 9 10 n
GRAFICO Yn

Yn

0 1 2 3 4 5 6 7 8 9 10 n

GRAFICO Zn

Zn

2/3

1/3

0 1 2 3 4 5 6 7 8 9 10 n
Literal b)

( ) ∑ ( )

( ) ( ) ( ) ( ) ( ) ( ) ( )

( ) ∑ ( )

( ) ( ) ( ) ( ) ( ) ( ) ( )

( )

( ) ∑( ) ( )

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( )

( ) ( )

( ) ∑( ) ( )

( ) ( ) ( ) ( )

( ) ( ) ( ) ( )
 ( ) ∑( ) ( )

Literal c)

Como es Gaussiana Xn

. /
( )
√

( )
( )
√
Si la función Xn es Gaussiana entonces la función Yn y Zn también lo
son

( )
( ) √
√

( )
( ) √
√
 Escuela Superior Politécnica del Litoral
Facultad Ingeniería en Electricidad y Computación
CORRECCION TERCERA EVALUACION
PROBABILIDADES Y PROCESOS ESTOCASTICOS

Nombre:
Paralelo:

Ejercicio 1
Un canal de comunicaciones acepta un voltaje de entrada arbitrario v y
genera un voltaje de salida y=v+n, donde n es una variable aleatoria
uniforme con valor esperado 0 y varianza igual a 3. Suponga que el canal
se usa para trasmitir información binaria como sigue:

 Para transmitir un 0 la entrada debe ser igual a -1.

 Para transmitir un 1 la entrada debe ser igual a +1.

El receptor decide que un cero (0) fue enviado si el voltaje que llega es
negativo y un uno (1) si el voltaje de entrada es positivo.

c) Determinar y graficar ( ) y ( )
d) Asumiendo de que un uno (1) fue enviado, encontrar la
probabilidad de que el receptor detecte un cero (0).
e) Encuentre la Probabilidad de que el Receptor este en error.
f) Si n fuese una variable aleatoria uniforme con valor esperado 3 y
varianza igual 4/3. Determinar y graficar ( ) y ( )

RESOLUCION

Literal a)

Datos

( )
( )

Como n es uniforme entonces recordemos que

 ( )
( )
( )
Entonces

( )

Resolviendo el sistemas de ecuaciones

Entonces

Entonces f(n) quedaría

f(n)
1/6

-3 3 n

Entonces

1/6 ; -3<n< 3
f(n) =

0 : resto de n
Para hallar F(n) debemos

( ) ∫

( ) ( )

Entonces F(n)

0 ; n< -3

F(n)= ( )

1 ; n> 3

Su grafica seria la siguiente

F(n)

-3 3 n

Literal b)

p[V+N ≥0/v=-1]
p[0/v=-1]=p[y≥0/v=-1]
=p[V+N ≥0/v=-1] como v=-1
=p[-1+N≥0]=p[N≥1]
=p[ z ≥ ]= 0.28
√
Literal c)

P[error/v=1]=p[y<0/v=1]
=p[V+N <0/v=-1] como v=1
=p[1+N<0]=p[N<-1]
= p[z< ]=0.28
√
Literal c

Datos

( )
( )

Como n es uniforme entonces recordemos que

( )
( )
( )
Entonces

( )

Resolviendo el sistemas de ecuaciones

10
Entonces
Entonces f(n) quedaría

f(n)
1/4

1 5 n

Entonces

1/4 ; 1<n< 5
f(n) =

0 : resto de n

Para hallar F(n) debemos

( ) ∫

( ) ( )

Entonces F(n)

0 ; n< 1

F(n)= ( )

1 ; n> 5
Su grafica seria la siguiente
F(n)

1 5 n

Ejercicio 2
Sea (X,Y) una variable aleatoria bidimensional, con función de densidad
( ) {
Determinar:
d) La función de densidad de S = (X + Y)/2.
e) La covarianza entre S y X.
f) La ( ).

Literal a)

F(s)=p(S≤s)
=P((x+y)/2≤s)

∫ ∫
∫ ( )
; 0≤s≤1/2

F(s)= P((x+y)/2 >s)

=1-p((x+y)/2>s)
=1- ∫ ∫
=1-∫ ( )
 ( )
=1- , - , 4( ) ( ) 5

( )
; 1/2≤s≤1
0 ; s<0

; 0≤s1</2
F(s) =
; 1/2≤s<1

1 ; s>1

( )
f(s)=

4s ; 0≤s≤1/2

f(s)= 4(1-s); 1/2≤s≤1

0; resto de s

Literal b)
Cov(SX)=E[SX]-E[S]E[X]

E(X)= ∫ ( ) =∫ ( )

E[S]= ∫ ( ) ∫ ( ) , - , -

E(SX)= 0

Cov(SX)=E[SX]-E[S]E[X]

Cov(SX)=0-(0.5)(0.5)=0.25

c)
p(x≤0.5; s≤1)
∬ ( ) +∬ ( )
3 Ejercicio

Dado Fx(X) encuentre:

a) P(| | )
b) Dibuje fx(x/X )
c) Si y= x+2 dibuje Fy(Y)
d) Determine E(y)

Literal a)

(| | )

( )

( ) ( ) ( )

Literal b)

fx(x/X )

( )
Entonces ( )
 0.6 ( )

0.2 ( ) 0.2 ( )

0 0.5 1

Literal c)

F(X)= F(Y-2)= F(Y)= F(X+2)

Literal d) f(y)

0.2

0.5 1 1.5 2.5 3 y

( ) ∑ ( ) ( ) ( ) ( ) ( ) ( )

E(y)= 1.7
Ejercicio 4

Dada la siguiente función de Autocorrelación Rx(ζ) del proceso estocástico

X(t) que es WSS.

a) Encuentre Var[X(t)]
b) Sx(w) ( o Sx(f)) y grafique

Literal a)

, - ( )

, - ( )

, - , - , -

Literal b) ( ) ( ) ( )
( ) ( )
A= 3
A= 2

-B= -6 B= 6 B=3 B=-3

* ( )+= 2AB Sinc (w) * ( )+= AB (w)

* ( )+= 2(2)(6) Sinc (w) * ( )+= (3)(3) (w)
Si ( ) ( ) ( ) entonces

* ( )+ * ( )+ * ( )+

( ) ( ) ( )

( ) ( ) ( )
 FORMULARIO OFICIAL DE PROCESOS
ESTOCASTICOS

Probabilidad total para eventos

. / ( )
( )
∑ . / ( )

( ) ( ) ( ) ( ) ( ̅)
̅

( ) ( ( ̅ ))

Probabilidad condicional de eventos

( )
. /
( )

( )
. /
( )

Teorema de Bayes

. / ( )
( )
( )

Independencia de probabilidades de dos eventos

( ) ( ) ( )

. / ( )
 ( ) ( )

Propiedades de la función distribuciones de probabilidad

 ( ) ( )
 ( )
 ( )
 ( )
 ( ) ( ) ( )
 ( ) ( )
 ( ) ( )
 ( ) ( ) ( ) ( )
 ( ) ( ) ( ) ( )
 ( ) ( ) ( ) ( ) ( )

Función de masa de probabilidad (PMF)

( ) ( )

∑ ( )

( ) ( ) ∑ ( )

Función de densidad de probabilidad (PDF)

( )
( )
( )

∫ ( )
 ( ) ∫ ( )

∫ ( ) ( ) ( )

Condicional

*( ) +
. / 4 ⁄ 5
( )

. /

. /

4 ⁄ 5 4 ⁄ 5 ( ⁄ )

Media

, - ∑ ( ) para variables discretas

, - ∫ ( ) para variables continuas

, - , - , - la suma entre dos variables

Varianza

, - , - ( , -)

, -

Momento

, - ∑ ( ) para variables discretas

 , - ∫ ( ) para variables continuas

Varias Variables Aleatorias

( ) ( )

Cuando son variables independientes

( ) ( ) ( )

( ) ( ) ( )

( ) ( ) ( )

Para variables aleatorias discretas

Funciones de masa para Discreta

( ) ( )

∑∑ ( )

( ) ∑ ∑ ( )

Funciones Marginales discretas

( ) ( ) ∑ ( )

( ) ( ) ∑ ( )

Independencia

( ) ( ) ( )
Funciones Condicionales para discretas

( )
⁄ 4 ⁄ 5
( )

( )
⁄ 4 ⁄ 5
( )

∑ ⁄ 4 ⁄ 5

∑ ⁄ 4 ⁄ 5

Independencia

⁄ 4 ⁄ 5 ( )

⁄ 4 ⁄ 5 ( )

Funciones Continua

( ) ∫ ∫ ( )

( ) ∫ ∫ ( )

( )
( )

∫ ∫ ( )
Funciones Marginales

( ) ∫ ( )

( ) ∫ ( )

Funciones de Independencia

( ) ( ) ( )

( ) ( ) ( )

Funciones Condicionales de continuas

( )
⁄ ( ⁄ )
( )

( )
⁄ ( ⁄ )
( )

∫ ⁄ ( ⁄ )

∫ ⁄ ( ⁄ )

Independencia

⁄ ( ⁄ ) ( )

⁄ ( ⁄ ) ( )
Covarianza

( ) , - , - , - ( ) , -

Matriz de covarianzas y varianzas

Sea ( )=
: : : : : :
[ ]

La diagonal de la matriz son sus respectivas varianzas.

DISTRIBUCCIONES DISCRETAS DE PROBABILIDAD

FUNCION BINOMIAL

, donde

siendo las combinaciones de en ( elementos tomados

de en )
Ejemplo

Supongamos que se lanza un dado 50 veces y queremos la probabilidad de

que el número 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y
la probabilidad sería P(X=20):

Función binomial negativa

Su función de probabilidad es

Para enteros x mayores o iguales que k, donde

Su media es

si se piensa en el número de fracasos únicamente y

si se cuentan también los k-1 éxitos.

Su varianza es

En ambos casos.
Ejemplos

Si la probabilidad de que un niño expuesto a una enfermedad contagiosa la

contraiga es 0,40, ¿Cuál es la probabilidad de que el décimo niño expuesto a
la enfermedad sea el tercero en contraerla? En este caso, X es el número
de niños expuestos la enfermedad y

La solución es:

En un proceso de manufactura se sabe que un promedio de 1 en cada 10

productos es defectuoso, ¿cual es la probabilidad que el quinto (5) articulo
examinado sea el primero (1) en estar defectuoso?. La solucion es: X=
artículos defectuosos P= 1/10 = 0,1 q= 1- 0,1 = 0,9 x= 5 ensayos K= 1
b*(5;1,0.1)=(5-1\1-1)(0.1)^1*(0.9)^5-1= b*(5;1,0.1)= 6.6% de probabilidad
que el quinto elemento extraído sea el primero en estar defectuoso.

FUNCION POISSON

La función de masa de la distribución de Poisson es

Donde

 k es el número de ocurrencias del evento o fenómeno (la función

nos da la probabilidad de que el evento suceda precisamente k
veces).
  λ es un parámetro positivo que representa el número de veces que
se espera que ocurra el fenómeno durante un intervalo dado. Por
ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces
por minuto y estamos interesados en la probabilidad de que ocurra
k veces dentro de un intervalo de 10 minutos, usaremos un modelo
de distribución de Poisson con λ = 10×4 = 40.

 e es la base de los logaritmos naturales (e = 2,71828 ...)

Tanto el valor esperado como la varianza de una variable aleatoria con

distribución de Poisson son iguales a λ. De hecho, cuando el valor esperado
de la distribución de Poisson es 1, entonces según la fórmula de Dobinski, el
n-ésimo momento iguala al número de particiones de tamaño n.

La función generadora de momentos de la distribución de Poisson con

valor esperado λ es

DISTRIBUCION BERNOULLI

En teoría de probabilidad y estadística, la distribución de Bernoulli (o

distribución dicotómica), nombrada así por el matemático y científico suizo
Jakob Bernoulli, es una distribución de probabilidad discreta, que toma
valor 1 para la probabilidad de éxito ( ) y valor 0 para la probabilidad de
fracaso ( ).

Si es una variable aleatoria que mide "número de éxitos", y se realiza un

único experimento con dos posibles resultados (éxito o fracaso), se dice
que la variable aleatoria se distribuye como una Bernoulli de parámetro .
La fórmula será:

Su función de probabilidad viene definida por:

Un experimento al cual se aplica la distribución de Bernoulli se conoce como

Ensayo de Bernoulli o simplemente ensayo, y la serie de esos experimentos
como ensayos repetidos.

Propiedades características

Valor Esperado (media):

Varianza:

Función generatriz de momentos:

Función característica:
Funciones de distribución continúas

FUNCION EXPONENCIAL

En estadística la distribución exponencial es una distribución de probabilidad

continua con un parámetro cuya función de densidad es:

Su función de distribución es:

Donde representa el número e.

El valor esperado y la varianza de una variable aleatoria X con distribución

exponencial son:

La distribución exponencial es un caso particular de distribución gamma con k = 1.

Además la suma de variables aleatorias que siguen una misma distribución
exponencial es una variable aleatoria expresable en términos de la distribución
gamma.
FUNCION UNIFORME

Función de densidad de probabilidad

La función de densidad de probabilidad de la distribución uniforme continua es:

Función de distribución de probabilidad

La función de distribución de probabilidad es:

Funciones generadoras asociadas

Función generadora de momentos

La función generadora de momentos es

Valor esperado (media):

( )

Varianza
( )
( )
FUNCION NORMAL

Función de densidad

Se dice que una variable aleatoria continua X sigue una distribución normal de
parámetros μ y σ y se denota X~N(μ, σ) si su función de densidad está dada por:

donde μ (mu) es la media y σ (sigma) es la desviación estándar (σ2 es la varianza).5

Se llama distribución normal "estándar" a aquélla en la que sus parámetros toman

los valores μ = 0 y σ = 1. En este caso la función de densidad tiene la siguiente
expresión:

( ) , ( ) ( )-

( ) , ( ) ( )-

, ( )- , ( )- , ( )-
 :

( ) ,* ( ) , ( )-+* ( ) , ( )-+-

( ) ( ) , ( )- , ( )-

:
( )
( )
√ ( )√ ( )

Procesos Estocásticos en el sentido amplio (wss)

Para que un proceso aleatorio sea estacionario en el sentido amplio se

deben cumplir dos condiciones esenciales:

 Su valor esperado debe ser una constante. , ( )-

 Su autocorrelación debe ser función de τ. ( ) , ( ) ( )-

Propiedades de la autocorrelación ( )

 ( ) , ( )-

 ( )
, ( )- ( ) ( )

 ( ) ( )

 | ( )| ( )

 ( ) ( , ( )-)

*La gráfica de ( ) nos da información sobre el comportamiento temporal

del proceso.

*| ( ) ( )| establece que ( ) está limitado por su valor en el origen.

* ( ) , ( )- establece que el límite en el origen es igual a la potencia
promedio de dicho proceso.

Densidad Espectral de Potencia

La densidad espectral de potencia de un proceso aleatorio continuo x(t)

está definido por la transformada de Fourier de ( ).

( ) ∫ ( )

Tomando la inversa de Fourier de ( ) se obtiene:

( ) ∫ ( )

Estas ecuaciones son conocidas como las relaciones Wiener-Khinchin.

Forma Generalizada:

( ) , ( )- ∫ ( )

( ) , ( )- ∫ ( )

Si x(t) es estacionario en el sentido amplio (WSS)

( ) , ( )- ∫ ( )

( ) , ( )- ∫ ( )
Paso de la señal aleatoria por un sistema lineal

X(t) Y(t)

h (t)

Convolución y(t) = x(t)©h(t) en el caso de conocerse x(t).

Pero si analizamos x(t) y se obtiene ( )

( ) , ( ) ( )-

Desarrollando se obtiene:

( ) ( ) ( ) ( )

Para obtener finalmente:

( ) | ( )| ( )

Otra propiedad importante:

( ) ( ) ( ) ∫ ( ) ( ) ∫ ( ) ( )

, ( )- 6∫ ( ) ( ) 7 ∫ ( ) , ( )-

, ( )- , ( )- ∫ ( ) , ( )- ( )
Por lo tanto si se tiene el valor esperado del proceso x(t) y su
correspondiente ( ) se puede obtener fácilmente el valor esperado de
y(t).

Retardador

( ) ( )

( ) ( )

Transformada de Hilbert

Afecta solo a la fase, no a la magnitud

( ) ( )

( ) ̂ Transformada de Hilbert

̂( ) ( ) ( ) Transformada de Fourier

̂( ) ( ) ( )

( ) ( ) ( ) ( )

( ) | ( )| ( )

( ) |( ( ))| ( ) ( )

Procesos Ergódicos

Hay que determinar los parámetros.

 Se toma una muestra completa del proceso y se realizan los

cálculos sobre ella.
 Se toman todas las salidas para un y se calculan los parámetros
deseados.
Si el valor del parámetro resulta igual por los dos métodos, se dice que el
proceso es ergódico respecto a ese parámetro.
Importante mencionar que ergodicidad implica que el proceso es WSS pero
no viceversa.

Respecto a la media

, ( )- ∫ ( ) ∫ ( ) ( ( )) ( )

Nivel DC de x(t)

, - ̅

Potencia promedio total de x(t)

, - ̅̅̅

Potencia DC de x(t)

( , ( )-) ̅

Potencia promedio AC de x (t)

( ) , ( )- ( , ( )-)

Voltaje RMS de x(t)

( )

Densidad espectral de potencia

* ( )+ ( )
 FUNCIONES DE DISTRIBUCCIONES
DISCRETAS Y CONTINUAS DE PROBABILIDAD
TRANSFORMADAS DE FOURIER
PROPIEDADES DE LA TRANSFORMADA DE FOURIER