Reporte de tarea 1
Procesos Estocsticos
Un proceso Estocstico es aquel en el que se representan todos y cada uno de los pasos necesarios para realizar una actividad, adems de las formas o maneras en que cada uno de los pasos puede ser llevado a efecto y sus respectivas probabilidades. En general, trabajamos con procesos estocsticos en cualquier caso que intentamos ajustar un modelo terico que nos permita hacer predicciones sobre el comportamiento futuro de un proceso. Un ejemplo particularmente importante lo proporcionan las denominadas series de tiempo, que registran observaciones de determinado proceso en funcin del tiempo. Podemos definir un proceso estocstico como una familia X(t), t T, de variables aleatorias, clasificadas mediante un parmetro t, que vara en un conjunto T. Cada una de las variables aleatorias X(t) puede depender explcitamente del tiempo t o no; en este segundo caso, el proceso estocstico se denomina ESTACIONARIO. Si el estado en que se encuentra un proceso estocstico depende slo del estado anterior, pero no de los anteriores a ste, estaremos ante un proceso de Markov. Cuando t toma valores discretos, diremos que el proceso estocstico es de parmetro discreto y cuando toma valores continuos, diremos que el proceso estocstico es de parmetro continuo.
Presenta: Ing. Jos Irving Hernndez Jcquez Revisa: M.C. Eduardo Gamero Inda
Reporte de tarea 1
Distribuciones discretas. Son aquellas donde las variables asumen un nmero limitado de valores, por ejemplo el nmero de aos de estudio. La distribucin de probabilidad para una variable aleatoria discreta puede ser: 1.- Una relacin terica de resultados y probabilidades que se puede obtener de un modelo matemtico y que representa algn fenmeno de inters. 2.- Una relacin emprica de resultados y sus frecuencias relativas observadas. 3.- Una relacin subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales que representan el grado de conviccin del encargado en tomar decisiones sobre la probabilidad de posibles resultados. Existen varios modelos matemticos que representan diversos fenmenos discretos de la vida real. Las ms tiles son: 1.- La distribucin uniforme discreta. 1.- La distribucin de probabilidad Binomial o de Bernoulli. 2.- La distribucin de probabilidad Hipergeomtrica. 3.- La distribucin de probabilidad de Poisson. UNIFORME DISCRETA Si la variable aleatoria X asume valores de X1, X2, ..., Xk con iguales probabilidades, entonces la distribucin uniforme es:
Presenta: Ing. Jos Irving Hernndez Jcquez Revisa: M.C. Eduardo Gamero Inda
Reporte de tarea 1
LA DISTRIBUCION BINOMIAL Esta distribucin fue elaborada por Jacobo Bernoulli y es aplicable a un gran nmero de problemas de carcter econmico y en numerosas aplicaciones como: - Juegos de azar. - Control de calidad de un producto. - En educacin. - En las finanzas. La distribucin binomial posee las siguientes propiedades esenciales: 1.- El espacio muestral contiene n ensayos idnticos. 2.- Las observaciones posibles se pueden obtener mediante dos diferentes mtodos de muestreo. Se puede considerar que cada observacin se ha seleccionado de una poblacin infinita sin reposicin o de una poblacin finita con reposicin. 3.- Cada observacin se puede clasificar en una de dos categoras conocidas como xito E o fracaso E', las cuales son mutuamente excluyentes. 4.- Las probabilidades de xito p y de fracaso q = 1 - p en un ensayo se mantienen constantes, durante los n ensayos. 5.- El resultado de cualquier observacin es independiente del resultado de cualquier otra observacin. La probabilidad de que el evento E ocurra x veces y el evento E' ocurra (n - x) veces en n ensayos independientes est dado por la frmula binomial:
donde: p = Probabilidad caracterstica o probabilidad de xito. q = Probabilidad de fracaso x = Nmero de xitos deseados n = Nmero de ensayos efectuados Presenta: Ing. Jos Irving Hernndez Jcquez Revisa: M.C. Eduardo Gamero Inda
Reporte de tarea 1
Se emplea para calcular la probabilidad de obtener determinado nmero de xitos en un espacio muestral de n ensayos; pero a diferencia de la distribucin binomial es que los datos de la muestra se extraen sin reemplazo en una poblacin finita. Por esto es que el resultado de una observacin depende o es afectado por el resultado de cualquier otra u otras observaciones anteriores. Es decir la distribucin hipergeomtrica se emplea para muestreos sin reemplazo de una poblacin finita cuya probabilidad de ocurrencia cambia a lo largo del ensayo.
donde: N = El tamao de espacio muestral S n = El nmero de ensayos M = El nmero de xitos en el espacio muestral N - M = Nmero de fracasos del espacio muestral x = Nmero de xitos en la muestra n - x = Nmero de fracasos de la muestra. DISTRIBUCIN DE POISSON Esta funcin de distribucin de variable discreta se emplea para calcular las probabilidades asociadas a la variable aleatoria dentro de un intervalo continuo de tiempo o espacio; este intervalo es generalmente una unidad de medida conocida: cm2, km, gramos, litros, pulgadas, etc.
Presenta: Ing. Jos Irving Hernndez Jcquez Revisa: M.C. Eduardo Gamero Inda
Reporte de tarea 1
Algunos de los problemas que presentan como un fenmeno con distribucin de Poisson son: - Los embotellamientos que se producen por da. - Nmero de llamadas por hora. - Defectos por m2 de tela. - Nmero de defectos por lote de un proceso de produccin. - Nmero de negocios cerrados por semana. A este tipo de problemas se les conoce el nmero de xitos x obtenidos por unidad de medida en n ensayos; pero es totalmente imposible conocer el nmero de fracasos (n - x). La distribucin de Poisson se expresa mediante la siguiente frmula.
donde: n = Nmero de ensayos x = Nmero de xitos esperados en n ensayos e = 2.71828... = n p = Constante igual al nmero de xitos promedio por unidad de medida p = Probabilidad constante durante el proceso igual al nmero de xitos promedio por unidad de medida. Distribuciones continuas. Son aquellas donde las variables en estudio pueden asumir cualquier valor dentro de determinados lmites; por ejemplo, la estatura de un estudiante.
Reporte de tarea 1
dos variables aleatorias generalmente se mueven en la misma direccin, se dir que tienen una covarianza positiva. Si tienden a moverse en direcciones opuestas, se dir que tienen una covarianza negativa. La covarianza se mide como el valor que se espera del producto de las desviaciones de dos variables aleatorias respecto a sus correspondientes medias. Una varianza es un caso especial de covarianza. Mientras que la varianza es siempre positiva, la covarianza puede ser positiva o negativa. Es positiva cuando las dos variables se mueven en la misma direccin, y negativa cuando varan en sentido contrario. La correlacin cruzada (o a veces denominada "covarianza cruzada") es una medida de la similitud entre dos seales, frecuentemente usada para encontrar caractersticas relevantes en una seal desconocida por medio de la comparacin con otra que s se conoce. Es funcin del tiempo relativo entre las seales, a veces tambin se la llama producto escalar desplazado, y tiene aplicaciones en el reconocimiento de patrones y en criptoanlisis. La correlacin cruzada tiene una naturaleza similar a la convolucin de dos funciones. Difiere en que la correlacin no involucra una inversin de seal como ocurre en la convolucin.
Presenta: Ing. Jos Irving Hernndez Jcquez Revisa: M.C. Eduardo Gamero Inda
Reporte de tarea 1
Tambin se puede usar para determinar la contribucin de alguna medida en la salida de un sistema, para cada una de las diversas fuentes de entrada independientes.
En la cual una onda sinusoidal u(t) es aplicado para un sistema con la funcin de transferencia G(s). despus de que la oscilacin momentnea desarrollada para condiciones iniciales ha decado, la salida y(t) viene a ser una onda senoidal pero con una magnitud diferente Y y fase relativa . La magnitud y la fase de salida y(t) estn de hecho relacionadas con la funcin de transferencia G(s) a la frecuencia ( rad/s) de la salida sinusoidal.
donde T puede ser elegido para la conveniencia de ser igual a un mltiplo entero de
Presenta: Ing. Jos Irving Hernndez Jcquez Revisa: M.C. Eduardo Gamero Inda
Reporte de tarea 1
Y dibujando una curva con como abscisa y como ordinaria, esta curva, o mejor dicho, el espacio entre esta curva y el eje de las abscisas representa el periodograma de f(t). Los periodogramas de seales siempre muestran las tres propiedades tpicas siguientes: 1. Una seal senoidal pura aparece como picos bien definidos en el periodograma. 2. De lo contrario, el periodograma es altamente fluctuante. 3. El periodograma nos da una imagen clara de la frecuencia contenida en la seal.
Espectro de Seales
El espectro de una seal es el conjunto de frecuencias que la constituyen, representa a cada frecuencia contenida en una seal y su intensidad. Por ejemplo para las ondas de radio de la tv; estas seales se componen de diversas frecuencias con distintas amplitudes (para enviar toda la informacin de imgenes y sonido) - el conjunto de estas sera el espectro de frecuencias de esa seal. Podemos formalizar el concepto como todo lo contenido en la transformada de Foruier de la entrada como una versin normalizada de esta, as como los valores esperados de esta, dependiendo de la naturaleza actual de la seal. Para disear modelos a partir de la observacin de la seal, es esencial para poder estimar el espectro de los datos observados, los datos de la muestra. Fuentes de informacin: http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/07Procesos estocasticos.htm http://maristascoruna.wikispaces.com/file/view/Apuntes+Estadistica+P3.pdf http://www.aibarra.org/Apuntes/Estadistica http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad http://e-stadistica.bio.ucm.es/glosario/def_distr_probabilidad.html http://www.itapizaco.edu.mx/~joseluis/apuntes/estadistica/distribuciones discretas.pdf http://www.economia48.com/spa/d/covarianza/covarianza.htm http://es.wikipedia.org/wiki/Correlaci%C3%B3n_cruzada http://www.dctrl.fi-b.unam.mx/~villabpe/Correlacin%20cruzada.doc http://www.control-systemsprinciples.co.uk/whitepapers/spanishwp/11freqresponser2SP.pdf http://en.wikipedia.org/wiki/Periodogram http://exa.unne.edu.ar/depar/areas/informatica/SistemasOperativos/Comunicaciones/Present aciones_Proyector/SenialesyEspectros.pdf Modeling of dynamic systems by Lennart Ljung
Presenta: Ing. Jos Irving Hernndez Jcquez Revisa: M.C. Eduardo Gamero Inda