Instituto Tecnolgico de Durango

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.

Funciones de Distribucin de Probabilidad

La distribucin de probabilidad de una variable aleatoria es una funcin que asigna a cada suceso definido sobre la variable aleatoria la probabilidad de que dicho suceso ocurra. La distribucin de probabilidad est definida sobre el conjunto de todos los eventos rango de valores de la variable aleatoria. Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales, la distribucin de probabilidad est completamente especificada por la funcin de distribucin, cuyo valor en cada real x es la probabilidad de que la variable aleatoria sea menor o igual que x. Si los posibles valores de x forman un conjunto discreto, en este caso la funcin de distribucin de probabilidad ser discreta, por el contrario, la funcin de probabilidad ser continua.

Presenta: Ing. Jos Irving Hernndez Jcquez Revisa: M.C. Eduardo Gamero Inda

Instituto Tecnolgico de Durango

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

Instituto Tecnolgico de Durango

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

Instituto Tecnolgico de Durango LA DISTRIBUCIN HIPERGEOMTRICA

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.

Grficamente se puede representar como:

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

Instituto Tecnolgico de Durango

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.

Funciones de Covarianza y Covarianza Cruzada

Una medida del grado en que dos variables aleatorias se mueven en la misma direccin o en direcciones opuestas la una respecto a la otra. En otras palabras, si Presenta: Ing. Jos Irving Hernndez Jcquez Revisa: M.C. Eduardo Gamero Inda

Instituto Tecnolgico de Durango

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.

Correlacin y Correlacin Cruzada

La correlacin indica la fuerza y la direccin de una relacin lineal entre dos variables aleatorias. Se considera que dos variables cuantitativas estn correlacionadas cuando los valores de una de ellas varan sistemticamente con respecto a los valores homnimos de la otra: si tenemos dos variables (A y B) existe correlacin si al aumentar los valores de A lo hacen tambin los de B y viceversa. La correlacin entre dos variables no implica, por s misma, ninguna relacin de causalidad. La correlacin cruzada expresa que tanta similaridad tienen dos seales de tiempo diferentes a(t) y b(t) para diferentes desplazamientos de tiempo . Se emplea tradicionalmente para medir tiempos de retardo de seales, debidos a problemas de propagacin.

Presenta: Ing. Jos Irving Hernndez Jcquez Revisa: M.C. Eduardo Gamero Inda

Instituto Tecnolgico de Durango

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.

Funciones de Respuesta a la Frecuencia: Respuesta a seal sinusoidal

El anlisis de respuesta en frecuencia es la tcnica donde una seal de prueba sinusoidal es usada para medir puntos sobre la respuesta de frecuencia de una funcin de transferencia o funcin de impedancia. El bsico set up es mostrado en la figura:

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.

Periodogramas de Seales sobre Intervalos Finitos

El periodograma es una estimacin de la densidad espectral de una seal. El trmino fue acuado por Arthur Schuster en 1898: Es conveniente tener una palabra para alguna representacin de una cantidad variable que coincidir con el "espectro" de una radiacin luminosa. Propongo el periodograma palabra, y lo definen ms concretamente de la siguiente manera:

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

Instituto Tecnolgico de Durango

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