Professional Documents
Culture Documents
Simulacin 2001
Profesor: Hctor Allende
Introduccin
Las caractersticas de un fenmeno aleatorio puede ser
descrito a travs de la distribucin de probabilidad de una
variable aleatoria que representa el fenmeno.
En la teora de probabilidad, las propiedades estadsticas
de un fenmeno aleatorio que ocurre de manera aleatoria
respecto al tiempo no son considerados.
Introduccin
Ejemplos de fenmenos aleatorios en el tiempo:
Movimiento de una partcula en el movimiento
Browniano
Emisin de fuentes radioactivas
Flujo de corriente en un circuito elctrico.
Comportamiento de una onda en el oceano.
Respuesta de un avin al viento y movimiento de un
barco en el mar.
Vibracin de un edificio causado por un temblor o
terremoto.
Profesor Dr. Hctor Allende
Desarrollado por Rodrigo Salas
Proceso Estocstico
Definicin: Una familia de variables aleatorias x(t) donde t
es el parmetro perteneciente a un conjunto indexado T es
llamado un proceso estocstico (o proceso aleatorio), y se
denota por:
{x(t ), t T }
Proceso Estocstico
Observacin:
Si t es fijo, x( ) es una familia de variables aleatorias.
(ensemble).
Para fijo, x(t) es una funcin del tiempo llamada
funcin muestrada.
1
x(t )
x(t )
x(t )
x(t )
x(t )
Profesor Dr. Hctor Allende
Proceso Estocstico
Estado
Discreto
D iscreto
T iem po
C ontinuo
Continuo
Funcin de Medias
1. Sea {x(t ), t T } un proceso estocstico, se llama funcin
de medias:
x (t ) : T
t x (t ) E[ xt ]
Funcin de Varianzas
2. Sea {x(t ), t T } un proceso estocstico, se llama funcin
de varianzas:
x2 (t ) : T
t x2 (t ) V [ xt ] E{( xt E[ xt ]2 }
2
Obs: x (t ) cte t T se dice que es un proceso
estocstico estable en varianza.
Funcin de Autocovarianzas
3. Sea {x(t ), t T } un proceso estocstico, se llama funcin
de varianzas:
C xx (t ) : T T
(t1 , t 2 ) C xx (t1, t 2 ) Cov[ xt , xt 2 ]
1
Funcin de Autocovarianza
La funcin de Autocovarianza C xx (t1 , t 2 ) de un proceso
estocstico viene dado por:
C xx (t1 , t 2 ) Cov[ x(t1 ), x(t 2 )]
E[( x(t1 ) E[ x(t1 )])( x(t 2 ) E[ x(t 2 )])]
1 n k
{ x(t1 ) x(t1 )}{k x(t 2 ) x(t 2 )}
n k 1
donde
1 n k
x(ti ) E[ x(ti )] x(ti )
n k 1
i 1,2
10
Funcin de Autocorrelacin
3. Sea {x(t ), t T } un proceso estocstico, se llama funcin
de varianzas:
x (t ) : T T
(t1 , t 2 ) x (t1, t 2 )
Cov[ xt , xt 2 ]
1
(t1 ) (t 2 )
11
12
13
14
15
E[ x(t )]
T
1
16
17
18
donde t1 t 2 ....t n 1 t n
19
20
21
t1
t2
T1 T2
t3
T3
Time
T4
Intervalos de tiempo
entre sucesivas
ocurrencias
22
23
2
0
2 2
0 0
2
0
2
0
24
25
26
27
()
P{N (t ) N (t ) k} e
, k 0,1,2,...
k!
tambin es llamado como proceso de incremento de
Poisson.
Profesor Dr. Hctor Allende
Desarrollado por Rodrigo Salas
28
29
30
Sea {a (t )}tT
i. E[a (t )] 0
ii.
1 si s t
Cov[at , as ] st
0 e.t.o.c.
Obs:
1. El ruido blanco es un proceso estocstico estacionario
(por construccin).
2
a
(
t
)
~
N
(
0
,
31
1 ,...., q , q 0
X ~ MA(q )
32
1 ,...., p , p 0
X ~ AR( p )
33
X ~ ARMA( p, q )
34
Bibliografa
Applied Probability & Stochastic Processes.
Michel K. Ochi.
Applied Probability Models with Optimization
Applications.
Sheldon M. Ross.
35
Consultas o Preguntas?