Vectores Gaussianos e introducción a los procesos estocásticos. - Etb
Vectores Gaussianos e introducción a los procesos estocásticos. - Etb
Vectores Gaussianos e introducción a los procesos estocásticos. - Etb
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong><br />
<strong>estocásticos</strong>.<br />
Diego A. Patino, M.Sc., Ph.D.<br />
Pontificia Universidad Javeriana<br />
1
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
1 Motivación<br />
2 <strong>Vectores</strong> aleatorios gaussianos<br />
3 Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
4 Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
2
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Motivación<br />
Motivación<br />
Generalizar la fpd normal para un vector de variables<br />
aleatorias.<br />
Hasta ahora, <strong>procesos</strong> que no cambian en el tiempo:<br />
Probabilidad. Cómo caracterizar un fenómeno aleatorio que<br />
varia en el tiempo? ⇒ Procesos <strong>estocásticos</strong>.<br />
Ejemp<strong>los</strong>: Señales de telecomunicación, señales biomédicas,<br />
señales sísmicas, manchas solares año tras año, índice de la<br />
bolsa segundo a segundo, tiempo de espera en cola de cada<br />
uno de <strong>los</strong> usuarios que van llegando a una ventanilla, el clima.<br />
3
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Para una variable aleatoria x, la fpd gaussiana es N(m,σ 2 ) es:<br />
f (x) =<br />
1 (x−m)<br />
e− 2<br />
2<br />
σ2 √<br />
2πσ<br />
Para un vector de variables aleatorias no correlacionado<br />
x = [x1,... ,xn] T , entonces<br />
f (x) =<br />
e− 1<br />
2 (x−m)T C −1 (x−m)<br />
(2π) n/2√ detC<br />
Donde C es la matriz de covarianzas.<br />
Esta es la formulación general de la función de densidad de un<br />
vector aleatorio gaussiano.<br />
4
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
En general, un vector aleatorio X = [X1,... ,Xn] T es<br />
gaussiano si todas las combinación lineales de sus<br />
componentes<br />
n<br />
i=1<br />
ciXi<br />
resulta en una variable aleatoria gaussiana.<br />
Del item anterior, se puede observar entonces que cualquier<br />
subvector también es gaussiano. Entonces, todas las<br />
combinaciones lineales de <strong>los</strong> componentes del subvector<br />
[X1,X3,X5] T son gaussianas.<br />
De ejercicios ya vistos, la suma de dos gaussianos es una<br />
variable gaussiana. ⇒ Combinacion lineal de variables<br />
gaussianas es una gaussiana.<br />
5
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Ejemplo: Sea X un vector aleatorio Gaussiano de tamaño 5 y<br />
matriz de covarianza:<br />
⎡<br />
1 3 7 10<br />
⎤<br />
5<br />
⎢ 3<br />
⎢ 7<br />
⎣10<br />
10 17 9 15 ⎥<br />
17 6 16 13 ⎥<br />
9 16 60 53⎦<br />
5 15 13 53 40<br />
Encontrar la matriz de covarianzas de [X1,X3,X5] T<br />
6
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Si X es un vector aleatorio gaussiano, entonces AX + b para<br />
cualquier matrix A [r × n] y cualquier vector B [r] también es<br />
gaussiano:<br />
X ∼ N(m,C) ⇒ AX + b ∼ N(Am + b,ACA T )<br />
Entonces si X es Gaussiano, Y = AX también es Gaussiano.<br />
Si Y es gaussiano, X es necesariamente Gaussiano?<br />
7
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Si X es un vector aleatorio gaussiano, entonces AX + b para<br />
cualquier matrix A [r × n] y cualquier vector B [r] también es<br />
gaussiano:<br />
X ∼ N(m,C) ⇒ AX + b ∼ N(Am + b,ACA T )<br />
Entonces si X es Gaussiano, Y = AX también es Gaussiano.<br />
Si Y es gaussiano, X es necesariamente Gaussiano?<br />
NO!<br />
8
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Función característica de un vector gaussiano<br />
Si X ∼ N(m,C) (vector aleatorio), su función característica<br />
conjunta esta dada por:<br />
ΦX(ν) = e jνT m−ν T Cν/2<br />
Donde ν = [ν1,ν2,... ,νn] T .<br />
PROBAR!<br />
Calculemos la función característica cuando C es diagonal.<br />
9
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Función característica de un vector gaussiano<br />
Suponga la siguiente matriz de covarianzas (σ 2 i = Cii = var(Xi)):<br />
entonces,<br />
por lo tanto:<br />
⎡<br />
σ<br />
⎢<br />
C = ⎢<br />
⎣<br />
2 1 0 ... 0<br />
0 σ2 ⎤<br />
2 ... 0 ⎥<br />
.<br />
. . ..<br />
⎥<br />
. ⎦<br />
0 0 ... σ 2 n<br />
ν T Cν =<br />
ΦX(ν) = e jνT m−ν T Cν/2 =<br />
n<br />
i=1<br />
n<br />
i=1<br />
σ 2 i ν 2 i<br />
e jνimi −σ 2 i ν2 i /2 =<br />
n<br />
i=1<br />
ΦXi (νi)<br />
10
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Función característica de un vector gaussiano<br />
El resultado anterior quiere decir que variables aleatorias<br />
gaussianas independientes implican que no estan<br />
correlacionadas.<br />
Esta afirmación es cierta para todo tipo de variables<br />
aleatorias?<br />
11
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Función característica de un vector gaussiano<br />
El resultado anterior quiere decir que variables aleatorias<br />
gaussianas independientes implican que no estan<br />
correlacionadas.<br />
Esta afirmación es cierta para todo tipo de variables<br />
aleatorias?<br />
NO. SOLAMENTE ES CIERTO PARA LAS GAUSSIANAS.<br />
Ejemplo: Considerese X ∼ Uniforme(−1,1) y Y = X 2 . X y<br />
Y NO son independientes, pero si son no correlacionados.<br />
Independencia ⇒ No correlación.<br />
No correlación Independencia.<br />
12
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Esperanza condicional de vectores gaussianos<br />
Si X y Y son vectores aleatorios [X T ,Y T ] T es un vector<br />
aleatorio gaussiano, entonces<br />
Donde ACY = CXY .<br />
E[X |Y = y] = A(Y − mY ) + mX<br />
Entonces, cuando X y Y son conjuntamente gaussianos, el<br />
estimador MMSE es igual al estimador lineal MMSE.<br />
13
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Probabilidad condicional de vectores gaussianos<br />
Si [X T ,Y T ] T es un vector aleatorio Gaussiano, entonces dado<br />
Y = y.<br />
X ∼ N(E[X |Y = y],C X |Y)<br />
donde CX |Y = CX − ACYX, E[X |Y = y] = A(y − mY ) + mX<br />
y ACY = CXY . Si C −1<br />
X |Y existe, entonces:<br />
g(y) = E[X |Y = y]<br />
fX |Y(x|y) = e<br />
“<br />
− 1<br />
2 (x−g(y))T C −1<br />
X |Y (x−g(y))<br />
”<br />
(2π) n/2detCX |Y<br />
14
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
<strong>Vectores</strong> aleatorios gaussianos<br />
Probabilidad condicional de vectores gaussianos<br />
Ejemplo: Suponga una señal X ∼ N(0,1) se transmite en un canal<br />
ruidoso. La medida del receptor es Y = X + W , W ∼ N(0,σ 2 ) es<br />
independiente de X. Encontrar E[X |Y = y] y f X |Y(x|y)<br />
15
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Introducción de <strong>procesos</strong> <strong>estocásticos</strong><br />
Un proceso estocástico (proceso aleatorio) es una familia de<br />
variables aleatorias<br />
En principio, esta definición se refiere a una familia finita de<br />
variables aleatorias tales como {X,Y ,Z }.<br />
En practica, <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong> se refieren a familias<br />
infinitas. Se trabaja con una cantidad infinita de variables<br />
aleatorias.<br />
Ejemp<strong>los</strong>: Enviar bits sobre un canal wireless donde no hay un<br />
conjunto determinado de datos.<br />
La potencia de la señal en un receptor de teléfono celular varia<br />
continuamente en el tiempo aleatoriamente dependiendo de la<br />
ubicación.<br />
16
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo discreto<br />
Un proceso aleatorio en tiempo discreto es una familia de<br />
variables aleatorias {Xi} donde i ∈ Z.<br />
{Xi,i = 1,2,...}, {Xi,i = 0,1,2,...}<br />
Espacio muestral<br />
Ω<br />
Espacio muestral<br />
X(ζ) = x<br />
Variable aleatoria<br />
Xi(ζ)<br />
Proceso estocástico<br />
17
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo discreto<br />
Para un ζ fijo, entonces se puede obtener una secuencia<br />
X1(ζ),X2(ζ),X3(ζ),.... Tal secuencia de variables aleatorias se<br />
conoce como realización, o función muestral de un proceso<br />
estocástico.<br />
Ejemplo: (Bits enviados en un canal ruidoso). Al enviar una<br />
secuencia de bits en un canal ruidoso, <strong>los</strong> bits llegan<br />
independientemente e invertidos con probabilidad p. Sea Xi = 1 si<br />
el i-ésimo bit está invertido y Xi = 0 de otra manera. Entonces<br />
{Xi,i = 1,2,...} es una secuencia independiente de Bernoulli(p).<br />
18
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo discreto<br />
1<br />
0.5<br />
0<br />
1<br />
0.5<br />
0<br />
1<br />
0.5<br />
0<br />
0 5 10 15 20 25<br />
0 5 10 15 20 25<br />
0 5 10 15 20 25<br />
19
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo discreto<br />
Ejemplo: Considere el amplificador de un radio-receptor. Todos <strong>los</strong><br />
amplificadores generan internamente ruido térmico. Entonces, aún<br />
si el radio no está recibiendo ninguna señal, el voltaje a la salida<br />
del amplificador no es cero. Este generalmente se se puede modela<br />
como una variable Gaussiana cada vez que se toma una medida.<br />
Suponga que medimos este voltaje cada segundo y denote la<br />
medida i-ésima como Zi.<br />
20
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo discreto<br />
2<br />
0<br />
−2<br />
2<br />
0<br />
−2<br />
2<br />
0<br />
−2<br />
5 10 15 20 25<br />
5 10 15 20 25<br />
5 10 15 20 25<br />
21
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo continuo<br />
Un proceso estocástico en tiempo continuo es una familia de<br />
variables aleatorias X(t,ζ) donde t es un rango de tiempo<br />
específico.<br />
Espacio muestral<br />
Ω<br />
Espacio muestral<br />
X(ζ) = x<br />
Variable aleatoria<br />
X(t,ζ)<br />
Proceso estocástico<br />
22
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo continuo<br />
El proceso estocástico significa que cada resultado ζ de un<br />
experimento se asigna una función del tiempo x(t).<br />
Ejemplo: La variable aleatoria definida por:<br />
X(t,ζ) = A(ζ)sinωt, t ≥ 0<br />
Cada resultado de ζ del experimento, dentro del espacio<br />
muestral Ω corresponde una función senosoidal con amplidud<br />
diferente.<br />
23
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo continuo<br />
X(t,ζ)<br />
1<br />
0.5<br />
0<br />
−0.5<br />
−1<br />
1<br />
2<br />
3<br />
ζ<br />
4<br />
5 0<br />
x(t,ζ)=x(t)<br />
0.5<br />
t<br />
1<br />
1.5<br />
2<br />
24
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo continuo<br />
x(t,ζ)<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
−0.2<br />
−0.4<br />
−0.6<br />
x(t 1 ,ζ)<br />
−0.8<br />
0 0.2 0.4 0.6 0.8 1<br />
t<br />
1.2 1.4 1.6 1.8 2<br />
25
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo continuo<br />
Ejemplo: Considerese el proceso estocástico definido por:<br />
X(t,ζ) = A(ζ)sinωt<br />
Siendo A(ζ) ∼ uniforme(−1,1). Hallar la función de densidad de<br />
X(t0,ζ).<br />
Ejemplo: Considerese el proceso estocástico definido por:<br />
X(t,θ) = cos(2πt + θ), −∞ < t < ∞<br />
En donde θ es una variable uniformemente distribuida en (0,2π).<br />
Hallar la función de densidad del proceso fX(x)<br />
26
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Definición de <strong>procesos</strong> <strong>estocásticos</strong><br />
Procesos en tiempo continuo (Movimiento Browniano o<br />
proceso de Wiener)<br />
Ejemplo: En 1827, Robert Brown observó que pequeñas partículas<br />
en un líquido se mueven continuamente y siguen caminos<br />
aleatorios. Los caminos posibles se denominan movimiento<br />
Browniano.<br />
27
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Para una variable aleatoria X, si se conoce la fdp se puede<br />
encontrar P[x ∈ B], E[g(X)] para cualquier conjunto B o<br />
función g. De igual manera para dos variables aleatorias.<br />
Kolmogorov mostró que un proceso estocástico X(t,ζ) es<br />
completamente caracterízado cuando se puede calcular:<br />
1 ≤ i < ∞ P[X(t1,ζ),X(t2,ζ),...,X(tn,ζ) ∈ B]<br />
para conjuntos B arbitrarios y tiempos diferentes t1,... ,tn.<br />
Esto no solo requiere estimar las funciones de densidad<br />
conjunta, también estimar fX1 (x1), fX1X2 (x1,x2),<br />
fX1X2X3 (x1,x2,x3).<br />
28
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Para un valor específico de t, X(t,ζ) es una variable aleatoria.<br />
Entonces la fdp del proceso depende del tiempo. Para dos instantes<br />
dados de tiempo t1 y t2:<br />
FX(x;t) = P[X(t) ≤ x], fX(x;t) = ∂F(x;t)<br />
∂x<br />
La funcion conjunta (de segundo orden) es entonces:<br />
F(x1,x2;t1,t2) = P[X(t1) ≤ x1,X(t2) ≤ x2]<br />
y la función de densidad:<br />
f (x1,x2;t1,t2) = ∂2 F(x1,x2;t1,t2)<br />
∂x1∂x2<br />
29
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Entonces, las marginales son:<br />
y la condicional:<br />
fx1,t1 =<br />
fx2,t2 =<br />
∞<br />
−∞<br />
∞<br />
−∞<br />
f (x1,t1|x2,t2) =<br />
f (x1,x2;t1,t2)dx2<br />
f (x1,x2;t1,t2)dx1<br />
f (x1,x2;t1,t2)<br />
f (x2;t2)<br />
Es muy díficil caracterizar un <strong>procesos</strong> estócastico con las<br />
funciones de densidad<br />
30
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Es muy común caracterizarlo mediante <strong>los</strong> momentos.<br />
Si X(t) es un proceso estocástico, entonces la función de<br />
media<br />
mX(t) = E[X(t)]<br />
Si X(t1,ζ) y X(t2) son dos variables aleatorias de un proceso<br />
X(t,ζ) entonces su correlación:<br />
RX(t1,t2) = E[X(t1)X(t2)]<br />
31
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Ejemplo: En un sistema de comunicaciones, la portadora en el<br />
receptor se modela como x(t) = cos(2πft + θ),<br />
θ ∼ uniforme(−π,π). Encontrar la función de media y la función<br />
de correlación de x(t).<br />
Ejemplo: Encontrar la función de correlación de:<br />
Xn = Z1 + ... + Zn, n = 1,2,...<br />
si <strong>los</strong> Zi tienen media 0 y no están correlacionados. La varianza de<br />
todas las variables es igual, i.e., σ 2 = var(Zi), ∀i<br />
32
<strong>Vectores</strong> <strong>Gaussianos</strong> e <strong>introducción</strong> a <strong>los</strong> <strong>procesos</strong> <strong>estocásticos</strong>.<br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Caracterización de <strong>procesos</strong> <strong>estocásticos</strong><br />
Ejemplo: Sea p y q dos variables aleatorias que satisfacen la<br />
ecuación diferencial de primer orden<br />
p dx<br />
dt<br />
Halle la función de densidad de x<br />
+ qx(t) = 0.<br />
Ejemplo: Considere el proceso estocástico X(t) de la forma<br />
X(t) = A cos(100t + φ), A ∼ N(0,1) y φ ∼ U(−π,π). Hallar<br />
E[X(t)] y RXX(t1,t2).<br />
33