Actividad 9, pág. 1 de 3 Procesos Estocásticos Un sistema que puede caracterizarse por estar en cualquiera de un conjunto de estados y puede cambiar o evolucionar de un estado a otro en el tiempo sujeto a una ley de movimiento. Si denotamos con Xt al estado del sistema en un tiempo t y si el sistema evoluciona de forma no deterministica, se dice que Xt es una variable aleatoria para cada valor de t, en donde una variable aleatoria es una regla que asigna a cada respuesta ω de un experimento un número X(ω) Por otro lado, se dice que X(t, ω) es un proceso estocástico de espacio discreto si sus valores son contables (variable aleatoria discreta) y en caso contrario, será un proceso estocástico de espacio continuo. Tal vez es evidente, pero vale la pena señalar que para un valor fijo t0 , X(t0 , ω) es una variable aleatoria pura, para un valor ω0 fijo, X(t, ω0 ) es una magnitud deterministica pura. Procesos Estocásticos Un proceso estocástico X(t) es una regla que asigna a cada evento ω una función Xt (ω) (o X(t, ω)). Ası́, un proceso estocástico es una familia de funciones que dependen del parámetro ω o en forma equivalente, una función de t y ω. El dominio de ω es el conjunto de todos los posibles resultados de un experimento y el dominio de t es un subconjunto R ⊆ IR de los números reales. Formalmente: Sea T ⊂ IR y sea (Ω, A, P ) un espacio de probabilidad (A es una σ−álgebra y P es una medida de probabilidad). La función Probability, Random Variables, and Stochastics Processes, Third Edition, Athanasios Papoulis, 1965, McGraw Hill, p.285. es un Proceso Estocástico si se tiene que: a) Xt = X(t, ·) : Ω → IR es una variable aleatoria para cada t ∈ T . b) Xω = X(·, ω) : T → IR es una realización o ruta muestral para cada ω ∈ Ω Si R es la recta real, Xt (ω) es un proceso en tiempo continuo. X : T × Ω → IR En la práctica, usualmente se dice que un proceso estocástico (PE) es una colección de variables aleatorias (v.a.) {Xt , t ≥ 0} definidas sobre un espacio de probabilidad común (Ω, A, P ). Conceptos básicos Evidentemente, se pueden revisar todos y cada uno de los conceptos que se revisaron en estadı́stica básica y probabilidad, es decir, conceptos como: Si R es contable - numerable, entonces Xt (ω) es un proceso en tiempo discreto; de modo que, se puede decir que Xt (ω) es una secuencia y se puede denotar por Xn (ω) o Xn . Distribución de probabilidad: para un t especı́fico, la función de distribución de la v.a.Xt está dada por FX (x, t) = P {Xt ≤ x} . Esta función dependen solamente de t y es igual a la probabilidad del evento {Xt ≤ x}. La función FX (x, t) se conoce como distribución de primer orden del PE Xt . Densidad de probabilidad: La derivada ∂FX (x, t) ∂x se conoce como densidad de primer orden del PE Xt . f (x, t) = Como es de esperarse, si un experimento se lleva a cabo un número n finito de veces y de ellas se observan n funciones Xn (ω), una en cada ensayo se denota con nt (x) al número de curvas en el tiempo t que no exceden el valor x, se concluye que Nota: Ambos gráficos representan una trayectoria muestral de un proceso estocástico. I9880 – Estadı́stica y Procesos Estocásticos – Ingenierı́a Robótica. Depto. de Cs. Computacionales, DIVEC, CUCEI, UdeG. FX (x, t) ' nt (x) . n Introducción a los Procesos Estocásticos Laura E. Cortés N. – Rubén Sánchez G. Actividad 9, pág. 2 de 3 Distribución de segundo orden: para dos realizaciones, la distribución conjunta FX (x1 , x2 ; t1 , t2 ) = P {Xt1 ≤ x1 , Xt2 ≤ x2 } de las variables Xt1 y Xt2 se conoce como distribución de segundo orden del PE Xt y la densidad correspondiente es igual a fX (x1 , x2 ; t1 , t2 ) = ∂FX (x1 , x2 ; t1 , t2 ) ∂x1 ∂x2 PE estacionario Un proceso estocástico es estacionario en sentido estricto si sus propiedades estadı́sticas son invariantes ante desplazamientos temporales, es decir, si para h ≥ 0 se tiene que p(Xt1 +h , . . . , Xtn +h ) = p(Xt1 , . . . , Xtn ) y será estacionario en sentido amplio si Media: la media η(t) de Xt es el valor esperado Z η(t) = EXt (ω) = xf (x, t)dx R Autocorrelación: R(t1 , t2 ) de Xt es el valor esperado Z Z R(t1 , t2 ) = E {Xt1 (ω)Xt2 (ω)} = x1 x2 f (x1 , x2 ; t1 , t2 )dx1 dx2 R R y el valor R(t1 , t2 ) sobre la diagonal t1 = t2 = t se conoce como potencia promedio de Xt E Xt2 (ω) = R(t, t) Correlación cruzada: En el caso de dos procesos Xt (ωx ), Yt (ωy ), la función ηt = Σt = EXt = m, E (Xt − ηt )2 = C(0), Vt,s = E {(Xt − ηt )(Xs − ηs )} = C(t − s). para todo s, t ∈ R. Se dice que un PE es de incrementos estacionarios si Xt+s − Xt tiene la misma distribución que Xs , para todo s, t ∈ R y será de incrementos independientes si para 0 ≤ t1 < t2 < · · · < tn , las v.a.’s Xt1 , Xt2 − Xt1 , . . . , Xtn − Xtn−1 son independientes. De forma análoga, dos procesos Xt y Yt son estacionarios en sentido estricto si la densidad conjunta de Xt , Yt es la misma que la de Xt+h y Yt+h . RXY (t1 , t2 ) = E[Xt1 Yt2 ] es la correlación cruzada. Autocovarianza: se representa con Cov(t1 , t2 ) o C(t1 , t2 ) y se define como C(t1 , t2 ) = R(t1 , t2 ) − η(t1 )η(t2 ) Objetivos: a) Que el alumno calcule caracterı́sticas básicas de procesos estocásticos. b) Que obtenga representaciones gráficas de procesos estocásticos. y su valor C(t, t) sobre la diagonal t1 = t2 = t es igual a la varianza de Xt . Covarianza cruzada: Para los procesos Xt (ωx ), Yt (ωy ), la función CXY (t1 , t2 ) = RXY (t1 , t2 ) − ηX (t1 )ηY (t2 ) se conoce como la correlación cruzada de Xt (ωx ) y Yt (ωy ). Los procesos Xt (ωx ), Yt (ωy ) son mutuamente ortogonales si RXY (t1 , t2 ) = 0 para todo t1 , t2 y serán no correlacionados si CXY (t1 , t2 ) = 0 para todo t1 , t2 . Reportes entregables: NOTA: Resuelva usando software [MatLab(octave) preferible] y entregue (por correo electrónico) sus respuestas en un archivo PDF (Portable Document Format) Fecha de entrega: Domingo 25 de octubre de 2015. La integral Zb s(ω) = a) Considere el proceso estocástico dado por Xt (ω)dt Xt = a + bt a del PE Xt es una v.a. y su valor s(ω) para un ω especı́fico corresponde al área bajo la curva Xt en el intervalo (a, b). Por linealidad (como integral de Riemann) se tiene que Zb ηs = E {s} = Zb E {Xt (ω)} dt = a η(t)dt a I9880 – Estadı́stica y Procesos Estocásticos – Ingenierı́a Robótica. Depto. de Cs. Computacionales, DIVEC, CUCEI, UdeG. en donde a ∼ Exp(5) es independiente de b ∼ Exp(7), para t ∈ IR+ . 1) ¿Qué tipo de PE es?, en tiempo contı́nuo, de estado discreto, ¿cómo se clasifica? 2) Calcule η(t), R(t1 , t2 ) y C(t1 , t2 ). 3) Tiene incrementos independientes 4) Tiene incrementos estacionarios. 5) Obtenga una representación gráfica de una realización de Xt . Introducción a los Procesos Estocásticos Laura E. Cortés N. – Rubén Sánchez G. Actividad 9, pág. 3 de 3 b) Sea ω una v.a.discreta, distribuida como se muestra en la siguiente tabla. w −1 0 1 p(ω = x) 0.3 0.4 0.3 y sea {Xn : n = 0, 1, . . .} el proceso estocástico dado por Xn+1 = Xn + ω con X0 = 0.1) Escriba la clasificación de este PE.2) Dibuje tres trayectorias del proceso para n = 15. 3) Calcule η(t), R(t1 , t2 ) y C(t1 , t2 ). 4) Tiene incrementos independientes 5) Tiene incrementos estacionarios. c) Sea {Xn : n = 0, 1, . . .} una caminata aleatoria simple sobre el conjunto de números enteros Z que evoluciona de acuerdo a la siguiente regla p si j = i + 1, P (Xn+1 = j|Xn = i) = q si j = i − 1, 0 en otro caso. 1) ¿Qué tipo de PE es? 2) Obtenga una representación gráfica para n = 10 y p = 0.11, sabiendo que p + q = 1. 3) Calcule EXn para n ≥ 0. 4) Calcule V ar(Xn ) para n ≥ 0 d) Considere el PE normal Xt con η(t) = 7 y t2 −t1 C(t1 , t2 ) = 3e− /5 1) Obtenga X3 .5 2) Calcule p(|X1 0 − X3 .5|) 3) Obtenga la representación gráfica de una trayectora. 4) Grafique la densidad de probailidad de X3 . 5) Tiene incrementos independientes. Bibliografı́a [1] Papoulis, A. & Pillai, S. U. (2002) Probability, Random Variables and Stochastic Processes, McGraw−Hill, Inc. [2] Kannan, D. (1979) An introduction to stochastic processes, Elsevier North Holland, Inc. I9880 – Estadı́stica y Procesos Estocásticos – Ingenierı́a Robótica. Depto. de Cs. Computacionales, DIVEC, CUCEI, UdeG. Introducción a los Procesos Estocásticos Laura E. Cortés N. – Rubén Sánchez G.