Tema8-Procesos Estocasticos

Tema 8. Pgina 1 de 49 Prof. J.
Lumbreras
Referencias:
Captulo 8 de Introduccin a los Sistemas de Comunicacin. Stremler, C.G. (1993)
Apuntes de la Universidad de Vigo (pgina Web)
TEMA 8. PROCESOS ESTOCSTICOS
Aplicar los conceptos de vectores aleatorios a la teora de la seal
Entender el concepto de proceso estocstico
Interpretar y calcular los estadsticos de los procesos estocsticos:
esperanza, autocovarianza y autocorrelacin
Interpretar y comprobar la estacionariedad de los procesos estocsticos
Interpretar y determinar si un proceso es ergdico
Saber calcular probabilidades en procesos estocsticos formados a
travs de distribuciones estudiadas en los temas anteriores
Objetivos:
Tema 8. Pgina 2 de 49 Prof. J. Lumbreras
Esquema del tema
8.1 Introduccin. Concepto de proceso estocstico.

8.2 Estadsticos de un proceso estocstico

8.3 Estacionariedad de un proceso estocstico

8.4 Ergodicidad de un proceso estocstico

8.5 Ejemplos
8.1. INTRODUCCIN
En los temas 1-6 hemos estudiado procesos que no varan con el tiempo
o slo dependen de una variable.

Por ejemplo, estudiamos el nmero de llamadas que se producen en una
central telefnica.

Y, si definimos X como el nmero de llamadas que se reciben en una
hora, podemos decir que X sigue una distribucin de Poisson de media
Pero, qu pasa si queremos definir ahora otra variable que corresponda
al nmero de llamadas recibidas en la misma centralita durante todo el
da de trabajo (8 horas)?
Podramos definir una nueva X, variable que seguira una distribucin de
Poisson, definida como nmero de llamadas recibidas en la centralita
durante 8 horas, con una nueva que sera igual a 8.
8.1. INTRODUCCIN
Y las representaciones seran (si =2, por ejemplo):
=2
=16
Definicin
As, para cada tiempo que fijemos tendramos una variable aleatoria.
Entonces, se define una familia de variables aleatorias que dependen
de una variable determinista. En este caso el tiempo
8.1. INTRODUCCIN
PROCESO ESTOCSTICO
Se define el proceso estocstico X(t) como el nmero de llamadas
que se producen en la centralita en el tiempo (0,t)
As, para cada valor de t que se elija, tendremos una variable aleatoria
distinta, con forma similar pero distinto valor.
En los temas anteriores definimos X(x), en este caso X()
Ahora debemos representar X(x,t), en este caso, X(,t).
En general, diremos X(t) igual que antes llambamos X y no X()
8.1. INTRODUCCIN
Ejemplos
En los sistemas de comunicaciones aparecen seales aleatorias como:

- La seal de informacin, tiene pulsos de voz de duracin
aleatoria y posicin aleatoria

- una interferencia en el canal que es debida a la presencia
cercana de otros sistemas de comunicaciones o

- el ruido en un receptor es debido al ruido trmico en resistencias
y componentes del receptor.
As, la seal recibida va ser una seal con varias componentes aleatorias.
Aunque no es posible describir este tipo de seales con una expresin
matemtica, se pueden utilizar sus propiedades estadsticas
Son seales aleatorias en el sentido de que antes de realizar el
experimento no es posible describir su forma exacta
Proceso estocstico
8.1. INTRODUCCIN
Es una funcin de dos variables, t y x, una determinista y otra aleatoria
a) X(x,t) es una familia de funciones temporales
b) Si se fija x, tenemos una funcin temporal X(t) llamada realizacin
del proceso
c) Si se fija t, tenemos una Variable Aleatoria
d) Si se fijan t y x, tenemos un nmero real o complejo (muy normal
en teora de la seal)
Espacio de tiempos, T
8.1. INTRODUCCIN
Conjunto de los posibles valores del tiempo que puede tomar el proceso
estocstico
Espacio de estados, S
Conjunto de los posibles valores del proceso estocstico (resultado
numrico, real o complejo)
T
Discreto
S
Continuo
Discreto
Continuo
Proceso discreto en el tiempo
Proceso continuo en el tiempo
Proceso discreto en el espacio de estados
Proceso continuo en el espacio de estados
Ejemplo 1
8.1. INTRODUCCIN
Distintas realizaciones del proceso X(t) = Ncos((2/24)t+) siendo N y
VA con distribuciones P(10) y U(0,2) respectivamente.
8.1. INTRODUCCIN
En general:
Ejemplo 2
8.1. INTRODUCCIN
Caracterizar la continuidad del nmero de llamadas que llegan a la
centralita.
Es continuo en el tiempo, porque puede tomar cualquier valor real:
t =1 hora
t =1,67 horas
t = 8 horas
t = 35 horas, etc.
Es discreto en el espacio de estados
X(, t=t
0
) es siempre un nmero entero
Ejemplo 3
El tiempo que un ordenador tarda en ejecutar una tarea es una VA Y~
Exp(). Para hacer un estudio de la evolucin temporal del sistema se
construye el proceso estocstico X(t) definido como el tiempo que resta
para completar la tarea sabiendo que ya ha consumido t minutos.
Dibujar una realizacin del proceso y especificar los espacios T y S
Funcin de distribucin
8.1. INTRODUCCIN
Dado un proceso estocstico cualquiera, si fijamos un tiempo t=t
0

tendremos una V.A. X(t
0
) que tendr una funcin de distribucin
asociada.
Si, para el mismo proceso, fijamos otro instante t=t
1
tendremos
otra VA, en principio, distinta a la anterior, con una funcin de
distribucin diferente.
Se define la funcin de distribucin de primer orden del
proceso X(t) como
) ) ( ( ) , ( x t X P t x F
X
s =
Y, por tanto, se tiene tambin la
funcin de densidad de primer
orden derivando la funcin de
distribucin respecto a x
dx
t x dF
t x f
X
) , (
) , ( =
Funcin de distribucin de segundo orden
8.1. INTRODUCCIN
De igual modo:
Se define la funcin de distribucin de segundo orden
del proceso X(t) como
Y, se puede obtener la funcin de densidad de segundo
orden derivando la funcin de distribucin parcialmente
respecto a x
1
y a x
2

) ) ( ) ( ( ) , , , (
2 2 1 1 2 1 2 1
x t X x t X P t t x x F s s =
2 1
2 1 2 1
2
2 1 2 1
) , , , (
) , , , (
x x
t t x x F
t t x x f
c c
c
=
Aplicacin de la funcin de distribucin y funcin de densidad
8.1. INTRODUCCIN
Realizacin
de un
proceso
continuo en
el tiempo
con funcin
de
densidad
de primer
orden
gaussiana
Esquema del tema




8.5 Ejemplos
ESTADSTICOS DE UN PROCESO ESTOCSTICO
Media
La media de un proceso estocstico corresponde a:

En el caso real: | |
}
+

= = dx t x f x t t X E
x
) , ( ) ( ) (
En el caso complejo:
| | | | | | ) ( ) ( ) ( t Y E j t X E t Z E + =
Caracterstica:

Para cada t, se tiene una VA distinta una media distinta
La media es, en general, una funcin dependiente del tiempo
Se puede entender grficamente como el centro de gravedad de la
funcin densidad de probabilidad
Ejemplo 3
Considerar la oscilacin aleatoria X(t) = cos (2ft + B), donde f es una
constante real, es una variable aleatoria uniforme en [ /2, /2], y B es una
variable aleatoria discreta, independente de , tal que P(B=0)=p y P(B=1)=q.
Definir y calcular la esperanza de la variable aleatoria X(t).
Para cada t, cos (2ft+) es una variable aleatoria funcin de . Podemos
escribir:
( ) t f q p t
x

|
.
|
\
|
+ = t
t
2 cos
2
) (
Problema PE-1
Un transmisor enva pulsos rectangulares de altura y posicin
aleatorias. Cada pulso transmitido corresponde a una realizacin del
proceso estocstico
X(t) = Vh(t T), t > 0,
Donde l altura V del pulso es una variable aleatoria uniforme en [0,v
0
], y
T es una variable aleatoria exponencial de parmetro , independiente
de V, y la funcin determinista h(t) es
en el resto
Calcular la funcin valor medio del proceso estocstico X(t)
Varianza
Recordamos:
La media de un proceso estocstico corresponde a:

En el caso real: | | ( )
}
+

= = dx t x f t x t t X Var
x x
) , ( ) ( ) ( ) (
2
2
o
| | | | | | | |
2
2
2
2 2
) ( ) ( ) ( ) ( ) ( t t X E t X E t X E t
x x
o = =
En el caso de que la media del proceso estocstico sea siempre cero, la
varianza y el valor cuadrtico medio coincidiran.
Correlacin
O esperanza del producto de Variables Aleatorias como funcin de dos
variables temporales t
k
y t
i
dada por:
En el caso de que t
k
= t
i
se tiene el valor cuadrtico medio del
proceso estocstico que es una funcin de una variable temporal:
| |
1 2 1 2 1 2 1 2 1 2 1 2
( , ) ( ) ( ) ( , ; )
X
R t t E X t X t x x f x x t t x x
+ +

= = c c
} }
2 2
( ) ( ) ( ; )
X
R t E X t x f x t x
+
(
= = c
}
Potencia del proceso
Covarianza
Covarianza del proceso X(t) como una funcin de dos variables
temporales t
k
y t
i
dada por:
En el caso de que t
k
= t
i
se tiene la varianza del proceso estocstico
( ) ( ) | |
( ) ( )
} }
+

+

=
= =
dxdy y x f t y t x
t t X t t X E t t C
i
t X
k
t X
i x k x
i x i k x k i k x
) , ( ) ( ) (
) ( ) ( ) ( ) ( ) , (
) ( ), (

De las definiciones de correlacin y covarianza, se puede obtener:
) ( ) ( ) , ( ) , (
i x k x i k X i k x
t t t t R t t C =
En el caso de que la media del proceso estocstico sea siempre cero,
la funcin de correlacin y la de covarianza coincidiran.
Matriz de Correlacin de dos procesos
Todas las propiedades de correlacin se pueden colocar de forma
matricial segn una matriz de funciones de dos dimensiones temporales.
En el caso de que t=u la matriz de correlacin tiene la expresin siguiente,
siendo una matriz de funciones de una variable temporal y simtrica.
Ejemplo 4
Si X(t) representa un proceso estocstico de media
x
(t) = 3 y funcin de
correlacin R
X
(t
1
, t
2
) = 9 + 4
e0,2|t1t2|
. Calcular la esperanza, la varianza y
la covariancia de las variables aleatorias Z = X(5) y T = X(8).
1) Esperanzas
E(Z) = E(X(5)) =
x
(5) = 3
E(T ) = E(X(8)) =
x
(8) = 3
2) Varianzas
E(Z
2
) = E(X(5)X(5)) = R
X
(5,5) = 13
E(T
2
) = E(X(8)X(8)) = R
X
(8,8) = 13
Var(Z) = E(Z
2
) (E(Z))
2
= 4
Var(T) = E(T
2
) (E(T))
2
= 4
3) Covarianzas
E(ZT) = E(X(5)X(8)) = R
X(
5, 8) = 9+4e
0.6

Cov(Z,T) = E(ZT) E(Z)E(T ) = 4e
0.6
O tambin como, Cov (Z,T) = K
X
(5, 8) = R
X
(5, 8)
x
(5)
x
(8) = 4e
0.6

Independencia
Dos procesos X(t) e Y(t) son independientes si su funcin de densidad
conjunta de cualquier orden se puede descomponer como el producto de
dos funciones de densidad marginales, una conteniendo trminos slo
dependientes del proceso X(t) y la otra dependientes de Y(t).
Incorrelacin
Dos procesos X(t) e Y(t) son incorrelados si C
XY
(t
i
, t
k
) = 0 para cualquier
valor de t
i
y t
k
.
| | | | | | ) ( ) ( ) ( ) ( t Y E t X E t Y t X E =
) ( ) ( ) , (
i x k x i k X
t t t t R =
Ortogonalidad
Dos procesos X(t) e Y(t) son ortogonales si
R
XY
(t
i
, t
k
)=0 para cualquier valor de t
i
y t
k
.
) ( ) ( ) , (
i x k x i k x
t t t t C =
Problema PE-2
Calcular la funcin de correlacin del proceso X(t) = Acos (2ft+),
donde A y son variables aleatorias independientes, siendo una
variable aleatoria uniforme en [ , ], y A exponencial de parmetro .
Problema PE-3. Septiembre 2004
El tiempo que un ordenador tarda en ejecutar una tarea es una v.a. Y ~
Exp(). Para hacer un estudio de la evolucin temporal del sistema se
construye el proceso estocstico X(t) definido como el tiempo que resta
para completar la tarea sabiendo que ya ha consumido t minutos.

a) Determina E[X(t)], Var[X(t)], E[X(t)
2
].
b) Indica si cada una de las funciones del aparatado anterior depende
del tiempo e interpreta el resultado.
Esquema del tema




8.5 Ejemplos
ESTACIONARIEDAD DE UN PROCESO ESTOCSTICO
Cuando utilizamos un modelo estocstico, generalmente vamos a estar
interesados en predecir el comportamiento del proceso en el futuro y para
ello nos basamos en la historia del proceso. Estas predicciones no sern
correctas a menos que las condiciones futuras sean anlogas a las
pasadas

El mecanismo fsico que genera el experimento no cambia con el tiempo
Un proceso estocstico es estacionario si sus propiedades estadsticas
son invariantes ante una traslacin del tiempo
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
tiempo
0
5
10
15
20
25
x2
x1
Ejemplo
El nmero de llamadas que llegan a una centralita hasta el instante t

El nmero medio de
llamadas no es
constante, depende
de t

No estacionario
Ejemplo
Distintas realizaciones del proceso X(t) = Ncos((2/24)t+) siendo N y
VA con distribuciones P(10) y U(0,2) respectivamente.

La media del proceso se mantiene constante puede ser
estacionario
Estacionariedad (en sentido estricto)
Un proceso X(t) es estacionario en sentido estricto si la funcin
de densidad de densidad conjunta, de cualesquiera de sus n v.a.
medidas en instantes t
1
,,t
n,
permanece constante cuando
transcurre cualquier intervalo de tiempo c

Esta es una condicin muy fuerte ya que implicara estudiar
infinitas funciones de densidad conjunta

Estacionariedad en sentido dbil
1 1 1 1
( ,.... ; ,..., ) ( ,.... ; ,..., )
n n n n
f x x t t f x x t t c c = + +
Estacionariedad (en sentido dbil)
Un proceso X(t) es dbilmente estacionario si:

Propiedades:
La potencia no depende de t
ya que

ya que
| |
1 2 2 1
( ) (independiente del tiempo)
( , ) ( ) (depende solo de la distancia
entre los tiempos considerados)
X X
E X t
R t t R t t
t t
=
= =
2
( ) E X t (

2
( ) (0)
X
E X t R ( =

( ) ( )
X X
R R t t =
| | | |
( ) ( ) ( ) ( ) ( ) ( )
X X
R E X t X t E X t X t R t t t t = = =
Estacionariedad (en sentido dbil)
Un proceso X(t) es dbilmente estacionario si:

Propiedades:
Estacionario en sentido estricto dbil

Si el proceso es gaussiano: estricto = dbil

| |
1 2 2 1
( ) (independiente del tiempo)
( , ) ( ) (depende solo de la distancia
entre los tiempos considerados)
X X
E X t
R t t R t t
t t
=
= =
Ejemplo 5
Distintas realizaciones del proceso X(t) = Acos((2/24)t+) siendo A
constante y una VA con distribucin U(-, ).
Es X(t) dbilmente estacionario?
0 20 40 60
tiempo
-
1
0
-
5
0
5
1
0
Ejemplo 5

Utilizando:
| | | |
1
( ) cos((2 / 24) ) cos((2 / 24) ) 0
2
E X t AE t A t d
t
t
t | t | |
t
= + = + =
}
| | | |
( , ) ( ) ( ) cos((2 / 24) )cos((2 / 24)( ) )
X
R t t E X t X t E t t t t t | t t | + = + = + + +
cos( ) cos( ) cos( ) sen( )sen( )

2cos( ) cos( ) cos( ) cos( )
o | o | o |
o | o | o |
=
= + +
Ejemplo 5

dbilmente estacionario
| | | |
1
( ) cos((2 / 24) ) cos((2 / 24) ) 0
2
E X t AE t A t d
t
t
t | t | |
t
= + = + =
}
| | | |
| |
( , ) ( ) ( ) cos((2 / 24) ) cos((2 / 24)( ) )
1
cos((2 / 24)(2 ) 2 ) cos((2 / 24) )
2
1
cos((2 / 24) )
2
X
R t t E X t X t E t t
E t
t t t | t t |
t t | t t
t t
+ = + = + + +
= + + +
=
2cos( ) cos( ) cos( ) cos( ) o | o | o | = + +
Problema PE-4
Sea U una VA uniforme en [0,1], a partir de ella se construye el proceso
X(t)=exp(-Ut)

a) Para cada valor de t, determina el rango de X(t)
b) Calcula E[X(t)] y R
x
(t
1
,t
2
)
c) Estudia la estacionariedad en sentido amplio

Si X e Y son VA normales, independientes, comedia 0 y varianza 1, se
define el proceso Z(t)=Xcos(2tt)+Ysin(2tt)

a) Determinar la funcin de probabilidad conjunta de Z(t
1
) y Z(t
2
)
b) Calcula la media y la autocovarianza del proceso Z(t)
c) Estudia la estacionariedad en sentido dbil y estricto
Problema PE-5 Febrero 2003
Esquema del tema




8.5 Ejemplos
En muchas ocasiones, slo disponemos de una realizacin del proceso
(es decir, disponemos de una funcin temporal), en este caso, para
conocer el proceso calculamos sus promedios temporales

Sea X(t) un proceso estacionario, definimos la media temporal o valor
medio en el tiempo como:

La autocorrelacin temporal se define como:

Ambas son VA ya que toman valores distintos para cada realizacin del
proceso
ERGODICIDAD DE UN PROCESO ESTOCSTICO
1
lim ( ) lim
2
T
X T T T
T
M X t dt
T

= =
}
1
lim ( ) ( )
2
T
X T
T
A X t X t dt
T
t

= +
}
Diremos que un proceso es ergdico si sus promedios estadsticos
coinciden con los temporales slo necesitamos una realizacin del
proceso para conocer los promedios estadsticos

Ergodicidad en media : Dado que la media temporal
T
no depende del
tiempo, para que un proceso sea ergdico en media, es necesario que la
media del proceso
X
sea constante, esto se cumple si el proceso es
estacionario

Ejemplo 6
Sea A una VA N(0,1), definimos el proceso X(t)=A. Es ergdico en
media?

No es ergdico en media
| |
0
1
0
2
X
T
T
T
E A
A t A
T

= =
= c = =
}
Ergodicidad en autocorrelacin : Sea . Si
construimos el proceso , entonces , por lo
tanto es ergdico en autocorrelacin si es ergdico en media

Ejemplo 7
Sea considera el proceso X(t)=acos(wt)+bcos(wt), donde a y b son dos
VA independientes uniformemente distribuidas en [-1,1], estudiar la
ergodicidad en media y autocorrelacin.

| | | |
cos( ) sin 0 0 0
1 sin( )
( cos( ) sin ) lim 0
2
X
T
T T T
T
E a wt E b wt
wT
a wt b wt t
T wT
= + = + =
= + c = =
}
| |
( ) ( ) ( )
X
R E X t X t t t = +
( ) ( ) ( ) Z t X t X t
t
t = +
| |
( ) ( )
X
E Z t R
t
t =
( ) Z t
t
( ) X t
| |
1
( ) ( ) ( ) cos( )
3
1
( ) ( )
2
X
T
T
R E X t X t w
X t X t t
T
t t t
t
= + =
+ c
}
sin( ) cos( )sin( ) sin( )cos( ) o | o | o | =
Ergdico en media
Ergodicidad en autocorrelacin : Sea . Si
construimos el proceso , entonces , por lo
tanto es ergdico en autocorrelacin si es ergdico en media

Ejemplo 7
Sea considera el proceso X(t)=acos(wt)+bcos(wt), donde a y b son dos
VA independientes uniformemente distribuidas en [-1,1], estudiar la
ergodicidad en media y autocorrelacin.

| | | |
cos( ) sin 0 0 0
1 sin( )
( cos( ) sin ) lim 0
2
X
T
T T T
T
E a wt E b wt
wT
a wt b wt t
T wT
= + = + =
= + c = =
}
| |
( ) ( ) ( )
X
R E X t X t t t = +
( ) ( ) ( ) Z t X t X t
t
t = +
| |
( ) ( )
X
E Z t R
t
t =
( ) Z t
t
( ) X t
| |
2 2
1
( ) ( ) ( ) cos( )
3
1 1
lim ( ) ( ) ( ) cos( )
2 2
X
T
T
T
R E X t X t w
X t X t t a b w
T
t t t
t t

= + =
+ c = +
}
No es ergdico en
autocorrelacin
Esquema del tema




8.5 Ejemplos
Proceso de Poisson
Es un proceso de tiempo continuo y estado discreto.

X(t)= nmero de sucesos en [0,t]
X(t)~P(t)
X
=t
C
x
(t
1
,t
2
)=min{t
1
,t
2
}

Ruido = seales indeseables que constituyen una interferencia en un
sistema de comunicaciones. Hay dos tipos de ruido: el ruido externo al
sistema (atmosfrico) ruido interno al sistema (fluctuaciones aleatorias
debidas a dispositivos). Generalmente se representan las interferencias
mediante un ruido blanco

Ruido blanco: Un proceso es un ruido blanco si las variables X(t
1
), X(t
2
)
estn incorreladas para todo t.
Si las variables son gaussianas incorreladas = independientes
EJEMPLOS
Ruido
Procesos Gaussianos
Diremos que un proceso es gaussiano, si cualquier coleccin de VA del
proceso tiene distribucin conjunta gaussiana
El proceso est totalmente descrito si conocemos su funcin media y su
autocovarianza (o autocorrelacin)

Estacionariedad en sentido dbil = estacionariedad en sentido estricto
Un proceso es independiente C(t
i
,t
j
)=0

Sean X e Y dos VA normales con media 0 y
varianza Y, se define el proceso gaussiano:
Z(t)=Xcos(2tt)+Ysin(2tt)
EJEMPLOS
Ejercicio (Feb 2003)
-3 -2 -1 0 1 2 3
tiempo
-
2
-
1
0
1
2
x
1
Procesos Autorregresivos
Un proceso autorregresivo tiene la siguiente forma:

EJEMPLOS
2
( ) ( 1) ~ (0, )
t t
X t c X t N o c c o = + +
| | | |
2 2
2 2
( ) Var X(t) ( )
1 1 1
X
c
E X t R
t
o o o
t
o o o
= = =

0 20 40 60 80 100
-
4
-
2
0
2 o=0.7
0 20 40 60 80 100
-
3
-
2
-
1
0
1
2
3
o0.5
Examen de Febrero de 2004
PROBLEMAS
Una mancha de fuel debida a
un vertido se encuentra en la
situacin mostrada en la
figura. El avance diario de la
mancha en direccin Este
viene caracterizado por una
Normal con media 20 km y
desviacin tpica 5 km,
mientras que el avance diario
en direccin Sur viene
caracterizado por una Normal
con media 26 km y
desviacin tpica 10 km.
a) Cul es la probabilidad de que al cabo de tres das la mancha haya
alcanzado la costa A?
PROBLEMAS
Si tomamos la v.a.
bidimensional normal
formada por los avances en
ambas direcciones y con
coeficiente de correlacin ,
Considerando = 0,
a) cul es la probabilidad de
que en un da la mancha
haya llegado a la zona de
emergencia de las dos
costas?
b) Considerando = 0,25,
cul es la probabilidad de
que en un da la mancha est
ms cerca de la costa A que
de la costa B?

Examen de Septiembre de 2003
PROBLEMAS
Una compaa fabrica miras telescpicas cuya desviacin del
objetivo en mm se mide a travs de dos VAs (X, Y ) con

que indican las dos coordenadas en el plano (y el objetivo es el punto (0,0)). El ejrcito
considera rechazable cualquier mira que no pasa la siguiente prueba: se efectan tres
disparos independientes y si alguno se desva del objetivo en valor absoluto en ms
de 1mm en cualquiera de las dos coordenadas, se considera que es una mira
defectuosa.
a) Calcula la probabilidad de que el ejrcito considere defectuosa una mira.
b) El proveedor vende al ejrcito cajas de 20 miras. El ejrcito considera rechazable
cualquier caja con ms de dos miras defectuosas. Calcula la probabilidad de que el
ejrcito considere defectuosa una caja.
c) En otro experimento donde se hicieron 20 disparos de forma independiente con una
mira se obtuvo que la desviacin horizontal media fue de 0,1 y su desviacin tpica 0.6
Se puede concluir que esta mira estaba bien calibrada (es decir su desviacin
esperada es nula)?
Examen de Septiembre de 2004
PROBLEMAS
El porcentaje de batera recargada por un cargador (X) sigue aproximadamente una
distribucin normal, de la cual se sabe que la probabilidad de recargar ms del 95%
es 0,5 y la probabilidad de recargar menos del 90% es 0,015.
a) Calcular los parmetros de la distribucin de la variable X.
b) Si una batera se carga menos del 95 %, se enciende la luz roja. Tras cargar 500
bateras, cul es el numero de veces que se espera que se encienda la luz roja?
Cul es la probabilidad de que en ms de la cuarta parte de las cargas se
encienda la luz?
c) Se utiliza otro cargador para recargar un tipo de bateras diferente del anterior y
se mide de nuevo el porcentaje de recarga (Y ). Se sabe que este sigue una
distribucin normal de media 95% y desviacin tpica 3%. Qu distribucin sigue
(X+Y)/2 ?

Tema8-Procesos Estocasticos

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Tema8-Procesos Estocasticos

Hochgeladen von

Copyright:

Verfügbare Formate

Tema 8. Pgina 1 de 49 Prof. J.

Das könnte Ihnen auch gefallen