GRADO en INGENIERIA de TELECOMUNICACION

(Sistemas de comunicaciones, audiovisuales y telemática)

ESTADISTICA
2008-2009
PRACTICA 5. PROCESOS ESTOCÁSTICOS

OBJETIVOS: Simular en MATLAB/Octave procesos estocásticos sencillos.

1. Proceso de Bernoulli
Sea X(t) un proceso estocástico de Bernoulli definido por

+1 con probabilidad p
Xt =
−1 con probabilidad q = 1 − p
a) Crea una función en MATLAB/Octave para generar un proceso de Bernoulli con probabilidad
p. Y representa gráficamente el proceso.

% creamos la función bernoulli.m

function x = bernoulli(p,T)

u=rand(T,1); % generamos una uniforme (0,1)

x= 1*(u<=p) + (-1)*(u>p); % mediante la condición booleana

% obtenemos +1 con probabilidad p y
% -1 con probabilidad 1-p

stairs(cumsum(x)); % cumsum calcula la suma acumulada

% representamos el proceso con el
% comando stairs

La función bernouilli.m genera un proceso de Bernoulli X(t), t = 1, ..., T con

probabilidad p, a partir de una uniforme discreta, X(t) ∼ Ud (−1, 1). En el command
window:
10

>> p=0.5; 6

>> T=100; 4

>> x=bernoulli(p,T) 2

-2

-4
0 10 20 30 40 50 60 70 80 90 100

Grado en Ing. de Telecomunicación - Estadı́stica (2008-2009), PRÁCTICA 5. PROCESOS ESTOCÁSTICOS 1

 b) Genera otro proceso X(t) con probabilidad p = 1/4 y observa las diferencias con respecto al
proceso anterior.

10

p=0.5

>> x1=bernouilli(0.5,100) -10

p=0.25

>> hold on -20

>> x2=bernouilli(0.25,100) -30

>> hold off -40

-50

-60
0 10 20 30 40 50 60 70 80 90 100

2. Proceso de Poisson
El proceso de Poisson mide el número de sucesos en el intervalo [0, t), por tanto

X(t) = “Número de sucesos hasta el instante t” ∼ Poiss(λt)

Genera en MATLAB/Octave una función que simule un proceso de Poisson y en la que los
tiempos entre sucesos se generen mediante una variable aleatoria exponencial:

% Creamos la función poisson.m que genera un proceso de Poisson

% donde lambda es la tasa de llegadas

function X = poisson(lambda,Tmax)

X(1)=exprnd(1/lambda); % generamos el tiempo del 1er suceso

i=1;
while X(i) < Tmax; % en el bucle while acumulamos los sucesos
% que se van produciendo a lo largo del
% intervalo [0,Tmax)

X(i+1)=X(i)+exprnd(1/lambda);
i=i+1;
end
X(i)=Tmax;

% Representamos gráficamente el proceso y la tasa de llegadas

subplot(1,2,1)
stairs(X(1:i), 0:(i-1)); title(’Proceso de Poisson’)
subplot(1,2,2)
plot(X(1:(i-1)),zeros(i-1),’.’);title(’Llegadas exponenciales’)

Grado en Ing. de Telecomunicación - Estadı́stica (2008-2009), PRÁCTICA 5. PROCESOS ESTOCÁSTICOS 2

 En el command window:

>> lambda=0.01;
>> Tmax=100;
>> x=poisson(lambda,Tmax)

Proceso de Poisson Llegadas exponenciales

12 1

0.8

10
0.6

0.4
8

0.2

6 0

-0.2

4
-0.4

-0.6
2

-0.8

0 -1
0 20 40 60 80 100 0 20 40 60 80 100

Esta figura muestra que se están produciendo los sucesos en la proporción esperada (tal
y como generamos el tiempo entre sucesos como una exponencial con media λ1 = 100, es
decir, 1 suceso por cada 100 unidades de tiempo). Por definición un proceso de Poisson
es una función no decreciente, lo cual explica la tendencia lineal creciente. La figura de
la derecha muestra los sucesos o llegadas (indicados por puntos) que han ocurrido en el
intervalo de tiempo. El valor esperado en cada instante es de E[X(t)] = λt.

3. Proceso Armónico de amplitud aleatoria

Dado el proceso estocástico determinado por:

X(t) = A · cos(tω)
 π π
con ω ∈ 10 , 5 , donde A ∼ Ud{1, 2, ..., 6}. NOTA: ω es un parámetro de frecuencia y A una
variable aleatoria uniforme discreta.
Genera en MATLAB/Octave el proceso estocástico X(t) con ω = π/10 y ω = π/5.

Grado en Ing. de Telecomunicación - Estadı́stica (2008-2009), PRÁCTICA 5. PROCESOS ESTOCÁSTICOS 3

 Generamos A ∼ Ud{1, 2, ..., 6}

>> u = rand(1,1)
>> A = 1 + floor(u*6)

Otra manera alternativa para generar A es mediante la función unidrnd:

>> A=unidrnd(6)
π
Finalmente, generamos X(t) para un parámetro de frecuencia, ω = 10

>> t = 1:150
>> X = A * cos(t’ * pi/10)

Representamos gráficamente el proceso X(t)

>> plot(X)
4

-1

-2

-3

-4
0 50 100 150

π
Para representar el proceso X(t) el mismo A y para un ω = 5 y compararlo con el
anterior:

>> XX = A * cos(t’ * pi/5)

>> hold on
>> plot(XX, ’g’)
>> hold off

3 w = pi/10

2
w = pi/5

-1

-2

-3

-4
0 50 100 150

Grado en Ing. de Telecomunicación - Estadı́stica (2008-2009), PRÁCTICA 5. PROCESOS ESTOCÁSTICOS 4

4. Proceso Gaussiano Autorregressivo de orden 1: AR(1)
Generar T = 150 valores de un proceso autorregresivo de orden 1, AR(1)

xt = αxt−1 + Et

donde Et ∼ N (0, 1) independientes y α el parámetro autorregresivo.

Comenzamos con un parámetro α = 0,8. Inicializamos el primer valor x1 = E1

>> E = randn(150,1);
>> x = zeros(150,1);
>> x(1)= E(1);
>> alpha = 0.8;
>> for i = 2:150
x(i) = alpha*x(i-1) + E(i);
end

Otra forma de generar el proceso AR(1), serı́a generar una serie larga y quedándonos
con las últimas 150 observaciones, para evitar comenzar con un valor concreto x1 =
E1

>> e = randn(300,1);
>> x = zeros(300,1):
>> x(1)= e(1);
>> alpha = 0.8;
>> for i = 2:300
x(i) = alpha*x(i-1) + e(i);
end
>> x = x(151:300);

-1

-2

-3

-4
0 50 100 150

Grado en Ing. de Telecomunicación - Estadı́stica (2008-2009), PRÁCTICA 5. PROCESOS ESTOCÁSTICOS 5

5. Ejercicios Propuestos
5.1. Paseos aleatorios
Un paseo aleatorio es un proceso estocástico discreto Y (n) que viene dado por la suma de n
variables aleatorias independientes idénticamente distribuidas (v.a.i.i.d), es decir
n
X
Y (n) = X1 + ... + Xn = X (i)
i=1

Un ejemplo de paseo aleatorio es aquel en el que las Xn ∼ Ber {−1, +1} donde Xn toma el
valor +1 con probabilidad p y el valor −1 con probabilidad 1 − p.

a) Determinar teóricamente la media y la varianza del proceso Y (n) .

b) ¿Se mantienen constantes la media y la varianza del proceso Y (n)?

c) Generar con MATLAB tres realizaciones (superponiendo gráficos) de un proceso de Bernoulli

con p = 1/2 con n = 1000 ¿Es coherente con el apartado b)?

d) Generar con MATLAB tres realizaciones (superponiendo gráficos) de un proceso de Bernoulli

con p = 1/4 con n = 1000 ¿Es coherente con el apartado b)?

5.2. Procesos armónicos

El proceso estocástico armónico de tipo sinusoide con fase aleatoria viene dado por

X (t) = asen ($t + Φ)

donde, por ejemplo, a = 1, $ = π/10 y Φ ∼ U (−π, π).

a) Determinar teóricamente la media del proceso X (t).

b) ¿Se mantiene constante la media del proceso X (t)?

c) Generar con MATLAB tres realizaciones (superponiendo gráficos) del proceso anterior con
n = 150 ¿Es coherente con el apartado b)?

5.3. Procesos armónicos con ruido blanco

El proceso estocástico armónico de tipo sinusoide con fase aleatoria y ruido blanco viene dado
por

X (t) = asen ($t + Φ) + W (t)

donde, por ejemplo, a = 1, $ = π/5, Φ ∼ U (−π, π) y W (t) ∼ N (0, 1) independiente de Φ.

a) Determinar teóricamente la media del proceso X (t) .

b) ¿Se mantiene constante la media del proceso X (t)?

1. Generar con MATLAB tres realizaciones (superponiendo gráficos) del proceso anterior con
n = 150 ¿Es coherente con el apartado b)?

Grado en Ing. de Telecomunicación - Estadı́stica (2008-2009), PRÁCTICA 5. PROCESOS ESTOCÁSTICOS 6