Professional Documents
Culture Documents
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.
>> 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
10
p=0.5
-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
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:
function X = poisson(lambda,Tmax)
X(i+1)=X(i)+exprnd(1/lambda);
i=i+1;
end
X(i)=Tmax;
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’)
>> lambda=0.01;
>> Tmax=100;
>> x=poisson(lambda,Tmax)
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.
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.
>> u = rand(1,1)
>> A = 1 + floor(u*6)
>> A=unidrnd(6)
π
Finalmente, generamos X(t) para un parámetro de frecuencia, ω = 10
>> t = 1:150
>> X = A * cos(t’ * pi/10)
>> 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:
3 w = pi/10
2
w = pi/5
-1
-2
-3
-4
0 50 100 150
xt = αxt−1 + Et
>> 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
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.
c) Generar con MATLAB tres realizaciones (superponiendo gráficos) del proceso anterior con
n = 150 ¿Es coherente con el apartado b)?
1. Generar con MATLAB tres realizaciones (superponiendo gráficos) del proceso anterior con
n = 150 ¿Es coherente con el apartado b)?