FACULTAD DE INGENIERÍA ELÉCTRICA

ASIGNATURA:
Procesos Estocásticos

DOCENTE:
Prof. Arturo Peralta. PhD.

INTEGRANTES:
Néstor Barahona
Andrés Criollo
Israel Lituma
Camila Minchala
Freddy Piña
Paul Villa.

TEMA:
Resolución del taller 3

FECHA:
16/11/2020
 TALLER 3 – VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

1. En una lotería se venden 1000000 de boletos de $10 cada uno. Hay un primer premio de
$3000000, 10 premios de $200000, 100 premios de $2000, 1000 premios de $100 y 10000
boletos reciben un reembolso del costo del boleto. Halle el valor esperado de la ganancia
neta por boleto.
- Se consideran variables discretas por tener un solo valor asignado, sin poder ser cambiado.
Por lo tanto se utilizará la Esperanza Matemática en este ejercicio.

1. Se plantean los datos y se obtienen las probabilidades:

Datos:

 Total de boletos vendidos = 1000000

 Primer premio ($3000000) = 1
 Segundo premio ($200000) = 10
 Tercer premio ($2000) = 100
 Cuarto premio ($100) = 1000
 Quinto premio (reembolso $10) = 10000

- Probabilidad 1:
1
𝑃(𝑥 = 3000000) = = 10−6
1000000
- Probabilidad 2:
10
𝑃(𝑥 = 200000) = = 10−5
1000000
- Probabilidad 3:
100
𝑃(𝑥 = 2000) = = 10−4
1000000
- Probabilidad 4:
100
𝑃(𝑥 = 100) = = 10−3
1000000
- Probabilidad 5:
10000
𝑃(𝑥 = 10) = = 10−2
1000000
 Total de boletos ganadores:
𝑇𝑏𝑔 = 1 + 10 + 100 + 100 + 1000 + 10000 = 11111
Por lo tanto, para obtener el número de boletos perdedores:
𝑇𝑏𝑝 = 1000000 − 11111 = 988889
Entonces:
988889
𝑃(𝑥 = −10) = = 0.99
1000000
2. Se plantea la tabla de probabilidades y variables:

x 3000000 200000 2000 100 10

F(x) 10−6 10−5 10−4 10−3 10−2

De ahí la fórmula:

𝐸(𝑥) = ∑ 𝑥 𝑓(𝑥)
𝑥

𝐸(𝑥)𝑔 = 3 ∗ 106 ∗ 10−6 + 2 ∗ 105 ∗ 10−5 + 2 ∗ 10−3 ∗ 10−4 + 1 ∗ 102 ∗ 10−3 + 10 ∗ 10−2
= 5.4 𝑇𝑜𝑡𝑎𝑙 𝑔𝑎𝑛𝑎𝑑𝑜 𝑝𝑜𝑟 𝑗𝑢𝑔𝑎𝑑𝑜𝑟.
Ahora:
𝑬(𝒙)𝒑 = 𝟓. 𝟒 − 𝟏𝟎 ∗ 𝟎. 𝟗𝟗 = 𝟒. 𝟓 𝑻𝒐𝒕𝒂𝒍 𝒑𝒆𝒓𝒅𝒊𝒅𝒐 𝒑𝒐𝒓 𝒋𝒖𝒈𝒂𝒅𝒐𝒓.
Finalmente:
𝐸(𝑥)𝑛𝑒𝑡𝑜 = 10 − 4.5 = 5.5 𝐺𝑎𝑛𝑎𝑛𝑐𝑖𝑎 𝑛𝑒𝑡𝑎 𝑝𝑜𝑟 𝑏𝑜𝑙𝑒𝑡𝑜

2. Una máquina fabrica CHIPS y se ha comprobado que el 2% de los mismos son defectuosos. Si se
vende en paquetes de 29, se pide: ¿Cuál es la probabilidad de que al comprar un paquete haya en
el mismo 2 defectuosos?

Distribución de probabilidad discreta-Distribución binomial.

Proceso de Bernoulli:
Éxito con probabilidad 𝑝
Variable aleatoria binomial 𝑥 𝑥 = 0,1,2, . . , 𝑛.
Fracaso con probabilidad 𝑞 = 1 − 𝑝
𝑛
Numero de resultados en éxitos y ensayos ( )
𝑥
Resolución:
𝑥 = 2 𝐷𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜𝑠
𝑝 = 0,02
𝑞 = 1 − 0,02 = 0,98
𝑛 = 29
Formula General:
𝑛
𝑏(𝑥, 𝑛, 𝑝) = ( ) 𝑝 𝑥 ∙ 𝑞 𝑛−𝑥
𝑥
29
𝑏(2,29,0.02) = ( ) (0.02)2 ∙ (0.98)27
2
𝑏(2,29,0.02) = 0,0941
La probabilidad de que al comprar un paquete haya en el mismo 2 defectuosos es del 9,41%

3. Consideremos la siguiente distribución de probabilidad uniforme, cuya pdf es:

Evaluar la probabilidad de un intervalo Δ entre 𝑎 y 𝑏.

Tomando en consideración un valor “x” dentro del intervalo, se procederá a calcular su

probabilidad:
𝑥 𝑥
1 𝑡 𝑥 𝑎 𝑥−𝑎
∫ 𝑑𝑡 = | = − =
𝑎 𝑏−𝑎 𝑏−𝑎 𝑎 𝑏−𝑎 𝑏−𝑎 𝑏−𝑎

4. Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución
exponencial con media de 16 años. ¿Cuál es la probabilidad de que a una persona a la que se le ha
implantado este marcapasos se le deba reimplantar otro antes de 20 años?
𝑋 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒𝑙 𝑚𝑎𝑟𝑐𝑎𝑝𝑎𝑠𝑜
𝑥 𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑖𝑏𝑢𝑐𝑖𝑜𝑛 𝑒𝑛 𝑓𝑜𝑟𝑚𝑎 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙
𝑃( 𝑥 < 20)
El método para aplicar es la distribución acumulada teniendo en cuenta la función de densidad de
probabilidad de la distribución exponencial:
1 −𝑥
𝐹(𝑥 ) = {𝐵 𝑥𝑒 𝑠𝑖 𝑥 > 0
𝐵

0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Cuando B=16
La relación entre función de densidad de probabilidad y función de distribución acumulada es
∞
𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 ) = ∫ 𝐹 (𝑦)𝑑𝑦
−∞
20
1 −𝑥
𝐹 (20) = 𝑃(𝑋 ≤ 20) = ∫ 𝑒 16 𝑑𝑥
0 16

Se calcula por medio de un software y la 𝑃(𝑋 ≤ 20) = 0.71

5. El tiempo durante en cual cierta marca de batería trabaja en forma efectiva hasta que falle
(tiempo de falla) se distribuye según el modelo exponencial con un tiempo promedio de fallas igual
a 360 días. a) ¿Qué probabilidad existe que el tiempo de falla sea mayor que 400 días? b) Si una de
estas baterías ha trabajado ya 400 días, ¿qué probabilidad hay de que trabaje más de 200 días más?
c) Si se están usando 5 de tales baterías, calcular la probabilidad de que más de dos de ellas
continúen trabajando después de 360 días.

- En este ejercicio se hará el uso de distribución exponencial:

𝜷𝒆−𝜷𝒙 , 𝒔𝒊 𝒙 ≥ 𝟎
𝒇 ( 𝒙) {
𝟎 , 𝒔𝒊 𝒙 < 𝟎

1. Se plantea su función de densidad:

Datos:

 Tiempo que trabaja la máquina hasta que falle = x

1
 β = 360 porque el tiempo promedio de falla es 360 días.

- Entonces:
 1 − 𝑥
𝑓(𝑥) = 𝑒 360 , 0 ≤ 𝑥 ≤ ∞
360
a. Si x˃400 en base a: 𝑃(𝑥 > 𝑠) = 𝑒 −𝛽𝑡
400
𝑃(𝑥 > 400) = 𝑒 −360 = 0.33
b. Si x>400+200 en base a: 𝑃(𝑥 > 𝑠 + 𝑡/𝑥 > 𝑠)
200
𝑃(𝑥 > 400 + 200/𝑥 > 400) = 𝑃(𝑥 > 200) = 𝑒 −360 = 0.57
c. Si x>360
360
𝑃(𝑥 > 360) = 𝑒 −360 = 0.37
Ahora: Siendo y= # de baterías/5 que siguen trabajando después de 360 días.

Entonces:
2

𝑃(𝑦 ≥ 3) = 1 − 𝑃(𝑦 ≤ 2) = 1 − ∑ 𝐶𝑘5 (0.368)5−𝑘 = 0.26

𝑘=0

6. Supongamos que en un enlace se tiene una probabilidad de error de bit igual a 𝟏𝒆−𝟔 .
Datos:
𝐸𝑟𝑟𝑜𝑟 = 1𝑒 −6 = 0.0025 1 𝑏𝑖𝑡 = 6,125 𝑏𝑦𝑡𝑒𝑠
𝐸 = 2.5𝑥10−3 𝑝𝑜𝑟 𝑐𝑎𝑑𝑎 𝑏𝑖𝑡 1𝐾𝐵 = 1000 𝑏𝑦𝑡𝑒𝑠
a) ¿Cuántos bits deben transmitirse en promedio para recibir un bit malo?
𝑁 = 0.125/(2.5𝑥10−3 )
𝑁 = 50 𝑠𝑒 𝑑𝑒𝑏𝑒 𝑡𝑟𝑎𝑛𝑚𝑖𝑡𝑖𝑟 50 𝑏𝑖𝑡𝑠 𝑝𝑎𝑟𝑎 𝑟𝑒𝑐𝑖𝑏𝑖𝑟 𝑢𝑛 𝑏𝑖𝑡 𝑚𝑎𝑙𝑜
Verificación:
1 𝑏𝑖𝑡 𝑚𝑎𝑙𝑜 = (𝐸𝑟𝑟𝑜𝑟) ∗ 𝑁

1 = (2.5𝑥10−3 ) ∗ 50
1 𝑏𝑖𝑡 𝑚𝑎𝑙𝑜 = 0,125 𝑏𝑦𝑡𝑒
1 𝑏𝑖𝑡 = 0,125 𝑏𝑦𝑡𝑒
𝑁 = 1 𝑏𝑖𝑡/𝑒𝑟𝑟𝑜𝑟

b) ¿Cuál es la probabilidad de que en una transmisión de 1𝑒 7 bits, no ocurra un error?

𝐸 = 2.5𝑥10−3 𝑝𝑜𝑟 𝑐𝑎𝑑𝑎 𝑏𝑖𝑡

 1𝑒 7 = 1096,63 𝑏𝑖𝑡𝑠

(1096,63)(0,0025)
𝑃1 =
8000

𝑃1 = 0,034

c) ¿Ocurrirá un error?

𝑃2 = 1 − 𝑃1

𝑃2 = 1 − 0,034

𝑃2 = 0,966

𝑃2 + 𝑃1 = 1

0,966 + 0,034 = 1

1=1

7. Supongamos que una fábrica produce chips con un tiempo medio entre fallas (mean time
between failures – MTBF) de 4500 horas. Es decir, se espera que los chips no fallen sino hasta 4500
horas después de haber sido fabricados. Al tomar datos estadísticos de 100 chips fabricados se
encuentra que los chips han fallado luego de los tiempos especificados en la siguiente tabla:

Grafique e indique que tipo de pdf cumple determine sus parámetros fundamentales.
DISTRIBUCION DE POISSON:
Cuando la variable aleatoria es discreta, esto ya indica que se está́ en presencia de una distribución
de Poisson. Por ejemplo, se pueden encontrar variables como "número de camiones que tiene
accidente" o "números de llamadas a una central".
 Figure 1 Grafica de Excel distribución de Poisson

PARÁMETROS:
Calculamos la media.
3600 + 3900 + 4200 + 4500 + 4800 + 5100 + 5400
𝑥̅ = = 4500
7
𝐸 (𝑋) = 𝜇 = 4500
𝑉𝑎𝑟(𝑋) = 4500

𝜎 = √4500 = 67,08
𝑘 = 𝑒𝑠 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑛𝑢𝑚𝑒𝑟𝑜 𝑞𝑢𝑒 𝑚𝑒 𝑝𝑟𝑒𝑔𝑢𝑛𝑡𝑒𝑛 (1,2,3 … 𝑛)

8.Utilizando el software Matlab realice el siguiente ejercicio:

a) Implemente la función de una variable gaussiana, generando valores para el eje x, y eligiendo
valores adecuados para la media y la varianza. Grafique.

%Grupo 3
%Ejercicio 8

clc;

%Literal (a)
x = -2:0.1:18;
y = gaussmf (x, [3 8]);
figure
plot (x, y)
Media=mean(y)
Varianza=var(y)

Resultado:
Media =
0.3738
Varianza =
0.1254
Gráfica:

b) Usando la función randn() genere una cantidad adecuada de datos aleatorios enteros de hasta
cuatro cifras con distribución normal, cuya media sea distinta de cero. Grafique la secuencia de
datos, su pdf, su CDF y encuentre valores estadísticos como la media, la mediana y la moda;
Encuentre además la desviación estándar y la varianza. Presente un reporte con conclusiones
relevantes.

%Literal b)
r=randi ([-3500 3500],3500)
figure
plot(r)
Media=mean(r)
Mediana=median(r)
Moda=mode(r)
DesviacionStandar=std(r)
Varianza=var(r)

Resulted
r=
Columns 1 through 4

2680 83 -867 2687

Columns 3497 through 3500

-1148 3395 1762 1026

Media = -62.4929
Mediana = -40.5000
Moda = 752
Desviación Estándar = 2.0216e+03
Varianza = 4.0869e+06

Gráfica:
9. Dada una variable aleatoria gaussiana, 𝜉, con media 𝜇 = 0.5 y varianza 𝜎2 = 0.0625, grafique la pdf
y CDF (emplee un software a su elección para el efecto), se sugiere que para la gráfica de la CDF
emplee la función erfc con el cambio de variable correspondiente. Además, evalúe las siguientes
probabilidades: 𝑃(𝜉 ≤ 0.125), 𝑃(0.2 ≤ 𝜉 ≤ 0.625), 𝑃(𝜉 ≥ 0.45).

Primero entenderemos que es el PDF Y EL CDF:

La función de densidad de probabilidad ayuda a identificar regiones de mayores y menores

probabilidades para valores de una variable aleatoria. La función de densidad de probabilidad
(PDF) describe la probabilidad de valores posibles de peso de llenado. La CDF en cambio
proporciona la probabilidad acumulada de cada valor de x. La CDF sirve para determinar la
probabilidad de que una observación aleatoria que se toma de la población sea menor que o igual
a cierto valor.

Fig1. Datos de Intervalos para la graficas PDF Y CDF

Código Matlab:

%% Ejercicio 9
clear all
clc
Media=0.5;
Var=0.0625;
R=sqrt(Var);
pd=makedist('Normal','mu',Media,'sigma',R) %Crea una distribucion normal
x=(-(2.5*R):0.01:(2.5*R))+Media;
y=pdf(pd,x);
plot(x,y)
title('DISTRIBUCION NORMAL PDF');
grid on
figure
y=cdf(pd,x); %Distribucion Normal estandar con la media CDF
plot(x,y)
title('DISTRIBUCION NORMAL CDF');
grid on
%% Evaluando las siguientes Probabilidades
%Distribución normal estándar CDF con media y desviación estandar
%Probabilidad = normcdf(x,Media,R)
disp('Probabilidad de que sea menor 0.125 : ');
P1=normcdf(0.125,0.5,R);
disp(P1)
disp('Probabilidad de que este entre 0.2 y 0.625 : ');
P2=normcdf(0.625,0.5,R)-normcdf(0.2,0.5,R);
disp(P2)
disp('Probabilidad que sea mayor 0.45 : ');
P3=1-normcdf(0.45,0.5,0.25);
disp(P3)

Resultados:
Fig1. Graficas de Distribuciones normal PDF Y CDF
 Fig3. Resultados de Probabilidades
10. El 20% de todos los teléfonos de cierto tipo son llevados a servicio mientras se encuentran
dentro de la garantía. De éstos, 60% puede ser reparado, mientras el 40% restante debe ser
remplazado con unidades nuevas. Si una compañía adquiere diez de estos teléfonos, ¿cuál es la
probabilidad de que exactamente dos sean remplazados bajo garantía?

Datos:
p Remplazados 40% = 0.4
q reparados 60% = 0.6

Son 10 teléfonos.

n=10

k=2

p=0.4

q=0.6
Distribución binomial:
𝒏!
𝑷(𝒌) = ∗ 𝑷𝒌 ∗ 𝒒𝒏−𝒌
𝒌! ∗ (𝒏 − 𝒌)!
Entonces:
10!
= ∗ (0.4)2 ∗ (0.6)8
2! (10 − 2)!
𝑷(𝒌) = 𝟎. 𝟏𝟐𝟎𝟗𝟑
11. Utilizando una hoja de cálculo (por ejemplo, MS Excel) determine los datos y grafique la PDF y
CDF de una distribución binomial, correspondiente a la probabilidad recibir bits errados (0–10),
cuando se transmite una trama de 120000 bits en un canal con BER=10–5, como se ejemplifica a
continuación (si usa MS Excel utilice la función DISTR.BIN()).
 Distribución de probabilidad
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
1 2 3 4 5 6 7 8 9 10

PDF CDF

12. Investigar sobre autocorrelación y correlación cruzada, crear un programa en Matlab, que pueda
mediante estos conceptos detectar el reconocimiento de patrones, e imágenes, además, investigar
y presentar alguna técnica diferente para el reconocimiento de patrones de imágenes.

Código en Matlab:
clear all
clc
%Leer imagenes
Imagen= imread('Imagen.jpg');
figure
imshow(Imagen)
Subimagen= imread('Subimagen2.jpg');
figure
imshow(Subimagen)
%Convertir las dos imagenes a escala de grises
ImagenG=rgb2gray(Imagen);
figure
imshow(ImagenG)
SubimagenG=rgb2gray(Subimagen);
figure
imshow(SubimagenG)
%Descomposiciòn de la imagen en metadatos
ImR=double(Imagen(:,:,1));
ImG=double(Imagen(:,:,2));
ImB=double(Imagen(:,:,3));
figure
imshow(ImR)
figure
imshow(ImG)
figure
imshow(ImB)
%Correlación cruzada y visualizacion del resulatado como una superficie
C= normxcorr2(SubimagenG,ImagenG);
figure
surf(C),shading flat
%Encontrar el pico de la correlación cruzada
[ypeak, xpeak] = find(C==max(C(:)));
yoffSet = ypeak-size(SubimagenG,1);
xoffSet = xpeak-size(SubimagenG,2);
%Vista del area emparejada
figure
imshow(ImagenG); imrect(gca, [xoffSet+1, yoffSet+1, size(SubimagenG,2), size(SubimagenG,1)]);
%Ver si la imagen emparejada fue extraida de la imagen principal
xbegin=round(xoffSet+1);
xend=round(xoffSet+size(Subimagen,2));
ybegin=round(yoffSet+1);
yend=round(yoffSet+size(Subimagen,1));
%Superponer la imagen utilizando el desfase que se determino en el paso anterior
Figura=uint8(zeros(size(Imagen)));
Figura(ybegin:yend,xbegin:xend,:)=Subimagen;
figure
imshow(Figura)
figure
imshowpair(Imagen,Figura,'blend')

Descripción de la simulación:

1. Primero lee la imagen seleccionada.

 Fig. [1] lee la imagen.
2. Después lee la imagen que queremos encontrar en la imagen completa.

Fig. [2] imagen a buscar.

3. Convierte las dos imágenes a escala de grises:

 Fig. [3] Descompone a grises las imágenes

4. Descomposición de las imágenes en métodos:

 Fig. [4] Descomposición de las imágenes.

5. Correlación cruzada y visualización del resultado como una superficie:

Fig. [5] Pico de la correlación cruzada.

6. Visualización del área emparejada:

 Fig. [6] Visualización del área emparejada

7. Determina si la imagen seleccionada fue extraída de la imagen principal:

Fig. [7] Verificación.

 8. Superpone la imagen seleccionada sobre la original para determinar la ubicación en la
imagen original.

Fig. [8] localiza y empareja la imagen.

AUTOCORRELACIÓN
Definición:

Dependiendo del campo de estudio se pueden definir diferentes tipos de autocorrelación sin que
estas definiciones sean equivalentes. En algunos campos se utilizan indistintamente las funciones
de autocorrelación y de auto covarianzas, dado que ambas sólo difieren entre sí en una constante
de proporcionalidad que es la varianza (en este caso, la auto covarianza de orden k>0).
La autocorrelación o dependencia secuencial es una herramienta estadística utilizada
frecuentemente en el procesado de señales.
La función de autocorrelación se define como la correlación cruzada de la señal consigo misma. La
función de autocorrelación resulta de gran utilidad para encontrar patrones repetitivos dentro de
una señal, como la periodicidad de una señal enmascarada bajo el ruido o para identificar
la frecuencia fundamental de una señal que no contiene dicha componente, pero aparecen
numerosas frecuencias armónicas de esta.
Aplicaciones de la autocorrelación:

1. Una de las aplicaciones de la autocorrelación es la medida de espectros ópticos y en

especial la medida de pulsos muy cortos de luz.
 2. En óptica, la autocorrelación normalizada y la correlación cruzada proporcionan el grado
de coherencia de un campo electromagnético.
3. En el procesado de señal, la autocorrelación proporciona información sobre las
periodicidades de la señal y sus frecuencias características como los armónicos de una
nota musical producida por un instrumento determinado (tono y timbre).

Propiedades:
Definiremos las propiedades de la autocorrelación unidimensional. La mayoría de sus propiedades
son extensibles fácilmente a los casos multidimensionales.

- Simetría: 𝑅(𝑖 ) = 𝑅(−𝑖)

- La función de autocorrelación alcanza un valor máximo en el origen, donde alcanza un
valor real. El mismo resultado puede encontrarse en el caso discreto.
- Como la autocorrelación es un tipo específico de correlación mantiene todas las
propiedades de la correlación.
- La autocorrelación de una señal de ruido blanco tendrá un fuerte pico en τ = 0 y valores
cercanos a cero y sin ninguna estructura para cualquier otro τ. Esto muestra que el ruido
blanco carece de periodicidad.
- Según el teorema de Wiener-Khinchin, la función de autocorrelación es la transformada
inversa de Fourier de la densidad espectral:
∞
𝑅(𝜏) = ∫ 𝑆(𝑓)𝑒 𝑗2𝜋𝑓𝜏 𝑑𝑓
−∞

Igualmente, el espectro se relaciona con la función de autocorrelación:

∞
𝑆 (𝑓) = ∫ 𝑅(𝜏)𝑒 −𝑗2𝜋𝑓𝜏 𝑑𝜏
−∞

La consecuencia es que la señal puede expresarse indistintamente en el dominio del tiempo (t) o
el dominio de las frecuencias (f), al existir esta correspondencia entre ambos, y entendiendo que
la señal está completamente determinada a partir del total de sus momentos o del total de sus
frecuencias.
CAUSAS DE LA AUTOCORRELACIÓN:
La autocorrelación es un fenómeno que se presenta en muestras que contengan de datos
asociados al tiempo, aunque también puede presentarse cuando se trabaja con datos de corte
transversal, en cuyo caso hablamos de “autocorrelación espacial”.
Otras causas posibles de la existencia de autocorrelación en algunas situaciones específicas, como,
por ejemplo:
 a) Por la existencia de ciclos y tendencias en los datos: Si la variable a explicada presenta un
comportamiento cíclico que no viene explicado por las variables explicativas, entonces
dicho comportamiento cíclico estará recogido en el término de error del modelo.

b) Cuando se comete un error de especificación inicial del modelo por omisión de variables
relevantes. La omisión de variables relevantes, en principio, no debería suponer
autocorrelación en el término de error salvo que dichas variables omitidas estén
correlacionadas entre sí.

c) Cuando se comete un error de especificación en la forma funcional del modelo. Una mala
especificación de la forma funcional del modelo puede provocar” rachas” de residuos
positivos seguidas de otras de residuos negativos y así sucesivamente.
CONSECUENCIAS:

En el contexto del MODELO DE REGRESIÓN LINEAL GENERALIZADO (MRLG), el hecho de que la

matriz de varianzas -covarianzas del término de error no sea escalar, supondrá, respecto al
método de estimación por mínimos cuadrados ordinarios (MCO) que:

1) Continúa siendo la solución única del sistema de ecuaciones normales (SEN) que se
obtienen al aplicar el método de estimación por mínimos cuadrados ordinarios (MCO).

2) Continúa siendo un estimador lineal e insesgado de los coeficientes del modelo. Estas
propiedades del método de estimación MCO en contexto del MODELO BÁSICO DE
REGRESIÓN LINEAL (MBRL) no dependen de las hipótesis sobre las perturbaciones, por lo
que también se mantienen en el caso más general del MODELO DE REGRESIÓN LINEAL
GENERALIZADO (MRLG), donde la matriz de varianzas -covarianzas del término de error no
es escalar.

3) No es óptimo en el contexto del modelo de regresión lineal generalizado (MRLG).

4) β será un estimador sesgado.

 5) Como consecuencia de (4), se invalidan los contrastes de hipótesis “F” y “t” y los intervalos
de confianza obtenidos por el estimador por mínimos cuadrados ordinarios.
CORRELACIÓN CRUZADA
En el procesamiento de señales, la correlación cruzada es una medida de similitud de dos series
en función del desplazamiento de una con respecto a la otra. Esto también se conoce como un
deslizante producto de punto o de desplazamiento interior-producto. Se usa comúnmente para
buscar una señal larga para una característica conocida más corta. Tiene aplicaciones en
reconocimiento de patrones, análisis de partículas individuales, tomografía electrónica,
promediado, criptoanálisis y neurofisiología. La correlación cruzada es de naturaleza similar a la
convolución de dos funciones. En una autocorrelación, que es la correlación cruzada de una señal
consigo misma, siempre habrá un pico en un retraso de cero, y su tamaño será la energía de la
señal. En probabilidad y estadística, el término correlaciones cruzadas se refiere a las correlaciones
entre las entradas de dos vectores aleatorios y mientras que las correlaciones de un vector
aleatorio son las correlaciones entre las entradas de sí mismo, las que forman la matriz de
correlación de. Si cada uno de y es una variable aleatoria escalar que se realiza repetidamente en
una serie de tiempo, entonces las correlaciones de las diversas instancias temporales de se
conocen como autocorrelaciones de, y las correlaciones cruzadas de con a lo largo del tiempo son
correlaciones cruzadas temporales. En probabilidad y estadística, la definición de correlación
siempre incluye un factor de estandarización de tal manera que las correlaciones tienen valores
entre -1 y +1.
Frecuentemente en el procesado digital de señales se necesita cuantificar el grado de
interdependencia entre dos procesos o la similitud entre dos señales x1[n] y x2[n]. En otras
palabras, determinar la correlación existente entre dos procesos o señales. De entre los variados
campos de aplicación, vamos a centrar nuestra atención en la detección e identificación de
señales.
Descripción de la correlación: Consideremos la necesidad de comparar dos señales
x1[n] y x2[n] de la misma longitud N. Una medida de la correlación existente entre ambas señales
puede efectuarse mediante la suma de los productos de los correspondientes pares de puntos
mediante la expresión conocida como correlación cruzada:
𝑁−1

𝐶12 = ∑ 𝑥1 [𝑛] ∗ 𝑥2 [𝑛]

𝑛=0

Un resultado negativo en 𝐶12 indica una correlación negativa, es decir un incremento en una
variable se asocia con un decremento en la otra.
La anterior definición de la correlación cruzada produce un resultado que depende del número de
muestras. Una definición alternativa es:
 𝑁−1
1
𝐶12 = ∗ ∑ 𝑥1 [𝑛] ∗ 𝑥2 [𝑛]
𝑁
𝑛=0

la cual promedia la suma de productos entre el número N de elementos.

Ejemplo: Calcular la correlación cruzada de las secuencias definidas por:

Solución:
9−1
1
𝐶12 = ∗ ∑ 𝑥1 [𝑛] ∗ 𝑥2 [𝑛]
9
𝑛=0
8
1
𝐶12 = ∗ ∑ 𝑥1 [𝑛] ∗ 𝑥2 [𝑛]
9
𝑛=0

1
𝐶12 = [4 (4) + 2(1) + (−1)(3) + 3(7) + (−2)(4) + (−6)(−2) + (−5)(−8) + 4(−2)
9
+ 5(1)]
𝐶12 = 5
1
Sin embargo, la definición 𝐶12 = 𝑁 ∗ ∑𝑁−1
𝑛=0 𝑥1 [𝑛] ∗ 𝑥2 [𝑛] debe ser modificada porque en muchos
casos puede indicar correlación cruzada cero y sin embargo las dos señales estar totalmente
correlacionadas, tal es el caso de dos señales en oposición de fase, como se muestra en la figura.
Para resolver este problema es necesario rotar o retrasar una de las señales respecto de la otra.
Tal y como se representa en la Figura, la señal x2 [n] se retrasa o rota a la izquierda k intervalos de
muestreo. Otra alternativa equivalente es rotar x1 [n] a la derecha. En este caso, la nueva
expresión para la correlación cruzada es:
𝑁−1
1
𝐶12 [𝑘] = ∗ ∑ 𝑥1 [𝑛] ∗ 𝑥2 [𝑛 + 𝑘]
𝑁
𝑛=0

𝑁−1
1
𝐶21 [𝑘] = ∗ ∑ 𝑥1 [𝑛] ∗ 𝑥2 [𝑛 − 𝑘]
𝑁
𝑛=0
Correlación cruzada de procesos estocásticos:
En análisis de series de tiempo y estadísticas, la correlación cruzada de un par de procesos
aleatorios es la correlación entre los valores de los procesos en diferentes momentos, en función
de los dos tiempos. Sea un par de procesos aleatorios y cualquier punto en el tiempo (puede ser
un número entero para un proceso de tiempo discreto o un número real para un proceso de
tiempo continuo). Entonces es el valor (o realización) producido por una ejecución determinada
del proceso en el momento.

Función de correlación cruzada:

Supongamos que el proceso tiene medios y varianzas y en el tiempo, para cada. Entonces la
definición de la correlación cruzada entre tiempos y es:

donde es el operador de valor esperado. Tenga en cuenta que esta expresión puede no estar
definida.
Función de covarianza cruzada:
Restar la media antes de la multiplicación produce la covarianza cruzada entre tiempos y: 𝑡1 𝑡2

Tenga en cuenta que esta expresión no está bien definida para series o procesos de todos los
tiempos, porque es posible que la media no exista o que la varianza no exista.

OTRO MÉTODO DE RECONOCIMIENTO DE PATRONES DE IMÁGENES ES:

Los patrones binarios locales (LBP) es un tipo de descriptor visual que se utiliza para la clasificación
en visión artificial. LBP es el caso particular del modelo Texture Spectrum propuesto en 1990. LBP
se describió por primera vez en 1994. Desde entonces se ha descubierto que es una característica
poderosa para la clasificación de texturas; Además, se ha determinado que cuando LBP se combina
con el descriptor de histograma de gradientes orientados (HOG), mejora considerablemente el
rendimiento de detección en algunos conjuntos de datos. Silva et al. (2015) realizaron una
comparación de varias mejoras del LBP original en el campo de la resta de fondo. Se puede
encontrar un estudio completo de las diferentes versiones de LBP en Bouwmans et al.

El vector de características LBP, en su forma más simple, se crea de la siguiente manera:

- Divida la ventana examinada en celdas (por ejemplo, 16x16 píxeles para cada celda).
- Para cada píxel de una celda, compare el píxel con cada uno de sus 8 vecinos (en la parte
superior izquierda, en el centro izquierdo, en la parte inferior izquierda, en la parte
superior derecha, etc.). Siga los píxeles a lo largo de un círculo, es decir, en sentido horario
o antihorario.
- Donde el valor del píxel central es mayor que el valor del vecino, escriba "0". De lo
contrario, escriba "1". Esto da un número binario de 8 dígitos (que generalmente se
convierte a decimal por conveniencia).
- Calcule el histograma, sobre la celda, de la frecuencia de cada "número" que ocurre (es
decir, cada combinación de qué píxeles son más pequeños y cuáles son mayores que el
centro). Este histograma puede verse como un vector de características de 256
dimensiones.
- Opcionalmente, normalice el histograma.
- Concatenar (normalizar) histogramas de todas las células. Esto proporciona un vector de
características para toda la ventana.

Tres ejemplos de vecindarios utilizados para definir una textura y calcular un patrón
binario local (LBP).

El vector de características ahora se puede procesar utilizando la máquina de vectores de

soporte, máquinas de aprendizaje extremo o algún otro algoritmo de aprendizaje
automático para clasificar imágenes. Estos clasificadores se pueden utilizar para el
reconocimiento facial o el análisis de texturas.

Una extensión útil del operador original es el denominado patrón uniforme, que se puede
utilizar para reducir la longitud del vector de características e implementar un descriptor
invariante de rotación simple. Esta idea está motivada por el hecho de que algunos
patrones binarios ocurren más comúnmente en imágenes de textura que otros. Un patrón
binario local se denomina uniforme si el patrón binario contiene como máximo dos
transiciones 0-1 o 1-0. Por ejemplo, 00010000 (2 transiciones) es un patrón uniforme, pero
01010100 (6 transiciones) no lo es. En el cálculo del histograma LBP, el histograma tiene
un intervalo separado para cada patrón uniforme, y todos los patrones no uniformes se
asignan a un único intervalo. Usando patrones uniformes, la longitud del vector de
características para una sola celda se reduce de 256 a 59. Los 58 patrones binarios
uniformes corresponden a los enteros 0, 1, 2, 3, 4, 6, 7, 8, 12, 14, 15 , 16, 24, 28, 30, 31,
32, 48, 56, 60, 62, 63, 64, 96, 112, 120, 124, 126, 127, 128, 129, 131, 135, 143, 159, 191 ,
 192, 193, 195, 199, 207, 223, 224, 225, 227, 231, 239, 240, 241, 243, 247, 248, 249, 251,
252, 253, 254 y 255.
Bibliografía:
- https://web.archive.org/web/20050212221020/http://www.dsprelated.com/comp.dsp/ke
yword/Autocorrelation.php

- http://www.ehu.eus/Procesadodesenales/tema8/corre1.html#:~:text=CORRELACI%C3%9
3N%20CRUZADA%20Y%20AUTOCORRELACI%C3%93N.&text=Frecuentemente%20en%20
el%20procesado%20digital,entre%20dos%20procesos%20o%20se%C3%B1ales

- http://mathworld.wolfram.com/Cross-Correlation.html