CSA.

Procesos estocsticos 1


Tema 6. Procesos estocsticos

1. DESCRIPCIN DE UN PROCESO ESTOCSTICO

Los procesos estocsticos o procesos aleatorios constituyen una herramienta estadstica que
surge ante la necesidad de modelar el comportamiento de experimentos aleatorios que varan en el
tiempo o que dependen de alguna otra variable determinista. Las sucesiones de variables aleatorias,
definidas en el tema anterior, son un ejemplo de proceso estocstico en el que el conjunto de
instantes de tiempo es infinito numerable. Por su parte, los procesos estocsticos continuos tambin
constituyen una familia infinita de VA, pero en este caso no numerable.
Supongamos que estamos estudiando el nmero de llamadas que se producen en una central
telefnica. Para un intervalo de tiempo determinado, por ejemplo una hora, se puede definir la VA:
Nmero de llamadas que se producen en una hora. Si consideramos un intervalo mayor, por
ejemplo dos horas, es evidente que el nmero de llamadas observadas tender a ser superior y, por
tanto, la distribucin de probabilidad de esta nueva VA ser distinta a la anterior. As para cada
tiempo que fijemos tendremos una VA, en principio distinta. En situaciones de este tipo surge de
modo natural la conveniencia de definir una familia de variables aleatorias que dependen de una
variable determinista, es decir, un proceso estocstico. En este caso concreto, podemos definir el
proceso estocstico X(t) como el nmero de llamadas que se producen en el intervalo (0,t). As, para
cada valor de t que elijamos tendremos una VA diferente.
Habamos definido una VA X como una funcin que a cada posible resultado del experimento
! le asigna un nmero real X(!). En un proceso estocstico el resultado del experimento puede
variar con el tiempo, por lo que asignaremos un nmero real como una funcin de ambos X(t,!).
Def: Dado un experimento ": (#, F, P) si suponemos que el resultado del experimento, ! $#,
se produce en un tiempo t, podemos asignar una funcin de ambos X(t,!) sobre R. Un proceso
estocstico (PE) es una funcin de dos variables, t y !, una determinista y otra aleatoria, tal que:
(a) X(t,!) es una familia de funciones temporales.
(b) Si se fija ! tenemos una funcin temporal X(t) llamada realizacin del proceso.
(c) Si se fija t tenemos una VA.
(d) Si se fijan t y ! tenemos un nmero real o complejo.
La variable ! tiene una interpretacin similar en la VA X(!) y en el PE X(t,!). Para una VA,
! representa un resultado del experimento. En el caso del PE X(t,!) tambin lo representa, con la
diferencia de que en este caso el experimento est definido para los distintos valores de t y el
resultado es en realidad un conjunto de resultados; una funcin temporal que hemos denominado
realizacin del proceso. Al igual que ocurra con las VA, notaremos un proceso omitiendo la
dependencia con !: X(t).

2 Departamento de Teora de la Seal y Comunicaciones. Universidad de Vigo


Llamaremos espacio de tiempos T al conjunto de los posibles valores del tiempo y espacio de
estados S al conjunto de los posibles valores del proceso. As, hablaremos de procesos discretos o
continuos en el tiempo y de procesos continuos, discretos o mixtos en el espacio de estados. Para los
procesos discretos en el tiempo, dado que podemos numerar los instantes de tiempo, utilizaremos la
siguiente notacin: X(t
n
) = X[n].

Ejemplo: Distintas realizaciones del proceso X(t)=Ncos((2%/24)t+&) siendo N y & VA con
distribuciones P(10) y U(0,2%) respectivamente. En este ejemplo, tanto el espacio de tiempos como
el espacio de estados son continuos.
-20
-15
-10
- 5
0
5
1 0
1 5
2 0
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0
X
(
t
)
tiempo (h)


Ejemplo: El nmero de llamadas que llegan a una central telefnica es un proceso continuo en
el tiempo pero discreto en el espacio de estados. En la grfica siguiente se ven 3 realizaciones.
.
0 5 10 15
Tiempo
10
8
6
4
2
t
0
X(t, !
1
)
X(t, !
2
)
X(t, !
3
)
x
x
x
X(t
0
, !
1
)
X(t
0
, !
2
)
X(t
0
, !
3
)
N

m
e
r
o

d
e

l
l
a
m
a
d
a
s
X(t
0
), VA
Realizaciones
Nmeros reales

CSA. Procesos estocsticos 3


Ejemplo 6.1: Sea el proceso X(t,!) = at+ Y(!) con a determinista e Y~U(0,1). En la notacin
habitual: X(t) = at+Y. Dibuja una realizacin del proceso, y especifica los espacios de estados y de
tiempos.









Al estar un PE formado por infinitas VA tendr sentido hablar de la FD o de la fdp conjunta de
un grupo de ellas o de las marginales correspondientes a las VA individuales. Hablaremos entonces
de orden de la FD o de la fdp en funcin del nmero de VA que consideremos.
En lo relativo a la FD, supondremos en todo momento que estamos trabajando con VA reales.
Dado un PE X(t), si fijamos un tiempo t = t
0
, tendremos una VA X(t
0
) que tendr una FD
asociada. Si cambiamos el instante de tiempo tendremos una VA en principio, distinta a X(t
0
), con
una FD diferente. En este sentido, la FD depende del tiempo, por lo que definimos la FD de primer
orden del proceso X(t) como:
F
X
(x;t) = P(X(t) ! x)
Desde el punto de vista frecuencial podemos interpretar la FD de primer orden de la siguiente
forma: supongamos que realizamos el experimento n veces, en cada una de ellas observamos una
funcin temporal X(t); con lo que obtenemos n realizaciones. As, la aproximacin frecuencial de
F(x;t) sera el nmero de trayectorias que toman valores menores o iguales que x en el punto t,
dividido por n.
Derivando respecto a x tendremos la fdp de primer orden.

Anlogamente se define la FD de segundo orden como:
F(x
1
,x
2
;t
1
,t
2
) = P(X(t
1
) ! x
1
, X(t
2
) ! x
2
)
Calculando las derivadas parciales respecto a x
1
y x
2
obtendramos la fdp de segundo orden.
Los conceptos de marginal y distribucin o densidad condicionada son anlogos a los definidos para
VA bidimensionales. As, por ejemplo:
F(x
1
;t
1
) = F(x
1
,"; t
1
,t
2
)
f(x
1
;t
1
) = f(
!"
"
#
x
1
, x
2
;t
1
, t
2
)dx
2
f(x
1
;t
1
/ X(t
2
) = x
2
) =
f(x
1
, x
2
; t
1
, t
2
)
f(x
2
; t
2
)


4 Departamento de Teora de la Seal y Comunicaciones. Universidad de Vigo


Ejemplo: Realizacin de un proceso continuo en el tiempo con fdp de primer orden gaussiana.
-4
-3
-2
-1
0
1
2
3
-1 0 1 2 3 4 5
fdp en tiempo t=0
fdp en tiempo t=2
fdp en tiempo t=4
Realizacin del proceso
X
(
t
)
Tiempo (t)



Hablaremos en general de FD de orden n como:
F(x
1
,,x
n
; t
1
,,t
n
) = P(X(t
1
) ! x
1
,, X(t
n
) ! x
n
)
Calculando las derivadas parciales obtendramos la fdp de orden n.
Evidentemente una FD o una fdp de orden n determina todas las FD o fdp de orden inferior,
pues son las marginales de sta.

Para determinar estadsticamente un PE, necesitaramos conocer la FD o la fdp de orden n, para
cualquier valor de n y para cualquier valor de t
1
,,t
n
. Esto es, en la prctica, realmente difcil, por
lo que se estudiarn una serie de parmetros y propiedades de los PE, que, si bien no los determinan
completamente, nos permiten obtener mucha informacin acerca de ellos.
Un proceso bidimensional consiste en dos procesos X(t) e Y(t) y queda estadsticamente
determinado si conocemos la FD o fdp conjunta de las VA X(t
1
),, X(t
n
); Y(t
1
),, Y(t
m
) para
cualquier n y m; y para todo t
1
, , t
n
; t
1
,, t
m

Un proceso complejo Z(t) = X(t)+jY(t) es una familia de funciones complejas y est
estadsticamente determinado en funcin del proceso bidimensional X(t),Y(t).




CSA. Procesos estocsticos 5


Ejemplo 6.2: Sea el proceso X(t) = at+Y con a determinista e Y~U(0,1). Determina la FD y la fdp
de primer orden.












2. ESTADSTICOS DE UN PROCESO ESTOCSTICO

Def: Llamaremos media de un PE a:
E{X(t)} =
X
(t) = xf(x; t) dx
-!
+!
"

En el caso complejo, E{Z(t)} = E{X(t)} + jE{Y(t)}
Para cada valor de t distinto tenemos, en principio, una VA diferente; por lo que tendremos
tambin una media distinta. Por ello la media de un proceso es, en general, una funcin dependiente
del tiempo.
Def: Llamaremos autocorrelacin de un PE a:
R
X
(t
1
, t
2
) = E{X(t
1
)X(t
2
)} = x
1
x
2
f(x
1
, x
2
; t
1
, t
2
) dx
1
dx
2
-!
+!
"
#!
+!
"

En el caso complejo:
R
X
(t
1
,t
2
) = E{X(t
1
)X
*
(t
2
)}; donde X
*
(t) representa el conjugado de X(t)
Si t
1
=t
2
, tenemos la potencia media del proceso : R
X
(t,t) = E{X
2
(t)}
Def: Se define correlacin cruzada entre los procesos X(t) e Y(t) como:
R
XY
(t
1
,t
2
) = E{X(t
1
)Y
*
(t
2
)}
Def: Llamaremos autocovarianza de un PE a:
C
X
(t
1
,t
2
) = E{[X(t
1
)
X
(t
1
)][X(t
2
)
X
(t
2
)]} = R
X
(t
1
,t
2
)
X
(t
1
)
X
(t
2
)
Un caso particular es la funcin de varianzas (t
1
=t
2
):
C
X
(t,t) = E{[X(t)
X
(t)]
2
}= R
X
(t,t)
X
2
(t)= E{X
2
(t)}
X
2
(t) = Var{X(t)}
En el caso complejo:
C
X
(t
1
,t
2
) = E{[X(t
1
)
X
(t
1
)][X
*
(t
2
)
*
X
(t
2
)]} = R
X
(t
1
,t
2
)
X
(t
1
)
*
X
(t
2
)
6 Departamento de Teora de la Seal y Comunicaciones. Universidad de Vigo


Def: Se define covarianza cruzada entre los procesos X(t) e Y(t) como:
C
XY
(t
1
,t
2
) = E{[X(t
1
)
X
(t
1
)][Y
*
(t
2
)
*
Y
(t
2
)]} = R
XY
(t
1
,t
2
)
X
(t
1
)
*
Y
(t
2
)
Estos estadsticos son, en general, funciones que dependen de uno o ms instantes de tiempo.
Obs: Los conceptos de covarianza y correlacin ya haban sido utilizados en la seccin de VA. As como la idea
de covarianza es una extensin lgica de aquella definicin, no ocurre lo mismo con la correlacin. De todas formas,
tanto la covarianza, como la correlacin o el coeficiente de correlacin son estadsticos directamente relacionados, cuyo
objetivo es proporcionar una medida de dependencia lineal entre VA. De hecho, es fcil demostrar que son equivalentes
si las medias son cero y las desviaciones tpicas una unidad, es decir, si las variables estuviesen tipificadas. Esa
transformacin no supone ms que un cambio de escala para reducir la correlacin al intervalo (-1,1), de tal forma que
toda la informacin de la relacin lineal entre las dos seales est contenida en la esperanza del producto, que es
precisamente como se ha definido la correlacin cruzada o la autocorrelacin. En procesado de seal se suele usar mas
sta que la funcin de coeficientes de correlacin por ser mas sencilla de calcular y por estar directamente relacionada
con la potencia de la salida en un sistema lineal invariante en el tiempo. As, si X(t) e Y(t) representan la entrada y la
salida de un sistema lineal, la potencia media en la salida E{Y
2
(t)}no es solo funcin de la potencia media en la entrada
E{X
2
(t)}, sino que necesitamos conocer E{[X(t
1
)+X(t
2
)]
2
}, que claramente se calcula a partir de la potencia media en
los tiempos t
1
y t
2
y a partir de la autocorrelacin de X en t
1
, t
2
.

Ejemplo 6.3: Para el proceso X(t) = at+Y visto en el ejemplo anterior, calcula la esperanza, la
varianza, la autocorrelacin y la autocovarianza
























CSA. Procesos estocsticos 7


A continuacin generalizamos los conceptos, ya estudiados en VA, de independencia,
incorrelacin y ortogonalidad para PE.
Def: Dos procesos X(t) e Y(t) son independientes si su fdp conjunta de cualquier orden se puede
descomponer como el producto de dos fdp marginales, una conteniendo trminos slo dependientes
del proceso X(t) y la otra dependientes de Y(t).
Def: Dos procesos X(t) e Y(t) son incorrelados si C
XY
(t
1
, t
2
) = 0 para cualquier valor de t
1
y t
2
.
Def: Dos procesos X(t) e Y(t) son ortogonales si R
XY
(t
1
, t
2
) = 0 para cualquier valor de t
1
y t
2
.
Obs: Para los procesos discretos en el tiempo utilizaremos la siguiente notacin:
E(X[n]) =
X
[n]
R
X
[n
1
,n
2
] = E{X[n
1
]X
*
[n
2
]}
C
X
[n
1
,n
2
] = R
X
[n
1
,n
2
] -
X
[n
1
]
*
X
[n
2
]

3. ESTACIONARIEDAD

Uno de los objetivos fundamentales de los modelos estocsticos es la prediccin. Para ello,
basndonos en la historia del proceso, trataremos de conjeturar su comportamiento futuro. Para
poder hacer esto, necesitamos que las condiciones futuras sean anlogas a las pasadas. Esta
propiedad se conoce con el nombre de estacionariedad. De modo general, podramos decir que un
PE es estacionario si sus propiedades estadsticas son invariantes ante una traslacin de tiempo. Esto
implica que el mecanismo fsico subyacente que genera el experimento no cambia con el tiempo.
En la prctica existen muchos fenmenos fsicos cuyo comportamiento se puede modelar
mediante un PE estacionario. Como comprobaremos al analizar sus propiedades, una de las ventajas
de estos procesos es que son ms sencillos de caracterizar, pues algunos de sus estadsticos no
dependen del tiempo.
Formalmente, diremos que un proceso X(t) es estacionario (en sentido estricto) si sus
propiedades estadsticas no varan al trasladar el origen de tiempos; es decir, X(t) y X(t+") tienen las
mismas propiedades estadsticas '". Expresndolo en trminos de la fdp:
X(t) es estacionario ('n; 't
1
,,t
n
; '" se verifica que:
f(x
1
,,x
n
; t
1
,,t
n
) = f(x
1
,,x
n
; t
1
+",,t
n
+")
Diremos que dos procesos X(t) e Y(t) son conjuntamente estacionarios si sus propiedades
estadsticas conjuntas son idnticas a las de X(t+") e Y(t+") '".
Un proceso complejo Z(t)=X(t)+jY(t) es estacionario si los son conjuntamente X(t) e Y(t).

Las principales propiedades de los procesos estacionarios son:
1) f(x;t) = f(x;t+") '"; por tanto podemos conseguir cualquier valor de t eligiendo el "
adecuado; es decir, la fdp de primer orden no depende del tiempo, y por tanto, parmetros como la
media, que se calculan exclusivamente a partir de la fdp de primer orden, no dependen del tiempo.
8 Departamento de Teora de la Seal y Comunicaciones. Universidad de Vigo


2) f(x
1
,x
2
; t
1
,t
2
) =f(x
1
,x
2
; t
1
+",t
2
+") 't
1
,t
2
; '"
En particular si " = t
1
tenemos que f(x
1
,x
2
; t
1
,t
2
) =f(x
1
,x
2
; )) con ) = t
2
t
1
; es decir, la fdp de
segundo orden no depende de los instantes temporales que consideremos, sino de la distancia entre
ellos; en particular, los parmetros que dependan slo de la fdp de segundo orden, como la
autocorrelacin o la autocovarianza, dependen slo de la distancia temporal entre los instantes
considerados, independientemente de dnde estn situados.
Verificar que un proceso es estacionario en sentido estricto es, en general, imposible, pues
implica estudiar infinitas fdp. Por ello estudiaremos otros tipos de estacionariedad.
Def: Un proceso es estacionario de orden k si la condicin de estacionariedad estricta se
cumple para todas las fdp de orden n con n ! k.
Def: Un proceso es estacionario en sentido amplio (dbilmente estacionario) si:
E{X(t)} = (independiente del tiempo)
R
X
(t
1
,t
2
) = R
X
()) con ) = t
2
t
1
(es slo funcin de la distancia temporal entre los instantes
considerados)
Evidentemente, si un proceso es estacionario de orden dos, tambin lo es en sentido amplio.
Este tipo de estacionariedad (la dbil) es la ms frecuentemente utilizada en la prctica, pues se basa
en parmetros que son fcilmente estimables a partir de una muestra del proceso. Otros tipos de
estacionariedad que podran definirse son: asinttica, en un intervalo o peridica.

Algunas propiedades de la correlacin de procesos estacionarios son:
Si X(t) e Y(t) son PE estacionarios en sentido amplio, se verifica:
1) La potencia media del proceso, E{|X(t)|
2
}, no depende de t, ya que:
R
X
(0) = E{X(t)X
*
(t)} = E{|X(t)|
2
}
2) R
XY
()) = R
*
YX
()) ya que:
R
XY
()) = E{X(t)Y
*
(t ))} = E{X(*+))Y
*
(*)} = R
*
YX
()) siendo * = t).
En particular, si X e Y son reales R
XY
()) = R
YX
()).
3) R
X
()) = R
*
X
()) ya que:
Haciendo X = Y en 2). En particular, si X es real R
X
()) = R
X
()).

Ruido blanco
El trmino ruido se emplea en el mundo de las telecomunicaciones para hacer referencia a
seales indeseables que constituyen una interferencia en un sistema de comunicacin. En la prctica
el modelo que se emplea habitualmente para estas interferencias es el que se conoce como ruido
blanco, que viene dado por la siguiente definicin:
Def: Un proceso X(t) es ruido blanco si C
X
(t
1
,t
2
) = 0 ' t
1
#t
2
; o lo que es lo mismo, las
variables X(t
1
) y X(t
2
) estn incorreladas. La autocovarianza del ruido blanco se puede expresar
equivalentemente como:
CSA. Procesos estocsticos 9


C
X
t
1
, t
2
( ) = q t
1
( )! t
1
" t
2
( ) q t ( ) # 0

Diremos que el proceso es ruido blanco en sentido estricto si las variables X(t
1
) y X(t
2
) son
independientes. A menudo la distribucin que se emplea para modelar el ruido en cada instante es la
distribucin gaussiana, en cuyo caso las definiciones de ruido blanco y ruido blanco en sentido
estricto son equivalentes.
Obs: Generalmente se asume que el ruido blanco tiene media cero, por lo que su funcin de autocorrelacin
coincide con su autocovarianza. Adems, tambin es habitual considerar que la varianza del proceso es constante, con lo
cual el ruido blanco constituye un proceso estacionario en sentido amplio. Tal y como se deduce de su definicin, el
ruido blanco en sentido estricto presenta una valor en cada instante de tiempo que no depende de cual haya sido su valor
en los instantes precedentes y que no ejerce ninguna influencia en sus valores futuros.
Los PE se pueden estudiar tambin en el dominio de la frecuencia. Concretamente para un PE estacionario se
define la densidad espectral de potencia como la transformada de Fourier de su funcin de autocorrelacin:
S ! ( ) = R
X
" #
#
$
% ( )e
" j!%
d%

Si aplicamos esta expresin a la funcin de autocorrelacin del ruido blanco de media cero, se obtiene que su
espectro viene dado por una constante, es decir, se trata de un espectro plano, cuya magnitud es comn a todas las
frecuencias. El nombre de ruido blanco contrasta de este modo con el trmino ruido coloreado, que es aquel cuyo
espectro presenta magnitudes distintas para diferentes frecuencias.

4. ERGODICIDAD

Supongamos que slo tenemos acceso a una realizacin del PE y pretendemos conocerlo a
partir de esa nica funcin temporal; para ello nos interesar conocer sus estadsticos (media,
autocorrelacin, etc). Estudiaremos entonces los promedios temporales del proceso.
Si X(t) es un PE estacionario en sentido amplio, llamaremos valor medio en el tiempo o media
temporal a:
M
X
= lim
T!"
1
2T
X(t)dt =
#T
T
$
lim
T!"

T

Llamaremos autocorrelacin temporal a:
A
X
(!) = lim
T"#
1
2T
X(t)X(t + !) dt
$T
T
%

Ambas son VA con valores diferentes para cada realizacin del proceso.
Las definiciones son similares para el caso discreto. Para un PE en tiempo discreto X[k],
estacionario en sentido amplio y definido para valores enteros de k, con k$0, la media temporal y la
autocorrelacin temporal se calcularan mediante las siguientes expresiones respectivamente:

M
X
= lim
N!"
1
N
X[k]
k =0
N#1
$

A
X
(!) = lim
N"#
1
N
X[k]
k =0
N$1
%
X[k + !]

10 Departamento de Teora de la Seal y Comunicaciones. Universidad de Vigo


Obs: Si el proceso estuviese definido para ndices k$1, las expresiones anteriores seran
equivalentes, pero en el denominador, en lugar de N estara el nmero de sumandos (N-1).
Diremos que un proceso es ergdico si sus promedios estadsticos se pueden calcular a partir
de una realizacin; es decir, si sus promedios estadsticos coinciden con sus promedios temporales.
Hablaremos por tanto de ergodicidad en media y de ergodicidad en autocorrelacin.

Ergodicidad en media:
Dado que la media temporal no depende del tiempo, para que un PE sea ergdico en media es
necesario que la media del proceso sea constante, lo cual tenemos asegurado si el proceso es
estacionario.
El hecho de decir que el lmite de una VA coincide con una constante, se interpreta as:
!
Sea
T
=
1
2T
X(t)dt
"T
T
#

Un proceso ser ergdico en media si, con probabilidad 1:
T
+ cuando T+"
Ahora bien,
T
es una VA, cuya media es:
!
E(
T
) =
1
2T
E(X(t))dt
"T
T
#
=
Por tanto:

T T!"
# ! # # $%
T
2
T!"
# ! # # 0 $E
T
& ( )
2
{ }
T!"
# ! # # 0

Por ello, para estudiar la ergodicidad, se halla el promedio temporal en un intervalo (-T,T)
finito y se estudia si la varianza de la integral resultante tiende a cero cuando T tiende a ".
Ejemplo resuelto:
Sea A una VA con distribucin N(0,1). A partir de ella se construye el PE X(t) = A 't.
Evidentemente, E{X(t)} = 0 't. Sin embargo:

T
=
1
2T
X(t)dt
! T
T
"
=
1
2T
Adt
!T
T
"
= A # 0

Claramente el PE no es ergdico en media. Lo que si es cierto en cualquier caso es que E(
T
) =
X
;
en nuestro caso E(A) = 0.

Ergodicidad en autocorrelacin:
Intentaremos determinar la autocorrelacin de un proceso estacionario en trminos de una
realizacin. Sea:
R
X
()) = E{X(t)X(t+))}
Construimos el proceso : Z
)
(t) = X(t)X(t+))
Evidentemente E{Z
)
(t)} = R
X
())
Por tanto, el proceso X(t) ser ergdico en autocorrelacin si y solo si el proceso Z
)
(t) es
ergdico en media.


CSA. Procesos estocsticos 11


Ejemplo 6.4: La seal de entrada de un conversor es un PE Y[n] tal que Y[n]~N(,,) ' n=0,1,..;
siendo Y[n] e Y[m] independientes ' n # m.
La salida del conversor es el proceso X(t)=Y[ParteEntera(t)], con t $0.
a) Indica el rango de X(t) y representa grficamente una realizacin del proceso.
b) Estudia la estacionariedad y la ergodicidad en media de X(t).
c) Es el proceso Y[n] estacionario en autocorrelacin?
d) Estudia la estacionariedad y la ergodicidad en autocorrelacin de X(t).



























5. EJEMPLO
Sea X(t) = Acos(!t+&) donde & es una VA U(-%,%) con A y ! deterministas. Determina:
a) densidad de primer orden
b) E{X(t)}
c) R
X
(t
1
, t
2
)
d) Estudia la estacionariedad en sentido amplio
e) La media y la autocorrelacin temporales
f) Estudia la ergodicidad.
12 Departamento de Teora de la Seal y Comunicaciones. Universidad de Vigo




CSA. Procesos estocsticos 13


















EJERCICIOS PROPUESTOS:
FD de un PE. Li. Problema 6.2. Pag. 301.
FD y esperanza de un PE. Papoulis. 2 ed.: Prob. 9.1. Pag. 258. 3 ed.: Prob. 10.1. Pag. 340. 4
ed.: Prob. 9.1. Pag. 430.
Estadsticos de un PE. Li. Problema 6.5. Pag. 301.
Correlacin de la suma y la diferencia. Li. Problema 6.32. Pag. 305.
Estacionariedad y autocorrelacin. Li. Problemas de autoevaluacin 6.3. Pag. 310.
Estacionariedad y autocovarianza. Papoulis. 3 ed.: Problema 10.10. Pag. 340. 4 ed.: Problema
9.10. Pag. 430.
Correlacin cruzada. Li. Ejemplos adicionales 6.24. Apartados a), b) y c). Pag. 298.

LECTURAS RECOMENDADAS:
Stark: Introduccin y apartado 8.19
Li: Apartados 6.1 y 6.3.

INFORMACIN Y DOCUMENTACIN ADICIONAL:
La documentacin de este tema se complementa con un boletn de problemas. En clases de
laboratorio se realizar una prctica de ordenador (prctica #8). Esta prctica dispone de un
enunciado que es recomendable leer antes de asistir al laboratorio.