Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Referencias: 1I t d Introduccin y conceptos b i i t bsicos 2 Estadsticos de un proceso estocstico 3 Estacionariedad de un proceso estocstico 4 Ergodicidad de un proceso estocstico 5 Ejemplos
Procesos Estocsticos
Captulo 8 de Introduccin a los Sistemas de Comunicacin. Stremler, C.G. (1993) Apuntes de la Universidad de Vigo (pgina Web) Captulo 6 de Principios de Probabilidad, variables aleatorias y seales aleatorias
Procesos Estocsticos
1I t d Introduccin y conceptos b i i t bsicos 2 Estadsticos de un proceso estocstico 3 Estacionariedad de un proceso estocstico 4 Ergodicidad de un proceso estocstico 5 Ejemplos
=2 =16
12
=1/36
Si, para el mismo proceso, fijamos otro instante t=t1 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 2
FX ( x, t ) = P( X (t ) x)
0 20 tiempo 40 60
Y, por tanto, se tiene tambin la funcin de densidad de primer orden derivando la funcin de distribucin respecto a x
f ( x, t ) =
dFX ( x, t ) dx 14
F ( x1 , x 2 , t1 , t 2 ) = P ( X (t1 ) x1 X (t 2 ) x 2 )
Se puede obtener la funcin de densidad de segundo orden derivando la funcin de distribucin parcialmente respecto a x1 y a x2
2 F ( x1 , x2 , t1 , t 2 ) f ( x1 , x2 , t1 , t 2 ) = x1x2
15 Estadstica. Profesora Mara Durbn Estadstica. Profesora Mara Durbn 16
Procesos Estocsticos
1 Introduccin y conceptos bsicos 2 Estadsticos de un proceso estocstico 3 Estacionariedad de un proceso estocstico 4 Ergodicidad de un proceso estocstico 5 Ejemplos
x f ( x, t ) dx
E[Z (t )] = E[ X (t )] + j E[Y (t )]
Se puede entender grficamente como el centro de gravedad de la funcin densidad de probabilidad Caracterstica: Para cada t, se tiene una VA distinta una media distinta La media es, en general una funcin dependiente del tiempo es general,
17 18 Estadstica. Profesora Mara Durbn
E [ X (t ) ] = E [ cos(2 ft + B ) ] ( f
E [ cos(2 ft + ) ] =
/ 2
1 2 cos(2 ft + ) = cos(2 ft )
x (t ) = p + q cos ( 2 f t )
Estadstica. Profesora Mara Durbn
20
Recordamos:
Var V [ X ] = E X 2 ( E [ X ])
x1 x 2 f ( x1 , x 2 ; t1 , t 2 ) d x1 d x 2
En el caso de que t1 = t2 se tiene el valor cuadrtico medio del proceso estocstico que es una funcin de una variable temporal:
R X (t , t ) = E ( X (t )) = x 2 f ( x; t ) d x
2
R (t , u ) RXY (t , u ) R (t , u ) = X RYX (t , u ) RY (t , u )
RXY (t , u ) = E [ X (t )Y (u ) ]
En l E el caso d que tk = ti se ti de tiene l varianza d l proceso estocstico. la i del t ti De las definiciones de correlacin y covarianza, se puede obtener:
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.
E X (t ) 2 E [ X (t )Y (t ) ] R (t , t ) = E [Y (t ) X (t ) ] E Y (t ) 2
24 Estadstica. Profesora Mara Durbn
Ortogonalidad Dos procesos X(t) e Y(t) son ortogonales si RXY(t1, t2)=0 para cualquier valor de t1 y t2.
3) Covarianzas
C XY (t1 , t 2 ) = X (t1 ) Y (t 2 )
Procesos Estocsticos
1 Introduccin y conceptos bsicos 2 Estadsticos de un proceso estocstico 3 Estacionariedad de un proceso estocstico 4 Ergodicidad de un proceso estocstico 5 Ejemplos
x2 x1
20
15
10
No estacionario
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 tiempo
30
E [ X (t ) ] =
E [ X (t ) ] =
RX ( ) = RX ( )
ya q e a que
RX ( ) = E [ X (t ) X (t ) ] = E [ X (t ) X (t ) ] = RX ( ) 33
Estadstica. Profesora Mara Durbn Estadstica. Profesora Mara Durbn
34
1 d = 0 2
Utilizando:
-5
-10
20 tiempo
40
60
36
1 d = 0 2
Es dbilmente estacionario
Estadstica. Profesora Mara Durbn
Procesos Estocsticos
1 Introduccin y conceptos bsicos 2 Estadsticos de un proceso estocstico 3 Estacionariedad de un proceso estocstico 4 Ergodicidad de un proceso estocstico 5 Ejemplos
AX =T lim uuu r
1 2T
X (t ) X (t + )dt
Ambas son VA ya que toman valores distintos p y q para cada realizacin del proceso.
39 Estadstica. Profesora Mara Durbn Estadstica. Profesora Mara Durbn 40
T = 0
Es ergdico en media
41
Procesos Estocsticos
1I t d Introduccin y conceptos b i i t bsicos 2 Estadsticos de un proceso estocstico 3 Estacionariedad de un proceso estocstico 4 Ergodicidad de un proceso estocstico 5 Ejemplos
1 T a sin (wT ) T (a cos(wt ) + b sin(wt ))dt = wT limT T = 0 2T 1 RX ( ) = E [ X (t ) X (t + ) ] = cos( w ) ( 3 No N es ergdico en di 1 T 1 2 autocorrelacin 2 X (t ) X (t + )t = (a + b ) cos( w ) uuu r T lim 2T T 2 Estadstica. Profesora Mara Durbn
44
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)~P(t) X=t CX(t1,t2)=min{t1,t2} Ruido Ruido= seales indeseables que constituyen una interferencia en un sistema de comunicaciones. H d ti i t d i i Hay dos tipos d ruido: ruido externo al de id id t l 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(t1), X(t2) estn incorreladas para todo t. p Si las variables son gaussianas, incorreladas = independientes
45 Estadstica. Profesora Mara Durbn
5 Ejemplos
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 auticorrelacin) Estacionariedad en sentido dbil = estacionariedad en sentido estricto Un proceso es independiente C(ti,tj)=0 Ejercicio. Febrero 2003 Ej i i F b Sean X e Y dos VA independientes y normales con media 0 y varianza 1, se define el proceso gaussiano: Z(t)=Xcos(2t)+Ysin(2t)
x1 0 -1 1 2
46
-3 -2 -1 0 tiempo 1 2 3
5 Ejemplos
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 sufuncin media y su autocovarianza (o auticorrelacin) Estacionariedad en sentido dbil = estacionariedad en sentido estricto Un proceso es independiente C(ti,tj)=0 Ejercicio. Febrero 2003 Ej i i F b Sean X e Y dos VA independientes y normales con media 0 y varianza 1, se define el proceso gaussiano: Z(t)=Xcos(2t)+Ysin(2t) a) Determine la funcin de p ) probabilidad conjunta de Z(t1) y Z(t2). j ( ( ) b) Estudie la estacionariedad en sentido dbil y estricto.
47 Estadstica. Profesora Mara Durbn
5 Ejemplos
Procesos Autorregresivos Un proceso autorregresivo de orden 1, AR(1), tiene la siguiente forma:
X (t ) = c + X (t 1) + t t ~ N (0, 2 )
E [X (t )] =
= 0 .7
-2
c 1
Var[X (t )] =
2 1 2
C X ( ) =
2 1 2
-4
-2
2 0
4 0
6 0
8 0
1 0 0
0 .5
-3
-2
-1
2 0
4 0
6 0
8 0
1 0 0