PDF Interesante Teoría PDF

Tema 7: Procesos Estocasticos
Teora de la Comunicacion
Curso 2007-2008

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Densidad Espectral de Potencia
Filtrado de Procesos Estocasticos
Contenido
1
Definicion
Estadstica
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Contenido
1
Definicion
Estadstica
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Definicion
Procesos Estocasticos
que
Un Proceso Estocastico
Definicion:
X(t) es una funcion
a cada posible resultado de un experimento
asocia una senal
aleatorio.
S
X(t, S) R
Variable independiente: t T R (T espacio de tiempos)
Interpretacion
Si se fija el suceso: X(t, S0 ) es una senal

Si se fija el tiempo: X(t0 , S) es una variable aleatoria
Si se fijan ambos: X(t0 , S0 ) es un no real
Si ambos varan: X(t, S) es un proceso estocastico

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Definicion
Procesos Estocasticos.
Ejemplo
Realizaciones de un Proceso Estocastico

Realizaciones de un Proceso Estocstico
1
x(t,S )
10
0
10
0
X: 20
Y: 0.128
X: 5
Y: 2.746
10
15
20
25
30
35
40
45
50
25
30
35
40
45
50
25
30
35
40
45
50
25
30
35
40
45
50
X: 20
Y: 0.8176
x(t,S )
10
X: 5
Y: 3.786
0
10
0
10
15
20
10
15
20
10
15
20
x(t,S )
10
0
10
0
X: 5
Y: 3.641
X: 20
Y: 6.604
x(t,S )
10
0
10
0
X: 5
Y: 3.67
X: 20
Y: 3.524

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Clasificacion
de Procesos Estocasticos
Clasificacion
del Espacio de Tiempos T :
En funcion
T continuo: Proceso Estocastico
T discreto: Secuencia Estocastica

del espacio de estados S = {X(t, S) t T
En funcion
S continuo
S discreto
T continuo
Proceso
Estocastico
Continuo
Proceso
Estocastico
Discreto
S }
T discreto
Secuencia
Estocastica
Continua
Secuencia
Estocastica
Discreta
Otra Clasificacion:
Deterministas (o predecibles): Los valores futuros se pueden
predecir de manera exacta a partir de los valores anteriores
Ejemplo: X(t) = A cos(t + ) con v.a. uniforme en (, )
No Deterministas (impredecibles): No se pueden predecir de

manera exacta los valores futuros

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Contenido
1
Definicion
Estadstica
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
y Densidad de Probabilidad de Primer Orden

Funciones Distribucion
F.D. y fdp de primer orden

Fijando t X(t1 ) es una v.a.
Distribucion
de primer orden:
Funcion
FX (x1 ; t1 ) = P (X(t1 ) x1 )
Densidad de Probabilidad de primer orden:
Funcion
fX (x1 ; t1 ) =
FX (x1 ; t1 )
x1
Observaciones:
Ambas funciones se han de conocer para todo t1 T
En general, el proceso estocastico

no queda completamente
caracterizado por las funciones de primer orden

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
y Densidad de Probabilidad de Segundo Orden

F.D. y fdp de segundo orden

Considerando dos instantes t1 , t2 v.a. bidimensional (X(t1 ), X(t2 ))
Distribucion
de segundo orden:
Funcion
FX (x1 , x2 ; t1 , t2 ) = P (X(t1 ) x1 , X(t2 ) x2 )
Densidad de Probabilidad de segundo orden:
Funcion
fX (x1 , x2 ; t1 , t2 ) =
2 FX (x1 , x2 ; t1 , t2 )
x1 x2
Observaciones:
Ambas funciones se han de conocer para todo par (t1 , t2 )
En general, el proceso estocastico

no queda completamente
caracterizado por las funciones de segundo orden
de las marginales (funciones de primer orden):
Obtencion
FX (x1 ; t1 ) = FX (x1 , x2 = ; t1 , t2 )
Z
fX (x1 ; t1 ) =
fX (x1 , x2 ; t1 , t2 )dx2

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
y Densidad de Probabilidad de Orden n

F.D. y fdp de orden n

Considerando n instantes t1 , t2 , . . . , tn
Conjunta de n variables aleatorias
Caracterizacion
Distribucion
de orden n:
Funcion
FX (x1 , x2 , . . . , xn ; t1 , t2 , . . . , tn ) = P (X(t1 ) x1 , . . . , X(tn ) xn )
Densidad de Probabilidad de orden n:

Funcion
fX (x1 , x2 , . . . , xn ; t1 , t2 , . . . , tn ) =
n FX (x1 , x2 , . . . , xn ; t1 , t2 , . . . , tn )
x1 x2 . . . xn
Observaciones:
Un proceso estocastico
queda completamente caracterizadoa si
conocemos su fdp (o F.D.) de orden n
n
x1 , x2 , . . . , xn R
t1 , t2 , . . . , tn T
a En
la practica,
suele bastar con conocer la fdp o F.D. de segundo orden.

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Contenido
1
Definicion
Estadstica
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Estadsticos de un Proceso Estocastico
Media de un Proceso Estocastico
Definicion:
X (t) = E[X(t)] =
xfX (x; t)dx
En general, X (t) depende del tiempo

Se requiere la fdp de primer orden
de un Proceso Estocastico
Autocorrelacion
Definicion:
Z
RX (t1 , t2 ) = E[X(t1 )X(t2 )] =
x1 x2 fX (x1 , x2 ; t1 , t2 )dx1 dx2
depende de t1 y t2
En general, la autocorrelacion

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Autocovarianza de un Proceso Estocastico
Definicion:
CX (t1 , t2 ) = E [(X(t1 ) X (t1 )) (X(t2 ) X (t2 ))] =
= E[X(t1 )X(t2 )] X (t1 )X (t2 ) = RX (t1 , t2 ) X (t1 )X (t2 )
Valor Cuadratico
Medio (Potencia) de un Proceso Estocastico
Es el momento no centrado de orden 2 de la v.a. X(t):

m2 (t) = E X 2 (t) = RX (t, t)
Varianza de un Proceso Estocastico

Es el momento centrado de orden 2 de la v.a. X(t):

2
2
2 (t) = X
(t) = Var [X(t)] = E X 2 (t) X
(t) = CX (t, t)

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Coeficiente de Autocorrelacion
analoga
Definicion
al caso de 2 variables aleatorias:
CX (t1 , t2 )
CX (t1 , t2 )
rX (t1 , t2 ) = p
= p
Var [X(t1 )] Var [X(t2 )]
CX (t1 , t1 )CX (t2 , t2 )
1 rX (t1 , t2 ) 1
lineal entre X(t1 ) y X(t2 )
rX (t1 , t2 ) indica el grado de relacion
Ejemplo
X(t) = at + Y con Y v.a. uniforme en (0, 1), a = cte.
Media: X (t) = at + 1/2
RX (t1 , t2 ) = a2 t1 t2 + 21 a(t1 + t2 ) + 13
Autocorrelacion:
1
Autocovarianza: CX (t1 , t2 ) = 12
2
1
Varianza: X
(t) = Var [X(t)]
=
(t, t) = 12
2 CX
Valor Cuadratico
Medio: E X (t) = RX (t, t) = a2 t2 + at +
rX (t1 , t2 ) = 1
Coeficiente de Autocorrelacion:
1
3

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Ruido Blanco
es Ruido Blanco sii:
CX (t1 , t2 ) = 0
RX (t1 , t2 ) = X (t1 )X (t2 )
t1 6= t2
incorreladas
Las variables aleatorias X(t1 ), X(t2 ) estan
No se puede estimar linealmente X(t2 ) a partir de X(t1 ) (t1 6= t2 )
Realizaciones de Ruido Blanco: Caracter

Erratico
Ruido Blanco Estricto
es Ruido Blanco Estricto sii:
fX (x1 , x2 ; t1 , t2 ) = fX (x1 ; t1 )fX (x2 ; t2 )
t1 6= t2
Las variables aleatorias X(t1 ), X(t2 ) son independientes

(ni lineal ni no lineal) entre X(t1 ) y X(t2 )
No hay ninguna relacion

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
de Procesos Estocasticos
Caracterizacion
Discretos en el tiempo
Secuencias Estocasticas:
Espacio de tiempos T = {. . . , t1 , t0 , t1 , . . .}
X[n] = X(tn )
nZ
Definiciones Analogas
a las de Procesos Estocasticos
Continuos
Distribucion:
FX [x; n] = P (X[n] x)
Funcion
fdp:
FX [x; n]
fX [x; n] =
x
Media: X [n] = E [X[n]]
RX [n1 , n2 ] = E [X[n1 ]X[n2 ]]
Autocorrelacion:
Autocovarianza: CX [n1 , n2 ] = RX [n1 , n2 ] X[n1 ]X[n2 ]
Valor Cuadratico
Medio (Potencia): m2 [n] = E X 2 [n]
Varianza:

2
2
X
[n] = Var [X[n]] = E (X[n] X [n])2 = E X 2 [n] X
[n]
rX [n1 , n2 ] =
Coeficiente de Autocorrelacion:
CX [n1 ,n2 ]
CX [n1 ,n1 ]CX [n2 ,n2 ]

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Estadsticos de dos Procesos Estocasticos
de dos Procesos Estocasticos
Caracterizacion
X(t), Y (t)
Distribucion
Conjunta:
Funcion
FXY (x1 , . . . , xN , y1 , . . . , yM ; t1 , . . . , tN , t01 , . . . , t0M )
fdp Conjunta: fXY (x1 , . . . , xN , y1 , . . . , yM ; t1 , . . . , tN , t01 , . . . , t0M )
Estadsticos de dos Procesos Estocasticos

Cruzada:
Correlacion
RXY (t1 , t2 ) = E [X(t1 )Y (t2 )]
Covarianza Cruzada:
CXY (t1 , t2 ) = E [(X(t1 ) X (t1 )) (Y (t2 ) Y (t2 ))]
Propiedades:
RX (t1 , t2 ) = RX (t2 , t1 )
CX (t1 , t2 ) = CX (t2 , t1 )
RXY (t1 , t2 ) = RY X (t2 , t1 )
CXY (t1 , t2 ) = CY X (t2 , t1 )
RXY (t1 , t2 ) 6= RXY (t2 , t1 )
CXY (t1 , t2 ) 6= CXY (t2 , t1 )

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Contenido
1
Definicion
Estadstica
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Estacionariedad
Proceso Estocastico
Estacionario de Orden 1
Se dice que un proceso estocastico

Definicion:
es estacionario de
orden uno sii:
fX (x; t) = fX (x; t + )
t,
es decir, la fdp (y F.D.) de orden 1 no dependen de t, lo que implica:
X (t) = X = cte.
2
2
X
(t) = X
= cte.
Proceso Estocastico
Estacionario de Orden 2
Se dice que un proceso estocastico

Definicion:
es estacionario de
orden dos sii:
fX (x1 , x2 ; t1 , t2 ) = fX (x1 , x2 ; t1 + , t2 + )
t1 , t2 ,
Implicaciones:
La fdp (y F.D.) de orden dos no depende de los tiempos absolutos
t1 , t2 sino solamente de la diferencia = t1 t2
lo es de orden 1
Un P.E. estacionario de orden 2 tambien
RX (t1 , t2 ) = RX (t1 t2 ) = RX ( )

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Estacionariedad
Proceso Estocastico
Estacionario en Sentido Estricto
Definicion:
es estacionario en sentido estricto
sii es estacionario de orden n n
Proceso Estocastico
Estacionario en Sentido Amplio
Un P.E. es estacionario en sentido amplioa sii:
Definicion:
X (t) = E[X(t)] = X = cte.
RX (t1 , t2 ) = RX (t1 t2 ) = RX ( ) = E [X(t + )X(t)]
En el caso discreto:
X [n] = E[X[n]] = X = cte.
RX [n1 , n2 ] = RX [n1 n2 ] = RX [m] = E [X[n + m]X[n]]
Observacion:
Estacionario de orden 2
a WSS:
Estacionario en Sentido Amplio
Wide Sense Stationary

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Estacionariedad
Ejemplo 1
Tono de fase aleatoria: X(t) = A cos(t + )
fX (x; t) = fX (x) =
1
A2 x2
|x| A
uniforme en (, )
Estacionario orden 1
Media:
Z
cos(t + )
X (t) = E [A cos(t + )] = A
1
d = 0 = cte.
2
Autocorrelacion:

RX (t1 , t2 ) = E [X(t1 )X(t2 )] = E A2 cos(t1 + ) cos(t2 + ) =
A2
=
E [cos((t1 + t2 ) + 2)] +E [cos((t1 t2 ))] =
2
{z
}
|
0
A2
=
cos((t1 t2 ))
2
RX ( ) =
A2
cos( )
2

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Estacionariedad
Ejemplo 1. Continuacion
X(t) = A cos(t + ) es estacionario en sentido amplio
Realizaciones del Proceso Estocastico

Proceso Estocstico Estacionario
1
0.8
0.6
Realizaciones de X(t)
0.4
0.2
0
0.2
0.4
0.6
0.8
1
0

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Estacionariedad
Ejemplo 2
X(t) = A cos(t + ) con A v.a. uniforme en (a, a)
X(t) es una v.a uniforme en [a cos(t + ), a cos(t + )]
Dependencia con t
Proceso Estocastico
No Estacionario
Proceso Estocstico No Estacionario
1
0.8
0.6
Realizaciones de X(t)
0.4
0.2
0
0.2
0.4
0.6
0.8
1
0

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Estacionariedad
Procesos Conjuntamente Estacionarios
Los procesos estocasticos

Definicion:
X(t), Y (t) son conjuntamente
estacionarios en sentido amplio sii:
X(t), Y (t) son estacionarios en sentido amplio por separado
RXY (t + , t) = E [X(t + )Y (t)] = RXY ( )
Algunas Propiedades de los Procesos Estacionarios

Propiedades de RX ( )
RX ( ) = RX ( )
|RX ( )| RX (0)
Propiedades de RXY ( )
RXY ( ) = Rp
Y X ( )
|RXY ( )| RX (0)RY (0)
Para Z(t) = X(t) + Y (t)
RZ ( ) = E [Z(t + )Z(t)] = E [(X(t + ) + Y (t + )) (X(t) + Y (t))]

RZ ( ) = RX ( ) + RY ( ) + RXY ( ) + RY X ( )

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Relaciones Entre Procesos Estocasticos
Independientes
Dos procesos estocasticos

Definicion:
son independientes sii:
fXY (x1 , . . . , xN , y1 , . . . , yM ; t1 , . . . , tN , t01 , . . . , t0M ) =
= fX (x1 , . . . , xN ; t1 , . . . , tN )fY (y1 , . . . , yM ; t01 , . . . , t0M )
N, M
Incorrelados

Definicion:
son incorrelados sii:
CXY (t + , t) = 0
t,
de Y (t)
X(t) no se puede estimar de manera lineal a partir de la observacion
Ortogonales

Definicion:
son ortogonales sii:
RXY (t + , t) = 0
t,
Ejemplo (ruido en RX): Z(t) = X(t) + Y (z) con X(t), Y (t) ortogonales
RZ (t + , t) = RX (t + , t) + RY (t + , t)

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Contenido
1
Definicion
Estadstica
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Ergodicidad
Ergodicos
de un proceso estocastico
Pregunta: Dada una realizacion

...
Podemos caracterizarlo estadsticamente?
Intuicion:
es ergodico
si se puede caracterizar
estadsticamente a partir de una realizacion
Temporal
Promedio Temporal y Autocorrelacion
X(t, S0 ) de un P.E. se define
Dada una realizacion
Promedio Temporal:
Z T
1
MX (S0 ) = lm
X(t, S0 )dt
T 2T
T
Temporal:
Autocorrelacion
AX (, S0 ) = lm
1
2T
X(t + , S0 )X(t, S0 )dt

T
En general, MX (S) es una v.a. y AX (, S) es un proceso estocastico

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Ergodicidad
Ergodicidad Respecto a la Media
Un P.E. X(t) es ergodico

Definicion:
respecto a la media sii:
X(t) es estacionario en sentido amplio
El promedio temporal es igual a la media
S
MX (S) = X
Condiciones para que X(t) (WSS) sea ergodico

respecto a la media
Necesaria y Suficiente
Teorema 1: Condicion
lm
1
2T
2T

1
2T
| |
2T

CX ( )d = 0
Suficiente
Z
|CX ( )|d <
Suficiente
CX (0) <
lm CX ( ) = 0
| |

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Ergodicidad
Ejemplo 1
X(t) = A con A variable aleatoria uniforme en (0, 1)
Promedio estadstico (vertical): X = E[X(t)] = E[A] = 1/2
RT
1
Adt = A
Promedio temporal (horizontal): MX = lmT 2T
T
X 6= MX
no es ergodico
respecto a la media
Ejemplo 2
Lanzamiento de una moneda y dos formas de onda
X(t, cara00 ) = cos(t)
X (t)
No es WSS
X(t, cruz 00 ) = ect
No es ergodico
respecto a la media

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Ergodicidad
Ejemplo 3
uniforme en (, )
X(t) = A cos(t + )
X(t) es estacionario en sentido amplio:

X = 0
RX ( ) =
A2
cos( )
2
Promedio Temporal:
Z T
A
1
MX = lm
A cos(t + )dt = lm
sin(t + )|TT =
T
T 2T
2T
T
A
= lm
(sin(T + ) sin(T + )) =
T 2T
A
= lm
sin(T ) cos() = 0 = X
T T
WSS y X = MX
Ergodico
respecto a la media

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Ergodicidad
Ergodicidad Respecto a la Autocorrelacion
sii:
Un P.E. X(t) es ergodico
Definicion:
respecto a la autocorrelacion
X(t) es estacionario en sentido amplio
Temporal es igual a la Autocorrelacion
La Autocorrelacion
AX (, S) = RX ( )
, S
Ejemplo
X(t) = A cos(t + )
uniforme en (, )
X = 0
RX ( ) =
A2
cos( )
2
Temporal:
Autocorrelacion
Z T
1
AX ( ) = lm
A cos((t + ) + )A cos(t + )dt =
T 2T
T
=
A2
cos( ) = RX ( )
2
Ergodico
resp. Autocorrelacion

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Contenido
1
Definicion
Estadstica
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Espectral de Procesos Estocasticos
Caracterizacion
WSS
frecuencial de un proceso estocastico
Objetivo: Caracterizacion
WSS
Herramienta: Transformada de Fourier
Z
Z
1
X() =
x(t)ejt dt
x(t) =
X()ejt d
2
Z
Z
X(f ) =
x(t)ej2f t dt
x(t) =
X(f )ej2f t df
Primera Aproximacion
de la T.F. de cada Realizacion
x(t) = X(t, S)
Obtencion
Problemas:
En general, x(t) puede no tener Transformada de Fourier
Z
Cond. suficiente para T.F.
|x(t)|dt <
Buscamos el espectro del P.E., no de una realizacion

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Segunda Aproximacion
de una ventana temporal
Consideracion

XT (t, S) =
X(t, S)
0
T < t < T
resto
XT (, S) =
XT (t, S)ejt dt
Ventajas:
Energa finita Existe Transformada de Fourier. Ta de Parseval:
Z T
Z
1
ET (S) =
(XT (t, S))2 dt =
|XT (, S)|2 d
2
T
Inconvenientes:
Seguimos considerando realizaciones
consideramos un intervalo temporal (T ET (S) )
Solo
Z T
Z
|XT (, S)|2
1
1
PT (S) =
(XT (t, S))2 dt =
d
2T T
2
2T

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Solucion:
Consideramos la Potencia
PX = lm E[PT (S)] = lm
T
1
=
2
1
2T
E[XT2 (t, S)]dt = RX (0) =

i
h
E |XT (, S)|2
lm
2T
Densidad Espectral de Potencia (DEP)

E |XT (, S)|2
SX () = lm
T
2T
la DEP y la Funcion
de Autocorrelacion
satisfacen la relacion:
Ademas,
Z
RX ( )ej d
SX () = TF [RX ( )] =
Z
1
RX ( ) = TIF [SX ()] =
SX ()ej d
2

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Densidad Espectral de Potencia de P.E. Discretos en el tiempo

analoga
Definicion
SX () = TF [RX [m]] =
RX [m]ejm
m=
RX [m] = TIF [SX ()] =
1
2
SX ()ejm d
2
En este caso, la DEP es periodica

de periodo 2
Z
1
PX = RX [0] =
SX ()d
2 2

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Ejemplo 1:
de Autocorrelacion
DEP y Funcion
S (f)
0.8
0.6
0.4
0.2
0
0
20
40
60
80
0.1
0.2
0.3
0.4
100
120
140
160
180
200
0.5
0.6
0.7
0.8
0.9
Frecuencia (Hz)
10
R ()
5
0
(s)

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Ejemplo 1:

10
10
10
0
0.2
0.4
0.6
t (s)
0.8
10
0.2
0.4
0.6
t (s)
0.8
0.8
5
0
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
t (s)
0
0.2
0.4
0.6
t (s)
0.8
10
10
0
t (s)
10
0.6
t (s)
10
10
0
0.4
20
20
0
0.2
0
10
0
10
0
0
0.2
0.4
0.6
t (s)
0.8
10
0
t (s)

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Ejemplo 2:
de Autocorrelacion
DEP y Funcion
S (f)
0.8
0.6
0.4
0.2
0
0
20
40
60
80
0.1
0.2
0.3
0.4
100
120
140
160
180
200
0.5
0.6
0.7
0.8
0.9
Frecuencia (Hz)
60
RX()
40
20
0
20
0
(s)

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Ejemplo 2:

50
20
50
0
0.2
0.4
0.6
t (s)
0.8
50
0.2
0.4
0.6
t (s)
0.8
0.8
20
0
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
t (s)
0
0.2
0.4
0.6
t (s)
0.8
50
50
0
t (s)
50
0.6
t (s)
50
50
0
0.4
50
50
0
0.2
20
0
50
0
20
0
0
0.2
0.4
0.6
t (s)
0.8
50
0
t (s)

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Propiedades:
real
SX () es una funcion
La DEP es no negativa: SX () 0
Para P.E. reales, la DEP es par: SX () = SX ()
SX () = TF [RX ( )]
Analoga con una fdp: La DEP indica como se distribuye la
potencia de un P.E. con la frecuencia
Ejemplo 1
X(t) = A cos(0 t + ), con uniforme en (, )
de Autocorrelacion:
RX ( ) =
Funcion
Densidad Espectral de Potencia:
SX () = TF [RX ( )] =
Potencia: PX = RX (0) =
1
2
A2
2
cos(0 )
A2
[( 0 ) + ( + 0 )]
2
SX ()d =
A2
2

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Ejemplo 2
Ruido Blanco con media cero:
Densidad Espectral de Potencia:
SX () =
N0
Watt/Hz
2
RX ( ) = CX ( ) = TIF [SX ()] = N20 ( )

Autocorrelacion:
Potencia en una Ancho de Banda BW (en Hercios):
PBW = BW N0 = 2
Caso discreto: Ruido Blanco de media cero y varianza 2
Autocorrelacion:

0
m 6= 0
RX [m] = CX [m] =
2 m = 0
Densidad Espectral de Potencia: SX () = TF [RX [m]] = 2

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Densidad Espectral de Potencia Cruzada
Sean X(t), Y (t) dos procesos estocasticos

Definicion:
conjuntamente
estacionarios, se define la DEP cruzada como
Z
SXY () = TF [RXY ( )] =
RXY ( )ej d
Z
1
RXY ( ) = TIF [SXY ()] =
SXY ()ej d
2
En el caso discreto:
SXY () = TF [RXY [m]] =
RXY [m]ejm
m=
RXY [m] = TIF [SXY ()] =
1
2
SXY ()ejm d
Particularidades:
SXY () puede ser compleja y puede no ser par
SXY () = SY X ()

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Contenido
1
Definicion
Estadstica
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
de Senales
Transformacion
Aleatorias
Sistemas con Entradas Aleatorias
Planteamiento General: Supongamos que un proceso estocastico

X(t) es la entrada a un determinado sistema T []. Nuestro objetivo
consiste en caracterizar el proceso estocastico

de salida Y (t)
X(t)
T []
Y (t)
En general, Y (t) se podra caracterizar a partir de la estadstica de X(t)

y del conocimiento del sistema T [] (determinista)
Para simplificar el problema, aqu nos centraremos en dos tipos
particulares de sistemas:
de Procesos Estocasticos)
Sistemas sin Memoria (Transformacion
Sistemas LTI (Filtrado de Procesos Estocasticos)

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Sistemas sin Memoria

Sistemas del tipo
Y (t) = g (X(t))
depende de la entrada en el instante t
La salida en el instante t solo
de una variable aleatoria
Equivale a una funcion
de la fdp de primer orden:
Obtencion
g() Teorema Fundamental
A partir de fX (x; t) y de la funcion
de la media:
Obtencion
Z
Y (t) = E[Y (t)] = E[g(X(t))] =
g(x)fX (x; t)dx

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Sistemas sin Memoria (Continuacion)

de la fdp de segundo orden:
Obtencion
Y (t1 )
Y (t2 )
= g(X(t1 ))
= g(X(t2 ))

Funciones de 2 variables aleatorias
Teorema Fundamental:
fY (y1 , y2 ; t1 , t2 ) =
X fX (x1i , x2i ; t1 , t2 )
X fX (x1i , x2i ; t1 , t2 )
=
|J(x1i , x2i )|
|g 0 (x1i )g 0 (x2i )|
i
i
de la Funcion
de Autocorrelacion
Obtencion
Z
RY (t1 , t2 ) = E [Y (t1 )Y (t2 )] =
g(x1 )g(x2 )fX (x1 , x2 ; t1 , t2 )dx1 dx2
Observaciones sobre la Estacionariedad

X(t) est. sentido estricto
X(t) est. de (hasta) orden n
X(t) WSS
Y (t) est. sentido estricto

Y (t) est. de (hasta) orden n
Y (t) WSS

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Ejemplo
Detector Cuadratico:
Y (t) = X 2 (t)
fdp de primer orden:
Races:
y = g(x) = x2
x1 = y, x2 = y
0
Derivada: g (x) = 2x
f ( y;t)
f ( y;t)
fdp: fY (y; t) = X2y + X 2y
(y 0)
fdp de orden 2:
Y (t1 ) = X 2 (t1 )
Y (t2 ) = X 2 (t2 )
Races (y1 0,y2 0):

y1 = x21
x1
2
x2
y2 = x2
= y1
= y2
Jacobiano: J(x1 , x2 ) = 4x1 x2

P
fdp: fY (y1 , y2 ; t1 , t2 ) = 4i=1
4 parejas de soluciones !!
fX ( y1 , y2 ;t1 ,t2 )
4 y1 y2

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Sistemas Lineales e Invariantes en el Tiempo
X(t)
L[]
Y (t)
Utilizaremos L[X(t)] (en lugar de T [X(t)]) para distinguir que se trata

de un operador lineal
Caractersticas:
Permiten un estudio general
Se pueden caracterizar en el dominio de la frecuencia
Aparecen con frecuencia en aplicaciones practicas

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad

Repaso:
hP
i P
N
N
Linealidad: L
i=1 ai xi (t) =
i=1 ai L [xi (t)]
Invarianza temporal:
y(t) = L[x(t)]
y(t + c) = L[x(t + c)]
h(t) = L[(t)]
Respuesta al impulso y convolucion:
Z
x(t )h()d
y(t) = L[x(t)] = x(t) h(t) =

Frecuencial: L ej0 t = H(0 )ej0 t
Caracterizacion
Z
H() = TF [h(t)] =
h(t)ejt dt
Causalidad:
x(t) = 0
Estabilidad:
t < t0
|x(t)| < M
t
Z
y(t) = 0
K
t < t0
|y(t)| < K
|h(t)|dt <

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Estadstica de Sistemas LTI

Caracterizacion
Teorema: Los operadores E[] y L[] son intercambiables
E [L [x(t)]] = L [E [x(t)]]
es directa a partir de la linealidad de E[] y L[]
La demostracion
Media del Proceso Estocastico

de Salida
de la media
Obtencion
Y (t) = E [Y (t)] = E [L[X(t)]] = L [E[X(t)]] = L[X (t)]
Z
Y (t) =
X (t )h()d = X (t) h(t)
Caso particular: X(t) est. en sentido amplio (X (t) = X )

Z
Z
Y (t) =
X h()d = X
h()d
Y = X H(0)

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
del Proceso Estocastico
Autocorrelacion
de Salida
Asumiendo que X(t) es estacionario en sentido amplio
RY ( ) = E [Y (t + )Y (t)] = RX ( ) h( ) h( )
RX ( )
h( )
RXY ( )
h( )
RY ( )
Cruzada Entrada-Salida
Correlacion
RXY ( ) = RX ( ) h( )
RY X ( ) = RX ( ) h( )

SY () = TF [RY ( )]
A partir de la definicion:
Y teniendo en cuenta: TF [h( )] = H(), TF [h( )] = H()
para h( ) real: H() = H ()
Ademas,
Obtenemos:
SY () = SX ()H ()H() = SX () |H()|2

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Ejemplo
Filtrado de Ruido Blanco con Media Cero:
de la Entrada: RX ( ) =
Autocorrelacion
DEP de la entrada: SX () = N20
Sistema LTI: h(t) H()
de la salida:
Autocorrelacion
RY ( ) =
N0
N0
( ) h( ) h( ) =
(h( ) h( ))
2
2
DEP de la salida:
SY () =
N0
( )
2
N0
|H()|2
2

Definicion
Caracterizacion
Estadsticos
Estacionariedad
Ergodicidad
Ejemplo
Promediador de Media Movil:

Respuesta del Sistema:
Y (t) =
1
2T
X(t)dt
T
de trasferencia:
Funcion
H() =
sin(T )
T
DEP de la salida:
SY () = SX ()
sin2 (T )
(T )2

PDF Interesante Teoría PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PDF Interesante Teoría PDF

Cargado por

Copyright:

Formatos disponibles

Tema 7: Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

Tema 7: Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

Tema 7: Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

Si se fija el suceso: X(t, S0 ) es una senal

Si ambos varan: X(t, S) es un proceso estocastico

Tema 7: Procesos Estocasticos

Filtrado de Procesos Estocasticos

Densidad Espectral de Potencia

Realizaciones de un Proceso Estocastico

Tema 7: Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

T continuo: Proceso Estocastico

T discreto: Secuencia Estocastica

No Deterministas (impredecibles): No se pueden predecir de

Tema 7: Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

Tema 7: Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

y Densidad de Probabilidad de Primer Orden

F.D. y fdp de primer orden

En general, el proceso estocastico

Tema 7: Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

y Densidad de Probabilidad de Segundo Orden

F.D. y fdp de segundo orden

En general, el proceso estocastico

Tema 7: Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

y Densidad de Probabilidad de Orden n

F.D. y fdp de orden n

Densidad de Probabilidad de orden n:

Tema 7: Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

Tema 7: Procesos Estocasticos

Densidad Espectral de Potencia

Filtrado de Procesos Estocasticos

Estadsticos de un Proceso Estocastico

Media de un Proceso Estocastico

xfX (x; t)dx

En general, X (t) depende del tiempo

RX (t1 , t2 ) = E[X(t1 )X(t2 )] =

x1 x2 fX (x1 , x2 ; t1 , t2 )dx1 dx2

Tema 7: Procesos Estocasticos