Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Referencias:
1 IIntroducción
t d ió y conceptos
t bábásicos
i Capítulo 8 de Introducción a los Sistemas de Comunicación. Stremler, C.G. (1993)
Apuntes de la Universidad de Vigo (página Web)
Capítulo 6 de Principios de Probabilidad, variables aleatorias y señales aleatorias
2 Estadísticos de un proceso estocástico
Al final del tema el alumno será capaz de:
3 Estacionariedad de un proceso estocástico Entender el concepto de proceso estocástico
Interpretar y calcular los estadísticos de los procesos estocásticos:
esperanza, autocovarianza
t i y autocorrelación
t l ió
4 Ergodicidad de un proceso estocástico
Interpretar y comprobar la estacionariedad de los procesos
estocásticos
5 Ejemplos
Interpretar y determinar si un proceso es ergódico
Saber calcular probabilidades en procesos estocásticos formados a
través de distribuciones estudiadas en los temas anteriores
1 2
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
Por ejemplo,
ejemplo estudiamos el número de llamadas que se producen en una
2 Estadísticos de un proceso estocástico
central telefónica.
4 Ergodicidad de un proceso estocástico ¿Pero, qué pasa si queremos definir ahora otra variable
que corresponda al número de llamadas recibidas en la misma centralita
durante todo el día de trabajo
j ((8 horas)?
)
5 Ejemplos
Podríamos definir una nueva X’, variable que seguiría una distribución de
Poisson definida como número de llamadas recibidas en la centralita
Poisson,
durante 8 horas, con una nueva λ’ que sería igual a 8·λ.
3 4
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
1 Introducción y conceptos básicos 1 Introducción y conceptos básicos
Las representaciones serían (si λ=2, por ejemplo): Definición
Así, para cada tiempo que fijemos, tendríamos una variable aleatoria.
Se define entonces una familia de variables aleatorias que dependen
de una variable determinista, (en este caso el tiempo).
λ=2
λ’=16
PROCESO ESTOCÁSTICO
La señal de información,
información tiene pulsos de voz de duración a) X(x
X(x,t)
t) es una familia de funciones temporales
temporales.
aleatoria y posición aleatoria.
Una interferencia en el canal que es debida a la presencia b) Si se fija x, tenemos una función temporal X(t) llamada realización
cercana de otros sistemas de comunicaciones.
comunicaciones del proceso.
proceso
El ruido en un receptor es debido al ruido térmico en
resistencias y componentes del receptor. c) Si se fija t, tenemos una Variable Aleatoria.
Así, la señal recibida va ser una señal con varias componentes aleatorias. d) Si se fijan t y x, tenemos un número real o complejo (muy normal
Aunque no es posible describir este tipo de señales con una expresión en teoría de la señal).
matemática se pueden utilizar sus propiedades estadísticas
matemática,
Espacio de estados, S
Conjunto de los posibles valores del proceso estocástico (resultado
numérico, real o complejo).
λ=1/36 Si, para el mismo proceso, fijamos otro instante t=t1 tendremos
otra VA, en principio, distinta a la anterior, con una función de
4
distribución diferente.
x
FX ( x, t ) = P( X (t ) ≤ x)
Y, por tanto, se tiene también la
0
F ( x1 , x 2 , t1 , t 2 ) = P ( X (t1 ) ≤ x1 ∩ X (t 2 ) ≤ x 2 )
∂ 2 F ( x1 , x2 , t1 , t 2 )
f ( x1 , x2 , t1 , t 2 ) =
∂x1∂x2
15 16
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
Procesos Estocásticos 2 Estadísticos de un proceso estocástico
Media
1 Introducción y conceptos básicos La media de un proceso estocástico corresponde a:
+∞
En el caso real: E [ X (t )] = μ x (t ) = ∫ x ⋅ f ( x, t ) dx
2 Estadísticos de un proceso estocástico −∞
La media es,
es en general
general, una función dependiente del tiempo
17 18
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
Recordamos:
−−∞
∞
−∞ −∞ ∫
V [ X ] = E ⎡⎣ X 2 ⎤⎦ − ( E [ X ])
2
Var
En el caso de que t1 = t2 se tiene el valor cuadrático medio del
proceso estocástico que es una función de una variable temporal:
E ell caso d
En de que tk = ti se tiene
ti lla varianza
i d l proceso estocástico.
del t á ti En el caso de que t=u la matriz de correlación tiene la expresión siguiente,
De las definiciones de correlación y covarianza, se puede obtener: siendo una matriz de funciones de una variable temporal y simétrica.
⎡ E ⎡ X (t ) 2 ⎤ E [ X (t )Y (t ) ]⎤
C x (t1 , t 2 ) = RX (t1 , t 2 ) − μ x (t1 ) ⋅ μ x (t 2 ) R (t , t ) = ⎢
⎣ ⎦ ⎥
⎢ E [Y (t ) X (t ) ] E ⎡⎣Y (t ) 2 ⎤⎦ ⎥
En el caso de que la media del proceso estocástico sea siempre cero, ⎣ ⎦
la función de correlación y la de covarianza coincidirían. 23 24
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
2 Estadísticos de un proceso estocástico 2 Estadísticos de un proceso estocástico
Ejemplo 4 Independencia
Si X(t) representa un proceso estocástico de media μx(t) = 3 y función de Dos procesos X(t) e Y(t) son independientes si su función de densidad
correlación RX(t1, t2) = 9 + 4exp{−0,2·|t1−t2|}. Calcule la esperanza, la conjunta de cualquier orden se puede descomponer como el producto de
varianza y la covarianza de las variables aleatorias Z = X(5) y T = X(8).
X(8) dos funciones de densidad marginales,
marginales una conteniendo términos sólo
dependientes del proceso X(t) y la otra dependientes de Y(t).
1) Esperanzas E(Z) = E(X(5)) = μx(5) = 3
E(T ) = E(X(8)) = μx(8) = 3 E[X (t ) ⋅ Y (t )] = E[X (t )]⋅ E[Y (t )]
E(Z2) = E(X(5)·X(5)) = RX(5,5) = 13 Incorrelación
2) Varianzas
Dos procesos X(t) e Y(t) son incorrelados si CXY(t1, t2) = 0 para cualquier
E(T2) = E(X(8)
E(X(8)·X(8))
X(8)) = RX(8,8)
(8 8) = 13
valor de t1 y t2.
Var(Z) = E(Z ) − (E(Z)) = 4
2 2
RXY (t1 , t 2 ) = μ X (t1 ) ⋅ μY (t 2 )
Var(T) = E(T2) − (E(T))2 = 4
Ortogonalidad
3) Covarianzas E(ZT) = E(X(5)X(8)) = RX(5, 8) = 9+4e−0.6
Dos procesos X(t) e Y(t) son ortogonales si RXY(t1, t2)=0 para cualquier valor
Cov(Z,T)
( , ) = E(ZT)
( ) − E(Z)E(T
( ) ( ) = 4·e−0.6 de t1 y t2.
C XY (t1 , t 2 ) = − μ X (t1 ) ⋅ μY (t 2 )
O también como, Cov (Z,T) = CX(5, 8) = RX(5, 8) −μx(5)·μx(8) = 4·e−0.6 25 26
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
a) Determine E[X(t)],
E[X(t)] Var[X(t)],
Var[X(t)] E[X(t)2].
]
b) Indique si cada una de las funciones del aparatado anterior 5 Ejemplos
depende del tiempo o no e interprete el resultado.
27 28
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
3 Estacionariedad de un proceso estocástico 3 Estacionariedad de un proceso estocástico
Ejemplo 5
Cuando utilizamos un modelo estocástico,, generalmente
g vamos a estar
interesados en predecir el comportamiento del proceso en el futuro y para El número de llamadas que llegan a una centralita hasta el instante t
ello nos basamos en la historia del proceso. Estas predicciones no serán
correctas a menos que las condiciones futuras sean análogas a las 25
pasadas x2
x1
0 No estacionario
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
29 tiempo 30
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
E [ X (t ) ] = μ ((independiente
p del tiempo)
p ) E [ X (t ) ] = μ ((independiente
p del tiempo)
p )
RX (t1 , t2 ) = RX (τ ) τ = t2 − t1 (depende solo de la distancia RX (t1 , t2 ) = RX (τ ) τ = t2 − t1 (depende solo de la distancia
entre los tiempos considerados) entre los tiempos considerados)
Propiedades: Propiedades:
La potencia E ⎡⎣ X (t ) ⎤⎦ no depende de t
2
Estacionario en sentido estricto débil
ya que E ⎡ X (t ) 2 ⎤ = RX (0)
⎣ ⎦
RX (τ ) = RX (−τ ) Si el proceso es gaussiano: estricto = débil
ya
aqque
e
RX (τ ) = E [ X (t − τ ) X (t ) ] = E [ X (t ) X (t − τ ) ] = RX (−τ ) 33 34
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
π
1
E [ X (t ) ] = AE [ cos((2π / 24)t + φ ) ] = A ∫ cos((2π / 24)t + φ ) dφ = 0
−π
2π
5
Utilizando:
cos((α ± β ) = cos((α ) cos(( β ) m sen((α ))sen(( β )
-5
⇓
2 cos((α ) cos(( β ) = cos((α + β ) + cos((α − β )
-10
0 20 40 60 35 36
Estadística. Profesora María Durbán tiempo Estadística. Profesora María Durbán
3 Estacionariedad de un proceso estocástico 3 Estacionariedad de un proceso estocástico
Ejemplo 7 Ejercicio
Distintas realizaciones del proceso X(t) = A·cos((2π/24)t+φ) siendo A Sea U una VA uniforme en [0,1], a partir de ella se construye el proceso
constante y φ una VA con distribución U(-π, π). X(t)=exp(-Ut)
¿Es X(t) débilmente estacionario?
2 cos(α ) cos( β ) = cos(α + β ) + cos(α − β ) a) Para cada valor de t, determine el rango de X(t)
π b) Calcule E[X(t)] y Rx(t1,t2)
1
E [ X (t ) ] = AE [ cos((2π / 24)t + φ ) ] = A ∫ cos((2π / 24)t + φ ) dφ = 0 c) Estudie la estacionariedad en sentido amplio (es decir
decir, en sentido
−π
2π débil)
R X (t , t + τ ) = E [X (t )X (t + τ )] = A E [cos((2π / 24)t + φ ) cos((2π / 24)(t + τ ) + φ )]
2 Ejercicio
Si X e Y son VA normales,
l iindependientes,
d di t con media
di 0 y varianza
i 1
1, se
A2
= E [cos((2π / 24)(2t + τ ) + 2φ ) + cos((2π / 24 )τ )] define el proceso Z(t)=Xcos(2πt)+Ysin(2πt)
2
A2
= cos((2π / 24)τ ) a) Determine la función de probabilidad conjunta de Z(t1) y Z(t2)
2 b) Calcule la media y la autocovarianza del proceso Z(t)
c) Estudie la estacionariedad en sentido débil y estricto
Es débilmente estacionario 37 38
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
1 Introducción y conceptos básicos En muchas ocasiones, sólo disponemos de una realización del proceso
(es decir, disponemos de una función temporal), en este caso, para
conocer el proceso calculamos sus promedios temporales.
temporales
2 Estadísticos de un proceso estocástico
Sea X(t) un proceso estocástico
La media temporal o valor medio en el tiempo se define como:
3 Estacionariedad de un proceso estocástico
1 T
M X =T lim
uuur ∞
2T ∫
−T
uuur ∞ μT
X (t )dt =T lim
5 Ejemplos
AX =T lim
uuur ∞
2T ∫ −T
X (t ) X (t + τ )dt
Diremos que un proceso es ergódico si sus promedios estadísticos Ergodicidad en autocorrelación : Sea RX (τ ) = E [ X (t ) X (t + τ )]. Si
coinciden con los temporales sólo necesitamos una realización construimos el proceso Zτ (t ) = X (t ) X (t + τ ), entonces E [ Zτ (t )] = RX (τ ) , por lo
del proceso para conocer los promedios estadísticos tanto X (t ) es ergódico en autocorrelación si Zτ (t ) es ergódico en media
2T ∫−Estadística.
41 X (t ) X (t + τ )∂t 42
T
Estadística. Profesora María Durbán Profesora María Durbán
1 IIntroducción
t d ió y conceptos
t bábásicos
i
Ergodicidad en autocorrelación : Sea RX (τ ) = E [ X (t ) X (t + τ )]. Si
construimos el proceso Zτ (t ) = X (t ) X (t + τ ), entonces E [ Zτ (t )] = RX (τ ) , por lo
tanto X (t ) es ergódico en autocorrelación si Zτ (t ) es ergódico en media
2 Estadísticos de un proceso estocástico
Ejemplo 7
3 Estacionariedad de un proceso estocástico
Sea considera el proceso X(t)=a cos(wt)+b sin(wt), donde a y b son dos
VA independientes uniformemente distribuidas en [-1,1], estudiar la
ergodicidad
di id d en media
di y autocorrelación.
t l ió
4 Ergodicidad de un proceso estocástico
μ X = E [a ]cos(wt ) + E [b]sin (wt ) = 0 + 0 = 0
μT =
1 T
∫−
(a cos(wt ) + b sin (wt ))dt = a sin (wT ) → limT →∞ μT = 0 5 Ejemplos
2T T wT
1
RX (τ ) = E [ X (t ) X (t + τ ) ] = cos(( wτ )
3 N es ergódico
No ódi en
1 T 1 2 autocorrelación
2T ∫−T Profesora María Durbán
T lim
uuur ∞ X (t ) X (t + τ )∂t = (a + b ) cos( wτ )
2
43 44
Estadística. 2 Estadística. Profesora María Durbán
5 Ejemplos 5 Ejemplos
Proceso de Poisson Procesos Gaussianos
Es un proceso de tiempo continuo y estado discreto. Diremos que un proceso es gaussiano, si cualquier colección de VA del
X(t)= número de sucesos en [0,t] proceso tiene distribución conjunta gaussiana
X(t) P(λt)
X(t)~P(λt) El proceso está totalmente descrito si conocemos su función media y su
μX=λt autocovarianza (o auticorrelación)
CX(t1,t2)=λmin{t1,t2}
2
debidas a dispositivos). Generalmente se representan las interferencias 1, se define el proceso gaussiano:
mediante un ruido blanco. Z(t)=Xcos(2πt)+Ysin(2πt)
1
Ruido blanco: Un proceso es un ruido blanco si las variables X(t1), X(t2)
x1
0
están incorreladas p para todo t.
Si las variables son gaussianas, incorreladas = independientes
-1
45 46
-2
Estadística. Profesora María Durbán Estadística. Profesora María Durbán -3 -2 -1 0
tiempo
1 2 3
5 Ejemplos 5 Ejemplos
Procesos Gaussianos Procesos Autorregresivos
Diremos que un proceso es gaussiano, si cualquier colección de VA del Un proceso autorregresivo de orden 1, AR(1), tiene la siguiente forma:
proceso tiene distribución conjunta gaussiana X (t ) = c + α X (t − 1) + ε t ε t ~ N (0, σ 2 )
El proceso está totalmente descrito si conocemos sufunción media y su
σ2 α τσ 2
E [X (t )] = Var[X (t )] = C X (τ ) =
autocovarianza (o auticorrelación) c
1−α 1−α 2 1−α 2
α = 0 .7
Estacionariedad en sentido débil = estacionariedad en sentido estricto
2
0
Un proceso es independiente C(ti,tj)=0
-2
Ej
Ejercicio.
i i Febrero
F b 2003
-4
Sean X e Y dos VA independientes y normales con media 0 y varianza 0 2 0 4 0 6 0 8 0 1 0 0
0 2 0 4 0 6 0 8 0 1 0 0
47 48
Estadística. Profesora María Durbán Estadística. Profesora María Durbán