Procesos PDF

Procesos Estocásticos Procesos Estocásticos
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
Procesos Estocásticos 1 Introducción y conceptos básicos

En los temas anteriores hemos estudiado p
procesos q
que no varían con el
1 IIntroducción
t d ió y conceptos
t bábásicos
i
tiempo o sólo dependen de una variable.
Por ejemplo,
ejemplo estudiamos el número de llamadas que se producen en una
central telefónica.
Si definimos X como el número de llamadas que se reciben en una hora

hora,
3 Estacionariedad de un proceso estocástico
podemos decir que X sigue una distribución de Poisson de media λ.
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
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
Se define el proceso estocástico X(t) como el número de llamadas

que se producen
d en lla centralita
t lit en ell ti
tiempo (0
(0,t).
t)
Así, para cada valor de t que se elija, tendremos una variable aleatoria
distinta, con forma similar pero distinto valor
distinta valor.
En los temas anteriores definimos X(x), en este caso X(λ).

Ahora debemos representar X(xX(x,t),
t) en este caso
caso, X(λ
X(λ,t).
t)
En general, diremos X(t) igual que antes llamábamos X y no X(λ).
5 6

Ejemplos Proceso Estocástico
En los sistemas de comunicaciones aparecen señales aleatorias como: Es una función de dos variables, t y x, una determinista y otra aleatoria
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,
Son señales aleatorias en el sentido de que antes de realizar el

experimento
i t no es posible
ibl describir
d ibi su forma
f exacta
t
7 8
Espacio de tiempos, T Ejemplo 1
Conjunto de los posibles valores de tiempo que puede tomar el proceso Distintas realizaciones del proceso X(t) = N·cos((2π/24)t+φ) siendo N y
estocástico. φ VA con distribuciones P(10) y U(0,2π), respectivamente.
Espacio de estados, S
Conjunto de los posibles valores del proceso estocástico (resultado
numérico, real o complejo).
Discreto Proceso discreto en el tiempo.

T
Continuo Proceso continuo en el tiempo.
Discreto Proceso discreto en el espacio de estados.

S
Continuo Proceso continuo en el espacio de estados.
9 10

En general: Ejemplo 2
Caracterice la continuidad del número de llamadas que llegan a la
centralita.
Es continuo en el tiempo, p pporque
q p puede tomar cualquier
q valor real:
t =1 hora
t =1,67 horas
t = 8 horas
t = 35 horas, etc.
Es discreto en el espacio de estados
X(λ t=t
X(λ, t t0) es siempre
i un número
ú entero
t
Ejemplo 3
El tiempo que un ordenador tarda en ejecutar una tarea es una VA Y~
Exp(λ). Para hacer un estudio de la evolución temporal del sistema se
construye el proceso estocástico X(t) definido como el tiempo que resta
para
pa a completar
co p eta la a ta
tarea
ea sab
sabiendo
e do que ya ha
a co
consumido
su do t minutos.
utos
Dibuje una realización del proceso y especifique los espacios T y S.
11 12
Función de distribución
Dado un proceso estocástico cualquiera, si fijamos un tiempo t=t0
tendremos una V.A. X(t0) que tendrá una función de distribución
asociada.
asociada
6
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
Se define la función de distribución de primer orden del

proceso X(t) como
2
FX ( x, t ) = P( X (t ) ≤ x)
Y, por tanto, se tiene también la
0
función de densidad de primer dFX ( x, t )

f ( x, t ) =
0 20 40 60
tiempo
orden derivando la función de dx
13 distribución respecto a x 14

Función de distribución de segundo orden Aplicación de la función de distribución y función de densidad
De igual modo: Realización de un proceso continuo en el tiempo con función de
densidad de primer orden gaussiana.
Se de
define
e la
a función
u c ó de d
distribución
st buc ó de segu
segundo
do o
orden
de
del proceso X(t) como
F ( x1 , x 2 , t1 , t 2 ) = P ( X (t1 ) ≤ x1 ∩ X (t 2 ) ≤ x 2 )
Se puede obtener la función de densidad de segundo

orden derivando la función de distribución parcialmente
respecto a x1 y a x2
∂ 2 F ( x1 , x2 , t1 , t 2 )
f ( x1 , x2 , t1 , t 2 ) =
∂x1∂x2
15 16
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 −∞
En el caso complejo: E[Z (t )] = E[ X (t )] + j ⋅ E[Y (t )]

Se puede entender gráficamente como el centro de gravedad de la
función densidad de probabilidad
Característica:
Para cada t, se tiene una VA distinta → una media distinta
5 Ejemplos
La media es,
es en general
general, una función dependiente del tiempo
17 18
2 Estadísticos de un proceso estocástico 2 Estadísticos de un proceso estocástico

Ejemplo 4 Ejercicio 1
Considere la oscilación aleatoria X(t) = cos (2Π·f·t + B·Φ), donde f es una Un transmisor envía pulsos rectangulares de altura y posición
constante real, Φ es una variable aleatoria uniforme en [− Π/2, Π/2], y B es una aleatorias. Cada pulso transmitido corresponde a una realización del
variable aleatoria discreta, independiente de Φ, tal que P(B=0)=p y P(B=1)=q. proceso estocástico
p
Defina y calcule la esperanza de la variable aleatoria X(t).
X(t) = V·h(t − T), t > 0,
E [ X (t ) ] = E [ cos(2
( π fft + Bφ ) ] Donde la altura V del pulso es una variable aleatoria uniforme en [0,v0],
y T es una variable aleatoria exponencial de parámetro λ,
= E [ cos(2π ft + Bφ ) | B = 0] Pr( B = 0) + E [ cos(2π ft + Bφ ) | B = 1] Pr( B = 1) independiente de V, y la función determinista h(t) es
E [ cos(2
(2π ft) + qE
= p cos(2 (2π ft + φ ) ] 1, 0<t<1,
h(t)=
Para cada t, cos (2Π·f·t+Φ) es una variable aleatoria función de φ. Podemos 0, en el resto.
escribir:
π /2 1 2
E [ cos(2π ft + φ ) ] = ∫ cos(2π ft + φ ) ∂φ = cos(2π ft ) Calcule la función valor medio del proceso estocástico X(t)
−π / 2 π π
⎛ 2⎞
μ x (t ) = ⎜ p + q ⎟ ⋅ cos ( 2π ⋅ f ⋅ t )
⎝ π⎠ 19 20
Varianza Correlación
La media de un proceso estocástico corresponde a: O esperanza del producto de Variables Aleatorias como función de dos
+∞
+∞ variables temporales tk y ti dada por:
Var[[XX((tt))]]==σσxx((tt))== ∫∫((xx−−μμ ((tt)))) ⋅ ⋅ff((xx,,tt))dxdx
22 22
En el caso real: Var
R X (t1 , t 2 ) = E[X (t1 )X (t 2 )] = ∫
∞ ∞
x1 x 2 f ( x1 , x 2 ; t1 , t 2 ) d x1 d x 2
xx
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:
σ x2 (t ) = E [X (t ) 2 ]− E[X (t )]2 = E [X (t ) 2 ]− [μ x (t )]2 [ ] ∞

R X (t , t ) = E ( X (t )) = ∫ x 2 f ( x; t ) d x
2
−∞
En el caso de que la media del proceso estocástico sea siempre cero, la

varianza y el valor cuadrático medio coincidirían.
Potencia del proceso
21 22

Covarianza Matriz de Correlación de dos procesos
Covarianza del proceso X(t) como una función de dos variables Dados dos procesos X(t) e Y(t). Todas las propiedades de correlación se
temporales tk y ti dada por: pueden colocar de forma matricial según una matriz de funciones de dos
dimensiones temporales.
temporales
C X (t1 , t 2 ) = E [( X (t1 ) − μ x (t1 ) ) ⋅ ( X (t 2 ) − μ x (t 2 ) )] =
+∞ +∞ ⎡ R (t , u ) RXY (t , u ) ⎤ RXY (t , u ) = E [ X (t )Y (u ) ]
R (t , u ) = ⎢ X
= ∫ ∫ (x − μ X (t1 ))⋅ ( y − μ X (t2 )) f X (t1 ), X (t2 ) ( x, y) dxdy
−∞ −∞
⎥
⎣ RYX (t , u ) RY (t , u ) ⎦
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
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
2 Estadísticos de un proceso estocástico Procesos Estocásticos

Ejercicio
Calcule la función de correlación del proceso X(t) = A·cos (2Π·f·t+Φ), 1 Introducción y conceptos básicos
donde A y Φ son variables aleatorias independientes, siendo Φ una
variable aleatoria uniforme en [−
[ Π,
Π Π],
Π] y A exponencial de parámetro λ. λ
Ejercicio
El tiempo que un ordenador tarda en ejecutar una tarea es una v.a. Y ~ 3 Estacionariedad de un proceso estocástico
Exp(λ). Para hacer un estudio de la evolución temporal del sistema se
construye el proceso estocástico X(t) definido como el tiempo que resta
para completar la tarea sabiendo que ya ha consumido t minutos. 4 Ergodicidad de un proceso estocástico
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
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
Un proceso estocástico es estacionario si sus propiedades estadísticas 20

El número medio de
son invariantes ante una traslación del tiempo llamadas no es
15
constante, depende
d t
de
10
El mecanismo físico que genera el experimento no cambia con el tiempo 5
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

Ejemplo 6 Estacionariedad (en sentido estricto o fuerte)
Distintas realizaciones del proceso X(t) = N·cos((2π/24)t+φ) siendo N y Un proceso X(t) es estacionario en sentido estricto si la función
φ VA con distribuciones P(10) y U(0,2π) respectivamente. de densidad de densidad conjunta, de cualesquiera de sus n v.a.
medidas en instantes t1,…,ttn, permanece constante cuando
transcurre cualquier intervalo de tiempo ε
f ( x1 ,....xn ; t1 ,..., tn ) = f ( x1 ,....xn ; t1 + ε ,..., tn + ε )
Esta es una condición muy fuerte ya que implicaría estudiar

infinitas funciones de densidad conjunta
Estacionariedad en sentido débil o amplio

p
La media del proceso se mantiene constante puede ser
estacionario 31 32
Estacionariedad (en sentido débil) Estacionariedad (en sentido débil)
Un proceso X(t) es débilmente estacionario si: Un proceso X(t) es débilmente estacionario si:
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

Ejemplo 7 Ejemplo 7
Distintas realizaciones del proceso X(t) = A·cos((2π/24)t+φ) siendo A Distintas realizaciones del proceso X(t) = A·cos((2π/24)t+φ) siendo A
constante y φ una VA con distribución U(-π, π). constante y φ una VA con distribución U(-π, π).
¿Es X(t) débilmente estacionario? ¿Es X(t) débilmente estacionario?
10
π
1
E [ X (t ) ] = AE [ cos((2π / 24)t + φ ) ] = A ∫ cos((2π / 24)t + φ ) dφ = 0
−π
2π
5
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
0
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
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
Procesos Estocásticos 3 Ergodicidad de un proceso estocástico
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
Sea X(t) un proceso estocástico
La media temporal o valor medio en el tiempo se define como:
1 T
M X =T lim
uuur ∞
2T ∫
−T
uuur ∞ μT
X (t )dt =T lim
4 Ergodicidad de un proceso estocástico La autocorrelación temporal se define como:

1 T
5 Ejemplos
AX =T lim
uuur ∞
2T ∫ −T
X (t ) X (t + τ )dt
Ambas son VA yya que

q toman valores distintos p
para cada realización del
proceso.
39 40
3 Ergodicidad de un proceso estocástico 3 Ergodicidad de un proceso estocástico
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
Ergodicidad en media : Dado que la media temporal μT no depende del Ejemplo 7

tiempo para que un proceso sea ergódico en media
tiempo, media, es necesario que la Se considera el proceso X(t)=a cos(wt)+b sin(wt)
sin(wt), donde a y b son dos VA
media del proceso μX sea constante, esto se cumple si el proceso es independientes uniformemente distribuidas en [-1,1], estudie la
estacionario ergodicidad en media y autocorrelación.
μ X = E [a ]cos(wt ) + E [b]sin (wt ) = 0 + 0 = 0
Ejemplo 8
a sin (wT )
∫ (a cos(wt ) + b sin(wt ))dt = wT → lim
Sea A una VA N(0,1), definimos el proceso X(t)=A. ¿Es ergódico en 1 T
μT = T →∞ μT = 0
−T
media? 2T
μ X = E [ A] = 0 Es ergódico en media
1
No es ergódico
g en media RX (τ ) = E [ X (t ) X (t + τ ) ] = cos( wτ )
1 T 3 i (α ± β ) = sin
i (α ) cos(β ) ± cos(α )sin
i (β )
μT = ∫
2T −T
A∂t = A ≠ 0
1 T
sin
2T ∫−Estadística.
41 X (t ) X (t + τ )∂t 42
T
Estadística. Profesora María Durbán Profesora María Durbán
3 Ergodicidad de un proceso estocástico Procesos Estocásticos
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
Ejemplo 7
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
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}
Ruido Estacionariedad en sentido débil = estacionariedad en sentido estricto

“Ruido”= señales indeseables que constituyen una interferencia en un Un proceso es independiente C(ti,tj)=0
sistema
i t de
d comunicaciones.
i i H
Hay d
dos ti
tipos d
de ruido:
id ruido
id externo
t all Ej
Ejercicio.
i i Febrero
F b 2003
sistema (atmosférico), ruido interno al sistema (fluctuaciones aleatorias Sean X e Y dos VA independientes y normales con media 0 y varianza
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
1, se define el proceso gaussiano:

Z(t)=Xcos(2πt)+Ysin(2πt) α − 0 .5
3
2
1
a)) Determine la función de p

probabilidad conjunta
j de Z(t( 1) y Z(t
( 2)).
0
-1
-2
b) Estudie la estacionariedad en sentido débil y estricto.

-3
0 2 0 4 0 6 0 8 0 1 0 0
47 48

Procesos 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

Procesos PDF

Cargado por

Copyright:

Formatos disponibles

Procesos Estocásticos Procesos Estocásticos

Procesos Estocásticos 1 Introducción y conceptos básicos

Si definimos X como el número de llamadas que se reciben en una hora

Se define el proceso estocástico X(t) como el número de llamadas

En los temas anteriores definimos X(x), en este caso X(λ).

1 Introducción y conceptos básicos 1 Introducción y conceptos básicos

Son señales aleatorias en el sentido de que antes de realizar el

Discreto Proceso discreto en el tiempo.

Discreto Proceso discreto en el espacio de estados.

1 Introducción y conceptos básicos 1 Introducción y conceptos básicos

Se define la función de distribución de primer orden del

función de densidad de primer dFX ( x, t )

1 Introducción y conceptos básicos 1 Introducción y conceptos básicos

Se puede obtener la función de densidad de segundo

 En el caso complejo: E[Z (t )] = E[ X (t )] + j ⋅ E[Y (t )]

2 Estadísticos de un proceso estocástico 2 Estadísticos de un proceso estocástico

σ x2 (t ) = E [X (t ) 2 ]− E[X (t )]2 = E [X (t ) 2 ]− [μ x (t )]2 [ ] ∞

En el caso de que la media del proceso estocástico sea siempre cero, la

2 Estadísticos de un proceso estocástico 2 Estadísticos de un proceso estocástico

2 Estadísticos de un proceso estocástico Procesos Estocásticos

Un proceso estocástico es estacionario si sus propiedades estadísticas 20

El mecanismo físico que genera el experimento no cambia con el tiempo 5

3 Estacionariedad de un proceso estocástico 3 Estacionariedad de un proceso estocástico

f ( x1 ,....xn ; t1 ,..., tn ) = f ( x1 ,....xn ; t1 + ε ,..., tn + ε )

Esta es una condición muy fuerte ya que implicaría estudiar

Estacionariedad en sentido débil o amplio

3 Estacionariedad de un proceso estocástico 3 Estacionariedad de un proceso estocástico

R X (t , t + τ ) = E [X (t )X (t + τ )] = A E [cos((2π / 24 )t + φ ) cos((2π / 24 )(t + τ ) + φ )]

Procesos Estocásticos 3 Ergodicidad de un proceso estocástico

4 Ergodicidad de un proceso estocástico La autocorrelación temporal se define como:

Ambas son VA yya que

Ergodicidad en media : Dado que la media temporal μT no depende del Ejemplo 7

3 Ergodicidad de un proceso estocástico Procesos Estocásticos

Ruido Estacionariedad en sentido débil = estacionariedad en sentido estricto

1, se define el proceso gaussiano:

a)) Determine la función de p

b) Estudie la estacionariedad en sentido débil y estricto.

También podría gustarte

En el caso complejo: E[Z (t )] = E[ X (t )] + j ⋅ E[Y (t )]