Procesos Estocásticos

Departamento de Eléctrica y Electrónica

ESPE

Dr. Marco Flores

Febrero 2018
 Clasificación Procesos Estocásticos

Clasificación Procesos Estocásticos

Procesos estacionarios
Un PE {X (t), t ∈ T } es estacionario (o estrictamente estacionario, o
estacionario en el sentido estricto (SSS)) si para toda n y cada conjunto
de tiempo {ti ∈ T : i = 1, ..., n} [?]:

FX (x1 , .., xn ; t1 , .., tn ) = FX (x1 , .., xn ; t1 + τ, .., tn + τ)

para cualquier τ > 0 a .
a Esta definición es válida usando la pdf en lugar de la cdf [?]

Es decir, la distribucion de X (t) y X (t + τ) es la misma para cualquier τ

1
.
Para un proceso de primer orden se tiene:
FX (x; t) = FX (x; t + τ) = FX (x) y fX (x; t) = fX (x) 2 .
µX (t) = E [X (t)] = µ
Var [X (t)] = σ2
1 Un proceso se denomina estacionario si ninguna de sus características estadísticas cambia con el tiempo [?]
2 La cdf (pdf) no depende del tiempo

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Clasificación Procesos Estocásticos

Procesos estacionarios en el amplio sentido
Un PE {X (t), t ∈ T } es estacionario en el amplio sentido (wide-sense
stationaryWSS) si su media es constante, es decir:

E [X (t)] = µ
y su autocorrelación depende solo de τ = s − t

RX (t, s) = E [X (t)X (s)] = RX (|s − t|) = RX (τ)

Relación entre SSS y WSS

Un proceso SSS es un proceso WSS. Lo inverso no es cierto.

En el caso de que X [n] es un proceso discreto (digital).

X [n] es SSS si sus propiedades estadísticas son invariantes al
desplazamiento del origen.
X [n] es WSS si E [X [n]] = µ y
RX [n + m, n] = E [X [n + m]X [n]] = RX [m].
Dr. Marco Flores Procesos Estocásticos
 Clasificación Procesos Estocásticos

Clasificación Procesos Estocásticos

Figure: Ejemplos de PE no-estacionarios y estacionarios

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Clasificación Procesos Estocásticos

Figure: ECG es PE no-estacionarios

Dr. Marco Flores Procesos Estocásticos
 Clasificación Procesos Estocásticos

Clasificación Procesos Estocásticos

Representative complex physiological fluctuations. Heart rate (normal sinus

rhythm) time series of 30 minutes from (top) a healthy subject at sea level,
(second row) a healthy subject at a high altitude (4700 m), (third row) a subject
with obstructive sleep apnea, and (bottom) a sudden cardiac death subject with
ventricular fibrillation (VF). Note the highly nonstationary heart rate variations
in the first and second rows, such that the statistical properties change over
relatively short time periods. Nonstationarity, as well as sustained oscillations,
as seen in the bottom 2 rows, suggest underlying nonlinear dynamics.
Ref: http://circ.ahajournals.org/content/101/23/e215.full

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Clasificación Procesos Estocásticos

Procesos ciclo-estacionarios
Un PE {X (t), t ∈ T }, será cicloestacionario si, para un período T se tiene
invarianza temporal respecto al origen para multiples períodos, es decir:

FX (t1 ),...,X (tn ) (x1 , ..., xn ) = FX (t1 +mT ),...,X (tn +mT ) (x1 , ..., xn ) (1)

Procesos ciclo-estacionarios en el amplio sentido

Un PE {X (t), t ∈ T }, será WSCS (wide-sense cyclostationary) si.

µX (t + mT ) = µX (t) (2)
KX (t + mt, s + mT ) = KX (t, s) (3)

Relación entre Cicloestacionario y WSCS

Si X (t) es cicloestacionario entonces también es WSCS.

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Clasificación Procesos Estocásticos

Procesos independientes
Un PE {X (t), t ∈ T }, se denomina proceso aleatorio independiente, si
X (ti ) para i = 1, 2, ..., n son v.a. independientes, para n = 2, 3...

Y
n
FX (x1 , ..., xn ; t1 , ..., tn ) = FX (xi ; ti )
i=1

Relación entre SSS e IID

Todo proceso IID es SSS.

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Clasificación Procesos Estocásticos

Procesos ergódicos
Un PE {X (t), t ∈ T }, WSS se denomina ergódico si puede ser
caracterizado estadísticamente a partir de una realización.

Dos formas limitadas de ergodicidad son [?], [?], [?]:

Ergodicidad en la media si:
Z
1 T0
hX (t)i = limT0 →∞ x(t)dt = µ (t) (4)
2T0 −T0 | X{z }
| {z } Media (Vertical)
Promedio temporal (Horizontal)
Ergodicidad en la autocorrelación si:
Z
1 T0
hX (t)X (t + τ)i = limT0 →∞ x(t)x(t + τ)dt = R (τ)
2T0 −T0 | X{z }
| {z } Autocorr (Vertical)
Autocorr temporal (Horizontal)
(5)
El promedio temporal y la auto-correlación temporal se denotan por
hX (t)i y hX (t)X (t + τ)i, respectivamente.
Dr. Marco Flores Procesos Estocásticos
 Clasificación Procesos Estocásticos

Clasificación Procesos Estocásticos

Procesos ergódicos
Un PE {X (t), t ∈ T }, WSS será ergódico en la media si.
Z 2T0
1 τ
limT0 →∞ (1 − )KX (τ)dτ = 0 (6)
T0 0 2T0

A partir de aquí, una condición suficiente para que el processo sea

ergódico en la media es:

limτ→∞ RX (τ) = µ2X (7)

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Ejercicios PE

Ejemplo 1:
Sea X (t) = At + B donde A y B son v.a. independientes, distribuidas
uniformemente sobre (−1, 1) [?]. ¿Es X (t) WSS?

Respuesta: No

Ejemplo 2:
Sea X (t) = Ycos(ωt), donde ω es una constante y Y ∼ U(−1, 1). ¿Es
WSS?
Respuesta: No

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Ejercicios PE

Ejemplo 3:
Sea X (t) = cos(ωt + Θ), donde Θ es una v.a. uniforme (−π, π). ¿Este
proceso es WSS?

Anteriormente se calculó µX (t) y RX (t1 , t2 )

µX (t) = 0
1
RX (t1 , t2 ) = cos(ω(t1 − t2 ))
2
Se puede verificar fácilmente que RX (τ) = 21 cos(ωτ). Por lo tanto, X (t)
es WSS.

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Ejercicios PE

Ejemplo 4:
Considere el proceso aleatorio X (t) definido por:

X (t) = Ucos(t) + Vsin(t) para − ∞ < t < ∞

donde U y V son v.a. indep. con P(U = −2) = P(V = −2) = 1/3 y
P(U = 1) = P(V = 1) = 2/3. Muestre que X (t) es WSS pero no SSS
[?].

¿WSS?: E [U] = E [V ] = (−2)P(U = −2) + (1)P(U = 1) = 0 y

E [U 2 ] = E [V 2 ] = 2 y E [UV ] = E [U]E [V ] = 0, de aqui:
µX (t) = E [X (t)] = E [U]cos(t) + E [V ]sin(t) = 0, y
RX (t, s) = E [X (t)X (s)] = E [(Ucos(t) + Vsin(t))(Ucos(s) + Vsin(s))] =
2(cos(t)cos(s) + sin(t)sin(s)).
¿SSS?: Al considerar E [X 3 (t)] = −2(cos 3 (t) + sin3 (t)), es dependiente
de t, por lo tanto, no es SSS.

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Ejercicios PE

Ejemplo 5:
Considere el PE, X (t) = A, con A ∼ U(0, 1). Determinar si el proceso es
ergódico en la media y en la autocorrelación.

Respuesta: No en ambos casos

Ejemplo 6:
Considere el PE, X (t) = Acos(ωt + Θ), con Θ ∼ U(−π, π). Determinar
si el proceso es ergódico en la media y en la auto-correlación.

Respuesta: Si en ambos, porque es WSS y las medias y las

autocorrelaciones son iguales

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Ejercicios PE

Ejemplo 7:
En un sistema de comunicación se utiliza la siguiente señal aleatoria

Y (t) = Asin(ωt + φ) + B (8)

donde φ ∼ U[0, 2π], y el vector aleatorio (A, B) tiene pdf conjunta

a
Pr (A = a, B = b) = para a ∈ {1, 2, 3} , b ∈ {1, ..., a + 1} (9)
20
Además, las v.a. φ y (A, B) son independientes entre sí.
Calcular la media del proceso Y (t).
Calcular la autocorrelación del proceso Y (t).
¿Y (t) es WSS?, ¿Y (t) es ergódico?.
Representar en Matlab la autocorrelación de Y (t).

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Ejercicios PE
Parte a) Las funciones de masa marginales de A y B son:
 1
 10 a=1
3
P(A = a) = a=2
 106
10 a=3
 3

 b=1
 103
10 b=2
P(B = b) =


1
b=3
 43
20 b=4
Por lo tanto, la media del proceso Y (t) es:
µY (t) = E [Y (t)] = E [Asin(ωt + φ) + B]
= E [Asin(ωt + φ)] + E [B]
= E [A]E [sin(ωt + φ)] + E [B]
= E [B]
9
=
4
Dr. Marco Flores Procesos Estocásticos
 Clasificación Procesos Estocásticos

Ejercicios PE

Parte b) La autocorrelación del proceso Y (t) es:

RY (t, t + τ) = E [(Asin(ωt + φ) + B)(Asin(ω(t + τ) + φ) + B]

= E [(A2 sin(ωt + φ)sin(ω(t + τ) + φ) + E [B 2 ]
+E [ABsin(ωt + φ)] + E [ABsin(ω(t + τ) + φ)]
= E [A2 ]E [sin(ωt + φ)sin(ω(t + τ) + φ)] + E [B 2 ]
+E [AB]E [sin(ωt + φ)] + E [AB]E [sin(ω(t + τ) + φ)]
cos(τω)
= E [A2 ] + E [B 2 ]
2
67 123
= cos(τw ) +
20 20
Entonces el proceso Y (t) es WSS.

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Ejercicios PE

Parte c) Ergodicidad del proceso

El proceso Y (t) no es ergodico, de hecho se tiene:
ZT
1
hX (t)i = limT →∞ Y (t)dt
2T −T
= B

ZT
1
hX (t)X (t + τ)i = limT →∞ Y (t)Y (t + τ)dτ
2T −T
A2
= cos(τw ) + B 2
2
Es decir, la media temporal y la autocorrelación temporal son v.a. y no
constantes.

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Ejercicios PE

Ejemplo 8: Media móvil

El PE denominado media móvil está dado por:
1
Vt = (Wt−1 + Wt + Wt+1 ) (10)
3
.
donde Wt un proceso estocástico dado por:
idd
Wt ∼ N(0, 1)

Calcular la media.
Calcular la autocorrelación y autocovarianza.

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Ejercicios PE

Función de media

 
1
µv (t) = E (vt ) = E (wt−1 + wt + wt+1 )
3
1
= (E (wt−1 ) + E (wt ) + E (wt+1 ))
3
= 0

Función de autocovarianza

γv (s, t) = E ((vs − 0)(vt − 0))

1
= E ((ws−1 + ws + ws+1 )(wt−1 + wt + wt+1 ))
9

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Ejercicios PE
Es conveniente calcularla en función de la separación h = s − t, para
h = 0, ±1, ±2.
Para h=0

1
γv (t, t) = E ((wt−1 + wt + wt+1 )(wt−1 + wt + wt+1 ))
9
1
= ((Ewt−1 wt−1 ) + E (wt wt ) + E (wt+1 wt+1 ))
9
3
=
9
Para h=1

1
γv (t + 1, t) = E ((wt + wt+1 + wt+2 )(wt−1 + wt + wt+1 ))
9
1
= ((Ewt wt ) + E (wt+1 wt+1 ))
9
2
=
9
Dr. Marco Flores Procesos Estocásticos
 Clasificación Procesos Estocásticos

Ejercicios PE

Para el resto de valores



 3/9 si s=t

2/9 si |s − t| = 1
γv (s, t) =

 1/9 si |s − t| = 2

0 si |s − t| > 3
Luego este proceso es estacionario ya que:

E (vt ) = cte ∀t

Por lo que se llega a:



 3/9, si h=0

2/9, si h = ±1
γw (t, t + h) = γv (h)

 1/9, si h = ±2

0, si |h| > 3

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Tareas PE

Tarea 1
Considere el PE discreto {Xn , n ∈ Z}, los Xn ’s son iid con cdf dada por
FXn (x) = FX (x). Verificar que este proceso es estrictamente estacionario.

Tarea 2
El PE denominado media móvil está dado por:
1
Vt = (Wt−1 + Wt + Wt+1 ) (11)
3
.
idd
donde Wt un proceso estocástico dado Wt ∼ N(0, 1)
Verificar si es estacionario. Simular este proceso en Matlab.

Tarea 3
Sea W (t) un proceso de Wiener con parámetros a y σ2 . Hallar las
funciones de media y autocorrelación.

Dr. Marco Flores Procesos Estocásticos

 Clasificación Procesos Estocásticos

Tareas PE
Simulación de W (t)
clc; clear;
T = 2; N = 500; dt = T/N;
dW = zeros(1,N);
dW(1) = sqrt(dt)*randn; % first approximation outside the loop
W = zeros(1,N);
W(1) = dW(1); % since W(0) = 0 is not allowed

for j = 2:N
dW(j) = sqrt(dt)*randn; % general increment
W(j) = W(j-1) + dW(j);
end

plot([0:dt:T],[0,W],’r-’) % plot W against t

xlabel(’t’,’FontSize’,12)
ylabel(’W(t)’,’FontSize’,12,’Rotation’,0)

Ref: https://me.ucsb.edu/~moehlis/APC591/tutorials/
tutorial7/node2.html
Dr. Marco Flores Procesos Estocásticos