Procesos Estocásticos Procesos Estocásticos

Referencias:
1 Introducción y conceptos básicos
2 Estadísticos de un proceso estocástico
3 Estacionariedad de un proceso estocástico
4 Ergodicidad de un proceso estocástico
5 Ejemplos
1 2
Estadística. Profesora María Durbán
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
Al final del tema el alumno será capaz de:

Entender el concepto de proceso estocástico

Interpretar y calcular los estadísticos de los procesos estocásticos:
esperanza, autocovarianza y autocorrelación

Interpretar y comprobar la estacionariedad de los procesos
estocásticos

Interpretar y determinar si un proceso es ergódico

Saber calcular probabilidades en procesos estocásticos formados a
través de distribuciones estudiadas en los temas anteriores
Estadística. Profesora María Durbán

Procesos Estocásticos 1 Introducción y conceptos básicos

En los temas anteriores hemos estudiado procesos que no varían con el
1 Introducción y conceptos básicos
tiempo o sólo dependen de una variable.

Por ejemplo, estudiamos el número de llamadas que se producen en una

2 Estadísticos de un proceso estocástico
central telefónica.

Si definimos X como el número de llamadas que se reciben en una 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 (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
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
Las representaciones serían (si λ=2, por ejemplo):
λ=2
λ’=16
5 6
Estadística. Profesora María Durbán
1 Introducción y conceptos básicos
Ejemplos
En los sistemas de comunicaciones aparecen señales aleatorias como:

La señal de información, tiene pulsos de voz de duración
aleatoria y posición aleatoria.

Una interferencia en el canal que es debida a la presencia
cercana de otros sistemas de comunicaciones.

El ruido en un receptor es debido al ruido térmico en
resistencias y componentes del receptor.
Así, la señal recibida va ser una señal con varias componentes aleatorias.
Aunque no es posible describir este tipo de señales con una expresión
matemática, se pueden utilizar sus propiedades estadísticas
Son señales aleatorias en el sentido de que antes de realizar el
experimento no es posible describir su forma exacta
7 8
Estadística. Profesora María Durbán
1 Introducción y conceptos básicos
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).
PROCESO ESTOCÁSTICO
Se define el proceso estocástico X(t) como el número de llamadas
que se producen en la centralita en el tiempo (0,t).
Así, para cada valor de t que se elija, tendremos una variable aleatoria
distinta, con forma similar pero distinto valor.
En los temas anteriores definimos X(x), en este caso X(λ).
Ahora debemos representar X(x,t), en este caso, X(λ,t).
En general, diremos X(t) igual que antes llamábamos X y no X(λ).
Estadística. Profesora María Durbán
1 Introducción y conceptos básicos
Proceso Estocástico
Es una función de dos variables, t y x, una determinista y otra aleatoria
a) X(x,t) es una familia de funciones temporales.
b) Si se fija x, tenemos una función temporal X(t) llamada realización
del proceso.
c) Si se fija t, tenemos una Variable Aleatoria.
d) Si se fijan t y x, tenemos un número real o complejo (muy normal
en teoría de la señal).
Estadística. Profesora María Durbán
 1 Introducción y conceptos básicos 1 Introducción y conceptos básicos
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
Estadística. Profesora María Durbán Estadística. Profesora María Durbán

1 Introducción y conceptos básicos 1 Introducción y conceptos básicos

En general: Ejemplo 2
Caracterice la continuidad del número de llamadas que llegan a la
centralita.
Es continuo en el tiempo, porque puede tomar cualquier 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=t0) es siempre un número entero
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 completar la tarea sabiendo que ya ha consumido t minutos.
Dibuje una realización del proceso y especifique los espacios T y S.
11 12
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
 1 Introducción y conceptos básicos 1 Introducción y conceptos básicos
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.
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)
0

Y, por tanto, se tiene también la

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
Estadística. Profesora María Durbán Estadística. Profesora María Durbán

1 Introducción y conceptos básicos 1 Introducción y conceptos básicos

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 define la función de distribución de segundo orden
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
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 −∞

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

3 Estacionariedad de un proceso estocástico
Se puede entender gráficamente como el centro de gravedad de la
función densidad de probabilidad
4 Ergodicidad de un proceso estocástico
Característica:

Para cada t, se tiene una VA distinta → una media distinta
5 Ejemplos

La media es, en general, una función dependiente del tiempo

17 18
Estadística. Profesora María Durbán Estadística. Profesora María Durbán

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
Defina y calcule la esperanza de la variable aleatoria X(t).
X(t) = V·h(t − T), t > 0,
E [ X (t ) ] = E [ cos(2π ft + 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
= p cos(2π ft) + qE [ cos(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
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
 2 Estadísticos de un proceso estocástico 2 Estadísticos de un proceso estocástico
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 xx +∞ +∞

Recordamos:
−−∞
∞
RX (t1 , t2 ) = E [ X (t1 ) X (t2 ) ] = ∫ ∫ x1 x2 f ( x1 , x2 ; t1t2 )∂x1∂x2
−∞ −∞
Var [ X ] = E  X 2  − ( E [ X ])
2

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 +∞

RX (t ) = E  X (t ) 2  = ∫ x 2 f ( x; t )∂x
−∞

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
Estadística. Profesora María Durbán Estadística. Profesora María Durbán

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

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

C X (t1 , t 2 ) = E [( X (t1 ) − µ x (t1 ) ) ⋅ ( X (t 2 ) − µ x (t 2 ) )] =

dimensiones temporales.

+∞ +∞  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 ) 

En el caso de que tk = ti se tiene la varianza del proceso estocástico. 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). dos funciones de densidad 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)·X(8)) = RX(8,8) = 13
valor de t1 y t2.
Var(Z) = E(Z2) − (E(Z))2 = 4 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
C XY (t1 , t 2 ) = − µ X (t1 ) ⋅ µY (t 2 )
de t1 y t2.
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

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], y A exponencial de parámetro λ.
2 Estadísticos de un proceso estocástico
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)], 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 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
x2
pasadas 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
de t
10

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

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

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

Ejemplo 6
Distintas realizaciones del proceso X(t) = N·cos((2π/24)t+φ) siendo N y
φ VA con distribuciones P(10) y U(0,2π) respectivamente.
Estacionariedad (en sentido estricto)
Un proceso X(t) es estacionario en sentido estricto si la función
de densidad de densidad conjunta, de cualesquiera de sus n v.a.
medidas en instantes t1,…,tn, 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 dé
débil
La media del proceso se mantiene constante puede ser
estacionario 31 32
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
 3 Estacionariedad de un proceso estocástico 3 Estacionariedad de un proceso estocástico
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 µ(independiente
(independientedel
deltiempo)
tiempo) E [ X (t () ])= µ µ(independiente
(independientedel
deltiempo)
tiempo)
RRX (t(1t,1 t,2t2) )==RRX (τ(τ) )ττ==t2t2−−t1t1(depende
(dependesolo
solode
delaladistancia
distancia RRX (t(1t,1 t,2t2) )==RRX (τ(τ) )ττ==t2t2−−t1t1(depende
(dependesolo
solode
delaladistancia
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 que
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

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

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

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

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
 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, en sentido
−π
2π débil)
Ejercicio
RX (t , t + τ ) = E [ X (t ) X (t + τ ) ] = E [ cos((2π / 24)t + φ ) cos((2π / 24)(t + τ ) + φ ) ]
Si X e Y son VA normales, independientes, con media 0 y varianza 1, se
1
E [ cos((2π / 24)(2t + τ ) + 2φ ) + cos((2π / 24)τ ) ]
define el proceso Z(t)=Xcos(2πt)+Ysin(2πt)
=
2
1 a) Determine la función de probabilidad conjunta de Z(t1) y Z(t2)
= cos((2π / 24)τ ) b) Calcule la media y la autocovarianza del proceso Z(t)
2 c) Estudie la estacionariedad en sentido débil y estricto

débilmente estacionario 37 38
Estadística. Profesora María Durbán Estadística. Profesora María Durbán

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
2 Estadísticos de un proceso estocástico
Sea X(t) un proceso estacionario débil, definimos la media temporal o
valor medio en el tiempo como:
3 Estacionariedad de un proceso estocástico
1 T
M X =T lim
uuur ∞ ∫
−T
uuur ∞ µT
X (t )dt =T lim
2T
4 Ergodicidad de un proceso estocástico La autocorrelación temporal se define como:
1 T
AX =T lim
uuur ∞ ∫ X (t ) X (t + τ )dt
2T −T
5 Ejemplos
Ambas son VA ya que toman valores distintos para cada realización del
proceso.
39 40
Estadística. Profesora María Durbán Estadística. Profesora María Durbán
 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

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

3 Ergodicidad de un proceso estocástico Procesos Estocásticos

Ergodicidad en autocorrelación : Sea RX (τ ) = E [ X (t ) X (t + τ )]. Si

1 Introducción y conceptos básicos
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)=acos(wt)+bcos(wt), donde a y b son dos
VA independientes uniformemente distribuidas en [-1,1], estudiar la
ergodicidad en media y autocorrelación.
4 Ergodicidad de un proceso estocástico
µ X = E [ a ] cos( wt ) + E [b ] sin wt = 0 + 0 = 0
1 T sin( wT )
µT = ∫ (a cos( wt ) + b sin wt )∂t = → T uuur ∞ µT = 0
lim 5 Ejemplos
2T −T wT
1
RX (τ ) = E [ X (t ) X (t + τ )] = cos( wτ )
3 No es ergódico en
1 T 1 autocorrelación
X (t ) X (t + τ )∂t = (a 2 + b 2 ) cos( wτ )
2T ∫−T Profesora María Durbán
T lim
uuur ∞ 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
proceso tiene distribución conjunta gaussiana
X(t)= número de sucesos en [0,t] El proceso está totalmente descrito si conocemos su función media y su
X(t)~P(λt) autocovarianza (o auticorrelación)
µX=λt
Cx(t1,t2)=λmin{t1,t2}
Estacionariedad en sentido débil = estacionariedad en sentido estricto
Ruido Un proceso es independiente C(ti,tj)=0
“Ruido”= señales indeseables que constituyen una interferencia en un Ejercicio. Febrero 2003
sistema de comunicaciones. Hay dos tipos de ruido: ruido externo al Sean X e Y dos VA normales con media 0 y varianza Y, se define el

2
sistema (atmosférico), ruido interno al sistema (fluctuaciones aleatorias proceso gaussiano: Z(t)=Xcos(2πt)+Ysin(2πt)
debidas a dispositivos). Generalmente se representan las interferencias

1
mediante un ruido blanco.

x1
0
Ruido blanco: Un proceso es un ruido blanco si las variables X(t1), X(t2)

-1
están incorreladas para todo t.
Si las variables son gaussianas incorreladas = independientes 45 46

-2
-3 -2 -1 0 1 2 3
Estadística. Profesora María Durbán Estadística. Profesora María Durbán tiempo

5 Ejemplos 5 Ejemplos
Procesos Gaussianos Procesos Autorregresivos
Diremos que un proceso es gaussiano, si cualquier colección de VA del Un proceso autorregresivo tiene la siguiente forma:
proceso tiene distribución conjunta gaussiana
El proceso está totalmente descrito si conocemos sufunción media y su X (t ) = c + α X (t − 1) + ε t ε t ~ N (0, σ 2 )
autocovarianza (o auticorrelación) c σ2 α τσ 2
E [ X (t ) ] = Var [ X(t) ] = RX (τ ) =
1−α 1−α 2
1−α 2
α=0.7
Estacionariedad en sentido débil = estacionariedad en sentido estricto

2
Un proceso es independiente C(ti,tj)=0

0
Ejercicio. Febrero 2003

-2
Sean X e Y dos VA normales con media 0 y varianza Y, se define el

-4
0 20 40 60 80 100

proceso gaussiano: Z(t)=Xcos(2πt)+Ysin(2πt)

a) Determinar la función de probabilidad conjunta de de Z(t1) y Z(t2) α−0.5

3
2
b)Estudiar la estacionariedad en sentido débil y estricto 1
0
-1
-2

47 48
-3

Estadística. Profesora María Durbán Estadística. Profesora

0 María Durbán
20 40 60 80 100