Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Proceso S
Proceso S
Referencias:
1 Introducción y conceptos básicos 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 y autocorrelación
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
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 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, tiene pulsos de voz de duración a) X(x,t) es una familia de funciones 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. del 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
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)
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 −∞
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
+∞ +∞ 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
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
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
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
π
1
E [ X (t ) ] = AE [ cos((2π / 24)t + φ )] = A ∫ cos((2π / 24)t + φ ) dφ = 0
−π
2π
5
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
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
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
47 48
-3