Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TC Tema 7
TC Tema 7
Teorı́a de la Comunicación
Curso 2007-2008
Definición Caracterización Estadı́sticos Estacionariedad Ergodicidad Densidad Espectral de Potencia Filtrado de Procesos Estocásticos
Contenido
1 Definición
2 Caracterización Estadı́stica
3 Estadı́sticos
4 Estacionariedad
5 Ergodicidad
Contenido
1 Definición
2 Caracterización Estadı́stica
3 Estadı́sticos
4 Estacionariedad
5 Ergodicidad
Definición
Procesos Estocásticos
Definición: Un Proceso Estocástico X(t) es una función que
asocia una señal a cada posible resultado de un experimento
aleatorio.
S∈Ω −→ X(t, S) ∈ R
Variable independiente: t ∈ T ∈ R (T espacio de tiempos)
Interpretación
Si se fija el suceso: X(t, S0 ) es una señal
Si se fija el tiempo: X(t0 , S) es una variable aleatoria
Si se fijan ambos: X(t0 , S0 ) es un no real
Si ambos varı́an: X(t, S) es un proceso estocástico
Definición
−10
0 5 10 15 20 25 30 35 40 45 50
t
10
x(t,S )
X: 20
2
X: 5 Y: −0.8176
0 Y: −3.786
−10
0 5 10 15 20 25 30 35 40 45 50
t
10
x(t,S )
3
0
X: 5
Y: −3.641
−10 X: 20
Y: −6.604
0 5 10 15 20 25 30 35 40 45 50
t
10
x(t,S )
4
0 X: 5
Y: 3.67
X: 20
Y: −3.524
−10
0 5 10 15 20 25 30 35 40 45 50
t
Clasificación
T continuo T discreto
S continuo Proceso Secuencia
Estocástico Estocástica
Continuo Continua
S discreto Proceso Secuencia
Estocástico Estocástica
Discreto Discreta
Otra Clasificación:
Deterministas (o predecibles): Los valores futuros se pueden
predecir de manera exacta a partir de los valores anteriores
Ejemplo: X(t) = A cos(ωt + Θ) con Θ v.a. uniforme en (−π, π)
No Deterministas (impredecibles): No se pueden predecir de
manera exacta los valores futuros
Tema 7: Procesos Estocásticos Teorı́a de la Comunicación
Definición Caracterización Estadı́sticos Estacionariedad Ergodicidad Densidad Espectral de Potencia Filtrado de Procesos Estocásticos
Contenido
1 Definición
2 Caracterización Estadı́stica
3 Estadı́sticos
4 Estacionariedad
5 Ergodicidad
FX (x1 ; t1 ) = P (X(t1 ) ≤ x1 )
δFX (x1 ; t1 )
fX (x1 ; t1 ) =
δx1
Observaciones:
Ambas funciones se han de conocer para todo t1 ∈ T
En general, el proceso estocástico no queda completamente
caracterizado por las funciones de primer orden
δ 2 FX (x1 , x2 ; t1 , t2 )
fX (x1 , x2 ; t1 , t2 ) =
δx1 δx2
Observaciones:
Ambas funciones se han de conocer para todo par (t1 , t2 )
En general, el proceso estocástico no queda completamente
caracterizado por las funciones de segundo orden
Obtención de las marginales (funciones de primer orden):
FX (x1 ; t1 ) = FX (x1 , x2 = ∞; t1 , t2 )
Z ∞
fX (x1 ; t1 ) = fX (x1 , x2 ; t1 , t2 )dx2
−∞
Contenido
1 Definición
2 Caracterización Estadı́stica
3 Estadı́sticos
4 Estacionariedad
5 Ergodicidad
Coeficiente de Autocorrelación
Definición análoga al caso de 2 variables aleatorias:
CX (t1 , t2 ) CX (t1 , t2 )
rX (t1 , t2 ) = p = p
Var [X(t1 )] Var [X(t2 )] CX (t1 , t1 )CX (t2 , t2 )
−1 ≤ rX (t1 , t2 ) ≤ 1
rX (t1 , t2 ) indica el grado de relación lineal entre X(t1 ) y X(t2 )
Ejemplo
X(t) = at + Y con Y v.a. uniforme en (0, 1), a = cte.
Media: ηX (t) = at + 1/2
Autocorrelación: RX (t1 , t2 ) = a2 t1 t2 + 21 a(t1 + t2 ) + 13
1
Autocovarianza: CX (t1 , t2 ) = 12
2 1
Varianza: σX (t) = Var [X(t)] 2 CX
= (t, t) = 12
Valor Cuadrático Medio: E X (t) = RX (t, t) = a2 t2 + at + 1
3
Coeficiente de Autocorrelación: rX (t1 , t2 ) = 1
Ruido Blanco
Un Proceso Estocástico es Ruido Blanco sii:
Propiedades:
Contenido
1 Definición
2 Caracterización Estadı́stica
3 Estadı́sticos
4 Estacionariedad
5 Ergodicidad
Estacionariedad
Implicaciones:
La fdp (y F.D.) de orden dos no depende de los tiempos absolutos
t1 , t2 sino solamente de la diferencia τ = t1 − t2
Un P.E. estacionario de orden 2 también lo es de orden 1
RX (t1 , t2 ) = RX (t1 − t2 ) = RX (τ )
Estacionariedad
Estacionariedad
Ejemplo 1
Tono de fase aleatoria: X(t) = A cos(ωt + Θ) Θ uniforme en (−π, π)
1
fX (x; t) = fX (x) = √ |x| ≤ A ⇒ Estacionario orden 1
π A2 − x2
Media:
Z π 1
ηX (t) = E [A cos(ωt + Θ)] = A cos(ωt + θ) dθ = 0 = cte.
−π 2π
Autocorrelación:
RX (t1 , t2 ) = E [X(t1 )X(t2 )] = E A2 cos(ωt1 + Θ) cos(ωt2 + Θ) =
A2
= E [cos(ω(t1 + t2 ) + 2Θ)] +E [cos(ω(t1 − t2 ))] =
2 | {z }
0
A2 A2
= cos(ω(t1 − t2 )) ⇒ RX (τ ) = cos(ωτ )
2 2
Estacionariedad
Ejemplo 1. Continuación
X(t) = A cos(ωt + Θ) es estacionario en sentido amplio
Realizaciones del Proceso Estocástico
Proceso Estocástico Estacionario
1
0.8
0.6
0.4
Realizaciones de X(t)
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 1 2 3 4 5 6 7 8 9
t
Estacionariedad
Ejemplo 2
X(t) = A cos(ωt + θ) con A v.a. uniforme en (−a, a)
X(t) es una v.a uniforme en [−a cos(ωt + θ), a cos(ωt + θ)]
Dependencia con t ⇒ Proceso Estocástico No Estacionario
Proceso Estocástico No Estacionario
1
0.8
0.6
0.4
Realizaciones de X(t)
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 1 2 3 4 5 6 7 8 9
t
Estacionariedad
RXY (t + τ, t) = 0 ∀t, τ
Ejemplo (ruido en RX): Z(t) = X(t) + Y (z) con X(t), Y (t) ortogonales
RZ (t + τ, t) = RX (t + τ, t) + RY (t + τ, t)
Contenido
1 Definición
2 Caracterización Estadı́stica
3 Estadı́sticos
4 Estacionariedad
5 Ergodicidad
Ergodicidad
Autocorrelación Temporal:
Z T
1
AX (τ, S0 ) = lı́m X(t + τ, S0 )X(t, S0 )dt
T →∞ 2T −T
Ergodicidad
MX (S) = ηX ∀S
Ergodicidad
Ejemplo 1
X(t) = A con A variable aleatoria uniforme en (0, 1)
Promedio estadı́stico (“vertical”): ηX = E[X(t)] = E[A] = 1/2
1
RT
Promedio temporal (“horizontal”): MX = lı́mT →∞ 2T −T
Adt = A
ηX 6= MX ⇒ no es ergódico respecto a la media
Ejemplo 2
Lanzamiento de una moneda y dos formas de onda
Ergodicidad
Ejemplo 3
X(t) = A cos(ωt + Θ) Θ uniforme en (−π, π)
X(t) es estacionario en sentido amplio:
A2
ηX = 0 RX (τ ) = cos(ωτ )
2
Promedio Temporal:
Z T
1 A
MX = lı́m A cos(ωt + Θ)dt = lı́m sin(ωt + Θ)|T−T =
T →∞ 2T −T T →∞ 2T ω
A
= lı́m (sin(ωT + Θ) − sin(−ωT + Θ)) =
T →∞ 2T ω
A
= lı́m sin(ωT ) cos(Θ) = 0 = ηX
T →∞ T ω
Ergodicidad
AX (τ, S) = RX (τ ) ∀τ, S
Ejemplo
X(t) = A cos(ωt + Θ) Θ uniforme en (−π, π)
A2
ηX = 0 RX (τ ) = cos(ωτ )
2
Autocorrelación Temporal:
Z T
1
AX (τ ) = lı́m A cos(ω(t + τ ) + Θ)A cos(ωt + Θ)dt =
T →∞ 2T −T
A2
= cos(ωτ ) = RX (τ ) ⇒ Ergódico resp. Autocorrelación
2
Contenido
1 Definición
2 Caracterización Estadı́stica
3 Estadı́sticos
4 Estacionariedad
5 Ergodicidad
Primera Aproximación
Obtención de la T.F. de cada Realización x(t) = X(t, S)
Problemas:
En general, x(t) puede no tener Transformada de Fourier
Z ∞
Cond. suficiente para ∃T.F. |x(t)|dt < ∞
−∞
Segunda Aproximación
Consideración de una ventana temporal
Z ∞
X(t, S) −T < t < T
XT (t, S) = XT (ω, S) = XT (t, S)e−jωt dt
0 resto −∞
Ventajas:
Energı́a finita ⇒ Existe Transformada de Fourier. Ta de Parseval:
Z T Z ∞
1
ET (S) = (XT (t, S))2 dt = |XT (ω, S)|2 dω
−T 2π −∞
Inconvenientes:
Seguimos considerando realizaciones
Sólo consideramos un intervalo temporal (T → ∞ ⇒ ET (S) → ∞)
0.8
S (f)
0.6
X
0.4
0.2
0
0 20 40 60 80 100 120 140 160 180 200
Frecuencia (Hz)
10
5
R (τ)
X
−5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
τ (s)
10 10
0 0
−10 −10
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
t (s) t (s)
10 5
0 0
−10 −5
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
t (s) t (s)
20 10
0 0
−20 −10
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
t (s) t (s)
10 10
0 0
−10 −10
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
t (s) t (s)
0.8
S (f)
0.6
X
0.4
0.2
0
0 20 40 60 80 100 120 140 160 180 200
Frecuencia (Hz)
60
40
RX(τ)
20
−20
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
τ (s)
50 20
0 0
−50 −20
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
t (s) t (s)
50 20
0 0
−50 −20
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
t (s) t (s)
50 50
0 0
−50 −50
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
t (s) t (s)
50 50
0 0
−50 −50
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
t (s) t (s)
Ejemplo 1
X(t) = A cos(ω0 t + Θ), con Θ uniforme en (−π, π)
A2
Función de Autocorrelación: RX (τ ) = 2
cos(ω0 τ )
Densidad Espectral de Potencia:
A2
SX (ω) = TF [RX (τ )] = π [δ(ω − ω0 ) + δ(ω + ω0 )]
2
A2
1
R∞
Potencia: PX = RX (0) = 2π −∞
SX (ω)dω = 2
Ejemplo 2
Ruido Blanco con media cero:
Densidad Espectral de Potencia:
N0
SX (ω) = Watt/Hz
2
Autocorrelación: RX (τ ) = CX (τ ) = TIF [SX (ω)] = N20 δ(τ )
Potencia en una Ancho de Banda BW (en Hercios):
PBW = BW N0 = σ 2
En el caso discreto:
∞
X
SXY (Ω) = TF [RXY [m]] = RXY [m]e−jΩm
m=−∞
Z
1
RXY [m] = TIF [SXY (Ω)] = SXY (Ω)ejΩm dΩ
2π 2π
Particularidades:
SXY (ω) puede ser compleja y puede no ser par
SXY (ω) = SY X (−ω)
Contenido
1 Definición
2 Caracterización Estadı́stica
3 Estadı́sticos
4 Estacionariedad
5 Ergodicidad
Teorema Fundamental:
X fX (x1i , x2i ; t1 , t2 ) X fX (x1i , x2i ; t1 , t2 )
fY (y1 , y2 ; t1 , t2 ) = =
i
|J(x1i , x2i )| i
|g 0 (x1i )g 0 (x2i )|
Ejemplo
Detector Cuadrático: Y (t) = X 2 (t)
fdp de primer orden:
Raı́ces:
√ √
y = g(x) = x2 ⇒ x1 = y, x2 = − y (y ≥ 0)
0
Derivada: g (x) = 2x
√ √
f ( y;t) f (− y;t)
fdp: fY (y; t) = X2√y + X 2√y
fdp de orden 2:
Y (t1 ) = X 2 (t1 )
Y (t2 ) = X 2 (t2 )
Z ∞
H(ω) = TF [h(t)] = h(t)e−jωt dt
−∞
Causalidad:
x(t) = 0 ∀t < t0 ⇒ y(t) = 0 ∀t < t0
Estabilidad: |x(t)| < M ∀t ⇒ ∃K |y(t)| < K ∀t
Z ∞
|h(t)|dt < ∞
−∞
E [L [x(t)]] = L [E [x(t)]]
Ejemplo
Filtrado de Ruido Blanco con Media Cero:
N0
Autocorrelación de la Entrada: RX (τ ) = 2
δ(τ )
DEP de la entrada: SX (ω) = N20
Sistema LTI: h(t) → H(ω)
Autocorrelación de la salida:
N0 N0
RY (τ ) = δ(τ ) ∗ h(τ ) ∗ h(−τ ) = (h(τ ) ∗ h(−τ ))
2 2
DEP de la salida:
N0
SY (ω) = |H(ω)|2
2
Ejemplo
Promediador de Media Móvil:
Respuesta del Sistema:
Z T
1
Y (t) = X(t)dt
2T −T
Función de trasferencia:
sin(ωT )
H(ω) =
ωT
DEP de la salida:
sin2 (ωT )
SY (ω) = SX (ω)
(ωT )2