TEMA

Procesos Aleatorios
Densidad Espectral de Potencia
CURSO
Seales y Sistemas
Facultad de Ingeniera
Carrera de Ingeniera Electrnica
Carrera de Telecomunicaciones y Redes
PROFESOR
Ing. Christian del Carpio Damin
PROCESOS
ALEATORIOS
2
CONCEPTO DEL PROCESO ALEATORIO
3
Una variable aleatoria X es, por definicin, una funcin de
los resultados posibles s de un experimento, ahora ser
funcin tanto de s como del tiempo.
Se asigna a cada resultado s, de acuerdo con algn tipo de
regla, una funcin del tiempo.
) , ( s t x
El conjunto de todas las funciones, designada por X(t,s), se
denomina proceso aleatorio.
4
Un proceso aleatorio X(t,s) representa un conjunto de
funciones temporales cuando t y s son variables.
Cada funcin temporal se denomina funcin muestra.
Un proceso aleatorio tambin representa una sola funcin
temporal cuando t es una variable y s se fija en un valor
especfico.
Un proceso aleatorio tambin representa una variable
aleatoria cuando se fija t y s se considera una variable.
CONCEPTO DEL PROCESO ALEATORIO
5
Un proceso aleatorio se dice que es estacionario si todas sus
propiedades estadsticas no cambian con el tiempo.
Estacionaridad de primer orden
Un proceso aleatorio estacionario de primer orden implica
que:
( ; ) ( )
X X
f x t f x =
ESTACIONARIDAD
6
Estacionaridad de segundo orden
Un proceso aleatorio estacionario de segundo orden implica
que:
1 2 1 2
3 4 3 4
1 2 1 2 1 2 1 1
3 4 3 4 3 4 3 3
( , ; , ) ( , ; , )
( , ; , ) ( , ; , )
X X X X
X X X X
f x x t t f x x t t
f x x t t f x x t t
t
t
= +
= +
Por lo tanto las medidas estadsticas de segundo orden
permanecen invariantes en el tiempo si el intervalo de
separacin entre las variables permanecen constantes.
ESTACIONARIDAD
7
Para estacionaridad de segundo orden se tiene
1 2 1 2 1 2
1 2 1 1
( , ) ( , ) ( )
X X X X X X
R t t R t t R t t = + =
En forma general
ESTACIONARIDAD
( ) [ ( ) ( )] ( ) ( )
XX
R E X t X t X t X t t t t = + = +
8
Un proceso aleatorio estacionario de segundo orden se
conoce tambin como estacionario en el sentido amplio (WS)
y se cumple que:
[ ( )]
[ ( ) ( )] ( )
XX
E X t X
E X t X t R t t
=
+ =
ESTACIONARIDAD
9
Ejemplo 1
Demostrar que el proceso aleatorio

es estacionario en sentido amplio si suponemos que A y
o

son constantes y es variable aleatoriamente
uniformemente distribuida en el intervalo (0, 2).
0
( ) cos( ) X t A t e = +O
ESTACIONARIDAD
10
La funcin de autocorrelacin de un proceso aleatorio X(t) es
la correlacin E[X
1
X
2
] de dos variables aleatorias X
1
=X(t
1
) y
X
2
=X(t
2
) definidas para el proceso en los instantes t
1
y t
2

LA FUNCIN DE AUTOCORRELACIN
1 2 1 2
( , ) [ ( ) ( )]
XX
R t t E X t X t =
( , ) [ ( ) ( )]
XX
R t t E X t X t t t + = +
( ) [ ( ) ( )]
XX
R E X t X t t t = +
11
Propiedades de la Funcin de autocorrelacin
2
(1) | ( ) | (0)
(2) ( ) ( )
(3) (0) [ ( )]
XX XX
XX XX
XX
R R
R R
R E X t
t
t t
s
=
=
Se define el coeficiente de autocorrelacin como:
( )
( ) , 1 ( ) 1
(0)
XX
XX XX
XX
R
R
t
p t p t = s s
LA FUNCIN DE AUTOCORRELACIN
12
Propiedades de la autocorrelacin
Para procesos WS, se tiene que:
2
(1) | ( ) | (0)
(2) ( ) ( )
(3) (0) [ ( )]
XX XX
XX XX
XX
R R
R R
R E X t
t
t t
s
=
=
LA FUNCIN DE AUTOCORRELACIN
2
| |
(4) Si E[X(t)]=X 0 ( ) es ergdico
con componentes no peridicos entonces
( ) X
XX
y X t
lim R
t
t

=
=
13
Propiedades de la autocorrelacin
Para procesos WS, se tiene que:
XX
(5) Si X(t) tiene una componente peridica entonces R ( )
tendr una componente peridica con el mismo periodo
t
| |
(6) Si X(t) es un proceso ergdico con valor medio igual a cero y
no tiene componentes peridicas entonces
lim ( ) 0
(7) ( ) no puede tener
XX
XX
R
R
t
t
t

=
forma arbitraria
LA FUNCIN DE AUTOCORRELACIN
14
Propiedades de la autocorrelacin
Para procesos WS, se tiene que:
| |
(6) Si X(t) es un proceso ergdico con valor medio igual a cero y
no tiene componentes peridicas entonces
lim ( ) 0
(7) ( ) no puede tener
XX
XX
R
R
t
t
t

=
forma arbitraria
LA FUNCIN DE AUTOCORRELACIN
15
Ejemplo 2
Un proceso estacionario WS X(t) presente una funcin de
autocorrelacin de la siguiente figura. Si la varianza del
proceso es igual a 0.25. Se pide graficar la media E[X(t)] en
el tiempo.
LA FUNCIN DE AUTOCORRELACIN
R
XX
(t)
t
2
16
CORRELACIN CRUZADA
( , ) [ ( ) ( )]
XY
R t t E X t Y t t t + = +
( ) [ ( ) ( )]
XY
R E X t Y t t t = +
Si X(t) e Y(t) son al menos conjuntamente estacionarios en
sentido amplio, entonces
17
CORRELACIN CRUZADA
Propiedades de la correlacion cruzada:
(1) Si ( , ) 0
entonces X(t) e Y(t) se dice que son procesos ortogonales

XY
R t t t + =
(2) Si dos procesos son estadsticamente independientes, entonces
( , ) [ ( )] [ ( )]
Si, adems de ser independientes X(t) e Y(t) son al menos
estac
XY
R t t E X t E Y t t t + = +
ionarios en sentido amplio, entonces ( ) XY

XY
R t =
18
PROCESOS ERGDICOS
Media Temporal
Sea X(t) un proceso aleatorio
Se define la media temporal como
1
lim ( )
2
T
T
T
x x t dt
T

=

1
0
1
( )
N: nmero de muestras
N
n
x x n
N

=
=

19
PROCESOS ERGDICOS
Valor cuadrtico medio Temporal
Sea X(t) un proceso aleatorio
Se define el valor cuadrtico medio temporal como
2 2
1
lim ( )
2
T
T
T
x x t dt
T

=

1
2 2
0
1
( )
N: nmero de muestras
N
n
x x n
N

=
=

20
PROCESOS ERGDICOS
Autocorrelacin temporal
Sea X(t) un proceso aleatorio
Se define la funcin temporal de autocorrelacin como
1
( ) lim ( ) ( )
2
T
T
T
x t x t dt
T
t t

= +

1
0
1
( ) ( ) ( )
N
n
m x n x n m
N

=
= +

21
PROCESOS ERGDICOS
Todos los promedios temporales son iguales a los
correspondientes promedios estadsticos
[ ]
[ ( )] ( )
XX
E x X
E R t t
=
=
22
PROCESOS ERGDICOS
Ejemplo 3
Si se tiene la siguiente figura, hallar la autocorrelacin
temporal R
XX
(m)
( ) x n
n
1
1
0 2
3
2
23
PROCESOS ERGDICOS
Ejemplo 4
Una seal X(t) es modelada como un proceso aleatorio
ergdico de distribucin uniforme en el rango [-5 15]. De
acuerdo a ello se pide determinar la potencia media del
proceso.
24
EL PROCESO ALEATORIO GAUSSIANO
1
1
[ ] [ ] [ ]
2
1 2 1 2
( , ,...., ; , ,...., )
(2 ) | [ ] |
T
X
x x C x x
X N N
N
X
e
f x x x t t t
C t

=
| |
1 1 2 1
2 1 2
1 2
2
2
2
N
N N N
X X X X X
X X X
X
X X X X X
C C
C
C
C C
o
o
o



=




1
1
2
2
X
.
N
n
x X
x X
x
x X

25
EL PROCESO ALEATORIO GAUSSIANO
Varianza: si es alta, el proceso se despega mucho de la
media.
Covarianza: alta correlacin entre muestras representa alta
covarianza
26
PROCESOS DETERMINSTICOS
Un proceso es determinstico si valores futuros de una
funcin muestra pueden ser predecidos por valores
pasados.
27
PROCESOS DETERMINSTICOS
Ejemplo 5
El proceso aleatorio


Ejemplo 6
Sea x(t)=A donde A es una v.a. con f
A
(A) de finido como:
0
( ) cos( ) X t A t e = +O
( )
A
f A
-5 5
1/10
DENSIDAD
ESPECTRAL DE
POTENCIA
28
29
DENSISDAD ESPECTRAL DE POTENCIA
t
-T T
x(t)
( )
( )
0 en otro caso
T
x t T t T
x t
< <

30
DENSISDAD ESPECTRAL DE POTENCIA
( ) ( ) ( )
T T
j t j t
T T
T T
X x t e dt x t e dt
e e
e


= =

2 2
( ) ( ) ( )
T T
T
T T
E T x t dt x t dt

= =

La energa contenida en x(t) en el intervalo (-T, T)
2 2
1
( ) ( ) | ( ) |
2
T
T
T
E T x t dt X d e e
t


= =

Por el teorema de Parseval se tiene:
La transformada de Fourier de x
T
(t) ser
31
DENSISDAD ESPECTRAL DE POTENCIA
2
2
| ( ) | 1 1
( ) ( )
2 2 2
T
T
T
X
P T x t dt d
T T
e
e
t


= =

La potencia media P(T) de x(t) en el intervalo (-T, T) ser
La funcin anterior no representa la potencia de una funcin
muestra completa
32
DENSISDAD ESPECTRAL DE POTENCIA
Potencia media
2
2
| ( ) | 1 1
lim ( ) lim
2 2 2
T
T
XX
T T
T
X
P x t dt d
T T
e
e
t



= =

2
| ( ) | 1
lim
2 2
T
XX
T
X
P d
T
e
e
t

=

2
| ( ) |
( ) lim
2
T
XX
T
X
S
T
e
e

=
33
DENSISDAD ESPECTRAL DE POTENCIA
Para procesos aleatorios, se tiene que:
2
2
[| ( ) | ] 1 1
lim [ ( )] lim
2 2 2
T
T
XX
T T
T
E X
P E x t dt dt
T T
e
t



= =

Por tanto se tiene que:
2
[| ( ) | ]
( ) lim
2
T
XX
T
E X
S
T
e
e

=
34
DENSISDAD ESPECTRAL DE POTENCIA
Propiedades de la DEP
2
2
(1) ( ) 0
(2) S ( ) ( ) X(t) real
(3) S ( )
1
(4) ( ) [ ( )] (0)
2
1 1
(5) ( ) lim [ ( )]
2 2
XX
XX XX
XX
XX XX XX
T
XX XX
T
T
S
S
es real
S d E X t R P
P S d E x t dt
T
e
e e
e
e e
t
e e
t

>
=
= = =
= =

35
DENSISDAD ESPECTRAL DE POTENCIA
Para procesos WS, se tiene
( ) ( )
( ) ( )
1
( ) ( )
2
F
XX XX
j
XX XX
j
XX
R S
S R e d
R S e d
et
et
t e
e t t
t e e
t

=
=

2 2
1
( ) ( ) (0)
2
XX XX XX
P S d E x t x R e e
t

= = = =

36
Ejemplo 7
Para


Donde es variable aleatoriamente uniformemente
distribuida en el intervalo (0, 2). Determinar la DEP del
proceso
0
( ) cos( ) X t A t e = +O
DENSISDAD ESPECTRAL DE POTENCIA
37
PROCESO ALEATORIO BLANCO
Una funcin muestra n(t) de un proceso aleatorio de ruido
estacionario en sentido amplio N(t) se denomina ruido
blanco si la DEP de N(t) es una constante a todas las
frecuencias. Por tanto se tiene
0
( ) / 2
NN
S N e =
38
PROCESO ALEATORIO BLANCO pasa bajas
( )
0
0
4
2
P
2
nn
N
B
N B
t
t
= =
( )
0
2
R ( )
2
nn
sen B
N B
B
t t
t
t t
=
B es el ancho de banda en Hz
39
PROCESO ALEATORIO BLANCO pasa banda
0
P
nn
N B =
( )
0
R ( ) cos( )
nn
sen B
N B
B
t t
t et
t t
=
B es el ancho de banda en Hz
40
DENSIDAD ESPECTRAL DE POTENCIA
ENTRADA/SALIDA
( ) H e
Sistema Lineal
X( ) t Y( ) t
Proceso Aleatorio
entrada
Proceso Aleatorio
salida
( )
YY
S e ( )
XX
S e
( ) H e
Sistema Lineal
41
DENSIDAD ESPECTRAL DE POTENCIA
ENTRADA/SALIDA
2
( ) ( ) ( )
YY XX
S H S e e e =
42
Additive White Gaussian Noise (AWGN)
y( ) ( ) ( ) t x t n t = +
Se asume en la mayora de los casos como siendo WS
+
y( ) ( ) ( ) t x t n t = +
( ) x t
( ) n t
AWGN
SEAL
43
Relacin Seal / Ruido
SNR (Signal to Noise Ratio)
10log10
XX
dB
nn
P
SNR
P
| |
=
|
\ .

:
:
XX
nn
P Potencia de la seal
P Potencia del Ruido
44
Relacin Seal / Ruido
SNR (Signal to Noise Ratio)
Receptor
FILTRO
H(w)
z( ) t
+
y( ) t
( ) x t
( ) n t
AWGN
z( ) '( ) '( ) t x t n t = +
45
FUENTE:

PEYTON Z. PEEBLES, Jr. Principios de probabilidad,
variables aleatorias y seales aleatorias McGraw-
Hill/INTERAMERICANA DE ESPAA, 4 ed., 2006