TEMA 5. PROCESOS ESTOCÁSTICOS.

-CURSO 2017/18
5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso.
5.2. Características de un proceso estocástico.
5.3. Ejemplos de procesos estocásticos:
5.3.1 Procesos de Poisson.
5.3.2. Procesos gaussianos o normales.
5.3.3. Procesos estacionarios en sentido estricto.
5.3.4. Procesos estacionarios en sentido amplio.
5.3.4.1 Propiedades de la función de autocorrelación en procesos ESA.
5.3.4.2. Proceso sinusoidal en Teoría de la señal
5.3.4.3 Señales en tiempo discreto y proceso de ruido blanco.
5.4. Procesos estocásticos en teoría de la señal
5.4.1. Densidad espectral de un proceso estacionario en sentido amplio.
5.4.2. Sistemas lineales invariantes en el tiempo.
 5.1. CONCEPTO DE PROCESO ESTOCÁSTICO
Definición: Sea Ω un espacio muestral asociado a un experimento aleatorio. Un
PROCESO ESTOCÁSTICO es una familia de variables aleatorias { X (t ), t ∈ T }
definidas todas ellas en Ω, que describe la evolución temporal de la variable aleatoria X
(t es el parámetro que mide el tiempo).
• Si t = t0 es un valor fijo, X(t0) es una variable aleatoria unidimensional (tema 2)
• Si el valor que toma la variable X es fijo y t es variable, tendremos una función de
t que llamaremos REALIZACIÓN del proceso. Cada realización del proceso lleva
asociada una probabilidad.
TIPOS DE PROCESOS
Variable / Parámetro Discreto (n) Continuo (t)
Discreta Procesos de variable discreta y Procesos de variable discreta y
parámetro discreto parámetro continuo

Continua Procesos de variable continua Procesos de variable continua

y parámetro discreto y parámetro continuo
Problema 1 de la hoja: Ejemplo de proceso de variable discreta y parámetro continuo.

Observación: Estudiaremos la teoría básica de procesos estocásticos para

aplicarla en el tratamiento de señales aleatorias (Teoría de la señal). En ese
contexto, la mayoría de los procesos estocásticos que se utilizan son de
variable continua y parámetro continuo.
Ejemplo: Proceso de variable y parámetro continuos en señal
Difusión de la señal de radio en una estación de FM
 5.2. CARACTERÍSTICAS DE UN PROCESO ESTOCÁSTICO

Dado un proceso estocástico { X (t ), t ∈ T } la forma de caracterizarlo es dar la

distribución conjunta de cualquier variable aleatoria n-dimensional (tema 3)

( X (t1 ), X (t2 ),..., X (tn ) ) ∀{t1 , t2 ,..., tn ∈ T } , ∀n

ESTA CARACTERIZACIÓN SE PUEDE OBTENER EN MUY POCOS CASOS

Nos conformaremos con:
1.- Obtener algunas medidas asociadas al proceso estocástico:
• Función de medias y función de varianzas del proceso
• Función de autocorrelación, función de autocovarianzas y función coeficiente de
correlación.
2.- Estudiar algunos tipos de procesos especiales por su importancia práctica:
• Procesos de Poisson
• Procesos normales
• Procesos estacionarios en sentido estricto y en sentido amplio
MEDIDAS ASOCIADAS A UN PROCESO ESTOCÁSTICO { X (t ), t ∈ T }
Definición 1: Llamaremos distribuciones de primer orden del proceso a las
distribuciones de cualquier variable aleatoria unidimensional X(t), para t
cualquiera fijo.

Definición 2: Llamaremos distribuciones de segundo orden del proceso a las

distribuciones bidimensionales de (X(t1), X(t2)) para t1 , t2 cualesquiera fijos.

Problema 1: Para el proceso X(t)=At+B,

d) Determinar la distribución de primer orden para X(1). Determinar la
distribución de segundo orden para (X(1), X(2)) y sus distribuciones marginales
¿Son independientes X(1) y X(2)?
Definición 3: Llamaremos media del proceso o función de medias del
proceso X(t) a la función de t
µ X ( t ) = E  X ( t ) 
Definición 4: Llamaremos varianza del proceso o función de varianzas de
X(t) a la función de t
σ X2 ( t ) = V ( X ( t ) ) = E[ X 2 (t )] − E[ X (t )]2 = E[ X 2 (t )] − µ X2 (t )
Observación: Para hacer estos cálculos, sustituiremos la expresión de X(t) y
usaremos las propiedades ya vistas para ( X , Y ) v.a. bidimensional y a, b, c ∈ 

1. E [ aX + bY +=
c ] aE[ X ] + bE[Y ] + c

2. V ( aX + bY =
+ c ) a 2
V ( X ) + b 2
V (Y ) + 2abCov( X , Y ) .

Problema 1: Para el proceso X(t)=At+B,

c) Obtén la media y varianza del proceso.
Definición 5: Llamaremos función de autocorrelación del proceso X(t) a la
función de dos variables, t1 y t2 ,

X ( t1 , t 2 )
R= E  X ( t1 ) ⋅ X ( t2 ) 
La función de autocorrelación juega un papel primordial a la hora de analizar y
procesar señales aleatorias.
Observación: para su cálculo podemos proceder de dos maneras:

1.- Si conocemos la distribución conjunta de ( X ( t1 ) , X ( t2 ) ) usaremos las

fórmulas vistas en el tema 3.
2.- Si no la conocemos, lo que es lo habitual, sustituiremos la fórmula del
proceso en X ( t1 ) y en X ( t2 ) y realizaremos la operación X ( t1 ) ⋅ X ( t2 ) .
Observación: Si t1 = t2 = t siempre se verifica que,
V (=
X ( t ) ) RX ( t , t ) − µ X2 ( t )
Problema 1: Para el proceso X(t) = At+B,
e) Calcula E  X (1) ⋅ X ( 2 )  .
f) Calcula la función de autocorrelación RX ( t1 , t2 ) . Comprueba que
V (=
X ( t ) ) RX ( t , t ) − µ X2 ( t ) .

Definición 6: Llamaremos función de autocovarianza del proceso X(t) a la

función de dos variables, t1 y t2 ,
C X ( t1 , t2 )= Cov ( X ( t1 ) , X ( t2 ) )= E  X ( t1 ) ⋅ X ( t2 )  − E  X ( t1 )  ⋅ E  X ( t2 ) 
C X ( t1 , t2 )= RX ( t1 , t2 ) − µ X ( t1 ) ⋅ µ X ( t2 )

Problema 1: Para el proceso X(t) = At+B,

g) Calcula la función de autocovarianza C X ( t1 , t2 ) . Comprueba que
CX (t, t ) = V ( X (t )) .
Definición 7: Llamaremos función coeficiente de correlación del proceso
X(t) a la función de dos variables, t1 y t2 ,
C X ( t1 , t2 )
( X ( t1 ) , X ( t2 ) )
ρ X ( t1 , t2 ) ρ=
=
V ( X ( t1 ) ) ⋅ V ( X ( t2 ) )

Problema 1: Para el proceso X(t) = At+B, calcula su función coeficiente de

correlación.
5.3.1. EJEMPLO DE PROCESO ESTOCÁSTICO: PROCESO DE POISSON
Definición: Sea el proceso estocástico
N(t): número de sucesos que ocurren en el intervalo [0,t), t ≥ 0.
Diremos que N(t) es un PROCESO DE POISSON de tasa λ, λ > 0, si:
1) P[N(0) = 0] = 1
2) El número de sucesos que ocurren en intervalos de tiempo disjuntos son
independientes.
3) La variable aleatoria UNIDIMENSIONAL que mide el número de sucesos en
cualquier intervalo de tiempo de longitud h, h > 0 (que es N(t+h) – N(t), para t
cualquiera) tiene distribución de Poisson de parámetro λh, es decir,

− λh ( λ h )
k

P ( N ( t + h ) − N ( t )= k )= e , ∀t > 0, k = 0,1, 2,...

k!
λ es el nº medio de sucesos que ocurren en una unidad de tiempo y, por tanto,
λh es el n ºmedio de sucesos que ocurren en un intervalo de longitud h unidades
de tiempo.
 PROPIEDADES DEL PROCESO DE POISSON
1) La propiedad 3 de la definición se puede escribir de otras maneras:
i) La variable aleatoria unidimensional N(b)-N(a) mide el número de sucesos
que ocurren en el intervalo [a,b). Por tanto, tiene distribución Poisson(λ(b-a)).
N (b) - N ( a ) ~ P (λ (b - a )) , b > a
ii) Para t fijo, la variable aleatoria UNIDIMENSIONAL N(t) tiene distribución
Poisson(λt) porque mide el número de sucesos que ocurren en el intervalo [0,t),
N ( t )  P ( λt ) , t > 0
2) Por la propiedad 2 de la definición, si los intervalos [a,b) y [c,d) son disjuntos
las variables aleatorias N(b)-N(a) y N(d)-N(c) son INDEPENDIENTES.

N (t )
3) Las funciones de medias y de varianzas del proceso son µ= N (t )
σ= λt .
2

4) Las funciones de autocorrelación del proceso y de autocovarianzas son,

respectivamente,
RN ( t1 , t2 ) =
λ min {t1 , t2 } + λ 2t1t2 ; CN ( t1 , t2 ) =
λ min {t1 , t2 }
El proceso de Poisson es habitual encontrarlo en sistemas de colas de espera o en
fiabilidad de sistemas.
Ejemplo: El número de aviones N(t) que llegan a un pequeño aeropuerto en el
intervalo [0,t) es un proceso de Poisson de tasa 12 aviones a la hora.
a) Un controlador se ausenta 10 minutos, ¿cuál es la probabilidad de que en su
ausencia llegue algún avión?
b) ¿Cuál es el número medio de aviones que llegan entre el minuto 15 y el
minuto 30?
c) Calcula la probabilidad del suceso “llegan 5 aviones en la primera media
hora y 12 aviones en la primera hora”
d) Calcula = P ( N ( 3) 30
= / N (1) 14 ) .

e) Calcula P ( N ( 3) > N ( 5 ) ) .
E ( N ( 3) − N (1) )2 
f) Calcula  

Obs: En ejercicios de procesos de Poisson, hay que elegir una única unidad de
tiempo única. Usaremos de nuevo la distribución de Poisson vista en tema 2
(función de masa, media, varianza, cálculo de probabilidades)
 5.3.2.EJEMPLO DE PROCESO ESTOCÁSTICO: PROCESO
GAUSSIANO O NORMAL

Definición Un proceso X(t) se dice que es Gaussiano o NORMAL si para

cualquier conjunto de instantes de tiempo t1 , t2 ,..., tn , la distribución
conjunta de la variable aleatoria n-dimensional
X = ( X ( t1 ) , X ( t2 ) ,..., X ( tn ) ) es NORMAL n-DIMENSIONAL.

Vimos en el tema 3 que si X es normal n-dimensional:

1) X queda totalmente caracterizada si conocemos su vector de medias
mX y su matriz de varianzas covarianzas MX donde
 E ( X ( t1 ) )   V ( X ( t1 ) ) Cov ( X ( t1 ) , X ( t2 ) )  Cov ( X ( t1 ) , X ( tn ) ) 
   
 E ( X ( t2 ) )   Cov ( X ( t1 ) , X ( t2 ) ) V ( X ( t2 ) )  Cov ( X ( t2 ) , X ( tn ) ) 
mX =  y MX  
        
 E ( X ( tn ) )   Cov ( X ( t1 ) , X ( tn ) ) Cov ( X ( t2 ) , X ( tn ) )  V ( X ( tn ) ) 
   
2) Las distribuciones de primer orden en un proceso normal son normales
unidimensionales, es decir, cada variable aleatoria unidimensional X(t) es
( t )  N ( µ E=
normal, t fijo X= ( X (t )) ,σ 2 V ( X (t ))) .
3) Las distribuciones de segundo orden en un proceso normal (distribuciones
conjuntas de ( X ( ti ) , X ( t j ) ) , ti ≠ t j ), son normales bidimensionales con el vector
de medias y matriz de varianzas correspondiente (ver punto 1).
4) (
Si X ( ti ) , X ( t j ) son normales y Cov X ( ti ) , X ( t j ) = 0 ⇒ )
⇒ X ( ti ) y X ( t j ) son independientes.

5) Si X ( t1 ) , X ( t2 ) ,..., X ( tn ) son normales e independientes, la variable aleatoria n-

dimensional X = ( X ( t1 ) , X ( t2 ) ,..., X ( tn ) ) es normal n-dimensional. En este caso, la
matriz de varianzas de X es
 V ( X ( t1 ) ) 0  0 
 
 0 V ( X ( t2 ) )  0 
MX =  
     

 0 0  V ( X ( tn ) ) 
6) Transformaciones lineales de una variable X = ( X ( t1 ) , X ( t2 ) ,..., X ( tn ) ) normal
n-dimensional con vector de medias mX y matriz de varianzas MX nos
devuelven variables aleatorias normales. En concreto:
a) Y = AX + B, A una matriz mxn, B un vector mx1. Entonces, Y es una
variable aleatoria m-dimensional y el vector de medias y la matriz de
varianzas-covarianzas de Y son, respectivamente,
mY = AmX + B y MY = AMXAT
b aT X + b , a = ( a1 , a2 ,..., an ) un vector de  n y
b) Y= a1 X 1 + a2 X 2 + ... + an X n + =
T

b∈ . Entonces, Y es una variable aleatoria unidimensional y la media y la

varianza de Y son, respectivamente,

E [Y ] =
aT mX + b y V (Y ) =
aT M X a
Obs: En el caso b) los valores E[Y] y V(Y) se pueden calcular usando las fórmulas
vistas en el tema 3 para el cálculo de medias y varianzas de combinaciones lineales
de variables aleatorias.
IMPORTANTE: Muchas señales y procesos de ruido se ajustan bien a
procesos gaussianos. Esto hace que sean unos de los procesos estocásticos más
utilizados en el procesamiento de señales aleatorias.

Problema 2:
 5.3.3. PROCESOS ESTACIONARIOS EN SENTIDO ESTRICTO
Definición: Un proceso X(t) se dice que es estacionario en sentido estricto si
para cualquier conjunto de instantes de tiempo t1 , t2 ,..., tn , las variables
aleatorias n-dimensionales
( X ( t ) , X ( t ) ,..., X ( t ) )
1 2 n y ( X (t
1 + h ) , X ( t2 + h ) ,..., X ( tn + h ) ) ,

tienen la MISMA DISTRIBUCIÓN para cualquier h > 0.

Idea: El comportamiento aleatorio del proceso se mantiene constante a lo largo
del tiempo. Esto es, tiene el mismo comportamiento en el intervalo de tiempo
(a,b) que en el intervalo (a+h,b+h).
Observación: Es complicado demostrar que un proceso es estacionario en sentido
estricto. En la práctica sólo se puede comprobar si algunas de sus medidas como la
media o la varianza son estacionarias. Esto se recoge en la definición de procesos
estacionarios en sentido amplio, que son los que se usan en situaciones reales.
 5.3.4. PROCESOS ESTACIONARIOS EN SENTIDO AMPLIO
Definición: Un proceso X(t) se dice que es estacionario en sentido amplio (lo
denotaremos como ESA) si verifica:
1) μX(t)= E(X(t)) = μ (la función de medias del proceso es constante e
independiente de t, para todo t).
2) RX ( t1 , t2 ) = RX (t ) ∀t ∈  (la función de autocorrelación sólo depende
de la diferencia entre los dos instantes de tiempo, t2 - t1 = τ. Es, por tanto,
una función de una sola variable).

Observación: Como el objetivo es probar que RX ( t1 , t2 ) depende solamente

de τ =t2 - t1, para calcular RX ( t1 , t2 ) vamos a cambiar la notación. En concreto,
t1 = t y t2 = t + τ e intentaremos probar que RX ( t1 , t=
2) RX ( t , t +=
t ) RX (t ) .
Propiedades para un proceso estacionario en sentido amplio (ESA)
1) La función de varianzas es constante y no depende de t
( t ) ) RX ( 0 ) − µ 2
V ( X=
2) La función de autocovarianzas es una función de una sola variable y
depende solamente de τ
C X ( t , t + t=) RX (t ) − µ 2
3) La función de los coeficientes de correlación es también una función de
una sola variable y depende solamente de τ
RX (t ) − µ 2
ρ X (t, t + t ) =
RX ( 0 ) − µ 2

4) Si X(t) es estacionario en sentido estricto, entonces es estacionario en

sentido amplio pero el recíproco no es cierto (solamente ⇒ ).

5) Si X(t) es GAUSSIANO + ESA (estacionario en sentido amplio) ⇔

⇔ X(t) es estacionario en sentido estricto
Problema 5:

Ejemplo de procesos ESA

Sean X(t) e Y(t) procesos estocásticos independientes tales que E[X(t)] =
E[Y(t)] = 0, con funciones de autocorrelación respectivas
RX (ττ
) e=
−τ
y RY ( ) cos ( 2πτ ) . Se pide:

a) Estudiar si el proceso Z(t) = X(t) - Y(t) es estacionario en sentido amplio.

b) Calcular la varianza de Z(3)
c) Calcular Cov(X(0), X(5))
5.3.4.1. PROPIEDADES DE LA FUNCIÓN DE AUTOCORRELACIÓN EN PROCESOS
ESTACIONARIOS EN SENTIDO AMPLIO (ESA)
Normalmente, las señales se modelizan mediante procesos estocásticos X(t) que son
estacionarios en sentido amplio (ESA). Para el estudio de estas señales la herramienta
fundamental es la función de autocorrelación, Rx(τ), del proceso.
Propiedades de R(τ) en procesos ESA:
1) R ( 0 ) = E  ( t )  mide la POTENCIA MEDIA del proceso
 X 2

2) R (ττ
= ) R ( − ) es decir, R(τ) es una función par.
3) R(τ) mide la rapidez de cambio del proceso: si R(τ) →R(0) rápido
cuando τ→0, el proceso X(t) cambia rápidamente. Si R(τ) → R(0)
despacio cuando τ→0, el proceso X(t) cambia lentamente.
4) R(τ) alcanza su máximo cuando τ = 0. Entonces R (τ ) ≤ R ( 0 ) .
5) Si X(t) es periódico, R(τ) también es periódica. Además, si
R ( 0 ) = R ( d ) entonces la función R(τ) es periódica de periodo d.
lim
6) Si existe τ →∞ R (τ ) lim
, entonces τ →∞ R ( )
τm = 2
siempre que la función R(τ)
no sea periódica.
 Ejemplo: Esta función de autocorrelación pertenece a un proceso estacionario en
sentido amplio.

En efecto, se pueden verificar las propiedades antes enunciadas: es par, alcanza su

máximo en τ = 0, tiende rápidamente hacia R(0) cuando τ→0 y los límites en el infinito
coinciden con la media al cuadrado del proceso.
Problema 7:

Observar que RX(τ) verifica todas las propiedades que se le piden a una función
de autocorrelación de un proceso ESA: es par, alcanza su máximo en τ = 0, RX(τ)
tiende a RX(0) cuando τ→0 y los límites en el infinito coinciden con la media al
cuadrado del proceso.
 5.3.4.2: PROCESO SINUSOIDAL EN TEORÍA DE LA SEÑAL
Muchas señales aleatorias son del tipo
X ( t ) A cos (ω t + θ ) , A,θ − U ( −π , π ) ó U ( 0, 2π )
=

con frecuencia ω constante, y amplitud A y fase θ variables independientes.

1) Si la amplitud A es constante, el proceso es ESA con E(X(t)) =0 y su
A2
función de autocorrelación es ) = cos ( w ) .
R (ττ Esta función es periódica.
2

Problema 9 a): Para la señal portadora Y ( t ) =

cos (ω0 t + θ ) , ω0 constante, θ − U ( −π , π ) ,
probar que es estacionaria en sentido amplio.
p

2) Si A y θ son variables aleatorias

no siempre el proceso será ESA.
 5.3.4.3. SEÑALES EN TIEMPO DISCRETO Y PROCESO DE RUIDO
BLANCO EN TIEMPO DISCRETO EN TEORÍA DE LA SEÑAL
Muchas señales de parámetro continuo se muestrean en intervalos regulares de
tiempo, dando lugar a señales discretas en el tiempo, X(n). Al transmitir estas
señales por un canal, el ruido que las acompaña, W(n), se suele modelizar como
un proceso estocástico discreto llamado RUIDO BLANCO.
Definición: Un proceso estocástico en tiempo discreto {W(n)} se dice que es
un RUIDO BLANCO si las variables aleatorias W(n), para n ∈  , son
independientes con distribución N(0, σW ).
Se puede demostrar que este tipo de procesos son estacionarios en sentido
amplio y que:
E W ( n )  = 0
0 k ≠ 0, k ∈ 
RW ( n, n + =
k ) RW (=
k)  2
σ W k =0
Problema 6: Dado el proceso estocático, n ∈ 
1
X ( n=) W ( n ) + W ( n − 1)  , con W ( n ) − N ( 0, σ W ) , iid
2
a) Obtener la distribución de X(3).
b) Calcular la media, la varianza y la función de autocorrelación del proceso X(n)
¿Es X(n) estacionario en sentido amplio?
Observación: este proceso {W(n)} es un proceso de ruido blanco en tiempo
discreto.