Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Procesos Estocasticos
Procesos Estocasticos
-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
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 ) .
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:
− λh ( λ h )
k
N (t )
3) Las funciones de medias y de varianzas del proceso son µ= N (t )
σ= λt .
2
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
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 ) ) ,
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.
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 )
=