Está en la página 1de 56
UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones 1 Señales y Sistemas II

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

1

Señales y Sistemas II

Módulo III: Señales Estocásticas

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Contenido de este módulo 2

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Contenido de este módulo

2

1.- Probabilidades y variables aleatorias

2.- Procesos estocásticos y promedios

3.- Estacionaridad y ergodicidad

4.- La densidad espectral de potencia

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Contenido de este módulo 3

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Contenido de este módulo

3

1.- Probabilidades y variables aleatorias

2.- Procesos estocásticos y promedios

3.- Estacionaridad y ergodicidad

4.- La densidad espectral de potencia

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Axioma #1 4 Sea S

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Axioma #1

4

Sea S el espacio muestral de un experimento, entonces su

probabilidad es igual a uno: P(S) = 1

Consideremos como ejemplo el lanzamiento de un dado:

= 1 Consideremos como ejemplo el lanzamiento de un dado: 3 1 4 5 6 2

3

1

4

5 6

2

S: el espacio muestral representa el conjunto de todos los posibles resultados {1, 2, 3, 4, 5, 6}

∩ UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Axioma #2 5 Si A

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Axioma #2

5

Si A es un evento contenido en el espacio muestral S, es decir

A

S, entonces: P(A) 0

Así por ejemplo, sea A el evento definido por la ocurrencia de un número par al lanzar un dado:

P(A) = 3/6 = 1/2

3

1

4

5 6

2

par al lanzar un dado: P(A) = 3/6 = 1/2 3 1 4 5 6 2

A

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Axioma #3 6 Si A

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Axioma #3

6

Si A y B son dos eventos disjuntos (es decir A

están contenidos en el espacio muestral S, entonces:

B = Ø ), que

P(A

B) = P(A) + P(B)

Así por ejemplo, si B es el evento definido por la ocurrencia de

un impar al lanzar un dado:

definido por la ocurrencia de un impar al lanzar un dado: B 3 1 4 5

B

3

1

4

5 6

2

A

de un impar al lanzar un dado: B 3 1 4 5 6 2 A P(A

P(A

B) = 1/2 + 1/2 = 1 = P(S)

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Propiedades 7 Partiendo de los

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Propiedades

7

Partiendo de los tres axiomas enunciados se pueden demostrar las siguientes propiedades:

enunciados se pueden demostrar las siguientes propiedades: P(A) = 1 – P(A) P(A) ≤ 1 P(Ø

P(A) = 1 – P(A)

P(A) 1

P(Ø ) = 0

P(A

P(B

A) + P(B

A) = P(B)

B) = P(A) + P(B) – P(A

B)

P(A

B) P(A) + P(B)

∩ UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Probabilidad conjunta 8 Se

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Probabilidad conjunta

8

Se denomina la probabilidad conjunta de dos eventos A y B

a la probabilidad del evento intersección: P(A

B)

La probabilidad conjunta de dos eventos disjuntos es cero:

Si A

B = Ø, entonces P(A

B) = 0,

La probabilidad conjunta de un evento y un subconjunto de

dicho evento es igual a la probabilidad del subconjunto:

Si A

S, entonces P(A

S) = P(A)

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Probabilidad condicional 9 Se

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Probabilidad condicional

9

Se denomina la probabilidad condicional de A dado B, P(A|B), a la probabilidad de ocurrencia de el evento A teniendo como condición el hecho de que el evento B ocurrió.

P(A|B) se calcula como el cociente de la probabilidad conjunta de A y B entre la probabilidad de B:

P(A|B) =

P(A

B)

P(B)

,

con P(B) 0

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Probabilidad condicional 1 0

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Probabilidad condicional

10

Algunas propiedades de la probabilidad condicional:

Si A es un subconjunto de B, entonces P(A|B) = P(A) / P(B)

Si B es un subconjunto de A, entonces P(A|B) = 1

Si A y B son eventos disjuntos, entonces P(A|B) = 0

Teorema de Bayes: sean dos eventos A y B tales que P(A) 0 y P(B) 0, se cumple que: P(A|B) P(B) = P(B|A) P(A)

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.1 1 1 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.1

11

LANZAMIENTO DE UN DADO

Considera los siguientes eventos:

S = {1, 2, 3, 4, 5, 6} (todos los posibles resultados)

A = {2, 4, 6} (ocurrencia de un número par)

B = {1, 3, 6} (ocurrencia de un número impar)

C = {4, 5, 6} (ocurrencia de un número mayor que tres)

Calcula las siguientes probabilidades:

P(A|B), P(AC), P(A

C), P({2}|A), P(B

S)

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.1 1 2 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.1

12

RESPUESTA

P(A|B) = P(Ø ) / P(B) = 0

P(A

P(A

C) = P({4,6}) = 2/6 = 1/3

C) = P({2,4,5,6}) = 4/6 = 2/3

C) = P({4,6}) = 2/6 = 1/3 ∩ C) = P({2,4,5,6}) = 4/6 = 2/3 B

B

3

1

4

5 6

2

1/3 ∩ C) = P({2,4,5,6}) = 4/6 = 2/3 B 3 1 4 5 6 2

C

A

∩ C) = P({2,4,5,6}) = 4/6 = 2/3 B 3 1 4 5 6 2 C
∩ C) = P({2,4,5,6}) = 4/6 = 2/3 B 3 1 4 5 6 2 C

S

P({2}|A) = P({2}

A) / P(A) = 1/6 / (1/2) = 2/6 = 1/3

P(B

S) = P(B) = 3/6 = 1/2

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Independencia 1 3 Se dice

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Independencia

13

Se dice que dos eventos A y B son independientes si se cumple que cualquier condición sobre la ocurrencia de B no tiene efecto sobre la probabilidad de A y viceversa.

Si A y B son independientes, se cumple que: P(A|B) = P(A), lo cual a su vez implica que: P(AB) = P(A) P(B)

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Variable aleatoria 1 4 Se

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Variable aleatoria

14

Se define como variable aleatoria a una función que mapea el espacio muestral de un experimento en el conjunto de los números reales:

x a = X(a)

S: Espacio Muestral a
S: Espacio Muestral
a
los números reales: x a = X(a) S: Espacio Muestral a x a S x :
los números reales: x a = X(a) S: Espacio Muestral a x a S x :
los números reales: x a = X(a) S: Espacio Muestral a x a S x :

x a

S x : Rango de observaciones

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Variable aleatoria discreta 1 5

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Variable aleatoria discreta

15

Cuando el rango de observaciones S x = {x 1 , x 2 ,

nos referiremos a X como una variable aleatoria discreta.

} es discreto

pmf: función de masa probabilística

P( X = x i ) = P( x i )

pdf: función de densidad probabilística

Σ

f x (x) =

i

Σ

cdf: función de distribución cumulativa F x (x) =

i

P( x i ) δ(x- x i )

P( x i ) u(x- x i )

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejemplo: lanzamiento de un dado

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejemplo: lanzamiento de un dado

16

S x = {x i = i: i = 1, 2, 3, 4, 5, 6};

pmf: P( x i ) = 1/6;

pdf: f x (x) = 1/6

6

Σ δ(x- i);

i=1

cdf: F x (x) = 1/6

6

Σ u(x- i)

i=1

Densidad probabilística (pdf)

Distribución cumulativa (cdf)

1.5 0.25 0.2 1 0.15 0.1 0.5 0.05 0 0 0 2 4 6 0
1.5
0.25
0.2
1
0.15
0.1
0.5
0.05
0
0
0
2
4
6
0
2
4
6
UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Variable aleatoria continua 1 7

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Variable aleatoria continua

17

Cuando el rango de observaciones S x es continuo nos referiremos a X como una variable aleatoria continua.

cdf: función de distribución cumulativa F x (x) = P(X x)

pdf: función de densidad probabilística

f x (x) =

d

dx

F x (x)

Observación: para X continua P(X = x i ) = 0

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejemplo: variable aleatoria

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejemplo: variable aleatoria gaussiana

18

pdf: f x (x) =

cdf: F x (x) =

1

gaussiana 1 8 pdf: f x (x) = cdf: F x (x) = 1 1 exp(–

1

gaussiana 1 8 pdf: f x (x) = cdf: F x (x) = 1 1 exp(–

exp(– x 2 /2)

x

exp(– u 2 /2) du

Densidad probabilística (pdf) 0.5 0.4 0.3 0.2 0.1 0 -5 0 5
Densidad probabilística (pdf)
0.5
0.4
0.3
0.2
0.1
0
-5
0
5
Distribución cumulativa (cdf) 1.5 1 0.5 0 -5 0 5
Distribución cumulativa (cdf)
1.5
1
0.5
0
-5
0
5
UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Contenido de este módulo 1

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Contenido de este módulo

19

1.- Probabilidades y variables aleatorias

2.- Procesos estocásticos y promedios

3.- Estacionaridad y ergodicidad

4.- La densidad espectral de potencia

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Procesos estocásticos 2 0 Una

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Procesos estocásticos

20

Una secuencia aleatoria puede ser representada mediante un

proceso estocástico, el cual consiste en una familia indexada

de variables aleatorias: X[n] = { X n }

Para cada valor de n, X[n] representa una variable aleatoria

con función de distribución cumulativa F X (x n ,n) = P (X n x n )

y función de densidad probabilística f X (x n ,n) =

d

dx

n

F X (x n ,n)

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Dimensiones de ensamble y tiempo

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Dimensiones de ensamble y tiempo

21

tiempo realizaciones X 1 [n] X 2 [n] X 3 [n] X [n] m ensamble
tiempo
realizaciones
X 1 [n]
X 2 [n]
X 3 [n]
X
[n]
m
ensamble
Espacio Muestral
de la variable aleatoria X[k]
UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Promedios en el ensamble 2

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Promedios en el ensamble

22

Escuela de Telecomunicaciones Promedios en el ensamble 2 2 ensamble Espacio Muestral de la variable aleatoria
Escuela de Telecomunicaciones Promedios en el ensamble 2 2 ensamble Espacio Muestral de la variable aleatoria

ensamble

de Telecomunicaciones Promedios en el ensamble 2 2 ensamble Espacio Muestral de la variable aleatoria X[k]

Espacio Muestral de la variable aleatoria X[k]

X 1 [n]

X 2 [n]

X 3 [n]

X m

[n]

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Valor medio ó valor esperado

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Valor medio ó valor esperado

23

El valor esperado de un proceso estocástico X n se define como:

E{ X n } =

x f X (x ,n) dx = µ x [n]

Propiedades:

E{ X n + Y m } = E{ X n } + E{ Y m }

E{ k X n } = k E{ X n }

Si X n y Y m son independientes: E{ X n Y m } = E{ X n } E{ Y m }

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Valor cuadrático medio y

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Valor cuadrático medio y varianza

24

El valor cuadrático medio de un proceso estocástico X n se define como:

E{ |X n | 2 } =

|x| 2 f X (x ,n) dx = msv x [n]

Y su varianza se define como:

Var{ X n } = E{ |X n – E{X n }| 2 } = σ x 2 [n]

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.2 2 5 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.2

25

VARIANZA Y VALOR ESPERADO Demuestra que la varianza y el valor esperado satisfacen la siguiente relación:

Var{ X n } = E{ |X n | 2 } – |E{ X n }| 2

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.2 2 6 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.2

26

RESPUESTA

De la definición de varianza es Var{ X n } = E{ |X n – E{X n }| 2 } y desarrollando el factor cuadrático:

Var{ X n } = E{ |X n | 2 + |E{ X n }| 2 – X n * E{ X n } – X n E{ X n }* } Aplicando las propiedades de linealidad del valor esperado:

Var{ X n } =

Var{ X n } = E{ |X n | 2 } + |E{ X n }| 2 – 2 |E{X n }| 2

E{ |X n | 2 }

+ |E{ X n }| 2 – E{X n *} E{ X n } – E{X n } E{ X n }*

de donde finalmente:

Var{ X n } = E{ |X n | 2 } – |E{ X n }| 2

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Autocorrelación y

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Autocorrelación y autocovarianza

27

La secuencia de autocorrelación de un proceso estocástico X n se define como: φ xx [n,m] = E{ X n X m *}

La secuencia de autocovarianza se define como:

γ xx [n,m] = E{ (X n – E{X n }) (X m – E{X m })*}, y también puede escribirse como: γ xx [n,m] = φ xx [n,m] – E{ X n } E{ X m }*

φ xx [n,m] y γ xx [n,m] miden el grado de dependencia entre los valores de un proceso estocástico para los distintos valores de tiempo n y m.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Crosscorrelación y

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Crosscorrelación y crosscovarianza

28

La secuencia de crosscorrelación para dos procesos estocásticos X n y Y m se define como: φ xy [n,m] = E{ X n Y m *}

La secuencia de crosscovarianza se define como:

γ xy [n,m] = E{ (X n – E{X n }) (Y m – E{Y m })*}, y también puede escribirse como: γ xy [n,m] = φ xy [n,m] – E{ X n } E{ Y m }*

φ xy [n,m] y γ xy [n,m] miden el grado de dependencia entre los valores de dos procesos estocásticos para los distintos valores de tiempo n y m.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Promedios en el tiempo 2

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Promedios en el tiempo

29

tiempoEscuela de Telecomunicaciones Promedios en el tiempo 2 9 X 1 [n] X 2 [n] X

de Telecomunicaciones Promedios en el tiempo 2 9 tiempo X 1 [n] X 2 [n] X

X 1 [n]

X 2 [n] X 3 [n]
X 2 [n]
X 3 [n]
en el tiempo 2 9 tiempo X 1 [n] X 2 [n] X 3 [n] X

X m

[n]

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Valor medio y autocorrelación 3

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Valor medio y autocorrelación

30

El valor promedio temporal de una realización de un proceso estocástico X n se define como:

<X n > = lim

L

X n se define como: <X n > = lim L ∞ 1 2L+1 n L

1

X n se define como: <X n > = lim L ∞ 1 2L+1 n L

2L+1

n

L

Σ X

n

=

- L

La secuencia de autocorrelación temporal de una realización de un proceso estocástico X n se define como:

<X n+m X n *> = lim

L

como: <X n + m X n *> = lim L ∞ 1 2L+1 n L

1

como: <X n + m X n *> = lim L ∞ 1 2L+1 n L

2L+1

n

L

Σ X n+m X n *

=

- L

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Contenido de este módulo 3

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Contenido de este módulo

31

1.- Probabilidades y variables aleatorias

2.- Procesos estocásticos y promedios

3.- Estacionaridad y ergodicidad

4.- La densidad espectral de potencia

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Estacionaridad 3 2

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Estacionaridad

32

Estacionaridad en sentido estricto: se dice que un proceso es estacionario en sentido estricto cuando todas sus propiedades estadísticas son independientes del tiempo.

Estacionaridad en sentido amplio: se dice que un proceso es estacionario en sentido amplio cuando sus promedios de primer orden son independientes del tiempo y sus promedios de segundo orden dependen sólo de la diferencia en tiempo.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Estacionaridad en sentido amplio

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Estacionaridad en sentido amplio

33

Son los procesos estacionarios en sentido amplio los que realmente nos interesan. Para un proceso de este tipo siempre se cumple que:

E{ X n } =

x f X (x ,n) dx = µ x [n] = µ x

Var{ X n } = E{ |X n – E{X n }| 2 } = σ x 2 [n] = σ x

2

φ xx [n+m,n] = E{ X n+m X n *} = φ xx [m]

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Propiedades de procesos

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Propiedades de procesos estacionarios

34

Dados dos procesos estacionarios X n y Y k ; se cumple que:

1.- γ xx [m] = φ xx [m] – | µ x | 2 ; γ xy [m] = φ xy [m] – µ x µ y

2.- φ xx [0] = E{ |X n | 2 }; γ xx [0] = σ x

2

2

3.- φ xx [-m] = φ xx [m]; φ xy [-m] = φ xy [m]

4.- γ xx [-m] = γ xx * [m]; γ xy [-m] = γ xy * [m];

5.- |φ xy [m]| 2 φ xx [0] φ yy [0]; |γ xy [m]| 2 γ xx [0] γ yy [0]

6.- |φ xx [m]| φ xx [0]; |γ xx [m]| γ xx [0]

*

*

7.- Si X n =Y n-k , entonces: γ xx [m] = γ yy [m] y φ xx [m] = φ yy [m]

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ergodicidad 3 5 Se dice

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ergodicidad

35

Se dice que un proceso es ergódico cuando cumple las dos condiciones siguientes:

1.- Sus promedios en tiempo <X n > y <X n+m X n *> son independientes de la realización. 2.- Sus promedios en tiempo <X n > y <X n+m X n *> coinciden con sus promedios en el ensamble µ x y φ xx [m].

Todo proceso ergódico es siempre también estacionario en sentido amplio. Lo contrario no es necesariamente cierto.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Importancia de la ergodicidad 3

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Importancia de la ergodicidad

36

La ergodicidad es una propiedad deseable y sumamente importante en el procesamiento de señales. Gracias a esta propiedad podemos calcular los promedios en el ensamble mediante el cálculo de los promedios en el tiempo !!!

E{ X n } = µ x = <X n >

E{ X n+m X n *} = φ xx [m] = < X n+m X n *>

Sin embargo, como vimos en la sección anterior, el cálculo de <X n > y <X n+m X n *> implica el cómputo de sendos límites que en la práctica no es factible calcular.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Estimadores de promedios 3 7

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Estimadores de promedios

37

En la práctica, los valores de µ x , σ x 2 y φ xx [m] se aproximan mediante el uso de estimadores*:

^

µ x = < x[n]> N =

^

σ x 2 = < |x[n]–µ x | 2 > N =

^

1

2 = < |x[n]– µ x | 2 > N = ^ 1 N N-1 Σ

N

N-1

Σ x[n]

n = 0 N-1 1 Σ N
n
= 0
N-1
1
Σ
N

n

= 0

^

| x[n] – µ x | 2

^

φ xx [m] = < x[n+m] x[n]*> N =

1

| 2 ^ φ x x [m] = < x[n+m] x[n]*> N = 1 N n

N

n

N-1

Σ x[n+m] x[n]*

= 0

* Existen muchos tipos de estimadores, aquí se presentan los más comúnmente usados

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.3 3 8 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.3

38

SECUENCIA ALEATORIA GAUSSIANA Considera el proceso aleatorio discreto descrito por la siguiente función de densidad probabilística:

f X (x n ,n) =

1 2 π σ 2 x
1
2 π σ
2
x

exp(– (x – µ x ) 2 / 2σ x 2 )

Se trata de un proceso Gaussiano estacionario con valor esperado µ x y varianza σ x 2 . En este ejercicio vamos a ilustrar los conceptos vistos en esta sección mediante el uso de este proceso estocástico.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.3 3 9 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.3

39

RESPUESTA Para este ejercicio consideremos µ x = 3 y σ x 2 = 2

Generando una realización de este proceso tenemos: X k [n] 10 5 0 -5 0
Generando una realización de este proceso tenemos:
X k [n]
10
5
0
-5
0
10
20
30
40
50
60
70
80
90
100
UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.3 4 0 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.3

40

RESPUESTA (continuación)

Ahora estimemos* el valor de µ x para distintos valores de N

N-1

1 4 ^ µ x = < x[n]> N = Σ x[n] N 3.5 n
1
4
^
µ x = < x[n]> N =
Σ x[n]
N
3.5
n
=
0
3
2.5
< x[n]> 2000 = 3.0059
2
1.5
0
500
1000
1500
2000
Valor esperado estimado

Número de muestras N

* Estamos asumiendo que el proceso es ergódico

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.3 4 1 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.3

41

RESPUESTA (continuación)

Ahora estimemos* el valor de σ x 2 para distintos valores de N

3 ^ ^ σ x 2 = < |x[n]–µ x | 2 > N 2.5
3
^
^
σ x 2 = < |x[n]–µ x | 2 > N
2.5
2
1.5
1
^
< |x[n]–µ x | 2 > 2000 = 2.0390
0.5
0
0
500
1000
1500
2000
Varianza estimada

Número de muestras N

* Estamos asumiendo que el proceso es ergódico

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.3 4 2 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.3

42

RESPUESTA (continuación)

Ahora estimemos* la secuencia de autocorrelación φ xx [m]

para N = 2000 ^ φ xx [0] = 10.93822 ^ φ xx [m] 15
para N = 2000
^
φ xx [0] = 10.93822
^
φ xx [m]
15
10
5
0
-50
-40
-30
-20
-10
0
10
20
30
40
50

* Estamos asumiendo que el proceso es ergódico

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.3 4 3 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.3

43

RESPUESTA (continuación)

Ahora estimemos* la secuencia de autocovarianza γ xx [m]

para N = 2000 ^ γ xx [0] = 2.0596 ^ γ xx [m] 3
para N = 2000
^
γ xx [0] = 2.0596
^
γ xx [m]
3
2
1
0
-1
-50
-40
-30
-20
-10
0
10
20
30
40
50

* Estamos asumiendo que el proceso es ergódico

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Nota importante 4 4 Desde

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Nota importante

44

Desde este momento en adelante, a menos que se diga lo contrario, todo proceso estocástico que se considere, se asumirá ergódico y por lo tanto estacionario en sentido amplio.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Contenido de este módulo 4

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Contenido de este módulo

45

1.- Probabilidades y variables aleatorias

2.- Procesos estocásticos y promedios

3.- Estacionaridad y ergodicidad

4.- La densidad espectral de potencia

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Densidad espectral de potencia 4

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Densidad espectral de potencia

46

Por lo general la DTFT de una señal aleatoria no existe, sin embargo, por lo general, las DTFT de sus secuencias de auto- correlación y autocovarianza si existen. Así, se pueden definir los siguientes pares transformados:

φ xx [m]

φ x x [m] Φ x x (e j ω )

Φ x x (e j ω ) xx (e jω )

γ xx [m]

 

Γ x x (e j ω ) xx (e jω )

φ x x [m] Φ x x (e j ω ) γ x x [m]  

Donde Φ xx (e jω ) se conoce con el nombre de densidad espectral de potencia, ó simplemente, espectro de potencia.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Propiedades 4 7 Se puede

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Propiedades

47

Se puede demostrar que:

Φ xx (e jω ) = Γ xx (e jω ) + 2π |µ x | 2

k

Σ δ(ω – 2πk)

=

-

Si µ x = 0, entonces: Φ xx (e jω ) = Γ xx (e jω )

*

Φ xx (e jω ) es siempre real, es decir, Φ xx (e jω ) = Φ xx (e jω )

Si φ xx [m] = φ xx [-m], i.e. el proceso estocástico es real,

entonces Φ xx (e jω ) tiene simetría par y es no negativa.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Relación con el valor

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Relación con el valor cuadrático medio

48

De la ecuación de síntesis de la DTFT, se obtiene que:

φ xx [m] =

1

2π

π

Φ xx (e jω ) e jωm dω

−π

De donde se obtiene, haciendo m = 0, que:

msv x = E{ |x[n]| 2 } = φ xx [0] =

1

2π

π

Φ xx (e jω ) dω

−π

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Relación con la varianza 4

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Relación con la varianza

49

De igual forma:

γ xx [m] =

1

2π

π

Γ xx (e jω ) e jωm dω

−π

De donde se obtiene, haciendo m = 0, que:

σ x 2 = E{ |x[n]–µ x | 2 } = γ xx [0] =

1

2π

π

Γ xx (e jω ) dω

−π

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Densidad espectral de potencia

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Densidad espectral de potencia cruzada

50

También se pueden definir los siguientes pares transformados para las secuencias de crosscorrelación y crosscovarianza de dos procesos estocásticos X n y Y k :

φ xy [m]

 

Φ x y (e j ω ) xy (e jω )

φ x y [m]   Φ x y (e j ω ) γ x y [m]

γ xy [m]

γ x y [m] Γ x y (e j ω )

Γ x y (e j ω ) xy (e jω )

Donde Φ xy (e jω ) se conoce con el nombre de densidad espectral de potencia cruzada.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Propiedades 5 1 Se puede

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Propiedades

51

Se puede demostrar que:

Φ xy (e jω ) = Γ xy (e jω ) + 2π µ x µ y *

k

Σ δ(ω – 2πk)

=

-

Si µ x = 0 y µ y = 0, entonces: Φ xy (e jω ) = Γ xy (e jω )

Φ xy (e jω ) es por lo general una función compleja, y se

cumple

*

que Φ xy (e jω ) = Φ yx (e jω )

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Secuencias estacionarias y

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Secuencias estacionarias y sistemas LIT

52

Consideremos un sistema LIT cuya entrada es estacionaria

en sentido amplio

x[n]

SISTEMA

LIT

entrada es estacionaria en sentido amplio x[n] SISTEMA LIT y[n] Se puede demostrar que entonces su

y[n]

Se puede demostrar que entonces su salida también es esta-

cionaria en sentido amplio.

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.4 5 3 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.4

53

CROSSCORRELACIÓN ENTRADA/SALIDA Considera un sistema LIT cuya entrada x[n] es una secuencia aleatoria estacionaria:

a.- Calcula la crosscorrelación entre la entrada x[n] y la salida y[n].

b.- ¿Qué ocurre si la entrada x[n] es ruido blanco?

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.4 5 4 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.4

54

RESPUESTA Usando la definición de φ xy [m] y la respuesta impulsiva h[k]

φ xy [m] = E{ x[n] y[n+m] } = E{ x[n]

k

Σ h[k] x[n+m-k] }

=

-

φ xy [m] =

k

Σ h[k] E{ x[n] x[n+m-k] } =

=

-

k

Σ h[k] φ xx [m-k]

= -

de donde se observa que:

φ xy [m] = h[m]

* φ xx [m]

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones Ejercicio III.4 5 5 •

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

Ejercicio III.4

55

RESPUESTA (continuación) Si x[n] es ruido blanco con µ x = 0 y σ x 2 = a, se puede demostrar que: φ xx [m] = a δ[m]

Y del resultado anterior, φ xy [m] = h[m]

φ xy [m] = a h[m]

* φ xx [m], se tiene que:

De forma que la secuencia de crosscorrelación φ xy [m] entre la entrada x[n] y la salida y[n] de un sistema LIT, cuando la x[n] es ruido blanco, es proporcional a la respuesta impulsiva h[n].

UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería Escuela de Telecomunicaciones 56 Fin del Módulo III

UNIVERSIDAD CATOLICA ANDRÉS BELLO

Facultad de Ingeniería Escuela de Telecomunicaciones

56

Fin del Módulo III

Señales Estocásticas