Procesamiento de Señales

Procesos Estocásticos y Periodograma

Universidad Católica Andrés Bello

Facultad de Ingeniera
Escuela de Telecomunicaciones
Prof. Maria Cristi Stefanelli
 Variable aleatoria y Procesos Aleatorios

Variable aleatoria: Regla que asigna un valor

numérico arbitrario al resultado de un experiment
aleatorio

Proceso aleatorio o estocástico: Espacio muestral

donde las salidas del experiment son un conjunto de
funciones en el tiempo
x(n) x(n+m)
 Procesos Aleatorios
Variables aleatorias v.a
FDA:

fdp:

Dos v.a caracterizadas por fdp y FDA

conjunta.
 x y son estadísticamente independientes si:
 Valores Esperados
Media o valor esperado:
si entonces:

Si x y son linealmente independientes:

 Enlos procesos estocásticos estacionarios FDA y fdp son

independientes del tiempo (media y varianza es la misma
para todas las v.a).
 Autocorrelación y Autocovarianza

φ y γ son secuencias bidimensionales.

Autocorrelación mide la dependencia del

proceso en diferentes instantes.
Describe la variación temporal de la
secuencia aleatoria.
 Correlación y Covarianza

Si depende solo de la diferencia de

tiempo m-n la autocorrelación , la
autocovarianza y la correlación y la
covarianza cruzada son unidimensionales
Procesos estacionarios en sentido amplio

solo depende de diferencia de
tiempo.
Si el proceso es estacionario:

La autocorrelación es una función par

La función φ es unidimensional.
 Propiedades de φ γ para procesos
estacionarios
1.

 Cuando un proceso tiene media cero la

autocorrelación y autocovarianza coincide y
la correlación y la
covarianza también
2. Valor Cuadrático Medio:
Varianza:
3.
4.

5. En muchos procesos estocásticos las v.a se

decorrelacionan al estar mas separadas en
tiempo. Si esto es verdad:

 Correlación y Covarianza son secuencias de

energía finita, poseen Transformada de
Fourier y Transformada Z.
Transformada de Fourier


 Si y/o




Densidad espectral de potencia:

Potencia promedio total de la señal:
DEP es siempre real si el proceso aleatorio es
real, además es par y no negativa.
es compleja
Sistemas LIT y procesos estocásticos

Sistema
h(n)
x(n) y(n)

Si x(n) es estacionario:
 Análisis de Señales usando DFT
V(k)
FPB A/D DFT
x(n) v(n)

w(n)

• FPB para minimizar solapamiento cuando:

• w(n) para lograr longitud finita.

Análisis de Señales usando DFT

S(jΩ)

π 2π

V(k)
X(jΩ)

Ω
→← π 2π w
π/T
2π/k
k
 Promedios Temporales

 Si el proceso es ergódico estos promedios temporales

coinciden con los estadísticos.
 Potencia promedio total =(0)=E[
 Potencia Promedio DC=(
 Potencia Promedio AC= Var(x)=E[(
 Valor DC=E(x)
 ValorRMS = Desviación estándar(x)=
 Estimación
Estimar un parámetro a partir de un
conjunto de muestras de una señal es
equivalente a plantear cuanta información
del parámetro tienen las muestras.

La imposibilidad de conocer exactamente

el valor a estimar hace que se hable de la
probabilidad de que el valor estimado
coincida con el verdadero.
Criterios para buscar un estimador de un
parámetro
Se busca el error cuadrático medio
mínimo entre el estimador y el verdadero
valor.

La estimación en sí es una v.a que en la

media debería coincidir con el valor
correcto y además su varianza debe ser
pequeña.
 Tipos de Estimadores
 No sesgados.
 Asintóticamente no sesgados.
 Consistentes.

No sesgado

Asintoticamente No Sesgado

Consistente
Estimado de la media

No sesgado consistente

Estimado de la varianza

Asintóticamente no sesgado Consistente

 Demostrar que es un estimador no sesgado
(1)
Se sabe que el valor esperado de una suma de variables
aleatorias es la suma de los valores esperados de cada variable
aleatoria y que el valor esperado de una variable aleatoria
multiplicada por una constante es la constante por el valor
esperado de la variable aleatoria, la ecuación (1) queda:

(2)
Si el proceso es estacionario el E[x(n)] no depende del tiempo n y sale
de la sumatoria con lo cual la ecuación (2) queda:
=E[x] (3)

Queda demostrado que es un estimador no sesgado

 Estimación de la densidad espectral de
potencia de señales aleatorias
Periodograma I(w):
Sea x(n) una secuencia y w(n) una ventana que
selecciona un segmento L de x.
-jwn

U constante de normalización para hacer no

sesgado el estimador.
 Cuando w(n) es ventana rectangular I(w) se llama
Periodograma.
 Si w(n) no es rectangular se llama Periodograma
Modificado.
El Periodograma tiene algunas propiedades
del espectro de potencia:
1. Es no negativo.
2. Para señales reales es real y par en
frecuencia.
 Se puede demostrar que:

1 L 1
I ( w) 
LU
 vv
C ( m )
m   ( L 1)
e  jwm

donde:
 es la secuencia correlación aperiódica
de una secuencia v(n) para L valores.
I(w) es la Transformada de Fourier de
Para calcular I(w) usando la DFT se evalúa:

k= 0,1,2….N-1

V(k) TF de N puntos de v(n)= x(n) w(n)

Si N>L se rellena o añade ceros a la
secuencia v(n).
Si la secuencia aleatoria tiene media
diferente de cero el espectro en frecuencia
tiene un impulso en el origen.
Si la media es grande esta componente
dominaría las componentes en otras
frecuencias.
Se puede estimar la media y restar este
estimado de la señal antes de obtener el
Periodograma, con esto se obtienen mejores
estimados de las frecuencias vecinas.
 Propiedades del Periodograma
1. Asintóticamente no sesgado.
2. No es consistente.
Demostración:
1 L 1
E I ( w)  E 
 vvC ( m ) 
e  jwm

LU m   ( L 1)
Si se asume que x(n) es estacionario:

L 1
donde: Cww (m)   w(n) w(n  m)
n 0

Entonces:

1 L 1
E I ( w)   ww xx
C ( m ) ( m ) e  jwm

LU m   ( L 1)
Es decir es proporcional a la TF de y
pero el producto en tiempo es convolución en
frecuencia, luego:

Convolución Periódica de

jw  jw 2
C ww (e )  W (e )
El valor esperado del Periodograma es la
convolución periódica del verdadero espectro
con espectro de

SiL aumenta tiende a un tren de

impulsos y

Si se escoge U tal que:

es decir:
Para ventana rectangular U=1

L crece VAR≠0
Para mejorar la estimación se usa
Periodogramas Promediados.
Se tiene una secuencia x(n) 0 ≤ n ≤ Q-1 y se
divide en segmentos de longitud L con una
ventana de longitud L aplicada a cada
segmento.
Se forman segmentos:
Si R<L los segmentos se solapan.
Si L=R segmentos continuos.

Segmentos solapados

L
x(1)  x(  n) w(n)
2
0  n  L 1
El numero total de segmentos depende de los
valores de R,L y Q. Siendo k el número de
segmentos; k es el mayor entero para el cual:
Ejemplo: si Q=100, L=10, R=10

si Q=100, L=10, R=5 K=19

El Periodograma de un segmento es:

Con las propiedades del
Periodograma

El promedio consiste en:



Sin solapamiento
Si k aumenta la VAR tiende a cero, Q
aumenta, K aumenta sin disminuir L
consistente y se mantiene el sesgo.

Si Q es fijo y L crece, K disminuye, mejora

el sesgo, empeora la consistencia.

Si Q es fijo y K aumenta L disminuye,

empeora el sesgo mejora la consistencia.
Con solapamiento se puede mantener L y
aumentar K. Si el solapamiento es mayor que
L/2 no disminuye la varianza a pesar de
aumentar K, debido a que hay menos
independencia de los segmentos a promediar.

Para calcular el Periodograma promedio se

puede usar DFT.
Análisis espectral de señales aleatorias usando
estimados de la secuencia de autocorrelación

USAR como estimado de la DEP la TF de la

estimación de la autocorrelación
Se asume que se tiene un registro finito de la
señal aleatoria x(n):

Se considera como estimado de

donde:
 es la autocorrelación aperiódica de un
segmento de x(n) suponiendo ventana
rectangular.
Propiedades

 es sesgado pero si el sesgo es

pequeño.
Un estimador no sesgado podría ser:

Se divide entre en vez de entre el numero

total de muestras Q.
m se aproxima a Q, la varianza se
incrementa.
Se define el estimado de la potencia
espectral:

donde es una ventana simétrica de

longitud:
Si x(n) es real debe ser par de modo
que S(w) sea real y par.
Al incluir el uso de la ventana se baja la
varianza del estimador de la DEP.
Si la ventana w(n) aplicada a los datos es una
ventana rectangular: para 0≤ n ≤ Q-1
I(w) es la TF de es decir:

luego S(w) es la convolución de la TF de

y
Mientras mas estrecha sea en frecuencia
S(w) I(w).
S(w) no siempre es no negativo, lo es si:

Las ventanas Rectangular, Hanning,

Hamming no satisfacen esta condición, la
triangular si.
S(w) es asintóticamente no sesgado si:

y si se aumenta el número de muestras de la

ventana.
Si esto se hace muy pequeño la varianza se
reduce con respecto a la de I(w).

Para Q fijo escoger y la forma de la

para que VAR disminuya.