7 procesos estocásticos
DESCRIPTION
Definición Clasificación de Procesos Estocásticos Ejemplos de Procesos Estocásticos Momentos de Procesos Estocásticos Procesos Estocásticos usuales Estacionalidad de procesos estocásticos Densidad espectral de potencia Procesos Estocásticos y sistemas lineales Procesos Estocásticos gaussianosTRANSCRIPT
Francisco A. Sandoval
Análisis Estadístico y
Probabilístico
2013 fralbe
.com
AGENDA
CAP. 7: Procesos Estocásticos
fralbe
.com
Agenda
CAP. 7: Procesos Estocásticos
• Definición
• Clasificación de los Procesos Estocásticos
• Ejemplos de Procesos Estocásticos
• Especificación de Procesos Estocásticos
• Momentos de Procesos Estocásticos
• Algunos Procesos Estocásticos Usuales
• Estacionariedad de Procesos Estocásticos
• Densidad Espectral de Potencia
• Caracterización Conjunta de Procesos Estocásticos
• Procesos Estocásticos y Sistemas Lineales
• Procesos Estocásticos Gaussianos fralbe
.com
Objetivos
• Introducir las nociones básicas necesarias para el estudio de procesos estocásticos.
• Presentar ejemplos de carácter práctico.
• Introducir diversas maneras de especificar los procesos y la noción de momento.
• Presentar ejemplos de procesos estocásticos específicos y el concepto de estacionariedad.
• Elaborar un concepto de especificación, definiendo la especificación conjunta de procesos.
• Introducir las nociones de independencia, descorrelación y ortogonalidad entre procesos.
• Estudiar una clase particular de procesos estocásticos, los Procesos Gaussianos.
• Analizar el paso de procesos estocásticos a través de sistemas lineales.
• Definir la densidad espectral de potencia fralbe
.com
DEFINICIÓN
fralbe
.com
Definición
𝜔
Ω
ℝ 𝑥
𝜔
Ω
ℝ2 𝒙
𝒙(𝜔)
Variable Aleatoria
Vector Aleatorio
Función de Variables Aleatorias fra
lbe.co
m
Definición
Definición 1: Procesos Estocásticos Un mapa que asocia a cada punto de muestra 𝜔 ∈ Ω una función real de un parámetro 𝑡 perteneciente un conjunto Υ (en la mayoría de los procesos estocásticos, el parámetro 𝑡 está asociado al tiempo). Se crea de esta manera una familia 𝔽 de funciones de 𝑡, (𝑡 ∈ Υ). De este modo se puede decir que un proceso estocástico (P.E.) es un mapa definido por
𝑥: Ω ⟼ 𝔽𝜔 ⟼ 𝑥 𝑡,𝜔 , 𝑡 ∈ Υ
fralbe
.com
Definición
fralbe
.com
Definición
• Un P.E. es una función de dos variables, 𝜔 y 𝑡, cuyos dominios son Ω y Υ ⊂ ℝ, respectivamente.
• Es común denominar cada función perteneciente
a la familia 𝔽 por función-muestra del P.E. y el
conjunto de todas las funciones por ensemble.
• Una interpretación interesante es obtenida al fijar,
por ejemplo, el valor 𝜔𝑖 para 𝜔. En este caso el
P.E. pasa a representar una única función 𝑥(𝑡, 𝜔𝑖) de 𝑡. fra
lbe.co
m
Definición
• Si el valor 𝑡1 es fijado para el parámetro 𝑡, lo que se obtiene es una v.a. que asocia a cada punto de muestra un número real 𝑥(𝑡1, 𝜔).
• De manera análoga, al fijar 𝑛 valores 𝑡1, 𝑡2, … , 𝑡𝑛 del parámetro 𝑡 se obtiene un vector aleatorio
𝑥(𝑡1, 𝜔)𝑥(𝑡2, 𝜔)
⋮𝑥(𝑡𝑛, 𝜔)
• Finalmente, si los valores de 𝑡 y 𝜔 son ambos fijos, el P.E. representa apenas un número real. fra
lbe.co
m
Definición
𝑥(𝑡) puede representar cinco situaciones diferentes:
1. Una familia de funciones (𝑡 y 𝜔 variables);
2. Una única función del tiempo (𝑡 variable y 𝜔 fijo);
3. Una v.a. (𝑡 fijo y 𝜔 variable);
4. Un vector aleatorio (𝑡1, 𝑡2, … , 𝑡𝑛 fijos y 𝜔 variable); y
5. Un único número real (𝑡 y 𝜔 fijos).
La notación, 𝑥(𝑡, 𝜔), usada para representar un P.E. será simplificada al omitirse la variable 𝜔, siendo utilizada la representación 𝑥(𝑡).
fralbe
.com
CLASIFICACIÓN DE LOS PROCESOS ESTOCÁSTICOS
fralbe
.com
Clasificación de P.E.
• Los P.E. pueden ser clasificados de acuerdo
con los valores que asume o de acuerdo con
los valores que su parámetro puede asumir.
fralbe
.com
Clasificación de P.E.
de parámetro continuo de parámetro discreto
fralbe
.com
EJEMPLOS DE PROCESOS ESTOCÁSTICOS
fralbe
.com
Ejemplo 1: Llamadas Telefónicas llegando a una
central
• Recordando el ejemplo de un determinado número de usuarios llamando a una central telefónica, es de interés conocer como varía, a partir de un instante (tomado como origen), el número de llamadas que llega a la central. Ese número 𝑛, función del tiempo, es un proceso estocástico discreto de parámetro continuo.
fralbe
.com
Ejemplo 1: Llamadas Telefónicas llegando a una
central
fralbe
.com
Ejemplo 2: Ruido Térmico en los Terminales
de un Resistor
• El movimiento térmico de electrones libres en un conductor (ej. resistor) da origen a una tensión de ruido cuya variación a lo largo del tiempo no es posible representar determinísticamente.
• Esta tensión constituye un P.E. continuo de parámetro continuo.
fralbe
.com
Ejemplo 2: Ruido Térmico en los Terminales
de un Resistor
fralbe
.com
Ejemplo 3: Señal de voz muestreada
• La señal de voz transmitida por un sistema de comunicaciones es esencialmente no-determinística, constituyendo claramente un P.E.
• Cuando se trata de transmitir esta señal en forma digital, el primer paso en el proceso de la señal de voz consiste en muestrearla a una determinada frecuencia de muestreo (𝑓0 muestras por segundo, ej.).
• Resulta de esta operación una secuencia de valores de tensión en puntos aislados del eje del tiempo que, debido a lo impredecible de su variación, es adecuadamente modelada por un P.E. Se trata claramente de un P.E. continuo, de parámetro discreto. fra
lbe.co
m
Ejemplo 3: Señal de voz muestreada
fralbe
.com
Ejemplo 4: Señal recibida en una llamada
• El problema de las variaciones impredecibles de la amplitud de la señal recibida en una llamada radioeléctrica constituye el fenómeno de desvanecimiento.
• La imposibilidad de describir estas variaciones determinísticamente, lleva a modelar la amplitud de la señal recibida por un P.E. continuo de parámetro continuo, con función muestra 𝑠(𝑡, 𝜔). fra
lbe.co
m
Ejemplo 4: Señal recibida en una llamada
fralbe
.com
ESPECIFICACIÓN DE PROCESOS ESTOCÁSTICOS
fralbe
.com
Especificación de P.E.
• Al fijar el parámetro 𝑡, (𝑡 ∈ Υ) de un P.E. 𝑥(𝑡), se obtiene una v.a., representada aquí por 𝑥𝑡.
• Asociada a esta v.a. se tiene una FDP 𝐹𝑥𝑡(𝑋) y,
consecuentemente una fdp 𝑝𝑥𝑡 𝑋 .
• Para cada valor distinto de 𝑡 ∈ Υ, se obtiene
una v.a. diferente.
fralbe
.com
Especificación de P.E.
• Las fdp’s 𝑝𝑥𝑡 𝑋 , 𝑡 ∈ Υ son denominadas
fdp’s de primer orden del P.E. 𝑥(𝑡).
Definición 2: Especificación de 1° Orden de un P.E. Se dice que un P.E. está especificado hasta el primer orden cuando la fdp 𝑝𝑥𝑡(𝑋) es conocida para cualquier valor de 𝑡 ∈ Υ.
fralbe
.com
Ejemplo: Especificación de 1° orden
Considere un P.E. 𝑥(𝑡), cuyas funciones muestra son rectas de la forma
𝑥 𝑡 = 𝑎1𝑡 + 𝑎2 donde 𝑎1 y 𝑎2 son v.a. conjuntamente gaussianas, o sea, ellas forman un vector gaussiano 𝒂. Suponga que:
𝒎𝒂 = 𝟎 =00
y
𝑲𝒂 =1
1
21
21
Determinar la fdp de 1° orden de este P.E. fralbe
.com
Ejemplo: Especificación de 1° orden
fralbe
.com
Ejemplo: Especificación de 1° orden
La v.a. 𝑥𝑡 es función del vector aleatorio 𝒂. En particular.
𝑥𝑡 = 𝑎1𝑡 + 𝑎2
o sea 𝑥𝑡 = 𝑨 𝒂
donde 𝑨 es una matriz de dimensión 1 × 2 dada por
𝑨 = (𝑡 1) fralbe
.com
Ejemplo: Especificación de 1° orden
Como 𝒂 es un vector gaussiano se tiene que 𝑥𝑡 es una v.a. gaussiana. Además
𝑚𝑥𝑡 = 𝑨 𝒎𝒂 = 0
y 𝜎𝑥𝑡2 = 𝑨 𝑲𝒂 𝑨
𝑇 = 𝑡2 + 𝑡 + 1
se tiene así:
𝑝𝑥𝑡(𝑋) =1
2𝜋 𝑡2+𝑡+1 𝑒−
𝑋2
2 𝑡2+𝑡+1 fralbe
.com
Ejemplo: Especificación de 1° orden
• La fdp de 1° orden del P.E. 𝑥(𝑡) puede ser utilizada para calcular la probabilidad de algunos eventos definidos sobre el P.E. 𝑥(𝑡).
• Ejemplo: suponga que se desea calcular la probabilidad de tener una función muestra del procesos que, en el instante 𝑡 = 5, exceda el valor 0.
𝑃 𝑥 5 > 0 = 𝑃 𝑥5 > 0 = 𝑝𝑥5 𝑋 𝑑𝑋∞
0
donde 𝑝𝑥5(𝑋) es obtenido haciendo 𝑡 = 5 en la fdp 𝑝𝑥𝑡(𝑋).
Finalmente se obtiene
𝑃 𝑥 5 > 0 = 1
2𝜋 31𝑒−
𝑋2
62𝑑𝑋 = 𝑄 0 =1
2
∞
0
fralbe
.com
Ejemplo: Especificación de 1° orden
fralbe
.com
Especificación de P.E.
• El conocimiento de la fdp de 1° orden de un P.E. no siempre es suficiente para determinar las probabilidades deseadas.
• Existen ejemplos que requieren el conocimiento de las fdp’s conjunta de dos v.a.’s, ambas definidas sobre el mismo proceso 𝑥(𝑡).
• Este hecho induce a la definición de especificación de 2° orden de un P.E. fra
lbe.co
m
Especificación de P.E.
Definición 3: Especificación de 2° Orden de un P.E. Se dice que un P.E. está especificado hasta el segundo orden cuando la fdp conjunta 𝑝𝑥𝑡1𝑥𝑡2(𝑋1, 𝑋2) (fdp de segundo orden del
P.E. 𝑥(𝑡)) es conocida para cualquier par de valores de 𝑡1 ∈ Υ, t2 ∈ Υ.
fralbe
.com
Ejemplo: Especificación de 2° orden
Considere el P.E. 𝑥(𝑡), definido en el ejemplo anterior. Determine la fdp de 2° orden de este proceso estocástico.
fralbe
.com
Especificación de P.E.
Definición 4: Especificación de Orden 𝑚 de un P.E. Se dice que un P.E. está especificado hasta el orden 𝑚 cuando la fdp conjunta 𝑝𝑥𝑡1𝑥𝑡2…𝑥𝑡𝑚
𝑋1, 𝑋2, … , 𝑋𝑚 (fdp de orden 𝑚 del P.E. 𝑥(𝑡))
es conocida para cualquier conjunto de valores de 𝑡1, 𝑡2, … , 𝑡𝑚 , tales que 𝑡1 ∈ Υ, t2 ∈ Υ,… , 𝑡𝑚 ∈ Υ.
Un P.E. especificado hasta el orden 𝑚, está también especificado hasta cualquier orden inferior a 𝑚.
Definición 5: Especificación completa de un P.E. Se dice que un P.E. está especificado completamente se el está especificado hasta el orden 𝑚, para cualquier valor entero 𝑚. fra
lbe.co
m
MOMENTOS DE PROCESOS ESTOCÁSTICOS
fralbe
.com
Momentos de Procesos Estocásticos
• Los momentos de un proceso estocástico son
los momentos de variables aleatorias definidas
en cualquier instante del proceso.
Definición 6: Media de un Proceso Estocástico La media de un proceso estocástico 𝑥(𝑡), representada por 𝑚𝑥(𝑡), es definida como la media de la variable aleatoria 𝑥(𝑡) (en notación más compacta, 𝑥𝑡) asociada a un instante cualquiera 𝑡 ∈ Υ, o sea,
𝑚𝑥 𝑡 = 𝐸 𝑥 𝑡 ; 𝑡 ∈ Υ fralbe
.com
Momentos de Procesos Estocásticos
Definición 7: Función Autocorrelación de un Proceso Estocástico La función Autocorrelación de un procesos estocástico 𝑥(𝑡), representada por 𝑅𝑥(𝑡1, 𝑡2), es definida como la correlación entre las variables aleatorias 𝑥(𝑡1) y 𝑥(𝑡2) (en notación más compacta 𝑥𝑡1 y 𝑥𝑡2) asociadas a dos valores cualquiera 𝑡1 ∈ Υ y 𝑡2 ∈ Υ del
parámetro del proceso, o sea, 𝑅𝑥 𝑡1, 𝑡2 = 𝐸 𝑥 𝑡1 𝑥 𝑡2 ; 𝑡1 ∈ Υ , 𝑡2 ∈ Υ
El valor de la función de un P.E. cuando 𝑡1 = 𝑡2 = 𝑡 es denominado valor medio cuadrático del proceso estocástico, siendo dado por
𝑅𝑥 𝑡, 𝑡 = 𝐸 𝑥2 𝑡 ; 𝑡 ∈ Υ fralbe
.com
Momentos de Procesos Estocásticos
Definición 8: Función Autocovarianza de un P.E. La función autocovarianza de un P.E. 𝑥(𝑡), representada por 𝐾𝑥 𝑡1, 𝑡2 , es definida como la covarianza entre las variables aleatorias 𝑥(𝑡1) y 𝑥(𝑡2) asociadas a dos valores cualquiera 𝑡1 ∈ Υ y 𝑡2 ∈ Υ del parámetro del proceso, o sea,
𝐾𝑥 𝑡1, 𝑡2 = 𝐸 𝑥 𝑡1 −𝑚𝑥 𝑡1 𝑥 𝑡2 −𝑚𝑥 𝑡2 ; 𝑡1 ∈ Υ , 𝑡2 ∈ Υ
Es posible llegar a la relación 𝐾𝑥 𝑡1, 𝑡2 = 𝑅𝑥 𝑡1, 𝑡2 −𝑚𝑥 𝑡1 𝑚𝑥(𝑡2)
fralbe
.com
Ejemplo
Considere el P.E. 𝑥(𝑡), definido en el ejemplo anterior. Determine la media, la función autocorrelación y la función autocovarianza.
fralbe
.com
PROCESOS ESTOCÁSTICOS USUALES
fralbe
.com
Transmisión Binaria Semi-Aleatoria
• Considere el P.E. 𝑥(𝑡) que caracteriza una transmisión binaria semi-aleatoria, definida de la siguiente manera: durante cualquiera de los intervalos
𝐼𝑛 = 𝑛 − 1 𝑇, 𝑛𝑇 ; 𝑛 entero
el proceso 𝑥 𝑡 puede asumir uno de entre dos valores, 𝐴 y −𝐴.
fralbe
.com
Transmisión Binaria Semi-Aleatoria
• Considerar que el valor del P.E. en un determinado intervalo es estadísticamente independiente de su valor en los demás intervalos. Se supone además que los valores 𝐴 y − 𝐴 ocurren con probabilidad 𝑝 y (1 − 𝑝), respectivamente.
• Para un instante genérico cualquiera 𝑡, la fdp de 1° orden del P.E. se expresa
𝑝𝑥𝑡 𝑋 = 𝑝𝛿 𝑋 − 𝐴 + 1 − 𝑝 𝛿(𝑋 + 𝐴)
• La media de este proceso estocástico es
𝑚𝑥 𝑡 = 𝐸 𝑥𝑡 = 𝑋𝑝𝑥𝑡 𝑋 𝑑𝑋 = 𝐴(2𝑝 − 1)∞
−∞ fra
lbe.co
m
Transmisión Binaria Semi-Aleatoria
• Para calcular la función autocorrelación, considere la v.a. 𝑦 = 𝑥 𝑡1 𝑥 𝑡2 donde 𝑡1 y 𝑡2 son instantes cualquiera satisfaciendo la condición
𝑡1 ∈ 𝐼𝑛1
𝑡2 ∈ 𝐼𝑛2
• Se consideran dos situaciones: – Los instantes 𝑡1 y 𝑡2, que definen las v.a.’s 𝑥𝑡1 y 𝑥𝑡2 ,
pertenecen al mismo intervalo, o sea 𝑛1 = 𝑛2. En este caso, la v.a. 𝑦 asume siempre el valor 𝐴2. Consecuentemente:
𝑝𝑦|𝑛1=𝑛2 𝑌 = 𝛿 𝑌 − 𝐴2
– 𝑛1 ≠ 𝑛2, la v.a. 𝑦 puede asumir los valores 𝐴2 y −𝐴2. Por tanto
fralbe
.com
Transmisión Binaria Semi-Aleatoria
𝑃 𝑦 = 𝐴2 𝑛1 ≠ 𝑛2= 𝑃 𝑥𝑡1 = 𝐴, 𝑥𝑡2 = 𝐴 𝑛1 ≠ 𝑛2+ 𝑃 𝑥𝑡1 = −𝐴, 𝑥𝑡2 = −𝐴 𝑛1 ≠ 𝑛2
y
𝑃 𝑦 = −𝐴2 𝑛1 ≠ 𝑛2= 𝑃 𝑥𝑡1 = 𝐴, 𝑥𝑡2 = −𝐴 𝑛1 ≠ 𝑛2+ 𝑃 𝑥𝑡1 = −𝐴, 𝑥𝑡2 = 𝐴 𝑛1 ≠ 𝑛2
dado que 𝑛1 ≠ 𝑛2, la v.a. 𝑥(𝑡1) toma valores independientemente de la v.a. 𝑥(𝑡2), se obtiene fra
lbe.co
m
Transmisión Binaria Semi-Aleatoria
𝑃 𝑦 = 𝐴2|𝑛1 ≠ 𝑛2 = 𝑝2 + 1 − 𝑝 2
= 2𝑝2 − 2𝑝 + 1
y
𝑃 𝑦 = −𝐴2 𝑛1 ≠ 𝑛2 = 2𝑝 1 − 𝑝 = 2𝑝 − 2𝑝2
Consecuentemente
𝑝𝑦|𝑛1≠𝑛2𝑌
= 2𝑝2 − 2𝑝 + 1 𝛿 𝑌 − 𝐴2
+ 2𝑝 − 2𝑝2 𝛿 𝑌 + 𝐴2
Como
𝑅𝑥 𝑡1, 𝑡2 = 𝐸 𝑥 𝑡1 𝑥 𝑡2 = 𝐸,𝑦- fralbe
.com
Transmisión Binaria Semi-Aleatoria
• se obtiene que
𝑅𝑥 𝑡1, 𝑡2 = 𝐴2 ; 𝑛1 = 𝑛2𝐴2 2𝑝 − 1 2 ; 𝑛1 ≠ 𝑛2
fralbe
.com
Onda Senoidal con Fase Aleatoria
• Considere el P.E. 𝑥(𝑡) definido por una señal sinosoidal con un ángulo de fase aleatorio, o sea
𝑥 𝑡 = 𝐴 sin 2𝜋𝑓0𝑡 + 𝜃
donde 𝜃 es una v.a. uniformemente distribuida en el intervalo, (0, 2𝜋- o sea,
𝑝𝜃 Θ = 1\2𝜋 ; Θ ∈ (0, 2𝜋-0 ; Θ ∉ (0, 2𝜋-
fralbe
.com
Onda Senoidal con Fase Aleatoria
• La media de este P.E. es dada por
𝑚𝑥 𝑡 = 𝐸 𝐴 sin 2𝜋𝑓0𝑡 + 𝜃
= 𝐴 sin(2𝜋𝑓0𝑡∞
−∞
+ 𝜃) 𝑝𝜃 Θ 𝑑Θ = 𝐴 sin 2𝜋𝑓0𝑡 + Θ1
2𝜋𝑑Θ = 0
2𝜋
0
La Función autocorrelación del P.E. es dada por
𝑅𝑥 𝑡1, 𝑡2 = 𝐸 𝑥 𝑡1 𝑥 𝑡2 = 𝐸 𝐴2 sin 2𝜋𝑓0𝑡1 + 𝜃 sin 2𝜋𝑓0𝑡2 + 𝜃
=𝐴2
2𝐸 cos 2𝜋𝑓0 𝑡2 − 𝑡1 −
𝐴2
2𝐸 cos 2𝜋𝑓0 𝑡2 − 𝑡1 + 2𝜃
Finalmente
𝑅𝑥 𝑡1, 𝑡2 =𝐴2
2cos 2𝜋𝑓0 𝑡2 − 𝑡1 fra
lbe.co
m
ESTACIONARIEDAD DE LOS P.E.
fralbe
.com
Estacionariedad de un P.E.
• Un P.E. puede ser estacionario en diversos
grados de estacionariedad.
Definición 9: Estacionariedad de Orden 𝒎 Un proceso estacionario 𝑥(𝑡) es dicho estacionario de orden 𝑚 cuando su fdp de orden 𝑚 no varia con un desplazamiento en el tiempo, o sea, cuando 𝑝𝑥1𝑥2𝑥3…𝑥𝑡𝑚
𝑋1, 𝑋2, … , 𝑋𝑚 = 𝑝𝑥𝑡1+𝑥𝑡2+𝜏…𝑥𝑡𝑚+𝜏𝑋1, 𝑋2, … , 𝑋𝑚 ; ∀𝜏
fralbe
.com
Estacionariedad de un P.E.
Observaciones:
• Un P.E. 𝑥(𝑡) es dicho estacionario de 1° orden cuando
𝑝𝑥𝑡 𝑋 = 𝑝𝑥𝑡+𝜏 𝑋 ; ∀𝜏
• Un P.E. 𝑥 𝑡 es dicho estacionario de 2° orden cuando
𝑝𝑥1𝑝𝑥2 𝑋1, 𝑋2 = 𝑝𝑥𝑡1+𝑥𝑡2+𝜏 𝑋1, 𝑋2 ; ∀𝜏
• Si 𝑥 𝑡 es un P.E. estacionario de orden 𝑚, el es también estacionario de orden 𝑘, para cualquier valor 𝑘 < 𝑚.
fralbe
.com
Estacionariedad de un P.E.
Definición 10: Estacionariedad en el sentido Estricto Un P.E. es dicho estacionario en el sentido estricto, o estrictamente estacionario, cuando él es estacionario de orden 𝑚 para cualquier valor entero de 𝑚.
Definición 11: Estacionariedad en el sentido Amplio Un P.E. 𝑥(𝑡) es dicho estacionario en sentido amplio, si
𝑚𝑥 𝑡 = ηx ; ∀𝜏 y
𝑅𝑥 𝑡1, 𝑡2 = 𝑅𝑥 𝜏 ; 𝜏 = 𝑡2 − 𝑡1 o sea, cuando su media es constante y su función autocorrelación depende de la diferencia 𝑡2 − 𝑡1. fra
lbe.co
m
Ergodicidad
fralbe
.com
Propiedades de la Función Autocorrelación de
P.E. Estacionarios en el Sentido Amplio.
• En el caso de P.E. en el sentido amplio, por el
hecho de que la función autocorrelación
𝑅𝑥 𝑡1, 𝑡2 depende apenas de la diferencia
𝑡2 − 𝑡1, es usual representar la función
autocorrelación como función de una única
variable 𝜏 = 𝑡2 − 𝑡1
𝑅𝑥 𝜏 = 𝐸 𝑥 𝑡 𝑥 𝑡 + 𝜏
fralbe
.com
Propiedades de la Función Autocorrelación de P.E.
Estacionarios en el Sentido Amplio (P.E.E.S.A.)
1. La función autocorrelación de P.E.E.S.A. es par, o sea
𝑅𝑥 𝜏 = 𝑅𝑥 −𝜏
2. El valor de la función autocorrelación de P.E.E.S.A. en 𝜏 = 0 es igual al valor medio cuadrático del proceso, o sea
𝑅𝑥 0 = 𝐸 𝑥2 𝑡
3. Si un P.E.E.S.A. contiene una componente periódica de periodo 𝑇, o sea, si
𝑥 𝑡 = 𝑥 𝑡 + 𝑛𝑇 ; 𝑛 entero
entonces, su función autocorrelación posee una componente periódica del mismo periodo que
𝑅𝑥 𝜏 = 𝑅𝑥 𝜏 + 𝑛𝑇 ; 𝑛 entero
4. Si un P.E.E.S.A. no contiene componentes periódicas, entonces
lim𝜏→∞
𝑅𝑥 𝜏 = 𝑚𝑥2 𝑡 = η𝑥
2
5. La función autocorrelación de P.E.E.S.A. es máxima para 𝜏 = 0, o sea,
𝑅𝑥 𝜏 ≤ 𝑅𝑥 0 ; ∀𝜏 ≠ 0 fralbe
.com
DENSIDAD ESPECTRAL DE POTENCIA
fralbe
.com
Densidad Espectral de Potencia
• En el análisis o proyección de sistemas, el
conocimiento de la manera por la cual la potencia
se distribuye a lo largo del espectro de frecuencia
es de extrema importancia.
• La Densidad Espectral de Potencia de una señal
es una función de la frecuencia 𝑓 que, cuando se
integra a lo largo de una banda de frecuencias
proporciona el valor de la potencia de la señal
existente en la banda de frecuencias considerada. fralbe
.com
Densidad Espectral de Potencia
• En el caso de una señal determinística cualquier 𝑥 𝑡 , la función densidad espectral de potencia a ella asociada es definida por
𝑆𝑥 𝑓 = lim𝑇→∞
𝑋𝑇 𝑓 2
𝑇
donde
𝑋𝑇 𝑓 = ℱ 𝑥𝑇 𝑡
con
𝑥𝑇 𝑡 = 𝑥(𝑡) ; 𝑡 ≤
𝑇
2
0 ; 𝑡 >𝑇
2
fralbe
.com
Densidad Espectral de Potencia
• En el caso de P.E.E.S.A., la densidad espectral de potencia es dada por la transformada de su función autocorrelación.
𝑆𝑥 𝑓 = 𝑅𝑥 𝜏 𝑒−𝑗2𝜋𝑓𝜏𝑑𝜏 = ℱ 𝑅𝑥 𝜏∞
∞
• La potencia media de un proceso 𝑥(𝑡) en una banda de frecuencias caracterizadas por el intervalo ,𝑓1, 𝑓2- es dada por
𝑃𝑥 𝑓1,𝑓2= 𝑆𝑥 𝑓 𝑑𝑓 + 𝑆𝑥 𝑓 𝑑𝑓
𝑓1
𝑓2
−𝑓1
−𝑓2
fralbe
.com
Densidad Espectral de Potencia
• La potencia media total del proceso puede ser
obtenida de la ecuación anterior, haciendo
𝑓1 = 0 y 𝑓2 = ∞. Se tiene así
𝑃𝑥 = 𝑆𝑥 𝑓 𝑑𝑓 + 𝑆𝑥 𝑓 𝑑𝑓 = 𝑆𝑥 𝑓 𝑑𝑓∞
−∞
∞
0
0
−∞
• En el caso de que 𝑥 𝑡 sea un P.E.E.S.A. se
puede escribir
𝑃𝑥 = 𝑅𝑥 0 = 𝐸 𝑥2 𝑡 fralbe
.com
Densidad Espectral de Potencia
• La función autocorrelación de un proceso de
ruido blanco es
𝑅𝑥 𝜏 = 𝐶𝛿 𝜏
Definición 12: Ruido Blanco Un P.E. 𝑥 𝑡 , E.S.A., es dicho un proceso de ruido blanco si su densidad espectral de potencia es constante a lo largo de todo el espectro de frecuencias, o sea, si
𝑆𝑥 𝑓 = 𝐶
fralbe
.com
CARACTERIZACIÓN CONJUNTA DE P.E.
fralbe
.com
Especificación Conjunta de dos P.E.
Definición 13: Especificación Conjunta de Orden 𝑚+ 𝑛 de Dos P.E.’s
Definición 14: Especificación Conjunta Completa de Dos P.E.’s Se dice que dos P.E. 𝑥 𝑡 y 𝑦(𝑡) están conjunta o completamente especificados cuando ellos están conjuntamente especificados hasta el orden 𝑛 +𝑚 para cualquier valor de 𝑚 + 𝑛. fra
lbe.co
m
Momentos Conjuntos de Dos P.E.’s
Definición 15: Función Correlación Cruzada La función correlación cruzada 𝑅𝑥𝑦 𝑡1, 𝑡2 de dos P.E. 𝑥 𝑡 y 𝑦 𝑡 es
definida como la correlación entre las v.a.’s 𝑥(𝑡1) y 𝑦(𝑡2) definidas sobre cada uno de los procesos, respectivamente. Esto significa que
𝑅𝑥𝑦 𝑡1, 𝑡2 = 𝐸 𝑥 𝑡1 𝑦 𝑡2
Definición 16: Función Covarianza Cruzada La función covarianza cruzada 𝐾𝑥𝑦 𝑡1, 𝑡2 de dos P.E.’s 𝑥(𝑡) y 𝑦(𝑡)
es definida como la covarianza entre las v.a.’s 𝑥(𝑡1) y 𝑦 𝑡2 definidas sobre cada uno de los procesos, respectivamente, o sea,
𝐾𝑥𝑦 𝑡1, 𝑡2 = 𝐸 𝑥 𝑡1 −𝑚𝑥 𝑡1 𝑦 𝑡2 −𝑚𝑦 𝑡2
𝐾𝑥𝑦 𝑡1, 𝑡2 = 𝑅𝑥𝑦 𝑡1, 𝑡2 −𝑚𝑥 𝑡1 𝑚𝑦(𝑡2) fralbe
.com
Estacionariedad Conjunta de dos P.E.’s
Definición 17: Estacionariedad Conjunta de Orden 𝑚 + 𝑛 de dos P.E.’s
Definición 18: Estacionariedad Conjunta en el Sentido Estricto de dos P.E.’s
fralbe
.com
Estacionariedad Conjunta de dos P.E.’s
Definición 19: Estacionariedad Conjunta en el Sentido Amplio de dos P.E.’s
Definición 20: Densidad Espectral Cruzada de Dos P.E.’s
fralbe
.com
Independencia, Descorrelación y
Ortogonalidad
Definición 21: P.E.’s Estadísticamente Independientes (e.i.) Dos P.E.’s 𝑥(𝑦) y 𝑦(𝑡) son dichos e.i. cuando, para cualquiera de los valores enteros positivos 𝑚 y 𝑛, y para cualquier conjunto de valores *𝑡1, 𝑡2, … , 𝑡𝑚, 𝑡1
′ , 𝑡2′ , … , 𝑡𝑛
′ +, la fdp conjunta de las v.a.’s *𝑥 𝑡1 , 𝑥 𝑡2 , … , 𝑥 𝑡𝑚 , 𝑦 𝑡1
′ , 𝑦 𝑡2′ , … , 𝑦(𝑡𝑛
′ )+, puede ser escrita como el producto de la función densidad de probabilidad conjunta de las v.a.’s *𝑥 𝑡1 , 𝑥 𝑡2 , … , 𝑥(𝑡𝑚)+ con la fdp conjunta de las v.a.’s 𝑦 𝑡1
′ , 𝑦 𝑡2′ , … , 𝑦 𝑡𝑛
′ , o sea, 𝑝𝑥𝑡1𝑥𝑡2…𝑥𝑡𝑚𝑦
𝑡1′ 𝑦𝑡2
′…𝑦𝑛′ 𝑋1, 𝑋2, … , 𝑋𝑚, 𝑌1, 𝑌2, … , 𝑌𝑛
= 𝑝𝑥𝑡1𝑥𝑡2…𝑥𝑡𝑚𝑋1, 𝑋2, … , 𝑋𝑚 𝑝𝑦
𝑡1′ 𝑦𝑡2
′…𝑦𝑡𝑛′ 𝑌1, 𝑌2, … , 𝑌𝑛 ; ∀𝑛,𝑚
fralbe
.com
Independencia, Descorrelación y
Ortogonalidad
Definición 22: Procesos Estocásticos Descorrelacionados Dos P.E. 𝑥(𝑡) y 𝑦(𝑡) son dichos descorrelacionados cuando su función covarianza cruzada es nula para cualquiera de los valores de 𝑡1 y 𝑡2, o sea,
𝐾𝑥𝑦 𝑡1, 𝑡2 = 0 ; ∀ 𝑡1, 𝑡2
Una condición equivalente para P.E.’s descorrelacionados es 𝐾𝑥𝑦 𝑡1, 𝑡2 = 𝑡1 𝑚𝑦(𝑡2)
Definición 23: Procesos Estocásticos Ortogonales Dos P.E.’s 𝑥(𝑡) y 𝑦(𝑡) son dichos ortogonales cuando su función correlación cruazda es nula para cualquiera de los valores de 𝑡1 y 𝑡2, o sea,
𝑅𝑥𝑦 𝑡1, 𝑡2 = 0 ; ∀𝑡1, 𝑡2 fralbe
.com
Propiedades de la Función Correlación
Cruzada de P.E. Conjuntamente E.S.A.
fralbe
.com
PROCESOS ESTOCÁSTICOS Y SISTEMAS LINEALES
fralbe
.com
P.E. y Sistemas Lineales
• Las representaciones matemáticas de P.E.’s presentadas anteriormente pueden ser útiles para caracterizar la salida de un sistema lineal, cuando éste es excitado por un proceso estocástico.
• Se considerará únicamente sistemas lineales invariantes en el tiempo, cuyo comportamiento puede ser representado alternativamente por su respuesta al impulso ℎ(𝑡) o su respuesta de frecuencia 𝐻(𝑓), definida como la transformada de Fourier de su respuesta al impulso.
• Con conveniencia en la mayoría de los casos las condiciones iniciales son nulas. Cualquier condición inicial no nula puede considerarse a partir de los métodos usuales de análisis de sistemas lineales.
fralbe
.com
P.E. y Sistemas Lineales
• La Figura representa un sistema lineal
invariante en el tiempo, en el dominio del
tiempo.
• 𝑥(𝑡) y 𝑦(𝑡) representan, respectivamente, la
entrada y la salida del sistema lineal y ℎ(𝑡) su
respuesta al impulso.
ℎ(𝑡) 𝑥(𝑡) 𝑦(𝑡)
fralbe
.com
P.E. y Sistemas Lineales
• La salida de un sistema lineal invariante en el tiempo se relaciona con su entrada a través de la integral de convolución, o sea,
𝑦 𝑡 = 𝑥 𝑡 ∗ ℎ 𝑡 = 𝑥 𝛼 ℎ 𝑡 − 𝛼 𝑑𝛼∞
−∞
• Los resultados siguientes se restringen al caso de sistemas físicamente realizables y estables en el sentido BIBO (bounded input – bounded output). Restricción matemática que puede expresarse por
ℎ 𝑡 = 0 ; 𝑡 < 0
y
ℎ 𝑡 𝑑𝑡 < +∞∞
−∞
fralbe
.com
P.E. y Sistemas Lineales
• Satisfaciendo la condición anterior, la integral de convolución se reduce a
𝑦 𝑡 = 𝑥 𝛼 ℎ 𝑡 − 𝛼 𝑑𝛼𝑡
−∞
• Equivalente a
𝑦 𝑡 = 𝑥 𝑡 − 𝛽 ℎ 𝛽 𝑑𝛽∞
0
realizando una cambio de variables de integración 𝛽 = 𝑡 − 𝛼. fra
lbe.co
m
P.E. y Sistemas Lineales
• Considerar que la entrada 𝑥(𝑡) de un sistema
lineal sea un P.E.E.S.A. Determinar la media y
la función autocorrelación del P.E. 𝑦(𝑡) que
caracteriza la salida del sistema lineal.
fralbe
.com
media de 𝑦(𝑡)
𝑚𝑦 𝑡 = 𝐸 𝑦 𝑡 = 𝐸 𝑥 𝛼 ℎ 𝑡 − 𝛼 𝑑𝛼∞
∞
o sea
𝑚𝑦 𝑡 = 𝑚𝑥(𝑡) ∗ ℎ(𝑡)
considerando que 𝑥(𝑡) es E.S.A. y consecuentemente 𝑚𝑥 𝑡 = 𝜂𝑥, se tiene
𝑚𝑦 𝑡 = 𝜂𝑥 ℎ 𝑡 − 𝛼 𝑑𝛼∞
∞
= 𝜂𝑥 ℎ 𝛽 𝑑𝛽 = 𝜂𝑥𝐻 0 = 𝜂𝑦
∞
−∞
Observar: la media de 𝑦(𝑡) es constante. Y si el sistema lineal es estable la integral es finita y consecuentemente 𝜂𝑦 < +∞ fra
lbe.co
m
Función autocorrelación de 𝑦(𝑡)
𝑅𝑦 𝑡1, 𝑡2 = 𝐸 𝑦 𝑡1 𝑦 𝑡2
= 𝐸 𝑥 𝛼 𝑥 𝛽 ℎ 𝑡1 − 𝛼 ℎ 𝑡2 − 𝛽 𝑑𝛼𝑑𝛽∞
−∞
∞
−∞
o
𝑅𝑦 𝑡1, 𝑡2 = 𝐸 𝑦 𝑡1 𝑦 𝑡2
= 𝑅𝑥(𝛼, 𝛽)ℎ 𝑡1 − 𝛼 ℎ 𝑡2 − 𝛽 𝑑𝛼𝑑𝛽∞
−∞
∞
−∞
considerando que 𝑥(𝑡) es E.S.A., se obtiene
𝑅𝑦 𝑡1, 𝑡2 = 𝐸 𝑦 𝑡1 𝑦 𝑡2
= 𝑅𝑥(𝛼 − 𝛽)ℎ 𝑡1 − 𝛼 ℎ 𝑡2 − 𝛽 𝑑𝛼𝑑𝛽∞
−∞
∞
−∞
esta expresión puede simplificarse al considerar un cambio de las variables de integración dados por fra
lbe.co
m
Función autocorrelación de 𝑦(𝑡)
𝜆 = 𝑡1 − 𝛼𝛾 = 𝑡2 − 𝛽
se tiene entonces, con 𝜏 = 𝑡1 − 𝑡2
𝑅𝑥 𝑡1, 𝑡2 = 𝐸 𝑦 𝑡1 𝑦 𝑡2
= 𝑅𝑥(𝑡1 − 𝑡2 − 𝜆∞
−∞
∞
−∞
+ 𝛾)ℎ 𝜆 ℎ 𝛾 𝑑𝜆𝑑𝛾 = 𝑅𝑦(𝜏)
𝑦(𝑡) es E.S.A.
Luego de algunas manipulaciones algebraicas, es posible simplificar la expresión
𝑅𝑦 𝜏 = ℎ −𝜏 ∗ ℎ 𝜏 ∗ 𝑅𝑥(𝜏)
fralbe
.com
Función correlación cruzada
La función correlación cruzada 𝑅𝑥𝑦 𝑡1, 𝑡2 de los
P.E. 𝑥(𝑡) y 𝑦(𝑡) pueden ser obtenidas considerando
𝑅𝑥𝑦 𝑡1, 𝑡2 = 𝐸 𝑥 𝑡1 𝑦 𝑡2
= 𝐸 𝑥 𝑡1 𝑥 𝛼 ℎ 𝑡2 − 𝛼 𝑑𝛼∞
−∞
haciendo 𝛽 = 𝑡2 − 𝛼
𝑅𝑥𝑦 𝑡1, 𝑡2 = 𝑅𝑥 𝑡1, 𝑡2 − 𝛽 ℎ 𝛽 𝑑𝛽∞
−∞
fra
lbe.co
m
Función correlación cruzada
como 𝑥(𝑡) es E.S.A.
𝑅𝑥𝑦 𝑡1, 𝑡2 = 𝑅𝑥 𝑡2 − 𝛽 − 𝑡1 ℎ 𝛽 𝑑𝛽∞
−∞
= 𝑅𝑥𝑦 𝜏 ; 𝜏 = 𝑡2 − 𝑡1
o en notación más simple
𝑅𝑥𝑦 𝜏 = 𝑅𝑥 𝜏 ∗ ℎ(𝜏)
fralbe
.com
Densidad Espectral de Potencia
• Se concluye, que en un sistema lineal invariante
en el tiempo y estable, si la entrada es un
P.E.E.S.A. , entonces los P.E. de entrada y de salida
del sistema lineal son conjuntamente E.S.A.
• La densidad espectral de potencia del P.E. 𝑦(𝑡) puede ser obtenida aplicando la transformada de
Fourier a ambos lados de la función
autocorrelación.
𝑆𝑦 𝑓 = 𝐻 𝑓 ∗𝐻 𝑓 𝑆𝑥(𝑓)
fra
lbe.co
m
Densidad Espectral de Potencia
o
𝑆𝑦 𝑓 = 𝐻 𝑓 2𝑆𝑥(𝑓)
De manera análoga, la densidad espectral
cruzada de los P.E. 𝑥(𝑡) y 𝑦(𝑡) puede ser
obtenida aplicando la transformada de Fourier a
ambos lados de la función correlación cruzada
𝑆𝑥𝑦 𝑓 = 𝐻 𝑓 𝑆𝑥(𝑓) fralbe
.com
Ejemplo Considere un P.E. de ruido blanco 𝑥(𝑡) con media nula y densidad espectral de potencia dada por
𝑆𝑥 𝑓 =𝑁0
2
se tiene en este caso
𝑅𝑥 𝜏 = ℱ−1 𝑆𝑥 𝑓 =𝑁0
2𝛿(𝜏)
Determinar la media, la función autocorrelación y la potencia media del P.E. 𝑦(𝑡) obtenida por el paso del proceso estocástico 𝑥(𝑡) a través del filtro RC de la figura.
fralbe
.com
PROCESOS ESTOCÁSTICOS GAUSSIANOS
fralbe
.com
P.E.’s Gaussianos
fralbe
.com
REFERENCIAS
fralbe
.com
Referencias
• ALBUQUERQUE, J. P. A.; FORTES, J. M.; FINAMORE, W. A.
(1993) Modelos Probabilísticos em Engenharia Elétrica;
Rio de Janeiro: Publicação CETUC.
• Marco Grivet, Procesos Estocásticos I, Centro de Estudios
em Telecomunicaciones – CETUC, 2006. [Slide]
• Universidad de Cantabria, Teoría de la Probabilidad, Teoría
de la Comunicación, Curso 2007-2008. [Slide]
• ALBERTO LEON-GARCIA, Probability, Statistics, and
Random Processes For Electrical
Engineering, Third Edition, Pearson – Prentice Hall,
University of Toronto, 2008.
fra
lbe.co
m
Esta obra esta bajo licencia Creative Commons
de Reconocimiento, No Comercial y Sin Obras
Derivadas, Ecuador 3.0
www.creativecommons.org
www.fralbe.com fralbe
.com