procesos-aleatorios

36
Procesos Aleatorios Dr. Boris Ramos

Upload: davidarechaga

Post on 03-Oct-2015

1 views

Category:

Documents


0 download

DESCRIPTION

Estocástica

TRANSCRIPT

  • Procesos Aleatorios

    Dr. Boris Ramos

  • Procesos Aleatorios

    Existen 2 tipos de modelos matemticos acerca de fenmenos fsicos:

    Deterministicos Estocsticos

    Un modelo es Deterministico si no hay incertidumbre acerca de su comportamiento dependiente del tiempo en cualquier instante.

    Un modelo es Estocstico puede ser descrito en trminos probabilsticos, es la probabilidad de que un valor futuro se encuentre entre 2 limites especficos.

  • Procesos Aleatorios

    No es posible predecir el valor exacto de una seal aleatoria. Sin embargo, es posible describirla en parmetros estadsticos como:

    Potencia Promedio

    Densidad Espectral de Potencia.

    PROPIEDADES DE LOS PROCESOS ALEATORIOS

    1. Son funciones del tiempo

    2. No es posible definir con anticipacin y exactitud las formas de la seal (experimentales) que se observaran en el futuro.

  • Procesos Aleatorios

  • Procesos Aleatorios

    El espacio muestral compuesto por

    varias funciones (aleatorias) de

    tiempo se denomina PROCESO

    ALEATORIO O ESTOCSTICO.

  • Procesos Aleatorios CONJUNTO DE FUNCIONES DE LA

    MUESTRA

  • Procesos Aleatorios

    A cada punto S del espacio muestral se le asigna una funcin de tiempo de acuerdo con la regla

    Para un punto fijo Sj de la muestra, la funcin de tiempo t recibe el nombre de funcin de la muestra y se denota como:

    Una variable aleatoria se constituye por el conjunto de nmeros que se observan para un tiempo fijo tk (dentro del intervalo de informacin):

    }{}{ , ,....,, ,, ,...., , 221121 nknkkknkk StXStXStXtXtXtX

    TtTstX - ;,

    jj stXtx ,

  • Procesos Aleatorios

    El grupo o familia de variables aleatorias {X(t, s)} constituyen un proceso aleatorio. Tambin se puede suprimir la S y simplemente utilizar X(t) para denotar un proceso aleatorio.

    DIFERENCIAS ENTRE PROCESOS Y VARIABLES ALEATORIAS

    Para una variable aleatoria el resultado de un experimento aleatorio se transforma en un numero.

    El resultado de un proceso aleatorio se transforma en una forma de onda que es una funcin del tiempo.

  • Procesos Aleatorios Procesos Estacionarios

    Dr. Boris Ramos

  • Procesos Estacionarios

    Si un proceso aleatorio es dividido en varios intervalos de tiempo, y las distintas secciones de este exhiben en esencia las mismas propiedades estadsticas, este ser ESTACIONARIO.

    Un proceso aleatorio X(t) iniciado en t=- es estrictamente estacionario, si las Funciones de Distribucin Conjuntas de cualquier conjunto de variables aleatorias obtenidas al observar el proceso aleatorio X(t), es invariante con respecto a la ubicacin del origen t=0. Esto es:

    para todo , k, y todas la elecciones de los tiempos de observacin t1,.,tk

    ktkXtXktkXtX XXFXXF ,.....,..... 1......11......1

  • Procesos Estacionarios

    Se puede afirmar que 2 procesos aleatorios X(t) y Y(t) son en conjunto estrictamente estacionarios, si las Funciones de Distribucin Conjuntas de los 2 conjuntos de variables aleatorias X(t1),.X(tk) y Y(t1),..Y(tj), son invariables con respecto al origen t=0, para todas las elecciones de los tiempos de observacin t1,..tk y t1,.tj

  • Procesos Estacionarios

    Propiedades de los Procesos Estacionarios

    Dado:

    Para k=1, tenemos que la Funcin Distribucin de Primer Orden de un Proceso Aleatorio Estacionario es independiente del tiempo:

    Para k=2 y =-t1, tenemos que la Funcin Distribucin de Segundo Orden de un Proceso Aleatorio Estacionario solo depende de la diferencia de tiempo entre la observacin y no de los particulares.

    ktkXtXktkXtX XXFXXF ,.....,..... 1.....11.....1

    y t todopara ;XFXF tXtX

    2121,021, y t t todopara ;,, 1221 XXFXXF ttXXtXtX

  • Procesos Estacionarios

    PROBABILIDAD DE UN EVENTO CONJUNTO

  • Procesos Estacionarios

    CONCEPTO DE ESTACIONARIEDAD

  • MEDIA, CORRELACION Y COVARIANZA

    Considere un proceso aleatorio estrictamente estacionario.

    La media del proceso X(t) se define como el valor esperado de la variable aleatoria obtenida al observar el proceso en algn tiempo t.

    Hemos visto que FX(t)(x)=FX(x) no es funcin del tiempo por lo

    que X(t)(x) tambin es independiente del tiempo. Entonces la media de un proceso aleatorio estrictamente estacionario es una constante.

    dxxxf

    tX

    tXtX

    tX

    tXtX todopara ;

  • MEDIA, CORRELACION Y COVARIANZA

    La funcin auto correlacin del proceso X(t) es el valor esperado del producto de 2 variables aleatorias X (t1) y X (t2), obtenido al observar el proceso X (t) en los tiempos t1 y t2. De la siguiente manera:

    Donde X(t1), X(t2)(x1, x2) es la funcin densidad de

    probabilidad de segundo orden del proceso. Este

    depende de la diferencia de los tiempos t2 - t1

    2121,2121

    2121

    ),(,

    ,

    21dxdxxxxxfxxttR

    tXtXttR

    ttX

    X

  • MEDIA, CORRELACION Y COVARIANZA

    La funcin auto correlacin se puede reescribir de la siguiente manera:

    La funcin auto covarianza de un proceso estrictamente estacionario se define:

    Los procesos aleatorios que satisfacen las ecuaciones (X, Rx(t2-t1), Cx(t2-t1)) se conocen como procesos dbilmente estacionarios o procesos estacionarios

    211221 y todopara ;, ttttRttR XX

    212

    2121,

    XX

    XXX

    ttR

    tXtXttC

  • FUNCIN DE AUTO CORRELACIN

  • FUNCIN DE AUTO CORRELACIN

  • FUNCIN DE CORRELACIN CRUZADA

  • Transmisin de un Proceso Aleatorio a

    travs de un Filtro Lineal Invariante en el

    Tiempo

    111 dtXhtY

    Se puede derivar lo siguiente:

    0HtYt

    x

    Y

  • Transmisin de un Proceso Aleatorio a

    travs de un Filtro Lineal Invariante en el

    Tiempo La funcin de auto correlacin del proceso aleatorio a

    la salida:

    Cuando la entrada X(t) es un proceso estacionario, el

    sistema es estable, y el valor cuadrtico medio E[X2(t)]

    es finito se tiene:

    Puesto que RY(0) = E[Y2(t)] tenemos:

    uYtYutRY ,

    212121 ddRhhR XY

    2112212 ddRhhtY X

  • Densidad Espectral de

    Potencia

    La Densidad Espectral de Potencia o Espectro de Potencia del Proceso Estacionario X(t) se define como:

    El valor cuadrtico medio del proceso de salida es:

    dfjRfHdftY

    ddRhhtY

    X

    X

    2exp22

    211221

    2

    dfjRfS XX

    2exp

    dffSfHtY X22

  • Densidad Espectral de Potencia

    de Un Filtro de Banda Angosta

    Si f es mucho mas pequeo que fc y Sx(fc) (densidad espectral de potencia evaluada en f=fc) es una funcin

    continua tenemos:

    cX fSftY 22

  • Relacin Entre Densidades Espectrales de

    Potencia de Procesos Aleatorios de Entrada

    y Salida

    Al hacer - 1 + 2 = o y = o + 1 - 2

    Lo que nos da: La densidad espectral de potencia del proceso de

    salida es igual a la densidad espectral de potencia del proceso de entrada X(t) multiplicado por la magnitud de la respuesta en frecuencia del filtro al cuadrado.

    dddfjRhh

    dfjRfS

    X

    YY

    212121 2exp

    2exp

    fSfHfHfS XY *

    fSfHfS XY2

  • Procesos Aleatorios Procesos Gaussiano (PG)

    Dr. Boris Ramos

  • Proceso Gaussiano (PG)

    Definamos a Y como una funcional lineal del proceso

    aleatorio X(t) de la sgte. manera:

    Donde g(t) es una funcin que sirve para ponderar el

    proceso aleatorio X(t)

    El proceso X(t) es Gaussiano si cada funcional lineal de

    X(t) (esto es Y) es una variable aleatoria Gaussiana.

    Decimos que la variable aleatoria Y tiene una

    distribucin Gaussiana, si su funcin densidad esta

    definida como:

    T

    dttXtgY0

    2

    2

    2exp

    2

    1

    Y

    Y

    Y

    Y

    yyf

  • Proceso Gaussiano (PG)

  • Proceso Gaussiano (PG)

  • Proceso Gaussiano (PG)

    Propiedad #1

    Si se aplica un proceso Gaussiano

    X(t) a un filtro lineal e invariante en el

    tiempo, entonces el proceso aleatorio

    Y(t) que se desarrolla a la salida

    tambin es Gaussiano.

  • Proceso Gaussiano (PG)

    Propiedad #2 Consideremos el conjunto de variables aleatorias X(t1), X(t2),

    X(t3), ., X(tn), obtenido al observar un proceso aleatorio X(t) en los tiempos t1, t2, t3, , tn.

    Si el proceso X(t) es Gaussiano, entonces ese conjunto de variables aleatorias es Gaussiano conjuntamente para toda n, entonces su funcin densidad de probabilidad conjunta ensima est determinada al especificar completamente el conjunto de medias:

    Y el conjunto de funciones de covarianza:

    n ...., 2, 1,i ; itX tXi

    n ...., 2, 1,ik, ; tiXitiXkikX tXtXttC

  • Proceso Gaussiano (PG)

    Propiedad #3

    Si un proceso Gaussiano es

    estacionario, entonces el proceso

    tambin es estrictamente estacionario.

  • Proceso Gaussiano (PG)

    Propiedad #4

    Si las variables aleatorias obtenidas al observar un proceso Gaussiano X(t) en los tiempos t1, t2, ., tn, no estn correlacionadas, esto es:

    Entonces las variables aleatorias son independientes estadsticamente.

    ki para

    ,0

    tiXitkXkik tXtXtXtXCov

  • Proceso Gaussiano (PG)

    Propiedad #4

    Entonces las funciones densidad de

    probabilidad de las variables aleatorias

    individuales del conjunto, pueden

    expresarse como:

    2

    2

    21 2

    exp2

    1

    i

    xii

    i

    ixi

    xxf