You are on page 1of 12

Procesos Estocsticos

Procesos Estocsticos
Referencias:

1 IIntroduccin
t d
i y conceptos
t b
bsicos
i

Captulo 8 de Introduccin a los Sistemas de Comunicacin. Stremler, C.G. (1993)


Apuntes de la Universidad de Vigo (pgina Web)
Captulo 6 de Principios de Probabilidad, variables aleatorias y seales aleatorias

2 Estadsticos de un proceso estocstico

Al final del tema el alumno ser capaz de:


Entender el concepto de proceso estocstico

3 Estacionariedad de un proceso estocstico

Interpretar y calcular los estadsticos de los procesos estocsticos:


esperanza, autocovarianza
t
i
y autocorrelacin
t
l i

4 Ergodicidad de un proceso estocstico

Interpretar y comprobar la estacionariedad de los procesos


estocsticos
5 Ejemplos

Interpretar y determinar si un proceso es ergdico

1
Estadstica. Profesora Mara Durbn

Saber calcular probabilidades en procesos estocsticos formados a


travs de distribuciones estudiadas en los temas anteriores

Procesos Estocsticos

1 Introduccin y conceptos bsicos

1 IIntroduccin
t d
i y conceptos
t b
bsicos
i

En los temas anteriores hemos estudiado p


procesos q
que no varan con el
tiempo o slo dependen de una variable.

2 Estadsticos de un proceso estocstico

Por ejemplo,
ejemplo estudiamos el nmero de llamadas que se producen en una
central telefnica.

3 Estacionariedad de un proceso estocstico

Si definimos X como el nmero de llamadas que se reciben en una hora


hora,
podemos decir que X sigue una distribucin de Poisson de media .
Pero, qu pasa si queremos definir ahora otra variable
que corresponda al nmero de llamadas recibidas en la misma centralita
durante todo el da de trabajo
j ((8 horas)?
)

4 Ergodicidad de un proceso estocstico


5 Ejemplos

Podramos definir una nueva X, variable que seguira una distribucin de


Poisson definida como nmero de llamadas recibidas en la centralita
Poisson,
durante 8 horas, con una nueva que sera igual a 8.
3

Estadstica. Profesora Mara Durbn

Estadstica. Profesora Mara Durbn

4
Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

Las representaciones seran (si =2, por ejemplo):

Definicin
As, para cada tiempo que fijemos, tendramos una variable aleatoria.
Se define entonces una familia de variables aleatorias que dependen
de una variable determinista, (en este caso el tiempo).

=2
=16

PROCESO ESTOCSTICO
Se define el proceso estocstico X(t) como el nmero de llamadas
que se producen
d
en lla centralita
t lit en ell ti
tiempo (0
(0,t).
t)
As, para cada valor de t que se elija, tendremos una variable aleatoria
distinta, con forma similar pero distinto valor
distinta
valor.

En los temas anteriores definimos X(x), en este caso X().


Ahora debemos representar X(x
X(x,t),
t) en este caso
caso, X(
X(,t).
t)
En general, diremos X(t) igual que antes llambamos X y no X().

Estadstica. Profesora Mara Durbn

Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

Ejemplos

Proceso Estocstico

En los sistemas de comunicaciones aparecen seales aleatorias como:

Es una funcin de dos variables, t y x, una determinista y otra aleatoria

La seal de informacin,
informacin tiene pulsos de voz de duracin
aleatoria y posicin aleatoria.
Una interferencia en el canal que es debida a la presencia
cercana de otros sistemas de comunicaciones.
comunicaciones
El ruido en un receptor es debido al ruido trmico en
resistencias y componentes del receptor.

a) X(x
X(x,t)
t) es una familia de funciones temporales
temporales.
b) Si se fija x, tenemos una funcin temporal X(t) llamada realizacin
del proceso.
proceso
c) Si se fija t, tenemos una Variable Aleatoria.

As, la seal recibida va ser una seal con varias componentes aleatorias.
Aunque no es posible describir este tipo de seales con una expresin
matemtica se pueden utilizar sus propiedades estadsticas
matemtica,

d) Si se fijan t y x, tenemos un nmero real o complejo (muy normal


en teora de la seal).

Son seales aleatorias en el sentido de que antes de realizar el


experimento
i
t no es posible
ibl describir
d
ibi su forma
f
exacta
t
7
Estadstica. Profesora Mara Durbn

8
Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

Espacio de tiempos, T

Ejemplo 1
Distintas realizaciones del proceso X(t) = Ncos((2/24)t+) siendo N y
VA con distribuciones P(10) y U(0,2), respectivamente.

Conjunto de los posibles valores de tiempo que puede tomar el proceso


estocstico.
Espacio de estados, S
Conjunto de los posibles valores del proceso estocstico (resultado
numrico, real o complejo).

Discreto

Proceso discreto en el tiempo.

Continuo

Proceso continuo en el tiempo.

Discreto

Proceso discreto en el espacio de estados.

Continuo

Proceso continuo en el espacio de estados.

Estadstica. Profesora Mara Durbn

10
Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos


Ejemplo 2

En general:

Caracterice la continuidad del nmero de llamadas que llegan a la


centralita.
p p
porque
q p
puede tomar cualquier
q
valor real:
Es continuo en el tiempo,
t =1 hora
t =1,67 horas
t = 8 horas
t = 35 horas, etc.
Es discreto en el espacio de estados
X( t=t
X(,
t t0) es siempre
i
un nmero

entero
t
Ejemplo 3
El tiempo que un ordenador tarda en ejecutar una tarea es una VA Y~
Exp(). Para hacer un estudio de la evolucin temporal del sistema se
construye el proceso estocstico X(t) definido como el tiempo que resta
para
pa
a completar
co p eta la
a ta
tarea
ea sab
sabiendo
e do que ya ha
a co
consumido
su do t minutos.
utos
11
Estadstica. Profesora Mara Durbn

Dibuje una realizacin del proceso y especifique los espacios T y S.


Estadstica. Profesora Mara Durbn

12

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos


Funcin de distribucin

Dado un proceso estocstico cualquiera, si fijamos un tiempo t=t0


tendremos una V.A. X(t0) que tendr una funcin de distribucin
asociada.
asociada
Si, para el mismo proceso, fijamos otro instante t=t1 tendremos
otra VA, en principio, distinta a la anterior, con una funcin de
distribucin diferente.

=1/36

Se define la funcin de distribucin de primer orden del


proceso X(t) como

FX ( x, t ) = P( X (t ) x)
0

20

40

60

tiempo

13
Estadstica. Profesora Mara Durbn

Y, por tanto, se tiene tambin la


funcin de densidad de primer
orden derivando la funcin de
distribucin respecto a x

f ( x, t ) =

dFX ( x, t )
dx
14

Estadstica. Profesora Mara Durbn

1 Introduccin y conceptos bsicos

1 Introduccin y conceptos bsicos

Funcin de distribucin de segundo orden

Aplicacin de la funcin de distribucin y funcin de densidad


Realizacin de un proceso continuo en el tiempo con funcin de
densidad de primer orden gaussiana.

De igual modo:
Se de
define
e la
a funcin
u c de d
distribucin
st buc de segu
segundo
do o
orden
de
del proceso X(t) como

F ( x1 , x 2 , t1 , t 2 ) = P ( X (t1 ) x1 X (t 2 ) x 2 )
Se puede obtener la funcin de densidad de segundo
orden derivando la funcin de distribucin parcialmente
respecto a x1 y a x2

2 F ( x1 , x2 , t1 , t 2 )
f ( x1 , x2 , t1 , t 2 ) =
x1x2
15
Estadstica. Profesora Mara Durbn

16
Estadstica. Profesora Mara Durbn

Procesos Estocsticos

2 Estadsticos de un proceso estocstico


Media

1 Introduccin y conceptos bsicos

La media de un proceso estocstico corresponde a:


En el caso real: E [ X (t )] = x (t ) =

2 Estadsticos de un proceso estocstico

x f ( x, t ) dx

En el caso complejo:

3 Estacionariedad de un proceso estocstico

E[Z (t )] = E[ X (t )] + j E[Y (t )]

Se puede entender grficamente como el centro de gravedad de la


funcin densidad de probabilidad

4 Ergodicidad de un proceso estocstico

Caracterstica:
Para cada t, se tiene una VA distinta una media distinta

5 Ejemplos

La media es,
es en general
general, una funcin dependiente del tiempo
17
Estadstica. Profesora Mara Durbn

18
Estadstica. Profesora Mara Durbn

2 Estadsticos de un proceso estocstico

2 Estadsticos de un proceso estocstico

Ejemplo 4

Ejercicio 1
Un transmisor enva pulsos rectangulares de altura y posicin
aleatorias. Cada pulso transmitido corresponde a una realizacin del
proceso estocstico
p

Considere la oscilacin aleatoria X(t) = cos (2ft + B), donde f es una


constante real, es una variable aleatoria uniforme en [ /2, /2], y B es una
variable aleatoria discreta, independiente de , tal que P(B=0)=p y P(B=1)=q.
Defina y calcule la esperanza de la variable aleatoria X(t).

X(t) = Vh(t T), t > 0,

E [ X (t ) ] = E [ cos(2
( fft + B ) ]

Donde la altura V del pulso es una variable aleatoria uniforme en [0,v0],


y T es una variable aleatoria exponencial de parmetro ,
independiente de V, y la funcin determinista h(t) es

= E [ cos(2 ft + B ) | B = 0] Pr( B = 0) + E [ cos(2 ft + B ) | B = 1] Pr( B = 1)


= p cos(2
(2 ft) + qE
E [ cos(2
(2 ft + ) ]

h(t)=

Para cada t, cos (2ft+) es una variable aleatoria funcin de . Podemos


escribir:

E [ cos(2 ft + ) ] =

/2

/ 2

1
2
cos(2 ft + ) = cos(2 ft )

0, en el resto.

Calcule la funcin valor medio del proceso estocstico X(t)

x (t ) = p + q cos ( 2 f t )

Estadstica. Profesora Mara Durbn

1, 0<t<1,

19

20
Estadstica. Profesora Mara Durbn

2 Estadsticos de un proceso estocstico

2 Estadsticos de un proceso estocstico

Varianza

Correlacin
O esperanza del producto de Variables Aleatorias como funcin de dos
variables temporales tk y ti dada por:

La media de un proceso estocstico corresponde a:


En el caso real: Var
Var[[XX((tt))]]==xx((tt))==
22

Recordamos:

+
+

((xx ((tt)))) ff((xx,,tt))dxdx


22

R X (t1 , t 2 ) = E[X (t1 )X (t 2 )] =

xx

V [ X ] = E X 2 ( E [ X ])
Var

x1 x 2 f ( x1 , x 2 ; t1 , t 2 ) d x1 d x 2

En el caso de que t1 = t2 se tiene el valor cuadrtico medio del


proceso estocstico que es una funcin de una variable temporal:

x2 (t ) = E [X (t ) 2 ] E[X (t )]2 = E [X (t ) 2 ] [ x (t )]2

R X (t , t ) = E ( X (t )) = x 2 f ( x; t ) d x
2

En el caso de que la media del proceso estocstico sea siempre cero, la


varianza y el valor cuadrtico medio coincidiran.
Potencia del proceso
21
Estadstica. Profesora Mara Durbn

2 Estadsticos de un proceso estocstico

2 Estadsticos de un proceso estocstico

Covarianza

Matriz de Correlacin de dos procesos


Dados dos procesos X(t) e Y(t). Todas las propiedades de correlacin se
pueden colocar de forma matricial segn una matriz de funciones de dos
dimensiones temporales.
temporales

Covarianza del proceso X(t) como una funcin de dos variables


temporales tk y ti dada por:

C X (t1 , t 2 ) = E [( X (t1 ) x (t1 ) ) ( X (t 2 ) x (t 2 ) )] =

R (t , u ) RXY (t , u )
R (t , u ) = X

RYX (t , u ) RY (t , u )

+ +

(x X (t1 )) ( y X (t2 )) f X (t1 ), X (t2 ) ( x, y) dxdy

E ell caso d
En
de que tk = ti se tiene
ti
lla varianza
i
d l proceso estocstico.
del
t ti

E X (t ) 2 E [ X (t )Y (t ) ]

R (t , t ) =
E [Y (t ) X (t ) ]
Y (t ) 2
E

C x (t1 , t 2 ) = RX (t1 , t 2 ) x (t1 ) x (t 2 )


Estadstica. Profesora Mara Durbn

RXY (t , u ) = E [ X (t )Y (u ) ]

En el caso de que t=u la matriz de correlacin tiene la expresin siguiente,


siendo una matriz de funciones de una variable temporal y simtrica.

De las definiciones de correlacin y covarianza, se puede obtener:

En el caso de que la media del proceso estocstico sea siempre cero,


la funcin de correlacin y la de covarianza coincidiran.

22
Estadstica. Profesora Mara Durbn

23

24
Estadstica. Profesora Mara Durbn

2 Estadsticos de un proceso estocstico

2 Estadsticos de un proceso estocstico

Ejemplo 4

Independencia

Si X(t) representa un proceso estocstico de media x(t) = 3 y funcin de


correlacin RX(t1, t2) = 9 + 4exp{0,2|t1t2|}. Calcule la esperanza, la
varianza y la covarianza de las variables aleatorias Z = X(5) y T = X(8).
X(8)
1) Esperanzas

E(Z) = E(X(5)) = x(5) = 3


E(T ) = E(X(8)) = x(8) = 3

2) Varianzas

E(Z2) = E(X(5)X(5)) = RX(5,5) = 13


E(T2) = E(X(8)
E(X(8)X(8))
X(8)) = RX(8,8)
(8 8) = 13
2
2
Var(Z) = E(Z ) (E(Z)) = 4
Var(T) = E(T2) (E(T))2 = 4

3) Covarianzas

Dos procesos X(t) e Y(t) son independientes si su funcin de densidad


conjunta de cualquier orden se puede descomponer como el producto de
dos funciones de densidad marginales,
marginales una conteniendo trminos slo
dependientes del proceso X(t) y la otra dependientes de Y(t).

E[X (t ) Y (t )] = E[X (t )] E[Y (t )]


Incorrelacin
Dos procesos X(t) e Y(t) son incorrelados si CXY(t1, t2) = 0 para cualquier
valor de t1 y t2.

RXY (t1 , t 2 ) = X (t1 ) Y (t 2 )

Ortogonalidad

E(ZT) = E(X(5)X(8)) = RX(5, 8) = 9+4e0.6


Cov(Z,T)
( , ) = E(ZT)
( ) E(Z)E(T
( ) ( ) = 4e0.6

O tambin como, Cov (Z,T) = CX(5, 8) = RX(5, 8) x(5)x(8) = 4e0.6

Dos procesos X(t) e Y(t) son ortogonales si RXY(t1, t2)=0 para cualquier valor
de t1 y t2.

C XY (t1 , t 2 ) = X (t1 ) Y (t 2 )

25

Estadstica. Profesora Mara Durbn

26
Estadstica. Profesora Mara Durbn

Procesos Estocsticos

2 Estadsticos de un proceso estocstico


Ejercicio

1 Introduccin y conceptos bsicos

Calcule la funcin de correlacin del proceso X(t) = Acos (2ft+),


donde A y son variables aleatorias independientes, siendo una
variable aleatoria uniforme en [
[ ,
],
] y A exponencial de parmetro .

2 Estadsticos de un proceso estocstico

Ejercicio
El tiempo que un ordenador tarda en ejecutar una tarea es una v.a. Y ~
Exp(). Para hacer un estudio de la evolucin temporal del sistema se
construye el proceso estocstico X(t) definido como el tiempo que resta
para completar la tarea sabiendo que ya ha consumido t minutos.

3 Estacionariedad de un proceso estocstico


4 Ergodicidad de un proceso estocstico

a) Determine E[X(t)],
E[X(t)] Var[X(t)],
Var[X(t)] E[X(t)2].
]
b) Indique si cada una de las funciones del aparatado anterior
depende del tiempo o no e interprete el resultado.

5 Ejemplos

27
Estadstica. Profesora Mara Durbn

28
Estadstica. Profesora Mara Durbn

3 Estacionariedad de un proceso estocstico

3 Estacionariedad de un proceso estocstico


Ejemplo 5

Cuando utilizamos un modelo estocstico,, generalmente


g
vamos a estar
interesados en predecir el comportamiento del proceso en el futuro y para
ello nos basamos en la historia del proceso. Estas predicciones no sern
correctas a menos que las condiciones futuras sean anlogas a las
pasadas

El nmero de llamadas que llegan a una centralita hasta el instante t


25

Un proceso estocstico es estacionario si sus propiedades estadsticas


son invariantes ante una traslacin del tiempo

x2
x1

20

El nmero medio de
llamadas no es
constante, depende
d t
de

15

10

El mecanismo fsico que genera el experimento no cambia con el tiempo

No estacionario

29
Estadstica. Profesora Mara Durbn

9 10 11 12 13 14 15 16 17 18 19 20
tiempo

30

Estadstica. Profesora Mara Durbn

3 Estacionariedad de un proceso estocstico

3 Estacionariedad de un proceso estocstico

Ejemplo 6

Estacionariedad (en sentido estricto o fuerte)

Distintas realizaciones del proceso X(t) = Ncos((2/24)t+) siendo N y


VA con distribuciones P(10) y U(0,2) respectivamente.

Un proceso X(t) es estacionario en sentido estricto si la funcin


de densidad de densidad conjunta, de cualesquiera de sus n v.a.
medidas en instantes t1,,ttn, permanece constante cuando
transcurre cualquier intervalo de tiempo

f ( x1 ,....xn ; t1 ,..., tn ) = f ( x1 ,....xn ; t1 + ,..., tn + )


Esta es una condicin muy fuerte ya que implicara estudiar
infinitas funciones de densidad conjunta

La media del proceso se mantiene constante


Estadstica. Profesora Mara Durbn

puede ser
estacionario

Estacionariedad en sentido dbil o amplio


p
31

32
Estadstica. Profesora Mara Durbn

3 Estacionariedad de un proceso estocstico

3 Estacionariedad de un proceso estocstico

Estacionariedad (en sentido dbil)

Estacionariedad (en sentido dbil)

Un proceso X(t) es dbilmente estacionario si:

Un proceso X(t) es dbilmente estacionario si:

E [ X (t ) ] =

E [ X (t ) ] =

((independiente
p
del tiempo)
p )

RX (t1 , t2 ) = RX ( ) = t2 t1 (depende solo de la distancia

((independiente
p
del tiempo)
p )

RX (t1 , t2 ) = RX ( ) = t2 t1 (depende solo de la distancia

entre los tiempos considerados)

entre los tiempos considerados)

Propiedades:

Propiedades:
La potencia E X (t ) no depende de t
ya que E X (t ) 2 = RX (0)
2

RX ( ) = RX ( )

Estacionario en sentido estricto

dbil

Si el proceso es gaussiano: estricto = dbil

ya
aq
que
e

RX ( ) = E [ X (t ) X (t ) ] = E [ X (t ) X (t ) ] = RX ( ) 33

34
Estadstica. Profesora Mara Durbn

Estadstica. Profesora Mara Durbn

3 Estacionariedad de un proceso estocstico

3 Estacionariedad de un proceso estocstico

Ejemplo 7

Ejemplo 7
Distintas realizaciones del proceso X(t) = Acos((2/24)t+) siendo A
constante y una VA con distribucin U(-, ).
Es X(t) dbilmente estacionario?

10

Distintas realizaciones del proceso X(t) = Acos((2/24)t+) siendo A


constante y una VA con distribucin U(-, ).
Es X(t) dbilmente estacionario?

E [ X (t ) ] = AE [ cos((2 / 24)t + ) ] = A cos((2 / 24)t + )

1
d = 0
2

R X (t , t + ) = E [X (t )X (t + )] = A E [cos((2 / 24 )t + ) cos((2 / 24 )(t + ) + )]


0

-5

Utilizando:

cos(( ) = cos(( ) cos(( ) m sen(( ))sen(( )

-10

2 cos(( ) cos(( ) = cos(( + ) + cos(( )


0

Estadstica. Profesora Mara Durbn

20

40
tiempo

60

35

36
Estadstica. Profesora Mara Durbn

3 Estacionariedad de un proceso estocstico

3 Estacionariedad de un proceso estocstico

Ejemplo 7

Ejercicio

Distintas realizaciones del proceso X(t) = Acos((2/24)t+) siendo A


constante y una VA con distribucin U(-, ).
Es X(t) dbilmente estacionario?
2 cos( ) cos( ) = cos( + ) + cos( )

E [ X (t ) ] = AE [ cos((2 / 24)t + ) ] = A cos((2 / 24)t + )

1
d = 0
2

R X (t , t + ) = E [X (t )X (t + )] = A E [cos((2 / 24)t + ) cos((2 / 24)(t + ) + )]


2

A2
E [cos((2 / 24)(2t + ) + 2 ) + cos((2 / 24 ) )]
2
A2
=
cos((2 / 24) )
2

Es dbilmente estacionario

Sea U una VA uniforme en [0,1], a partir de ella se construye el proceso


X(t)=exp(-Ut)
a) Para cada valor de t, determine el rango de X(t)
b) Calcule E[X(t)] y Rx(t1,t2)
c) Estudie la estacionariedad en sentido amplio (es decir
decir, en sentido
dbil)
Ejercicio
Si X e Y son VA normales,
l
iindependientes,
d
di t
con media
di 0 y varianza
i
1
1, se
define el proceso Z(t)=Xcos(2t)+Ysin(2t)
a) Determine la funcin de probabilidad conjunta de Z(t1) y Z(t2)
b) Calcule la media y la autocovarianza del proceso Z(t)
c) Estudie la estacionariedad en sentido dbil y estricto

37

Estadstica. Profesora Mara Durbn

38
Estadstica. Profesora Mara Durbn

Procesos Estocsticos

3 Ergodicidad de un proceso estocstico

1 Introduccin y conceptos bsicos

En muchas ocasiones, slo disponemos de una realizacin del proceso


(es decir, disponemos de una funcin temporal), en este caso, para
conocer el proceso calculamos sus promedios temporales.
temporales

2 Estadsticos de un proceso estocstico

Sea X(t) un proceso estocstico


La media temporal o valor medio en el tiempo se define como:

3 Estacionariedad de un proceso estocstico

M X =T lim
uuur

4 Ergodicidad de un proceso estocstico

1
2T

X (t )dt =T lim
uuur T

La autocorrelacin temporal se define como:

AX =T lim
uuur

5 Ejemplos

1
2T

X (t ) X (t + )dt

Ambas son VA yya que


q toman valores distintos p
para cada realizacin del
proceso.
39
Estadstica. Profesora Mara Durbn

40
Estadstica. Profesora Mara Durbn

3 Ergodicidad de un proceso estocstico

3 Ergodicidad de un proceso estocstico

Diremos que un proceso es ergdico si sus promedios estadsticos


coinciden con los temporales
slo necesitamos una realizacin
del proceso para conocer los promedios estadsticos

Ergodicidad en autocorrelacin : Sea RX ( ) = E [ X (t ) X (t + )]. Si


construimos el proceso Z (t ) = X (t ) X (t + ), entonces E [ Z (t )] = RX ( ) , por lo
tanto X (t ) es ergdico en autocorrelacin si Z (t ) es ergdico en media

Ergodicidad en media : Dado que la media temporal T no depende del


tiempo para que un proceso sea ergdico en media
tiempo,
media, es necesario que la
media del proceso X sea constante, esto se cumple si el proceso es
estacionario

Ejemplo 7
Se considera el proceso X(t)=a cos(wt)+b sin(wt)
sin(wt), donde a y b son dos VA
independientes uniformemente distribuidas en [-1,1], estudie la
ergodicidad en media y autocorrelacin.

Ejemplo 8
Sea A una VA N(0,1), definimos el proceso X(t)=A. Es ergdico en
media?
X = E [ A] = 0
No es ergdico
g
en media
1 T
T =
At = A 0

2T T

X = E [a ]cos(wt ) + E [b]sin (wt ) = 0 + 0 = 0


T =

41

Estadstica. Profesora Mara Durbn

a sin (wT )
(a cos(wt ) + b sin(wt ))dt = wT lim
T

1
RX ( ) = E [ X (t ) X (t + ) ] = cos( w )
3
1 T
X (t ) X (t + )t
T
2T Estadstica.
Profesora Mara Durbn

T = 0
Es ergdico en media

sin
i ( ) = sin
i ( ) cos( ) cos( )sin
i ( )
42

Procesos Estocsticos

3 Ergodicidad de un proceso estocstico

1 IIntroduccin
t d
i y conceptos
t b
bsicos
i

Ergodicidad en autocorrelacin : Sea RX ( ) = E [ X (t ) X (t + )]. Si


construimos el proceso Z (t ) = X (t ) X (t + ), entonces E [ Z (t )] = RX ( ) , por lo
tanto X (t ) es ergdico en autocorrelacin si Z (t ) es ergdico en media

2 Estadsticos de un proceso estocstico

Ejemplo 7
Sea considera el proceso X(t)=a cos(wt)+b sin(wt), donde a y b son dos
VA independientes uniformemente distribuidas en [-1,1], estudiar la
ergodicidad
di id d en media
di y autocorrelacin.
t
l i

3 Estacionariedad de un proceso estocstico


4 Ergodicidad de un proceso estocstico

X = E [a ]cos(wt ) + E [b]sin (wt ) = 0 + 0 = 0

1 T
(a cos(wt ) + b sin (wt ))dt = a sin (wT ) limT T = 0

T
2T
wT
1
RX ( ) = E [ X (t ) X (t + ) ] = cos(( w )
3
N es ergdico
No
di en
1 T
1 2
autocorrelacin
2
X (t ) X (t + )t = (a + b ) cos( w )
uuur
T lim
2T T Profesora Mara Durbn
2
Estadstica.

1
2T

T =

5 Ejemplos

43

44
Estadstica. Profesora Mara Durbn

5 Ejemplos

5 Ejemplos

Proceso de Poisson

Procesos Gaussianos

Es un proceso de tiempo continuo y estado discreto.


X(t)= nmero de sucesos en [0,t]
X(t) P(t)
X(t)~P(t)
X=t
CX(t1,t2)=min{t1,t2}

Diremos que un proceso es gaussiano, si cualquier coleccin de VA del


proceso tiene distribucin conjunta gaussiana
El proceso est totalmente descrito si conocemos su funcin media y su
autocovarianza (o auticorrelacin)

Ruido

Estacionariedad en sentido dbil = estacionariedad en sentido estricto


Un proceso es independiente
C(ti,tj)=0
Ej
Ejercicio.
i i Febrero
F b
2003
Sean X e Y dos VA independientes y normales con media 0 y varianza
1, se define el proceso gaussiano:
Z(t)=Xcos(2t)+Ysin(2t)
0
-1

x1

Ruido= seales indeseables que constituyen una interferencia en un


sistema
i t
de
d comunicaciones.
i
i
H
Hay d
dos ti
tipos d
de ruido:
id ruido
id externo
t
all
sistema (atmosfrico), ruido interno al sistema (fluctuaciones aleatorias
debidas a dispositivos). Generalmente se representan las interferencias
mediante un ruido blanco.
Ruido blanco: Un proceso es un ruido blanco si las variables X(t1), X(t2)
estn incorreladas p
para todo t.
Si las variables son gaussianas, incorreladas = independientes

46

-2

45
Estadstica. Profesora Mara Durbn

Estadstica. Profesora Mara Durbn

5 Ejemplos

-3

-2

-1

tiempo

5 Ejemplos

Procesos Gaussianos

Procesos Autorregresivos

Diremos que un proceso es gaussiano, si cualquier coleccin de VA del


proceso tiene distribucin conjunta gaussiana
El proceso est totalmente descrito si conocemos sufuncin media y su
autocovarianza (o auticorrelacin)

Un proceso autorregresivo de orden 1, AR(1), tiene la siguiente forma:

X (t ) = c + X (t 1) + t t ~ N (0, 2 )
E [X (t )] =

2
1 2

C X ( ) =

2
1 2

= 0 .7

-4

-2

Estacionariedad en sentido dbil = estacionariedad en sentido estricto


Un proceso es independiente
C(ti,tj)=0
Ej
Ejercicio.
i i Febrero
F b
2003
Sean X e Y dos VA independientes y normales con media 0 y varianza
1, se define el proceso gaussiano:
Z(t)=Xcos(2t)+Ysin(2t)

Var[X (t )] =

c
1

2 0

4 0

6 0

8 0

1 0 0

2 0

4 0

6 0

8 0

1 0 0

0 .5

-3

-2

-1

a)) Determine la funcin de p


probabilidad conjunta
j
de Z(t
( 1) y Z(t
( 2)).
b) Estudie la estacionariedad en sentido dbil y estricto.

47
Estadstica. Profesora Mara Durbn

48
Estadstica. Profesora Mara Durbn

You might also like