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
ALEATORIOS
DE
LOS
PROCESOS
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
X t , s ; - T t T
Para un punto fijo Sj de la muestra, la funcin
de tiempo t recibe el nombre de funcin de la
muestra y se denota
x t como:
X t, s
j
Una variable aleatoria se constituye por el
conjunto de nmeros que se observan para un
tiempo fijo tk (dentro del intervalo de
{informacin):
X1 tk , X 2 tk ,...., X n tk } {X1 tk , S1 , X 2 tk , S2 ,...., X n tk , Sn }
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
VARIABLES ALEATORIAS
PROCESOS
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:
FX t1 ...... X tk X 1 ,..... X k FX t1...... X tk X 1 ,..... X k
para todo , k, y todas la elecciones de los tiempos de
observacin t1,.,tk
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:
FX t1 ..... X tk X 1 ,..... X k FX t1..... X tk X 1 ,..... X k
FX t X FX t X ; para todo t y
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.
FX t1 , X t2 X 1 , X 2 FX 0 , X t2 t1 X 1 , X 2 ; para todo t 1 y t 2
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.
X t X t
X t xf X t x dx
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.
; para todo t
X t X
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:
RX t1 , t 2 X t1 X t 2
RX t1 , t 2
x x
1 2
f x t1 , x t2 ( x1 , x2 ) dx1dx2
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
MEDIA, CORRELACION Y COVARIANZA
La funcin auto correlacin se puede reescribir de la
siguiente manera:
RX t1 , t2 RX t2 t1 ; para todo t1 y t2
La funcin auto covarianza de un proceso estrictamente
estacionario se define:
C X t1 , t2 X t1 X X t2 X
RX t2 t1 X2
Los procesos aleatorios que satisfacen las ecuaciones
(X, Rx(t2-t1), Cx(t2-t1)) se conocen como procesos
dbilmente estacionarios o procesos estacionarios
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
Y t h 1 X t 1 d 1
Se puede derivar lo siguiente:
Y t Y t
x H 0
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:
RY t , u Y t Y u
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:
RY
h h R
1
2 d 1d 2
Puesto que RY(0) = E[Y2(t)] tenemos:
h h
Y 2 t
RX 2 1 d 1d 2
Densidad Espectral de
Potencia
h h
Y 2 t
RX 2 1 d 1d 2
Y t df H f
2
R exp j 2
X
f d
La Densidad Espectral de Potencia o Espectro de
Potencia del Proceso Estacionario X(t) se define como:
S X f RX exp j 2 f d
El valor cuadrtico medio del proceso de salida es:
H f
Y t
2
S X f df
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:
Y t 2f S X f c
2
Relacin Entre Densidades Espectrales de
Potencia de Procesos Aleatorios de Entrada
y Salida
SY f
R exp j 2
Y
f d
h h R
1
2 exp j 2 f d 1d 2 d
Al hacer - 1 + 2 = o y = o + 1 - 2
Lo que nos da:
SY f H f H * f S X f
SY f H f S X f
2
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.
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:
T
Y g t X t dt
0
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:
y Y 2
1
fY y
exp
2
2 Y
2 Y
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:
X t X ti ; i 1, 2, ...., n
i
Y el conjunto de funciones de covarianza:
C X t k ti X t k X ti X ti X ti ; k, i 1, 2, ...., n
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:
CovX tk X ti X tk X tk X ti X ti 0,
para i k
Entonces las variables aleatorias
independientes estadsticamente.
son
Proceso Gaussiano (PG)
Propiedad #4
Entonces las funciones densidad de
probabilidad de las variables aleatorias
individuales del conjunto, pueden
expresarse como:
xi xi 2
f xi xi
exp
2
1
2
i
2 2 i
1
