Clase 3. Procesos estocásticos en Teorı́a de la señal.
1 Introducción
Como ya se comentó en la clase anterior, el ruido es una señal inherente a cualquier
transmisión de telecomunicación.
El ruido es una señal que aparece por múltiples causas, todas ellas incontro-
lables. En realidad, podrı́amos imaginarnos cada realización del ruido {εt }t∈R ,
en cada instante t como la agregación de los valores de muchas variables inde-
pendientes:
εt = X1t + X2t + · · · + Xkt ,
por el Teorema Central del lı́mite, para distintas realizaciones del ruido tendremos
que εt es una distribución normal. De ahı́ que el ruido se diga gaussiano, por otra
parte, es deseable que fijado el instante t, tengamos que E[εt ] = 0 y V ar[εt ] = σ 2 ,
puesto que esto significa que en media la distorsión es nula y los efectos distor-
sionantes se mueven en una banda fija. Finalmente, hay una tercera propiedad
deseable y es que en distintos instantes de tiempo, los ruidos se comporten de
modo independiente, es decir, si fijamos dos instantes de tiempo E[εt εt0 ] = 0. Con
ello garantizamos que si hay una distorsión puntual esta no se lleva arrastrando
en el transcurso del tiempo, afectando, por tanto, a la calidad de la transmisión.
En definitiva, lo que hemos planteado en el párrafo anterior es, de nuevo, la
definición de ruido blanco gaussiano. Por su importancia en la transmisión de
señales es fundamental conocer técnicas que permitan detectarlo y este será el
objetivo central de la clase de hoy.
2 Conceptos teóricos
Recuerda que cuando en un proceso estocástico fijamos t, entonces disponemos
de una variable aleatoria. Si obtenemos n variables aleatorias en otros tantos
instantes de tiempo, sus propiedades estadı́sticas (media, varianza, covarianza,
etc) se obtendrán a partir de su densidad conjunta.
Un proceso aleatorio se dice estacionario en el tiempo cuando sus propiedades
estadı́sticas no cambian en el tiempo. Existen distintos grados de estacionariedad,
a menudo difı́ciles de comprobar en la práctica.
Proceso estacionario de orden 1: su función de densidad no cambia al de-
splazar el origen de tiempos. Es decir, si f (x, t) es la función de densidad de la
variable aleatoria Xt , entonces
f (x; t) = f (x; t + 4), ∀4 > 0.
1
Consecuencia:Un proceso estocástico que sea estacionario de orden 1 cumple
que para cualquier instante de tiempo t en el que paremos el proceso se tiene que
E[Xt ] = µ y V ar[Xt ] = σ 2 , donde µ y σ 2 son constantes (no dependen de t).
Proceso estacionario de orden 2: la función de densidad conjunta de cualquier
par de variables Xt1 y Xt2 cumple para cualquier valor real 4 > 0:
f (x1 , x2 , t1 , t2 ) = f (x1 , x2 , t1 + 4, t2 + 4).
Consecuencia: Fijados dos instantes de tiempo cualesquiera se tiene que la
función de autocorrelación sólo depende de la distancia entre los dos instantes de
tiempo.
RXX (t1 , t2 ) = E[Xt1 Xt2 ] = (τ = t2 − t1 ) = RXX (τ )
Proceso estacionario en sentido amplio: Es la acepción de estacionariedad
más utilizada en la práctica. Aunque no es tan restrictiva como la estacionariedad
de orden 2, mantiene alguna de sus propiedades. Diremos que un proceso es
estacionario en sentido amplio cuando:
E[Xt ] = µ, E[Xt Xt+τ ] = RXX (τ ), ∀t, ∀τ ≥ 0.
Proceso estacionario en sentido estricto:cuando es estacionario para cualquier
orden k.
Ejercicio: Demuestra que siguiente proceso aleatorio es estacionario en sen-
tido amplio, suponiendo que A y ω0 son constantes y Θ se distribuye uniforme-
mente en (0, 2π):
X(t) = A cos(ω0 t + Θ)
Procesos estacionarios conjuntamente:Dados dos procesos aleatorios X(t) e
Y (t), decimos que son estacionarios conjuntamente en sentido amplio si cada uno
de ellos tiene media constante y además
RXY (t1 , t2 ) = RXY (t, t + τ ) = RXY (τ )
.
En lo sucesivo, asumiremos que trabajamos con procesos estacionarios en
sentido amplio.
A continuación se presentan realizaciones de diversos procesos, se trata de que
para cada realización detectes si el proceso es estacionario en sentido amplio y en
2
caso de que no lo sea, transformes el proceso de modo adecuado para conseguir
al estacionariedad.
Nota: si un proceso no es estacionario en media, conviene aplicar
la transformación diferencia; si no es estacionario en varianza, con-
viene aplicar la transformación logarı́tmica. Otras transformaciones
matemáticas también pueden ser de utilidad (transformaciones de
Box-Cox).
Ejercicio: en el fichero [Link] tienes, en cada columna, una realización de un
proceso estocástico diferente. En este ejercicio debes realizar la correspondiente
representación gráfica y las transformaciones que estimes necesarias para que
la realización transformada se corresponda a un proceso estacionario en sentido
amplio.
Realización 1 (prices): serie de precios recogida en dı́as consecutivos.
Realización 2 (eur libra): serio de cambios de moneda del euro a la libra en
dı́as laborables consecutivos.
Realización 3 (robos): serie mensual de robos denunciados en Boston desde
enero de 1967.
Realización 4 (cotiza): valores trimestrales desde el primer trimestre de 1955
que representan el porcentaje de ahorro de las familias americanas.
Realización 5 (natali): tasa de natalidad anual de España desde 1900.
3 Promedios temporales y ergodicidad
Hasta el momento hemos parado un proceso en un instante de tiempo t, por
lo que las propiedades que estudiamos requieren que dispongamos de distintas
realizaciones para poder comprobar con técnicas estadı́sticas que se cumplen las
propiedades señaladas. Sin embargo, muchas veces solo disponemos de una real-
ización y nos planteamos...¿en qué casos y cómo se comprueban las propiedades
anteriores que afectan a todo el proceso en su conjunto con una única realización?.
Consideramos una realización del proceso, x(t), definimos:
Z T
1
Promedio temporal: A[x(t)] = lim x(t)dt
T →∞ 2T −T
Z T
1
Función de autocorrelación temporal: <XX (τ ) = A[x(t)x(t+τ )] = lim x(t)x(t+τ )dt
T →∞ 2T −T
3
Observa que la expresiones anteriores se pueden calcular para cada realización
y los valores que toman irı́an cambiando. Ası́ pues, son variables aleatorias.
Supongamos que disponemos de un proceso estacionario en sentido amplio,
entonces:
E[A[x(t)] = µ E[<XX (τ ))] = RXX (τ )
Procesos ergódicos: Un proceso estocástico es ergódico cuando A[x(t)] y
<XX (τ ) son constantes para cualquier realización x(t) del proceso. En conse-
cuencia:
A[x(t)] = µ, <XX (τ ) = RXX (τ ). (1)
La ergodicidad es una propiedad muy difı́cil de comprobar en la práctica.
Primero, requerimos de un proceso estacionario en sentido amplio y, después,
hay que asumir que una realización del proceso es un representante adecuado del
proceso global, es decir, cualquier otra realización generarı́a resultados del tipo
promedio temporal iguales. No obstante, como en la estacionariedad, existen
grados de ergodicidad que son muy asumibles en la práctica.
Proceso ergódico respecto a la media y a la autocorrelación: dado un proceso
estacionario en sentido amplio se satisface (1).
Theorem 3.1. Sea {X(t)} un proceso estacionario en sentido amplio. Sea
Z T Z T
1
CXX (τ ) = lim (x(t) − µ)(x(t + τ ) − µ)dtdτ,
T →∞ 4T 2 −T −T
entonces el proceso es ergódico respecto a la media si
a) CXX (0) < ∞ y CXX (τ )→0 cuando τ → ∞.
R∞
b) −∞ |CXX (τ )| < ∞.
y también es ergódico respecto a la correlación si en las dos condiciones anteriores
reemplazamos el proceso X(t) por W (t) = X(t)X(t + λ), para cualquier λ > 0.
4 La función de autocorrelación
Esta función ya la hemos presentado en la sección anterior y en el caso de procesos
estacionarios en sentido amplio es igual a RXX (τ ) = E[Xt Xt+τ ]. Las propiedades
de la función de autocorrelación son:
1. |RXX (τ )| ≤ RXX (0)
4
2. RXX (τ ) = RXX (−τ )
3. RXX (0) = E[X 2 (t)]
4. Si el proceso es ergódico sin componentes periódico limτ →∞ RXX (τ ) = µ2 .
5. Si X(t) tiene un componente periódico, también lo tendrá RXX (τ ) con el
mismo periodo.
6. La función de autocorrelación no tiene una forma arbitraria
La función de autocorrelación da mucha información sobre la serie en estu-
dio. En general, trataremos de trabajar con series estacionarias en media y, si
es el caso, en términos en desviaciones, es decir, con media igual a cero. En
consecuencia, por la propiedad 4 tendremos que la función de autocorrelación
debe converger a cero. Asimismo, tiene que ir decreciendo y el valor en el cero,
cuando la media es nula, es la varianza del proceso estacionario. Para las series
del ejercicio anterior, calculamos la función de autocorrelación muestral.
Ejercicio 2:
Estudia la función de autocorrelación muestral para las series del ejercicio
anterior. Comprueba que si las has transformado para obtener estacionariedad,
la función transformada satisface las propiedades teóricas de la función de auto-
correlación.
Ejercicio 3:
Describe la función de autocorrelación de la serie AirPassengers, que ya se
encuentra incluida en el paquete.
Ejercicio 4:
Sea Xt es un proceso estacionario en sentido amplio con función de autocor-
relación RXX (τ ) = e−a|τ | , donde a > 0 es una constante. Si la labor de Xt es la
de modular una onda cos(ω0 t + Θ), donde ω0 es una constante y Θ es una v.a.
aleatoria independiente de Xt y con distribución uniforme en (−π, π), ¿cuál es
la función de autocorrelación de Yt = Xt cos(ω0 t + Θ).
Nota:
cos(ω0 t + Θ) cos(ω0 t + ω0 τ + Θ) = cos(ω0 τ ) + cos(2ω0 t + ω0 τ + 2Θ)
Ejercicio 5:
Calcula la función de autocorrelación de un ruido blanco.
Ejercicio 6:
Contrasta el ruido blanco para las series anteriores.
Ejercicio 7:
5
Considera el proceso estocástico:
Xt = 2 cos(2πt) + εt , −1 < t < 1
donde εt es un proceso de ruido blanco con función de autocorrelación Rε (τ ) =
0.01δ(τ ).
a) Implementa un programa en R que genere realizaciones de este proceso.
b) Para una de estas realizaciones obtén con R la función de autocorrelación.
c) Obtén en R la correspondiente función espectral de densidad de potencia.
d) ¿Tiene algún grado de estacionariedad el proceso anterior?
e) Comprueba que el ruido generado es, efectivamente, blanco.
