UNIVERSIDAD NACIONAL DE INGENIERA

FACULTAD DE ELECTROTECNIA Y COMPUTACIN

DEPARTAMENTO DE SISTEMAS DIGITALES Y TELECOMUNICACIONES

SISTEMAS DE COMUNICACIONES I

UNIDAD 2: PROBABILIDADES Y PROCESOS ESTOCASTICOS

Prof.: Ing. Marco A. Mungua Mena

Curso 2005

CONTENIDO
Breve Repaso: Probabilidad Y Teora de Conjunto
Variables Aleatorias Discretas
Variables Aleatorias Continuas
Valor Esperado y Varianza
Procesos Estocsticos

Curso 2005

PROBABILIDAD Y TEORIA DE CONJUNTOS

Axiomas de Probabilidad
1. La Probabilidad nunca es Negativa: P[A] 0
2. La Probabilidad del Espacio Muestral es uno: P[S] = 1
3. Las Probabilidades de Eventos que son Mutuamente
Exclusivos pueden ser sumadas:
Ai Aj = cuando i j
P[A1 U A2 U .] = P[A1] + P[A2] +

Curso 2005

PROB. Y TEORIA DE CONJUNTOS (Cont.)

Propiedades de Grupos de Conjuntos
Un Grupo de Conjuntos A1, , AN son Mutuamente
Exclusivos si y solamente si:

Ai Aj = cuando i j

Cuando slo hay 2 conjuntos en el grupo, se dice que

los conjuntos son: Disconjuntos.

Un Grupo de Conjuntos A1, , AN son Colectivamente

Exhaustivos si y solamente si:
A1 U A2 U .. U AN = S

Curso 2005

PROB. Y TEORIA DE CONJUNTOS (Cont.)

Probabilidad Condicional
La Probabilidad de ocurrencia del evento A dado que ocurri B es:
P[ A | B ] =

P[AB ]
P[B ]

Propiedades:
1. P[A|B] 0
2. P[B|B] = 1
3. Si A = A1 U A2 U con Ai Aj = para i j
P[A|B] = P[A1|B] + P[A2|B] +
Curso 2005

PROB. Y TEORIA DE CONJUNTOS (Cont.)

Ley Total de la Probabilidad
Si B1, B2, , Bm son un conjunto de eventos mutuamente
exclusivos y colectivamente exhaustivos y P[Bi] > 0, entonces:
m

P[A] = P[ A | Bi ]P[Bi ]
i =1

B1

B4
A

B2

B3

Curso 2005

PROB. Y TEORIA DE CONJUNTOS (Cont.)

Teorema de Bayes
Para el evento A con P[A] > 0 :

P[A | B ]P[B ]
P[B | A] =
P[A]
Para un Event Space B1, B2, ,Bm con P[Bi] > 0, y utilizando la ley
de la Probabilidad Total tenemos:
P[Bi | A] =

P[ A | Bi ]P[Bi ]
m

P[A | B ]P[B ]
i =1

Curso 2005

PROB. Y TEORIA DE CONJUNTOS (Cont.)

Eventos Independientes
Dos eventos A y B son Independientes, si y solamente si:

P[ AB] = P[A]P[B]
Los eventos A, B y C son independientes si y solamente si:
A y B son independientes
B y C son independientes
A y C son Independientes
P[A B C] = P[A]P[B]P[C]
Curso 2005

VARIABLES ALEATORIAS DISCRETAS

Definicin de Variable Aleatoria
Una Variable Aleatoria es una funcin, la cual asocia a cada resultado
de un experimento un numero real.
Variable Aleatoria Discreta
X es una V.A.D. si el rango de valores de X es un conjunto contable.

Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Funcin de Masa de Probabilidad (PMF)
La PMF de una Variable Aleatoria Discreta X es: PX ( x) = P[ X = x]
donde X es la variables aleatoria y x es uno de los resultados del
experimento.
Propiedades: Para una V.A. X con PMF PX(x) y rango SX:
1. Para cualquier x, PX(x) 0
2. x S PX(x) = 1
x

3. Para cualquier evento B incluido en SX , P[B] esta dado por:

P[B] = PX(x)
xB

Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Ejemplo de PMF
Un jugador de baloncesto, toma 2 tiros libres, cada tiro es
igualmente probable que sea encestado o no. Si cada tiro
encestado equivale a un punto. Encuentre la PMF de Y, tal que Y
sea el numero de puntos encestados.
Solucin
Existen 4 diferentes resultados: bm, mb,mm y bb. Con un simple
diagrama de rbol podemos demostrar que cada resultado tiene
una probabilidad de y la V.A. Y tiene 3 posibles valores que
corresponden a 3 eventos.
Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Funcin de Masa de Probabilidad (PMF)
{Y=0} = {mm}

{Y=1} = {bm,mb}

{Y=2} = {bb}

P[Y=0] = P[mm] = , P[Y=1] = P[bm,mb] = , P[Y=2] = P[bb] =

La PMF se puede expresar:
1
4

1
PY ( y ) =
2
1
4

y=0
y =1
y=2

Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Variable Aleatoria de Bernoulli
X es una variable aleatoria de Bernoulli, si su PMF tiene la forma:
1 p

PX ( x) = p
0

x=0
x =1
otro lugar

donde el parmetro p esta en el rango 0 < p < 1.

Aplicable a todos aquellos experimentos donde slo se tienen 2
posibles resultados.
Ej.: Lanzar una Moneda, Test de Cktos. Integrados (bueno o malo)
Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Variable Aleatoria Binomial
X es una variable aleatoria Binomial, si su PMF tiene la forma:
n x
n x
p (1 p)
PX ( x) = x
0

x = 0,1,2,......., n
otro lugar

Donde: 0 < p < 1 y n es un nmero entero tal que n 1.

Aplicable para conocer el numero de xitos en n intentos.
Ej.: El numero de bits errneos en una secuencia de n bits
transmitidos en un canal con probabilidad de error p.
Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Variable Aleatoria Uniforme
X es una variable aleatoria Uniforme, si su PMF tiene la forma:
1

PX ( x) = (l k + 1)
0

x = k , k + 1,...., l
otro lugar

donde k y l son nmeros enteros tal que k < l

Ej.: Lanzamiento de un dado no alterado

Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Variable Aleatoria Geomtrica
X es una variable aleatoria Geomtrica, si su PMF tiene la forma:
p(1 p) x 1
PX ( x) =
0

x = 1,2,.......
otro lugar

donde p debe cumplir: 0 < p < 1. Aplicables cuando se quiere

conocer el numero de intentos hasta lograr el primer xito.
Ej.: El numero de exmenes tomados hasta aprobar el curso.

Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Variable Aleatoria Poisson
X es una variable aleatoria de Poisson, si su PMF tiene la forma:
x e

PX ( x) = x!
0

x = 0,1,2,......
otro lugar

donde > 0, es la tasa de arribos y T es el intervalo de tiempo,

teniendo que = T
Ej.: El nmero de llamadas que arriban a un conmutador
telefnicos
Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

PMF Condicional
Para cualquier evento Y = tal que PY(y) > 0, La PMF Condicional
de X dado Y = y es:

PX |Y ( x | y ) = P[ X = x | Y = y ]
PX |Y ( x | y ) =

PX ,Y ( x, y )
PY ( y )

Dado un evento B, con P[B] > 0. La PMF condicional de la variable

aleatoria X se representa por:

PX | B ( x ) = P[ X = x | B ]
Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

PMF Condicional
Ahora, una variable aleatoria X que resulta de un experimento con
event space B1, , Bm su PMF se expresa por:
m

PX ( x) = PX | Bi ( x) P[ Bi ]
i =1

La PMF Condicional de una variable aleatoria X dado el evento B

debe de satisfacer:

PX ( x)

PX | B ( x) = P[ B]
0

xB
otro lugar
Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Mltiples Variables Aleatorias Discretas
La PMF Conjunta de N Variables Aleatorias se representa as:

PX 1 ,..., X n ( x1 ,......., xn ) = P[ X 1 = x1 ,........, X n = xn ]

Para N = 2, tenemos:

PX ,Y ( x, y ) = P[ X = x, Y = y ]

PX ,Y ( x, y ) = PX |Y ( x | y ) PY ( y ) = PY | X ( y | x ) PX ( x )
Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Mltiples Variables Aleatorias Discretas
Propiedades:
1.
2.

x Sx y Sy

X ,Y

( x, y ) = 1

PX ( x) = PX ,Y ( x, y )
y

3.

PY ( y ) = PX ,Y ( x, y )
x

4.

B es un subconjunto de X,Y. La probabilidad de B es:

P[ B ] =

( x , y )B

X ,Y

( x, y )
Curso 2005

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Variables Aleatorias Discretas Independientes
Dos Variables Aleatorias Discretas son independientes, si y
solamente si:

PX ,Y ( x, y ) = PX ( x) PY ( y )
Por lo tanto podemos deducir que:

PX |Y ( x | y ) = PX ( x)
PY | X ( y | x) = PY ( y )
Curso 2005

VARIABLES ALEATORIAS CONTINUAS

Variable Aleatoria Continua
Cuando todos los valores que toma una Variable Aleatoria estn
dentro de un intervalo de los nmeros Reales, se dice que V.A. es
Continua.
Por ejemplo: A = {x | 1 < x < 25}

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Diferencias con respecto a V.A. Discretas
Espacio Muestral Discreto
- Un Numero finito de Resultados
- Cada Resultado tiene una probabilidad de Ocurrencia
Espacio Muestral Continuo
- Tenemos un infinito nmero de Resultados
- Ejemplo: Obtener un nmero real entre 2 y 4

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Funcin de Distribucin Acumulativa (CDF)
Consideremos un evento particular en R :
Evento X x

Valor Superior de X

Variable Aleatoria
FX(x) = P[X x] para todo x es llamada: Funcin de Distribucin
Acumulativa (CDF)

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Propiedades de la CDF

1. FX () = 0
2. FX () = 1
3. P[ x1 < X x2 ] = FX ( x2 ) FX ( x1 )
4. La CDF es una funcin Creciente de 0 a 1

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Funcin de Densidad de Probabilidad (PDF)
Para eventos muy pequeos
FX(x)
1

x1

FX(x1+) FX(x1) = P[x1 < X x1+]

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Funcin de Densidad de Probabilidad (PDF)
Si hacemos ms pequeo y le calculamos el limite tenemos:

Lim
0

P ( x1 < X x1 + )

= Lim

FX ( x1 + ) FX ( x1 )

=
=

dFX ( x)
dx
f X ( x)

Esta funcin es llama: Funcin de Densidad de Probabilidad

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Propiedades de la PDF
1.
2.

dFX ( x)
dx
f X ( x) 0
para todo x
f X ( x) =

3.

(u ) du = 1

4. P[ x1 < X x2 ] =

x2

(u ) du = FX ( x2 ) FX ( x1 )

para x1 < x2

x1
x

5. FX ( x) =

(u ) du

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Variable Aleatoria Uniforme

f X (x) = b a
0

a x<b
otrolugar

0
x a

FX (x) =
b a
1

xa
a< xb
x >b

Donde a y b son nmeros reales, adems a < b

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Variable Aleatoria Exponencial
Para a > 0

a eax
f X ( x) =
0
1 eax
FX ( x) =
0

x0
otro lugar
x0
otro lugar

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Variable Aleatoria de Rayleigh
Para a > 0

2 a
f X ( x) = x a e
0
a

FX ( x) = 1 e
0

2 2

x>0
otro lugar

2 2

x>0
otro lugar

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Variable Aleatoria Gausiana
Donde es un numero real y > 0

f X ( x) =

FX ( x) =

1
2 2

1
2 2

( x )2

2 2

( x )2
2 2

x
du =

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

PDF Condicional
Para x tal que fX(x) > 0, la PDF condicional de Y dado que X = x es:

fY | X ( y | x ) =

f X , Y ( x, y )
f X ( x)

La PDF Condicional de una V.A. X dado un subconjunto B de

resultados con P[B] > 0 se expresa por:

f X ( x)

f X | B ( x) = P[ B]
0

xB
otro lugar
Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Mltiples Variables Aleatorias Continuas
La CDF y PDF Conjuntas de N Variables Aleatorias se representa
as:

FX 1 ,......, X n ( x1 ,........, xn ) = P[ X 1 x1 , .........., X n xn ]

f X 1 ,..........., X n ( x,.........., xn1 ) =

n FX 1 ,............, X n ( x1 ,.........xn )
x1 L xn
Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Mltiples Variables Aleatorias Continuas
Para N = 2, tenemos:

FX ,Y ( x, y ) = P[ X x, Y y ]
x y

FX ,Y ( x, y ) =

X ,Y

(u , v)dvdu

2 FX ,Y ( x, y )
f X ,Y ( x, y ) =
x y
f X ,Y ( x, y ) = f X |Y ( x | y ) fY ( y ) = fY | X ( y | x) f X ( x)
Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Mltiples Variables Aleatorias Continuas
Propiedades:

0 FX ,Y ( x, y ) 1
FX ( x) = FX ,Y ( x, )
FY ( y ) = FX ,Y (, y )
FX ,Y (, y ) = FX ,Y ( x,) = 0
FX ,Y (, ) = 1
Si x1 x y y1 y, entonces FX ,Y ( x, y ) FX 1Y1 ( x1 , y1 )
Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Mltiples Variables Aleatorias Continuas
Propiedades:
f X ,Y ( x , y ) 0

para todo ( x , y )

f X , Y ( x , y ) dx dy = 1

P[ A] =

f X , Y ( x , y ) dx dy

f X (x) =

f X , Y ( x , y ) dy

fY ( y ) =

f X , Y ( x , y ) dx

Curso 2005

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Variables Aleatorias continuas Independientes
Dos Variables Aleatorias Continuas son independientes, si y
solamente si:

f X ,Y ( x, y ) = f X ( x ) f Y ( y )
Por lo tanto podemos deducir que:

f X |Y ( x | y ) = f X ( x)
fY | X ( y | x ) = fY ( y )
Curso 2005

VALOR ESPERADO Y VARIANZA

Definicin de Valor Esperado
V.A. Discreta: E[ X ] = X =

xP ( x)

xS X

Valor Esperado de algunas V.A. Discretas:

1. Bernoulli:

E[X] = p

2. Geomtrica:

E[X] = 1/p

3. Poisson:

E[X] =

4. Binomial:

E[X] = np

5. Uniforme:

E[X] = (k + l)/2
Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Definicin de Valor Esperado
V.A. Continua:

E [X ] = X =

x f

( x) dx

Valor Esperado de algunas V.A. Discretas:

1. Uniforme:

E[X] = (b+a)/2

2. Exponencial

E[X] = 1/a

3. Rayleigh:

E[X] = (/2a2)

4. Gausiana:

E[X] =

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Propiedades del Valor Esperado

1. E[cX] = cE[X]
2. Var [ Constante ] = Constante
3. E[X +c] = E[X] + c
4. E[ X + Y] = E[X] + E[Y]

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Valor Esperado Condicional
Discreto:

E[X | Y = y ] =

xP

xS X

X |Y

( x | y)

Continuo:

E [X | Y = y ] =

x f

X |Y

( x | y ) dx

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Valor Cuadrtico Medio
Discreto:

[ ] x P ( x)
E [X ] = x P ( x)
E X2 =

xS X

xS X

Continuo:

[ ] x

E X2 =

f X ( x) dx

f X ( x) dx

[ ] x

E Xn =

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Varianza
V.A. Discreta y Continua:

Var[ X ] = X2 = E[( X E[ X ]) 2 ] = E[ X 2 ] ( E[ X ]) 2
Desviacin Estndar:

X = Var (x)
Nota: La Varianza siempre es Mayor que 0 (Cero)

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Propiedades de la Varianza

1. Si Y = aX + b, donde a y b son constantes, entonces:

Var[Y] = a2Var[Y]
2. Var [ Constante ] = 0
3. Var[-X] = Var[X]
4. Var[X + Y] = Var[X] + Var[Y] + 2E[(X - X)(Y - Y)]

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Varianza
Varianza de algunas V.A. Discretas:
1. Bernoulli:

Var[X] = p(1-p)

2. Geomtrica:

Var[X] = (1-p) / p

3. Binomial:

Var[X] = np(1-p)

4. Poisson:

Var[X] =

5. Uniforme:

Var[X] = (l-k) (l-k+2) / 12

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Varianza
Varianza de algunas V.A. Continuas:
1. Uniforme

Var[X] = (b-a)2 / 12

2. Exponencial:

Var[X] = 1 / a2

3. Rayleigh:

Var[X] = (2 /2) / a2

4. Gausiana:

Var[X] = 2

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Varianza Condicional
Discreto y Continuo:

Var[ X | Y ] = E[( X E[ X | Y ]) 2 | Y ] = E[ X 2 | Y ] X2 |Y
La Correlacin
La Correlacin de X e Y se expresa por:

rX ,Y = E[ XY ] =

xyP

X ,Y

xS X ySY

( x, y )

rX ,Y = E[ XY ] =

xy f

X ,Y

( x, y ) dx dy
Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Covarianza

Cov[ X , Y ] = E[( X X )(Y Y )]

= E[ XY ] X Y
Coeficiente de Correlacin

X ,Y

Cov[ X , Y ]
=
Var[ X ]Var[Y ]

1 X ,Y 1

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Variables Aleatorias Independientes

1. rX ,Y = E[ XY ] = E[ X ]E[Y ]
2. E[ X | Y = y ] = E[ X ]

para todo y SY

3. E[Y | X = x] = E[Y ]

para todo x S X

4. Var[ X + Y ] = Var[ X ] + Var[Y ]

5. Cov[ X , Y ] = X ,Y = 0

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

Variables Aleatorias Ortogonales
Dos Variables Aleatorias X e Y son Ortogonales si la correlacin
es igual a CERO.

rX ,Y = E[ XY ] = 0
Variables Aleatorias No Correlacionadas
Dos Variables Aleatorias X e Y son No Correlacionadas si la
covariancia es igual a CERO.

Cov[ X , Y ] = 0
Curso 2005

PROCESOS ESTOCASTICOS
Definicin
Consideremos un experimento aleatorio especificado por los
resultados s de un Espacio Muestral S. Suponga que a cada
resultado le asignamos una funcin de tiempo representada:
X(t,s)

-T t T

donde 2T es el intervalo de observacin total.

En un punto sj de la muestra, la grafica de la funcin X(t,sj), en
funcin del tiempo t recibe el nombre funcin de muestra, la cual
denotamos como: xj(t) = X(t,sj).

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

La figura (prxima diapositiva) muestra un conjunto de funciones de

muestra. Para un tiempo fijo tk dentro del intervalo de informacin el
conjunto de nmeros
{x1(tk), x2(tk), . . ., xn(tk)} = {X(tk,s1), X(tk,s2), . . ., X(tk,sn)}
que constituye una variable aleatoria. Por lo tanto tenemos una
familia indexada de V.A. {X(t,s)}, que se le denomina proceso
aleatorio. Por simplicidad, usaremos la notacin: X(t) para
representar un proceso aleatorio.

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Tipos

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Las Cuatro Combinaciones

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Promedios Estadsticos

Media

X (tk ) = E[ X (tk )] =

x f

X (t k )

( x) dx

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Varianza

Var[ X (tk )] =

(x E[ X (t )])

f X ( t k ) ( x) dx = E[ X (tk ) ] (E[ X (tk )])

2

Covarianza: El comportamiento conjunto de un proceso X(t) en dos

instantes de tiempo distintos es contenido en la funcin de autocovarianza

C X (t , ) = Cov[ X (t ) X (t + )]
= E[( X (t ) X (t )) ( X (t + ) X (t + ))]
= E[ X (t ) X (t + )] X (t ) X (t + )
Autocorrelacin

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

1. Si el valor de la covarianza es alto quiere decir que X(t) vara
muy lento.
2. Si el valor de la covarianza tiende a cero, X(t) vara rpido.

Autocorrelacin

RX (t , ) = E[ X (t ) X (t + )] =
=

xy f

X ( t ), X ( t + )

( x, y ) dx dy

all ( x , y )

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Propiedades de la Autocorrelacin
1. RX(0) 0
2. RX(t) = RX(-t)
3. |RX(t)| RX(0)
Procesos IID (Independent Identically Distributed)
Es Decir
Todos los X(tk) son mutuamente independientes.
Todos los X(tk) tienen la misma PDF

f X 1 , X 2 ,K, X k K ( x1 , x2 , K , xk , K) = f X 1 ( x1 ) f X 2 ( x2 ) L f X k ( xk ) L
= f X ( x1 ) f X ( x2 ) L f X ( xk ) L
Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Proceso Estacionario
Un proceso es Estacionario si y solamente si para todo un
conjunto de instantes de tiempo t1, , tm y cualquier variacin
de tiempo se cumple:

f X (t1 ), X (t2 ),K, X (tm ) ( x1 , x2 , K , xm ) =

= f X (t1 + ), X (t2 + ),K, X (tm + ) ( x1 , x2 , K , xm )
Consecuencias
1.

f X ( t ) ( x) = f X ( t + ) ( x) = f X ( x)

Todas las PDFs marginales son independientes del tiempo

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Por lo tanto:

X (t ) = E[ X (t )] = E[ X ] = X
X2 (t ) = Var[ X (t )] = Var[ X ] = X2

RX (t , ) = RX ( )
C X (t , ) = C X ( ) = RX ( ) X2
El Valor Esperado, la Varianza, la Autocorrelacin y la Covarianza son
independientes del tiempo

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Proceso WSS (Wide Sense Stationary)
Para mostrar que un proceso es Estacionario es necesario calcular
la PDF conjunta, lo cual es difcil de obtener. Un proceso puede ser
estimado calculando su Valor Esperado y la Autocorrelacin.
Si la Autocorrelacin y la Media satisfacen lo propuesto por un
proceso Estacionario, podemos llamar a este proceso Estacionario
en el sentido amplio (WSS).
Un proceso que es Estacionario es WSS pero un proceso que es
WSS no es necesariamente Estacionario. (Excepcin: Proceso
Gasussiano)

X (t ) = X
RX (t , ) = RX ( )

C X (t , ) = C X ( ) = RX ( ) X2

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

La Potencia promedio de un proceso WSS se estima por:

RX (0) = E[ X 2 (t )] = X2 + ( X ) 2
Filtrado de Procesos WSS

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

1. E[Y (t )] = E[h(t ) x(t )] = E h( s ) x(t s ) ds

h(s) E[ x(t s)] ds = E[ X (t )] h(s) ds =

2.

h ( 0)

RY (t , ) = E[Y (t ) Y (t + )] = E[(h(t ) x(t )) (h(t + ) x(t + ))]

= h(u ) h(v) RX ( v + u ) dv du
= h( ) h( ) RX ( )

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Densidad Espectral de Potencia

S X ( f ) = F {RX ( )} =

( ) exp( j 2f ) d

Recordando Fourier

G( f ) =

j 2ft
g
(
t
)
e
dt

g (t ) = G ( f )e j 2ft df

G ( 0) =

g (t )dt

g (0) = G ( f )df

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

La Potencia promedio de un proceso X(t) se puede tambin expresar
como:

R X ( 0) =

( f ) df

Si a la Autocorrelacin del Proceso de salida le aplicamos la

transformada de Fourier se obtiene:

RY ( ) = h( ) h( ) RX ( )

SY ( f ) = H ( f ) H * ( f ) S X ( f ) = | H ( f ) |2 S X ( f )

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Funcin de Correlacin Cruzada

Cul es la relacin entre X(t1) y Y(t2)?

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

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Propiedades de la Correlacin Cruzada
1. Si X(t) y Y(t) son WSS entonces:
2.

RXY (t , ) = RXY ( )

RXY ( ) = RYX ( )

3. Densidad Espectral Cruzada

} R

S XY ( f ) = F R XY ( ) =

XY

( ) e j 2 f d

4. Si X(t) es WSS y es el proceso de entrada de un filtro LTI, se

tiene que Y(t) (WSS) y se puede expresar:
F

RXY ( ) = h( ) RX ( )

S XY ( f ) = H ( f ) S X ( F )

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Proceso Gaussiano

Los Valores de Muestra X(t1), X(t2), , X(tk) tienen una PDF

gaussiana conjunta (multivariate).

PDF Conjunta esta descrita por:

vector X=[X(t1), X(t2), , X(tk)]T
Matriz de Covarianza C

Cij = C X (ti , t j ti ) = RX (ti , t j ti ) X (ti ) X (t j )

f X (t1 ),K, X (tk ) ( x1 , K, xk ) =

1
(2 )

k 2

12

exp (x X )T C 1 (x X )
2

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Casos Especiales
N=1

V.A. Gaussiana

N=2

Bivariate PDF Gasussiana

f X ( t1 ) ( x1 ) =

f X (t1 ), X ( t 2 ) ( x1 , x2 ) =

1
2 12

x
1 1
1

( x1 1 ) 2
2 12

2 ( x1 1 )( x 2 2 ) x 2 2

+

1 2

2
2 (1 ) 2

2 1 2 1 2
Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Proceso Blanco

El termino Proceso Blanco es usado para denotar un proceso en el

cual todas las componentes de frecuencia tienen igual potencia, es
decir si su DSP es constante para todas las frecuencias.

N0
Sn ( f ) =
2
Rn ( ) =

N0
( )
2
Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Muestreo y Proceso limitado en Banda
Un Proceso de Banda Limitada ocupa un BW finito
Si W es el ancho de banda del proceso entonces para todo valor de
frecuencia mayor que W la DEP es igual a cero.
Las muestras se toman a intervalos regulares Ts, donde Ts 1/2W
Si X(t) es un proceso limitado en banda entonces SX(f) tiende a cero
cuando la |f| W. Entonces tenemos:
2

E X (t ) X (kTs ) sin c(2W (t kTs )) = 0

k =

1
donde Ts =
2W

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

Proceso Pasabanda

X(t) es un proceso Pasabanda, si su DSP tiende a cero para |f-f0| W

donde W < f0

S X ( f f 0 ) + S X ( f + f 0 )
S Xc ( f ) = S Xs ( f ) =
0

| f |< f 0
Otro
Curso 2005