Señales y Sistemas II · 2018-02-07 · UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería...
Transcript of Señales y Sistemas II · 2018-02-07 · UNIVERSIDAD CATOLICA ANDRÉS BELLO Facultad de Ingeniería...
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
1
Señales y Sistemas IIMódulo III: Señales Estocásticas
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
2Contenido de este módulo
1.- Probabilidades y variables aleatorias
2.- Procesos estocásticos y promedios
3.- Estacionaridad y ergodicidad
4.- La densidad espectral de potencia
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
3Contenido de este módulo
1.- Probabilidades y variables aleatorias
2.- Procesos estocásticos y promedios
3.- Estacionaridad y ergodicidad
4.- La densidad espectral de potencia
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
4Axioma #1
Sea S el espacio muestral de un experimento, entonces su
probabilidad es igual a uno: P(S) = 1
Consideremos como ejemplo el lanzamiento de un dado:
12
4
53 6
S: el espacio muestral representael conjunto de todos los posiblesresultados {1, 2, 3, 4, 5, 6}
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
5Axioma #2
Si A es un evento contenido en el espacio muestral S, es decir
A S, entonces: P(A) ≥ 0
Así por ejemplo, sea A el evento definido por la ocurrencia de
un número par al lanzar un dado:
P(A) = 3/6 = 1/21
24
53 6
∩
A
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
6Axioma #3
Si A y B son dos eventos disjuntos (es decir A B = Ø ), que
están contenidos en el espacio muestral S, entonces:
P(A B) = P(A) + P(B)
Así por ejemplo, si B es el evento definido por la ocurrencia de
un impar al lanzar un dado:
P(A B) = 1/2 + 1/2 = 1 = P(S) 1
24
53 6
∩
A
∩
B
∩
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
7Propiedades
Partiendo de los tres axiomas enunciados se pueden demostrar
las siguientes propiedades:
P(A) = 1 – P(A)
P(A) ≤ 1
P(Ø) = 0
∩
∩
∩
P(B A) + P(B A) = P(B)
P(A B) = P(A) + P(B) – P(A B)
P(A B) ≤ P(A) + P(B)
∩
∩
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
8Probabilidad conjunta
Se denomina la probabilidad conjunta de dos eventos A y B
a la probabilidad del evento intersección: P(A B)
• La probabilidad conjunta de dos eventos disjuntos es cero:
Si A B = Ø, entonces P(A B) = 0,
• La probabilidad conjunta de un evento y un subconjunto de
dicho evento es igual a la probabilidad del subconjunto:
Si A S, entonces P(A S) = P(A)
∩
∩ ∩
∩∩
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
9Probabilidad condicional
Se denomina la probabilidad condicional de A dado B, P(A|B),
a la probabilidad de ocurrencia de el evento A teniendo como
condición el hecho de que el evento B ocurrió.
P(A|B) se calcula como el cociente de la probabilidad conjunta
de A y B entre la probabilidad de B:
P(A|B) = , con P(B) ≠ 0P(A B)
P(B)∩
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
10Probabilidad condicional
Algunas propiedades de la probabilidad condicional:
• Si A es un subconjunto de B, entonces P(A|B) = P(A) / P(B)
• Si B es un subconjunto de A, entonces P(A|B) = 1
• Si A y B son eventos disjuntos, entonces P(A|B) = 0
• Teorema de Bayes: sean dos eventos A y B tales que P(A) ≠ 0
y P(B) ≠ 0, se cumple que: P(A|B) P(B) = P(B|A) P(A)
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
11Ejercicio III.1
• LANZAMIENTO DE UN DADO
Considera los siguientes eventos:
S = {1, 2, 3, 4, 5, 6} (todos los posibles resultados)
A = {2, 4, 6} (ocurrencia de un número par)
B = {1, 3, 6} (ocurrencia de un número impar)
C = {4, 5, 6} (ocurrencia de un número mayor que tres)
Calcula las siguientes probabilidades:
P(A|B), P(A C), P(A C), P({2}|A), P(B S)∩ ∩ ∩
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
12Ejercicio III.1
• RESPUESTA
P(A|B) = P(Ø) / P(B) = 0
P(A C) = P({4,6}) = 2/6 = 1/3
P(A C) = P({2,4,5,6}) = 4/6 = 2/3
P({2}|A) = P({2} A) / P(A) = 1/6 / (1/2) = 2/6 = 1/3
P(B S) = P(B) = 3/6 = 1/2
12
4
53 6
B
C∩
∩
∩
∩
A
S
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
13Independencia
Se dice que dos eventos A y B son independientes si se cumple
que cualquier condición sobre la ocurrencia de B no tiene efecto
sobre la probabilidad de A y viceversa.
Si A y B son independientes, se cumple que: P(A|B) = P(A), lo
cual a su vez implica que: P(A B) = P(A) P(B)∩
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
14Variable aleatoria
Se define como variable aleatoria a una función que mapea
el espacio muestral de un experimento en el conjunto de los
números reales:
xa = X(a) a
S: Espacio Muestral
xa Sx: Rango de observaciones
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
15Variable aleatoria discreta
Cuando el rango de observaciones Sx = {x1 , x2 , ....} es discreto
nos referiremos a X como una variable aleatoria discreta.
pmf: función de masa probabilística P(X = xi ) = P(xi )
pdf: función de densidad probabilística fx(x) = P(xi ) δ(x- xi )
cdf: función de distribución cumulativa Fx(x) = P(xi ) u(x- xi )Σi
Σi
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
16Ejemplo: lanzamiento de un dado
Sx = {xi = i: i = 1, 2, 3, 4, 5, 6}; pmf: P(xi ) = 1/6;
pdf: fx(x) = 1/6 δ(x- i); cdf: Fx(x) = 1/6 u(x- i)Σ6
Σ6
i=1 i=1
0 2 4 60
0.05
0.1
0.15
0.2
0.25
0 2 4 60
0.5
1
1.5
Densidad probabilística (pdf) Distribución cumulativa (cdf)
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
17Variable aleatoria continua
Cuando el rango de observaciones Sx es continuo nos referiremos
a X como una variable aleatoria continua.
cdf: función de distribución cumulativa Fx(x) = P(X ≤ x)
pdf: función de densidad probabilística fx(x) = Fx(x)
Observación: para X continua P(X = xi ) = 0
ddx
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
18Ejemplo: variable aleatoria gaussiana
pdf: fx(x) = exp(– x2/2)
cdf: Fx(x) = exp(– u2/2) dux
∫− ∞
12π
12π
-5 0 50
0.1
0.2
0.3
0.4
0.5
-5 0 50
0.5
1
1.5
Densidad probabilística (pdf) Distribución cumulativa (cdf)
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
19Contenido de este módulo
1.- Probabilidades y variables aleatorias
2.- Procesos estocásticos y promedios
3.- Estacionaridad y ergodicidad
4.- La densidad espectral de potencia
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
20Procesos estocásticos
Una secuencia aleatoria puede ser representada mediante un
proceso estocástico, el cual consiste en una familia indexada
de variables aleatorias: X[n] = { Xn }
Para cada valor de n, X[n] representa una variable aleatoria
con función de distribución cumulativa FX (xn ,n) = P (Xn ≤ xn)
y función de densidad probabilística fX (xn ,n) = FX (xn ,n) ddxn
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
21Dimensiones de ensamble y tiempo
X1 [n]
X2 [n]
X3 [n]
Xm [n]
... ...
... ...
...
...
...
...
...
...
...
...
realizacionestiempo
ensamble Espacio Muestralde la variable aleatoria X[k]
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
22Promedios en el ensamble
... ...
...
...
...
...
...
...
...
...
X1 [n]
X2 [n]
X3 [n]
Xm [n]
... ... ensamble Espacio Muestral
de la variable aleatoria X[k]
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
23Valor medio ó valor esperado
El valor esperado de un proceso estocástico Xn se define como:
E{Xn} = x fX (x ,n) dx = µx [n]∫Propiedades:
• E{Xn+ Ym} = E{Xn} + E{Ym}
• E{k Xn} = k E{Xn}
• Si Xn y Ym son independientes: E{XnYm} = E{Xn} E{Ym}
∞
− ∞
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
24Valor cuadrático medio y varianza
El valor cuadrático medio de un proceso estocástico Xn se
define como:
E{ |Xn|2} = |x|2 fX (x ,n) dx = msvx [n]∫Y su varianza se define como:
Var{Xn} = E{ |Xn – E{Xn}|2} = σx2[n]
∞
− ∞
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
25Ejercicio III.2
• VARIANZA Y VALOR ESPERADO
Demuestra que la varianza y el valor esperado satisfacen
la siguiente relación:
Var{Xn} = E{ |Xn|2} – |E{Xn}|2
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
26Ejercicio III.2
• RESPUESTA
De la definición de varianza es Var{Xn} = E{ |Xn – E{Xn}|2}
y desarrollando el factor cuadrático:
Var{Xn} = E{ |Xn|2 + |E{Xn}|2 – Xn* E{Xn} – Xn E{Xn}*}
Aplicando las propiedades de linealidad del valor esperado:
Var{Xn} = E{ |Xn|2 } + |E{Xn}|2 – E{Xn*} E{Xn} – E{Xn } E{Xn}*
Var{Xn} = E{ |Xn|2 } + |E{Xn}|2 – 2 |E{Xn}|2
de donde finalmente:
Var{Xn} = E{ |Xn|2 } – |E{Xn}|2
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
27Autocorrelación y autocovarianza
• La secuencia de autocorrelación de un proceso estocástico Xn
se define como: φxx [n,m] = E{Xn Xm*}
• La secuencia de autocovarianza se define como:
γxx [n,m] = E{(Xn– E{Xn}) (Xm– E{Xm})*}, y también puede
escribirse como: γxx [n,m] = φxx [n,m] – E{Xn} E{Xm}*
• φxx [n,m] y γxx [n,m] miden el grado de dependencia entre los
valores de un proceso estocástico para los distintos valores de
tiempo n y m.
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
28Crosscorrelación y crosscovarianza
• La secuencia de crosscorrelación para dos procesos estocásticos
Xn y Ym se define como: φxy [n,m] = E{Xn Ym*}
• La secuencia de crosscovarianza se define como:
γxy [n,m] = E{(Xn– E{Xn}) (Ym– E{Ym})*}, y también puede
escribirse como: γxy [n,m] = φxy [n,m] – E{Xn} E{Ym}*
• φxy [n,m] y γxy [n,m] miden el grado de dependencia entre los
valores de dos procesos estocásticos para los distintos valores
de tiempo n y m.
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
29Promedios en el tiempo
tiempo
X1 [n]
X2 [n]
X3 [n]
Xm [n]
... ...
... ...
...
...
...
...
...
...
...
...
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
30Valor medio y autocorrelación
• El valor promedio temporal de una realización de un proceso
estocástico Xn se define como:
<Xn> = lim Xn
• La secuencia de autocorrelación temporal de una realización
de un proceso estocástico Xn se define como:
<Xn+m Xn*> = lim Xn+m Xn*
Σn - L=
L1
2L+1 L ∞
Σn - L=
L1
2L+1 L ∞
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
31Contenido de este módulo
1.- Probabilidades y variables aleatorias
2.- Procesos estocásticos y promedios
3.- Estacionaridad y ergodicidad
4.- La densidad espectral de potencia
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
32Estacionaridad
Estacionaridad en sentido estricto: se dice que un proceso es
estacionario en sentido estricto cuando todas sus propiedades
estadísticas son independientes del tiempo.
Estacionaridad en sentido amplio: se dice que un proceso es
estacionario en sentido amplio cuando sus promedios de
primer orden son independientes del tiempo y sus promedios
de segundo orden dependen sólo de la diferencia en tiempo.
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
33Estacionaridad en sentido amplio
Son los procesos estacionarios en sentido amplio los que
realmente nos interesan.
Para un proceso de este tipo siempre se cumple que:
• E{Xn} = x fX (x ,n) dx = µx [n] = µx
• Var{Xn} = E{ |Xn – E{Xn}|2} = σx2[n] = σx
2
• φxx [n+m,n] = E{Xn+m Xn*} = φxx [m]
∞
∫− ∞
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
34Propiedades de procesos estacionarios
Dados dos procesos estacionarios Xn y Yk ; se cumple que:
1.- γxx [m] = φxx [m] – | µx |2; γxy [m] = φxy [m] – µx µy2
2.- φxx [0] = E{ |Xn |2}; γxx [0] = σx2
3.- φxx [-m] = φxx [m]; φxy [-m] = φxy [m]
4.- γxx [-m] = γxx [m]; γxy [-m] = γxy [m];
5.- |φxy [m]|2 ≤ φxx [0] φyy [0]; |γxy [m]|2 ≤ γxx [0] γyy [0]
6.- |φxx [m]| ≤ φxx [0]; |γxx [m]| ≤ γxx [0]
7.- Si Xn=Yn-k , entonces: γxx [m] = γyy [m] y φxx [m] = φyy [m]
* *
**
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
35Ergodicidad
Se dice que un proceso es ergódico cuando cumple las dos
condiciones siguientes:
1.- Sus promedios en tiempo <Xn> y <Xn+m Xn*> son
independientes de la realización.
2.- Sus promedios en tiempo <Xn> y <Xn+m Xn*> coinciden
con sus promedios en el ensamble µx y φxx [m].
Todo proceso ergódico es siempre también estacionario en
sentido amplio. Lo contrario no es necesariamente cierto.
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
36Importancia de la ergodicidad
La ergodicidad es una propiedad deseable y sumamente
importante en el procesamiento de señales. Gracias a esta
propiedad podemos calcular los promedios en el ensamble
mediante el cálculo de los promedios en el tiempo !!!
E{Xn} = µx = <Xn> E{Xn+m Xn*} = φxx [m] = <Xn+m Xn*>
Sin embargo, como vimos en la sección anterior, el cálculo
de <Xn> y <Xn+m Xn*> implica el cómputo de sendos límites
que en la práctica no es factible calcular.
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
37Estimadores de promedios
En la práctica, los valores de µx , σx2 y φxx [m] se aproximan
mediante el uso de estimadores*:
µx = <x[n]>N = x[n]
σx2 = < |x[n]–µx|2>N = | x[n] – µx |2
φxx [m] = <x[n+m] x[n]*>N = x[n+m] x[n]*
* Existen muchos tipos de estimadores, aquí se presentan los más comúnmente usados
Σn 0=
N-11N
^
Σn 0=
N-11N
^ ^ ^
Σn 0=
N-11N
^
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
38Ejercicio III.3
• SECUENCIA ALEATORIA GAUSSIANA
Considera el proceso aleatorio discreto descrito por la
siguiente función de densidad probabilística:
fX (xn ,n) = exp(– (x – µx )2 / 2σx2 )1
π σ 2
Se trata de un proceso Gaussiano estacionario con valor
esperado µx y varianza σx2.
En este ejercicio vamos a ilustrar los conceptos vistos en
esta sección mediante el uso de este proceso estocástico.
2 x
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
39Ejercicio III.3
• RESPUESTA
Para este ejercicio consideremos µx = 3 y σx2 = 2
Generando una realización de este proceso tenemos:
Xk [n]
0 10 20 30 40 50 60 70 80 90 100-5
0
5
10
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
40Ejercicio III.3
• RESPUESTA (continuación)
Ahora estimemos* el valor de µx para distintos valores de N
µx = <x[n]>N = x[n]Σn 0=
N-11N
^
0 500 1000 1500 20001.5
2
2.5
3
3.5
4
Número de muestras N
Val
or e
sper
ado
estim
ado
<x[n]>2000 = 3.0059
* Estamos asumiendo que el proceso es ergódico
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
41Ejercicio III.3
0 500 1000 1500 20000
0.5
1
1.5
2
2.5
3
• RESPUESTA (continuación)
Ahora estimemos* el valor de σx2 para distintos valores de N
σx2 = < |x[n]–µx|2>N
^
Número de muestras N
Var
ianz
a es
timad
a
< |x[n]–µx|2>2000 = 2.0390
^
^
* Estamos asumiendo que el proceso es ergódico
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
42Ejercicio III.3
-50 -40 -30 -20 -10 0 10 20 30 40 500
5
10
15φxx [m]^
φxx [0] = 10.93822^
• RESPUESTA (continuación)
Ahora estimemos* la secuencia de autocorrelación φxx [m]
para N = 2000
* Estamos asumiendo que el proceso es ergódico
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
43Ejercicio III.3
-50 -40 -30 -20 -10 0 10 20 30 40 50-1
0
1
2
3γxx [m]^
γxx [0] = 2.0596^
• RESPUESTA (continuación)
Ahora estimemos* la secuencia de autocovarianza γxx [m]
para N = 2000
* Estamos asumiendo que el proceso es ergódico
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
44Nota importante
Desde este momento en adelante, a menos que
se diga lo contrario, todo proceso estocástico
que se considere, se asumirá ergódico y por lo
tanto estacionario en sentido amplio.
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
45Contenido de este módulo
1.- Probabilidades y variables aleatorias
2.- Procesos estocásticos y promedios
3.- Estacionaridad y ergodicidad
4.- La densidad espectral de potencia
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
46Densidad espectral de potencia
Por lo general la DTFT de una señal aleatoria no existe, sin
embargo, por lo general, las DTFT de sus secuencias de auto-
correlación y autocovarianza si existen.
Así, se pueden definir los siguientes pares transformados:
Donde Φxx(e jω) se conoce con el nombre de densidad espectral
de potencia, ó simplemente, espectro de potencia.
φxx [m] Φxx(e jω)
γxx [m] Γxx(e jω)
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
47Propiedades
Se puede demostrar que:
• Φxx(e jω) = Γxx(e jω) + 2π |µx |2 δ (ω – 2πk)
• Si µx = 0, entonces: Φxx(e jω) = Γxx(e jω)
• Φxx(e jω) es siempre real, es decir, Φxx(e jω) = Φxx(e jω)
• Si φxx [m] = φxx [-m], i.e. el proceso estocástico es real,
entonces Φxx(e jω) tiene simetría par y es no negativa.
Σk - ∞=
∞
*
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
48Relación con el valor cuadrático medio
De la ecuación de síntesis de la DTFT, se obtiene que:
De donde se obtiene, haciendo m = 0, que:
φxx [m] = Φxx(e jω) e jωm dωπ
∫−π
12π
msvx = E{ |x[n]|2} = φxx [0] = Φxx(e jω) dωπ
∫−π
12π
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
49Relación con la varianza
De igual forma:
De donde se obtiene, haciendo m = 0, que:
γxx [m] = Γxx(e jω) e jωm dωπ
∫−π
12π
σx2 = E{ |x[n]–µx|2} = γxx [0] = Γxx(e jω) dω
π
∫−π
12π
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
50Densidad espectral de potencia cruzada
También se pueden definir los siguientes pares transformados
para las secuencias de crosscorrelación y crosscovarianza de
dos procesos estocásticos Xn y Yk :
Donde Φxy (e jω) se conoce con el nombre de densidad espectral
de potencia cruzada.
φxy [m] Φxy(e jω)
γxy [m] Γxy(e jω)
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
51Propiedades
Se puede demostrar que:
• Φxy(e jω) = Γxy(e jω) + 2π µx µy* δ (ω – 2πk)
• Si µx = 0 y µy = 0, entonces: Φxy(e jω) = Γxy(e jω)
• Φxy(e jω) es por lo general una función compleja, y se
cumple que Φxy(e jω) = Φyx(e jω)
Σk - ∞=
∞
*
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
52Secuencias estacionarias y sistemas LIT
Consideremos un sistema LIT cuya entrada es estacionaria
en sentido amplio
Se puede demostrar que entonces su salida también es esta-
cionaria en sentido amplio.
SISTEMALIT
y[n]x[n]
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
53Ejercicio III.4
• CROSSCORRELACIÓN ENTRADA/SALIDA
Considera un sistema LIT cuya entrada x[n] es una
secuencia aleatoria estacionaria:
a.- Calcula la crosscorrelación entre la entrada x[n] y la
salida y[n].
b.- ¿Qué ocurre si la entrada x[n] es ruido blanco?
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
54Ejercicio III.4
• RESPUESTA
Usando la definición de φxy [m] y la respuesta impulsiva h[k]
φxy [m] = E{ x[n] y[n+m] } = E{ x[n] h[k] x[n+m-k] }
φxy [m] = h[k] E{ x[n] x[n+m-k] } = h[k] φxx [m-k]
de donde se observa que:
φxy [m] = h[m] φxx [m]
Σk - ∞=
∞
Σk - ∞=
∞
Σk - ∞=
∞
*
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
55Ejercicio III.4
• RESPUESTA (continuación)
Si x[n] es ruido blanco con µx = 0 y σx2 = a, se puede demostrar
que: φxx [m] = a δ[m]
Y del resultado anterior, φxy [m] = h[m] φxx [m], se tiene que:
φxy [m] = a h[m]
De forma que la secuencia de crosscorrelación φxy [m] entre la
entrada x[n] y la salida y[n] de un sistema LIT, cuando la x[n]
es ruido blanco, es proporcional a la respuesta impulsiva h[n].
*
UNIVERSIDAD CATOLICA ANDRÉS BELLO
Facultad de IngenieríaEscuela de Telecomunicaciones
© 2004 by R.Banchs SEÑALES Y SISTEMAS II: SEÑALES ESTOCÁSTICAS
56
Fin del Módulo IIISeñales Estocásticas