Probabilidad y procesos estocásticos

UNIVERSIDAD NACIONAL DE INGENIERÍAFACULTAD DE ELECTROTECNIA Y COMPUTACIÓNDEPARTAMENTO DE SISTEMAS DIGITALES Y TELECOMUNICACIONES

SISTEMAS DE COMUNICACIONES I

UNIDAD 2: PROBABILIDADES Y PROCESOS ESTOCASTICOS

Curso 2005

Prof.: Ing. Marco A. Munguía Mena

CONTENIDO

• Breve Repaso: Probabilidad Y Teoría de Conjunto

• Variables Aleatorias Discretas

• Variables Aleatorias Continuas

• Valor Esperado y Varianza

• Procesos Estocásticos

Curso 2005

PROBABILIDAD Y TEORIA DE CONJUNTOS

Curso 2005

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 = Φ cuando i ≠ j

P[A1 U A2 U ….] = P[A1] + P[A2] + ……

PROB. Y TEORIA DE CONJUNTOS (Cont.)

A

B

Curso 2005

Propiedades de Grupos de Conjuntos

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

Ai ∩ Aj = Φ cuando i ≠ j

Cuando sólo 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


Probabilidad Condicional

Curso 2005

La Probabilidad de ocurrencia del evento A dado que ocurrió B es:

[ ] [ ][ ]BPABPBAP =|

Propiedades:

1. P[A|B] ≥ 0

2. P[B|B] = 1

3. Si A = A1 U A2 U … con Ai ∩ Aj =Φ para i ≠ j

P[A|B] = P[A1|B] + P[A2|B] + …


Curso 2005

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

iii BPBAPAP

1|

B1 B4

B3B2

A


Curso 2005

Teorema de Bayes

Para el evento A con P[A] > 0 :

[ ] [ ] [ ][ ]AP

BPBAPABP || =

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

[ ] [ ] [ ][ ] [ ]∑

=

= m

iii

iii

BPBAP

BPBAPABP

1|

||


Curso 2005

Eventos Independientes

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

[ ] [ ] [ ]BPAPABP =

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]

VARIABLES ALEATORIAS DISCRETAS

Curso 2005

Definición de Variable Aleatoria

Una Variable Aleatoria es una función, 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.

VARIABLES ALEATORIAS DISCRETAS (Cont.)

Curso 2005

Función de Masa de Probabilidad (PMF)

La PMF de una Variable Aleatoria Discreta X es:

donde X es la variables aleatoria y “x” es uno de los resultados del experimento.

[ ]xXPxPX ==)(

Propiedades: Para una V.A. X con PMF PX(x) y rango SX:

1. Para cualquier x, PX(x) ≥ 0

2. ∑x ЄSxPX(x) = 1

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

P[B] = ∑ PX(x) xЄB


Curso 2005

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.

Solución

Existen 4 diferentes resultados: bm, mb,mm y bb. Con un simple diagrama de árbol podemos demostrar que cada resultado tiene una probabilidad de ¼ y la V.A. Y tiene 3 posibles valores que corresponden a 3 eventos.


Función de Masa de Probabilidad (PMF)

Curso 2005

{Y=0} = {mm} {Y=1} = {bm,mb} {Y=2} = {bb}

P[Y=0] = P[mm] = ¼, P[Y=1] = P[bm,mb] = ½, P[Y=2] = P[bb] = ¼

La PMF se puede expresar:

⎪⎪⎪

⎩

⎪⎪⎪

⎨

⎧

=

=

=

=

241

121

041

)(

y

y

y

yPY


Curso 2005

Variable Aleatoria de Bernoulli

X es una variable aleatoria de Bernoulli, si su PMF tiene la forma:

⎪⎩

⎪⎨

⎧==−

=lugarotro

xpxp

xPX

0101

)(

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

Aplicable a todos aquellos experimentos donde sólo se tienen 2 posibles resultados.

Ej.: Lanzar una Moneda, Test de Cktos. Integrados (bueno o malo)


Curso 2005

Variable Aleatoria Binomial

X es una variable aleatoria Binomial, si su PMF tiene la forma:

⎪⎩

⎪⎨

⎧=−⎟⎟

⎠

⎞⎜⎜⎝

⎛=

−

lugarotro

nxppxn

xPxnx

X

0

,.......,2,1,0)1()(

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

Aplicable para conocer el numero de éxitos en n intentos.

Ej.: El numero de bits erróneos en una secuencia de n bits transmitidos en un canal con probabilidad de error p.


Curso 2005

Variable Aleatoria Uniforme

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

⎪⎩

⎪⎨

⎧ +=+−=

lugarotro

lkkxklxPX

0

,....,1,)1(

1)(

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

Ej.: Lanzamiento de un dado no alterado


Curso 2005

Variable Aleatoria Geométrica

X es una variable aleatoria Geométrica, si su PMF tiene la forma:

⎩⎨⎧ =−

=−

lugarotroxpp

xPx

X 0.......,2,1)1(

)(1

donde p debe cumplir: 0 < p < 1. Aplicables cuando se quiere conocer el numero de intentos hasta lograr el primer éxito.

Ej.: El numero de exámenes tomados hasta aprobar el curso.


Variable Aleatoria Poisson

Curso 2005

X es una variable aleatoria de Poisson, si su PMF tiene la forma:

⎪⎩

⎪⎨⎧

==

−

lugarotro

xxe

xP

x

X

0

......,2,1,0!)(

αα

donde α > 0, λ es la tasa de arribos y T es el intervalo de tiempo, teniendo que α = λT

Ej.: El número de llamadas que arriban a un conmutador telefónicos


Curso 2005

PMF Condicional

Dado un evento B, con P[B] > 0. La PMF condicional de la variable aleatoria X se representa por:

[ ]BxXPxP BX |)(| ==

)(),(

)|(

]|[)|(

,|

|

yPyxP

yxP

yYxXPyxP

Y

YXYX

YX

=

===

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


PMF Condicional

Curso 2005

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

⎪⎩

⎪⎨

⎧ ∈=

lugarotro

BxBPxP

xPX

BX

0][)(

)(|

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

][)()(1

| i

m

iBXX BPxPxP

i∑=

=


Curso 2005

Múltiples Variables Aleatorias Discretas

La PMF Conjunta de N Variables Aleatorias se representa así:

]........,,[).......,,( 111...,,1 nnnXX xXxXPxxPn

===

Para N = 2, tenemos:

],[),(, yYxXPyxP YX ===

)()|()()|(),( ||, xPxyPyPyxPyxP XXYYYXYX ==


Curso 2005

Múltiples Variables Aleatorias Discretas

Propiedades:

∑ ∑∈ ∈

=Sxx Syy

YX yxP 1),(,

∑

∑=

=

xYXY

yYXX

yxPyP

yxPxP

),()(

),()(

,

,

1.

2.

3.

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

),(][),(

, yxPBPByx

YX∑∈

=


Curso 2005

Variables Aleatorias Discretas Independientes

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

)()|()()|(

)()(),(

|

|

,

yPxyPxPyxP

yPxPyxP

YXY

XYX

YXYX

=

=

=

Por lo tanto podemos deducir que:

VARIABLES ALEATORIAS CONTINUAS

Curso 2005

Variable Aleatoria Continua

Cuando todos los valores que toma una Variable Aleatoria están dentro de un intervalo de los números Reales, se dice que V.A. es Continua.

Por ejemplo: A = {x | 1 < x < 25}

VARIABLES ALEATORIAS CONTINUAS (Cont.)

Diferencias con respecto a V.A. Discretas

Curso 2005

• Espacio Muestral Discreto

- Un Numero finito de Resultados

- Cada Resultado tiene una probabilidad de Ocurrencia

• Espacio Muestral Continuo

- Tenemos un infinito número de Resultados

- Ejemplo: Obtener un número real entre 2 y 4


Curso 2005

Función de Distribución 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: Función de Distribución Acumulativa (CDF)


Propiedades de la CDF

Curso 2005

0)( =−∞XF

1)( =∞XF

)()(][ 1221 xFxFxXxP XX −=≤<

1.

2.

3.

4. La CDF es una función Creciente de 0 a 1


Función de Densidad de Probabilidad (PDF)

Curso 2005

Para eventos muy pequeños

FX(x)

x

ε

x1

1

FX(x1+ε) – FX(x1) = P[x1 < X ≤ x1+ε]


Función de Densidad de Probabilidad (PDF)

Curso 2005

Si hacemos ε más pequeño y le calculamos el limite tenemos:

)(

)(

)()()( 11

0

11

0

xfdx

xdF

xFxFLimxXxPLim

X

X

XX

=

=

−+=

+≤<→→ ε

εε

εεε

Esta función es llama: Función de Densidad de Probabilidad


Propiedades de la PDF

Curso 2005

∫

∫

∫

∞−

∞

∞−

=

<−==≤<

=

≥

=

x

XX

x

xXXX

X

X

XX

duufxF

xxparaxFxFduufxXxP

duuf

xtodoparaxfdx

xdFxf

)()(

)()()(][

1)(

0)(

)()(

2

1

211221

1.

2.

3.

4.

5.


Curso 2005

Variable Aleatoria Uniforme

⎪⎪⎩

⎪⎪⎨

⎧

>

≤<−−

≤

=⎪⎩

⎪⎨⎧ <≤−=

bx

bxaabax

ax

xFlugarotro

bxaabxf XX

1

0

)(0

1)(

Donde a y b son números reales, además a < b


Variable Aleatoria Exponencial

Curso 2005

⎩⎨⎧ ≥−

=

⎩⎨⎧ ≥

=

−

−

lugarotroxe

xF

lugarotroxea

xf

ax

X

ax

X

001

)(

00

)(

Para a > 0


Variable Aleatoria de Rayleigh

Curso 2005

Para a > 0

⎪⎩

⎪⎨⎧ >−=

⎪⎩

⎪⎨⎧ >=

−

−

lugarotroxexF

lugarotroxeaxxf

xa

X

xa

X

001)(

00)(

2

22

22

22


Variable Aleatoria Gausiana

Curso 2005

Donde µ es un numero real y σ > 0

⎟⎠⎞

⎜⎝⎛ −

Φ==

=

∫∞−

−−

−−

σµ

σπ

σπ

σ

µ

σ

µ

xduexF

exf

x x

X

x

X

2

2

2

2

2

)(

2

2)(

2

21)(

21)(


PDF Condicional

Curso 2005

La PDF Condicional de una V.A. X dado un subconjunto B de resultados con P[B] > 0 se expresa por:

⎪⎩

⎪⎨

⎧ ∈=

lugarotro

BxBPxf

xfX

BX

0][)(

)(|

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

)(),(

)|( ,| xf

yxfxyf

X

YXXY =


Múltiples Variables Aleatorias Continuas

Curso 2005

La CDF y PDF Conjuntas de N Variables Aleatorias se representa así:

n

nXXn

nXX

nnnXX

xxxxF

xxf

xXxXPxxF

n

n

n

∂∂

∂=

≤≤=

L1

1...,,.........1..,,.........

111,......,

),.........().,,.........(

],..........,[)........,,(

1

1

1



Curso 2005

Para N = 2, tenemos:

)()|()()|(),(

),(),(

),(),(

],[),(

||,

,2

,

,,

,

xfxyfyfyxfyxfyx

yxFyxf

dvduvufyxF

yYxXPyxF

XXYYYXYX

YXYX

x y

YXYX

YX

==∂∂

∂=

=

≤≤=

∫ ∫∞− ∞−



Curso 2005

Propiedades:

),(),(,1),(

0),(),(),()(),()(

1),(0

11,11

,

,,

,

,

,

11yxFyxFentoncesyyyxxSi

FxFyF

yFyFxFxF

yxF

YXYX

YX

YXYX

YXY

YXX

YX

≤≥≥

=∞∞

=−∞=−∞

∞=

∞=

≤≤


Curso 2005

Propiedades:


∫

∫

∫∫

∫ ∫

∞

∞−

∞

∞−

∞

∞−

∞

∞−

=

=

=

=

≥

dxyxfyf

dyyxfxf

dydxyxfAP

dydxyxf

yxtodoparayxf

YXY

YXX

AYX

YX

YX

),()(

),()(

),(][

1),(

),(0),(

,

,

,

,

,


Curso 2005

Variables Aleatorias continuas Independientes

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

Por lo tanto podemos deducir que:

)()|()()|(

)()(),(

|

|

,

yfxyfxfyxf

yfxfyxf

YXY

XYX

YXYX

=

=

=

Definición de Valor Esperado

Curso 2005

VALOR ESPERADO Y VARIANZA

V.A. Discreta:

Valor Esperado de algunas V.A. Discretas:

1. Bernoulli: E[X] = p

2. Geométrica: E[X] = 1/p

3. Poisson: E[X] = α

4. Binomial: E[X] = np

5. Uniforme: E[X] = (k + l)/2

[ ] ∑∈

==XSx

XX xxPXE )(µ

Definición de Valor Esperado

Curso 2005

VALOR ESPERADO Y VARIANZA (Cont.)

V.A. Continua:

Valor Esperado de algunas V.A. Discretas:

1. Uniforme: E[X] = (b+a)/2

2. Exponencial E[X] = 1/a

3. Rayleigh: E[X] = √(π/2a2)

4. Gausiana: E[X] = µ

[ ] ∫∞

∞−

== dxxfxXE XX )(µ

Propiedades del Valor Esperado

Curso 2005


1. E[cX] = cE[X]

2. Var [ Constante ] = Constante

3. E[X +c] = E[X] + c

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

Valor Esperado Condicional

Curso 2005


Discreto:

Continuo:

[ ] ∑∈

==XSx

YX yxPxyYXE )|(| |

[ ] ∫∞

∞−

== dxyxfxyYXE YX )|(| |

Valor Cuadrático Medio

Curso 2005


Discreto:

Continuo:

[ ][ ] ∑

∑

∈

∈

=

=

X

X

SxX

nn

SxX

xPxXE

xPxXE

)(

)(22

[ ]

[ ] ∫

∫∞

∞−

∞

∞−

=

=

dxxfxXE

dxxfxXE

Xnn

X

)(

)(22

Varianza

Curso 2005


V.A. Discreta y Continua:

2222 ])[(][]])[[(][ XEXEXEXEXVar X −=−== σ

Desviación Estándar:

)(xVarX =σ

Nota: La Varianza siempre es Mayor que 0 (Cero)

Propiedades de la Varianza

Curso 2005


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 - µX)(Y - µY)]

Varianza

Curso 2005


Varianza de algunas V.A. Discretas:

1. Bernoulli: Var[X] = p(1-p)

2. Geométrica: Var[X] = (1-p) / p

3. Binomial: Var[X] = np(1-p)

4. Poisson: Var[X] = α

5. Uniforme: Var[X] = (l-k) (l-k+2) / 12

Varianza

Curso 2005


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 – π/2) / a2

4. Gausiana: Var[X] = σ2

Varianza Condicional

Curso 2005


Discreto y Continuo:

2|

22 ]|[]|])|[[(]|[ YXYXEYYXEXEYXVar µ−=−=

La Correlación

La Correlación de X e Y se expresa por:

∫ ∫

∑ ∑∞

∞−

∞

∞−

∈ ∈

==

==

dydxyxfyxXYEr

yxPyxXYEr

YXYX

Sx SyYXYX

X Y

),(][

),(][

,,

,,

Covarianza

Curso 2005


YX

YX

XYEYXEYXCovµµ

µµ−=

−−=][

)])([(],[

Coeficiente de Correlación

11][][

],[,, ≤≤−= YXYX YVarXVar

YXCov ρρ

Variables Aleatorias Independientes

Curso 2005


0],[.5][][][.4

][]|[.3][]|[.2

][][][.1

,

,

==+=+

∈==∈==

==

YX

X

Y

YX

YXCovYVarXVarYXVar

SxtodoparaYExXYESytodoparaXEyYXE

YEXEXYEr

ρ

Variables Aleatorias Ortogonales

Curso 2005


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

0][, == XYEr YX

Variables Aleatorias No Correlacionadas

Dos Variables Aleatorias X e Y son No Correlacionadas si la covariancia es igual a CERO.

0],[ =YXCov

Definición

Curso 2005

PROCESOS ESTOCASTICOS

Consideremos un experimento aleatorio especificado por los resultados s de un Espacio Muestral S. Suponga que a cada resultado le asignamos una función de tiempo representada:

X(t,s) -T ≤ t ≤ T

donde 2T es el intervalo de observación total.

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

Curso 2005

PROCESOS ESTOCASTICOS (Cont.)

La figura (próxima diapositiva) muestra un conjunto de funciones de muestra. Para un tiempo fijo tk dentro del intervalo de información el conjunto de números

{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 notación: X(t) para representar un proceso aleatorio.

Curso 2005


Curso 2005


Tipos

Curso 2005


Las Cuatro Combinaciones

Curso 2005


Promedios Estadísticos

Media ∫∞

∞−

== dxxfxtXEtktXkkX )()]([)( )(µ

τ

Curso 2005


Varianza

( ) ( )∫∞

∞−

−=−= 22)(

2 )]([])([)()]([)]([ kktXkk tXEtXEdxxftXExtXVark

Covarianza: El comportamiento conjunto de un proceso X(t) en dos instantes de tiempo distintos es contenido en la función de autocovarianza

)()()]()([))]()(())()([(

)]()([),(

τµµττµτµ

ττ

+−+=+−+−=

+=

tttXtXEttXttXE

tXtXCovtC

XX

XX

X

Autocorrelación

Curso 2005


1. Si el valor de la covarianza es alto quiere decir que X(t) varía muy lento.

2. Si el valor de la covarianza tiende a cero, X(t) varía rápido.

∫∫ +=

=+=

),(all)(),( ),(

)]()([),(

yxtXtX

X

dydxyxfxy

tXtXEtR

τ

ττ

Autocorrelación

Procesos IID (Independent Identically Distributed)

Es Decir

• Todos los X(tk) son mutuamente independientes.

• Todos los X(tk) tienen la misma PDF

LL

LLKKKK

)()()(

)()()(),,,,(

21

2121,,, 2121

kXXX

kXXXkXXX

xfxfxf

xfxfxfxxxfkk

=

=

Curso 2005


Propiedades de la Autocorrelación

1. RX(0) ≥ 0

2. RX(t) = RX(-t)

3. |RX(t)| ≤ RX(0)

Curso 2005


Proceso Estacionario

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

τ

),,,(

),,,(

21)(,),(),(

21)(,),(),(

21

21

mtXtXtX

mtXtXtX

xxxf

xxxf

m

m

K

K

K

K

τττ +++=

=

Consecuencias

)()()( )()( xfxfxf XtXtX == +τ

Todas las PDF´s marginales son independientes del tiempo

1.

Curso 2005


XX XEtXEt µµ === ][)]([)(

22)( ][)]([ XtX XVartXVar σσ ===

Por lo tanto:

El Valor Esperado, la Varianza, la Autocorrelación y la Covarianza son independientes del tiempo

2)()(),(

)(),(

XXXX

XX

RCtC

RtR

µτττ

ττ

−==

=

Curso 2005


Proceso WSS (Wide Sense Stationary)

Para mostrar que un proceso es Estacionario es necesario calcular la PDF conjunta, lo cual es difícil de obtener. Un proceso puede ser estimado calculando su Valor Esperado y la Autocorrelación.

Si la Autocorrelación y la Media satisfacen lo propuesto por un proceso Estacionario, podemos llamar a este proceso Estacionarioen el sentido amplio (WSS).

Un proceso que es Estacionario es WSS pero un proceso que es WSS no es necesariamente Estacionario. (Excepción: Proceso Gasussiano)

2)()(),(

)(),()(

XXXX

XX

XX

RCtC

RtRt

µτττ

ττµµ

−==⇒

==

Curso 2005


La Potencia promedio de un proceso WSS se estima por:

222 )()]([)0( XXX tXER µσ +==

Filtrado de Procesos WSS

Curso 2005


1.

∫ ∫

∫∞

∞−

∞

∞−

∞

∞−

==−=

⎥⎦

⎤⎢⎣

⎡−=⊗=

)0()()]([)]([)(

)()()]()([)]([

hdsshtXEdsstxEsh

dsstxshEtxthEtYE

Xµ

2.

)()()(

)()()(

))]()(())()([()]()([),(

τττ

τ

ττττ

X

X

Y

Rhh

dudvuvRvhuh

txthtxthEtYtYEtR

⊗−⊗=

+−=

+⊗+⊗=+=

∫ ∫∞

∞−

∞

∞−

Curso 2005


Densidad Espectral de Potencia

ττπτ

τ

dfjR

RFfS

X

XX

)2exp()(

)}({)(

−=

==

∫∞

∞−

∫

∫∞

∞−

∞

∞−

−

=

=

dfefGtg

dtetgfG

ftj

ftj

π

π

2

2

)()(

)()(

∫

∫∞

∞−

∞

∞−

=

=

dffGg

dttgG

)()0(

)()0(

Recordando Fourier

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

Curso 2005


∫∞

∞−

= dffSR XX )()0(

Si a la Autocorrelación del Proceso de salida le aplicamos la transformada de Fourier se obtiene:

)(|)(|)()()()(

)()()()(

2* fSfHfSfHfHfS

RhhR

XXY

XY

==

⇓

⊗−⊗= ττττ

Función de Correlación Cruzada

Curso 2005


¿Cuál es la relación entre X(t1) y Y(t2)?

)]()([),( ττ += tYtXEtRXY

Curso 2005


Propiedades de la Correlación Cruzada

1. Si X(t) y Y(t) son WSS entonces:

2.

3. Densidad Espectral Cruzada

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:

)(),( ττ XYXY RtR =

)()( ττ −= YXXY RR

{ } ∫∞

∞−

−== τττ τπ deRRFfS fjXYXYXY

2)()()(

)()()()()()( FSfHfSRhR XXYXXY =⇔⊗= τττF

• Los Valores de Muestra X(t1), X(t2), …, X(tk) tienen una PDF gaussiana conjunta (multivariate).

• PDF Conjunta esta descrita por:– vector µX=[µX(t1), µX(t2), …, µX(tk)]T

– Matriz de Covarianza C

)()(),(),( jXiXijiXijiXij tttttRtttCC µµ−−=−=

⎟⎠⎞

⎜⎝⎛ −−−= − )()(

21exp

)2(1),,( 1

2121)(,),( 1 XT

XkktXtX xxfk

µµπ

xCxC

KK

Curso 2005


Proceso Gaussiano

Curso 2005


Casos Especiales

N = 1 V.A. Gaussiana

N = 2 Bivariate PDF Gasussiana

21

211

1

2)(

21

1)(2

1)( σµ

σπ

−−

=x

tX exf

221

)1(2

))((2

21)(),(12

),(

2

2

2

22

21

22112

1

11

21 ρσπσ

ρ

σµ

σσµµρ

σµ

−=

⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢

⎣

⎡

−

⎟⎟⎠

⎞⎜⎜⎝

⎛ −+

−−−⎟⎟

⎠

⎞⎜⎜⎝

⎛ −

−

xxxx

tXtXexxf

Curso 2005


Proceso Blanco

El termino Proceso Blanco es usado para denotar un proceso en elcual todas las componentes de frecuencia tienen igual potencia, es decir si su DSP es constante para todas las frecuencias.

)(2

)(

2)(

0

0

τδτN

R

NfS

n

n

=

=

Curso 2005


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:

WTdonde

kTtWckTXtXE

s

kss

21

0))(2(sin)()(2

=

=⎥⎦

⎤⎢⎣

⎡−− ∑

∞

−∞=

Curso 2005


Proceso Pasabanda

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

⎩⎨⎧ <++−

==Otro

ffffSffSfSfS XX

XsXc 0||)()(

)()( 000

Documents

Probabilidad y procesos estocásticos