Introduccin

y Revisin de
Conceptos Bsicos

1
2015

Objetivos:
establecer la necesidad del estudio de sistemas fsicos desde el punto de vista estocstico;
brindar una revisin de algunos temas ya vistos en asignaturas previas;

1.1 INTRODUCCION
En los sistemas elctricos y electrnicos, en general, se utilizan seales de tensin y de
corriente, tanto para recolectar, procesar y transmitir informacin, como para controlar diversos dispositivos. Estas seales son funciones del tiempo y pueden ser clasificadas en dos
grandes categoras: determinsticas y aleatorias.
Una seal determinstica puede ser definida como una que atraviesa una trayectoria
predeterminada en el tiempo y en el espacio; esto es as pues las fluctuaciones de una seal
determinstica pueden ser completamente descriptas mediante una funcin del tiempo y cualquier valor que pueda asumir la seal es predecible a partir de la descripcin funcional de la
misma y de su historia.
Por el contrario, una seal aleatoria tiene fluctuaciones impredecibles; es decir, no es
posible formular una ecuacin que permita conocer el valor futuro exacto de la seal a partir
de su historia. Muchos tipos de seales son, al menos parcialmente, aleatorias; tal el caso de
una seal de voz o el ruido presente en un canal.
El concepto de aleatoriedad est ntimamente ligado a los conceptos de informacin y
ruido. De hecho, mucho del trabajo sobre el procesamiento de seales aleatorias est relacionado con la extraccin de informacin a partir de observaciones ruidosas. Si una seal tiene
capacidad de transportar informacin, debe poseer cierto grado de aleatoriedad pues una seal
predecible no transporta informacin. Luego, la parte aleatoria de una seal es: ruido, informacin, o una combinacin de ambos. Usualmente, se clasifican como seales aleatorias a
las formas de onda que contienen informacin, mientras que se denomina ruido a la parte no
deseada de la seal y que interfiere en nuestro intento de extraer informacin.
A modo de ejemplo, considrense las formas de onda presentes en un sistema tpico de
transmisin de datos, en que cierto nmero de terminales intercambian informacin binaria
mediante un enlace ruidoso con un servidor, tal como el mostrado en la figura 1.1.
En este sistema, una interfase en cada nodo convierte los datos binarios a transmitir en
una forma de onda elctrica de forma tal que los dgitos binarios son convertidos en pulsos de
T segundos de duracin y de una amplitud A. De la observacin de estas formas de onda, se
establece que poseen aleatoriedad asociada a la informacin contenida en ellas.
La forma de onda recibida en el otro extremo del enlace, por su parte, es una versin
distorsionada y con ruido de la forma de onda original, en la que el ruido refleja las perturbaciones elctricas o interferencias presentes en el sistema. A partir de esta forma de onda distorsionada, el receptor intenta extraer la informacin binaria transmitida, en un proceso que,
ocasionalmente, puede dar lugar a errores.
Cuando se observa el conjunto o ensamble de formas de onda recibidas (mostradas en
la figura 1.1), es evidente el carcter aleatorio de las mismas; as, si dirigimos nuestra atencin sobre cualquiera de las formas de onda miembros del ensamble, digamos yi(t), en cierto
intervalo temporal [t1, t2], vemos que es imposible deducir, a partir de lo observado, cual ser
el valor de la onda en cualquier otro punto fuera del intervalo. Ms an, el conocimiento de
cualquier forma de onda miembro del ensamble, tal como yi(t), no nos permite en absoluto

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 2 de 24

conocer los valores que asumir otra funcin miembro como yj(t). En estas condiciones, cabe
preguntarse:
Cmo afecta el ruido al desempeo de tal sistema? (en trminos de habilidad del receptor para recuperar correctamente los datos transmitidos).
Cmo podemos establecer un modelo para el ensamble considerado?
Cules son las propiedades espectrales del ensamble mostrado en la figura 1.1?

Figura 1.1: Ejemplo de proceso aleatorio y secuencia aleatoria

Para responder a esas preguntas, se debe poder describir, o caracterizar, al conjunto de

formas de onda, para lo cual utilizaremos un modelo denominado proceso aleatorio.
En efecto, aun cuando una seal aleatoria no es predecible, frecuentemente exhibe un
conjunto de caractersticas probabilsticas bien definidas, tal como un mximo, un mnimo,
valor medio, mediana, varianza y densidad espectral de potencia. As, un conjunto de formas
de onda provenientes de un sistema dado, constituye un proceso aleatorio que puede describirse a partir de sus propiedades de conjunto en trminos de momentos o, en forma ms completa, en trminos de modelos probabilsticos para los cuales pueden establecerse todos sus
estadsticos.
Frecuentemente, a las funciones aleatorias dependientes del tiempo se las denomina
seales estocsticas. El trmino proceso estocstico es ampliamente utilizado para describir
procesos aleatorios que generan seales secuenciales: ejemplos de este tipo de seales incluyen la voz, la msica, las imgenes, canales variantes en el tiempo, video y ruido. En la terminologa de procesamiento de seales, un proceso estocstico es un modelo probabilstico de
cierta clase de seales aleatorias; por ejemplo: procesos Gaussianos, procesos de Markov, de
Poisson, etc.; sin embargo, para fines prcticos, puede ser suficiente una descripcin en trminos de algunos estadsticos simples tales como la media, la funcin de autocorrelacin y densidad espectral de potencia. Tales descripciones (o modelos) son utilizados para desarrollar
algoritmos de procesamiento de seales que permitan recuperar la informacin presente en
observaciones fsicas. Ejemplos tpicos de este tipo de trabajo lo constituyen la recuperacin
de informacin que arriba por un canal de comunicaciones ruidoso, la estimacin de la tendencia de variacin de la carga instantnea en un sistema elctrico de potencia, la estimacin

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 3 de 24

de la ubicacin de un avin a partir de los datos entregados por un radar, la estimacin de una
variable de estado en un sistema de control sobre la base de mediciones ruidosas, etc.
El ejemplo clsico de proceso aleatorio es el denominado movimiento Browniano de
partculas en un fluido: en el, las partculas en el seno de un fluido se mueven aleatoriamente
debido al bombardeo de partculas de fluido a que estn sometidas. El movimiento aleatorio
de cada partcula es una realizacin del proceso estocstico y el movimiento de todas las partculas en el fluido forma el ensamble o el espacio de realizaciones del proceso.
Otro ejemplo de seal estocstica es el ruido que puede escucharse en un receptor AM
cuando no est sintonizada ninguna emisora. Si reemplazamos el altavoz con un osciloscopio,
la seal de tensin visualizada, en funcin del tiempo, tendr caractersticas irregulares no
peridicas y cuyos valores no son predecibles. Tambin son seales aleatorias las fluctuaciones instantneas de carga en un sistema elctrico de potencia, la salida de un micrfono cuando alguien est hablando frente a l, etc.
En los prximos apartados, se define con cierta formalidad lo dicho y, luego de esta
introduccin, lo que sigue en el captulo es una revisin de algunos conceptos bsicos de probabilidad y variables aleatorias ya estudiados.
1.2 SEALES ESTOCASTICAS
Como ya se ha dicho, podemos dividir las seales en dos grupos: aquellas que presentan un comportamiento fijo y aquellas que varan aleatoriamente (figura 1.2).

SEAL DETERMINSTICA

SEAL ALEATORIA

Figura 1.2: Ejemplo de seales determinsticas (sinusoide) y estocsticas (la seal mostrada resulta de
adicionar ruido a la sinusoide)

A diferencia de las seales determinsticas, las seales aleatorias no pueden ser caracterizadas mediante expresiones matemticas o reglas fijas que permitan establecer unvocamente que valor asumirn en un momento dado; entonces en estos casos se trata de establecer
propiedades que satisfagan un conjunto de seales en lugar de analizar las seales individualmente. Se hace uso entonces, tal como ya se ha dicho, de las herramientas de probabilidad y
estadstica para analizar su comportamiento.
Proceso aleatorio.
Un proceso aleatorio puede interpretarse como una extensin del concepto de variable
aleatoria ya estudiado en probabilidad; en esa ocasin, se asoci un punto de muestra con cada resultado de un experimento y a la coleccin de todos los puntos de muestra se la denomin espacio muestral del experimento. Luego, a cada punto de muestra en el espacio muestral
se le asign un nmero real X de acuerdo con alguna regla, y una probabilidad de ocurrencia
P[X(x)], en lo que constituye la definicin de variable aleatoria.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 4 de 24

En el caso de un proceso aleatorio, a cada punto de muestra, que distinguiremos con la

notacin , le corresponde una forma de onda que es funcin del tiempo t, de acuerdo con
alguna regla x(t,). Por lo tanto, el espacio muestral tendr asociada una cierta coleccin de
formas de onda y cada una de ellas corresponde a un punto de muestra . Esta coleccin de
formas de onda se conoce con el nombre de conjunto aleatorio o ensamble y cada forma de
onda individual como funcin de muestra o realizacin. El sistema de probabilidades, que
comprende el espacio de las muestras, el conjunto aleatorio (o conjunto de realizaciones) y las
funciones de probabilidad asociadas, constituyen el proceso aleatorio o, ms precisamente,
proceso estocstico.
A modo de sntesis de todo lo expresado, podemos definir un proceso aleatorio de la
siguiente forma:
Un Proceso Aleatorio es una familia o ensamble de seales que corresponden a
todos los posibles resultados de la medicin de cierta seal. Cada seal de este
ensamble es denominada realizacin o funcin muestra del proceso.
En la figura 1.3 se muestra un conjunto aleatorio de seales producido, por ejemplo,
por el ruido en un sistema elctrico. Este conjunto se puede obtener repitiendo las observaciones en el mismo sistema, u observando simultneamente los resultados o seales de varios
sistemas idnticos.

Figura 1.3: Representacin de un proceso estocstico, en que se explicita la dependencia del tiempo y de
las realizaciones del proceso.

Notacin.
Un proceso estocstico, tal como se ha definido, puede ser denotado como X(t,), en la
que t representa al tiempo y representa a un resultado de cierto experimento aleatorio en el
espacio muestral. Asociado a cada resultado especfico, digamos i, existe una funcin miembro del ensamble xi(t). Cada funcin miembro o realizacin del proceso es una funcin determinstica del tiempo (an cuando no pueda ser expresada en forma analtica cerrada).
Para un valor especfico del tiempo, digamos t = t1, X(t1,) representa una coleccin de
los valores numricos que asumen las funciones miembros del ensamble para t = t1. El valor
concreto depender de los resultados del experimento aleatorio y sus formas de onda asociadas; es decir, X(t1,) es una variable aleatoria y las funciones de distribucin de probabilidad
asociadas dependern de las probabilidades de los resultados del experimento aleatorio asociado.
Cuando tanto t como estn fijos en valores tales como t = t1 y = 2, X(t1,2) representa el valor numrico de la funcin 2 del ensamble en el tiempo t1; es decir: X(t1,2) = x2(t1).

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 5 de 24

De acuerdo a la notacin establecida en los prrafos precedentes, resulta clara la forma

en que X(t,) representa al proceso aleatorio; sin embargo, la notacin usual para los procesos
aleatorios introduce un factor de confusin al omitir y representar al proceso aleatorio simplemente con X(t), cuyo significado es una coleccin (o ensamble) de formas de onda que
ocurren con una cierta medida de probabilidad. En este contexto, una funcin de muestra (o
realizacin) individual se representar simplemente con x(t). En lo que resta de la asignatura
se utilizar esta ltima notacin, a pesar de su posible ambigedad, por ser la utilizada en
prcticamente la totalidad de la bibliografa sobre el tema.
Clasificacin.
Los procesos estocsticos se clasifican de acuerdo a las caractersticas del tiempo t y
de los estados X(t); as, en muchos textos se utiliza la nomenclatura indicada en la tabla 1.1
para diferenciar los diferentes tipos de procesos estocsticos.

t
X(t)
continuo
discreto

continuo

discreto

proceso aleatorio
continuo
proceso aleatorio
discreto

secuencia aleatoria
continua
secuencia aleatoria
discreta

Tabla 1.1: Clasificacin de procesos aleatorios

Otros atributos utilizados para clasificar los procesos aleatorios se relacionan con la
dependencia temporal de la estructura probabilstica de X(t), lo que los identifica como estacionarios o no estacionarios, tal como se ver ms adelante en este captulo. Tambin se toma
en consideracin si son valuados reales o valuados complejos, predecibles o impredecibles,
etc.
Definicin Formal.
Sea S el espacio muestral de un experimento aleatorio y sea t una variable que puede
tomar valores en el conjunto R1 (la lnea real). Un proceso aleatorio valuado real X(t), con
t es, entonces, una funcin mensurable sobre S que mapea S sobre R1. En caso que
el conjunto sea la unin de uno o ms intervalos sobre la lnea real, entonces X(t) ser un
proceso aleatorio; en cambio, si es un subconjunto de enteros, entonces X(t) es una secuencia aleatoria.
Un proceso aleatorio valuado real X(t) queda descrito por sus funciones de distribucin
de orden n-simo:
FX (t1 ), X (t2 ),K, X (tn ) ( x1 , x2 ,L, xn ) = P[X (t1 ) x1 ,L, X (t n ) xn ]

n y t1 ,K, t n

(1.1)

Estas funciones satisfacen todos los requerimientos de las funciones de distribucin de

probabilidad conjuntas.
Ntese que, si consiste en nmero finito de puntos, digamos t1 , t2 ,K, t n , la secuencia
aleatoria quedar completamente descripta por la funcin de distribucin conjunta del vector
aleatorio n-dimensional [X (t1 ), X (t 2 ),L, X (t n )]T en que T denota al vector transpuesto.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 6 de 24

1.3 PROCESOS ALEATORIOS: METODOS DE DESCRIPCION

En general, y tal como ya se ha expresado, decimos que un proceso aleatorio puede ser
descrito en trminos de un experimento aleatorio y su mapeo asociado; dado que tal descripcin es una extensin natural del concepto de variables aleatorias, existen diversos mtodos
que pueden ser utilizados, tanto para caracterizar los procesos aleatorios, como para el diseo
de sistemas que procesan este tipo de seales para diversas aplicaciones. As, consideraremos:
1.3.1 Descripcin Analtica utilizando Variables Aleatorias.
En ciertas ocasiones, es posible utilizar las formas analticas de descripcin utilizadas
en lo determinstico para expresar procesos aleatorios con una o ms variables aleatorias. A
modo de ejemplo, se puede considerar el caso de cierta emisora que transmite un tono del
tipo x(t) = 100 cos (108t) a un gran nmero de receptores aleatoriamente distribuidos en un rea
metropolitana. La amplitud y fase de la forma de onda recibida por el i-esimo receptor depende de su distancia al emisor, resultando un conjunto de formas de onda del tipo de las mostradas en la figura 1.4. Dado que existe un gran nmero de receptores aleatoriamente distribuidos, podemos modelar la distancia como una variable aleatoria; por otra parte, dado que la
atenuacin y fase de la seal son ambas funciones de la distancia, tambin son variables aleatorias. As, puede representarse el ensamble de formas de onda recibidas como un proceso
aleatorio Y(t) de la forma:
Y(t) = A cos(108t + )

en la que A y son variables aleatorias representativas de la amplitud y la fase de las formas

de onda recibidas. A partir de los supuestos considerados, parece razonable asumir distribuciones uniformes, tanto para A como para .
Este tipo de representacin de procesos aleatorios en trminos de una o ms variables
aleatorias cuya ley de probabilidad es conocida, es utilizado en diversas aplicaciones relacionadas con sistemas de comunicaciones.

Figura 1.4: Proceso aleatorio sinusoidal, en que tanto la fase como la amplitud de cada realizacin son
aleatorias

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 7 de 24

En el ejemplo anterior, sin embargo, el tratamiento se simplifica pues no se considera

la presencia de ruido ni la transmisin de informacin. Los mtodos de descripcin ms generales son, entonces, los que se mencionan a continuacin.
1.3.2 Distribuciones Conjuntas.
Dado que se ha definido un proceso aleatorio como un conjunto indexado de formas
de onda que a su vez son funciones del tiempo, el proceso puede ser descrito mediante funciones de distribucin de probabilidad conjunta. As, para cierto proceso aleatorio X(t), se obtendra una descripcin que requiere el conocimiento de, al menos, una funcin de distribucin de orden n-simo tal como se ha definido mediante la (1.1), para cada valor de n que se
deba establecer. Sin embargo, para aplicaciones de telecomunicaciones, sera suficiente el
conocimiento de las funciones de distribucin de primer y segundo orden (n = 1 y n = 2 respectivamente). La funcin de distribucin de primer orden, de forma:
F ( x1 ) = P[X (t1 ) x1 ]

describe la distribucin de amplitud instantnea del proceso, mientras que la de segundo orden, de forma:
FX ( t1 ), X ( t2 ) ( x1 , x 2 ) = P[X (t1 ) x1 , X (t 2 ) x 2 ]

permite conocer algunas caractersticas de la estructura de la seal en el dominio del tiempo y,

consecuentemente, su contenido espectral.

Figura 1.5: funciones de distribucin de probabilidad asociadas a t1 y t2

Destaquemos que, si bien las funciones de distribucin conjunta de un proceso pueden

ser eventualmente obtenidas a partir de una descripcin del experimento aleatorio y su mapeo,
no existen tcnicas que permitan reconstruir alguna de las funciones miembro del proceso a
partir de las funciones de distribucin conjunta. Dos procesos diferentes pueden tener la misma distribucin conjunta de orden n sin que exista correspondencia uno a uno entre las funciones miembro de los procesos o, an, sin que exista correspondencia en la naturaleza fsica
del problema considerado.
1.3.3 Valores Medios.
Al igual que el caso de variables aleatorias, los procesos aleatorios pueden ser descriptos en trminos de valores medios o esperados. Como ya se mencion en el apartado anterior,
en muchas aplicaciones solo resultan de inters ciertos valores medios derivados de distribuciones de primer o segundo orden de X(t). Estos valores medios se definen de la siguiente manera:

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 8 de 24

Media: La media de X(t) es el valor esperado de la variable aleatoria X(t).

X (t ) = E{X (t )}

(1.2)

As, una media del proceso aleatorio es el promedio de los valores del todas las funciones
miembros del ensamble en el tiempo t.
En el caso de aplicacin a seales de ndole elctrica, se suele denominar a la media
como componente de continua (DC) de la seal. Como contrapartida, la que describe como
flucta la seal alrededor de ese valor medio recibe el nombre de componente de alterna
(AC); dada la naturaleza aleatoria de las seales bajo estudio, no suele ser posible caracterizar
estas fluctuaciones en trminos de valores pico a pico y debe recurrirse a conceptos probabilsticos como la varianza y desviacin estndar.
Varianza: La varianza de X(t), denominada 2 se define como:

2 = Var ( X ) = E [X (t ) X (t )]2

En esta expresin, X(t) X(t) describe como se desvan los valores instantneos en relacin a
la media. Ntese, sin embargo, que esta ltima expresin (que podramos denominar desviacin media) no es utilizada, por varias razones; en primer lugar, dado que habr valores de
X(t) por encima y por debajo de la media esta desviacin media puede anularse sin que esto
signifique que los valores instantneos no difieren de la media. En segundo trmino, debemos
destacar que ms que una desviacin media es de inters conocer la potencia representada por
la desviacin. Por esa razn, es que se utiliza la varianza como medida de la dispersin.
Cuando es de inters medir la desviacin tpica alrededor de la media, se utiliza la raz cuadrada de la varianza, que recibe el nombre de Desviacin Estndar y posee las mismas unidades que la variable bajo estudio.
En ciertas ocasiones, en que la media representa el valor medido de la seal y la desviacin estndar representa el ruido presente en la medicin, se define la relacin seal ruido
como:

RSR =

Autocorrelacin: La autocorrelacin de X(t), denotada por RXX(t1,t2), es el valor esperado del

producto X*(t1) X(t2).
R XX (t1 , t 2 ) = E {X * (t1 ) X (t 2 )}
(1.3)
en la que * denota conjugado.
Autocovarianza: La autocovarianza de X(t) se define como:
C XX (t1 , t 2 ) = R XX (t1 , t 2 ) *X (t1 ) X (t 2 )

(1.4)

La funcin de autocovarianza C XX (t1 , t1 ) es la varianza de la variable aleatoria X(t1)

Coeficiente de autocorrelacin: El coeficiente de autocorrelacin de X(t) se define como:

XX (t1 , t2 ) =

C XX (t1 , t2 )
C XX (t1 , t1 )C XX (t2 , t2 )

(1.5)

Para t1 t2, los segundos momentos: RXX(t1,t2), C XX (t1 , t 2 ) y XX (t1 , t2 ) describen parcialmente la estructura del proceso aleatorio en el dominio del tiempo. Veremos luego el uso
de estas funciones para establecer las propiedades espectrales de X(t).
Estas definiciones, con un cambio adecuado de argumentos, se aplican al caso de secuencias aleatorias.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 9 de 24

Caso de dos o ms Procesos Aleatorios

En los casos en que se deben considerar dos o ms procesos aleatorios, se puede hacer
uso de las funciones de distribucin conjunta, de descripciones analticas o valores medios a
fin de describir las relaciones entre los procesos.
Si se consideran dos procesos aleatorios tales como X(t) e Y(t), cuya distribucin conjunta se denota mediante:

P[ X (t1 ) x1 ,L, X (t n ) xn , Y (t '1 ) y1 ,L, Y (t 'm ) ym ]

pueden utilizarse, para describir las relaciones entre X(t) e Y(t), los siguientes valores esperados:
Correlacin Cruzada:
RXY (t1 , t2 ) = E X * (t1 )Y (t 2 )
(1.6)

Covarianza:

C XY (t1 , t 2 ) = RXY (t1 , t2 ) *X (t1 ) Y (t2 )

(1.7)

Coeficiente de correlacin: (tambin denominado coeficiente de correlacin cruzado):

XY (t1 , t2 ) =

C XY (t1 , t2 )
C XX (t1 , t1 )CYY (t2 , t2 )

(1.8)

Mediante estos valores esperados puede determinarse el grado de dependencia entre

los dos procesos aleatorios. Al igual que el caso del apartado anterior, estas definiciones, con
un cambio adecuado de argumentos, se aplican al caso de secuencias aleatorias. Habiendo
establecido estos valores, se puede definir:
Igualdad: La igualdad entre dos procesos aleatorios implica que sus respectivas funciones
miembros son idnticas para cada S; ntese, adems, que la igualdad implica que ambos
procesos estn definidos sobre el mismo experimento aleatorio.
Incorrelacin: Se dice que dos procesos X(t) e Y(t) son incorrelacionados si:
C XY (t1 , t 2 ) = 0

t1 ,t2

(1.9)

Ortogonalidad: Se dice que dos procesos X(t) e Y(t) son ortogonales si:
RXY (t1 , t 2 ) = 0

t1 ,t2

(1.10)

P[ X (t1 ) x1 ,L, X (t n ) xn , Y (t '1 ) y1 ,L, Y (t 'm ) ym ] =

(1.11)

Independencia: Dos procesos X(t) e Y(t) son independientes si:

= P[ X (t1 ) x1 ,L, X (t n ) xn ]P[Y (t '1 ) y1 ,L, Y (t 'm ) ym ]

n, m y con t1 , t2 ,Lt n , t '1 , t '2 ,Lt 'm

De la misma forma en que ocurre para las variables aleatorias, independencia implica incorrelacin, pero no a la inversa.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 10 de 24

1.4 ESTACIONARIEDAD

Hasta ahora, apenas se ha hecho uso de la dimensin temporal del proceso aleatorio
X(t); sin embargo, como se ha dicho, un proceso aleatorio (u estocstico) es una funcin del
tiempo. En efecto, mientras que en el caso de una variable aleatoria se observa su valor sin
tener en cuenta el instante en que la lectura tiene lugar, un proceso aleatorio queda definido
por la observacin de la evolucin temporal de formas de onda. Veremos algunas propiedades
tiles a partir de este hecho.
Al estudiar seales y sistemas, se han establecido los conceptos de sistema invariante
en el tiempo y de anlisis en estado estacionario, los cuales involucran ciertas propiedades
tiles para el anlisis del comportamiento de los sistemas. En la descripcin de procesos aleatorios, la estacionariedad juega un rol similar al describir la invariancia en el tiempo de ciertas propiedades.
Si bien las funciones miembro de un proceso aleatorio pueden, individualmente, fluctuar en funcin del tiempo, ciertas propiedades de conjunto tales como la media del proceso
pueden permanecer constantes en el tiempo. En trminos generales, se puede decir que un
proceso aleatorio es estacionario si sus funciones de distribucin o ciertos valores esperados
permanecen invariantes respecto a una traslacin del eje del tiempo.
Se definen varios grados de estacionariedad, desde la estacionariedad en sentido estricto hasta la forma menos restrictiva, denominada estacionariedad en sentido amplio (o dbil). Si bien se definen, adems, otros tipos de estacionariedad, a lo largo de la asignatura se
har uso principalmente de las formas de estacionariedad mencionadas.
Estacionariedad en Sentido Estricto.

Se dice que un proceso aleatorio X(t) es estacionario en el tiempo o estacionario en

sentido estricto (abreviado como SSS por Strict-Sense Stationarity) si todas las funciones de
distribucin que definen el proceso son invariantes ante una traslacin en el tiempo. Es decir
que:
t1 , t 2 ,L, t k , t1 + , t 2 + ,L, t k + (con ) y k = 1,2,L
P[X (t1 ) x1 , X (t 2 ) x2 ,L, X (t k ) xk ] = P[X (t1 + ) x1 , X (t 2 + ) x2 ,L, X (t k + ) xk ]

(1.12)

Si esta definicin es vlida para todas las funciones de distribucin de orden k-simo,
con k = 1,, N pero no necesariamente para k > N, se dice que el proceso es estacionario de
orden k.
A partir de la ecuacin (1.12) se ve que, para un proceso SSS resulta:
P[ X (t ) x ] = P[ X (t + ) x ]

(1.13)

para todo ; en consecuencia, la distribucin de primer orden es independiente de t. Dado que

esto describe la distribucin de la amplitud instantnea, se cumple que para un proceso SSS
es:
E{X (t )} = x = constante
(1.14)
De la misma forma, se ve que:
P[ X (t1 ) x1 , X (t 2 ) x 2 ] = P[X (t1 + ) x1 , X (t 2 + ) x 2 ]

(1.15)

para todo , lo que implica que la distribucin de segundo orden es, estrictamente, una funcin
de la diferencia de tiempos t1 t2. Como consecuencia de lo visto, dado que la (1.15) establece
la relacin entre X(t1) y X(t2), se concluye que la funcin de autocorrelacin ser una funcin
de la diferencia de tiempos t1 t2. La funcin de autocorrelacin de un proceso SSS se denota
como RXX(t2 t1) y se define como:

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 11 de 24

E X * (t1 ) X (t 2 ) = R XX (t 2 t1 )

(1.16)

Se debe, en este punto, dejar sentado que un proceso aleatorio con media constante y
funcin de autocorrelacin que depende nicamente de la diferencia de tiempos t1 t2 no necesariamente es estacionario en sentido estricto.
Estacionariedad en Sentido Dbil.

Dadas las dificultades prcticas que se pueden presentar al pretender establecer la

(1.12), se puede definir una forma menos restrictiva de estacionariedad a partir del conocimiento de la media y de la funcin de autocorrelacin, de la siguiente forma: se dice que un
proceso aleatorio X(t) es estacionario en sentido amplio o dbilmente estacionario (WSS por
Wide-Sense Stationarity) si su media es constante y su funcin de autocorrelacin depende
nicamente de la diferencia de tiempos; es decir:

E{X (t )} = x

E X (t ) X (t + ) = R XX ( )
*

(1.17a)
(1.17b)

Es fcil mostrar, de acuerdo a lo visto, que SSS implica WSS, aunque, en general, no
as a la inversa. Uno de los pocos casos en que WSS implica SSS es el proceso aleatorio Gaussiano.
Otras Formas de Estacionariedad.

Se dice que cierto proceso aleatorio X(t) es asintticamente estacionario si la distribucin de X (t1 + ), X (t 2 + ),L, X (t n + ) no depende de cuando es grande.
Un proceso X(t) es estacionario en un intervalo si la ecuacin (1.12) es vlida para
todo tal que t1 + , t 2 + ,L, t k + permanezcan en un intervalo que sea un subconjunto de .
Se dice que un proceso X(t) posee incrementos estacionarios si sus incrementos
Y (t ) = X (t + ) X (t ) forman un proceso estacionario para cada . Los procesos de Poisson y
Wiener son ejemplos de procesos con incrementos estacionarios.
Finalmente, se dice que un proceso es ciclo estacionario o peridicamente estacionario si es estacionario cuando el origen es desplazado en mltiplos enteros de cierta constante T0 (que es el perodo del proceso).
Procesos No Estacionarios.

De acuerdo a lo visto, un proceso aleatorio X(t) es no estacionario si las distribuciones que lo definen varan con el tiempo. Muchos procesos estocsticos, tales como seales de
video o audio, datos meteorolgicos, seales biomdicas, etc. son no estacionarios pues son
generados por sistemas cuyo entorno y parmetros varan en el tiempo. Por ejemplo, la seal
de voz constituye un proceso no estacionario generado por un sistema articulador que es variante en el tiempo; tanto la intensidad como la composicin espectral de la seal varan con
el tiempo, a veces abruptamente. Este tipo de procesos no estacionarios suele ser modelado
mediante combinaciones de procesos aleatorios estacionarios, tal como se muestra en la figura
1.6. En la figura 1.6.a se muestra un proceso no estacionario modelado como la salida de un
sistema variante en el tiempo cuyos parmetros son controlados por un proceso estacionario.
En la figura 1.6.b, un proceso no estacionario es modelado mediante una cadena finita de estados invariantes en el tiempo, cada uno de esos estados posee funciones de distribucin de
probabilidad diferentes.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 12 de 24

S1
excitacin de estado

Modelo de Estado
(estacionario)

ruido
S2

Modelo de seal
variante en el tiempo

S3

(a)

(b)

Figura 1.6: Modelos para procesos no estacionarios: (a) un proceso estacionario da valores a los
parmetros de un proceso continuamente variante en el tiempo. (b) un modelo de estados finitos;
cada estado posee diferentes distribuciones

1.5 AUTOCORRELACION DE PROCESOS WSS REALES

Al considerar procesos aleatorios estacionarios, la funcin de autocorrelacin RXX()

permite conocer la tasa de cambio en funcin del tiempo que se puede esperar de un proceso
aleatorio. En efecto, si la funcin de autocorrelacin decae rpidamente a cero, significa que
se puede esperar que el proceso cambie rpidamente en el tiempo; por el contrario, si la funcin de autocorrelacin decae lentamente, el proceso presentar cambios lentos en el tiempo.
Adems, si la funcin de autocorrelacin posee componentes peridicas, el proceso subyacente tambin las poseer. De aqu puede concluirse, correctamente, que la funcin de autocorrelacin contiene informacin sobre el contenido de frecuencias esperado del proceso aleatorio.
El principal tema a considerar en este apartado, es la relacin entre la funcin de autocorrelacin y el contenido de frecuencias de un proceso aleatorio. En todo lo que se diga, se considera que los procesos aleatorios mencionados son valuados reales. Sin embargo, los conceptos
pueden ser extendidos a procesos aleatorios valuados complejos.
Propiedades de la Funcin de Autocorrelacin de procesos WSS.

La funcin de autocorrelacin de un proceso aleatorio WSS valuado real se define

como:

R XX ( ) = E{X (t ) X (t + )}

Se mencionarn brevemente, sin probarlas, ciertas propiedades generales que son

comunes a todas las funciones de autocorrelacin de procesos aleatorios estacionarios.
1. Si se considera que X(t) es una tensin a travs de una resistencia de 1 , el valor
medio de X2(t) es la potencia media disipada en dicha resistencia por X(t):

E X 2 (t ) = Potencia Media
= R XX (0) 0

2. RXX() es una funcin par de :

3. RXX() est acotada por RXX(0):

RXX() = RXX(-)
|RXX()| RXX(0)

(1.18)
(1.19)

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 13 de 24

4. Si X(t) contiene componentes peridicas, entonces RXX() tambin contendr componentes peridicas.
5. Si RXX(T0) = RXX(0) para cierto T0 0, entonces RXX es peridica con perodo T0.
6. Si Lm R XX ( ) = C , entonces C = 2X

7. Si RXX(0) < y RXX() es continuo en = 0, entonces lo ser para todo .

Las propiedades 2 a 7 establecen que no cualquier funcin arbitraria puede ser una
funcin de autocorrelacin.
Caso de dos procesos WSS

Como ya se ha visto, la funcin de correlacin cruzada entre dos procesos X(t) e Y(t)
valuados reales se define:
RXY (t1 , t2 ) = E{X (t1 )Y (t2 )}
En este caso, si los procesos son WSS, solo se considera la diferencia entre tiempos,
de modo que resulta:
RXY ( ) = E{X (t )Y (t + )}
(1.20)
y, as como la funcin de autocorrelacin expresa el modo en que un proceso se correlaciona
con si mismo, la correlacin cruzada provee informacin acerca de la correlacin mutua entre
dos procesos.
Debe prestarse atencin al orden de los subndices en la expresin (1.20), ya que para
el caso de procesos al menos WSS se puede demostrar que:
RXY ( ) = RYX ( )

Otras propiedades de inters, cuya prueba se omite aqu son:

2.

RXY ( ) RXX (0) RYY (0)

RXY ( ) 1 [RXX (0) + RYY (0)]

2
4. Si los procesos X(t) e Y(t) son ortogonales, RXY() = 0 y, si los procesos X(t) e Y(t)
son independientes RXY() = X Y
3.

1.6 DENSIDAD ESPECTRAL DE POTENCIA

Hasta aqu, todo lo dicho acerca de los procesos aleatorios ha sido en el dominio del
tiempo. Es decir, hemos caracterizado los procesos en trminos de valores esperados y hemos
definido funciones tales como la autocorrelacin, autocovarianza y correlacin cruzada sin
considerar sus propiedades espectrales.
En este apartado, se desarrollar una caracterizacin espectral de los procesos estocsticos en el dominio de Fourier; es decir, en el dominio de la frecuencia. Como es sabido, el
dominio de las transformadas hace que ciertas operaciones, en particular la de filtrado, sean
ms intuitivas que en dominio temporal original. El motivo es que la convolucin es una operacin de cierta complejidad, mientras que su equivalente en el dominio transformado es un
simple producto entre transformadas. As, en el caso de un filtro, si efectuamos el producto
entre la transformada de Fourier (TF) de la seal de entrada y la TF de la respuesta impulsiva
del filtro, podemos conocer, directamente, qu extensin espectral tendr la seal de salida del
filtro.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 14 de 24

Para poder hacer uso de esta herramienta, debemos relacionar la teora de los procesos
estocsticos con la teora de los sistemas lineales. Se podra pensar que una manera inmediata
de hacerlo podra ser seguir el siguiente razonamiento: dado que los procesos aleatorios son
colecciones de funciones temporales, se podran calcular las TFs de las infinitas posibles realizaciones de los mismos (suponiendo que estas existan) y as tendramos la caracterizacin de
los procesos en el dominio espectral. Este razonamiento, que podra pensarse como correcto
aunque poco prctico, nos obligara a trabajar con una coleccin de funciones transformadas.
Sin embargo, para ser coherentes con el enfoque adoptado para el estudio de las seales aleatorias, se debe poder definir una nica funcin espectral que caracterice conjuntamente a todas las posibles realizaciones de un proceso dado. En cierta manera, algo equivalente a obtener un espectro promedio del proceso. Con esa funcin, a la que se denominar densidad espectral de potencia del proceso, se podra ver, por ejemplo, si el discurso de un locutor puede
pasar sin distorsin a travs de un determinado sistema lineal (un amplificador) con independencia de lo que el locutor diga en concreto, haciendo uso de las caractersticas globales de la
voz de dicho locutor.
Establecimiento de la Densidad Espectral de Potencia

Recurdese que, de acuerdo a lo ya estudiado, las propiedades espectrales de una seal

determinstica x(t) quedan contenidas en su transformada de Fourier X(), la que se define como:
X ( ) =

x (t )e jt dt

(1.21)

La funcin X(), a veces denominada simplemente espectro de x(t), tiene unidades de

volt por hertz cuando x(t) esta dada en volts y describe el modo en que se distribuye una seal
de tensin con la frecuencia. La TF puede, consecuentemente, ser considerada como la densidad espectral de tensin de x(t). Dado que en la descripcin dada por X() estn presente tanto
la amplitud como la fase de x(t), si se conoce X() es posible recuperar x(t) mediante la transformada inversa de Fourier, definida como:
x(t ) =

1
2

X ( )e jt d

Ahora bien, si se intenta aplicar la (1.21) a un proceso estocstico, inmediatamente

surgen diversos problemas. El primero de ellos es que no se puede garantizar la convergencia
de la integral, y por lo tanto la existencia de X(), para todas las realizaciones del proceso.
As, en principio, no es posible hacer uso de las TF para obtener las caractersticas espectrales
de los procesos aleatorios a menos que se pueda asegurar, de alguna forma, que la integral de
Fourier converge.
A tal fin se considerar, en principio, cierto proceso aleatorio X(t) a partir del cual es
posible definir otro proceso XT(t) el cual coincidir con el primero en una parte del eje temporal y ser nulo en el resto; es decir:
X (t )
X T (t ) =
0

t T
t >T

Se considera que, dado que T es finito, el proceso as definido satisface:

X T (t ) dt <

lo que permite afirmar que la TF del proceso XT(t) existe y est dada por:

X T ( ) = xT (t )e jt dt = x(t )e jt dt

(1.22)

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 15 de 24

Si se considera que X(t) es un proceso real y se interpreta a x(t) como una tensin a
bornes de una impedancia de 1 o como una corriente a travs de la misma impedancia, la
energa contenida en el intervalo (-T, T) es:
T

E (T ) =

xT2 (t )dt =

x 2 (t )dt

No debe perderse de vista que, dado que el proceso estocstico es una coleccin de
formas de onda aleatorias, la energa as definida es una funcin de variables aleatorias y, por
lo tanto una variable aleatoria. Dado que xT(t) es transformable, en virtud del teorema de Parseval para seales continuas, podemos escribir:
E (T ) =

1
2

x 2 (t )dt =

X T ( ) d

Si se divide esta expresin por la longitud del intervalo considerado, se obtiene la potencia promedio contenida en x(t) en el intervalo considerado; es decir:
1
P (T ) =
2T

1
x (t )dt =
T
2
T

X T ( )

2T

(1.23)

En este punto, se conoce que el integrando del ltimo trmino de (1.23) es una densidad espectral de potencia pues su integracin da por resultado una potencia. Sin embargo, no
es la funcin buscada por varias razones. Una es que la (1.23) no representa la potencia de
toda la realizacin x(t); para que lo sea, resta el paso de considerar T arbitrariamente grande.
Otra es que (1.23) es solo la potencia de una funcin miembro y no representa la del proceso.
En sntesis, para obtener la funcin de densidad espectral de potencia debe tomarse el
lmite de T y considerar los valores esperados a fin de obtener la expresin buscada, es
decir:
2
E X T ( )
1 T
1
2
d
(1.24)
PXX = lim
E X (t ) dt =
lim
T 2T T
2T
2 T

La expresin (1.24) establece dos hechos importantes; en primer trmino, que la potencia promedio PXX en un proceso aleatorio X(t) est dada por el promedio temporal de su
segundo momento, es decir:
1
T 2T

PXX = lim

E [X
T

(t ) dt = E X 2 (t )

en caso que el proceso sea WSS, resulta que E[X 2(t)]= cte., al igual que la PXX. En segundo trmino, que PXX puede ser obtenida a partir de una integracin en el dominio de la frecuencia;
en efecto, si definimos la Densidad Espectral de Potencia para el proceso aleatorio como:
S XX ( ) = lim

E X T ( )

2T

(1.25)

la integral en cuestin es:

PXX =

1
2

S XX ( )d

En sntesis, se denomina a SXX() Densidad Espectral de Potencia del proceso X(t)

pues es una funcin que, integrada en el eje de las frecuencias proporciona la potencia media
desarrollada por el proceso sobre una impedancia normalizada de 1 . Por lo tanto, mide como se reparte la potencia media del proceso en cada una de las frecuencias que contribuyen a
la formacin del mismo.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 16 de 24

Relacin entre Funcin de Densidad Espectral de Potencia

y funcin de Autocorrelacin

Si se usa la (1.22), que define XT(), para introducirla en la (1.25), que define la densidad espectral de potencia, se obtiene:
T
1 T

S XX ( ) = lim E X (t1 )e jt1 dt1 X (t 2 )e jt2 dt 2

T
T
2T T

T
T
1
lim
E [X (t1 ) X (t 2 )]e jt1 e jt2 dt1dt 2
T 2T T T
La esperanza indicada en el integrando se identifica como la funcin de autocorrelacin de X(t), de modo que resulta:

1
T 2T

S XX ( ) = lim

T T

R XX (t1 , t 2 )e j (t2 t1 ) dt1dt 2

(1.26)

Si se introduce ahora un cambio de variables de la forma:

t1 = t

dt1 = dt

t2 t1 = t2 t =

dt2= d

la expresin dada por (1.26) se transforma en:

1
T 2T

S XX ( ) = lim

T t

T t T

R XX (t , t + )dt e j d

Tomando ahora lmite con respecto a la integral en , intercambiando las operaciones

de lmite e integracin se obtiene:
S XX ( ) =

Tlim
2T

R XX (t , t + )dt e j d
T

As, la cantidad encerrada entre llaves se reconoce como el promedio temporal de la

funcin de autocorrelacin del proceso, resultando:
S XX ( ) =

R XX (t , t + )

e j d

Esta ltima expresin muestra que la funcin de densidad espectral de potencia y el

promedio temporal de la funcin de autocorrelacin del proceso forman un par en el campo de
las TF.
En el caso en que X(t) sea, al menos, WSS, se verifica que R XX (t , t + ) T = R XX ( ) con
lo que se obtiene:
S XX ( ) =

R XX ( )e j d = F [RXX()]

(1.27a)

y
R XX ( ) =

1
2

S XX ( )e j d = F

-1

[SXX()]

(1.27b)

Las expresiones (1.27a) y (1.27b) son conocidas como relaciones de Wiener Khinchine y forman el nexo bsico entre las descripciones en el dominio del tiempo (funciones de
autocorrelacin) y en el dominio de la frecuencia (espectro de potencia). A partir de lo visto,
es evidente que el conocimiento del espectro de potencia de un proceso permite la recuperacin completa de la funcin de autocorrelacin cuando X(t) es, al menos, WSS. En caso de procesos no estacionarios, solo pueden recuperarse promedios temporales.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 17 de 24

Propiedades de la funcin de densidad espectral de potencia

1.- SXX() es una funcin real. Ntese que, de acuerdo a la (1.25), se calcula a partir de la esperanza de un mdulo al cuadrado de un nmero complejo; por lo tanto, es la esperanza de
una magnitud real y, en consecuencia, real.
2.- S XX ( ) 0 . En efecto, siendo la esperanza de una magnitud no negativa, no puede ser
negativa.
3.- Si el proceso X(t) es real y estacionario, SXX() = SXX(-), es decir, es una funcin par. Esto
es debido a que es igual a la TF de RXX(), funcin que, segn se ha visto, es real y par si el
proceso X(t) es real y estacionario. Si el proceso X(t) fuese complejo, SXX() sera una funcin hermtica, puesto que tambin lo sera la autocorrelacin RXX().
4.- Habida cuenta de la relacin entre el valor cuadrtico medio de un proceso estocstico WSS
y su funcin de autocorrelacin, se verifica que:
PX =

1
2

S X ( )d = R XX (0) = E X 2 (t )

5.- Si X(t) tiene componentes peridicas, entonces SXX() tendr impulsos.

6.- Si X(t) es, al menos, WSS, la funcin de densidad espectral de potencia y la funcin de autocorrelacin forman un par de TF de la forma:
S XX ( ) =

R XX ( )e j d

R XX ( ) =

1
2

S XX ( )e j d

Ejemplo 1:
Hallar la funcin de densidad espectral de potencia del proceso aleatorio:
X(t) = 10 cos(2000t + )
en el que es una variable aleatoria con una funcin de distribucin de probabilidad uniforme en el
intervalo [-, ]

Solucin:
RXX(t1,t2) = E[X(t1)X(t2)] = E[10 cos(2000t1 + ) 10 cos(2000t2 + )]
haciendo: t1 = t y t2 = t + es:
RXX (t , t + ) = E [10 cos(2000t + )10 cos(2000t + 2000 + )]
102

[cos(2000 ) + cos(4000t + 2000 + 2 )]

= E
2

= 50 cos(2000 ) + 50 E [cos(4000t + 2000 + 2 )]

RXX ( ) = 50 cos(2000 )
La funcin de autocorrelacin resultante se muestra en la figura 1.7. La funcin de densidad
espectral de potencia buscada se obtiene por simple transformacin, haciendo:
SXX(f)= F [RXX()] = 50[ (f - 1000) + (f + 1000)]
= 25[ (f - 1000) + (f + 1000)]

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 18 de 24

Figura 1.7: Funcin de autocorrelacin del ejemplo

la funcin de densidad espectral de potencia del proceso, que se muestra en la figura 1.8, posee dos
componentes discretas en el dominio de las frecuencias en f = 1000 Hz. Ntese, que:

R XX (0) =

10 2
=
2

S XX ( f ) df

Puede verificarse que si consideramos X(t) = 10 sen(2000t + ); se obtiene la misma funcin

de densidad espectral de potencia, lo cual ilustra que la funcin de densidad espectral de potencia no
contiene ninguna informacin de la fase del proceso original.

Figura 1.8: Funcin de densidad Espectral de Potencia del ejemplo

A continuacin, brindaremos una serie de definiciones que sern de utilidad en captulos posteriores.
Procesos pasabajos y pasabanda.

Se dice que un proceso aleatorio es pasabajos, con ancho de banda B, si su funcin de

densidad espectral de potencia (psd por sus iniciales en ingles) es cero cuando |f | > B. Por otra
parte, se dice que un proceso aleatorio es pasabanda si su psd es cero fuera de la banda definida por:
fc B f fc + B
2
2

Usualmente, se conoce a fc como frecuencia central y a B como ancho de banda del

proceso. En la figura 1.9 se muestran ejemplos de espectros pasabajos y pasabanda. Ntese
que se utilizan tanto valores de frecuencia positivos como negativos y que la psd se muestra a
ambos lados de f = 0. Tal caracterizacin espectral se denomina psd bilateral.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 19 de 24

Figura 1.9: Ejemplos de Densidades Espectrales de Potencia

Clculos de Potencia y Ancho de Banda.

Tal como ya se ha expresado en la propiedad 4, el rea bajo la psd representa la potencia total en X(t). La potencia en una banda finita de frecuencias f1 a f2 estar dada por el rea
bajo la psd entre f2 y -f1 ms el rea entre f1 y f2; as, para X(t) real:
PX [ f1 , f 2 ] = 2

f2

f1

S XX ( )df

La demostracin de esta expresin se deja para el prximo captulo; sin embargo, la

figura 1.10 muestra que, al menos, es razonable. El factor 2 aparece en la ecuacin al considerar una funcin de densidad espectral de potencia bilateral y SXX() es una funcin par.

Figura 1.10: Clculos de Potencia

Ciertos procesos presentan funciones de densidad espectral de potencia con valores no

nulos para cualquier valor no nulo de ; en estos casos, se utilizan algunos indicadores como
medida de la dispersin de la densidad espectral de potencia en el dominio de la frecuencia.
Una medida usual es, para estos casos el ancho de banda efectivo (o ancho de banda equivalente) Beff, el que se define, para procesos aleatorios de media nula con densidad espectral de
potencia continua, como (ver figura 1.11):

Beff

S XX ( )d
1
=
2 max[S XX ( f )]

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 20 de 24

Figura 1.11: Definicin de Ancho de Banda equivalente para un proceso pasabajos

El ancho de banda efectivo se relaciona con una medida de la dispersin de la funcin

de autocorrelacin denominada tiempo de correlacin c:
c =

R XX ( )d

R XX (0)

Si SXX() es continuo y tiene un mximo en f = 0, puede demostrarse que:

Beff =

1
2 c

Otras medidas de dispersin del espectro incluyen, entre otras, al ancho de banda
RMS, definido como la desviacin standard de la SXX():
2
WRMS

2 S XX ( )d

S XX ( )d

1.7 ERGODICIDAD

En el anlisis y diseo de sistemas que procesan seales aleatorias, frecuentemente se

asume que se posee conocimiento previo de cantidades tales como medias, funciones de autocorrelacin y densidad espectral de potencia de los procesos estocsticos involucrados. En
muchas aplicaciones, sin embargo, tal conocimiento previo no existe y, para que la teora de
procesos aleatorios sea til, debemos ser capaces de estimar los valores mencionados a partir
de datos disponibles.
Desde un punto de vista prctico, resulta muy atractiva la idea de poder hacer estimaciones a partir de datos registrados de una realizacin del proceso aleatorio. En efecto; si
se desea estimar la media X(t) del proceso aleatorio X(t), el procedimiento usual es observar
los valores de X(t) a travs de cierto nmero de realizaciones y calcular la media de los mismos para usar este valor como una estimacin de la media del ensamble X(t) ya que, como
sabemos, la media est definida como un promedio de todo el ensamble. En cambio, si nicamente se tiene acceso a una nica realizacin del proceso, digamos x(t), se puede obtener un
promedio temporal de la forma:
x(t )

1
T

T /2

x(t )dt

T / 2

(1.28)

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 21 de 24

el que sera deseable poder usar como estimacin de la media del proceso X(t). Ntese que,
dada una realizacin del proceso, su media temporal x(t ) T es una constante, mientras que si
consideramos el conjunto de valores tomados de todas las realizaciones posibles, E{X(t)} es
una variable aleatoria de la cual el valor obtenido en (1.28) puede ser un valor particular.
Ahora bien, si el proceso subyacente es WSS, X(t) es una constante (es decir, independiente de
t) y la bondad de la estimacin obtenida mediante la (1.28), depender de la forma en que la
esperanza de la media temporal tienda a X(t) y la varianza de la media temporal tienda a cero
cuando T . As, si:

Lim E X (t )
T

}=

Lim var X (t )
T

}= 0

podemos concluir que la media temporal converge a la media del ensamble. En general, las
media temporales y las medias del proceso aleatorio no son iguales, excepto en una clase muy
especial de procesos (afortunadamente habituales en el estudio de telecomunicaciones), llamados ergdicos.
El problema de determinar las propiedades de un proceso aleatorio a partir de una
nica funcin miembro del proceso de duracin finita, pertenece a la Estadstica y ser tratado
ms adelante. En lo que sigue, se vern las condiciones bajo las cuales los promedios temporales igualan las medias de proceso. Centraremos la atencin en la media y las funciones de
autocorrelacin y densidad espectral de potencia de procesos estocsticos estacionarios.
Definicin de Ergodicidad.

Se llama ergdico a un proceso aleatorio estacionario X(t) si sus propiedades de conjunto igualan a las homlogas temporales. Esto significa que cualquier media del proceso X(t)
puede ser obtenida a partir de una funcin miembro cualquiera de X(t). En la mayor parte de
las aplicaciones, solo estamos interesados en ciertas propiedades de conjunto tales como media y funcin de autocorrelacin, de modo que solo suele definirse la ergodicidad respecto a
estas propiedades. Al presentar estas definiciones, se consideran promedios temporales en
intervalos finitos (-T/2, T/2) y las condiciones bajo las cuales la varianza de los promedios
temporales tiende a cero cuando T .
Debe consignarse que la ergodicidad es una condicin ms restrictiva an que la estacionariedad y que no todos los procesos estacionarios son ergdicos. Ms aun, usualmente
la ergodicidad se define en relacin con uno o ms momentos especficos y el hecho que un
proceso sea ergdico con relacin a determinada media del proceso, no implica que lo sea
respecto a otra.
Ergodicidad de la Media.

Se dice que un proceso X(t) es ergdico en la media si se verifica que:

L.i.m. X
T

= X

en la que L.i.m. indica convergencia en el sentido medio cuadrtico, el cual requiere que:

Lim E X
T

}=

Ahora bien, el valor esperado de X

E X

Lim var X

}= 0

para un valor finito de T est dado por:

T 2
T 2
1 T 2
1
1
E{X (t )}dt =
X dt = X
= E X (t )dt =
T T 2
T T 2
T T 2

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 22 de 24

mientras que la varianza de X

puede ser obtenida a partir de la expresin general de la

varianza para una media temporal, la cual se demuestra que es:

} = T1 1 T C
T

var X

XX

( ) d

Si la varianza dada por la ecuacin precedente tiende a cero, entonces X(t) es ergdica
en la media. Ntese, que E { X T }, para procesos WSS, es siempre igual a X; luego, un proceso X(t) es ergdico en la media si:
1
lim T 1 T
T
T
T

C XX ( )d = 0

(1.29)

Si bien la (1.29) establece la condicin para la ergodicidad en la media de X(t), no es

de mucha utilidad prctica; en efecto, a fin de utilizar la (1.29), debemos tener conocimiento
de la CXX(). Sin embargo, la (1.29) puede ser de utilidad en aquellos casos en que se posee un
conocimiento parcial de CXX(); por ejemplo, si se sabe que |CXX()| decrece exponencialmente
para valores grandes de | |, podemos considerar que la (1.29) se satisface y, por lo tanto, el
proceso es ergdico en la media.
Ergodicidad de la Funcin de Autocorrelacin.

Se dice que un proceso X(t) es ergdico en la funcin de autocorrelacin si se verifica

que:
L.i.m. R XX ( )
T

= R XX ( )

Es decir, si puede demostrarse que:

E R XX ( )

}= R

XX

( )

y que:

} = T1 1 T C
T

var R XX ( )

ZZ

( )d

(1.30)

en la que Z(t) = X(t)X(t+).

Como en el caso de la media temporal, el valor esperado de la funcin de autocorrelacin temporal iguala a la del proceso independientemente del perodo T considerado. Por otra
parte, si el lado derecho de la (1.30) tiende a cero a medida que T , entonces la funcin de
autocorrelacin temporal iguala a la del proceso. En consecuencia, para cualquier dado,
L.i.m. R XX ( )
T

= R XX ( )

si
1
lim T
T

1 T [E{Z (t )Z (t + } R

2
XX

( ) d = 0

con Z(t) = X(t)X(t+).

Ntese, que para verificar la ergodicidad de la funcin de autocorrelacin es necesario
el conocimiento de momentos de cuarto orden del proceso.
Ergodicidad de la Funcin de Densidad Espectral de Potencia.

La densidad espectral de potencia de un proceso aleatorio WSS juega un rol muy importante en el anlisis y diseo de sistemas de procesamiento de seales; por lo tanto, la determinacin de las caractersticas espectrales de los procesos aleatorios a partir de datos experimentales es un problema corriente de la ingeniera.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 23 de 24

La densidad espectral de potencia puede ser estimada a partir de tomar la TF de la funcin de autocorrelacin temporal. Un mtodo ms rpido de estimacin involucra a la media
temporal; en efecto, se puede hacer:
S XX ( f )

1
=
T

T 2

X (t ) exp( j 2ft )dt

T 2

que recibe el nombre de periodograma del proceso. Ntese que la integral representa la transformada finita de Fourier; el mdulo de la TF elevada al cuadrado representa la funcin de
densidad espectral de energa (teorema de Parseval) y 1/T es el factor de conversin para pasar del espectro de energa al de potencia.
Desafortunadamente, esta densidad espectral de potencia temporal no converge a la
funcin homloga del proceso cuando T . Por otra parte, tal como se mostrar en el ltimo capitulo, cuando:

Lim E S XX ( f )
T

}= S

XX

(f)

la varianza de S XX ( f ) T no tiende a cero cuando T . El problema de la estimacin de

funciones de densidad de potencia se ver en el captulo 7; entre tanto, apuntaremos aqu que
en este caso, la sustitucin directa de la funcin temporal S XX ( f ) T por la del proceso S XX ( f )
es incorrecta.
Otras Formas de Ergodicidad.

Se han definido varias formas de ergodicidad adems de las ya estudiadas; mencionemos, entre ellas, las siguientes:
Procesos Dbilmente Ergdicos. Se dice que un proceso aleatorio es Dbilmente Ergdico
(WSE) si es ergdico en la media y en la funcin de autocorrelacin.
Procesos con Distribucin Ergdica. Se dice que un proceso aleatorio es de Distribucin
Ergdica si las funciones de distribucin temporales estimadas son iguales a las funciones
de distribucin apropiadas del ensamble.
Verificacin de Ergodicidad.

Las condiciones de ergodicidad, tal como han podido definirse, son de uso limitado
en aplicaciones prcticas dado que su verificacin requiere el conocimiento previo de parmetros que, usualmente, no estn disponibles. Excepto en ciertos casos simples, usualmente es
muy dificultoso establecer cuando cierto proceso estocstico cumple las condiciones de ergodicidad para determinado parmetro en particular. En la prctica, para extraer conclusiones
sobre ergodicidad se debe, forzosamente, considerar el origen fsico del proceso aleatorio
considerado. Para que un proceso sea ergdico, cada una de las funciones miembro del ensamble debe permitir deducir que el proceso subyacente genera seales ergdicas, an cuando
lo que se observa es una simple seal temporal. Por ejemplo; si consideramos las funciones
miembros de una forma de onda binaria aleatoria, el carcter aleatorio y ergdico es evidente
en cada una de ellas y es razonable pensar que el proceso sea, en algn sentido, ergdico. Por
el contrario, si observamos una realizacin de un proceso que presenta un valor aproximadamente constante en el tiempo, no podemos intuir nada acerca de cmo lucir otra realizacin
del mismo proceso (un promedio temporal de tal seal no aporta nada acerca de, por ejemplo,
la media del proceso). En sntesis, una justificacin intuitiva acerca de la ergodicidad de un
proceso, reside en decidir si una funcin miembro luce como una verdadera seal ergdica
cuyas variaciones en el tiempo pueda considerarse que representan una variante tpica de las
del ensamble.

Ctedra de Seales Aleatorias Fac. de Ingeniera U.N.R.C. / Captulo 1 Pg. 24 de 24

Bibliografa.
Briceo Mrquez, J.; Principios de las Comunicaciones. 3ra Ed. (2005) Publicaciones ULA
Brown, R.G. & Hwang, P.Y.C; Introduction to Random Signals and Applied Kalman Filtering. 3ra Ed. (1997)
John Willey & Sons Ltd.
Papoulis, A.; Probability, Random Variables and Stochastic Process. 3rd Ed. (1991) McGraw-Hill.
Shanimugan, K. & Breipohl, A.; Random Signal: Detection, Estimation and Data Analysis. (1988) John
Willey & Sons Ltd.
Smith, Steven W. ; The Scientist and Engineer's Guide to Digital Signal Processing. 2nd Ed. (1999) California
Technical Publishing.
Vaseghi, Saced V.; Advanced Digital Processing and Noise Reduction 2nd Ed. (2000) John Willey & Sons Ltd.