Академический Документы
Профессиональный Документы
Культура Документы
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
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?
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.
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).
t
X(t)
continuo
discreto
continuo
discreto
proceso aleatorio
continuo
proceso aleatorio
discreto
secuencia aleatoria
continua
secuencia aleatoria
discreta
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)
Figura 1.4: Proceso aleatorio sinusoidal, en que tanto la fase como la amplitud de cada realizacin son
aleatorias
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 ]
(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 =
(1.4)
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.
Covarianza:
(1.7)
XY (t1 , t2 ) =
C XY (t1 , t2 )
C XX (t1 , t1 )CYY (t2 , t2 )
(1.8)
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)
(1.11)
De la misma forma en que ocurre para las variables aleatorias, independencia implica incorrelacin, pero no a la inversa.
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.
(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)
(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:
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.
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.
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
R XX ( ) = E{X (t ) X (t + )}
E X 2 (t ) = Potencia Media
= R XX (0) 0
RXX() = RXX(-)
|RXX()| RXX(0)
(1.18)
(1.19)
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
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 ( )
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.
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
x (t )e jt dt
(1.21)
1
2
X ( )e jt d
t T
t >T
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)
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)
1
2
S XX ( )d
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
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
(1.26)
dt1 = dt
t2 t1 = t2 t =
dt2= d
S XX ( ) = lim
T t
T t T
R XX (t , t + )dt e j d
Tlim
2T
R XX (t , t + )dt e j d
T
R XX (t , t + )
e j d
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.
1
2
S X ( )d = R XX (0) = E X 2 (t )
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
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
A continuacin, brindaremos una serie de definiciones que sern de utilidad en captulos posteriores.
Procesos pasabajos y pasabanda.
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
Beff
S XX ( )d
1
=
2 max[S XX ( f )]
R XX ( )d
R XX (0)
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
1
T
T /2
x(t )dt
T / 2
(1.28)
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.
= X
en la que L.i.m. indica convergencia en el sentido medio cuadrtico, el cual requiere que:
Lim E X
T
}=
E X
Lim var X
}= 0
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
} = 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)
= R XX ( )
E R XX ( )
}= R
XX
( )
y que:
} = T1 1 T C
T
var R XX ( )
ZZ
( )d
(1.30)
= R XX ( )
si
1
lim T
T
1 T [E{Z (t )Z (t + } R
2
XX
( ) d = 0
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.
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
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)
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.
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.