Академический Документы
Профессиональный Документы
Культура Документы
() 0
entonces la probabilidad de que se de A, habiendo ocurrido B, es:
(/) =
()
(/)
()
()
=
()
caracterizada
(, );
Una es el
a y se obtiene un nmero.
Como ejemplo, se considera un proceso aleatorio generado por una familia de seales
determinadas por (, ) = ( + ) , ., donde la V.A.
describe la seal con diferente fase dependiendo de su valor, con una probabilidad
asociada
como
podra
ser
{1 = 0, 2 = /2, 3 = , 4 = 3/2} ( =
) = 1/4.
4. Estacionariedad y ergodicidad de un proceso estocstico.
[()] = . (1 , 2 ) = (1 +, 2 + ) , 1 , 2
La media y la funcin autocorrelacin, de forma general, se obtienen por promedios de
ensamble o conjunto:
(, ) = [()] = (, , ) es la F.D.P. de ()
(1 , 2 , ) = [(1 ) (2 )] = 1 2 1 2 (1 , 2 , 1 , 2 , ) (0 ) es la F.D.P.
conjunta
En el caso de los procesos estacionarios (en su forma estricta o amplia), podemos
simplificar las frmulas anteriores y calcularlos de la siguiente manera:
= [] = () es la F.D.P. de
(1 , 2 ) = (2 1 ) = () [(1 ) (2 )] = [() ( + )] ; = 2 1
Ergodicidad:
1 /2
/2
(, )
1 /2
/2
(, ) ( + , )
(, ) =
(, ) ( + , ) =
Se dice que un proceso es ergdico con respecto a s mismo si los promedios tiempo y los
promedios conjunto son iguales. Esto implica que podemos obtener todas las estadsticas
asociadas al proceso estocstico a partir de una sola funcin muestra.
En el caso de la media:
1 /2
= [] = () = ()
/2
Y respecto de su funcin de autocorrelacin:
1 /2
() = [() ( + )] = (, ) ( + , ) = () ( + )
/2
() =
1 ; { > 0}.
+2
() = { ()} = { || } =
0
2 +
() =
|| 2
2
1
1
1
1
+ 2 + 2
(1 0) +
(0 1) =
+
=
2
+ 2
2 + 2
2 + 4 2 2
Finalmente:
() =
2
2 +42 2
1
1
=
Por lo tanto:
1
2
2
|=| 2
|=( 2
)2 + ( 2
)2
2
2
2
2
+ 2 2
+ 4
+ 4
+ 4 2 2
2 + 4 2 2
1
= 2
= 2
2
2
2
( + 4 )
+ 4 2 2
() =
2
2 +42 2
1
2 +42 2
2
1
2
2
2
2
2 2
+
4
+
4
() =
+
+
+ 2 2 + 2
+
; {, , , } ().
2
2
1
1
2
= 2
2
2
() + ()
+ 2
2
1
1
= () ( 2) =
2
=
= () ( + 2)
2
2
+ + 2 2 + 2
2
1
1
= 2
=
= () ( 2)
2
+ ()2 () 2 + 2
2
1
1
= 2
= 2
2
2
+ + +
=
() =
() ( + 2) =
1
1
1
1
2 +
2
2
2
2
+ + 2
+ 2
1
1
1
1
2
2 + 2
2
2
2
+ + 2
+ 2
Vemos que cada una de las integrales es por s misma una transformada inversa de
Fourier. Dicho esto, obtenemos por tabla:
1
1
1
() = 2
() + 2
() + 2
() + 2
2
2
2
+
+
+
+ 2
()
Finalmente la representamos de forma similar a (), para facilitar su comparacin:
() =
1
|| + 2
||
2
+
+ 2
1 condicin: [ (1 , )] = [ (2 , )] =
[ (, )] = [ () ( + )]
[ (, )] = [()] [( + )]
[ (, )] = 0 0 = 0
2 condicin: [ (1 , ) (2 , )] = [ () ( + )]
[ (1 , ) (2 , )] = {[ (1 ) ( 1 + )] [ (2 ) ( 2 + )]}
[ (1 , ) (2 , )] = [ 2 (1 ) (2 ) ( 2 + ) ( 1 + )]
[ (1 , ) (2 , )] = 2 [(1 ) (2 )] [( 2 + ) ( 1 + )]
Ahora, podemos reemplazar la funcin de autocorrelacin por su definicin:
1 2 (1 , 2 ) = [(1 ) (2 )]
y aplicar la relacin trigonomtrica del producto de cosenos
1
[ (1 , ) (2 , )] = 2 1 2 (1 , 2 ) {[ (2 1 )] + [ (2 + 1 ) + 2]}
2
Adems, sabemos que x(t) es estacionaria, por lo que:
1 2 (1 , 2 ) = (2 1 ) = ()
1
[ (1 , ) (2 , )] = 2 () [( ) + {[ (2 + 1 ) + 2]}]
2
Para llegar a una expresin final, necesitamos averiguar {[ (2 + 1 ) + 2]}. Para
esto, deducimos la funcin densidad de probabilidad de la variable aleatoria () =
[ (2 + 1 ) + 2].
Sabiendo que tiene una densidad de probabilidad uniforme en el intervalo [; ],
podemos notar que 2 tendr una densidad de probabilidad uniforme en [2; 2]. Dicho
esto, es notorio que, sin importar el valor de (2 + 1 ), la funcin () tendr una
distribucin uniforme en [1; 1], que son todos los valores que puede tomar la funcin
coseno.
1
1 1
{[ (2 + 1 ) + 2]} =
[( 1) ( + 1)] =
2
2 1
1 1
= [12 (1)2 ] = 0
2 2
Por lo tanto, el resultado del promedio de segundo orden [ (1 , ) (2 , )] resulta ser:
[ (1 , ) (2 , )] = 2 () ( )
[ () ( + )] = {[ () ( + )] [ ( + ) ( + + )]}
[ () ( + )] = 2 [() ( + )] [( + + ) ( + )]
1
[ () ( + )] = 2 () {[( ) + [ (2 + ) + 2]}
2
1
[ () ( + )] = 2 () [( ) + 0]
2
1
[ () ( + )] = 2 () ( )
2