Clase 3.

Procesos estocasticos en Teora de la se

nal.

Introducci
on

Como ya se comento en la clase anterior, el ruido es una se

nal inherente a cualquier
transmision de telecomunicacion.
El ruido es una se
nal que aparece por m
ultiples causas, todas ellas incontrolables. En realidad, podramos imaginarnos cada realizacion del ruido {t }tR ,
en cada instante t como la agregacion de los valores de muchas variables independientes:
t = X1t + X2t + + Xkt ,
por el Teorema Central del lmite, para distintas realizaciones del ruido tendremos
que t es una distribucion normal. De ah que el ruido se diga gaussiano, por otra
parte, es deseable que fijado el instante t, tengamos que E[t ] = 0 y V ar[t ] = 2 ,
puesto que esto significa que en media la distorsion es nula y los efectos distorsionantes se mueven en una banda fija. Finalmente, hay una tercera propiedad
deseable y es que en distintos instantes de tiempo, los ruidos se comporten de
modo independiente, es decir, si fijamos dos instantes de tiempo E[t t0 ] = 0. Con
ello garantizamos que si hay una distorsion puntual esta no se lleva arrastrando
en el transcurso del tiempo, afectando, por tanto, a la calidad de la transmision.
En definitiva, lo que hemos planteado en el parrafo anterior es, de nuevo, la
definicion de ruido blanco gaussiano. Por su importancia en la transmision de
se
nales es fundamental conocer tecnicas que permitan detectarlo y este sera el
objetivo central de la clase de hoy.

Conceptos te
oricos

Recuerda que cuando en un proceso estocastico fijamos t, entonces disponemos

de una variable aleatoria. Si obtenemos n variables aleatorias en otros tantos
instantes de tiempo, sus propiedades estadsticas (media, varianza, covarianza,
etc) se obtendran a partir de su densidad conjunta.
Un proceso aleatorio se dice estacionario en el tiempo cuando sus propiedades
estadsticas no cambian en el tiempo. Existen distintos grados de estacionariedad,
a menudo difciles de comprobar en la practica.
Proceso estacionario de orden 1: su funcion de densidad no cambia al desplazar el origen de tiempos. Es decir, si f (x, t) es la funcion de densidad de la
variable aleatoria Xt , entonces
f (x; t) = f (x; t + 4),
1

4 > 0.

Consecuencia:Un proceso estocastico que sea estacionario de orden 1 cumple

que para cualquier instante de tiempo t en el que paremos el proceso se tiene que
E[Xt ] = y V ar[Xt ] = 2 , donde y 2 son constantes (no dependen de t).
Proceso estacionario de orden 2: la funcion de densidad conjunta de cualquier
par de variables Xt1 y Xt2 cumple para cualquier valor real 4 > 0:
f (x1 , x2 , t1 , t2 ) = f (x1 , x2 , t1 + 4, t2 + 4).
Consecuencia: Fijados dos instantes de tiempo cualesquiera se tiene que la
funcion de autocorrelacion solo depende de la distancia entre los dos instantes de
tiempo.
RXX (t1 , t2 ) = E[Xt1 Xt2 ] = ( = t2 t1 ) = RXX ( )
Proceso estacionario en sentido amplio: Es la acepcion de estacionariedad
mas utilizada en la practica. Aunque no es tan restrictiva como la estacionariedad
de orden 2, mantiene alguna de sus propiedades. Diremos que un proceso es
estacionario en sentido amplio cuando:
E[Xt ] = ,

E[Xt Xt+ ] = RXX ( ),

t, 0.

Proceso estacionario en sentido estricto:cuando es estacionario para cualquier

orden k.
Ejercicio: Demuestra que siguiente proceso aleatorio es estacionario en sentido amplio, suponiendo que A y 0 son constantes y se distribuye uniformemente en (0, 2):
X(t) = A cos(0 t + )
Procesos estacionarios conjuntamente:Dados dos procesos aleatorios X(t) e
Y (t), decimos que son estacionarios conjuntamente en sentido amplio si cada uno
de ellos tiene media constante y ademas
RXY (t1 , t2 ) = RXY (t, t + ) = RXY ( )
.
En lo sucesivo, asumiremos que trabajamos con procesos estacionarios en
sentido amplio.
A continuacion se presentan realizaciones de diversos procesos, se trata de que
para cada realizacion detectes si el proceso es estacionario en sentido amplio y en
2

caso de que no lo sea, transformes el proceso de modo adecuado para conseguir

al estacionariedad.
Nota: si un proceso no es estacionario en media, conviene aplicar
la transformacion diferencia; si no es estacionario en varianza, conviene aplicar la transformacion logartmica. Otras transformaciones
matematicas tambien pueden ser de utilidad (transformaciones de
Box-Cox).
Ejercicio: en el fichero datos.txt tienes, en cada columna, una realizacion de un
proceso estocastico diferente. En este ejercicio debes realizar la correspondiente
representacion grafica y las transformaciones que estimes necesarias para que
la realizacion transformada se corresponda a un proceso estacionario en sentido
amplio.
Realizacion 1 (prices): serie de precios recogida en das consecutivos.
Realizacion 2 (eur libra): serio de cambios de moneda del euro a la libra en
das laborables consecutivos.
Realizacion 3 (robos): serie mensual de robos denunciados en Boston desde
enero de 1967.
Realizacion 4 (cotiza): valores trimestrales desde el primer trimestre de 1955
que representan el porcentaje de ahorro de las familias americanas.
Realizacion 5 (natali): tasa de natalidad anual de Espa
na desde 1900.

Promedios temporales y ergodicidad

Hasta el momento hemos parado un proceso en un instante de tiempo t, por

lo que las propiedades que estudiamos requieren que dispongamos de distintas
realizaciones para poder comprobar con tecnicas estadsticas que se cumplen las
propiedades se
naladas. Sin embargo, muchas veces solo disponemos de una realizacion y nos planteamos...en que casos y como se comprueban las propiedades
anteriores que afectan a todo el proceso en su conjunto con una u
nica realizacion?.
Consideramos una realizacion del proceso, x(t), definimos:
1
Promedio temporal: A[x(t)] = lim
T 2T

x(t)dt
T

1
T 2T

Funcion de autocorrelacion temporal: <XX ( ) = A[x(t)x(t+ )] = lim

3

x(t)x(t+ )dt
T

Observa que la expresiones anteriores se pueden calcular para cada realizaci

on
y los valores que toman iran cambiando. As pues, son variables aleatorias.
Supongamos que disponemos de un proceso estacionario en sentido amplio,
entonces:
E[A[x(t)] =

E[<XX ( ))] = RXX ( )

Procesos erg
odicos: Un proceso estocastico es ergodico cuando A[x(t)] y
<XX ( ) son constantes para cualquier realizacion x(t) del proceso. En consecuencia:
<XX ( ) = RXX ( ).

A[x(t)] = ,

(1)

La ergodicidad es una propiedad muy difcil de comprobar en la practica.

Primero, requerimos de un proceso estacionario en sentido amplio y, despues,
hay que asumir que una realizacion del proceso es un representante adecuado del
proceso global, es decir, cualquier otra realizacion generara resultados del tipo
promedio temporal iguales. No obstante, como en la estacionariedad, existen
grados de ergodicidad que son muy asumibles en la practica.
Proceso erg
odico respecto a la media y a la autocorrelaci
on: dado un proceso
estacionario en sentido amplio se satisface (1).
Theorem 3.1. Sea {X(t)} un proceso estacionario en sentido amplio. Sea
Z T Z T
1
CXX ( ) = lim
(x(t) )(x(t + ) )dtd,
T 4T 2 T T
entonces el proceso es erg
odico respecto a la media si
a) CXX (0) < y CXX ( )0 cuando .
R
b) |CXX ( )| < .
y tambien es erg
odico respecto a la correlaci
on si en las dos condiciones anteriores
reemplazamos el proceso X(t) por W (t) = X(t)X(t + ), para cualquier > 0.

La funci
on de autocorrelaci
on

Esta funcion ya la hemos presentado en la seccion anterior y en el caso de procesos

estacionarios en sentido amplio es igual a RXX ( ) = E[Xt Xt+ ]. Las propiedades
de la funcion de autocorrelacion son:
1. |RXX ( )| RXX (0)
4

2. RXX ( ) = RXX ( )
3. RXX (0) = E[X 2 (t)]
4. Si el proceso es ergodico sin componentes periodico lim RXX ( ) = 2 .
5. Si X(t) tiene un componente periodico, tambien lo tendra RXX ( ) con el
mismo periodo.
6. La funcion de autocorrelacion no tiene una forma arbitraria
La funcion de autocorrelacion da mucha informacion sobre la serie en estudio. En general, trataremos de trabajar con series estacionarias en media y, si
es el caso, en terminos en desviaciones, es decir, con media igual a cero. En
consecuencia, por la propiedad 4 tendremos que la funcion de autocorrelacion
debe converger a cero. Asimismo, tiene que ir decreciendo y el valor en el cero,
cuando la media es nula, es la varianza del proceso estacionario. Para las series
del ejercicio anterior, calculamos la funcion de autocorrelacion muestral.
Ejercicio 2:
Estudia la funcion de autocorrelacion muestral para las series del ejercicio
anterior. Comprueba que si las has transformado para obtener estacionariedad,
la funcion transformada satisface las propiedades teoricas de la funcion de autocorrelacion.
Ejercicio 3:
Describe la funcion de autocorrelacion de la serie AirPassengers, que ya se
encuentra incluida en el paquete.
Ejercicio 4:
Sea Xt es un proceso estacionario en sentido amplio con funcion de autocorrelacion RXX ( ) = ea| | , donde a > 0 es una constante. Si la labor de Xt es la
de modular una onda cos(0 t + ), donde 0 es una constante y es una v.a.
aleatoria independiente de Xt y con distribucion uniforme en (, ), cual es
la funcion de autocorrelacion de Yt = Xt cos(0 t + ).
Nota:
cos(0 t + ) cos(0 t + 0 + ) = cos(0 ) + cos(20 t + 0 + 2)
Ejercicio 5:
Calcula la funcion de autocorrelacion de un ruido blanco.
Ejercicio 6:
Contrasta el ruido blanco para las series anteriores.
Ejercicio 7:
5

Considera el proceso estocastico:

Xt = 2 cos(2t) + t ,

1 < t < 1

donde t es un proceso de ruido blanco con funcion de autocorrelacion R ( ) =

0.01( ).
a) Implementa un programa en R que genere realizaciones de este proceso.
b) Para una de estas realizaciones obten con R la funcion de autocorrelaci
on.
c) Obten en R la correspondiente funcion espectral de densidad de potencia.
d) Tiene alg
un grado de estacionariedad el proceso anterior?
e) Comprueba que el ruido generado es, efectivamente, blanco.