5.

1 Observamos una seal S(1) al tiempo 1 y queremos el mejor estimador

lineal de la seal S(2) para un tiempo despus. Asuma que E{S(1)} = E{S(2)}
= 0.
Encuentre el mejor estimador lineal en termino de los momentos.
Estimador:

S^ ( 2 )=h0 +h 1 S(1)

El mejor estimador es el que minimiza el Error Cuadrtico Medio (ECM).

Grficamente, esto significa que el vector de error es perpendicular a la
observacin.

ECM=E {(S ( 2 ) S^ ( 2 ) )2}=E {(S ( 2 )h0 h1 S (1))2 }

Para minimizar se debe derivar (con respecto a igualar a

h0 y h1 ) e igualar a 0

(Cero).

ECM
=2 E { S ( 2 )h0h1 S ( 1 ) }(1)=0
h0
E { S ( 2 )h 0h1 S ( 1 ) }=0
E { S ( 2 ) }h0h 1 E {S ( 1 ) }=0
h0=0

ECM
=2 E {(S ( 2 )h1 S ( 1 ) )S(1) }=0
h1
E { S ( 2 ) S (1) }h1 E {S 2 (1 ) }=0

[ S(2) S(1) + S (2) S (1 ) ]h1 [ S(1) S (1) + S (1) S (1) ]=0

h1=

Entonces:

S (2) S(1)
S (1)2

S^ ( 2 )=

S (2) S (1)
S (1)2

S (1)

5.2 Asuma la misma situacin del problema 5.1 pero ahora la derivada,
S(1), de la seal al tiempo 1 puede ser observada. E{S(1)} = 0. Encuentre el
mejor estimador de la forma:

S^ ( 2 )=a1 S (1 )+a2 S ' ( 1 )

Anlisis adicional:
El estimador se escribe en su forma completa como:
Dado que

a0 =0 , se puede inferir que

S^ ( 2 )=a0 + a1 S ( 1 ) +a2 S ' ( 1 ) .

S (1)= S(2)= S '(1)=0 , dado que

solo depende de las medias.

Resolucin:

ECM=E {(S ( 2 ) S^ ( 2 ) )2}=E {(S ( 2 )a1 S (1)a 2 S '(1))2 }

ECM
=2 E {[S ( 2 )a1 S ( 1 )a 2 S ' ( 1 ) ]S (1) }=0
a1
2
E { S ( 2 ) S (1)}a1 E {S ( 1 ) }a2 E { S ' ( 1 ) S (1) } =0

[ S(2) S(1) ]a1 [ S (1) S (1 ) ]a 2 [ S '(1) S (1) ]=0

a1 =

S (2) S (1) a2 [ S '(1 ) S (1) ]

S (1 )2

ECM
=2 E {[S ( 2 )a1 S ( 1 )a 2 S ' ( 1 ) ]S ' (1) }=0
a2
E { S ( 2 ) S ' (1) }a1 E {S ( 1 ) S ' (1) }a2 E {S ' 2 (1 ) } =0

[ S(2) S ' (1) ]a 1 [ S (1) S ' (1) ]a2 [ S '(1) S ' (1)]=0
a2=

S (2) S ' (1)a1 [ S (1 ) S ' (1) ]

S '(1)2

a0

Reemplazando se llega a:

a1 =

S (2) S (1) S '(1)2 S '(1) S (1) S (2) S '(1)

S (1)2 ( S (1 )2 S '(1 ) S (1) )
'

a2 =

S (2) S ' (1) S (1)2 S '(1) S (1) S (2) S (1)

S (1 )2 S (1 )2 S ' (1)2 S(1)
'

5.3

Encuentre el estimador S(n), una secuencia estacionaria, dados S(n-1),

S(n-2), y S(n-3) si

s =0 ,

Rss ( 0 )=1 ,

Rss (1 )=0,9 ,

Rss ( 2 )=0,7

Rss ( 3 )=0,6 ; esto es, encuentre h1, h2 y h3 en la ecuacin

S^ ( n )=h 1 S ( 1 )+ h2 S ( 2 ) +h3 S ( 3 ) .
De las condiciones de ortogonalidad, llegamos a:

SS h T = R
SS
R

R SS (0) R SS (1) R SS (2) h1

RSS (1)
=
RSS (1) R SS (0) R SS (1) h2
RSS (2)
R SS (2) R SS (1) R SS (0) h3
RSS (3)

][ ] [ ]

1 0,9 0,7 h1
0,9
=
0,9 1 0,9 h2
0,7
0,7 0,9 1 h3
0,6

h1=2
h2=2
h3=1

][ ] [ ]

5.4

Encuentre el Error Cuadrtico Medio Residual

5.3
n

2
P ( n )=E {(S ( 2 ) ^S ( 2 )) }=RSS ( 0 ) hi R SS (i)
i=1

P ( n )=R SS ( 0 )( h1 RSS ( 1 ) +h2 R SS ( 2 )+ h3 R SS (3 ) )=0

[P(n)] para el problema

5.5

Para X, un vector aleatorio Gaussiano con media cero y

XX = 1
1
2

1
2
1

( )

Encuentre

XX

L .

es la matriz de Covarianza:

C XX ( t 1 ,t 2 )=R XX ( t 1 , t 2 ) X (t 1) X (t 2 )
En este caso,

X =0 :

C XX ( t 1 ,t 2 )=R XX ( t 1 , t 2 ) =E {X (t 1 ) X (t 2 )}
Adems:

C XX ( t 1 ,t 1 )=E { X ( t 1) 2 }= X 2 + X 2= X 2

(1 ,1) (1, 2) (1 , 3)
= (2 ,1) ( 2, 2) (2 , 3)
(3 , 1) ( 3 ,2) (3 , 3)

( i , i ) =1

es matriz diagonal inferior:

1
0
0
= (2,1)
1
0
(3,1) (3,2) 1

[ ][

( i , j )=0 i> j

]
][ ]

V X (1)
1
0
0 X (1)
1
0 X (2)
V X (2) = (2,1)
V X (3) (3,1) (3,2) 1 X (3)

V X ( 1 )= X (1)
V X ( 2 )= ( 2,1 ) X (1 ) + X (2)
V X ( 3 )= ( 3,1 ) X ( 1 )+ ( 3,2 ) X ( 2 )+ X ( 3 )

E {V X ( 1 ) V X ( 2 ) }=E { X ( 1 ) [ ( 2,1 ) X ( 1 ) + X ( 2 ) ] }=0

-> Condiciones de

Ortogonalidad

0=E { ( 2,1 ) X ( 1 )2+ X ( 1 ) X ( 2 ) }= (2,1 ) E { X ( 1 )2 }+ E { X (1 ) X (2) } = ( 2,1 ) R XX ( 1 ,1 ) + R XX ( 1,2 )

( 2,1 ) =

R XX ( 1,2 ) 1
=
2
R XX ( 1,1 )

E {V X ( 1 ) V X ( 3 ) }=E { X ( 1 ) [ ( 3,1 ) X (1 )+ ( 3,2 ) X ( 2 )+ X (3) ] }=0

-> Condiciones de

Ortogonalidad

0= ( 3,1 ) R XX ( 1 ,1 ) + ( 3,2 ) R XX ( 1,2 ) + R XX ( 1,3 )

( 3,1 ) =

R XX ( 1,3 ) ( 3,2 ) R XX ( 1,3 )

R XX ( 1,1 )

E {V X ( 2 ) V X ( 3 ) }=E {[ ( 2,1 ) X ( 1 ) + X (2)] [ ( 3,1 ) X ( 1 ) + ( 3,2 ) X ( 2 ) + X (3) ]}=0

-> Cond

de Ort.

0= ( 2,1 ) ( 3,1 ) R XX ( 1 ,1 ) + ( 2,1 ) ( 3,2 ) R XX (1,2 ) + ( 3,1 ) R XX (2,1 )+ ( 3,2 ) R XX ( 2,2 )+ R XX ( 2,3 )
1
1
( 3,1 ) ( 3,2 ) + ( 3,1 )+ ( 3,2 ) 3+1=0
2
4

( 3,2 ) =

3
10

( 3,1 ) =

1
10

Entonces:

[ ]
[ ]

1
1
= 2
1
10

3
10

1
1
L= 1 = 2
1
4

3
10

5.6

Considere una estimacin en base a una suma simtrica finita, esto es,

S^ (n)=

h( k ) X (nk )

k=M

Encuentre el filtro optimo h(k), k=-M, -M+1, , M.

Filtro Wiener (EN TEORICO HAY PROBLEMA SIMILAR)
5.7

Considere Z = k1 X + k2 Y, donde X e Y son independientes con medias

y

2X

y varianzas

a) Encuentre

y
y

2Y , k1 y k2 son constantes.
2Z

Z =E { Z }=E {k 1 X +k 2 Y }
Z =k 1 X +k 2 Y
2Z =E { Z2 } Z
2Z =k 12 ( X 2+ 2X ) + 2 k 1 k 2 X Y +k 22 ( Y 2 + 2Y ) k 12 X 22 k 1 k 2 X Y k 22 Y 2
2Z =k 12 2X + k 22 2Y
X =Y . Encuentre una condicin sobre k1 y k2 que

b) Asuma que
hagan que

X =Y =Z .

Z =k 1 X +k 2 Y = Z (k 1 +k 2 )
k 1 +k 2=1
c) Utilizando el resultado de (b), encuentre k1 y k2 tal que

2Z

est

k2

y se

minimizado

2Z =k 12 2X + k 22 2Y =(1k 2 )2 2X +k 22 2Y
2Z =( 2X + 2Y ) k 222 2X k 2+ 2X
Para encontrar el valor que minimiza
iguala a 0:

2Z
2
2
2
=2 ( X + Y ) k 22 X =0
k2

2Z , se deriva con respecto a

k 2=

( 2X + 2Y )
2

k 1=

( 2X + 2Y )
d) Usando los resultados de (b) y (c) encuentre

((

2Z =k 12 2X + k 22 2Y = 2Z =

2Z =

Y
2
X

2
Y

) ((
2X +

X
2
X

2Z .

2
Y

2Y

XY

( 2X + 2Y )

5.8

Asuma que X(n) = S(n) + v(n), donde v(n) es blanco con

2v =1 . S(n) es

una secuencia autoregresiva de primer orden (o Markov) de media cero, que es

RSS ( n )=a|n| 2S
a) Encuentre

RSX ,

S SX ,

S XX

H (f ) , el ptimo filtro

realizable.
b) Si a = ,

2S=1 , encuentre h(n), el ptimo filtro no realizable o

pesos no causales en el dominio del tiempo.

5.9

Considere:

S ( n )=0,6 S ( n1 ) +W (n)
X ( n )=S ( n )+ v (n)
W(n) y v(n) son secuencias de ruido blanco estacionarias independientes con
2

W =

1
5

v=

1
3 .

La primer observacin es X(1) y comenzamos con los valores asumidos

S^ (1 )=0 , P(1)=1. Encontrar

escalar de Kalman.

S^ ( 4 ) ,

P (4 ) ,

S^ (5 )

P (5 ) para el filtro