PROCESOS ALEATOROS

Introducción

 La forma de modelar matemáticamente problemas puede ser de dos maneras:

de manera determinística, en donde se conocen todos los valores de entrada
y se pueden predecir valores de salida cuando se pasa a través de un sistema;
y de manera estocástica o probabilística, en la cual el valor de la salida
depende de una probabilidad para acertar o no bajo ciertas condiciones. En
cuanto a la manera estocástica de percibir problemas, esta manera es la más
ocupada en el mundo real debido ya que las variables de entrada en el mundo
real son bastantes y de comportamientos diferentes. Además, en un análisis
estocástico es posible encontrarse con dos tipos de interferencia las cuales
son interferencia aleatoria y ruido del canal. Aunque no es posible establecer
el valor exacto de la señal, si es viable establecer en términos de parámetros
estadísticos la potencia promedio y la densidad espectral.
Definición matemática de un proceso
aleatorio

 Un proceso aleatorio es el conjunto de realizaciones en diferentes instantes

de tiempo. Esto quiere decir que cada vez que ocurra un evento o realización,
el mismo describirá una probabilidad de ocurrencia describiendo una
distribución de probabilidad en dicho tiempo. En otras palabras, un proceso
aleatorio está definido por el conjunto de distribuciones de probabilidad en
instantes de tiempo dados. Expresándolo matemáticamente:
 𝑋 𝑡, 𝑠 , −𝑇 < 𝑡 < 𝑇
 Donde “2T” es el espacio de análisis, “t” es el intervalo de tiempo en el que
se va a analizar una realización y “s” es la realización del evento. Por
términos de simplificación se denotara como un proceso aleatorio a 𝑋𝑗(𝑡),
donde cada muestra o realización se dará por la variación en “j” en un
tiempo fijo 𝑡𝑘 .
 Las características de variable aleatoria y proceso aleatorio:
 Para una variable aleatoria, el resultado de un experimento aleatorio se
transforma en un número.
 En un proceso aleatorio, el resultado de un experimento aleatorio se
transforma en una forma de onda que es una función del tiempo.
Procesos estacionarios

 Un proceso estacionario es un proceso cuya distribución de probabilidad en un

instante de tiempo fijo o una posición fija es la misma para todos los
instantes de tiempo. En consecuencia, parámetros tales como la media y la
varianza, existen y no varían.
 Un proceso estacionario surge de un fenómeno físico estable que ha
evolucionado hasta un modo de comportamiento estable, en tanto que un
proceso no estacionario proviene de un fenómeno inestable.
 Matemáticamente se expresa como:
 De manera similar, podemos afirmar que dos procesos aleatorios X(t) y Y(t)
son en conjunto estrictamente estacionarios si las distribuciones de unión de
dimensión finita de los conjuntos de variables aleatorias son invariables con
respecto al origen t=0.
Funciones de la media, de correlación y de
covarianza

 Se define la media o esperanza como el valor promedio de todos los valores

que se pueden encontrar a partir de una función generada por eventos
realizados. La media de un proceso estacionario, debido a que es invariante
en el tiempo, la media llegaría a ser un valor constante.
 Se define la función de correlación del proceso X(t) como el valor esperado
del producto de dos variables aleatorias, X(t1) y X(t2), obteniendo al observar
el proceso X(t) en los tiempos t1 y t2, respectivamente. De manera
matemática se tiene que:

 Para un proceso aleatorio estacionario en sentido estricto, la función de

correlación es únicamente dependiente de los valores que pueda obtener en
deltas de tiempo o variaciones (t2-t1) donde t2 > t1, lo cual se transforma en:
 La función de covarianza puede ser definida en términos de la correlación de
la siguiente manera (tomando en cuenta la definición de proceso estacionario
en sentido estricto):

 La media y la función de autocorrelación proporcionan solo una descripción

parcial de la distribución de un proceso aleatorio X(t).
 La media y la autocorrelación respectivamente, no son suficientes para
garantizar que el proceso aleatorio X(t) sea estrictamente estacionario.
 Por lo tanto, un proceso necesita de mediciones y distribuciones exactas para
que sea considerado estacionario en sentido estricto. Por tanto, se
considerará como estacionarios en sentido débil, el cual tendrá las mismas
características que un proceso estacionario en sentido estricto salvo las
definiciones exactas de las distribuciones de probabilidad en cada evento.
 Propiedades de la autocorrelación:
 El valor cuadrático medio del proceso se puede obtener a partir de 𝑅𝑥 (𝑇)
poniendo simplemente T=0 en 𝑅𝑥 𝑇 = 𝐸 𝑋 𝑡 + 𝑇 𝑋 𝑡 para todo t, como se
indica por medio de
 𝑅𝑥 0 = 𝐸[𝑋 2 (𝑡)]
 La función de autocorrelación 𝑅𝑥 (𝑇) es una función par de T, esto es,

 En consecuencia, es posible que definir también la función de correlación

𝑅𝑥 (𝑇) como
 Figura 1: ilustración de las funciones de correlación de procesos aleatorios que
fluctúan lenta y rápidamente
 La función de correlación R_x (T) tiene su magnitud máxima en T=0, es decir,

 Para probar esta propiedad, considere esta cantidad no negativa

 Que reemplazando T=0 se obtiene lo siguiente:

Funciones de correlación cruzada

 La correlación cruzada es una medida de la similitud entre dos señales,

frecuentemente usada para encontrar características relevantes en una señal
desconocida por medio de la comparación con otra que sí se conoce. Es
función del tiempo relativo entre las señales, a veces también se la llama
producto escalar desplazado. Matemáticamente la correlación
𝑅𝑥 𝑡, 𝑢 𝑦 𝑅𝑦 (𝑡, 𝑢) de los procesos aleatorios X(t) y Y(t) está definida como:
 Definiendo como una matriz se tiene como:

 Si se define un proceso estacionario en sentido débil se obtiene el siguiente

resultado:
 Donde T=t-u.
 De lo propuesto anteriormente se puede definir la siguiente propiedad:
Procesos ergódicos

 Las esperanzas o promedios totales de un proceso aleatorio X(t) son

promedios “entre los extremos del proceso”. Un sistema es ergódico si el
único conjunto invariante de medida no nula de la superficie, tridimensional o
de espacio n > 2, de energía constante del espacio de las fases es toda la
superficie de energía constante.
 Donde 𝑢𝑥 es la medida del proceso X(t). en consecuencia, el promedio de
tiempo 𝑢𝑥 (𝑇) representa una estimación no polarizada de la media
promediada en el conjunto 𝑢𝑥 . Afirmamos que el proceso X(t) es ergódico en
la media si se satisfacen dos condiciones:
 El promedio de tiempo 𝑢𝑥 (𝑇) se acerca al promedio total 𝑢𝑥 en el límite
cuando el intervalo de observación T tiende a infinito; esto es,
 La varianza de 𝑢𝑥 (𝑇), tratada como una variable aleatoria, tiende a 0 en el
límite cuando el intervalo de observación T se acerca a infinito; esto es,

 Definiendo a la correlación en un intervalo -T< t <T se obtiene la siguiente

ecuación:
 Por lo tanto, con la ecuación anterior y aplicando los limites se tienen las
siguientes ecuaciones:
Transmisión de un proceso aleatorio a
través de un filtro lineal invariante con el
tiempo

 Suponga que un proceso aleatorio X(t) se aplica como entrada a un filtro lineal
invariante en el tiempo de respuesta al impulso h(t), produciendo un nuevo
proceso aleatorio Y(t) en la salida del filtro. En general, resulta difícil describir la
distribución de probabilidad del proceso aleatorio de salida Y(t), aun cuando la
distribución de probabilidad de proceso aleatorio de entrada X(t) esté
especificada por completo en −∞ < 𝑡 < ∞.
 Figura 2: transmisión de un proceso aleatorio a través de un filtro lineal
invariante con el tiempo.
 La transmisión de un proceso a través de un filtro lineal invariante en el
tiempo está gobernada por la integral de convolución:
 Siempre que la esperanza (media) E[X(t)] sea finita para todo t y el sistema
sea estable, existe la posibilidad de que intercambiemos el orden de la
esperanza y la integración en la ecuación anterior y escribir de la siguiente
manera

 Cuando el proceso aleatorio de entrada X(t) es estacionario, la media 𝑢𝑥 (𝑡) es

una constante 𝑢𝑥 , por lo que podemos simplificar la ecuación anterior del
modo siguiente:
 Considere la función de correlación del proceso aleatorio de salida Y(t). por
definición, tenemos:

 Donde t y u denotan dos valores del tiempo ene l cual se observa el proceso
de salida. Por tanto, resulta viable utilizar la integral de convolución para
escribir
 Haciendo los respectivos cambios en la ecuación para el valor cuadrático
medio 𝐸[𝑋 2 (𝑡)] sea finito para todo t y el sistema sea estable se tiene que:
Densidad espectral de potencia

 En matemáticas y en física, la Densidad Espectral (Spectral Density) de una

señal es una función matemática que nos informa de cómo está distribuida la
potencia o la energía (según el caso) de dicha señal sobre las distintas
frecuencias de las que está formada, es decir, su espectro.
 La definición matemática de la Densidad Espectral (DE) es diferente
dependiendo de si se trata de señales definidas en energía, en cuyo caso
hablamos de Densidad Espectral de Energía (DEE), o en potencia, en cuyo
caso hablamos de Densidad Espectral de Potencia (DEP).
 Por definición, la respuesta al impulso de un filtro invariante en el tiempo es
igual a la transformada inversa de Fourier de la respuesta en frecuencia del
sistema. Al usar H(f) para denotar la respuesta en frecuencia del sistema, es
posible escribir
 Mediante la sustitución de esta expresión para ℎ(𝑇1 ) en la ecuación anterior se
obtiene que:
 Figura 3: respuesta en magnitud de un filtro de banda angosta ideal
Propiedades de la densidad espectral de
potencia
 Relación entre las densidades espectrales de potencia de procesos aleatorios
de entrada y salida
 Dejemos que 𝑆𝑥 (𝑓) denote la densidad espectral de potencia del proceso
aleatorio de salida Y(t) obtenida al pasar el proceso aleatorio X(t) por un
filtro lineal de frecuencia H(f). en ese caso, al reconocer por definición que la
densidad espectral de potencia de un proceso aleatorio es igual a la
transformada de Fourier de su función de correlación se obtiene que:
 Se puede llegar al resultado a continuación, si se toma que T-T1+T2=To
usando también H(f):

 Por último, puesto que 𝐻 𝑓 2 𝐻 𝑓 ∗ ∗ 𝐻(𝑓), encontramos que la relación

entre las densidades espectrales de potencia de los procesos aleatorios de
entrada y salida se expresa e el dominio de la frecuencia al escribir:
 Por tanto, la densidad de potencia espectral del proceso de salida Y(t) es
igual a la densidad de potencia del proceso de entrada X(t) multiplicado por
la respuesta en magnitud al cuadrado del filtro.
 Relación entre la densidad espectral de potencia y el espectro en magnitud
de una función de muestra
 Deseamos relacionar la densidad espectral de potencia 𝑆𝑥 (𝑓) directamente
con las propiedades espectrales de una función muestra x(t) de un proceso
estacionario X(t) que es ergódico. Sin embargo, para que la función muestra
x(t) sea transformada de Fourier, éste debe ser absolutamente integrable; es
decir,
 Al y utilizar X(f,T) para denotar la transformada de Fourier de la función
muestra truncada definida de ese modo, es posible escribir:

 Suponiendo que el proceso x(t) también es ergódico, es factible evaluar la

función de correlación 𝑅𝑥 (𝑇) de 𝑋(𝑡) utilizando la fórmula promediada en el
tiempo:
 O, equivalentemente tomando a la función de muestra x(t) como una señal de
potencia, se tiene que:

 Al utilizar la fórmula para la transformada inversa de Fourier en el par de

transformadas de Fourier de la ecuación anterior, es posible expresar la
función de correlación promediada en el tiempo de la función de muestra x(t)
en términos del periodo como
 La densidad espectral cruzada ofrece una medida de la interrelación de
frecuencia entre dos procesos aleatorios.

 Las funciones de correlación cruzada y las densidades espectrales cruzadas

forman consecuentemente pares de transformadas de Fourier. Por tanto,
utilizando la fórmula para la transformada inversa de Fourier también es
posible escribir:
Proceso gaussiano

 Vamos a suponer que observamos un proceso aleatorio X(t) en un intervalo

que se inicia en el tiempo t = 0 y perdura hasta t = T. Supongamos también
que ponderamos el proceso aleatorio X(t) por medio de alguna función g(t)y
que luego integramos el producto g(t)X(t) a lo largo de este intervalo de
observación, obteniendo de esta manera una variable aleatoria Y definida por

 Nos referimos a Y como una función lineal de X(t).

 Decimos que la variable aleatoria Y tiene una distribución gaussiana si su
función de densidad de probabilidad tiene la forma
 Tal distribución gaussiana normalizada se escribe por lo común como N(0,1)
 Figura 4: distribución gaussiana normalizada
Teorema del límite central

 El teorema del límite central proporciona la justificación matemática para

utilizar un proceso gaussiano como un modelo en un gran número de
fenómenos físicos diferentes en los que la variable aleatoria observada, en un
instante particular, es el resultado de un número grande de eventos aleatorios
individuales.
 Se deben satisfacer los siguientes requerimientos:
 Las Xi son independientes estadísticamente
 Las Xi tienen la misma distribución de probabilidad con media Ux y varianza
σ2 x.
Propiedades del proceso gaussiano

 Propiedad 1
 Si se aplica un proceso gaussiano X(t) a un filtro lineal estable, entonces el
proceso aleatorio T(t) que se desarrolla a la salida del filtro también es
gaussiano.
 Propiedad 2
 Considere el conjunto de variables o muestras aleatorias X(t1), X(t2),…,X(tn),
debido al observar un proceso aleatorios X(t) en los tiempos t1, t2,…,tn. Si el
proceso X(t)es gaussiano, entonces este conjunto de variables aleatorias es
gaussiano para toda n, estando su función de densidad de probabilidad
conjunta enésima determinada completamente a especificar el conjunto de
medias:
 Y el conjunto de funciones de covarianza

 Propiedad 3
 Si un proceso gaussiano es estacionario, entonces el proceso también es
estrictamente estacionario.
 Propiedad 4
 Si las variables aleatorias X(t1), X(t),.., X(tn), obtenidas mediante un proceso
gaussiano X(t) en los tiempos t1, t2,…,tn, no están correlacionados, esto es,
Ruido

 Ruido es una señal no deseada en un sistema cuando se trata con señales al

momento de procesarlas. Por lo general, en la vida real el efecto del ruido no
puede ser despreciado debido a que su comportamiento influye mucho en el
sistema que se esté analizando. Existen dos tipos de ruido, el ruido de disparo
y el ruido térmico.
 Ruido de disparo
 El ruido de disparo surge en dispositivos electrónicos como los diodos y los
transistores debido a la naturaleza discreta del flujo de corriente en estos
dispositivos.
 El número de electrones N(t), emitido en el intervalo de tiempo [0,t]
constituye un proceso estocástico discreto, el valor del cual aumenta en uno
cada vez que se emite un electrón.
 Dejemos que el valor medio de número de electrones, v, emitido entre los
tiempos t y t +to se defina por medio de

 El parámetro lambda es una constante denominada la velocidad del proceso.

 Figura 5: función de muestra de un proceso de conteo de Poisson
 La media de X(t) es:

 Donde lambda es la velocidad del proceso y h(t) es la velocidad de onda de un

pulso de corriente.
 La función de covarianza es:

 En el caso especial de una forma de onda h(t) consiste en un pulso

rectangular de amplitud A y duración T, la media de proceso de ruido de
disparo X(t) es λAT, y su función de covarianza es:
 Ruido térmico
 El ruido térmico es el nombre dado al ruido eléctrico que surge del
movimiento aleatorio de los electrones en un conductor.

 Donde k es la constante de Boltzman igual a 1.38E-23 joules por grado Kelvin,

T es la temperatura absoluta en grados Kelvin y R es la resistencia en ohms.
 Aprovechando el uso del equivalente Thevenin:
 Figura 6: modelos de un resistor ruidoso a) Circuito equivalente Thevenin. b)
Circuito equivalente Norton
Ruido Blanco

 Es una clase general de ruido donde se concentran todas las frecuencias

posibles. Haciendo una analogía con la luz blanca que pasa por un prisma y
revela todos los espectros de frecuencia, el ruido blanco también tiene la
misma característica que la luz blanca y puede ser dividido en todas sus
frecuencias.
 Figura 7: características del ruido blanco. a) Densidad espectral de potencia.
b) Función de correlación
Ruido de banda angosta

 El receptor de un sistema de comunicación puede incluir alguna provisión

para el preprocesamiento de la señal recibida. El preprocesamiento puede
tomar la forma de un filtro de banda angosta cuyo ancho de banda es apenas
lo suficientemente grande para dejar pasar la componente modulada de la
señal recibida esencialmente no distorsionada, aunque no lo bastante grande
para admitir ruido excesivo a través del receptor. El proceso de ruido que
aparece en la salida de un filtro de estas características se conoce como ruido
de banda angosta.
 El ruido de banda angosta se define en términos de un par de componentes
denominadas componentes de fase y cuadratura.
 El ruido de banda angosta se define en términos de otras dos componentes
denominadas la envolvente y la fase.
Representación del ruido de banda angosta
en términos de las componentes en fase y
en cuadratura

 Figura 8: a) Densidad espectral de potencia de ruido de banda angosta. b)

Función de muestreo de ruido de banda angosta.
 Representando un ruido de banda angosta en su forma canónica se tiene que:

 Donde 𝑛𝐼 (𝑡) se denomina la componente en fase de n(t) y 𝑛𝑄 (𝑡) se nombra como la

componente de cuadratura de n(t). tanto 𝑛𝐼 𝑡 como 𝑛𝑄 (𝑡) son señales pasobajas.
Salvo por la frecuencia de banda media 𝑓𝑐 , estas dos componentes son por
completo representativas del ruido de banda angosta n(t).
 El componente en fase 𝑛𝐼 𝑡 y el componente en cuadratura 𝑛𝑄 𝑡 del ruido de
banda angosta n(t) tienen media cero.
 Si el ruido de banda angosta n(t) es gaussiano, entonces su componente en fase
𝑛𝐼 (𝑡) y componente en cuadratura 𝑛𝑄 (𝑡) son gaussianas conjuntamente.
 Si el ruido de banda angosta n(t) es estacionario, entonces su componente en fase
𝑛𝐼 (𝑡) y su componente en cuadratura 𝑛𝑄 𝑡 son estacionarias conjuntamente.
 Tanto la componente en fase 𝑛𝐼 (𝑡) como la ocmponente en cuadratura 𝑛𝑄 (𝑡)
tienen la misma densidad espectral de potencia, la cual se relaciona con la
densidad espectral de potencia 𝑆𝑁 (𝑓) del ruido de banda angosta n(t) de acuerdo
con:

 Donde se supone que 𝑆𝑁 𝑓 ocupa un intervalo de frecuencia fc-B<|f|<fc+B y fc>B.

 La componente en fase 𝑛𝐼 (𝑡) y la componente en cuadratura 𝑛𝑄 (𝑡) tienen la misma
varianza que el ruido de banda angosta n(t).
 La densidad espectral cruzada de las componentes en fase y en cuadratura del
ruido de banda angosta n(t) es puramente imaginaria, de acuerdo con:
 Si el ruido de banda angosta n(t) es gaussiano y su densidad espectral de
potencia 𝑆𝑁 (𝑓) es simétrica en torno a la frecuencia de banda media fc,
entonces la componente en fase 𝑛𝐼 (𝑡) y la componente en cuadratura 𝑛𝑄 (𝑡)
son estadísticamente independientes.
Representación del ruido de banda angosta
en términos de las componentes de la
envolvente y de la fase

 Envolvente

 Fase
 Las distribuciones de probabilidad de r(t) y ψ(t) pueden obtenerse de las
correspondientes 𝑛𝐼 (𝑡) y 𝑛𝑄 (𝑡) del modo siguiente. Dejemos que 𝑁𝐼 𝑦 𝑁𝑄
denoten las variables aleatorias obtenidas al observar (en algún tiempo fijo)
el proceso aleatorio representado por las funciones de muestreo 𝑛𝐼 𝑡 𝑦 𝑛𝑄 (𝑡),
respectivamente.
 Figura 9: ilustración del sistema de coordenadas para la representación del
ruido de banda angosta: a) En términos de las componentes de fase y
cuadratura. b) En términos de la envolvente y la fase
 Después de esto, dejemos que R y ψ denoten las variables aleatorias que se
obtuvieron al observar (en algún tiempo) el proceso aleatorio representado por la
envolvente r(t) y la fase ψ(t) respectivamente.
 Figura 10: Distribución de Rayleigh normalizada
Onda seno más ruido de banda angosta

 Suponga a continuación que agregamos la onda senoidal Acos(2πfct) + n(t)

 Representando el ruido de banda angosta n(t) en términos de sus

componentes en fase y en cuadratura, es posible escribir:
 Tanto 𝑛´𝐼 𝑡 como 𝑛𝑄 (𝑡) son gaussianas y estadísticamente independientes.
 La media de 𝑛´𝐼 𝑡 es A y la de 𝑛𝑄 (𝑡) es cero.
 La varianza tanto de 𝑛´𝐼 (𝑡) como de 𝑛𝑄 (𝑡) es σ2 .
 Figura 11: Distribucion de Rician normalizada
 Cuando a es cero, la distribución de Rician se reduce a la distribución de
Rayleigh.
 La distribución de la envolvente es aproximadamente gaussiana en la
vecindad de v = a, cuando a es grande, esto es, cuando la amplitud de A de la
onda seno es grande en comparación con σ, la raíz cuadrada de la potencia
del ruido n(t).
Conclusiones:

 Ya que los fenómenos existentes no se comportan de la misma manera en

relación con el tiempo, se utilizan modelos matemáticos estocásticos o
probabilísticos que puedan tener en cuentas esa aleatoriedad de los
fenómenos.
 Se considera como procesos estacionarios en sentido débil ya que para que
sean estrictamente estacionario se necesita de mediciones y distribuciones
exactas, complicando el proceso de calculo.
 Un sistema es Ergodico si el único conjunto invariante de medida no nula de
la superficie espacial con n>2 de energía constante del espacio de las fases es
toda la superficie de energía constante.
 La densidad espectral nos informa la distribución de potencia o energía sobre
su espectro de frecuencias.
 Se concluye que una variable aleatoria tiene una distribución gaussiana si su
función de densidad tiene como media 0 y como varianza 1.
 El limite central justifica matemáticamente la utilización de un proceso
gaussiano como un modelo en un gran numero de fenómenos físicos, donde la
variable aleatoria es el resultado de un numero grande de eventos aleatorios.
 Ruido se define como señal no deseada en un sistema, a dicho sistema se le
puede aplicar un filtro el cual pude disminuir la cantidad de ruido existente
en la salida.
 El ruido blanco tiene una definición aproximada a la que tiene la luz blanca
ya que en su espectro se encuentran todas las frecuencias existentes.