Transformaciones de procesos

Cap´ıtulo 1
Transformaciones de Procesos
1.1. sin memoria
1.2. SLIT
1

Cap´ıtulo 2
Representación Espectral de Procesos
2.1. Motivación
Hasta el momento hemos caracterizado los procesos aleatorios en el dominio del tiempo;
principalmente a través de la media y funciones de correlación, para procesos estacionarios en
sentido amplio. Se puede caracterizar el comportamiento de PAESA en el dominio frecuencial
por medio del análisis de Fourier.
Con señales determin´ısticas x(t) la representación en el dominio de la frecuencia se obtiene
utilizando la transformada de Fourier
X(f) F{x(t)}(f) =
∞
−∞
x(t)e−j2πft
dt (2.1)
en la medida que la integral exista, por ejemplo si x(t) satisface las condiciones de Dirichlet.
Para el caso de los procesos aleatorios, un tratamiento directo transformando cada realiza-
ción no parece atractivo pues bien podr´ıa pasar que muchas realizaciones del mismo proceso
no tuvieran transformada. Sin embargo, con un poco de cuidado podremos introducir una de-
finición apropiada y lo que es más importante, relacionarla fuertemente con las nociones de
funciones de correlación en el dominio temporal.
Obtendremos primero la densidad espectral de potencia para un único PAESA y su relación
con la autocorrelación. Luego para dos PAESA definiremos la interdensidad espectral y su
vinculación con la función de intercorrelación. Finalmente veremos a manera de aplicación cómo
empleando el tratamiento frecuencial se simplifica el análisis de los sistemas lineales invariantes
en el tiempo excitados con señales aleatorias.
2.2. Densidad espectral de potencia
Como anticipamos más arriba, para el análisis frecuencial de procesos estocásticos resulta
más conveniente recurrir a la noción de potencia media que para casi todos los procesos resulta
finita, aún cuando pueda ocurrir que muchas realizaciones individuales no tengan transformada
de Fourier por no tener energ´ıa finita.
Consideremos un proceso X(t, ζ) para −∞ < t < ∞. Por el momento, para evitar las
complicaciones de los intervalos infinitos, definimos la transformada de Fourier XT (f, ζ) del
proceso truncado al intervalo finito (−T/2, T/2) con T > 0. Esta transformada existe siempre,
dentro de hipótesis amplias, porque la realización ha sido truncada a un intervalo finito dentro
2

del cual siempre cumple las condiciones de Dirichlet. De manera que
XT (f, ζ) =
T/2
−T/2
X(t, ζ)e−j2πft
dt (2.2)
Suponiendo que X(t, ζ) es una tensión aplicada sobre una resistencia de 1Ω, la energ´ıa en la
realización ζ del proceso truncado es
ET (ζ) =
T/2
−T/2
|X(t, ζ)|2
dt =
∞
−∞
|XT (f, ζ)|2
df (2.3)
La última igualdad se obtiene utilizando la relación de Parseval y expresa la energ´ıa en el
dominio de la frecuencia. La potencia media PT (ζ) de la realización ζ, truncada al intervalo
(−T/2, T/2), resulta entonces
PT (ζ) =
1
T
T/2
−T/2
|X(t, ζ)|2
dt =
∞
−∞
|XT (f, ζ)|2
T
df (2.4)
Observando la segunda integral, |X(f, ζ)|2
/T es una densidad espectral de potencia y tiene
dimensiones de Volt2
/Hz. Notamos que tanto la energ´ıa de (2.3) como la potencia de (2.4) son
variables aleatorias.
Las expresiones desarrolladas más arriba son todav´ıa insatisfactorias porque i) son depen-
dientes de la realización y no denotan una propiedad del proceso como conjunto de realizaciones
y ii) porque el proceso fue truncado al intervalo (−T/2, T/2). El primer cuestionamiento es con-
trarrestado tomando un promedio estad´ıstico entre todas las realizaciones y as´ı poder hablar
de propiedades en cuanto a energ´ıa y/o potencia que son del proceso y no solamente de una
realización. La segunda objeción puede eliminarse tomando el l´ımite para T → ∞ y as´ı tomar la
energ´ıa o potencia de la realización completa, en lugar de la truncada. Es interesante destacar
que el orden correcto para realizar esas dos operaciones es primero tomar esperanza y luego
el tomar el l´ımite. Conceptualmente la razón es que si se tratara de tomar el l´ımite primero,
es dif´ıcil asegurar que para cada > 0 exista un T0 para todas las realizaciones ζ tal que por
ejemplo |ET (ζ) − ET (ζ)| < ∀ (T, T ) > T0. En cambio, tomando primero la esperanza se ase-
gura la existencia de la potencia media en sentido estad´ıstico del proceso truncado al intervalo
(−T/2, T/2). Tomar ahora el l´ımite no es técnicamente dif´ıcil pues se trata solamente de una
única función de T.
En consecuencia,
PXX = l´ım
T→∞
E{PT (ζ)} = l´ım
T→∞
1
T
T/2
−T/2
E{|X(t, ζ)|2
} dt (2.5)
= l´ım
T→∞
∞
−∞
E{|XT (f, ζ)|2
}
T
df =
∞
−∞
l´ım
T→∞
E{|XT (f, ζ)|2
}
T
df (2.6)
donde la última igualdad se justifica por el teorema de la convergencia dominada.
Vemos de (2.5) que la potencia media en sentido estad´ıstico y en sentido temporal, PXX se
puede expresar, en virtud de (??) y de que RXX(t, t) = E{|X(t)|2
}, como
PXX = l´ım
T→∞
RXX(t, t) T = RXX(t, t) (2.7)
es decir, que la potencia media es igual al promedio temporal del valor cuadrático medio del
proceso. En otros términos, la potencia media es igual al promedio temporal de la función
3

-
6
f0
...............
...............
-
...............
SXX(f)
f
df
SXX(f0)
Figura 2.1: La potencia del proceso X(t) en una banda de ancho df alrededor de f0 es SXX(f0) df
de autocorrelación del proceso para diferencia de tiempos nula. Es interesante notar que esta
aseveración es válida para cualquier proceso estocástico con potencia media finita, estacionario
en algún sentido o no. Cuando el proceso es ESA resulta que RXX(t, t) = RX(0) independien-
temente de t, entonces = RXX(t, t) = RX(0) = RX(0). En consecuencia, para PAESA la
autocorrelación para retardo cero da la potencia media del proceso. Para un proceso estocástico
general la autocorrelación para retardo cero es RXX(t, t) y representa la potencia instantánea
en t; mientras que por supuesto, su promedio temporal da la potencia media PXX.
La ecuación (2.6) conduce a la siguiente
Definición 2.2.1 (Densidad espectral de potencia.) Sea X(t) un proceso estocástico con
potencia media finita, entonces la densidad espectral de potencia SXX(f) es
SXX(f) = l´ım
T→∞
E{|XT (f, ζ)|2
}
T
(2.8)
De (2.6) se aprecia fácilmente el significado de la densidad espectral de potencia que des-
cribe cómo se reparte la potencia de un PA en función de la frecuencia. Más espec´ıficamente,
SXX(f0) df es la potencia del proceso en una banda de ancho df alrededor de f0, ver fig. 2.1.
Ejemplo 2.2.1 Coseno con fase aleatoria
Consideremos el proceso X(t, ϑ) = A cos(ω0t+ϑ) donde A y ω0 son constantes reales y positivas,
mientras que ϑ es un ángulo de fase aleatorio con distribución uniforme U(0, π/2). Ya hemos
visto que si la distribución de la fase fuera −π, π el proceso ser´ıa estacionario en sentido amplio.
En este caso veremos que el proceso no es estacionario; calcularemos igualmente su potencia
media, que por ser una señal cosenoidal sabemos que debe ser A2
/2 y la densidad espectral por
definición.
La función de autocorrelación para retardo cero es
RXX(t, t) = E{|X(t, ϑ)|2
} = A2
E cos2
(ω0t + ϑ)
y usando que cos2
α = (1 + cos(2α))/2 resulta
RXX(t, t) =
A2
2
E {1 + cos(2ω0t + 2ϑ)} =
A2
2
+
A2
2
1
π
π/2
0
cos(2ω0t + 2ϑ) dϑ =
=
A2
2
+
A2
4π
2ω0t+π
2ω0t
cos(v)dv =
A2
2
−
A2
2π
sen(ω0t)
4

Claramente la función de autocorrelación es función de t y el proceso no es estacionario ni ESA.
Para calcular la potencia media recurrimos a (2.5) y entonces debemos promediar temporal-
mente la autocorrelación
E{PT } =
1
T
T/2
−T/2
A2
2
−
A2
2π
sen(ω0t) dt =
A2
2
−
A2
2ω0π
cos(ω0t)
−T/2
T/2
=
A2
2
(2.9)
y finalmente
PXX = l´ım
T→∞
E{PT } =
A2
2
como esperábamos.
Ahora calcularemos la densidad espectral de potencia SXX(f) por definición. Para ello,
el proceso truncado es XT (t, ϑ) = A cos(ω0t + ϑ) (t/T) y su transformada de Fourier es
la convolución de la transformada de cada realización (fácil de hallar anal´ıticamente en este
ejemplo)
X(f, ϑ) =
A
2
ej2πfϑ/ω0
{δ(f − f0) + δ(f + f0)}
con la transformada del cajón AT sinc(fT). Es decir, que
XT (f, ϑ) =
AT
2
ejϑ
sinc(T(f − f0)) + e−jϑ
sinc(T(f + f0))
y luego el módulo al cuadrado resulta
|XT (f, ϑ)|2
=
A2
T2
4
sinc2
(T(f − f0)) + sinc2
(T(f + f0))+
+ 2 ej2ϑ
sinc(T(f − f0))sinc(T(f + f0))
dividiendo por T y tomando esperanza matemática queda
E{|XT (f, ϑ)|2
}
T
=
A2
4
Tsinc2
(T(f − f0)) + Tsinc2
(T(f + f0))+
+ 2TE{cos(2ϑ)} {sinc(T(f − f0))sinc(T(f + f0))}}
Al tomar el l´ımT→∞ los primeros dos términos convergen -en sentido distribucional- a δ(f −f0)
y a δ(f + f0) respectivamente; mientras que el tercero tiende a cero. De manera que
SXX(f) =
A2
4
{δ(f − f0) + δ(f + f0)}
y además
PXX =
∞
−∞
SXX(f) df = 2
A2
4
=
A2
2
que coincide con el valor que obtuvimos basados en el promedio temporal de la autocorrela-
ción.
2.2.1. Propiedades
Veamos ahora algunas de las propiedades más relevantes de la densidad espectral de potencia
(DEP):
5

1. La DEP es una función real, positiva, de la frecuencia; o sea, SXX(f) ≥ 0. Esto es una
consecuencia directa de la definición (2.8). Por otra parte, como representa la cantidad
de potencia por unidad de ancho de banda, f´ısicamente no podr´ıa ser otra cosa que real
y positiva.
2. Cuando el proceso X(t) es puramente real o puramente imaginario, la DEP es una función
par; es decir SXX(f) = SXX(−f). Esto deriva de (2.8) pues el módulo al cuadrado de la
transformada de Fourier de cada realización del proceso truncado es par con los procesos
indicados, pero no lo es cuando el proceso es complejo en general.
3. El área bajo la curva de la DEP es igual a la potencia media, temporal y estad´ıstica, del
proceso; o sea
∞
−∞
SXX(f) df = RXX(t, t) . Esto resulta de las ecuaciones (2.5 – 2.7). O
más aún, la potencia media de un proceso es el promedio temporal de su valor cuadrático
medio. Cuando el proceso es ESA el área bajo la curva de la DEP es simplemente igual
a la autocorrelación del proceso para retardo cero, RXX(0), o valor cuadrático medio.
4. La DEP y el promedio temporal de la función de autocorrelación son pares transfor-
mados de Fourier; es decir, F{ RXX(t, t + τ) (τ)} = SXX(f) y RXX(t, t + τ) (τ) =
F−1
{SXX(f)}. Este important´ısimo resultado se conoce como Teorema de Wiener – Khin-
chine y daremos su demostración sólo para PAESA en el apéndice D. Cabe destacar que
el teorema provee la manera más sencilla de obtener la autodensidad espectral calculando
la transformada de Fourier de la función de autocorrelación en el caso de PAESA o la
transformada de Fourier del promedio temporal de la función de autocorrelación, en el
caso de procesos generales.
2.2.2. Ancho de banda equivalente
Por ahora no.
2.2.3. Ruido blanco
Ya hemos definido el ruido blanco en § ?? a partir de su función de autocorrelación. Puesto
que RXX(t1, t2) = ηδ(t1 − t2) resulta un proceso estacionario en sentido amplio y podemos
escribir más sucintamente que RXX(τ) = ηδ(τ). Entonces su densidad espectral es
SXX(f) =
∞
−∞
RXX(τ)e−j2πfτ
dτ = η (2.10)
como se ilustra en la figura 2.2. Observando la misma puede explicarse el nombre de ruido
blanco ya que, a semejanza de lo que ocurre con la luz visible, cuando el espectro tiene la
misma intensidad en cada uno de sus “colores” la luz se dice que es blanca.
El área de la delta de Dirac que es la autocorrelación suele llamarse intensidad del ruido
blanco y vemos que es simplemente el valor de su densidad espectral de potencia. Es importante
notar que tal valor NO es la potencia del ruido pues esta es infinita. También existe el ruido
blanco no estacionario donde la intensidad es dependiente del tiempo, por ejemplo RXX(t1, t2) =
η(t1)δ(t1 − t2). Es irrelevante si η es función de t1 o de t2, lo que interesa es que ya no resulta
homogéneo en tiempo. Aqu´ı la denominación de ruido blanco es más dif´ıcil de justificar, pero
se lo sigue denotando de esa manera aunque también suele llamárselos como procesos con
correlación microscópica. Los procesos con correlación microscópica no constituyen meramente
abstracciones sino que encuentran múltiples aplicaciones en sistemas como sonar (relevamiento
del fondo submarino, búsqueda de bancos de peces, etc.) y en radar (gu´ıa de aviones para entrar
6

-
6
6
-
6
τ
f
SXX(f)
ηδ(τ)
RXX(τ)
η
0 0
Figura 2.2: Función de autocorrelación y densidad espectral de potencia del ruido blanco ESA.
a un aeropuerto, sondeo de frentes de tormenta, relevamiento de propiedades de la superficie
terrestre -cosechas, humedad, perfil, composición- desde satélites o aviones, etc.)
Una de las formas más frecuentes del ruido blanco es el llamado ruido blanco gaussiano. Es
simplemente un proceso estocástico de ruido blanco cuya distribución de amplitudes es gaus-
siana. Es decir, supongamos que el proceso es W(t) con RWW (τ) = ηwδ(τ). Entonces para un
instante arbitrario t1 consideremos la variable aleatoria W(t1). Por lo pronto, su distribución de
probabilidades es gaussiana. Por la forma de la función de autocorrelación inmediatamente po-
demos establecer que W(t1) tiene media nula, aunque su varianza es “infinita”. Frecuentemente
en forma errónea se dice que tiene varianza ηw, pero esto es incorrecto ya que ηw es la densidad
espectral de potencia. Seleccionando otros instantes de tiempo t2, t3, . . ., se pueden analizar las
distribuciones conjuntas de dos variables aleatorias W(t1), W(t2); de tres W(t1), W(t2), W(t3);
etc. Por hipótesis esas distribuciones son gaussianas, pero lo que resulta interesante es observar
que la covarianza de cualquier colección de VA W(ti), W(tj) es nula para todo ti = tj, o sea que
si τ = ti − tj = 0 es RWW (τ) = 0. En consecuencia, W(ti), W(tj) son independientes ∀ ti = tj.
Ya hemos dicho que en la realidad es imposible encontrar un proceso que sea puramente de
ruido blanco y que en su forma exacta es sólo una abstracción matemática, aunque extrema-
damente útil. En la práctica lo que se encuentra muy frecuentemente es ruido cuya densidad
espectral de potencia es constante en una banda de frecuencias (−B/2, B/2). En ese caso, la
función de autocorrelación y la dep son las mostradas en la figura 2.3 {Note que debido a un
error, la figura tiene mal marcados los puntos del eje de frecuencias que deben ser “−B/2” y
“B/2”. Además en el eje de ordenadas de la autocorrelación debe leerse Bη en lugar de 2Bη.}
-
6
-
6
0
1
B
f
SXX(f)RXX(τ)
η
.............
.............
B−B2
B
3
B
τ
−1
B
−2
B
2Bη
Figura 2.3: Función de autocorrelación y densidad espectral de potencia de ruido que puede
considerarse “blanco” (siempre y cuando no interese observar correlaciones de VA del proceso
separadas menos de unas 3 o 4 veces 1/B, dependiendo de la aplicación y precisión de cálculo
deseados).
7

2.3. Interdensidad espectral
2.3.1. Motivación
Vimos que la autodensidad espectral describ´ıa la repartición de potencia en función de la
frecuencia de un proceso estocástico. A través del teorema de Wiener-Khinchine vimos cómo
hay una estrecha relación entre la autocorrelación y la densidad espectral de potencia pues son
pares transformados de Fourier. En esta sección veremos que se pueden analizar las propiedades
conjuntas de dos procesos en el dominio de la frecuencia con un tratamiento similar al que hemos
hecho para un sólo proceso.
Ni bien consideramos en un problema dos procesos estocásticos aparecen inmediatamente
en el análisis las funciones de intercorrelación. Si hiciéramos ese mismo análisis en el dominio
de la frecuencia ver´ıamos que aparece la necesidad de contar con la transformada de Fourier
de la intercorrelación. En efecto, supongamos que sabemos que el proceso Z(t) se construye de
la suma de los procesos X(t) e Y (t), tal como explicamos en §??. Consideremos la función de
autocorrelación de Z que resulta
RZZ(t1, t2) = E{Z(t1)Z(t2)∗
} = E{(X(t1) + Y (t1))(X(t2) + Y (t2))∗
} =
= RXX(t1, t2) + RY Y (t1, t2) + RXY (t1, t2) + RY X(t1, t2)
(2.11)
No podr´ıamos tomar simplemente la transformada de Fourier de esta expresión. Si se tomara
antes el promedio temporal de cada lado de la igualdad entonces al menos sabemos que existir´ıan
las transformadas de Fourier de los términos que involucran autocorrelaciones, por lo visto en
la sección §2.2.1. El promedio temporal del lado izquierdo también tendr´ıa por transformada de
Fourier la auto-dep del proceso Z, SZZ(f). Sin embargo, querr´ıamos estar seguros del significado
de los términos que surgen del tercer y cuarto términos del lado derecho en (2.11).
Una inquietud en similar dirección surge cuando se analizan las correlaciones entre procesos
estocásticos a la entrada y a la salida de un sistema lineal. El análisis en el dominio temporal
se puede efectuar mediante las apropiadas funciones de correlación. Pero as´ı como el análisis
frecuencial suele aportar nuevas herramientas para describir el comportamiento de los siste-
mas lineales excitados con entradas determin´ısticas; esperamos poder hacer también análisis
frecuencial cuando las entradas son aleatorias. Y en ese caso necesitaremos ver la relación entre
intercorrelaciones (de la entrada y salida) y la transformada de Fourier de cada realización.
2.3.2. Interdensidad espectral e intercorrelación
Consideremos los procesos estocásticos X(t) e Y (t) y realizaciones genéricas de los mismos
X(t, ζ) e Y (t, ξ). Por las razones expuestas cuando consideramos un único proceso no podemos
esperar que tener en cuenta en forma separada transformadas de Fourier de las realizaciones
aisladas nos de mucha información de lo que sucede en forma conjunta con los dos procesos.
Replicamos las ideas expuestas en §2.2 y truncamos las realizaciones al intervalo (−T/2, T/2).
Bajo hipótesis poco restrictivas las realizaciones truncadas resultan Fourier transformables, es
decir existen
XT (f, ζ) = F {X(t, ζ) (t/T)}
YT (f, ξ) = F {Y (t, ξ) (t/T)}
(2.12)
La energ´ıa conjunta de las dos realizaciones se obtiene integrando el producto de las realizaciones
truncadas entre −T/2 y T/2. Dividiendo por T se obtiene la variable aleatoria PT (ζ, ξ) que
8

representa el promedio temporal de la potencia conjunta de las realizaciones truncadas. Es
decir,
PT (ζ, ξ) =
1
T
T/2
−T/2
X(t, ζ)Y (t, ξ)∗
dt =
1
T
∞
−∞
XT (f, ζ)YT (f, ξ)∗
df (2.13)
donde la última igualdad se obtiene de usar el teorema de Rayleigh [?]. Para obtener una
potencia conjunta que sea propiedad de los dos procesos y no meramente de las realizaciones
elegidas, debemos promediar la variable aleatoria PT (ζ, ξ) entre todas las realizaciones. Además,
para llevar la potencia conjunta desde el intervalo (−T/2, T/2) hasta cubrir las realizaciones
en forma total se deberá tomar el l´ımite para T tendiendo a infinito. Ya hemos razonado en
§2.2 sobre el orden en que deben llevarse a cabo estas operaciones. Por lo tanto, tomando la
esperanza sobre todas las realizaciones de X e Y , es decir sobre todos los pares (ζ, ξ), se obtiene
PT = E{PT (ζ, ξ)} =
1
T
T/2
−T/2
RXY (t, t)dt =
1
T
∞
−∞
E{XT (f)YT (f)∗
} df (2.14)
Finalmente, tomando el l´ımite se obtiene la potencia total conjunta de los procesos PXY como
PXY = l´ım
T→∞
PT = l´ım
T→∞
1
T
T/2
−T/2
RXY (t, t)dt =
∞
−∞
l´ım
T→∞
E{XT (f)YT (f)∗
}
T
df
La primera igualdad indica que la potencia media conjunta de los dos procesos está dada por
el promedio temporal de la función de intercorrelación con retardo cero. Invirtiendo el papel de
X(t) e Y (t) se pueden obtener relaciones para la potencia PY X. La última igualdad sirve para
definir la interdensidad espectral
Definición 2.3.1 (Interdensidad espectral de potencia) Sean X(t) e Y (t) dos procesos
estocásticos con potencia media finita, entonces la interdensidad espectral de potencia SXY (f)
es
SXY (f) = l´ım
T→∞
E{XT (f)YT (f)∗
}
T
(2.15)
y
SY X(f) = l´ım
T→∞
E{YT (f)XT (f)∗
}
T
(2.16)
En consecuencia la potencia media conjunta puede obtenerse como
PXY = RXY (t, t) =
∞
−∞
SXY (f) df (2.17)
según sea la información de que dispongamos; es decir intercorrelación o interdensidad espectral
de potencia.
Observemos que de manera completamente similar se puede desarrollar el concepto de la
potencia media conjunta PY X y las relaciones
PY X = RY X(t, t) =
∞
−∞
SY X(f) df (2.18)
Insistimos en el significado de la interdensidad espectral SXY (f0) representando la potencia
media SXY (f0) df que tienen en común los procesos X e Y en una banda de ancho df alrededor
de la frecuencia f0.
9

2.3.3. Propiedades
Ahora presentamos algunas de las propiedades más relevantes de la interdensidad espectral
de potencia (IDEP):
1. Es una función con cierta simetr´ıa SXY (f) = S∗
Y X(f).
2. El área bajo la curva de la IDEP es igual a la potencia media, temporal y estad´ıstica,
conjunta de los procesos. Cuando el proceso es ESA el área bajo la curva de la IDEP es
igual a la intercorrelación del proceso para retardo cero, RXY (0).
3. La IDEP y el promedio temporal de la función de intercorrelación son pares transformados
de Fourier; es decir, F{ RXY (t+τ, t) (τ)} = SXY (f) y RXY (t+τ, t) (τ) = F−1
{SXY (f)}.
Ejemplo: proceso retardado
2.3.4. Relación con la densidad espectral de energ´ıa
Se sabe que si g(t) y h(t) son dos señales determin´ısticas de energ´ıa con transformada de
Fourier G(f) y H(f) respectivamente, entonces se define la autocorrelación de g con h como
γgh(τ) y está dada por
γgh(τ) =
∞
−∞
g(t + τ) h∗
(t) dt (2.19)
Aplicando directamente el teorema de Rayleigh resulta que la interdensidad espectral de energ´ıa
está dada por
Γgh(f) = F{γgh(τ)} = G(f)H∗
(f) (2.20)
Estas fórmulas pueden ser especializadas para la autocorrelación de la señal g(t), γgg(τ) resul-
tando en
γgg(τ) =
∞
−∞
g(t + τ) g∗
(t) dt (2.21)
y en la autodensidad espectral de energ´ıa de g
Γgg(f) = F{γgg(τ)} = |G(f)|2
(2.22)
Puede observarse claramente el paralelo con el desarrollo que hemos presentado para los
procesos estocásticos; en particular para el teorema de Wiener-Khintchine. Este paralelo es tan
notorio que sugiere el camino para un tratamiento directo de la transformada de Fourier de
procesos.
Esquemáticamente, definir el proceso estocástico (en la frecuencia) “transformada de Fourier
de las realizaciones de un PA (en el tiempo)” como
X(f, ζ) =
∞
−∞
X(t, ζ) e−j2πft
dt
similarmente para el proceso Y (t, ς) se define su transformada de Fourier Y (f, ς). Luego, mo-
tivado por las relaciones determin´ısticas, definir
SXY (f) = E{X(f, ζ)Y ∗
(f, ς)} y SXX(f) = E{X(f, ζ)X∗
(f, ς)} = E{|X(f, ς)|2
} (2.23)
Esta forma tan sencilla de plantear la densidad espectral de potencia para un proceso no es rigu-
rosa, dentro de los elementos con que nos hemos manejado. Asimismo origina algunos equ´ıvocos
como creer que uno puede “estimar” la autodensidad espectral de potencia tan simplemente
como tomando el módulo al cuadrado de la transformada de Fourier de una realización de un
proceso. Sin embargo, aún cuando solamente desde un punto de vista formal, usar las expre-
siones (2.23) resulta cómodo y rápido.
10

2.4. Estimación - medición de la función de correlación
y la DEP
Por ahora no.
2.5. SLIT
2.6. Secuencias aleatorias
2.6.1. Wiener
Discusión. NO tanto W-K sino toda la metodolog´ıa Wiener con promedios temporales...
(Koopmans, Priestley, Jenkins-Watts...) Doob, Gnedenko y Teor. de Bochner.. pondremos algo?
11

Apéndice A
Distribución conjunta de 2 o más
variables aleatorias
12

Ap´endice B
otra m´as no en la l´ınea principal
13

Ap´endice C
Slutsky y condics para ergod
14

Apéndice D
Autodensidad espectral y
autocorrelación
En la §2.2.1 mencionamos el teorema de Wiener-Khinchine que vincula la función de auto-
correlación con la autodensidad espectral de un proceso.
Demostraremos este teorema suponiendo que el proceso estocástico X(t, ζ) es estacionario
en sentido amplio. De acuerdo con lo expuesto en (2.2) la densidad espectral de un proceso
estocástico se define como
SXX(f) = l´ım
T→∞
E{|XT (f, ζ)|2
}
T
(D.1)
donde XT (f, ζ) es la transformada de Fourier de una realización genérica ζ del proceso, truncada
al intervalo (−T/2, T/2); o sea
XT (f, ζ) =
T/2
−T/2
X(t, ζ)e−j2πft
dt
Puesto que
XT (f, ζ)∗
=
T/2
−T/2
X(t, ζ)∗
ej2πft
dt
Entonces |XT (f, ζ)|2
resulta
|XT (f, ζ)|2
= XT (f, ζ) XT (f, ζ)∗
=
T/2
−T/2
T/2
−T/2
X(t1, ζ)e−j2πft1
X(t2, ζ)∗
ej2πft2
dt1dt2
Tomando la esperanza matemática de ambos miembros, e introduciéndola dentro de la integral
doble (se puede pues ambas integrales de la esperanza del integrando existen),
E{|XT (f, ζ)|2
} =
T/2
−T/2
T/2
−T/2
E{X(t1, ζ)X(t2, ζ)∗
}ej2πf(t2−t1)
dt1dt2 =
=
T/2
−T/2
T/2
−T/2
RXX(t1, t2)ej2πf(t2−t1)
dt1dt2 (D.2)
Hasta este punto no hemos usado que el proceso es ESA. Ahora introducimos la función de
autocorrelación de la única variable retardo RXX(t1 − t2) = RXX(t1, t2). Recordemos que pa-
ra evitar la proliferación de nomenclatura usamos los mismos s´ımbolos RXX para representar
la función de autocorrelación general de dos variables RXX(t1, t2) como la función de auto-
correlación de un proceso ESA que resulta ser función solamente del retardo t1 − t2; aunque
15

6
- -
6
.............
..............................
......................................................
.............
.............................
...........
t2 τ
T
−T
−T/2
T/2
T/2 t1
τ = 0
τ = T
τ = T/2
τ = −T
t
.........
.........
........................
T/2
t
τ = t − T/2
t + T/2
−T/2
τ
τ + T/2
T/2
−T/2
...............
...............
Figura D.1: Cambio de variables en (D.3). A izquierda: región de integración para (D.2). A la
derecha: región de integración para (D.3) y para (D.4).
formalmente se trata de dos funciones distintas. Además haciendo el cambio de variables t = t1
y τ = t1 − t2 de la ecuación anterior se obtiene
E{|XT (f, ζ)|2
} =
T/2
−T/2
t+T/2
t−T/2
RXX(τ)e−j2πfτ
dτ dt (D.3)
Los l´ımites de integración de (D.3) se obtienen de la figura D.1. Integrando en (D.3) externa-
mente en la variable τ e internamente en t se obtiene,
E{|XT (f, ζ)|2
} =
=
0
−T
t+T/2
−T/2
RXX(τ)e−j2πfτ
dt dτ +
T
0
T/2
τ−T/2
RXX(τ)e−j2πfτ
dt dτ
=
0
−T
RXX(τ)e−j2πfτ
τ+T/2
−T/2
dt dτ +
T
0
RXX(τ)e−j2πfτ
T/2
τ−T/2
dt dτ
=
0
−T
RXX(τ)e−j2πfτ
(T + τ) dτ +
T
0
RXX(τ)e−j2πfτ
(T − τ) dτ
=
T
−T
RXX(τ)e−j2πfτ
(T − |τ|) dτ
(D.4)
Como (D.1) requiere dividir por T, queda
E{|XT (f, ζ)|2
}
T
=
T
−T
RXX(τ)e−j2πfτ
1 −
|τ|
T
dτ
Notemos que usando la función triángulo ∧(t/T) = (1 − |τ|/T) (t/T) podemos escribir la
ecuación anterior como
E{|XT (f, ζ)|2
}
T
=
∞
−∞
(RXX(τ) ∧ (t/T)) e−j2πfτ
dτ (D.5)
Suponiendo que existe (de otro modo no tendr´ıa sentido el teorema de Wiener-Khintchine) y
llamando S(f) a la transformada de Fourier de la autocorrelación RXX(τ), es decir S(f) =
16

F{RXX(τ)}; obtenemos
E{|XT (f, ζ)|2
}
T
= S(f) ∗ Tsinc2
(fT) (D.6)
Para cumplir con (D.1) debemos hacer tender T a infinito. Como S(f) no depende de T, y
la segunda función tiende a una delta de Dirac; resulta que el lado derecho de (D.6) es la
convolución de S(f) con una delta de Dirac entonces,
SXX(f) = l´ım
T→∞
E{|XT (f, ζ)|2
}
T
= S(f) = F{RXX(τ)} (D.7)
que es lo que pretend´ıamos demostrar.
17

Transformaciones de procesos

Más contenido relacionado

La actualidad más candente (20)

Destacado (17)

Similar a Transformaciones de procesos (20)

Más de Laureano Zantedeschi (14)

Último (20)

Transformaciones de procesos