SEÑALES Y SISTEMAS

Clase 17

Carlos H. Muravchik

13 de Mayo de 2019

1 / 20

Habı́amos visto:

I Finalizamos Análisis frecuencial de SVID con TFTD

I Comenzamos Análisis frecuencial de SVIC y SVID
aleatorias
Y se vienen:
I Análisis frecuencial de SVIC y SVID aleatorias
I (Auto-)DEP
I Inter-DEP
I Análisis frecuencial de SLIT y SLID con entradas
aleatorias
I Sistemas (SLIT y SLID) con entradas aleatorias
I Comienza Muestreo

3 / 20
Motivación 3
Usando Parseval y suponiendo condiciones para meter el lı́m
dentro de la integral
Z ∞
E {|XT (f , ξ0 )|2 }
PXX = hRXX (t, t)i = lı́m df
T
−∞ | →∞ T
{z }
densidad espectral de potencia
del proceso

Por lo tanto, la densidad espectral de potencia del proceso X (t)

se define como

E{|XT (f , ξ)|2 }
SXX (f ) = lı́m
T →∞ T

y cumple
Z ∞
PXX = hRXX (t, t)i = SXX (f )df
−∞

5 / 20

Ejemplo

X (t) = A cos(2πf0 t + θ) con θ ∼ U[0, π)

no es ESA.
 
2 sen(2πf0 t)
RXX (t, t) = (A /2) 1 −
π
y entonces
Z T /2
1
PXX = RXX (t, t) = lı́m RXX (t, t)dt = A2 /2
T →∞ T −T /2

ejθ δ(f e−jθ δ(f

Por definición, X (f , θ) = (A/2) + f0 ) + − f0 ) y
XT (f , θ) = X (f , θ) ∗ T sinc(fT ) con lo que
E{|XT (f , ξ)|2 }
−−−−→ (A2 /4) (δ(f + f0 ) + δ(f − f0 )) = SXX (f )
T T →∞
R∞
y PXX = −∞ SXX (f )df = (A2 /2).
6 / 20
Densidad espectral de potencia
Definición (SVIC): Sea X (t) un proceso estocástico con
potencia media finita, entonces la densidad espectral de
potencia SXX (f ) es

E{|XT (f , ζ)|2 }
SXX (f ) = lı́m
T →∞ T
R T /2
donde XT (f , ζ) = −T /2 X (t, ζ)e−j2πft dt.
Definición (SVID): Sea X [t] un proceso estocástico con
potencia media finita, entonces la densidad espectral de
potencia SXX (ej2πs ) es

j2πs E{|XN (ej2πs , ζ)|2 }

SXX (e ) = lı́m
N→∞ 2N + 1

donde XN (ej2πs , ζ) = N −j2πst .

P
t=−N X [t, ζ]e

7 / 20

Densidad espectral de potencia 2

Potencia (cont.):

1 T /2
Z
PXX = hRXX (t, t)i = lı́m E{|X (t, ζ)|2 } dt =
T →∞ T −T /2
Z ∞ Z ∞
E{|XT (f , ζ)|2 } E{|XT (f , ζ)|2 }
= lı́m df = lı́m df =
T →∞ −∞ T −∞ T →∞ T

✻S
XX (f )
.. .. df
..
✲... ...✛
.. .. R∞
.. .. = −∞ SXX (f )df
..
SXX (f0 ) .................. ....
✲
f0 f
Similar para el caso discreto.
8 / 20
Densidad espectral de potencia 3

Propiedades:

1. La DEP SXX (f ) es una función de la frecuencia, real,

no-negativa: SXX (f ) ≥ 0.
2. Para procesos reales, la DEP es una función par:
SXX (f ) = SXX (−f ).
3. El
R ∞área bajo la curva de la DEP da la potencia media:
−∞ SXX (f ) df = hRXX (t, t)i. Si el proceso es ESA
PXX = R(0).
4. Teorema de Wiener-Khinchine:

F{h RXX (t, t − τ ) i(τ )} = SXX (f )

hRXX (t, t − τ )i(τ ) = F −1 {SXX (f )}

5. Similar para el caso discreto.

9 / 20

Interdensidad espectral de potencia

Definición (cont.): Sean X (t) e Y (t) dos procesos estocásticos

con potencia media finita, entonces la interdensidad espectral
de potencia SXY (f ) es

E{XT (f )YT (f )∗ } E{YT (f )XT (f )∗ }

SXY (f ) = lı́m ; SYX (f ) = lı́m
T →∞ T T →∞ T

Repartición de potencia conjunta:

Z ∞
PXY = hRXY (t, t)i = SXY (f )df
Z−∞
∞
PYX = hRYX (t, t)i = SYX (f )df
−∞

10 / 20
Interdensidad espectral de potencia 2

Propiedades:

1. La IDEP SXY (f ) es una función compleja, con “cierta

∗ (f ).
simetrı́a” SXY (f ) = SYX
2. El área bajo la curva de la IDEP da la potencia conjunta de
los procesos, media: PXY = hRXY (t, t)i. Si los procesos
son ESA PXY = RXY (0).
3. Teorema de Wiener-Khinchine:

F{hRXY (t + τ, t)i(τ )} = SXY (f )

hRXY (t + τ, t)i(τ ) = F −1 {SXY (f )}}

4. Similar para el caso discreto.

Intervalo de 5 minutos

11 / 20

SL y entradas aleatorias

X(t) Y (t)
h(·) Y (t) = {X ∗ h}(t)

Media estadı́stica

E{Y (t)} = µY (t) = {µX ∗ h̄}(t)

E{Y [n]} = µY [n] = {µX ∗ h̄}[n]

Sistema invariante, µX constante, en estado permanente

E{Y (t)} = µY = {µX ∗ h}(t) = H(0)µX

E{Y [n]} = µY = {µX ∗ h}[n] = H(1)µX

donde
SLIT: H(f ) = F{h(t)}(f ).
SLID: H(ej2πs ) = TFTD{h[n]}(ej2πs ).

13 / 20
Correlaciones con entrada ESA 1
Calcular RXY , RYX , RYY para SLIT, usando DEP y métodos de
transformada: emplear el T. de W-K.

∨
∗ ∗
RXY (t1 , t2 ) = E {X (t + τ )Y (t)} = {RX ∗ h }(t1 − t2 ) = RXY (τ )
F : SXY (f ) = H ∗ (f )SXX (f )

RYX (t1 , t2 ) = E {Y (t + τ )X ∗ (t)} = {RX ∗ h}(t1 − t2 ) = RYX (τ )

F : SYX (f ) = H(f )SXX (f )

∨
RYY (t1 , t2 ) = E {Y (t + τ )Y ∗ (t)} = {RX ∗ h ∗ h∗ }(t1 − t2 ) = RY (τ )
F : SYY (f ) = |H(f )|2 SXX (f )
14 / 20

Comparación con correlaciones determinı́sticas

X(t) Y (t)
h(·) Y (t) = {X ∗ h}(t)
Z
γxy = x(t + τ )y ∗ (t)dt Y (f ) = H(f )X (f )

entonces

ΓXY (s) ⊃ X (f )Y ∗ (f ) = H ∗ (f )|X (f )|2 ;

ΓYX (s) ⊃ Y (f )X ∗ (f ) = H(f )|X (f )|2 ;
ΓYY (s) ⊃ |Y (f )|2 = |H(f )|2 |X (f )|2

Notar que la densidad espectral de energı́a |X (f )|2 “hace las

veces” de SXX (f ) del caso de señales estocásticas.

15 / 20
Correlaciones con entrada ESA 2
Calcular RXY , RYX , RYY para SLID, usando DEP y métodos de
transformada: emplear el T. de W-K.

∨
∗ ∗
RXY [n1 , n2 ] = E {X [n + m]Y [n]} = {RX ∗h }[n1 −n2 ] = RXY [m]
T FT D : SXY (ej2πs ) = H ∗ (ej2πs )SXX (ej2πs )

RYX [n1 , n2 ]) = E {Y [n + m]X ∗ [n]} = {RX ∗h}[n1 −n2 ] = RYX [m]

T F T D : SYX (ej2πs ) = H(ej2πs )SXX (ej2πs )

∨
∗ ∗
RYY (t1 , t2 ) = E {Y (t + τ )Y (t)} = {RX ∗h∗h }(t1 −t2 ) = RY (τ )
T F T D : SYY (ej2πs ) = |H(ej2πs )|2 SXX (ej2πs )

16 / 20

Muestreo y Reconstrucción: Introducción

Terminaron los “slides”

A partir de ahora, pizarrón!

18 / 20
Clase que viene

I Muestreo y Reconstrucción

20 / 20