INDICE
Experimento aleatorio 4
Punto muestra 4
Espacio muestral 4
Evento 4
Probabilidad conjunta de dos eventos 4
Variable aleatoria 5
Funcin de densidad de probabilidad 7
Funcin de distribucin acumulativa 7
Momentos estadsticos de orden n 7
Momentos centrales de una variable x 8
Funcin de distribucin conjunta (de unin) 8
PROCESOS ESTOCSTICOS 9
PROCESO ESTACIONARIO 12
PROCESOS ERGDICOS 28
Promedios totales
Promedios de tiempo 28
Pregunta de control 1 30
Pregunta de control 2 30
Conclusin 1 30
Conclusin 2 30
Trabajo para la casa 30
ANALISIS DE RUIDO 36
Proceso gaussiano 37
Propiedades 37
Ruido blanco 38
Paso de un sistema aleatorio a travs de un filtro LIT 39
Ruido blanco filtrado 40
Tabla1 46
ANALISIS DETERMINISTICO 51
PROBLEMAS PROPUESTOS 53
4
FUNDAMENTOS:
Todo lo anterior para explicar una propiedad sobre eventos que se usar ms
adelante.
P( AB) = P ( A ) P ( B) (1.1)
B
5
P( AB) = P( A) P ( B) (1.2)
X
x6 X = { x1 , x 2 , x 3 , x 4 , x 5 , x 6 }
x5
x4
x3
ESPACIO
MUESTRAL x2
x1
n (ensayos)
Este grfico es para una variable discreta. Si X puede tomar cualquier valor dentro
de un rango, ser una variable continua.
Ejemplo:
Fig. 1.1
6
f X (x ) = P ( X = x ) (1.3)
f X ( x) = P( X = x)
P ( X = 9) = 0.7
-3 -2.5
Fig. 2
(xX )
1 2 X2
f X ( x) = e
2 X
x
X
Fig. 2.1
7
FX (x ) = P ( X x ) (1.4)
FX ( x) = P( X x)
x
Fig. 3
x
dFX (x )
FX ( x ) = f (x )dx
X ; f X (x ) =
dx (1.5)
Se definen as:
[ ]= x
EX n n
f X ( x )dx (1.6)
X = E [ X ] La media
E ( X X ) = (x
n
X ) n f X ( x)dx (1.7)
FXY ( x, y ) = P( X x, Y y ) (1.10)
f XY (x, y ) = P( X = x, Y = y ) (1.11)
f X (x ) y f Y ( y ) f X ,Y (x, y ) = f X (x ) f Y ( y ) (1.12)
9
E X iY k =
x i y k f XY ( x, y )dxdy
(1.13)
R = E [ XY ] = xyf
XY ( x, y )dxdy
(1.14)
PROCESOS ESTOCSTICOS:
x1 (t )
t
t1
x1 (t )
t
t1
Proceso X(t) est
x1 (t ) compuesto de las
funciones muestra
t1 t
x1 (t ), x2 (t )...
x1 (t )
Fig. 4a
X
para t fijo t = t1
Fig. 4b
11
Es muy comn aqu hablar de funciones conjuntas (de unin) entre las variables
aleatorias que componen el proceso:
R X (t1 , t 2 ) = E [X (t1 )X (t 2 )] = x x
1 2 f X (t1 ) X (t 2 ) dx1 , dx 2
(1.17)
Para tener en cuenta todas las variables aleatorias de un proceso, puede usarse la
siguiente definicin; donde es la distancia entre t 2 y t1 , = t 2 t1 :
R X (t , ) = E [X (t ), X (t + )]
RX (t , )
Fig. 5
PROCESO ESTACIONARIO:
FX (t1+ ) X (t2 + ),......X (tk + ) ( x1, x2 ,....xk ) = FX (t1) X (t2 )......X (tk ) (x1, x2 , x3 )
(1.18)
Cuando la condicin 1.18 se cumple para k=1 y k=2 puede decirse que el proceso
es dbilmente estacionario o simplemente que es estacionario:
FX (t ) ( x) = FX (t + ) ( x) (1.19a)
13
x
Fig. 6
FX ( t1 ) X (t2 ) ( x1 , x2 ) = FX ( t1 + ) X ( t2 + ) ( x1 , x2 ) (1.19b)
f X ( t1 ) X ( t 2 ) ( x1 , x 2 )
x2
x1
14
EJEMPLO 1
1
2 ,
[ , ], luego f ( ) =
0, en otra parte
x1 (t ) x3 (t )
t t
1
3
x2 (t ) x4 (t )
t t
2 t k ti 4
t k ti
Fig. 7 Fig. 8
15
Estas dos condiciones son suficientes para afirmar que X (t ) al menos cumple las
condiciones de un proceso dbilmente estacionario.
^
Luego E [ X (t k ) X (t i )] = E[ X (t ) X (t + )] = E X ( ) = R X ( ) .
X ( ) Es la variable aleatoria que surge al multiplicar X (t k ) por X (t i )
Luego, entonces
Tomando como ejemplo la seal que llega desde una radio base hasta un centro
de control, la distribucin conjunta entre las variables X (t1 = 8a.m) y
X (t 2 = 8 : 15a.m) es la misma que entre X (t1 = 2 p.m.) y X (t 2 = 2 : 15 p.m.) porque
hay la misma separacin t 2 t1 = 15 minutos, pero no ser la misma para
X (t1 = 2 p.m.) y X (t 2 = 6 p.m.) . Bueno, la frmula anterior corresponde tambin a
comparar X (t1 = 8a.m.) y X (t 2 = 8 : 15a.m.) con X (t1 = 0) y X (t 2 = 15 min utos) .
RX ( ) = E [ X (t )X (t + )]
Para cualquier valor de t, es la definicin de autocorrelacin para cualquier
proceso estocstico.
RX (t, ) = RX ( )
t
Fig. a1
17
[ ]
IMPORTANTE: R X (0 ) = E X 2 (t ) la autocorrelacin evaluada en = 0 es el valor
medio cuadrtico, tambin se asocia con la potencia promedio normalizada (es
decir para impedancia = 1) del proceso.
Propiedades de R X ( ) :
EJEMPLO 2
(1.45)
1
Ya que cos cos = (cos( + ) + cos( ))
2
Ac2
RX ( ) = E cos ( 4 f c t + 2 f c + 2 ) + cos ( 2 f c )
2 (1.46)
Ac2
RX ( ) =
2
(
E cos ( 4 f c t + 2 f c + 2 ) + E cos ( 2 f c ) ) (1.47)
Ac2 Ac2
RX ( ) = E cos ( 2 f c + 2 ) + cos ( 2 f c )
2
(1.48)
2
18
Ac2
R X ( ) = cos(2f c ) (1.49)
2
Fig. 9
Tc
Las variables aleatorias separadas en 4 no estn correlacionadas. Por eso, un
Tc
receptor con portadora desfasada en 4 , o sea, 2 con respecto a la portadora
transmitida, no recibir nada.
R X (t , )
t
Fig. 9.2
19
SX ( f ) = X ( ) j 2f
R e d (1.21)
RX ( ) = S X ( f )e j 2f df (1.22)
S X ( f ) Se mide en watts por hertz (W/Hz) por eso se llama densidad (pero esto
siempre sucede en TF).
S X (0 ) = R ( )d
X (1.23)
1 1
x par ( t ) = x ( t ) + x ( t ) ximpar ( t ) = x ( t ) x ( t )
2 2
(1.24); (1.25)
20
[
E X (t ) =
2
] S X ( f )df = R X ( 0) (1.26)
SX ( f )
PX ( f ) =
(1.27)
S ( f )df
X
PX ( f )
PX ( f ) 0
Fig. 10
21
EJEMPLO 3
Hallar la PSD par el proceso de onda senoidal con fase aleatoria descrito en el
ejemplo 1 y 2. Hallar tambin la potencia promedio del proceso.
Ac2
j 2 f
SX ( f ) = RX ( )e d
4
(1.50)
Ac2
SX ( f ) = [ ( f f c ) + ( f + f c )] (1.51)
4
SX ( f )
Fig. 11
EJEMPLO 4
Generador de
sincronismo
TR
RADIOBASE
Tb
Fig. 12
x1 (t )
n =1
x2 (t )
n=2
Fig. 13
El proceso es estacionario
fTd (td )
td
Fig. 14
cambios, si t k t i > Tb esa probabilidad tiende a cero a medida que se elevan los
ensayos. Luego
RX ( ) = 0 Para > Tb
[ ]
R X (0) = E X 2 (0 ) O sea, la media cuadrtica de la variable aleatoria x(0)
RX (0 ) = A2
Fig. 15
26
E [ X (t k ) X (t i ) / B ] = A 2 (1.53)
P ( AB ) = P ( A ) P ( B )
B (1.55)
Tb Tb
1 1 1
P (B ) = dt d = t d = (Tb ) = 1
0
Tb Tb 0
Tb Tb
27
2
A 1 para < Tb
Tb
R X ( ) =
0, otros
(1.56)
RX1 ( ) RX1 ( )
RX ( )
Fig. 16
RX1 ( ) S X1 ( f )
Fig. 16.1
28
SX ( f )
A2Tb
Fig. 17
Respuesta:
P = R X (0 ) = A 2
PROCESOS ERGDICOS:
x (t )
M x (t )
Fig. 18
T
1
X (T ) =
2T x(t )dt
T
Es igual al valor de la media promediada en el tiempo.
T
1
x(t ) = lim T
2T x(t )dt
T
X (T ) Resulta siendo una variable aleatoria, pues vara de una funcin muestra a
otra y adems depende de T. por eso se puede hablar de las caractersticas
estadsticas de esa variable aleatoria.
1 T
1 T
1
T
E X (T ) = E
2T
T x ( t ) dt = 2T 2T
T
E X ( t ) dt = ( t ) dt
T
X
Un intercambio
debido a la
linealidad de las
Para un proceso estacionario: operaciones
X = E [ X (T )] = E [ X (t ) ]
(1.28)
30
Nota: para que esto coincida con lo estudiado del libro de Couch, debe
tomarse la ventana entre T/2 y T/2. usar w(t) en ves de X (t ) , WT ( f ) en vez
de W ( f , T ) .
Conclusin 2: los promedios de tiempo son tiles para hallar los promedios
totales en procesos estacionarios de manera aproximada. As como se puede
hallar X que es el momento E [X (t )] , as se puede hallar E [ X (t ) X (t + )] u otros
promedios.
T
1
RX ( , T ) =
2T x(t + ) x(t )dt
T
(1.29)
1
RXY ( , t ) =
2T x(t + ) y (t )dt
(1.30)
1
RYX ( , t ) =
2T y (t + ) x(t )dt
(1.31)
OJO: R X ( , T ) para cada valor resulta ser una variable aleatoria porque se
obtiene una para cada funcin muestra, tiene su media y dems momentos
estadsticos..
a) lim X (T ) = X
T
lim RX ( , T ) = RX ( )
T
32
otra.
X = X (T )
R X ( ) = R X ( , T )
T
x (t ) X ( f , T ) = ( ) j 2ft
x t e dt (1.32)
T
T
1
RX ( ) = lim
T 2T x ( t )x ( t + ) dt
T
(1.33)
1
X ( f , T ) = R X ( )e j 2f d
2
(1.34)
2T
OJO: aunque para ondas determinsticas se diga que esta es la PSD, esto no
es correcto desde punto de vista de procesos estocsticos.
1
E X ( f ,T )
2
S X ( f ) = lim
T 2T (1.35)
X ( f ,T ) 2
S X ( f ) = lim
T 2T (1.36)
Ver pagina 62 frmula (2-66) de Couch.
Esta ltima definicin slo es vlida para una onda determinstica como se ver en
2
la siguiente pgina. Esto es debido a que la X ( f , T ) vara entre funcin muestra
y funcin muestra (aunque el proceso sea ergdico), mientras que la S X ( f ) es
una.
34
ANALISIS DETERMINISTICO:
x 2 (t ) 2
Potencia promedio: P = = X RMS (1.38)
R
T
1 1
2
P = lim x ( t ) dt = limT xT2 ( t ) dt (1.39)
T 2T 2T
T
2
1
P = lim
T 2T
X ( f , ) df (1.40)
P= S ( f )df
X (1.41)
35
1 2
De aqu se deduce que S X ( f ) = lim X ( f ,T ) (1.42)
T 2T
T
1
La autocorrelacin: RX ( ) = x ( t ) x ( t + ) = lim
T 2T x ( t ) x ( t + )d
T
(1.43)
S ( f )df
2
P = x (t ) = X RMS =
2
X = RX (0 ) (1.44)
36
37
ANALISIS DE RUIDO
( x X )2
1
2 X2
fX (x) = e (2.1)
2 X
f X ( x)
x
Fig. 1
x2
1 2
f X ( x ) = N X (0,1) = e (2.2)
2
Propiedades:
Ruido blanco:
Modelo matemtico idealizado para el anlisis del ruido en los sistemas comunes.
N0
SW ( f ) = , N 0 = KTe K = 3,18 *10 23 Joules, constante de Boltzmann
2
Fig. 2 Fig. 3
La idea es que un resistor ruidoso que podra producir tanto ruido como todas las
fuentes de ruido que llegan al sistema al ser sometido a la temperatura Te .De esta
manera N 0 puede ser diferente para las diversas situaciones a tener en cuenta:
El ruido blanco tiene una potencia promedio infinita y como tal no puede ser
fsicamente realizable.
39
X(t) Y(t)
h(t)
LIT
Fig. 4
Si se conoce X (t ) Y (t ) = X (t )* h(t ) = h( ) (t )d . Si
X X (t ) es
estacionario Y = X h( )d = X H (0 )
( t ) = h ( ) h ( ) R (
2
PY = E Y 2
H ( f ) S X ( f ) df = 1 2 X 1 2 )d 1d 2
O sea,
RY ( ) =0
La PSD para Y (t )
2
SY ( f ) = H ( f ) S X ( f )
40
Por tener una potencia promedio infinita, no es fsicamente realizable. Pero tiene
N N
expresiones sencillas como SW ( f ) = 0 , RW (t ) = 0 ( ) .
2 2
SW ( f )
f o = fc
SN ( f )
Fig. 5
sistema a este ruido o ante el ruido blanco como muestra la Fig.5. Luego, la salida
se puede interpretar como ruido blanco de banda angosta.
Ese ruido de banda angosta resulta ms fcil de simular. Como muchos anlisis
de los sistemas se realizan en banda base, entonces tambin se habla de
modelos banda base de este ruido. La idea es considerar que ese n(t )
corresponde a una seal banda base que fue desplazada a la frecuencia fc. El
41
fenmeno mas general que puede concluir a este resultado es que una seal n I (t )
halla sido mezclada con cos(2f c t ) y una nQ (t ) con sen(2f c t ) como sucede en QAM
cos (2 f ct )
sen(2 f ct )
Fig. 6
2cos (2 f c t )
2 sen(2 f c t )
Fig. 7
Fig. 8
r (t ) = n I2 (t ) + nQ2 (t )
1 nQ (t )
(t ) = tan
n I (t )
r (t ) Envolvente del ruido pasa bandas
(t ) Fase del ruido pasa bandas
Fig.9
43
Rta
f f
Fig. 10
Fig. 11
2cos (2 f ct )
2 sen(2 f c t )
Fig. 12
44
Fig. 13
22
RC ( ) = cos (2 fc ) = 2cos (2 f c )
2
Sv1 ( f ) = ?
Fig. 14
Rv1 ( ) = Rv ( ) RC ( ) Sv1 ( f ) = S N ( f ) SC ( f )
Fig. 15
N0
Pn = 2 2 B = 2 N 0 B = RN ( 0 ) , RC ( ) = 2cos (2 f c ) , RC ( 0 ) = 2 = PC
2
45
Fig. 16
Fig. 17
TABLA 1
DSB-SC AM-FC FM
Transmisor Transmisor Transmisor
SNRc c m
A P
2
SNRc c
2
(
A 1 + K a Pm
2
) SNRc
Ac 2
2 N 0W 2 N 0W 2 N 0W
Seal que entra al demodulador t
x(t ) = Ac cos 2fct + 2K f m(t )dt + nQ (t ) cos 2fct n I (t )sen2fct d
x(t ) = Ac m(t ) cos 2fct + n(t ) x(t ) = 0
c(t ) + K a m(t )c(t ) + n I (t )c(t ) nQ (t )cQ (t ) t
Donde n(t ) = n I (t ) cos 2fct nQ (t )sen(2f c t ) = Ac cos 2fct + 2K f m(t )dt + r (t )cos[2fct + (t )]
= [1 + K a m(t ) + n I (t )]c(t ) + nQ (t )cQ (t ) 0
onde
x (t ) = [ Ac m(t ) + n I (t )]cos 2fct nQ (t )sen 2fct
2
r (t ) = n I (t ) + nQ (t )
INQUIETUD: debera incluirse tanto en (t ) = tan 1 nQ (t ) n I (t )
47
DSB-SC AM-FC FM
1 SNRo = s = c a m
yn (t ) = nI (t ) p yn 2WN o
2
2 SNRo
Ac 1 NW = = ka
p ys = pm , p yn = N o 2W = o SNRc
4 4 2
48
A P
2
Potencia promedio de y n (t ) r ( t ) sen( ( t )) r ( t ) sen( ( t )) nQ ( t )
SNRo = c m r ( t ) = tan 1
Ac + r ( t ) cos( ( t )) Ac Ac
2WN o
1 1 1
Pyn =
4
S N 1 ( f ) = N 0 BT = N 0 2W =
4 4
2
Ac 1 d r (t ) 1 dnQ (t ) 1
Py s =
1 NW
Pm , Py n = N o 2W = 0 S NI ( f ) = S NQ ( f ) y n (t ) = = n d (t ) ,
4 4 2 2 dt 2Ac dt 2Ac
dnQ (t )
Donde n d (t ) =
dt
Ac 2 Pm 2
SNR0 =
2WN 0 1
y n (t ) = n d (t )
2Ac
=1 Otra manera quizs mas sencilla es:
Ac 2 K a 2 Pm
Pys X n ( t ) = Ac + nI ( t ) cos ( 2 fct ) nQ ( t ) sen ( 2 fct )
SNR0 = =
Pyn 2WN 0
nQ (t ) nQ (t )
SNR0 K a Pm 2 r (t ) = tan 1 =
= = Ac + n I (t ) Ac
SNRc 1 + K a 2 Pm 1
Py n = ? se sabe que y n (t ) = n d (t )
2Ac
dnQ (t )
Donde n d (t ) =
dt
49
2
jf f2
S yn (t ) = SQ ( f ) = 2
S NQ ( f ) para f < W 0, otros
Ac Ac
f 2
S yn ( f ) = 2 .N 0 df , f < W u otros
Ac
W
N0 2 N 0W 3
Py n =
Ac W
f 2 df =
3 Ac
2
3K f 2 Pm Ac 2
SNR0 =
2 N 0W 3
3K f 2 Pm
=
W2
51
ANALISIS DETERMINISTICO:
V2 2
P = VI = I R = (2.4)
R
S ( t ) = Vc cos ( 2 fct + ( t ) )
S 2 (t )
Pt = watt
R
Vc 2cos 2 Wct + ( t ) Vc 2 1 1
Pt = = + cos 2Wc t + 2 ( t )
R R 2 2
n
cos 2 () = [1 + cos(2a)]
2
2 2
1 Vc V
P= = c watt (2.5)
2 R 2R
Potencia instantnea de la portadora sin modular c ( t ) = Vc cos (2 f ct )
C 2 ( t ) Vc 2 cos 2 ( 2 f c t ) Vc 2 1
PC (t ) = = = [1 + cos(4 f ct )] (2.6)
R R R 2
Vc 2
PC = watt (2.7)
2R
Comparando (2) y (4) vemos que la potencia promedio de una seal FM es igual a
la noticia promedio de la portadora sin modular. A diferencia de AM, en FM la
potencia total es la misma que la potencia de la portadora. En consecuencia,
52
DUDA: pareciera que esto no aplica a una seal FM de banda angosta donde
A A
S ( t ) Ac cos(2 f ct ) + c cos[2 ( fc + f m ) t ] c cos[2 ( f c f m ) t ]
2 2
Veramos aqu la energa de la portadora ms la energa de 2 componentes
laterales.
PROBLEMAS PROPUESTOS
1
3. La entrada a un sistema LTI H ( s ) = 2
es un proceso estocstico
s + 2s + 5
[ ]
estacionario X (t ) con E X 2 (t ) = 10 . Hallar S X (w) tal que la potencia
[ ]
promedio E Y 2 (t ) de la salida resultante Y (t ) sea mxima
[ ]
Periodo de cada una de las mediciones tomadas T, E X 2 (t ) = 3A , donde
A es la amplitud promedio de las funciones muestra generadas por
medicin, se le dice adems que este proceso es estacionario debido a
estudios realizados por Ingeominas.
54