1

Autor: Homero Ortega Boada

 2

INDICE

REPASO DE LOS PRINCIPALES CONCEPTOS PROBABILSTICOS 4

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

Funcin de autocorrelacin de un proceso estacionario 16

Densidad espectral de potencia o espectro de potencia
de un proceso estacionario 19

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

Funcin de autocorrelacin promediada en el tiempo 30

Proceso ergdico (definicin) 31
Relacin entre densidad espectral y espectro de
frecuencias en un proceso ergdico 32
Anlisis determinstico 34
 3

ANALISIS DE RUIDO 36

Variable aleatoria con distribucin gausiana 37

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

ANLISIS ESTOCSTICOS DE LOS SISTEMAS

SISTEMAS DE
COMUNICACIN

FUNDAMENTOS:

Se estudiarn fundamentos de variable aleatoria, procesos estocsticos y ruido,

teniendo en cuenta que el estudiante ya ha realizado simulaciones para
comprender los procesos estocsticos.

REPASO DE LOS PRINCIPALES CONCEPTOS PROBABILSTICOS:

Experimento aleatorio: el lanzamiento al aire repetidamente de una moneda en

condiciones idnticas.

Punto muestra: posible resultado de un experimento.

Espacio muestral: conjunto de todos los puntos muestra de un experimento.

La fig. 1 muestra estos conceptos para el experimento lanzamiento de una
moneda.

Evento: al enunciado aparece un nmero par del experimento lanzamiento de

un dado le corresponde un conjunto de puntos muestra A:{2, 4,6} que es
subconjunto del espacio muestral del experimento. Evento es tanto el subconjunto
como el enunciado.

Todo lo anterior para explicar una propiedad sobre eventos que se usar ms
adelante.

Probabilidad conjunta de dos eventos:

Si un evento A tiene probabilidad P(A)

Y un evento B tiene probabilidad P(B)

La probabilidad de que al mismo tiempo ocurra A y B es

P( AB) = P ( A ) P ( B) (1.1)
B
 5

Pero, si A y B son estadsticamente independientes

P( AB) = P( A) P ( B) (1.2)

Variable aleatoria: Un experimento puede ser descrito mediante una variable

aleatoria X . El comportamiento de una variable aleatoria X a lo largo de muchos
ensayos se puede representar grficamente as

X
x6 X = { x1 , x 2 , x 3 , x 4 , x 5 , x 6 }
x5
x4
x3
ESPACIO
MUESTRAL x2
x1

n (ensayos)

Fig. 1 Visualizacin del experimento lanzamiento de un dado

x1 = 1, x2 = 2, x3 = 3, x4 = 4, x5 = 5, x6 = 6

Este grfico es para una variable discreta. Si X puede tomar cualquier valor dentro
de un rango, ser una variable continua.

Ejemplo:

Experimento: Medir la altura de las personas

Fig. 1.1
 6

Funcin de densidad de probabilidad:

f X ( x ) De una variable X continua

f X (x ) = P ( X = x ) (1.3)

f X ( x) = P( X = x)

P ( X = 9) = 0.7

-3 -2.5

Fig. 2

La probabilidad de que la variable aleatoria tome un valor entre -3 y -2.5 es el rea

bajo la curva en ese intervalo:
2.5
P(3.5 < x < 2.5) =
3
f X ( x)dx

(xX )
1 2 X2
f X ( x) = e
2 X

x
X

Fig. 2.1
 7

Funcin de distribucin acumulativa:

FX (x ) = P ( X x ) (1.4)

FX ( x) = P( X x)

x
Fig. 3

f X ( x ) Y FX ( x ) estn relacionadas entre s:

x
dFX (x )
FX ( x ) = f (x )dx

X ; f X (x ) =
dx (1.5)

Momentos estadsticos de orden n:

Se definen as:

[ ]= x
EX n n
f X ( x )dx (1.6)

Para una variable aleatoria X

Las caractersticas de una variable aleatoria X se pueden deducir a partir de los

momentos estadsticos, as:
 8

X = E [ X ] La media

E X 2 Valor cuadrtico medio

E X 3 Valor cbico medio

Momentos centrales de una variable X:

E ( X X ) = (x
n
X ) n f X ( x)dx (1.7)

X2 = Var[ X ] = E[( X X ) 2 ] - varianza (1.8)

X = X2 - desviacin Standard (1.9)

Funcin de distribucin conjunta (de unin):

Dos variables aleatorias X y Y pueden ser dependiente entre s. Las funciones

adjuntas muestran esa dependencia.

FXY ( x, y ) = P( X x, Y y ) (1.10)

O sea la probabilidad de que ocurra al mismo tiempo que X x y Y y

f XY (x, y ) = P( X = x, Y = y ) (1.11)

Nota: si X , Y son estadsticamente independientes y se conoce

f X (x ) y f Y ( y ) f X ,Y (x, y ) = f X (x ) f Y ( y ) (1.12)
 9

Momentos conjuntos ente dos variables aleatorias X , Y :

E X iY k =

x i y k f XY ( x, y )dxdy
(1.13)

La correlacin entre X y Y es el primer momento conjunto

R = E [ XY ] = xyf

XY ( x, y )dxdy
(1.14)

Todo lo estudiado se orienta a comprender que es la correlacin.

Tambin hay momentos conjuntos centrales. El de primer orden es la covarianza:

cov[X , Y ] = E[( X X )(Y Y )] (1.15)

PROCESOS ESTOCSTICOS:

Un proceso estocstico es comparable con la variable aleatoria, pero el resultado

de cada ensayo no es un nmero sino una curva continua en el tiempo. Se
representa como X (t ) , ver figura 4a.

Es importante resaltar que un proceso estocstico est compuesto de variables

aleatorias. Por ejemplo, en el momento t1 , en cada ensayo se observa que
aparece un nmero. El conjunto de esos nmeros bien se podra graficar como se
hizo en la Fig. 1 para la variable aleatoria, ver figura 4b.
 10

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

Mientras X (t1 ) es una variable aleatoria, X (t ) es un proceso aleatorio.

Cmo es la funcin de densidad de probabilidad y la de distribucin de

probabilidad en un proceso aleatorio?

Repuesta: serian variables en el tiempo, pero esto se representa as:

f X ( t ) ( x ) , FX (t ) ( x ) para todo t.

Es muy comn aqu hablar de funciones conjuntas (de unin) entre las variables
aleatorias que componen el proceso:

FX (t1 ) X (t2 ),...... X (tk ) ( x1, x2 ,....xk ) ;

f X (t1 ) X (t2 ).... X (tk ) ( x1, x2 ,......xk )
(1.16)

Igualmente la media resulta ser variable en el tiempo x (t ) . Lo mismo puede

decirse de la media cuadrtica, la varianza o cualquier otro momento estadstico.
(Prctica con software para afianzar lo visto).

Pero toma alta importancia la funcin de autocorrelacin. En variable aleatoria

(pgina 3) se tomaba la correlacin entre las variables aleatorias X , Y ; como
R = E [ XY ] . Pero, la autocorrelacin se refiere a la correlacin entre variables
aleatorias del mismo proceso:

En la frmula 1.14 se haba explicado el coeficiente de correlacin entre dos

variables aleatorias X , Y . Aplicando la misma definicin para dos variables
X 1 (t1 ), X 2 (t 2 ) del proceso X (t ) obtenemos;

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)

Es una funcin de dos tiempos t1 y t 2 , y se conoce como funcin de

autocorrelacin para cualquier valor de t1 y t 2 .
 12

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:

Proceso estrictamente estacionario. La condicin es:

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:

Para k=1 debe cumplirse que:

FX (t ) ( x) = FX (t + ) ( x) (1.19a)
 13

O sea, para k=1

t
FX ( t ) ( x )

x
Fig. 6

FX ( t1 ) X (t2 ) ( x1 , x2 ) = FX ( t1 + ) X ( t2 + ) ( x1 , x2 ) (1.19b)

Consecuentemente se cumple que:

f X (t1 ) X (t2 ) ( x1 , x2 ) = f X (t1 ) X (t2 ) ( x1 , x2 )

f X ( t1 ) X ( t 2 ) ( x1 , x 2 )

x2

x1
 14

Si observamos esa campana en el tiempo como en un video, esta permanece

esttica, no vara, en ningn momento .

EJEMPLO 1

Analicemos el proceso Onda senoidal con fase aleatoria, para comprobar si es o

no estacionario:

Supngase que se transmite una seal modulada en DSB-SC en radiodifusin y

por lo tanto es captada por muchos receptores (pues hay muchos oyentes). Entre
la portadora usada en el transmisor y la usada para la demodulacin por cada
usuario hay desfases (cada usuario muestra un desfase), luego la calidad de la
demodulacin es diferente para cada usuario y depende de la suerte de tener o no
un desfase pequeo.
Ese proceso se describe como X (t ) = Ac cos(2f c t + ) , aclarando que lo aleatorio
es y que esa aleatoriedad est dada por una densidad de probabilidad
determinada. En este caso, se supone que est distribuida uniformemente entre

1
2 ,
[ , ], luego f ( ) =
0, en otra parte

es una variable aleatoria pues en cada ensayo solo ocurre un valor de , no

una funcin.

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

La divisin en 2 surge porque el rea bajo la curva de f ( ) debe ser 1.

Se requiere comprobar si el proceso es o no estacionario.

Este es un proceso sencillo. En un momento t k aparecern diversos valores de

amplitud debido al desfase aleatorio. Son valores que estn entre Ac y Ac .
Puede inferirse que la media de todos los puntos muestra para t = t k tiende a cero
a medida que crecen los ensayos. Esto aplica para cualquier valor de t. con esto
hemos analizado el primer momento de la variable aleatoria X (t k ) . O sea,
X = E [ X (t k )]

Analicemos el segundo momento conjunto ente dos variables X (t k ) y X (t i ) , o

sea, E [X (t k )X (t i )] es decir, la media de la variable aleatoria que resulta de
multiplicar X (t k ) por X (t i ) . Podemos inferir y se obtendr un mismo valor en
cualesquiera otros dos instantes igualmente separados por .

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 )

FX ( 0) X ( t2 t1 ) ( x1 , x2 ) = FX (t1 ) X (t2 ) ( x1 , x2 ) (1.20)

EJEMPLO: Sea t 2 =8:15 a.m., t1 = 8 a.m.

FX (0) X (0:15) ( x1 , x2 ) = FX (8:00) X (8:15) ( x1 , x2 )

Ahora, sea t 2 =2:15 p.m., t1 = 2 p.m.

FX (0) X (0:15) ( x1 , x2 ) = FX (14:00) X (14:15) ( x1 , x2 )

 16

Luego, entonces

FX (8:00) X (8:15) ( x1, x2 ) = FX (14:00) X (14:15) ( x1, x2 ) = FX (0) X (0:15) ( x1, x2 )

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) .

Funcin de autocorrelacin de un proceso estacionario:

RX ( ) = E [ X (t )X (t + )]
Para cualquier valor de t, es la definicin de autocorrelacin para cualquier
proceso estocstico.

Cuando el proceso es estacionario se cumple que R X (t , ) no cambia con el

tiempo R X (t , ) = R X ( )

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 ( ) :

Est centrada en = 0 , donde est la amplitud mxima

Es par
Entre mas ancho sea R X ( ) el proceso flucta mas lentamente.

EJEMPLO 2

Para el mismo proceso analizado en el ejemplo 1, hallar la funcin de

autocorrelacin.

RX ( ) = E X ( t ) X ( t + ) = Ac2 E cos ( 2 f c t + ) cos ( 2 f c t + 2 f c + )

(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)

El promedio de la suma de dos variables es igual a la suma del promedio de cada

una, esto debido a que un promediador es un sistema lineal:

Ac2
RX ( ) =
2
(
E cos ( 4 f c t + 2 f c + 2 ) + E cos ( 2 f c ) ) (1.47)

Como el proceso es estacionario, t es cualquier valor, as que por simplicidad

tomemos t=0

Ac2 Ac2
RX ( ) = E cos ( 2 f c + 2 ) + cos ( 2 f c )
2
(1.48)
2
 18

Teniendo en cuenta que flucta entre y y cualquier valor de es

igualmente probable, puede decirse que la media de cos(2f c + 2 ) es igual a cero,
entonces:

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.

En conclusin, para comprobar la condicin (19) bien puede hacerse a partir de la

comprobacin de que los momentos estadsticos de primer orden no cambian con
el tiempo (son constantes). La condicin (19b) se cumple tambin si la funcin de
autocorrelacin no cambia con el tiempo.

R X (t , )
t

Fig. 9.2
 19

Densidad espectral de potencia o espectro de potencia de un proceso

estacionario:

Es el nombre que se le ha dado a la transformada de Fourier de la funcin de

autocorrelacin de un proceso X (t ) .

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).

Estas ecuaciones se conocen como RELACIONES EINSTEIN WIENER

KHINTCHINE y tiene las siguientes propiedades:

El valor de S X ( f ) para f=0 es el rea bajo la curva de R X ( ) , o viceversa

S X (0 ) = R ( )d

X (1.23)

Esto a partir de la relacin de Parsevall.

Debido a que R X ( ) es real y par S X ( f ) es siempre real, positivo y par

S X ( f ) 0 para toda f. S X ( f ) = S X ( f ) . Esto se deriva de las propiedades
de la TF que dice que toda seal es la suma de una componente par y una
impar x(t ) = x par (t ) + ximpar (t ) donde,

1 1
x par ( t ) = x ( t ) + x ( t ) ximpar ( t ) = x ( t ) x ( t )
2 2
(1.24); (1.25)
 20

La TF de la componente par es par y real, la TF de la componente impar es impar

e imaginaria.

La funcin de autocorrelacin siempre es par, y posee espectro par y real.

Segn las propiedades de la funcin de autocorrelacin se haba dicho que

RX ( ) , evaluado en = 0 en un proceso estacionario coincide con el valor
[ ]
cuadrtico medio R X (0 ) = E X 2 (t ) del proceso.

[
E X (t ) =
2
] S X ( f )df = R X ( 0) (1.26)

Se deduce que, el rea bajo la curva de la densidad espectral de potencia es el

valor cuadrtico medio, se conoce tambin como potencia promedio del proceso.

Si se normaliza S X ( f ) dividindola por su rea bajo la curva, se obtiene

una funcin PX ( f ) que tiene un comportamiento similar a una funcin de
densidad de probabilidad.

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)

La TF de una cosenoidal es conocida, luego

Ac2
SX ( f ) = [ ( f f c ) + ( f + f c )] (1.51)
4

SX ( f )

Fig. 11

Fjese que a diferencia de la TF, aqu no se diferencia entre el espectro de

senoidal o cosenoidal.
Ac2
La potencia promedio de este proceso es P = R X (0 ) = (1.52)
2

EJEMPLO 4

Se pone en consideracin la seal digital que llega desde un MS hasta una

radiobase. Ver Fig.12
MS: mobile station (en telefona celular)
 22

Generador de
sincronismo

TR

RADIOBASE

Tb

Fig. 12

La seal desde el MS llegar atrasada respecto a la seal de sincronismo usada

por el transceiver como reloj, dependiendo de la distancia a la cual se encuentra el
MS. Td es el tiempo de retraso.
 23

x1 (t )
n =1

x2 (t )
n=2

Fig. 13

La seal x 2 (t ) lleva bits diferentes a x1 (t ) , ya que cada MS recibe informacin

diferente.

La seal de sincronismo aparece en la grfica como referencia para poder medir el

retraso de las seales que llegan a los MS.

Resultado de dos ensayos y su comparacin con la seal de sincronismo. Cada

funcin muestra se toma de un MS escogido aleatoriamente. Proceso X (t ) .

El sistema ha sido diseado de tal manera que nunca ocurrir un atraso

mayor a Tb .

Tb Corresponde a un kilmetro. Luego, si el usuario est ms all de esa distancia

no puede ser atendido, se encontrar en el rea de cobertura de otra radiobase
(otra celda).
 24

Los datos que enva el MS son unos y ceros de manera completamente

aleatoria. La aparicin de un uno o un cero es equivalente a que caiga cara
o sello al lanzar una moneda.

Es igualmente probable que un MS est a una u otra distancia de la

radiobase.

El proceso es estacionario

a. obtener una grafica para la densidad de la probabilidad de la variable

aleatoria Td .

Respuesta: Td toma valores iguales probables entre 0 y Tb porque es igualmente

probable que los usuarios estn a una u otra distancia.

fTd (td )

td

Fig. 14

b. tomando como referencia dos momentos t k y t i determine para que

distancia entre ellos = t k t i se cumple que R X ( ) = 0 .

Respuesta: esto ocurrir cuando las variables X ( tk ) y X (t i ) sean

estadsticamente independientes. En el caso de la grafica, t k y t i estn cerca,
luego, si ocurre que x 2 (t k ) = A es muy probable que x 2 (t i ) = A tambin. En
 25

cambios, si t k t i > Tb esa probabilidad tiende a cero a medida que se elevan los
ensayos. Luego

RX ( ) = 0 Para > Tb

c. determine R X (0) . Recuerde que R X ( ) = E [ X (t ) X (t + )]

Respuesta: como X (t ) es estacionario, sea t=0

[ ]
R X (0) = E X 2 (0 ) O sea, la media cuadrtica de la variable aleatoria x(0)

Los nicos valores que toma X(0) son A o A, luego

RX (0 ) = A2

d. proponga una forma grafica aproximada para R X ( ) .

Respuesta: tengamos en cuenta que:

La R X ( ) siempre es par y real

El valor mximo de R X ( ) siempre esta en = 0 .
Para el proceso X (t ) la dependencia entre X (t k ) y X (t i ) disminuye
linealmente a medida que t i se aleja de t k .

Fig. 15
 26

e. compruebe la validez de la grafica obtenida en el punto anterior para RX ( ) ,

resolviendo RX ( ) = E X ( t ) X ( t + )

Respuesta: en el ensayo n=2, se observa que P1 = P2 si t d < Tb , o sea que

los puntos 1 y 2 tiene valores iguales de amplitud.

Luego podemos asegurar que:

E [ X (t k ) X (t i ) / B ] = A 2 (1.53)

Donde B es el evento t d < Tb

Es decir, cuando ocurra el evento B, se puede asegurar que X (t k ) X (t i ) = A 2 ,

luego, el promedio de esta multiplicacin es A 2

RX ( ) = E [X (tk )X (ti )] = E [X (tk )X (ti ) / B ]P(B ) (1.54)

Esto por analoga con la probabilidad condicional entre dos eventos A y B

P ( AB ) = P ( A ) P ( B )
B (1.55)

En nuestro caso, P(B)es la probabilidad que la variable aleatoria Td tome un valor

entre 0 y Tb . Esta puede hallarse a partir de f Td (t d ) de la Fig.14

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)

f. halle la PSD del proceso X (t )

RX1 ( ) RX1 ( )

RX ( )

Fig. 16

RX1 ( ) S X1 ( f )

Fig. 16.1
 28

SX ( f )
A2Tb

Fig. 17

g. halle potencia promedio de X (t )

Respuesta:

P = R X (0 ) = A 2

PROCESOS ERGDICOS:

Es necesario distinguir primero entre esperanzas o promedios totales y

promedios de tiempo.

Promedios totales: Se refiere al tipo de promedios que hemos sacado hasta el

momento. Por ejemplo, la media de una variable X (t k ) o de un proceso X (t ) . En
otras palabras hasta el momento hemos trabajado solo con promedios totales.

Promedios de tiempo: Se refiere al promedio que se busca analizando una

funcin muestra en un intervalo T t T .
 29

x (t )

M x (t )

Fig. 18

As por ejemplo, se puede encontrar una media que depende de T.

T
1
X (T ) =
2T x(t )dt
T
Es igual al valor de la media promediada en el tiempo.

Vamos a denotar el promedio de tiempo de X (t ) as:

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.

Cuando el proceso es estacionario, se sabe que tiene una media X constante

(promedio total). Su relacin con el promedio de tiempo se puede buscar tratando
de encontrar la media de la variable X (T ) :

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

En caso de un proceso estacionario se supone que: X (t ) = cte = X

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 ) .

Pregunta de control 1: si el proceso no es estacionario, a que equivale

E [ X (T )] ?

Pregunta de control 2: conociendo el procedimiento para hallar la media en un

proceso estacionario a partir del promedio de tiempo X (T ) , como podra hallarse
la funcin de autocorrelacin a partir de promedios de tiempo.

Conclusin 1: la media de un proceso estacionario, bien se podra hallar a partir

de comportamiento de la variable aleatoria X (T ) , o sea a partir del promedio de
tiempo X (T ) : es decir X se halla como la media de X (T ) para todos los
ensayos.

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.

Trabajo para la casa: a su equipo se le ha asignado la tarea de demostrar

mediante simulacin, si la anterior afirmacin es cierta. El equipo ha decidido
asignarle a usted la tarea de crear un diagrama de flujo para el simulador a
desarrollar.

Funcin de autocorrelacin promediada en el tiempo:

As como existe la media promediada en el tiempo X (T ) as tambin la

autocorrelacin
 31

T
1
RX ( , T ) =
2T x(t + ) x(t )dt
T
(1.29)

Es como el promedio de tiempo de x1 (t , ) , donde x1 (t , ) = x(t + )x(t ) para todos

los valores de .

Hiptesis: la funcin de autocorrelacin en un proceso estacionario es la curva

media de las R X ( , T ) para cada ensayo. Como tambin la correlacin cruzada
promediada en el tiempo entre 2 procesos X (t ) , Y (t ) .

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..

Proceso ergdico (Definicin):

Un proceso ergdico se define como aquel para el cual se cumple que:

a) lim X (T ) = X
T

b) lim var X (T ) = 0 momento central de orden 2 X2 = E ( X (T ) X ) 2 es decir

T

que X (T ) no cambia de una funcin muestra a otra.

Otra definicin relacionada con la correlacin, la cual tambin es considerada un

momento de segundo orden, es que para un proceso ergdico se cumple que:

lim RX ( , T ) = RX ( )
T
 32

lim var RX ( , T ) = 0 Quiere decir que la media no vara de un funcin muestra a

T

otra.

CONCLUSIN: cuando un proceso es ergdico, los promedios totales son los

mismos promedios de tiempo, luego un promedio total se puede calcular a partir
de una sola funcin muestra, por ejemplo la media:

X = X (T )
R X ( ) = R X ( , T )

Relacin entre densidad espectral y espectro de frecuencias en un proceso

ergdico:

Pensemos como sera el espectro de frecuencias de una funcin muestra X (t ) de

un proceso aleatorio:
La TF de X (t ) no se pede calcular, pues en la mayora de los casos X (t ) no es

absolutamente integrable, no se cumple la condicin de Diriclet x(t )dt <

condicin de convergencia de la TF.
Pero, si tomamos un periodo de observacin finito T consideramos un segmento
truncado de X (t ) y a TF para ese segmento la denotamos como X(f,T).

T
x (t ) X ( f , T ) = ( ) j 2ft
x t e dt (1.32)
T

Ya se haba dicho que la funcin de autocorrelacin de un proceso estacionario

ergdico se puede obtener como un promedio de tiempo:

T
1
RX ( ) = lim
T 2T x ( t )x ( t + ) dt
T
(1.33)

Tambin se sabe que la TF de R X ( ) es la misma TF en magnitud al cuadrado del

segmento de X (t ) dividida en 1 .
2T
 33

1
X ( f , T ) = R X ( )e j 2f d
2
(1.34)
2T

En la pagina 51 de Haykin dice que esto es lo que se conoce como periodograma

y sus dimensiones son similares a la PSD. Ms abajo dice que si observamos un
periodograma de un proceso ergdico para una frecuencia fija, esto se convierte
2
en una variable aleatoria, es decir, no es un valor fijo. En otras palabras X ( f , T )
vara de funcin muestra en funcin muestra.

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)

Si hay N funciones muestra, X ( f , T ) aparece N veces. La PSD S X ( f ) es el

promedio de esas X ( f , T ) al cuadrado.

Segn Couch en su anlisis determinstico dice que

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:

En la prctica comn el anlisis determinstico se aplica cuando la onda es

determinstica o cuando se sabe que el proceso es ergdico. (Ver libro Couch pag
62 65).

Los parmetros de inters son: la potencia promedio, el valor RMS, la PSD, la

ESD ( energy spectral density), la funcin de autocorrelacin.

Se supone entonces que se tiene una seal X (t ) por analizar. En el caso de un

proceso ergdico X (t ) es una de las funciones muestra del proceso X (t ) .

Valor RMS: X RMS = x 2 (t ) (1.37)

x 2 (t ) 2
Potencia promedio: P = = X RMS (1.38)
R

Potencia promedio normalizada: P = x 2 (t ) , pues R se toma R=1. La potencia

promedio es til para calcular la relacin seal a ruido (SNR), pues en la relacin
se cancela R.

Tambin es comn hallar P a partir de una versin truncada de X (t ) :

T
1 1

2
P = lim x ( t ) dt = limT xT2 ( t ) dt (1.39)
T 2T 2T
T

O, de acuerdo a la relacin de Parseval; lo anterior equivale a:

2
1
P = lim
T 2T

X ( f , ) df (1.40)

La definicin de la PSD ha sido realizada de manera que se cumpla que el rea

bajo su curva sea la misma Potencia Promedio.

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)

Como se aclar en la pgina anterior, esta relacin de PSD con la TF no es vlida

para los Procesos Ergdicos, solo para una onda determinstica. As, la Potencia
Promedio se puede hallar de varias maneras:

S ( f )df
2
P = x (t ) = X RMS =
2
X = RX (0 ) (1.44)

36
 37

ANALISIS DE RUIDO

Variable aleatoria con distribucin gausiana:

Una variable aleatoria X est distribuida gaussianamente s su funcin de

densidad de probabilidad es de la forma

( x X )2
1
2 X2
fX (x) = e (2.1)
2 X

f X ( x)

x
Fig. 1

Un caso especial ocurre cuando X = 0 , X2 = 1 y se describe como N(0,1)

x2
1 2
f X ( x ) = N X (0,1) = e (2.2)
2

Proceso gaussiano: Todo el conjunto de variables aleatorias que componen un

proceso es conjuntamente gausiano. Quiere decir que la densidad de probabilidad
conjunta es gausiana.

Propiedades:

Si X (t ) es un proceso gaussiano y se aplica a un filtro lineal estable la

salida Y (t ) es tambin un proceso gaussiano.

Si un proceso gaussiano es estacionario, tambin ser estrictamente

estacionario. O sea que en el caso de los procesos gaussianos, los
 38

momentos de primer y segundo orden son suficientes para definirlo como

un proceso estrictamente estacionario. Se refiere a la media, la
autocorrelacin.

Estas variables resultarn siendo independientes estadsticamente.

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

Te temperatura equivalente en Kelvin.

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:

Cualquiera dos muestras del proceso resultarn no correlacionadas sin

importar que tan cerca estn.

El ruido blanco tiene una potencia promedio infinita y como tal no puede ser
fsicamente realizable.
 39

Paso de un sistema aleatorio a travs de un filtro LIT:

X(t) Y(t)
h(t)
LIT

Fig. 4

Si un proceso X (t ) es estacionario, Y (t ) tambin lo ser.

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 )

Conociendo RX ( ) RY ( ) = h( )h(v )R ( + v )ddv

X

La potencia promedio normalizada de Y (t ) :

( 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

Ruido blanco filtrado:

El ruido blanco es una idealizacin que permite caracterizar un sistema de

comunicacin de manera similar a lo que se hace con una entrada (t ) para
obtener la respuesta al impulso.

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

La idea de usar este modelo para el estudio de los sistemas de comunicacin

consiste en considerar como blanco, el ruido que entra al sistema excediendo el
ancho de banda del mismo, ya que se observa una similitud entre la respuesta del

SW ( f )

w(t ) BPF n(t )

W = 2B

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

Primera representacin cannica

cos (2 f ct )

sen(2 f ct )

Fig. 6

Para obtener n I (t ) y nQ (t ) a partir de n(t ) se usa el esquema

2cos (2 f c t )

2 sen(2 f c t )

Fig. 7

El 2 de la portadora es porque se sabe que en DSB si en la parte modulante se

usa amplitud de portadora = 1, en la demodulante se usa 2 para poder recuperar
el mensaje en al misma escala en que fue transmitido.

Segunda representacin cannica del ruido de banda angosta.

Sabemos que n(t ) = n I (t ) cos(2f c t ) + nQ (t ) sen(2f c t ) conociendo la identidad

trigonomtrica: A cos + Bsen = D cos( + ) , donde D = A 2 + B 2 y = tan 1

 42

n(t ) = r (t )cos[2fct + (t )] (2.3)

Fig. 8

Si n I (t ) viaja en una portadora y nQ (t ) en su cuadratura, eso equivale a que la

seal r(t) viaja en la portadora cos( 2f c t + (t ))

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

Es un proceso aleatorio: n I (t ) , nQ (t ) , r (t ) , (t ) son funciones muestra que

resultan de su ensayo. Estas funciones son del tipo Banda Base

Fig.9
 43

Una pregunta lgica es: si n(t ) tena S N ( f ) como ser la PSD de n I (t ) , nQ (t ) ?

Rta

f f

Fig. 10

Lo cual se puede comprobar colocando estas PSD a la entrada del esquema de la

Fig.6 y calculando su respuesta.

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

Ya que N (t ) y V1 (t ) son procesos estadsticamente independientes

Rv1 ( ) = Rv ( ) RC ( ) Sv1 ( f ) = S N ( f ) SC ( f )

Fig. 15

Esto tambin puede probarse usando el concepto de potencia promedio

N0
Pn = 2 2 B = 2 N 0 B = RN ( 0 ) , RC ( ) = 2cos (2 f c ) , RC ( 0 ) = 2 = PC
2
 45

Como N (t ) , C (t ) , son estadsticamente independientes Rv1 ( ) = RN ( ) RC ( )

Pv1 RN ( 0 ) RC ( 0 ) = 4 N 0 B , luego la PSD Sv1 ( f ) tiene la forma.

Fig. 16

Luego del filtrado

Fig. 17

Quiz surge una duda en el estudiante : Por qu ha tenerse en cuenta las

frecuencias negativas para la potencia promedio?
Rta: veamos el proceso elemental X ( t ) = Ac Cos(2 fC t + )
Ac 2 A2
La RX ( ) = cos(2 f c ) PX = RX ( 0 ) = c veamos la PSD
2 2

Adems, la misma definicin lo dice PX = S ( f )df

X
 46

TABLA 1

DSB-SC AM-FC FM
Transmisor Transmisor Transmisor

Potencia promedio de la seal aportada s (t ) = Ac [1 + K a m(t )]cos(2f c t + ) = t

por el transmisor s (t ) = Ac cos 2f c t + 2K f m(t )dt +
= c(t ) + K a m(t )c(t )
s (t ) = m(t )c(t ) 0
Por analoga con DSB
m(t ), c(t ) son estadsticas independientes Ac2
Rs ( ) = Rc ( ) + Ka 2 RM ( )Rc ( ) Ps = , la potencia promedio no depende
Rs ( )RM ( )Rc ( ) 2 2 2 2
Ac K a Pm Ac
A 2 Ps = + del mensaje
Donde RC ( t ) = c cos ( 2 f c t ) 2 2
2 2
A
Ps = Rs ( 0 ) =
Ac 2
RM ( 0 ) =
Ac 2
Pm
Ps = c 1 + K a Pm
2
( 2
)
2 2

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

la portadora de m(t ) como de n I (t ) y nQ (t )? X ( t ) = Ac 1+ Kam( t ) nI ( t ) cos(2 fct) + nQ ( t ) sen(2 fct)

t
X (t ) = Ac cos(2f c + 2K f ) m(t )dt + r (t ) cos( 2f c t + (t ))
0

RTA: si, es el mismo , pues la idea es que = Ac cos(2f c t + (t )) + r (t ) cos(2f c + (t ))

n(t ) sea una versin de ruido banda base
Ac cos 2 fct + ( t ) + r ( t ) = Ac cos r ( t )
modulada con c(t ) .
Inquietud: n I (t ) depende de Ac ? 1 d y (t )
y (t ) = , pero r (t ) no se conoce.
RTA: No es que c(t ) modula n(t ) , sino que 2 dt
Si n(t ) = 0
n(t ) resulta desplazada hacia fc, luego la 2
amplitud de portadora=1 y ( t ) = Ac 1 + K a m ( t ) + nI ( t ) + nQ2 ( t )
{ }
La seal: hallar una expresin para y (t ) de
X s ( t ) = Ac cos 2 f ct + ( t )
la forma y (t ) = y s (t ) + y n (t ) donde y s (t ) es la
componente til para obtener m(t ) , y n (t ) es En el diagrama fasorial se nota que si
el ruido es pequeo comparado con la y s (t ) = K f m(t )
la componente de ruido.
seal, entonces nQ (t ) casi no influye
v ( t ) = x ( t ) cos(2 f ct ) = en la magnitud de la envolvente Si m(t ) = 0
= Ac m ( t ) + nI ( t ) cos 2 (2 fc t ) nQ ( t ) cos(2 f ct ) sen(2 f ct )
ys ( t ) = Ac K a m ( t )
X n ( t ) Ac cos ( 2 f ct ) + r ( t ) cos 2 f ct + ( t )
Luego del LPF se obtiene y (t ) y n (t ) = n I (t )
Si el ruido tiene mucho menor potencia que
1 Potencia promedio de y n (t ) :
y (t ) = [Ac m(t ) + n I (t )] la seal el diagrama fasoriales
2 1 1 1
p yn = S N I ( f ) = N o BT = N o 2W
1 4 4 4
y s (t ) = Ac m(t )
2 py 2
A k p
2

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

Aparentemente la condicin seria

B
f < T pero entonces se estara
2
analizando el ruido en V (t ) , sea antes del
LPF
 50

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:

La potencia en las ondas de modulacin angular

Conocemos la formula de la potencia.

V2 2
P = VI = I R = (2.4)
R

Hallemos la potencia instantnea Pt de una seal FM

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

Potencia promedio de la onda modulada

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

Potencia promedio de la portadora sin modular

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

cuando surgen una serie de componentes laterales en el espectro, sus energas

resultan de la distribucin de la energa de la portadora c(t ) , por eso la
componente central baja a medida que se eleva AF. La potencia de una seal FM
es independiente de ndice de modulacin, AF. Forma y potencia del mensaje

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.

RTA: lo que pasa es que la formula anterior es una aproximacin. Realmente la

componente de la portadora baja en la medida que aumenta . Seria ms bien
2A
Ac c = Ac(1 )
2
 53

PROBLEMAS PROPUESTOS

1. En el experimento de la moneda justa, se realizan unos ensayos en un

tiempo determinado y por medio de estos se obtienen unas funciones
muestras de comportamiento de la misma , este proceso aleatorio se define
Cara, X (t ) = Sen(t ) y sello X (t ) = 2t

Hallar E [ X (t )] y F ( X , t ) para t=0.25, t=0.5 y t=1

2. Dado un proceso X (t ) con incrementos ortogonales y dado que X (0) = 0 ,

demuestre que
a. R(t1 , t 2 ) = R(t1 , t1 ) para t1 t 2 )
E{[X (t1 ) X (t 2 )] }
2
b. Si = q t1 t 2 , ahora el proceso
Y (t ) = [ X (t + ) X (t )] / es estacionario y su funcin de auto
correlacin es un triangulo con rea q y base 2

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

Nota: Haga H ( j ) mximo para = 3

4. En la ciudad de Bucaramanga se pretende realizar un estudio de los

movimientos telricos que se presentan diariamente debido a su ubicacin
en una zona de alta actividad ssmica, estos estudios son realizados en
lugares donde se espera obtener mejores datos, pero estas zonas estn
ubicadas a gran distancia de la central de control ssmico, donde han de
realizarse los reportes pertinentes, debido a esta situacin la empresa de
mediciones lo contrata a usted como ingeniero, con el fin de transmitir los
datos precisos, hasta el centro que genera los reportes, los datos que usted
recibe de gelogo que mide los fenmenos son :

[ ]
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

Se le pide que genere la representacin grafica de la funcin de auto

correlacin y a la vez muestre su densidad espectral de potencia y
desarrolle un sistema de comunicacin pertinente con el fin de que dichas
graficas que se generen lleguen de la mejor manera para ser analizada y
reportadas. Tenga en cuenta el ruido blanco y suponga las funciones
muestras aleatorias como la suma de senoidales.