1

Autor: Homero Ortega Boada

2
INDICE INDICE INDICE 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
A AA ANLISIS ESTOCSTICOS DE LOS S NLISIS ESTOCSTICOS DE LOS S NLISIS ESTOCSTICOS DE LOS S NLISIS ESTOCSTICOS DE LOS SISTEMAS DE ISTEMAS DE ISTEMAS DE ISTEMAS DE
COMUNICACIN COMUNICACIN COMUNICACIN 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

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

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












Fig. 1 Visualizacin del experimento lanzamiento de un dado
1 2 3 4 5 6
1, 2, 3, 4, 5, 6 x x x x x x = = = = = =

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
ESPACIO
MUESTRAL
{ }
1 2 3 4 5 6
, , , , , X x x x x x x =
1
x
6
x
5
x
2
x
3
x
4
x
X
(ensayos) n
6
Funcin de densidad de probabilidad:


( )
X
f x
De una variable X continua


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













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
3
( 3.5 2.5) ( )
X
P x f x dx

< < =

Fig. 2.1

-3 -2.5
( ) ( )
X
f x P X x = =
( 9) 0.7 P X = =
X

2
( )
2
1
( )
2
X
X
x
X
X
f x e

=
x
7
( ) ( )
X
F x P X x =
Funcin de distribucin acumulativa:



( ) ( ) x X P x F
X
=
(1.4)














Fig. 3

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

( ) ( )

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



Momentos estadsticos de orden n:

Se definen as:

[ ] ( )

= dx x f x X E
X
n n
(1.6)

Para una variable aleatoria X


Las caractersticas de una variable aleatoria X se pueden deducir a partir de los
momentos estadsticos, as:

x
8
[ ]
X
E X =
La media

2
E X (

Valor cuadrtico medio

3
E X (

Valor cbico medio



Momentos centrales de una variable X:

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

( =
(1.7)


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


2
X X
=
- desviacin Standard (1.9)


Funcin de distribucin conjunta (de unin):

Dos variables aleatorias X yY pueden ser dependiente entre s. Las funciones
adjuntas muestran esa dependencia.

( ) ( ) y Y x X P y x F
XY
= , ,
(1.10)

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

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


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

( ) x f
X
y
( ) y f
Y

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


9
Momentos conjuntos ente dos variables aleatorias , X Y :


( , )
i k i k
XY
E X Y x y f x y dxdy


(
=

(1.13)


La correlacin entre X y Y es el primer momento conjunto

[ ]
( , )
XY
R E XY xyf 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:


[ ] ( )( ) [ ]
Y X
Y X E Y X = , cov
(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
1
t , 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


























Fig. 4a
















Fig. 4b


1
t
1
t
1
t
t
t
t
t
1
( ) x t
1
( ) x t
1
( ) x t
1
( ) x t
X
1
para fijo t t t =
Proceso X(t) est
compuesto de las
funciones muestra
)... ( ), (
2 1
t x t x
11
Mientras ) (
1
t X 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:
( ) x f
t X ) (
, ( ) x F
t X ) (
para todo t.

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

( ) ( ) ( )
( )
1 2
1 2 ,......
, ,....
k
k X t X t X t
F x x x
; ( ) ( ) ( )
( )
1 2
1 2
....
, ,......
k
k
X t X t X t
f x x x


(1.16)


Igualmente la media resulta ser variable en el tiempo ( ) t
x
. 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
) ( ), (
2 2 1 1
t X t X del proceso ( ) X t obtenemos;

( ) ( ) ( ) [ ]
( ) ( )

= =
2 1 2 1 2 1 2 1
, ,
2 1
dx dx f x x t X t X E t t R
t X t X X
(1.17)


Es una funcin de dos tiempos
1
t y
2
t , y se conoce como funcin de
autocorrelacin para cualquier valor de
1
t y
2
t .

12
Para tener en cuenta todas las variables aleatorias de un proceso, puede usarse la
siguiente definicin; donde es la distancia entre
2
t y
1
t ,
1 2
t t = :
[ ] ) ( ), ( ) , ( + = t X t X E t R
X


















Fig. 5


PROCESO ESTACIONARIO:

Proceso estrictamente estacionario. La condicin es:


( ) ( ) ( )
( )
( ) ( ) ( )
1 2 1 2
1 2 1 2 3
,...... ......
, ,.... ( , , )
k k
k
X t X t X t X t X t X t
F x x x F x x x
+ + +
=

(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:

( ) ( )
( ) ( )
X t X t
F x F x
+
=
(1.19a)


( , )
X
R t

t
13

O sea, para k=1














Fig. 6


1 2 1 2
( ) ( ) 1 2 ( ) ( ) 1 2
( , ) ( , )
X t X t X t X t
F x x F x x
+ +
=
(1.19b)

Consecuentemente se cumple que:

1 2 1 2
( ) ( ) 1 2 ( ) ( ) 1 2
( , ) ( , )
X t X t X t X t
f x x f x x =





















1 2
( ) ( ) 1 2
( , )
X t X t
f x x
1
x
2
x
( )
( )
X t
F x
x
t
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 ( ) ( ) + = t f A t X
c c
2 cos , 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

[ ] , , luego ( ) =

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


















Fig. 7 Fig. 8

,
2
1

0, en otra parte
1
( ) x t
3
( ) x t
2
( ) x t
4
( ) x t
t t
t t
1

k
t
i
t
k
t
i
t
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
k
t aparecern diversos valores de
amplitud debido al desfase aleatorio. Son valores que estn entre
c
A y
c
A .
Puede inferirse que la media de todos los puntos muestra para
k
t t = 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 ( )
k
t X . O sea,
( ) [ ]
k X
t X E =

Analicemos el segundo momento conjunto ente dos variables ( )
k
t X y ( )
i
t X , o
sea, ( ) ( ) [ ]
i k
t X t X E es decir, la media de la variable aleatoria que resulta de
multiplicar ( )
k
t X por ( )
i
t X . 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 ( ) ( ) [ ] ( ) ( ) [ ] ( )
X i k
R X E t X t X E t X t X E =
(

= + = ) (
^
.
) (

X Es la variable aleatoria que surge al multiplicar ) (

k
t X por ) (
i
t X


( ) ( )
( )
( ) ( )
( )
2 1 1 2
1 2 1 2
0
, ,
X X t t X t X t
F x x F x x

=
(1.20)


EJEMPLO: Sea
2
t =8:15 a.m., =
1
t 8 a.m.

( ) ( )
(0) (0:15) 1 2 (8:00) (8:15) 1 2
, ,
X X X X
F x x F x x =



Ahora, sea
2
t =2:15 p.m., =
1
t 2 p.m.

( ) ( )
(0) (0:15) 1 2 (14:00) (14:15) 1 2
, ,
X X X X
F x x F x x =



16
Luego, entonces

( ) ( ) ( )
(8:00) (8:15) 1 2 (14:00) (14:15) 1 2 (0) (0:15) 1 2
, , ,
X X X X X X
F x x F x x F x x = =



Tomando como ejemplo la seal que llega desde una radio base hasta un centro
de control, la distribucin conjunta entre las variables ) . 8 (
1
m a t X = y
) . 15 : 8 (
2
m a t X = es la misma que entre .) . 2 (
1
m p t X = y .) . 15 : 2 (
2
m p t X = porque
hay la misma separacin 15
1 2
= t t minutos, pero no ser la misma para
.) . 2 (
1
m p t X = y .) . 6 (
2
m p t X = . Bueno, la frmula anterior corresponde tambin a
comparar .) . 8 (
1
m a t X = y .) . 15 : 8 (
2
m a t X = con ) 0 (
1
= t X y ) min 15 (
2
utos t X = .




Funcin de autocorrelacin de un proceso estacionario:


( ) ( ) ( ) [ ] + = t X t X E R
X


Para cualquier valor de t, es la definicin de autocorrelacin para cualquier
proceso estocstico.


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















Fig. a1

t
) ( ) , (
X X
R t R =
17
IMPORTANTE: ( ) ( ) [ ] t X E R
X
2
0 = 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 ( )
X
R :

Est centrada en 0 = , donde est la amplitud mxima
Es par
Entre mas ancho sea ( )
X
R el proceso flucta mas lentamente.



EJEMPLO 2

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


( ) ( ) ( ) ( ) ( )
2
cos 2 cos 2 2
X c c c c
R E X t X t A E f t f t f
(
= + = + + + ( (



(1.45)

Ya que
( ) ( ) ( )
2
1
cos cos cos cos + + =


( ) ( ) ( )
2
cos 4 2 2 cos 2
2
c
X c c c
A
R E f t f f
(
= + + + (


(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:

( ) ( ) ( )
( )
2
cos 4 2 2 cos 2
2
c
X c c c
A
R E f t f E f = + + + ( (

(1.47)

Como el proceso es estacionario, t es cualquier valor, as que por simplicidad
tomemos t=0

( ) ( ) ( )
2 2
cos 2 2 cos 2
2 2
c c
X c c
A A
R E f f = + + (

(1.48)

18
Teniendo en cuenta que flucta entre y y cualquier valor de es
igualmente probable, puede decirse que la media de ( ) 2 2 cos +
c
f es igual a cero,
entonces:

( ) ( )
c
c
X
f
A
R 2 cos
2
2
=
(1.49)



Fig. 9


Las variables aleatorias separadas en
4
c
T
no estn correlacionadas. Por eso, un
receptor con portadora desfasada en
4
c
T
, 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.












Fig. 9.2

t
( , )
X
R t
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 .


( ) ( )

d e R f S
f j
X X

=
2
(1.21)


( ) ( ) df e f S R
f j
X X

2
(1.22)

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


( ) ( ) d R S
X X

= 0
(1.23)
Esto a partir de la relacin de Parsevall.


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

( ) ( ) ( )
1
2
par
x t x t x t = + (

(1.24);
( ) ( ) ( )
1
2
impar
x t x t x t = (

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

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

(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 ( ) f S
X
dividindola por su rea bajo la curva, se obtiene
una funcin ( ) f P
X
que tiene un comportamiento similar a una funcin de
densidad de probabilidad.


( )
( )

=
df f S
f S
f P
X
X
X
) ( (1.27)


















Fig. 10
( )
X
P f
( ) 0
X
P f
f
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.


( )
2
2
( )
4
j f
c
X X
A
S f R e d

(1.50)


La TF de una cosenoidal es conocida, luego


( ) ( ) ( ) [ ]
c c
c
X
f f f f
A
f S + + =
4
2
(1.51)










Fig. 11


Fjese que a diferencia de la TF, aqu no se diferencia entre el espectro de
senoidal o cosenoidal.
La potencia promedio de este proceso es
( )
2
0
2
c
X
A
R P = =
(1.52)


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)



f
( )
X
S f
22






















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.
d
T es el tiempo de retraso.


b
T
t
Generador de
sincronismo
TR

RADIOBASE
23


























Fig. 13


La seal ) (
2
t x lleva bits diferentes a ) (
1
t x , 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
b
T .

b
T 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).
1
( )
1
x t
n =
2
( )
2
x t
n =
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
d
T .

Respuesta:
d
T toma valores iguales probables entre 0 y
b
T porque es igualmente
probable que los usuarios estn a una u otra distancia.
















Fig. 14



b. tomando como referencia dos momentos
k
t y
i
t determine para que
distancia entre ellos
i k
t t = se cumple que ( ) 0 =
X
R .


Respuesta: esto ocurrir cuando las variables ( )
k
X t y ( )
i
t X sean
estadsticamente independientes. En el caso de la grafica,
k
t y
i
t estn cerca,
luego, si ocurre que ( ) A t x
k
=
2
es muy probable que ( ) A t x
i
=
2
tambin. En
( )
d
T d
f t
d
t
25
cambios, si
b i k
T t t > esa probabilidad tiende a cero a medida que se elevan los
ensayos. Luego

( ) 0 =
X
R
Para
b
T >



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


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

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

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

( )
2
0 A R
X
=




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

Respuesta: tengamos en cuenta que:

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




Fig. 15


26
e. compruebe la validez de la grafica obtenida en el punto anterior para ( )
X
R ,
resolviendo ( ) ( ) ( )
X
R E X t X t = + (




Respuesta: en el ensayo n=2, se observa que
2 1
P P = si <
b d
T t , o sea que
los puntos 1 y 2 tiene valores iguales de amplitud.

Luego podemos asegurar que:



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


Donde B es el evento <
b d
T t


Es decir, cuando ocurra el evento B, se puede asegurar que ( ) ( )
2
A t X t X
i k
= ,
luego, el promedio de esta multiplicacin es
2
A


( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) B P B t X t X E t X t X E R
i k i k X
/ = =
(1.54)


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

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

En nuestro caso, P(B)es la probabilidad que la variable aleatoria Td tome un valor
entre 0 y
b
T . Esta puede hallarse a partir de ( )
d T
t f
d
de la Fig.14


( ) ( )
b
b
b
T
d
b
T
d
b
T
T
T
t
T
dt
T
B P
b
b

= = = =

1
1 1 1
0
0



27
= ) (
X
R

<
(

b
b
T para
T
A

1
2


(1.56)




f. halle la PSD del proceso ( ) X t













Fig. 16













Fig. 16.1




0, otros
( )
X
R

1
( )
X
S f
1
( )
X
R
1
( )
X
R
1
( )
X
R
f
28















Fig. 17




g. halle potencia promedio de ( ) X t


Respuesta:

( )
2
0 A R P
X
= =



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 ( )
k
t X o de un proceso ( ) t X . 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 .




f
2
b
A T
( )
X
S f
29












Fig. 18

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

( ) ( )dt t x
T
T
T
T
X

=
2
1
Es igual al valor de la media promediada en el tiempo.

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

=
T
T
T
dt t x
T
t x ) (
2
1
lim ) (


( ) T
X
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 ( ) T
X
:

( ) ( ) ( ) ( )
1 1 1
2 2 2
T T T
X X
T T T
E T E x t dt E X t dt t dt
T T T


(
= = = ( (
(









(1.28)
Un intercambio
debido a la
linealidad de las
operaciones
Para un proceso estacionario:
[ ] [ ] ( ) ( )
X X
E T E X t = =
( ) x t
t
( ) x t
M
30

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


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 , ( ) f W
T
en vez
de ( ) T f W , .



Pregunta de control 1: si el proceso no es estacionario, a que equivale
[ ] ) (T E
X
?

Pregunta de control 2: conociendo el procedimiento para hallar la media en un
proceso estacionario a partir del promedio de tiempo ) (T
X
, 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 ( ) T
X
, o sea a partir del promedio de
tiempo ( ) T
X
: es decir
X
se halla como la media de ( ) T
X
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 ( ) [ ] t X E , as se puede hallar ( ) ( ) [ ] + t X t X E 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 ( ) T
X
as tambin la
autocorrelacin


31
( )
1
, ( ) ( )
2
T
X
T
R T x t x t dt
T

= +
(1.29)


Es como el promedio de tiempo de ( ) ,
1
t x , donde ( ) ( ) ( ) t x t x t x + = ,
1
para todos
los valores de .


Hiptesis: la funcin de autocorrelacin en un proceso estacionario es la curva
media de las ( ) T R
X
, para cada ensayo. Como tambin la correlacin cruzada
promediada en el tiempo entre 2 procesos ( ) X t , ( ) Y t .

( )
1
, ( ) ( )
2
XY
R t x t y t dt
T

= +
(1.30)

Y

( )
1
, ( ) ( )
2
YX
R t y t x t dt
T

= +
(1.31)

OJO: ( ) T R
X
, 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 X
T
T

=

b) ( ) limvar 0
X
T
T

= (

momento central de orden 2
2 2
( ( ) )
X X X
E T ( =

es decir
que ) (T
X
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 ,
X X
T
R T R

=
32

( ) limvar , 0
X
T
R T

= (

Quiere decir que la media no vara de un funcin muestra a
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:

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


=
=





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 ( ) <

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

Ya se haba dicho que la funcin de autocorrelacin de un proceso estacionario
ergdico se puede obtener como un promedio de tiempo:

( ) ( ) ( )
1
lim
2
T
X
T
T
R x t x t dt
T

= +
(1.33)


Tambin se sabe que la TF de ( )
X
R es la misma TF en magnitud al cuadrado del
segmento de ( ) X t dividida en
T 2
1
.
33

( ) ( )

=

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

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
en una variable aleatoria, es decir, no es un valor fijo. En otras palabras
2
) , ( T f X
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.



( ) ( )
2 1
lim ,
2
X
T
S f E X f T
T

(
=

(1.35)


Si hay N funciones muestra, ( ) T f X , aparece N veces. La PSD ( ) f S
X
es el
promedio de esas ( ) T f X , al cuadrado.


Segn Couch en su anlisis determinstico dice que

( )
( )
2
,
lim
2
X
T
X f T
S f
T

| |
|
=
|
\
(1.36)

Ver pagina 62 frmula (2-66) de Couch.

Esta ltima definicin slo es vlida para una onda determinstica como se ver en
la siguiente pgina. Esto es debido a que la ( )
2
, X f T vara entre funcin muestra
y funcin muestra (aunque el proceso sea ergdico), mientras que la ( )
X
S 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: ) (
2
t x X
RMS
= (1.37)

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

Potencia promedio normalizada: ( ) t x P
2
= , 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 :

( ) ( )
2 2
1 1
lim lim
2 2
T
T T
T
T
P x t dt x t dt
T T

= =
(1.39)

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


( )
2
1
lim ,
2
T
P X f df
T

=
(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.


( )df f S P
X

=
(1.41)

35
De aqu se deduce que ( ) ( )
2 1
lim ,
2
X
T
S f X f T
T

= (1.42)

La autocorrelacin:
( ) ( ) ( ) ( ) ( )
1
lim
2
T
X
T
T
R x t x t 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:



( ) ( ) ( )

= = = = 0
2
2
X X RMS
R df f S X t x P
(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

( )
( )
2
2
2
1
2
X
X
x
X
X
f x e

=
(2.1)










x
Fig. 1


Un caso especial ocurre cuando 0 =
X
,
2
1
X
= y se describe como N(0,1)

( ) ( )
2
2
2
1
1 , 0
x
X X
e N x f

= =

(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
( )
X
f x
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.

( )
2
0
N
f S
W
= ,
e
KT N =
0

23
10 * 18 , 3

= K Joules, constante de Boltzmann

e
T 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
e
T .De esta
manera
0
N 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:







Fig. 4

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

Si se conoce
( ) ( ) ( ) ( ) ( ) ( )

= = d t h t h t t t
X X Y X
*
. Si ( ) X t es
estacionario
( ) ( )

= = 0 H d h
X X Y



Conociendo
( ) ( ) ( ) ( ) ( )

+ = dv d v R v h h R R
X Y X




La potencia promedio normalizada de ( ) Y t :

( ) ( ) ( ) ( ) ( ) ( )
2
2
1 2 1 2 1 2 Y X X
P E Y t H f S f df h h R d d


( = = =




O sea,

( )
0 Y
R

=


La PSD para ( ) Y t


( ) ( ) ( ) f S f H f S
X Y
2
=



h(t)
LIT
X(t) Y(t)
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
expresiones sencillas como ( )
2
0
N
f S
W
= , ( ) ( )
2
0
N
t R
W
= .


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


( )
W
S f

( ) w t ( ) n t




o c
f f =




( )
N
S 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 ( ) t n
corresponde a una seal banda base que fue desplazada a la frecuencia fc. El
2
BPF
W B =
41
fenmeno mas general que puede concluir a este resultado es que una seal ( ) t n
I

halla sido mezclada con ) 2 cos( t f
c
y una ( ) t n
Q
con ) 2 ( t f sen
c
como sucede en QAM

Primera representacin cannica




(2 )
c
cos f t





(2 )
c
sen f t

Fig. 6


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





2 (2 )
c
cos f t




2 (2 )
c
sen f 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 ) 2 ( ) ( ) 2 cos( ) ( ) ( t f sen t n t f t n t n
c Q c I
+ = conociendo la identidad
trigonomtrica: ) cos( cos + = + D Bsen A , donde
2 2
B A D + = y

1
tan

=
42

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





Fig. 8


Si ( ) t n
I
viaja en una portadora y ( ) t n
Q
en su cuadratura, eso equivale a que la
seal r(t) viaja en la portadora )) ( 2 cos( t t f
c
+


) ( ) ( ) (
2 2
t n t n t r
Q I
+ =



( )
( )
( ) t n
t n
t
I
Q 1
tan

=
( ) t r Envolvente del ruido pasa bandas
( ) t Fase del ruido pasa bandas

Es un proceso aleatorio: ( ) t n
I
, ( ) t n
Q
, ( ) t r , ( ) t son funciones muestra que
resultan de su ensayo. Estas funciones son del tipo Banda Base




Fig.9

43
Una pregunta lgica es: si ( ) t n tena ( ) f S
N
como ser la PSD de ( ) t n
I
, ( ) t n
Q
?

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











Fig. 12
2 (2 )
c
cos f t
2 (2 )
c
sen f t
44



Fig. 13

2
2
( ) (2 ) 2 (2 )
2
C c c
R cos f cos f = =


( ) ?
1
= f Sv

Fig. 14



Ya que ( ) t N y ( ) t V
1
son procesos estadsticamente independientes


1
( ) ( ) ( )
v v C
R R R = ( ) ( ) ( )
1
v N C
S f S f S f =



Fig. 15


Esto tambin puede probarse usando el concepto de potencia promedio

( )
0
0
2 2 2 0
2
n N
N
P B N B R = = = , ( ) 2 (2 )
C c
R cos f = , ( ) 0 2
C C
R P = =
45
Como ( ) t N , ( ) t C , son estadsticamente independientes
1
( ) ( ) ( )
v N C
R R R =

( ) ( )
1
0
0 0 4
v N C
P R R N B = , luego la PSD ( )
1
v
S 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
( ) (2 )
c C
X t A Cos f t = +
La
2
( ) cos(2 )
2
c
X c
A
R f = ( )
2
0
2
c
X X
A
P R = = veamos la PSD
Adems, la misma definicin lo dice
( )

= df f S P
X X
46



DSB-SC AM-FC FM
Transmisor

Transmisor

Transmisor

Potencia promedio de la seal aportada
por el transmisor
( ) ( ) ( ) t c t m t s =
( ) ( ) t c t m , son estadsticas independientes
( ) ( ) ( )
c M s
R R R
Donde ( ) ( )
2
cos 2
2
c
C c
A
R t f t =
( ) ( )
2 2
0 0
2 2
c c
s s M m
A A
P R R P = = =
( ) ( ) [ ] = + + = ) 2 cos( 1 t f t m K A t s
c a c

( ) ( ) ( ) t c t m K t c
a
+ =
Por analoga con DSB
( ) ( ) ( ) ( )
c M c s
R R Ka R R
2
+ =

2 2
2 2 2
c m a c
s
A P K A
P + =
( )
m a
c
s
P K
A
P
2
2
1
2
+ =
( ) ( )
|
|

\
|
+ + =

t
f c c
dt t m K t f A t s
0
2 2 cos
2
2
c
s
A
P =
, la potencia promedio no depende
del mensaje
W N
P A
SNR
m c
c
0
2
2

( )
W N
P K A
SNR
m a c
c
0
2 2
2
1+

W N
Ac
SNR
c
0
2
2

Seal que entra al demodulador
( ) ( ) ( ) t n fct t m A t x
c
+ = 2 cos
Donde ( ) ( ) ( ) t f sen t n fct t n t n
c Q I
2 2 cos ) ( =

( ) ( ) ( ) [ ] ( ) fct sen t n fct t n t m A t x

Q I c
2 2 cos + =

INQUIETUD: debera incluirse tanto en

( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) [ ] ( ) ( ) ( ) t c t n t c t n t m K
t c t n t c t n t c t m K t c
t x
Q Q I a
Q Q I a
+ + + =
+ +
=
1
) (

( ) ( ) ( ) ( )
( ) ( ) ( ) [ ] t fct t r dt t m K fct A
fct sen t n fct t n dt t m K fct A t x
t
f c
I Q
t
f c


+ +
(

+ =
+
(

+ =

2 cos 2 2 cos
2 2 cos 2 2 cos
0
0
d
onde
( ) ( ) ( )
( ) ( ) ( ) t n t n t
t n t n t r
I Q
Q I
1
2
tan

=
+ =

TABLA 1
47
DSB-SC AM-FC FM

la portadora de ( ) t m como de ( ) t n
I
y ( )? t n
Q

RTA: si, es el mismo , pues la idea es que
( ) t n sea una versin de ruido banda base
modulada con ( ) t c .
Inquietud: ( ) t n
I
depende de
c
A ?
RTA: No es que ( ) t c modula ( ) t n , sino que
( ) t n resulta desplazada hacia f
c
, luego la
amplitud de portadora=1
La seal: hallar una expresin para ( ) t y de
la forma ( ) ( ) ( ) t y t y t y
n s
+ = donde ( ) t y
s
es la
componente til para obtener ( ) t m , ( ) t y
n
es
la componente de ruido.

( ) ( )
( ) ( ) ( )
2
cos(2 )
cos (2 ) cos(2 ) (2 )
c
c I c Q c c
v t x t f t
A m t n t f t n t f t sen f t

= =
= + (


Luego del LPF se obtiene ( ) t y
( ) ( ) ( ) [ ] t n t m A t y
I c
+ =
2
1

( ) ( ) t m A t y
c s
2
1
=
( ) ( ) t n t y
I n
2
1
=
m
c
y
p
A
p
s
4
2
= ,
2
2
4
1 W N
W N p
o
o y
n
= =

( ) ( ) ( ) ( ) 1 cos(2 ) (2 )
c a I c Q c
X t A K m t n t f t n t sen f t = + + (






( ) ( ) ( ) { } ( ) 2
2
1
c a I
Q
y t A K m t n t n t = + + + (



En el diagrama fasorial se nota que si
el ruido es pequeo comparado con la
seal, entonces ( ) t n
Q
casi no influye
en la magnitud de la envolvente

( ) ( )
s c a
y t A K m t =
( ) ( ) t n t y
I n
=
Potencia promedio de ) (t y
n
:
W N B N f S p
o T o N y
I n
2
4
1
4
1
) (
4
1
= = =

o
m a c
y
y
o
WN
p k A
p
p
SNR
n
s
2
2 2
= =
o
a
c
SNR
k
SNR
= =

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

)) ( 2 cos( ) ( )) ( 2 cos( t f t r t t f A
c c c
+ + + =
( ) ( ) ( ) cos 2 cos
c r c r
A fct t t A t + + = ( (


( )
( )
dt
t d
t y
y

2
1
= , pero ( ) t
r
no se conoce.
Si ( ) 0 = t n


( ) ( ) cos 2
s c c
X t A f t t = + (



( ) ( ) t m K t y
f s
=

Si ( ) 0 = t m

( ) ( ) ( ) ( ) cos 2 cos 2
n c c c
X t A f t r t f t t + + (


Si el ruido tiene mucho menor potencia que
la seal el diagrama fasoriales




48
o
m c
o
WN
P A
SNR
2
2
=


Pm
A
P
c
s
y
4
2
= ,
0
1
2
4 2
yn o
N W
P N W = =


2 2
0
0
2
c m
A P
SNR
WN
=

1 =

Potencia promedio de ( ) t y
n


( )
( ) ( ) f S f S
W N B N f S P
NQ NI
T N yn
=
= = = =

2
4
1
4
1
4
1
0 0 1




2 2
0
0
2
ys
c a m
yn
P
A K P
SNR
P WN
= =

2
0
2
1
a m
c a m
SNR K P
SNR K P
= =
+

( )
( ) ( )
( ) ( )
( ) ( ) ( )
1
( ) ( )
tan
cos( )
Q
r
c c c
n t r t sen t r t sen t
t
A r t t A A

=
+

( )
( )
( )
( ) t n
A dt
t dn
A dt
t d
t y
d
c
Q
c
r
n

2
1
2
1
2
1
= = ,
Donde ( )
( )
dt
t dn
t n
Q
d
=

( ) ( ) t n
A
t y
d
c
n
2
1
=
Otra manera quizs mas sencilla es:

( ) ( ) ( ) ( ) ( ) cos 2 2
n c I c Q c
X t A n t f t n t sen f t = + (


( )
( )
( )
( )
c
Q
I c
Q
r
A
t n
t n A
t n
t =
+
=
1
tan
? =
n
y
P se sabe que ( ) ( ) t n
A
t y
d
c
n
2
1
=
Donde ( )
( )
dt
t dn
t n
Q
d
=






49







( ) ( ) ( ) otros W f para f S
A
f
A
jf
f S t S
NQ
c
c
Q yn
, 0
2
2
2
< = =


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

50






( )

< = W f df N
A
f
f S
c
yn
, .
0
2
2
u otros

2
3
0 2 0
3
2
c
W
W c
n
y
A
W N
df f
A
N
P = =

2 2
0 3
0
3
2
f m c
K P A
SNR
N W
=


2
2
3
f m
K P
W
=




51
ANALISIS DETERMINISTICO:

La potencia en las ondas de modulacin angular

Conocemos la formula de la potencia.

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

Hallemos la potencia instantnea
t
P de una seal FM

( ) ( ) ( )
cos 2
c
S t V fct t = +

( )
watt
R
t S
P
t
2
=



( )
( )
2 2
2
1 1
2 2
2 2
c c
c
t c
V cos W t t
V
P cos W t t
R R

+ (
(

= = + + (
(



[ ]
2
cos ( ) 1 cos(2 )
2
n
a = +

Potencia promedio de la onda modulada

watt
R
V
R
V
P
c c
2 2
1
2 2
= =
(2.5)

Potencia instantnea de la portadora sin modular ( ) (2 )
c c
c t V cos f t =

( ) ( )
[ ]
2 2 2 2
2
1
( ) 1 cos(4 )
2
c c c
C c
C t V cos f t V
P t f t
R R R

= = = +
(2.6)


Potencia promedio de la portadora sin modular

2
2
c
C
V
P watt
R
= (2.7)

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 ( ) t c , 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
( ) ( ) ( ) cos(2 ) cos[2 ] cos[2 ]
2 2
c c
c c c m c m
A A
S t A f t f f t f f t

+ +
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
( )

= 1
2
2
Ac
A
A
c
c
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, ) ( ) ( t Sen t X = y sello t t X 2 ) ( =

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



2. Dado un proceso ) (t X con incrementos ortogonales y dado que 0 ) 0 ( = X ,
demuestre que
a. ) , ( ) , (
1 1 2 1
t t R t t R = para )
2 1
t t
b. Si [ ] } ) ( ) ( {
2
2 1
t X t X E =
2 1
t t q , ahora el proceso
[ ] / ) ( ) ( ) ( t X t X t Y + = es estacionario y su funcin de auto
correlacin es un triangulo con rea q y base 2



3. La entrada a un sistema LTI
5 2
1
) (
2
+ +
=
s s
s H es un proceso estocstico
estacionario ) (t X con [ ] 10 ) (
2
= t X E . Hallar ) (w S
X
tal que la potencia
promedio [ ] ) (
2
t Y E de la salida resultante ) (t Y sea mxima

Nota: Haga ) ( j H 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, [ ] A t X E 3 ) (
2
= , 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.