Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo Vi
Capitulo Vi
6.1.-INTRODUCCION
Hasta ahora se han estudiado las señales determinísticas discretas y continuas; estas
señales son aquellas que pueden definirse perfectamente para todo t. Sin embargo,
la teoría de las comunicaciones presenta como elemento fundamental la
aleatoreidad ya que el mensaje no se conoce de antemano o lo que es lo mismo no es
determinístico. Adicionalmente existen perturbaciones aleatorias en las
transmisiones que se conocen como "ruido". En cualquiera de los dos casos es
necesario conseguir un modelo matemático que permita representar estos
fenómenos con el fin de analizar su comportamiento frente a los sistemas de
comunicaciones.
6.2.-REPASO DE PROBABILIDADES
P( A1 ó A2 ) = P( A1) + P( A2)
Un ejemplo de esto sería el lanzamiento de un dado; las seis salidas posibles son
eventos mutuamente excluyentes. Existen otros casos que corresponden a eventos
no excluyentes; un ejemplo podría verse en el siguiente conjunto de interruptores:
P ( S1 cerrado ó S2 cerrado)
Pero en este caso por no ser estos eventos mutuamente excluyentes, hay que restar
la probabilidad de que ocurran juntos ; es decir:
P( A1 ó A2 ) = P( A1) + P( A2) - P( A1 y A2 )
Ejemplos:
1.- En una caja se tienen dos monedas: La moneda 1 tiene 2 sellos y la moneda 2
tiene cara y sello con P(cara) = 1/3 y P(sello) = 2/3.
Se saca una moneda se lanza 1 vez y sale sello, ¿cuál es la probabilidad de que si se
vuelve a lanzar salga de nuevo
sello?
Cuando se tienen experimentos cuyas salidas son números reales, a la regla que
asigna un número a cada salida del experimento se le llama variable aleatoria
(v.a). Las variables aleatorias se clasifican en :
F(x) = P [X≤x]
1º. 0 ≤ F(x) ≤ 1
5º. F(∞) =1
Cuando se tiene una señal determinística, se puede definir una función que la
caracterice para todo tiempo. Sin embargo, si dicha señal representa, por
ejemplo, el voltaje en un punto de una red, en la práctica se prefiere tener otro
tipo de información más manejable como por ejemplo la potencia promedio.
Del mismo modo para señales aleatorias, en vez de trabajar con las funciones
probabilísticas, muchas veces se utilizan datos más prácticos conocidos como
promedios estadísticos. Estos parámetros serán muy útiles porque, en muchos
casos, tendrán relación con los parámetros eléctricos de las señales aleatorias
de interés.
1.- E(constante)=constante
3.- E(x+y)=E(x)+E(y)
Además de la media, existen otros promedios estadísticos como por ejemplo el
momento n-ésimo de una v.a que se define como:
Ejemplo:
a) El fabricante A produce N/2 bombillos que duran 500 horas y N/2 que duran
1.500.
a. Fábrica A:
b) Fábrica B:
Esto indica que los productos de la fábrica B son mejores, ya que la varianza es
menor que en el caso A.
1º Varianza [constante] = 0
Ejemplos:
Solución:
E[X] = 0.5(b+a)
Su varianza resulta:
Donde:
m es la media de la distribución,
σ2 es la varianza y
σ la desviación estandar
Cuando queremos determinar valores de probabilidad sobre una v.a. con esta
distribución se necesita calcular:
Determine P [x ≥ 13]
Ejemplo: Se tiene una v.a. gaussiana con media igual a 10 y varianza unitaria.
Determine P[4≤ x ≤ 13].
m - k1σ = 4 = 10 - k1 => k1 = 6
m + k2 σ = 13 = 10 + k2 => k2 = 3
Solución:
6.6.4.- Distribución binomial:
Ejemplo:
1º Una moneda normal se lanza 10 veces ¿cuál es la probabilidad de que
salgan 4 caras?
Ejemplo:
6.8.- ESTACIONARIDAD
p x ( t 1) x ( t 2) .........x ( t n) ( x ( t 1) , x ( t 2) , ........, x ( t n) )
a) Rx(0) = E [ x2(t) ]
b) Rx(τ) = Rx( - τ)
c) | Rx(τ) | ≤ Rx( 0 )
d) La graficación de Rx(τ) puede darnos información sobre el
comportamiento temporal del proceso.
Por ejemplo :
Si se tienen las siguientes funciones de autocorrelación para dos
procesos diferentes X1 y X2 :
Ejemplo 3: Se tiene una señal telegráfica que puede tomar solo los valores A
y -A y tiene igual probabilidad de cambiar de uno a otro en cualquier
instante. Si n = Número promedio de cambios por unidad de tiempo,
determine la autocorrelación de este proceso.
Una señal típica podría ser:
Por lo tanto:
− ντ − ντ − 2 ντ
2 2 2
Rx( τ) = A e Coshντ - A e Senhντ = A e
−2 ν τ
2
Rx( τ) = A e
2 2
E[ x ] = x = Pot enci a pr omedi o t ot al de x(t )
2 2
E [x ] = x = Pot enci a D.C de x(t )
2 2 2
σ x = E [x ] - E [x ] = Pot enci a pr omedi o A.C de x(t )
σ x = Vol t aj e R.M.S de x(t )
X T (f ) 2 = XT * (f )XT (f ) =
∫
−T/2
x(t1 )e jωt1dt1
∫
−T/2
x(t 2 )e− jωt 2 dt2
T T T
∫ ∫ ∫
1 τ
limT→ ∞ Φ (τ )(T − τ )dτ = limT→ ∞ Φ (τ )(1 − )dτ = Φ (τ )dτ
T T
−T −T −T
Finalmente , y recordando la definición de F(t), tendremos:
F { Rx(τ) } = Gx (f) = Densidad Espectral de Potencia
Ejemplos:
1º Un proceso ergódico tiene la siguiente función de autocorrelación:
−2 ν τ
2
Rx( τ) = A e
Determine: La densidad espectral de potencia del proceso, la potencia
promedio total, la potencia A.C, la potencia D.C y el voltaje R.M.S.
2
4ν A
Gx(f ) =
2 2
4ν +ω
b) La potencia DC es nula ya que en f=0 no existe una delta de Dirac.
c) La potencia AC en este caso es igual a la potencia total, ya que la
potencia DC es nula. Al evaluar la autocorrelación en cero , tendremos el
valor de la potencia total. También daría el mismo resultado integrar la
densidad espectral de potencia entre menos infinito e infinito.
Potencia total = Potencia AC = Rx(0) = A2.
d) El voltaje R.M.S es igual a la raíz de la potencia AC.
Es decir, VR.M.S = A.
1
Gx(f ) =
2
4 +ω
Determine la probabilidad de que el proceso tome valores entre 0.5 y 1.
Solución:
Si la f.d.p es gaussiana, solo hace falta conocer su media y desviación
standard para poder calcular la probabilidad exigida. La media es cero por
no existir delta de Dirac en el origen. La desviación standard es la raíz de la
potencia AC que en este caso es la potencia total . Por lo tanto basta integrar
la densidad espectral en todo el intervalo de existencia o evaluar la
autocorrelación en cero y, en cualquiera de los casos, luego tomar la raíz.
−2 τ
1
Rx( τ) = e
4
La autocorrrelación en cero es igual a la varianza (porque la media vale
cero). En este caso entonces s= 0.5, m=0.
Así, P [ 0.5 < x < 1 ]= Q(k0.5) -Q( k1 ).
m + k0.5 s = 0.5 esto implica k0.5 = 1
m + k1 s = 1 esto implica k1 = 2
P [ 0.5 < x < 1 ] = Q(1) -Q(2).
R z (τ ) = R x (τ )0.5 A 2 Cosω 0τ
G z ( f ) = 0.25 A 2 (G x ( f - f 0 ) + G x ( f + f 0 ))
En este caso podemos aplicar el resultado obtenido anteriormente,
recordando que la autocorrelación de Acos(ω0t +Φ) es igual a
0.5A2cos(ω0τ).
Esto pudo hacerse porque se asumió que los procesos x(t) y w(t) son
ergodicos. Si alguna de los dos tiene media nula el resultado se simplifica:
R n (τ) = R n̂ (τ)
6.10.- RUIDO
Se conoce como ruido a toda perturbación inevitable sobre la señal que se desea
transmitir y cuyas causas pueden ser externas ( ruido atmosférico, solar , de
encendidos, de máquinas, etc.) o internas. Estas últimas se deben a fluctuaciones
espontáneas de corriente o voltaje y entre ellas se destacan el ruido de disparo y el
ruido térmico. El ruido de disparo se debe al movimiento de partículas a través de
un gradiente de potencial. Por ejemplo, en los semiconductores, este se debe a la
difusión aleatoria de los portadores minoritarios y a la recombinación de huecos y
electrones. Este ruido es gausseano y con media nula. El ruido térmico se debe al
movimiento aleatorio de los electrones dentro de un conductor. También se le llama
ruido resistivo o ruido Johnson, debido a que su primer análisis fué realizado por
Johnson y Nyquist sobre resistores. De estos estudios surgen las siguientes
características:
donde :
T = Temperatura en °K
A temperatura ambiente ( T0 = 290 °K ), hf/kT0 < 0.1 para f < 500 GHz, es decir,
para efectos prácticos, Gv(f) es constante para todo el rango de frecuencias de
interés y aproximadamente igual a 2RkT. Esta aproximación tiene el inconveniente
de que la potencia resulta infinita, sin embargo esto se resuelve al recordar que
cualquier sistema real tiene ancho de banda finito que limita el valor de la potencia
promedio total.
d) El modelo Norton puede deducirse del anterior ya que v2= (Ri)2 mientras que
Gi(f)= Gv(f)/ R2 = 2kTG. Así:
Ejemplo:
g) Cuando se tienen dos fuentes de ruido independientes alimentando a un sistema
lineal, si al menos una de las dos señales tiene media nula, el espectro de potencia a
la salida será la suma de los espectros de cada una de las fuentes por separado.
Demostración:
Cuando la entrada es f1(t) + f2(t), la salida y(t)= y1(t) + y2(t). Calculemos Ry(τ).
Además del ruido térmico, existen otras fuentes de ruido que pueden
modelarse como blanco, por ejemplo: el ruido cósmico, el ruido solar, etc. La
densidad espectral G(f) se define como:
Cuando el ruido blanco pasa a través de una red L.T.I , con función de
transferencia H(f), la densidad espectral a la salida viene dada por:
Go(f)= (η/ 2 ) | H(f) |2
Cuando ruido blanco pasa a través de una red con función transferencia H(f), la
potencia de ruido de salida se calcula como:
Definamos
En ese caso: N0= η BN| H(f) |2 max. Es decir, se busca un filtro ideal
con ancho de banda (hacia f positivo) igual a BN , con ganancia de
voltaje igual a | H(f) | max y que deje pasar la misma cantidad de
potencia que el filtro real.
Para ver el efecto del ruido se utiliza la relación señal a ruido ya que el
conocimiento de las características del ruido sin saber las de la señal, no
produce mayor información: No es lo mismo hablar de un ruido con VRMS en
el orden de los milivoltios en un sistema de potencia de alto voltaje, que en una
aplicación en medicina donde las señales tienen órdenes de magnitud similares
(mv). Así:
ND = m . η . L1 .W.
Finalmente
Además del ruido resistivo, los sistemas lineales como por ejemplo las líneas
de transmisión, los amplificadores, etc. también contaminan la señal que se
desea transmitir. Es por ello necesario cuantificar a través de alguna cifra de
mérito cuanto ruido aporta el dispositivo. Las cifras más usadas son: la figura
de ruido y la temperatura efectiva de ruido.
Ejercicio:
Solución:
6.16. -DISTORSION
-Distorsión no-lineal
siendo x(t) la señal de entrada. Para un sistema lineal esto sería lo mismo que
decir que la función transferencia o respuesta en frecuencia del sistema vendría
dada por:
Distorsión no-lineal:
En ese caso aún siendo la señal x(t) de ancho de banda finito, la salida
no solo perderá semejanza con la entrada sino que ocupará un ancho
de banda mayor. Si existieran canales adyacentes, aparecerá
interferencia en los mismos.
En la práctica , por ejemplo, los amplificadores producen distorsión no-lineal y
si se alimentaran con un tono puro, x(t) = A Cos(ω0t+F), la salida y(t) tendría
la siguiente forma:
k (1+m1(t))2Senω2t
Retardo de grupo:
Para un tono puro, se define el retardo de fase rp(ω) como:
Para una señal modulada, como tiene gran cantidad de frecuencias, ya esta
relación no se cumple. En general algunas componentes viajarán más lento que
otras, con una regla no lineal, y esto producirá distorsión. En estos casos se
habla del retardo de grupo definido como:
Las componentes del retardo de grupo se relacionan con los siguientes tipos de
distorsión: