SEÑALES

ALEATORIAS
Curso: Telecomunicaciones II
Dr. Alex Cartagena Gordillo
Señales Determinísticas y Aleatorias
oEn una señal determinística no hay incertidumbre de su valor en
cualquier momento
a. Se modelan con expresiones matemáticas explícitas 𝑥 𝑡 = 5cos(10𝑡)
oEn una señal aleatoria hay un grado de incertidumbre antes que la
señal efectivamente ocurra
a. No es posible escribir una expresión explícita
b. Sin embargo, observada sobre un tiempo largo, una forma aleatoria,
también llamada PROCESO ALEATORIO, puede exhibir ciertas regularidades
que se pueden describir en términos de promedios de probabilidad y
estadística.
c. Es útil para caracterizar señales y ruido en sistemas de comunicación
Señales Aleatorias
oEl objetivo de un sistema de comunicaciones es la transferencia de
información a través del canal
oUna señal de mensaje parece ser aleatoria
oEl ruido que acompaña a la señal de mensaje se debe a señales
eléctricas aleatorias
oEs necesario ser capaz de describir eficientemente a las señales
aleatorias
Variables Aleatorias
oSea una variable aleatoria X(A) representa la relación funcional entre
un evento aleatorio A y un número real
oAsumimos que la dependencia de A es implícita y solo denotar por X
a. La variable aleatoria puede ser discreta o continua
oLa función de distribución𝐹𝑋 𝑥 de la variable aleatoria X está dado
por
𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 1
donde 𝑃 𝑋 ≤ 𝑥 es la probabilidad que el valor tomado por la variable
aleatoria X es menor o igual que el número real x.
Variables Aleatorias
oPropiedades de la función de distribución 𝐹𝑋 𝑥

oLa función de distribución de probabilidad (pdf), se denota por

𝑑𝐹𝑋 (𝑥)
𝑝𝑋 𝑥 = (2)
𝑑𝑥
Variables Aleatorias
oEl pdf es una función del número real x

oEl nombre “función de densidad” viene del hecho que la probabilidad

de un evento 𝑥1 ≤ 𝑋 ≤ 𝑥2 es igual a
𝑃 𝑥1 ≤ 𝑋 ≤ 𝑥2 = 𝑃 𝑋 ≤ 𝑥2 − 𝑃 𝑋 ≤ 𝑥1
= 𝐹𝑋 𝑥2 − 𝐹𝑋 𝑥1 3
Variables Aleatorias
oLa función de densidad de probabilidad tiene las siguientes
propiedades
Promedios de Ensamble
oEl valor medio 𝑚𝑋 , o valor esperado de una variable aleatoria X es

(4)

donde E{ˑ} se llama operador de valor esperado

oEl momento n-avo de una distribución de probabilidad de una
variable aleatoria X se define por
(5)
Promedios de Ensamble
oEn análisis de sistemas de comunicación, los 2 primeros momentos
son importantes
oPara n=1, obtenemos 𝑚𝑋
oPara n=2, obtenemos el valor cuadrático medio de X
(6)

oTambién se pueden definir momentos centrales

oEl segundo momento central se llama varianza y se define como
(7)
Promedios de Ensamble
oLa varianza de X se denota por 𝜎𝑋2 , y su raíz cuadrada, 𝜎𝑋 , se llama
desviación estándar de X
oLa varianza es un medida de la “aleatoriedad” de la variable aleatoria X
oLa varianza y el valor cuadrático medio están relacionados por

Entonces, la varianza es igual a la diferencia entre el valor cuadrático

medio y el cuadrado de la media
Procesos Estocásticos
oUn proceso estocástico X(A,t) se pueden ver como una función de dos
variables: un evento A y el tiempo.
Procesos Estocásticos
oEn la figura hay N muestras funciones del tiempo {Xj(t)}
oCada muestra se puede tomar como la salida de un generador de
ruido diferente
oPara un evento específico Aj tenemos una función de un tiempo
simple 𝑋 𝐴𝑗 , 𝑡 = 𝑋𝑗 (𝑡)
oLa totalidad de todas las muestras se llama ensamble
oPara un tiempo específico 𝑡𝑘 , 𝑋 𝐴, 𝑡𝑘 es una variable aleatoria ,
𝑋 𝑡𝑘 cuyo valor depende del evento.
oPara un evento específico, 𝐴 = 𝐴𝑗 y un tiempo específico 𝑡 = 𝑡𝑘 ,
𝑋 𝐴𝑗 , 𝑡𝑘 es simplemente un número
Promedios Estadísticos de un Proceso
Aleatorio
oDebido a que el valor de un proceso estocástico en un futuro es
desconocido, un proceso estocástico cuya función de distribución es
continua puede ser descrito estadísticamente con una función de
densidad de probabilidad (pdf)
oFrecuentemente, una descripción parcial consistente de la media y
función de autocorrelación son adecuadas para los sistemas de
comunicación
oLa media de un proceso estocástico X(t) se define como
(8)
Promedios Estadísticos de un Proceso
Aleatorio
donde 𝑋 𝑡𝑘 es la variable aleatoria obtenida observando el proceso
aleatorio en el tiempo 𝑡𝑘 y el pdf de 𝑋 𝑡𝑘 , la densidad en el ensamble
de eventos en el tiempo 𝑡𝑘 , es designado como 𝑝𝑋𝑘 (𝑥)
oDefinimos la función de autocorrelación de un proceso estocástico
X(t) que es función de 2 variables 𝑡1 y 𝑡2 , dado por
(9)
donde 𝑋 𝑡1 y 𝑋 𝑡2 son variables aleatorias obtenidas observando
X(t) en tiempos 𝑡1 y 𝑡2 respectivamente
oLa función de autocorrelación es una medida del grado en que dos
muestras de 2 tiempos del mismo proceso estocástico están
relacionados
Estacionariedad
oUn proceso estocástico X(t) es estacionario en sentido estricto si
ninguno de sus estadísticos es afectado por un desplazamiento en el
origen del tiempo.
oUn proceso estocástico es estacionario en sentido amplio (WSS) si dos
de sus estadísticos, su media y función de autocorrelación, no varían
con n desplazamiento del origen del tiempo.
a. Esto significa que

a. y también
Autocorrelación de un Proceso Estocástico
Estacionario en el Sentido Amplio
oSimilar al caso que la varianza provee una medida de aleatoriedad en
variables aleatorias, la función de autocorrelación provee una medida
similar para los procesos estocásticos
oPara un proceso WSS, la función de autocorrelación es solo una
función de la diferencia de tiempos 𝜏 = 𝑡1 − 𝑡2 , así

oPara un proceso WSS de media cero indica el grado en el que valores

estocásticos del proceso separadas por 𝜏 segundos en tiempo están
estadísticamente correlacionados
Autocorrelación de un Proceso Estocástico
Estacionario en el Sentido Amplio
oPropiedades de la función de autocorrelación de procesos WSS reales
1. 𝑅𝑋 𝜏 = 𝑅𝑋 −𝜏 simetría de 𝜏 alrededor de cero
2. 𝑅𝑋 𝜏 ≤ 𝑅𝑋 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝜏 el máximo valore está en el origen
3. 𝑅𝑋 𝜏 ↔ 𝐺𝑋 𝑓 autocorrelación y densidad espectral de
potencia un par de transformada de Fourier
4. 𝑅𝑋 0 = 𝐸 𝑋 2 (𝑡 } el valor en el origen es igual a la potencia
promedio de la señal
Ergodicidad
oEn un proceso ergódico el promedio temporal es igual a su promedio
de ensambel y las propiedades estadísticas del proceso pueden ser
determinadas promediando en un sola función del proceso
oUn proceso estocástico es ergódico en la media si

oY es ergódico en la función de autocorrelación si

Ergodicidad
oDebido que los promedios del tiempo son iguales a los promedios de
ensambles para procesos ergódicos, existen las siguientes relaciones
1. 𝑚𝑋 = 𝐸{𝑋(𝑡)} es igual al valor DC de la señal
2. 𝑚𝑋2 es igual a la potencia normalizada de la componente DC
3. El segundo momento de 𝑋(𝑡), 𝐸 𝑋 2 𝑡 , es igual a la potencia
normalizada promedio
4. 𝐸 𝑋 2 𝑡 es igual al valor root-mean-square (rms) del voltaje o
corriente
5. La varianza 𝜎𝑋2 es igual a la potencia normalizada promedio de la
parte variante en el tiempo o componente ac de la señal
Ergodicidad
6. Si el proceso tiene media cero, entonces 𝜎𝑋2 = 𝐸 𝑋 2 y la varianza es
igual a valor medio cuadrático, o la varianza representa la potencia
total en la carga normalizada
7. La desviación estándar 𝜎𝑋 es el valor rms de la componente ac de la
señal
8. Si 𝑚𝑋 = 0, entonces 𝜎𝑋 es el valor rms de la señal
Densidad Espectral de Potencia y
Autocorrelación de Procesos Aleatorios
oUn proceso estocástico se puede clasificar como una señal de
potencia que tiene una densidad espectral de potencia (PSD) 𝐺𝑋 𝑓
es útil porque describe la distribución de la potencia de la señal en el
dominio de la frecuencia
oLas característics de las funciones PSD son:
1. 𝐺𝑋 𝑓 ≥ 0 y siempre tiene valores reales
2. 𝐺𝑋 𝑓 = 𝐺𝑋 −𝑓 para X(t) con valores reales
3. 𝐺𝑋 𝑓 ↔ 𝑅𝑋 𝜏 la PSD y la autocorrelación forman un par de
transfomada de Fourier
∞
4. 𝑃𝑋 = ‫׬‬−∞ 𝐺𝑋 𝑓 𝑑𝑓 relación entre la potencia normalizada
promedio y PSD
El Ruido en Sistemas de Comunicaciones
oRuido son señales no deseadas siempre presentes en sistemas
eléctricos
oSobrepuesta a la señal tienden a oscurecerla o enmarcararla
oLimita la habilidad del receptor de hacer decisiones correctas
oEntonces, limita la tasa de transmisión de información
oEl ruido puede ser producido por el hombre y natural
a. Producido por el hombre puede ser: ignición de motores, transitorios, etc
b. Naturales pueden ser: atmosféricos, el sol y otras galaxias
oUn buen diseño de ingeniería debe eliminar el ruido a través de
filtrado, empantallado, la elección de modulación y la elección de un
lugar de recepción óptimo
El Ruido en Sistemas de Comunicaciones
oEl ruido Térmico o ruido Johnson no puede eliminarse
oEl ruido térmico puede describirse como un proceso estocástico de
media cero y gausiano
oUn ruido gausiano tiend función de densidad de probabilidad

donde 𝜎 2 es la varianza de n
Ruido Blanco
oLa característica espectral primaria del ruido es que su densidad
espectral de potencia es la misma para todas las frecuencias de
interés en la mayoría de los sistemas de comunicaciones
oUn modelo simple para el ruido termal asume que su PSD 𝐺𝑛 𝑓 es
plana para todas las frecuencias y su valor es

donde el facto 2 indica que 𝐺𝑛 𝑓 es una densidad espectral de

potencia de dos-lados.
Ruido Blanco

Figura. (a) Densidad espectral de potencia del ruido. (b) Función del atocorrelación del ruido
Ruido Blanco
oLa función de autocorrelación del ruido blanco está dado por la
transformada de Fourier inversa de la densidad espectral de potencia

oLa función delta indica que el ruido 𝑛(𝑡) está totalmente

incorrelacionado con una versión desplazada, para cualquier 𝜏 > 0

oLa potencia promedio 𝑃𝑛 del ruido blanco es infinito porque su ancho

de banda es infinito