1
Simulando un Canal de Comunicación Binaria
Cortez Yuleidy, Obando Saúl
Universidad de las Fuerzas Armadas ESPE
Departamento de Eléctrica y Electrónica
Sangolquí - Ecuador
smobando@espe.edu.ec, ydcortez@espe.edu.ec
Resumen- En el presente documento se pretende dar a
conocer la utilidad que nos ofrece Matlab para analizar una
comunicación binaria, la cual constará de algunos
parámetros que serán modulados para de esta manera poder
analizar una posibilidad de error en dicha transmisión en un
sistema de 1000 datos.
Índice de términos- parámetros, transmisión, modulación.
I. INTRODUCCIÓN
Un canal simétrico binario es un modelo común de canal
de comunicaciones utilizado en la teoría de codificación e
información. En este modelo, un transmisor desea enviar un
bit (un 0 o un 1), y el receptor necesita recibir un bit. Se
asume que el bit usualmente es transmitido correctamente,
pero que existirá un cambio con una pequeña probabilidad
(la probabilidad de Crossover). Este canal es usado
frecuentemente en la teoría de información porque es uno de
los canales más simples de analizar.
II. OBJETIVOS
A. Objetivo General
 Familiarizar al estudiante con la simulación de sistemas
similares a un canal de comunicación binario en
Matlab.
B. Objetivos Específicos
 Entender la funcionalidad de los diversos comandos
existentes en Matlab para la simulación de sistemas
aleatorios.
 Generar un sistema de comunicación binaria real all
insertar ruido en la transmisión y estimar el valor de un
error en dicho proceso.
III. MATERIALES
 Computador con software Matlab instalado.
IV. DESARROLLO
A. Analizando un Canal de Comunicación ruidoso
En este laboratorio, la meta es simular el canal de
comunicación con ruido del que se discute más adelante.
Para generar ceros y unos aleatorios, debemos crear la
función de Matlab make_Bernoulli_matrix(m, n, p) que
genera una matriz m*n de ceros y unos, donde la
probabilidad de ser 1 para cada elemento de la matriz es
igual a p.
Esta función será utilizada con los parámetros n=1 y p=0.5.
El parámetro m define el número de dígitos transmitidos.
Luego modulamos los bits transmitidos de la siguiente
manera:
Si un 0 es enviado, lo modulamos como -1 y si un 1 es
enviado lo modulamos como +1. Luego multiplicamos los
dígitos modulados como µ. En este punto, generamos una
muestra independiente de una distribución normal estándar,
multiplicamos por σ y luego añadimos al digito modulado
(±µ). Notemos que para cada digito modulado generamos
una muestra diferente para la distribución normal.
Figura 1: Modelo simple de un canal de
comunicación binario
El resultado es la salida de ruido 𝑌 = ±𝜇 + 𝑁. Para
decodificar la transmisión, decimos que un 0 es transmitido
si 𝑌 ≤ 0, y si un 1 es transmitido si 𝑌 > 0. EL sistema
propuesto se muestra en la figura 1.
Desarrollo del programa
Para poder brindar una solución a este ejercicio se realizará
una función principal que te permitirán generar la matriz de
Bernoulli de forma aleatoria de 0 y 1.
Programa 1
function
[Bermatriz]=make_Bernoulli_matrix1(m,n,p
)
x=rand(m,n);
for i=1:size(x,1)
for j=1:size(x,2)
if(x(i,j)<p)
Bermatriz(i,j)=1;
else Bermatriz(i,j)=0;
 2

end
end
end Ejecución del Programa
end >> [PE, SNR] = ejercicio2(50)
Modulación
Ejecución del programa
1
>> [Bermatriz]=make_Bernoulli_matrix1(5,1,0.5) -1
1
Bermatriz = -1
1
1
0
1 PE =
0
1 0.4000
Matriz de Bernouli para 5 valores transmitidos.
SNR =
Para lograr obtener el valor de Y se emplea una segunda
-20
parte del programa donde a cada valor binario de 0 y 1 le
corresponde un valor de modulación de -1 y +1
Despúes de haber ejecutado obtenemos los valores de
respectivamente un valor de media de 5 establecido por parte
modulación un valor estimado para P(E) y SNR.
del programa y desviación de 50.
Programa 2 B. Asignación
function [PE, SNR] = ejercicio2(sigma)
Deducir una fórmula para P(E). Luego desde las
% [PE, SNR] = ejercicio2(50)
simulaciones de Y, experimentalmente estime P(E). Tú
p=0.5;
hiciste esto incrementando un contador de error siempre que
n=1;
Y ≤ 0 para un 1 transmitido y Y > 0 para un 0 transmitido.
m=5;
u=5; Divida el número de errores para el número de
err=0; transmisiones. Estime P(E) para µ=5, m=1000. σ=50, 25, 5,
S=make_Bernoulli_matrix1(m,n,p); 2.5, 0.5, 0.25, 0.05. Sobre grafique el P(E) estimado y el
𝑢2
aux=size(S); exacto vs. 𝑆𝑁𝑅 = 10 log10 2. ¿Qué podemos concluir de
𝜎
for i=1:aux este gráfico?
if(S(i)==1)
x2(i)=1; Desarrollo del Programa
else Para poder realizar la asignación se utiliza el programa
x2(i)=-1; principal [Bermatriz]=make_Bernoulli_matrix1
end
(m,n,p) y [PE, SNR] = ejercicio2
end
(sigma)conjuntamente los valores de estimación
disp('Modulación')
disp(x2') previamente solicitados.
x3=x2'*u; Programa 3
x4=randn(m,n)*sigma;
x5=x3+x4; sigma=[50 25 5 2.5 0.5 0.25 0.05]
for i=1:size(x5) for i=1:size(sigma,2)
if(x5(i)>0) [p(i) SNR(i)]=ejercicio2(sigma(i));
Y(i)=1; end
else p
Y(i)=0; SNR
end plot(SNR,p,'o')
end axis tight
Y=Y'; grid on
for i=1:aux xlabel('SNR')
if(S(i)~=Y(i)) ylabel('P(E)')
err=err+1;
Ejecución Programa
end
end
>> lab5_mod
PE=err/size(S,1);
SNR=10*log10(u^2/sigma^2);
sigma =
end
 3

50.0000 25.0000 5.0000 2.5000 0.5000 0.2500

0.0500 1

0.8

0.6
p=
0.4

0.4790 0.4400 0.1680 0.0280 0 0 0 0.2

P(E)
0

-0.2
SNR =
-0.4

-20.0000 -13.9794 0 6.0206 20.0000 26.0206 -0.6

40.0000
-0.8

Gráfica P(E) estimado vs SNR -1

-20 -10 0 10 20 30 40
SNR

Figura 3: P(E) exacto vs SNR

0.45

0.4 V. PREGUNTAS

0.35
A. Describir los comandos principales disponibles en Matlab
0.3 para la simulación de sistemas aleatorios.
0.25

P(E)

rand(n): devuelve un número, vector o matriz n de

0.2 números aleatorios entre (0,1).
 randn(n): devuelve un número, vector o matriz n de
0.15
números aleatorios distribuidos normalmente.
0.1

0.05 VI. CONCLUSIONES

0
-20 -10 0 10 20 30
SNR
Figura 2: P(E) estimado vs SNR
¿Qué podemos concluir de este gráfico?
Podemos observar que mientras más grande sea el valor de
SNR el valor de su probabilidad de error se aproxima a cero,
es decir mientras más pequeño sea el valor de la varianza en
relación a la media al cuadrado el resultado tiende a cero. De
esta manera existe una variación menor es difícil que se
produzca errores significativos.

40 Por medio de este laboratorio se ha conseguido analizar
un sistema de comunicación binaria en la cual se le ha
insertado ruido para emular un sistema de vida real.
 Siempre que exista un valor de media y desviación
relativamente pequeños es posible que la probabilidad
de que se produzcan errores en su transmisión sean
pequeñas.
 Si existe ruido en la transmisión de la información es
posible que exista una trasmisiones de bis erróneos.
 Mediante la ayuda de Matlab se consiguió simular la
transmisión de una comunicación binaria y estimar la
existencia de errores en la misma.

Gráfica P(E) exacto vs SNR VII. BIBLIOGRAFÍA

 [1] Athanasios Papoulis. Probability, Random Variables

and Stochastic Processes, 4th Edition. McGraw-Hill,
2002.
 [2] Hwei P. Hsu. Schaum's Outline of Theory and
Problems of Probability, Random Variables, and
Random Processes, 2nd Edition. McGraw Hill, ISBN 0-
07-030644-3, 2011.
 [3] https://la.mathworks.com/help/matlab/ref/rand.html?
requestedDomain=true