Señales Aleatorias y Sistemas Lineales

C. Belaustegui Goitia
2 de Abril 2002

Abstract
Algunos problemas resueltos sobre señales aleatorias y sistemas lineales.

1. Filtro Promediador en tiempo continuo

La señal determinística s(t) superpuesta a ruido N (t) ingresa a un filtro integrador o
promediador que calcula el promedio de la señal entrante en un intervalo de duración
T . La salida del filtro es un estimador de la señal s(t):
Z t
1
sb(t) = X(u)du, X(t) = s(t) + N (t) (1.1)
T t−T

La función de autocovarianza del ruido es CN (τ) y su densidad espectral de po-

tencia es SN (ω) = F (CN (τ )). Se quiere obtener el valor medio y varianza (o error
cuadrático medio de estimación) del estimador.
Puesto que E (X(t)) = s(t), el valor medio del estimador es
Z t Z t
1 1
E (b
s(t)) = E (X(u)) du = s(u)du (1.2)
T t−T T t−T

es decir, se tiene un promedio temporal de la señal en el intervalo T . Si la señal es

constante, s(t) = s, entonces E (b
s(t)) = s: el estimador es insesgado.
La varianza es:
õ Z ¶2 !
³ ´ 1 t
2 2
σsb = E (b s(t))) = E
s(t) − E (b N (u)du (1.3)
T t−T

Calcularemos la varianza por dos caminos alternativos.

1.1. Directamente

õ  
Z t ¶2 ! Zt Zt
1 1
E N (u)du = E 2 N (u)N (v)dudv =
T t−T T
t−T t−T
Zt Zt
1
= CN (u − v) dudv
T2
t−T t−T
 Para aprovechar las propiedades de la función de autocorrelación, hacemos el
cambio de variables

τ = u−v
λ = u

El jacobiano de la transformación es 1, y el recinto de integración se transforma

como en la Fig.1.1. Entonces,
Zt Zt
1
σ 2bs = CN (u − v) dudv =
T2
t−T t−T
Z 0 Z τ +T Z T Z t
1 1
= CN (τ ) dτ dλ +CN (τ ) dτ dλ =
T2 −T t−T T2 0 τ +(t−T )
Z 0 Z T
1 1
= (T + τ) CN (τ ) dτ + 2 (T − τ ) CN (τ ) dτ =
T2 −T T 0
Z T
1
= (T − |τ|) CN (τ ) dτ =
T 2 −T
Z µ ¶
1 T |τ|
= 1− CN (τ) dτ (1.4)
T −T T

v τ

T B

t D A
t-T t
C Aλ
t-T B
C
-T
D
t-T t u

Figure 1.1: Transformación del recinto de integración.

2
1.2. En el dominio de la frecuencia
Expresamos el estimador sb(t) como la salida de un sistema lineal causal de respuesta
impulsiva h(t) excitado por la entrada X(t):
Z t
sb(t) = h(t − u)X(u)du
−∞

Para que esta expresión sea equivalente a (1.1), la respuesta impulsiva debe ser
½ ¾
1/T 0≤t≤T
h(t) =
0 en otro lugar

Ésta es la respuesta impulsiva de un integrador en el intervalo de duración T. La

función de transferencia es
sin (ωT/2)
H(ω) = F (h(t)) = exp (−jωT/2)
ωT /2

La densidad espectral de potencia de ruido a la salida es

Sbs (ω) = |H (ω)|2 SN (ω)

y la potencia de ruido a la salida, que es igual al error cuadrático medio de estimación,

es
Z ∞ Z ∞ ¯¯ ¯2
2 2 1 2 1 ¯ sin (ωT/2) ¯¯
σN = σsb = |H (ω)| SN (ω) dω = SN (ω) dω (1.5)
2π −∞ 2π −∞ ¯ ωT/2 ¯

Esta integral se calcula más fácilmente aplicando el teorema de Parseval,

Si F (x(t)) = X(ω), F (y(t)) = Y (ω) ,

Z ∞ Z ∞
1
entonces x(t)y∗ (t)dt = X (ω) Y (−ω) dω
−∞ 2π −∞

En nuestro caso,

|H (ω)|2 = H (ω) H (−ω) = F (h (t) ∗ h (t)) = F (Λ (t))

donde ( ³ ´ )
1 |t|
T 1− T −T ≤t≤T
Λ (t) =
0 en otro lugar
Entonces, la Ec. (1.5) queda
Z ∞ Z T µ ¶
1 |t|
σ 2bs = Λ (t) CN (t) dt = 1− CN (t) dt (1.6)
−∞ T −T T

que coincide con (1.4).

3
1.3. Interpretación y comentarios
• Trabajar en el dominio de la frecuencia es, generalmente, preferible al método
directo en el dominio del tiempo. El desarrollo es más simple y, además, se
obtiene un enfoque conceptual ausente en el método directo.
• Los resultados (1.4) o (1.6) dicen que el error cuadrático medio de estimación
decrece con T , lo que era previsible, si la integral de la función de autocovarianza
está acotada.
• En la expresión (1.5) se observa que la transferencia del filtro tiene ceros en
ω = ±2nπ/T ; el ancho de banda entre f = 0 y el primer cero del lóbulo principal
de la transferencia es B = 1/T ; o sea que el ancho de banda del filtro decrece
con T . Aumentar la duración del intervalo de integración equivale a recortar
el espectro de ruido que pasa por el filtro. Si el ruido es de banda ancha (es
decir, su densidad espectral de potencia varía lentamente con la frecuencia), que
es el caso más frecuente, se puede simplificar el análisis escribiendo SN (ω) '
SN (0) = N0 /2. De (1.5):
Z ∞¯ ¯ Z ∞
1 ¯ sin (ωT /2) ¯2
2
σbs = ¯ ¯ SN (ω) dω = N0 |h(t)|2 dt =
2π −∞ ¯ ωT /2 ¯ 2 −∞
N0 1 N0 N0 B
= 2
T = =
2 T 2T 2
que es un resultado conocido: la potencia de ruido a la salida del filtro es pro-
porcional a su ancho de banda. Al mismo resultado se llega utilizando (1.4) o
(1.6):
Z µ ¶ Z
2 1 T |t| 1 ∞ SN (0) N0
σsb = 1− CN (t) dt → CN (t) dt = =
T −T T T →∞ T −∞ T 2T

2. Filtro Promediador en Tiempo Discreto

Se promedian los últimos M elementos de una secuencia determinística s(n) super-

puesta a ruido N (n). El resultado de la operación es el estimador
M−1
1 X
sb(n) = X(n − i), X (n) = s(n) + N (n) (2.1)
M i=0
La función de autocovarianza del ruido es CN (n) y su densidad espectral de po-
tencia es SN (ω) = FD (CN (n)) (transformada discreta de Fourier de la secuencia
CN (n)). La separación temporal entre elementos de la secuencia es T . Se quiere
obtener el valor medio y varianza (o error cuadrático medio de estimación) del esti-
mador.
Puesto que E (X(n)) = s(n), el valor medio del estimador es
à M−1 ! M−1
1 X 1 X
E (b
s(n)) = E X(n − i) = s(n − i) (2.2)
M i=0 M i=0

es decir, se tiene un promedio de los últimos M elementos de la secuencia de señal.

Si la señal es constante, s(n) = s, entonces E (b
s(n)) = s: el estimador es insesgado.

4
 La varianza es:
Ã !2 
³ ´ 1
M−1
X
σ 2bs = E (b s(n)))2 = E 
s(n) − E (b N (n − i)  (2.3)
M i=0

Continuar desarrollando la Ec. (2.3) lleva a calcular una doble suma sobre una reja
de M × M puntos, y luego cambiar los índices para sumar sobre las diagonales de la
reja en las cuales la función de autocovarianza es constante; procedimiento comparable
al método directo del problema anterior. Es más conveniente considerar que las
observaciones son procesadas por un sistema lineal causal de respuesta impulsiva
h(n), para formar el estimador de la señal:
n
X ∞
X
sb(n) = h(n − i)X(i) = h(i)X(n − i) (2.4)
i=−∞ i=0

Para que esta expresión sea equivalente a (2.1), la respuesta impulsiva debe ser
½ ¾
1/M n = 0, 1, ..., M − 1
h(n) =
0 en otro lugar

Ésta es la respuesta impulsiva del filtro promediador simple. Para obtener la

función de transferencia, expresamos la transformada Z de esta secuencia:
∞ M−1 ¡ ¢M
X 1 X −n 1 1 − z −1 1 1 − z −M
−n
H (z) = h(n)z = z = −1
=
n=−∞
M n=0 M 1−z M 1 − z −1
1 1 − zM
H(1/z) =
M 1−z
¡ ¢2
1 z M − 2 + z −M 1 z M/2 − z −M/2
H(z)H(1/z) = = 2 ¡ ¢2
M 2 z − 2 + z −1 M z 1/2 − z −1/2
µ ¶2
1 sin (M ωT /2)
|H (ω)|2 = H(z)H(1/z)|z=exp(jωT ) = 2 (2.5)
M sin (ωT/2)
Los ceros de esta función de transferencia están en ω = 2kπ/MT . Se ve que el
ancho de banda del filtro es inversamente proporcional a M.
La varianza de la salida es
M µ ¶
π/T
Z
T 2 1 X |i|
σ2sb = |H (ω)| SN (ω) dω = 1− CN (i) (2.6)
2π M M
i=−M
−π/T

donde hemos aplicado el teorema de Parseval para evaluar la integral (completar el

desarrollo).
Si el ruido es blanco, CN (n) = σ2N δ (n) , SN (ω) = σ2N ,

σ2N
σ 2bs = (2.7)
M
como debe ser (verificarlo). La expresión (2.6) muestra que si las muestras están
correlacionadas, el error cuadrático medio de estimación es mayor.

5
3. Optimización de los Coeficientes de un Promedio Móvil
Las últimas M observaciones X(n) = s + N (n) de un parámetro constante s son
procesadas por un promedio móvil de coeficientes h(n):
M−1
X
sb = h(i)X(n − i) (3.1)
i=0

Los errores de medición se representan como una secuencia de ruido aditivo N (n)
con función de autocorrelación CN (n) . Se quiere obtener el conjunto de coeficientes
del filtro que minimice el error cuadrático medio de estimación, sujeto a la condición
que el estimador debe ser insesgado.
Puesto que E (X(n)) = E (s + N(n)) = s
M−1
X
E (b
s) = s h(i)
i=0

Si el estimador es insesgado, E (b
s) = s, por consiguiente en la ecuación anterior
debe ser
M−1
X
h(i) = 1 (3.2)
i=0

Un promedio común, en el que h(0) = h(1) = ... = h(M − 1) = 1/M es un caso

particular que cumple con esta condición.
Para plantear el problema de optimización, es conveniente definir un vector de
observaciones
X , [X(n), ..., X(n − M + 1)]T
un vector de ruido
N = [N (n), ..., N (n − M + 1)]T
un vector de coeficientes del filtro

h , [h(0), ..., h(M − 1)]T

y un vector de M unos
u = [1, ..., 1]T u ∈ RM
de modo que la operación (3.1) y la condición (3.2) se escriben en forma compacta

sb = hT X (3.3)
hT u−1 = 0 (3.4)

El error instantáneo de estimación es

M−1
X M−1
X M−1
X
ε = sb−s = h(i)X(n−i)−s = h(i) (s + N (n − i))−s = h(i)N (n−i) = hT N
i=0 i=0 i=0

de modo que el error cuadrático medio es

³¡ ¢2 ´ ³ ´ ¡ ¢
σ2sb = E hT N = E hT NNT h = hT E N N T h = hT CN h (3.5)

6
 El problema es ahora minimizar (3.5) sujeto a (3.4). Aplicamos el método del
multiplicador de Lagrange, formando la función
¡ ¢
F (h, λ) , hT CN h−λ hT u−1

Las M + 1 ecuaciones que permiten despejar las M + 1 incógnitas h(0), ..., h(M ), λ
se forman igualando a cero las derivadas de F (h, λ) respecto de sus argumentos:

∇h F (h, λ) = CN h − λu = 0 (3.6)
∂F (h, λ)
= hT u−1 = 0 (3.7)
∂λ
Para resolver el sistema, eliminamos h entre (3.6) y (3.7), obteniendo
1
λ=
uT C−1
N u

y reemplazando en (3.6) se obtiene la solución:

C−1
N u
hopt = (3.8)
u C−1
T
N u

La performance del filtro es el error cuadrático medio de estimación resultante

cuando este valor óptimo de h se reemplaza en (3.5):
1
σ 2bs = hTopt CN hopt =
uT C−1
N u

Notar que, si el ruido es blanco, su matriz de covarianza es CN = σ 2 I, siendo I la

matriz identidad de dimensión M × M, y la solución se reduce a un promedio común:
u u
h= 2 =
kuk M

y el error cuadrático medio resulta

1 σ2 σ2
σ2sb = = =
uT C−1
N u kuk2 M

que es un resultado conocido.

Esto significa que, si bien un promedio simple es insesgado y su varianza tiende a
cero cuando el número de observaciones es muy grande, es un estimador óptimo sólo
cuando el ruido es blanco. Cuando el ruido es coloreado, el promedio móvil dado por
(3.8) es el de mínima varianza.

4. Filtro Promediador en Tiempo Discreto: Otra Interpretación

Con la notación de la sección anterior, el vector de coeficientes de un promediador
simple de longitud M es h = u/M . El error cuadrático medio de estimación es
1 T
σ2bs = hT CN h = u CN u
M2

7
 Aquí, uT CN u es la suma de todos los elementos de la matriz CN (comprobarlo).
Sumando a lo largo de las diagonales de la matriz, cuyos elementos son todos iguales
(matriz de Töeplitz), y expresando analíticamente el decrecimiento lineal de la can-
tidad de elementos de cada diagonal desde M hasta 1 al pasar desde la diagonal
proncipal hasta las esquinas de la matriz, la suma queda igual a la expresión (2.6)
(verificarlo).