Capítulo 4

Procesos Aleatorios

Los procesos aleatorios también conocidos como procesos estocásticos tienen un

estrecho vínculo con la función probabilística, ya que está limitada por un rango de
valores específicos en base a un tiempo en el que se desea analizar el proceso, en este
caso de una señal de información. Los generadores de números aleatorios se aplican
para simular el efecto de ruido eléctrico que produce una señal. El ruido es algunas veces
tan significativo que afecta la eficiencia de los dispositivos y sistemas. Los efectos del
ruido se pueden simular por computadora para poder estudiar los efectos en un sistema y
la degradación de su funcionamiento como consecuencia del ruido eléctrico presente en
las señales de información.

4.1 Proceso Gaussiano y proceso Gauss-Markov

Este tipo de proceso conocido como Gaussiano es importante en el análisis de sistemas

de comunicaciones ya que dicho proceso conlleva a funciones probabilísticas. Lo mismo
se puede llevar a cabo con el proceso de Gauss-Markov. La razón fundamental es que los
dispositivos electrónicos se ven afectados por ruido térmico durante el proceso en el que
la señal se transmite por el sistema. Este fenómeno puede ser definido o modelado
mediante el proceso gaussiano.

La razón por la cual el proceso gaussiano se usa para definir el comportamiento del ruido
térmico es porque cuando una corriente se entrega en un circuito eléctrico también el
fenómeno del calentamiento provoca movimiento de electrones que se consideran como
corrientes pequeñas. Algunas propiedades de interés es su proceso matemático pues es
manejable y fácil en su aplicación.

La primera propiedad establece que para un proceso gaussiano, es importante conocer la

media de m y la covarianza de C ya que da una completa descripción estadístico del
proceso.
La segunda indica que si el proceso gaussiano X(t) pasa a través de un sistema lineal
invariante en el tiempo (LTI), la salida del sistema también es un proceso gaussiano. El
efecto del sistema en X(t) es reflejado simplemente por un cambio en el valor de la media
y la covarianza de X(t).

Se considera muestras generadas en un proceso aleatorio gaussiano X(t) que tienen un

valor promedio mx y una covarianza Cx.

Primero se genera una secuencia estadística de n.

Segundo, se expresa Cx como

Luego se define la transformación lineal (n × 1) en el vector X como

X =C Y1x/2 +mx

Ahora la covarianza de X es
El paso más complicado es cuando se factoriza la matriz de covarianza Cx. Se
demostrará este procedimiento mediante el empleo de la distribución gaussiana.

Se desea transformar estas dos variables a un par de variables aleatorias gaussianas x1 y

x2 con una media de m=0 y una matriz covarianza definid a por

donde σ12 y σ 22 son las varianzas de x1 y x2 respectivamente y ρ es la covarianza

normalizada definida como

La matriz de covarianza se puede factorizar como

La codificación en Matlab se muestra a continuación para simular las dos variables
aleatorias x1 y x2.

echo on

mx=[0 0]';

Cx=[1 1/2;1/2 1];

x=multi-gpu(mx,Cx);

delta=0.3;

x1=-3:delta:3;

x2=-3:delta:3;
for i=1:length(x1),

for j=1:length(x2),

f(i,j)=(1/((2*pi)*det(Cx)^1/2))*exp((-1/2)*(([x1(i) x2(j)]-mx')*inv(Cx)*([x1(i);

x2(j)]-mx)));

echo off;

end;

end;

echo on

mesh(x1,x2,f);

Por definición un proceso Markov X (t) es un proceso aleatorio que no tiene influencia de
su pasado o de su futuro, siempre y cuando se especifique su presente,

El proceso de Gauss-Markov X (t) es un proceso de Markov cuya función de densidad de

probabilidad es gaussiana. El método más simple para generar un proceso Markov se da
por la media de la fórmula recursiva simple:

donde ωn es una secuencia de variables aleatorias de medias ceros y ρ es un parámetro

que determina el grado de correlación entre X n y X n−1

4.2 Procesos pasa bajas y pasabandas

En el caso de señales determinísticas y aleatorias estas se caracterizan dado que es

posible someterlas a procesos pasabajas y pasabandas.

Una proceso aleatorio se le denominan pasabajas si su espectro de potencia está cerca

de f = 0 en bajas frecuencias. Es decir, un proceso aleatorio pasabajas tiene la mayor
parte de su potencia trabajando en bajas frecuencias.

Un proceso pasabajas aleatorio denominado X(t) es una limitador de banda en el

espectro de potencia Sx(f) = 0 para |f |>B . El parámetro B se le llama ancho de banda del
proceso aleatorio.
Por ejemplo se considera el problema de generar muestras de un proceso aleatorio
basabajas que pasa por una secuencia de ruido blanco {Xn} a través de un filtro
pasabajas. La secuencia de entrada es una secuencia de variables aleatorias distribuidas
1 1
en un intervalo de(− , ). El filtro pasabajas tiene una respuesta a impulso
2 2

En Matlab se generaron las gráficas de las figuras que ilustran la función de

autocorrelación y el estimado del espectro de potencia. Se tiene la siguiente codificación
para generar estas gráficas

N=1000;

M=50;

Rxav=zeros(1,M+1);

Ryav=zeros(1,M+1);

Sxav=zeros(1,M+1);

Syav=zeros(1,M+1);

for i=1:10,

X=rand(1,N)-(1/2);

Y(1)=0;

for n=2:N,Y(n)=0.9*Y(n-
1)+X(n); end;

Rx=Rx_est(X,M);

Ry=Rx_est(Y,M);

Sx=fftshift(abs(fft(Rx)));

Sy=fftshift(abs(fft(Ry)));

Rxav=Rxav+Rx;

Ryav=Ryav+Ry;

Sxav=Sxav+Sx;
Syav=Syav+Sy;

echo off;

end;

echo on;

Rxav=Rxav/10;

Ryav=Ryav/10;

Syav=Sxav/10;

Sxav=Syav/10

El proceso pasabandas es adecuado para representar señales moduladas. En un

sistema de comunicaciones, la señal de información son comúnmente un proceso
aleatorio pasabajas que modula la portadora para transmisión sobre un canal de
comunicación pasabandas. Así, la señal modulada es un proceso aleatorio pasabandas.

4.3 Aplicaciones de la Simulación de Monte Carlo en Sistemas de

Comunicación Digital

La simulación de Monte Carlo funciona normalmente para estimar el óptimo

funcionamiento de un sistema de comunicación digital cuando en el proceso de
transmisión o recepción hay interferencia o ruido eléctrico.

Comúnmente se estima la probabilidad de error en este tipo de sistemas.

Para poder comprender la probabilidad estimada de un proceso que está relacionada con
una variable aleatoria se considera

Y=M+G

Así, m es una constante y G es invariables aleatoria Gausiana de media cero con

varianza σ2 =1. Y es una variable gaussiana aleatoria con promedio m y varianza
σ2 =1
 P (m) = P Y(< 0m)

Para estimar P (m) se suma el número de muestras aleatorias

Yi, i=1,2,...,N que son menos que cero y se divide por el número total N de

variables aleatorias.

P (m) se considera como una función de variables aleatorias Xi , i =1,2,...,N , las cuales
también son variables aleatorias. Para determinar como aproximar esta estimación para
valores verdaderos de P (m) se calcula el valor medio y la varianza.

En general, cuando se estima P (m) basado en el método de Monte Carlo, se podría

estimar también la desviación estándar σP(m ) por ser pequeña comparado con P (m).