MEMORIA P1 SISTEMAS DE COMUNICACIONES

1. PROBABILIDAD
1.1 PROBABILIDAD Y FRECUENCIA RELATIVA
Observa cómo el margen de variabilidad de la frecuencia relativa (diferencia entre máx{fr(0)}
y mín{fr(0)}) evoluciona a medida que aumenta el número de realizaciones del experimento.
Justifícalo.

Definimos N como la longitud del vector de bits que se genera. La frecuencia relativa de 0 es el
número de veces que ha salido el número 0 entre N. Cuando ejecutamos
“CaracterizaGenerador” con distintas N´s podemos observar que cuanto más se aumente N, la
frecuencia relativa se va aproximando cada vez más al valor 0.5, es decir, su media. Podemos
comprobar en las siguientes tablas que cuanto mayor N, menor será la diferencia entre el
máximo relativo de 0 y el mínimo relativo de 0:

1.2 PROBABILIDAD CONDICIONADA

Análisis teórico:

Completa la función “FrecTransmision” con las expresiones necesarias para que se calculen
las frecuencias relativas que caracterizan al canal (frE_T0, frE_T1) y las que caracterizan la
transmisión (frE, frT0_E, frT1_E):
Las frecuencias relativas obtenidas coinciden aproximadamente con los cálculos teóricos de las
probabilidades realizados previamente:

2. VARIABLE ALEATORTIA UNIDIMENSIONAL

2.1 MOMENTOS
Análisis teórico:

Completa el código para que la función estime también el valor cuadrático medio y la
varianza usando de nuevo la función mean. Comprueba su correcto funcionamiento
ejecutando “CaracterizaTriangular1” y verificando que los momentos estimados coinciden
aproximadamente con los calculados teóricamente:
2.2 HISTOGRAMA
Analiza el código de la función Histograma y complétalo para que calcule correctamente las
frecuencias relativas de cada intervalo y las represente en un diagrama de barras cuya área
total sea igual a 1:

Repite la ejecución del programa “CaracterizaTriangular2” con los valores de N y Delta que
aparecen en la tabla 1 y observa las diferencias entre los distintos casos de prueba. Justifica
por qué el histograma del caso de prueba 5 resulta más parecido a la función densidad de
probabilidad que el de la prueba número 4. Si quisiéramos mantener el parecido con la
función densidad de probabilidad usando el valor de Delta de la prueba número 4 ¿cómo
tendríamos que modificar el valor de N en la prueba 5?

El histograma de la prueba 5 resulta ser más parecido, ya que la prueba 4, al ser la Delta más
pequeña, es decir, que el espacio entre columnas es más pequeño (el rango es muy pequeño),
puede llegar a ser más inexacto por culpa de los errores si el valor de N no es lo
suficientemente elevado. En la prueba 5, aunque la Delta sea mayor, es decir, que el espacio
entre columnas es más grande, la N es lo suficientemente grande para que se parezca más a la
función de probabilidad. Deberíamos de aumentar el valor de N en la prueba 5. Para encontrar
una mayor exactitud.

2.3 TRANSFORMACIÓN LINEAL DE UNA VARIABLE ALEATORIA

Análisis teórico:
Analiza el código de la función CaracterizaTransUniforme y complétalo con los valores de a y
b que desees. Ejecuta CaracterizaTransUniforme y verifica que el histograma obtenido se
asemeja a la función densidad de probabilidad calculada teóricamente para los valores
elegidos de a y b. Determinar los valores de a y b necesarios para que Y se distribuya
uniformemente en el intervalo [−1,3]. Comprobar el resultado ejecutando de nuevo
CaracterizaTransUniforme y verificando el histograma.

3. VARIABLES ALEATORIAS N-DIMENSIONALES

3.1 VARIABLE BIDIMEMNSIONAL
Análisis teórico:
Analiza el código de la función “Momentos2” y complétalo para que estime correctamente la
correlación y el coeficiente de correlación:
Ejecuta “CaracterizaBidimensional” y comprueba que la estimación de los momentos que
realiza coincide con tus cálculos teóricos. Observa la nube de puntos y los histogramas de
cada variable y del conjunto de ambas. Determina si las variables son independientes o
dependientes y en este último caso si la relación que hay entre ellas es estadística o
determinista (funcional). Repite el apartado anterior modificando la función
VarBidimensional para que 𝑋 = 𝑋1 + 𝑋2 , Y= 𝑋2 + 𝑋3. Repite el apartado anterior modificando
la función VarBidimensional para que X = X1+X2 e Y = X1 + X2. Observa cómo las variables X e
Y tienen la misma distribución triangular en todas las pruebas (el comportamiento
estadístico individual no cambia) y sin embargo el coeficiente de correlación es muy distinto
en cada caso (la relación entre las variables cambia).

En el caso a), las variables son independientes (lo podemos ver en la nube de puntos que es
una especie de círculo inexacto), porque X e Y son sumas de variables independientes todas
entre todas. En el caso b), ambas señales tienen una dependencia ya que, en las sumas de sus
variables, en X y en Y aparece X2. La nube de puntos se ve que va tomando una forma más
lineal. Por último, en el caso c), al ser ambas señales iguales, existe una dependencia completa,
siendo la nube de puntos una línea recta.
3.2 SUMA DE N VARIABLES. TEOREMA DEL LÍMITE CENTRAL
Análisis teórico:

¿A qué tipo de distribución debe tender X cuando M es elevado? Justificar

Será una distribución gaussiana, debido al Teorema del Límite Central. Exlica que la suma de
muchas variables aleatorias independientes con una medida similar tiende a distribuirse como
una gaussiana. Al ejecutar “CaracterizaSuma”, cuanto mayor sea M, más se parece el
histograma a una distribución gaussiana.