Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PID_00253297
Índice
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3. Estimación lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1. Concepto y criterios de estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Principio de ortogonalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3. Aplicación a procesos estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Actividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Solucionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
CC-BY-NC-ND • PID 00253297 5 Sistemas lineales
Introducción
Hasta ahora hemos visto maneras de representar y estudiar fenómenos que nos
podemos encontrar en la realidad. En particular, hemos visto cómo podemos
analizar señales. Para hacerlo, hemos estudiado una serie de variables aleatorias
y de procesos estocásticos, cada una con sus caracterı́sticas particulares. Hemos
visto también que cada tipo de variable o proceso nos iba bien para modelizar
un determinado fenómeno.
En este punto ya tenemos caracterizados los tipos de señales de las que parti-
mos, los hemos visto en módulos anteriores. Lo que haremos en este módulo es
ver cuál es la respuesta que un sistema de telecomunicaciones lineal tiene en
una señal de entrada que es un proceso aleatorio. Los sistemas que considerar
pueden ser tanto continuos como tener una respuesta que se restringe a un con-
junto posible de salidas (sistemas discretos). Modelizaremos nuestro circuito o
sistema lineal (que consideraremos como una caja negra) como un conjunto
CC-BY-NC-ND • PID 00253297 6 Sistemas lineales
Objetivos
Los objetivos que debe alcanzar el estudiante una vez trabajados los materiales
didácticos de este módulo son:
4. Diferenciar entre los sistemas con memoria y sin ella y saber poner ejemplos.
Ejemplo 1.1
Tenemos, pues, un control con tres posiciones para seleccionar una de las tres funciones.
También podemos tener diales para ajustar los valores de los parámetros α, β, T, M . Ası́,
podemos variar β y T para obtener una reverberación suave o un eco fuerte, o ajustar
M según el nivel de entrada para no tener demasiada distorsión.
Una vez fijados los controles del aparato, tenemos una cierta transformación seleccionada.
Para evaluar el efecto de estas transformaciones, ya sea la versión matemática simplifi-
cada que damos aquı́ o una implementación real del dispositivo, habrı́a que tener una
representación de X(t) de tipo estadı́stico. Es decir, hay que representar X(t) como un
proceso estocástico. En este caso, la salida Y (t) pasa a ser también un proceso estocástico
y lo que nos interesa es cómo se relacionan las propiedades de los procesos X(t) (señal
de entrada) e Y (t) (señal de salida).
Consideremos un proceso estocástico X(t). De la misma manera que una varia- Véase también
ble aleatoria X da lugar a nuevas variables haciendo transformaciones del tipo
Las funciones sobre variables
Y = g(X), podemos transformar el proceso X(t) para obtener el nuevo pro- aleatorias del tipo Y = g(X)
se estudian en el módulo
ceso estocástico Y (t). Llamamos L a esta transformación, que denominaremos
“Funciones de variables
sistema, y escribimos Y (t) = L[X(t)]. De esto podemos extraer la definición aleatorias” de este módulo.
siguiente de sistema.
.
Definición 1.1. Un sistema, L, consiste en una transformación de un
proceso estocástico X(t). Lo escribimos como L[X(t)]. Esta transforma-
ción da lugar a un nuevo proceso estocástico Y (t).
Figura 1
X(t) L Y(t)
Consideraremos un sistema
lineal como una caja negra
que recibe un proceso de
entrada X(t) y lo transforma
en otro proceso
Y (t) = L[X(t)].
.
Definición 1.2. Un sistema es determinista si fijada la realización
de X(t) que entra, la salida queda ya determinada. Si por el contrario
una misma entrada puede dar lugar a salidas diferentes, decimos que el
sistema es estocástico.
Hay sistemas para los que la salida en un instante dado no depende de los valores
de la entrada en instantes anteriores. En el ejemplo anterior esto pasa para el
preamplificador y el limitador, que solo dependen del valor actual de X(t),
mientras que no pasa para la reverberación, donde la salida en el instante t
depende también de la entrada en el instante t−T . En función de esta distinción
definimos los sistemas con memoria o sin ella.
CC-BY-NC-ND • PID 00253297 10 Sistemas lineales
.
Definición 1.4. Un sistema es lineal si
Dentro de los sistemas lineales nos interesan aquellos en los que la transfor-
mación no depende explı́citamente del tiempo. Por ello, es conveniente definir
las translaciones temporales Ta , que son un tipo particular de transformación
(retardo):
.
Definición 1.5. Un sistema, L, es invariante en el tiempo si
L[Ta [X(t)]] = Ta [L[X(t)]] para todo a. Eso se puede expresar de manera
equivalente diciendo que si X(t) da la salida Y (t), entonces X(t − a) da
la salida Y (t − a).
Una manera de caracterizar un sistema lineal es por medio de su función de Respuesta impulsional
respuesta impulsional. Esta es la salida del sistema cuando la entrada es una
La respuesta impulsional es la
delta de Dirac δ(t). Esto contiene toda la información necesaria para saber salida del sistema lineal en
cómo se transforma cualquier señal, ya que toda función se puede escribir como una función delta de Dirac.
Recordad que hemos visto la
superposición de deltas: definición de la función delta
de Dirac en la definición 1.3
del módulo “Procesos
Z ∞ estocásticos gaussianos y
X(t) = δ(t − τ )X(τ )dτ. (3) procesos estocásticos de
−∞ Poisson”.
.
Definición 1.6. Definimos la función de respuesta impulsional h de
un sistema lineal como:
Ejemplo 1.2
0 si t < 0,
u(t) = (6)
1 si t ≥ 0.
0
–4 –2 0 2 4
t
¿Qué significado tiene un sistema con función de transferencia h(t) = u(t)? Veamos cómo
se transforma una entrada X(t):
Z ∞ Z t
L[X(t)] = u(t − τ )X(τ )dτ = X(τ )dτ,
−∞ −∞
ya que:
0 si t < τ,
u(t − τ ) =
1 si t ≥ τ
Este sistema es, pues, un “integrador”. En cada instante nos da la integral hasta este
momento de la entrada.
Veamos cómo queda transformado un proceso estocástico después de hacerlo Véase también
pasar por un sistema lineal. Un proceso estocástico X(t) se caracteriza princi- En el apartado 2 del módulo
palmente por las funciones valor medio m(t) y autocorrelación R(t1 , t2 ). Si “Caracterización estadı́stica y
parámetros de los procesos
tenemos otros procesos, definimos en general la función de correlación cruzada estocásticos” se estudia el
de X(t) e Y (t) para poderlos comparar entre sı́: proceso estocástico y su
caracterización con las
funciones valor medio y
autocorrelación.
RXY (t1 , t2 ) = E(X(t1 )Y (t2 )). (7)
Observad que la función valor medio es de primer orden, es decir, tiene una
única variable, que es t:
Observación
mY (t) = E(Y (t)) = E(L[X(t)])
Hay que advertir que tanto
Z ∞ Z ∞
en este módulo como en los
=E h(t − τ )X(τ )dτ = h(t − τ ) E(X(τ ))dτ módulos anteriores
−∞ −∞
trabajamos con procesos
Z ∞
reales. Para los procesos con
= h(t − τ )mX (τ )dτ = (h ∗ mX )(t) = L[mX (t)]. variables complejas la
−∞
definición de la correlación,
R(t1 , t2 ), y las propiedades
de la transformada de Fourier
A continuación demostramos la expresión (9), que nos dice que la correlación difieren.
entre las señales de entrada y salida del sistema lineal es igual a calcular la
autocorrelación del proceso de entrada X(t) y después aplicar la transformación
lineal L con dependencia de t2 :
Otra de las funciones importantes que habı́amos definido era la potencia* y * Se estudia en el módulo
“Caracterización estadı́stica y
el espectro de potencia para procesos estacionarios**. Ahora calcularemos el
parámetros de los procesos
espectro de potencia de Y (t), SY (f ) a partir de SX (f ). X(t) es ahora un estocásticos”.
.
Véase también
Definición 2.1. La función de transferencia de un sistema lineal
se denomina H(f ) y es la transformada de Fourier de la función de Recordad la definición de
transformada de Fourier que
respuesta impulsional h(t): hicimos en el apartado 4 del
módulo “Procesos
estocásticos estacionarios”
Z ∞
cuando vimos los conceptos
H(f ) = h(τ )e−j2πf τ dτ. (11) de autocorrelación y espectro
−∞
de potencia.
.
SY (f ) = |H(f )|2 SX (f ). (12)
nes f (t) y g(t) tienen las transformadas de Fourier F (f ) y G(f ), entonces su La operación de convolución
producto de convolución (f ∗ g)(t) tiene transformada de Fourier F (f )G(f ). en el dominio temporal de
dos funciones equivale al
También tenemos que f (−t) se transforma en F ∗ (f ). producto de sus
transformadas de Fourier en
el dominio de la frecuencia.
Demostración: El espectro de potencia de Y (t) se obtiene haciendo la trans- Recordad también que hacer
girar una señal sobre el eje
formada de Fourier de RY Y (t):
temporal (es decir, f (−t)) es
equivalente al conjugado de
Z ∞ la transformada de Fourier de
la señal original.
RXY (t1 , t2 ) = h(t2 − τ )RXX (t1 , τ )dτ
−∞
Z ∞ Z ∞
= h(t2 − τ )RXX (τ − t1 )dτ = h(t2 − t1 − τ )RXX (τ )dτ,
−∞ −∞
Z ∞
RY Y (t1 , t2 ) = h(t1 − τ )RXY (τ, t2 )dτ
−∞
Z ∞ Z ∞
= h(t1 − τ )RXY (t2 − τ )dτ = h(t1 − t2 − τ )RXY (−τ )dτ.
−∞ −∞
Ejemplo 2.1
1 1
= + .
1 + 4π 2 (f + 1)2 1 + 4π 2 (f − 1)2
1
h(t) = L[δ(t)] = δ(t) − δ(t − 3).
4
Z ∞
1
1
H(f ) = δ(τ ) − δ(τ − 3) e−j2πf τ dτ = 1 − e−j6πf .
−∞ 4 4
SY (f ) = |H(f )|2 SX (f ).
2
1 −j6πf 1 −j6πf 1 j6πf
|H(f )|2 = 1 − e = 1− e 1− e
4 4 4
1 1 17 1
=1+ − (ej6πf + e−j6πf ) = − cos(6πf ).
16 4 16 2
17 1 1 1
SY (f ) = − cos(6πf ) 2 2
+ 2 2
.
16 2 1 + 4π (f + 1) 1 + 4π (f − 1)
0,6 0,6
Figura 3
SX(f) SY(f)
0,5 0,5
En la figura de la derecha
podéis ver cómo es el
0,4 0,4 espectro de potencia después
de haber hecho pasar la señal
0,3 0,3 X(t) por el sistema L.
0,2 0,2
Véase también
0,1 0,1
En el apartado 3 de este
módulo definiremos el
–2 –1 0 1 2 –2 –1 0 1 2 concepto de estimación
f f lineal, veremos cómo se
puede aplicar y estudiaremos
algunos ejemplos.
CC-BY-NC-ND • PID 00253297 19 Sistemas lineales
3. Estimación lineal
.
Hasta ahora, en este módulo hemos visto qué es un sistema lineal y cómo se
relaciona la estadı́stica de las señales de entrada y salida. En este apartado
veremos qué es un estimador de señales y describiremos su funcionamiento.
Puede ser que nuestro experimento tenga asociadas otras variables aleatorias
X1 , X2 , . . . , Xn , cuyos valores son conocidos. Denominaremos datos a estas
variables. Si Y no es independiente de estas variables, es conveniente valorar
Y con una variable aleatoria de la forma Yb = c(X1 , X2 , . . . , Xn ), donde c es
una función fijada. Yb se denomina estimador. Ası́, llegamos a la definición
siguiente.
.
Definición 3.2. Estimación en media cuadrática es aquella en la
que la medida del error está determinada por el error cuadrático me-
dio. Este parámetro mide la bondad del estimador.
.
Definición 3.3. Estimación lineal es aquella en la que el estimador
es una combinación lineal de variables aleatorias conocidas:
Yb = a1 X1 + a2 X2 + · · · + an Xn , (14)
con a1 , a2 , . . . , an constantes.
Hay que tener en cuenta que las variables aleatorias que combinamos se pueden
obtener operando con los datos. Por ejemplo, si solo tenemos un dato X, un
posible estimador lineal es:
Yb = a1 + a2 X + a3 X 2 .
Ahora introduciremos una cierta estructura de espacio euclidiano que nos será
útil para determinar la mejor estimación lineal.
CC-BY-NC-ND • PID 00253297 21 Sistemas lineales
1
El producto escalar de la expresión (15) nos define una norma kZk =< Z, Z > 2 .
El error cuadrático que considerábamos es precisamente = kY − Yb k2 . Por lo
tanto, podemos usar técnicas de los espacios euclidianos cuando Yb corresponde
a alguna variedad lineal o subespacio vectorial. Este es el caso, precisamente,
de la estimación lineal (14).
^
Y
H
E[Xi (Y − Yb )] = 0, i = 1, . . . , n. (17)
.
El error mı́nimo en la estimación lineal está determinado por:
E(1 · c) = E(1 · Y ),
E[X(aX + b)] = E(XY ),
E[1 · (aX + b)] = E(1 · Y ),
es decir,
a E(X 2 ) + b E(X) = E(XY ),
a E(X) + b = E(Y ).
σY σY
a=ρ , b = mY − ρ mX .
σX σX
E[X(t1 )(a1 X(t1 ) + a2 X(t2 ))] = E(X(t1 )X(t)),
E[X(t )(a X(t ) + a X(t ))] = E(X(t )X(t)),
2 1 1 2 2 2
CC-BY-NC-ND • PID 00253297 24 Sistemas lineales
es decir,
a1 R(t1 , t1 ) + a2 R(t1 , t2 ) = R(t1 , t),
a R(t , t ) + a R(t , t ) = R(t , t).
1 2 1 2 2 2 2
E[X(t1 )(a1 X(t1 ) + a2 X(t2 ) + b)] = E(X(t1 )X(t)),
E[X(t2 )(a1 X(t1 ) + a2 X(t2 ) + b)] = E(X(t2 )X(t)),
E[1 · (a1 X(t1 ) + a2 X(t2 ) + b)] = E(1 · X(t)),
es decir,
a1 R(t1 , t1 ) + a2 R(t1 , t2 ) + bm(t1 ) = R(t1 , t),
a1 R(t2 , t1 ) + a2 R(t2 , t2 ) + bm(t2 ) = R(t2 , t),
a m(t ) + a m(t ) + b = m(t).
1 1 2 2
Ejemplo 3.3
[ = aX(t − T ) + b.
X(t)
E[(aX(t − T ) + b)X(t − T )] = E[X(t)X(t − T )],
E[(aX(t − T ) + b) · 1] = E[X(t) · 1],
CC-BY-NC-ND • PID 00253297 25 Sistemas lineales
es decir,
aR(t − T, t − T ) + bm(t − T ) = R(t, t − T ),
am(t − T ) + b = m(t).
a(λ2 (t − T )2 + λ(t − T )) + bλ(t − T ) = λ2 t(t − T ) + λ(t − T ),
aλ(t − T ) + b = λt,
Resumen
Los sistemas lineales pueden ser deterministas (si fijada la realización del
proceso de entrada la salida ya queda determinada) o aleatorios (en caso
contrario).
Diremos que un sistema lineal es sin memoria si el valor Y (t) para cada t de-
pende exclusivamente del valor de X(t) para este t. En caso contrario, diremos
que el sistema lineal tiene memoria.
SY (f ) = |H(f )|2 SX (f ).
Yb = a1 X1 + a2 X2 + · · · + an Xn .
= E[] = E[(Y − Yb )2 ].
Nos interesa minimizar este error para tener una buena estimación de Y . He-
mos visto que la mejor estimación lineal se da para el caso de la proyección
del valor Y sobre el plano generado por los datos Xi . Esta condición nos per-
mite definir un sistema de ecuaciones mediante el cual podemos encontrar los
coeficientes ai de nuestro estimador lineal.
CC-BY-NC-ND • PID 00253297 28 Sistemas lineales
Actividades
1. Dado el sistema L[X(t)] = e−t X(t):
a) ¿Es lineal?
b) ¿Es sin memoria?
c) ¿Es invariante en el tiempo?
d) Si X(t) = teBt donde B es una variable aleatoria uniforme en [0, 1], calculad su función de
valor medio mX (t) y la función de valor medio mY (t) del proceso de salida Y (t) = L[X(t)].
2.
4. Un proceso estocástico estacionario X(t) tiene valor medio m(t) = 0 y espectro de potencia
2
SX (f ) = e−f . Se pasa este proceso por el sistema Y (t) = L[X(t)] = X(t) + 21 X(t − 1).
5. Un proceso estocástico estacionario X(t) tiene valor medio m(t) = 0 y función de au-
tocorrelación R(t1 , t2 ) = e−|t2 −t1 | . Se pasa este proceso por el sistema Y (t) = L[X(t)] =
3X(t) − 2X(t − 1).
6. Un proceso estocástico estacionario X(t) tiene valor medio m(t) = 0 y función de auto-
2
correlación R(t1 , t2 ) = e−(t2 −t1 ) . Se pasa este proceso por el sistema Y (t) = L[X(t)] =
X(t) + X(t − 2).
7. La salida de un circuito con realimentación negativa está determinada por el sistema lineal
Y (t) = L[X(t)] = X(t) − X(t − 1).
8.
PotX
SNR = 10 log10 .
PotN
Calculad los valores en la entrada y la salida. Observad que en la salida tenéis L[X(t)+N (t)] =
L[X(t)] + L[N (t)] y la potencia de los procesos transformados se obtiene de la ecuación (12)
y la fórmula 8 del módulo “Procesos estocásticos estacionarios”.
a) Estudia la estacionalidad del proceso X(t) y calcula su potencia. Calcula la potencia del
proceso Y (t) = X(t) + 21 X(t − 1).
b) Halla la mejor estimación de X(t) en la forma αX(0), donde α es una constante (considera
t > 0). Calcula el error cuadrático mı́nimo min y haz su gráfica en función de t. Comenta su
comportamiento.
1
c) Calcula la mejor estimación lineal no homogénea de X(t) a partir de los datos X(t − 2
)
y X(t − 1). Calcula el error cuadrático mı́nimo.
CC-BY-NC-ND • PID 00253297 30 Sistemas lineales
Solucionario
1. a) Sı́, ya que L[λ1 X1 (t)+λ2 X2 (t)] = e−t (λ1 X1 (t)+λ2 X2 (t)) = λ1 e−t X1 (t)+λ2 e−t X2 (t) =
λ1 L[X1 (t)] + λ2 L[X2 (t)].
c) No, porque L[X(t − a)] = e−t X(t − a), que es diferente de desplazar la salida
(e−(t−a) X(t − a)).
Z ∞ Z 1
d) mX (t) = E(teBt ) = tebt fB (b)db = tebt · 1db = ebt |b=1 t
b=0 = e − 1.
−∞ 0
mY (t) = E(Y (t)) = E(e−t X(t)) = e−t E(X(t)) = e−t mX (t) = 1 − e−t .
R∞ −j2πf
4. a) h(t) = L[δ(t)] = δ(t)+ 12 δ(t−1). H(f ) = 1
−∞ (δ(τ )+ 2 δ(τ −1))e
−j2πf τ dτ = 1+ e 2
(utilizando la fórmula 12).
b) Utilizando la fórmula 13:
2
e−j2πf e−j2πf ej2πf
2
2 2
5
SY (f ) = |H(f )|2 SX (f ) = 1 + e−f = 1 + e−f = + cos(2πf ) e−f .
2 2
1+ 2 4
R∞ R∞ R∞
5. a) SX (f ) = −∞ R(τ ) cos(2πf τ )dτ = 2 0 R(τ ) cos(2πf τ )dτ = 2 0 e−τ cos(2πf τ )dτ =
1
.
4π 2 f 2 + 1
R∞
H(f ) = −∞ (3δ(τ ) − 2δ(τ − 1))e−j2πf τ dτ = 3 − 2e−j2πf .
2 1
c) SY (f ) = |H(f )|2 SX (f ) = 3 − 2e−j2πf
4π 2 f 2 + 1
1 13 − 12 cos(2πf )
= (3 − 2e−j2πf )(3 − 2ej2πf ) = .
4π 2 f 2 + 1 4π 2 f 2 + 1
R∞ R∞ 2 √ 2 2
6. a) SX (f ) = −∞ R(τ )e−j2πf τ dτ = −∞ e−τ e−j2πf τ dτ = πe−π f .
R∞
H(f ) = −∞ (δ(τ ) + δ(τ − 2))e−j2πf τ dτ = 1 + e−j4πf .
√ 2 2
c) SY (f ) = |H(f )|2 SX (f ) = |1 + e−j4πf |2 πe−π f
√ 2 2 √ 2 2
= (1 + e−j4πf )(1 + ej4πf ) πe−π f = 2 π(1 + cos(4πf ))e−π f .
R∞
H(f ) = −∞ (δ(τ ) − δ(τ − 1))e−j2πf τ dτ = 1 − e−j2πf .
|H(f )|2 = |1 − e−j2πf |2 = (1 − e−j2πf )(1 − ej2πf ) = 1 − ej2πf − e−j2πf + 1 = 2(1 − cos 2πf ).
Z −∞ Z ∞
L[ej2πf t ] = − h(u)ej2πf (t−u) du = ej2πf t h(u)e−j2πf u du = ej2πf t H(f ).
∞ −∞
b)
t τ =t
ej2πf τ
Z
H(f ) = e−j2πf t L[ej2πf t ] = e−j2πf t ej2πf τ dτ = e−j2πf t
t−1 j2πf τ =t−1
!
−j2πf t ej2πf t − ej2πf (t−1) 1 − e−j2πf
=e = .
j2πf j2πf
1 − cos(2πf )
= .
2π 2 f 2
CC-BY-NC-ND • PID 00253297 32 Sistemas lineales
Figura 6
1,2
Representación del módulo
de la función de transferencia
|H(f )|2
1,0
0,8
|H(f)|2
0,6
0,4
0,2
–4 –2 0 2 4
f
c)
Z ∞ Z ∞ ∞
10df arctan(πf )
PotX = SX (f )df = = 10 = 10.
−∞ −∞ 1 + π2 f 2 π −∞
Z ∞ Z 2
PotN = SN (f )df = 0, 01df = 0,04.
−∞ −2
5(1 − cos(2πf ))
SX = |H(f )|2 SX (f ) = 2 2 ,
out π f (1 + π 2 f 2 )
0, 005(1 − cos(2πf ))
SN = |H(f )|2 SN (f ) = , −2 < f < 2.
out π2 f 2
Z ∞ Z ∞ 5(1 − cos(2πf ))
PotX = SX (f )df = df = 5(1 + e−2 ) = 5,6766.
out −∞
out −∞ π 2 f 2 (1 + π 2 f 2 )
Z ∞ Z 2 0,005(1 − cos(2πf ))
PotN = SN (f )df = df = 0,009499.
out −∞
out −2 π2 f 2
CC-BY-NC-ND • PID 00253297 33 Sistemas lineales
PotX 10
SN Rin = 10 log10 = 10 log10 = 23,98 dB.
PotN 0,04
A la salida:
PotX 5,6766
SN Rout = 10 log10 out = 10 log = 27,76 dB.
10
PotN 0,009499
out
La SNR ha aumentado, ya que, como se ve en la figura 6, este sistema elimina las altas
frecuencias (especialmente |f | > 1) y estas están más presentes en el ruido que en la señal.
Figura 7
Figura 7. Espectros de la señal (izquierda) y el ruido (derecha) en la entrada del
sistema.
Espectros de la señal
(izquierda) y el ruido
12 0,03 (derecha) en la entrada del
sistema.
10
8 0,02
SX(f) 6 SN(f)
4 0,01
–4 –2 0 2 4 –4 –2 0 2 4
f f
1 1
PotY (t) = E(Y (t)2 ) = E((X(t) + 2
X(t − 1))2 ) = R(t, t) + 4
R(t − 1, t − 1) + R(t, t − 1) =
5 + 45 + 12 + 4 = 43
4
= 10,75.
1 5+4|τ |
b) R(τ ) = C(τ )+m2 = +4
= 1+|τ | . Por el principio de ortogonalidad: E(αX(0)X(0)) =
1+|τ |
R(t) 5 + 4t
E(X(t)X(0)), de donde α = = .
R(0) 5(1 + t)
Figura 8
Error en función de la
distancia temporal.
En la gráfica se observa cómo el error aumenta con la distancia temporal entre el instante
del dato y el instante de la variable que estimamos. Como es lógico, el error tiende a cero
por t → 0.
[ = aX(t − 1
c) El estimador es X(t) 2
) + bX(t − 1) + c. Las ecuaciones del principio de
ortogonalidad:
E[X(t − 12 )(aX(t − 12 ) + bX(t − 1) + c)] = E[X(t − 21 )X(t)]
E[X(t − 1)(aX(t − 12 ) + bX(t − 1) + c)] = E[X(t − 1)X(t)]
E[1 · (aX(t − 21 ) + bX(t − 1) + c)]
= E[1 · X(t)]
5+4|τ |
Utilizando E(X(t)) = m(t) = 2, E(X(t1 )X(t2 )) = R(t2 − t1 ), donde R(τ ) = 1+|τ |
:
aR(0) + bR( 21 ) + cm(t − 12 ) = R( 12 )
aR( 21 ) + bR(0) + cm(t − 1) = R(1)
am(t − 12 ) + bm(t − 1) + c
= m(t)
5a + 14 b + 2c = 14
3 3
14 9
3
a + 5b + 2c = 2
2a + 2b + c = 2
3 1 3 [ =
La solución del sistema es a = , b = , c = . El mejor estimador es pues X(t)
5 10 5
3
5
X(t − 21 ) + 1
10
X(t − 1) + 53 .
1
El error cuadrático mı́nimo es min = E[(X(t) − aX(t − 2
) − bX(t − 1) − c)X(t)] = R(0) −
11
aR( 12 ) − bR(1) − cm(t) = .
20