Está en la página 1de 22

Sistemas Lineales

Un sistema es lineal (L) si satisface el principio de superposicin, que engloba las


propiedades de proporcionalidad o escalado y aditividad. Que sea proporcional significa
que cuando la entrada de un sistema es multiplicada por un factor, la salida del sistema
tambin ser multiplicada por el mismo factor. Por otro lado, que un sistema sea aditivo
significa que si la entrada es el resultado de la suma de dos entradas, la salida ser la
resultante de la suma de las salidas que produciran cada una de esas entradas
individualmente.
Principio de linealidad o
de superposicin proporcional

Matemticamente, si y1(t), y2(t), ... yn(t) son las salidas del sistema para las
entradas x1(t), x2(t), ... xn(t) y a1, a2, ... an son constantes complejas, el sistema es
lineal si:
En un sistema lineal, si la entrada es nula, la salida tambin ha de serlo. Un sistema
incrementalmente lineal es aquel que, sin verificar la ltima condicin, responde
linealmente a los cambios en la entrada.
Por ejemplo, y(t) = 2x(t) + 2 no es lineal puesto que y(t) 0 para x(t) = 0, pero s es
incrementalmente lineal.
Invariabilidad

Un sistema es invariante con el tiempo si su comportamiento y sus


caractersticas son fijas. Esto significa que los parmetros del sistema
no van cambiando a travs del tiempo y que por lo tanto, una misma
entrada nos dar el mismo resultado en cualquier momento (ya sea
ahora o despus).
Principio de superposicin con LTI

Una caracterstica muy importante y til de este tipo


de sistemas reside en que se puede calcular la
salida del mismo ante cualquier seal mediante
la convolucin, es decir, descomponiendo la entrada
en un tren de impulsos que sern multiplicados por
la respuesta al impulso del sistema y sumados.
Sistemas LTI en Serie/Paralelo
Hablando en general, el trmino proceso aleatorio se emplea en relacin con
procesos fsicos que estn parcial o completamente controlados por cierta clase
mecanismo de azar. Se aplica a series de tiradas sucesivas de una moneda, a
medidas repetidas de la calidad del producto de un fabricante sacado de una lnea de
montaje, a las vibraciones de las alas de los aviones, al ruidos en seales de radio y
a otros muchos fenmenos. Los que caracteriza estos procesos es su dependencia
del tiempo, es decir, el hecho de que ciertos sucesos se presenten o no (segn sus
posibilidades) a intervalos regulares de tiempo o en un intervalo continuo del mismo.
Trayectoria Aleatoria

Varias aplicaciones importantes de la teora de la probabilidad estn


basadas en las siguientes interpretaciones de la distribucin binmicas.
Supongamos que un punto arranca del origen y se mueve a lo largo del
eje por desplazamiento unitarios originados por saltos sucesivos a la
izquierda o la derecha. Para un salto determinado hay una probabilidad de
que sea a la derecha y de que sea a la izquierda, y se supone que los
saltos sucesivos son independientes nos interesa ahora la probabilidad del
que el punto este por unidades a la derecha del origen al cabo del salto.
Paseo aleatorio simple
El paseo aleatorio simple puede considerarse como un modelo de juego
repetido. Concretamente, imagine que empieza un juego con euros y hace
sucesivas apuestas de un euro en cada apuesta tiene una posibilidad de ganar
un euro y una posibilidad de perder un euro de forma que si es la cantidad de
dinero que tiene por el momento a la que nos referimos en adelante con su
fortuna a tiempo entonces mientras que puede ser segn gane o pierda la
segunda apuesta.
Algunas aplicaciones del camino aleatorio
En gentica de poblaciones, el camino aleatorio describe las propiedades estadsticas de
la deriva gentica.

En fsica, los caminos aleatorios son utilizados como modelos simplificados del movimiento
browniano y difusin tales como el movimiento aleatorio de las molculas en lquidos y
gases.

En biologa matemtica, los caminos aleatorios son utilizados para describir los movimientos
individuales de los animales, para apoyar empricamente los procesos de biodifusin, y en
ocasiones para desarrollar la dinmica de poblaciones.

En informtica, los caminos aleatorios son utilizados para estimar el tamao de la Web.

En el procesamiento de imgenes, los caminos aleatorios son utilizados para determinar las
etiquetas (es decir, "objeto" o "fondo") para asociarlas con cada pxel. Este algoritmo se suele
denominar como algoritmo de segmentacin del camino aleatorio.
Proceso Estocstico

En estadstica, y especficamente en la teora de la probabilidad, un proceso


estocstico es un concepto matemtico que sirve para tratar con magnitudes
aleatorias que varan con el tiempo, o ms exactamente para caracterizar una
sucesin de variables aleatorias(estocsticas) que evolucionan en funcin de
otra variable, generalmente el tiempo. Cada una de las variables aleatorias del
proceso tiene su propia funcin de distribucin de probabilidad y pueden o no,
estar correlacionadas entre ellas.
Ejemplo de proceso estocstico
Casos especiales
Proceso estacionario: Un proceso es estacionario en sentido estricto si la funcin de
distribucin conjunta de cualquier subconjunto de variables es constante respecto a
un desplazamiento en el tiempo.

Proceso homogneo: variables aleatorias independientes e idnticamente


distribuidas. Son proceso donde el dominio tiene cierta simetra y las distribuciones
de probabilidad finito-dimensionales tienen la misma simetra. Un caso especial
incluye a los procesos estacionarios, tambin llamados procesos homogneos en el
tiempo.

Proceso de Mrkov: Aquellos procesos discretos en que la evolucin slo depende


del estado actual y no de los anteriores.
Procesos de tiempos discreto

Proceso de Bernoulli: son procesos discretos en los que el nmero de eventos


viene dado por una distribucin binomial.

Proceso de Galton-Watson: es un tipo de proceso de Mrkov con ramificacin.


Procesos de tiempos continuos

Proceso de Gauss: Proceso continuo en el que toda combinacin lineal de


variables es una variable de distribucin normal.

Proceso de Gauss-Mrkov: Son procesos, al mismo tiempo, de Gauss y de


Mrkov

Proceso de Feller: son procesos estocsticos que toman valores sobre


espacios de operadores de algn espacio funcional.
Proceso de Lvy: son procesos homogneos de Markov de "tiempo continuo" que
generalizan el paseo aleatorio que usualmente se define como de "tiempo discreto".
Proceso de Poisson: es caso particular de proceso de Lvy donde el tiempo

transcurrido entre saltos sigue una distribucin exponencial y, por tanto, el nmero de
eventos en un intervalo viene dado por una distribucin de Poisson.
Proceso de Wiener: el incremento de la varible entre dos instantes tiene una

distribucin gaussiana y, por tanto, adems de un proceso de Lvy es un proceso de


Gauss simultneamente.
Proceso doblemente estocstico: es un tipo de modelo estocstico usado para modelar

ciertas series temporales, en el que los parmetros que dan las distribuciones tambin
varan aleatoriamente (de ah el trmino de doblemente estocstico).
Proceso de Cox: es un proceso doblemente estocstico que generaliza el proceso de

Poisson, donde el parmetro de intensidad vara aleatoriamente.


Proceso estocstico continuo: es un tipo de proceso estocstico de tiempo continuo: en que
las trayectorias son adems caminos continuos.
Teora de probabilidad

Probabilidad es una palabra de origen latn (probabiltas),es una palabra que


permite resaltar la caracteriza de un hecho que puede ocurrir o resultar de
manera verosmil. Adems se encarga de evaluar para obtener la mediacin de
la frecuencia con la cual es posible obtener un resultado en el marco de un
procedimiento de carcter aleatorio.
Densidad del espectro de potencia

En matemticas y en fsica, la Densidad Espectral (Spectral Density)


de una seal es una funcin matemtica que nos informa de cmo
est distribuida la potencia o la energa (segn el caso) de dicha seal
sobre las distintas frecuencias de las que est formada, es decir,
su espectro.
Prdida de informacin de fase

Como la potencia se obtiene del cuadrado de la magnitud de la DTF/FFT, la


potencial espectral es siempre real y la informacin de la fase se pierde siempre. Si
queremos informacin de la fase, debemos usar DFT/FFT, que nos da una salida
compleja.
Se puede usar la potencia espectral en aplicaciones donde no necesitamos
informacin de la fase. Por ejemplo, para calcular la potencia del harmnico en una
seal.
Funcin de autocorrelacin

Tambin se puede definir una funcin relacionada llamada autocorrelacin,


R()
Definicin. La autocorrelacin de una forma de onda real (fsica) es:
Ruido Blanco

El nombre de ruido blanco procede de que, al igual que la luz blanca,


contiene todas las frecuencias de luz en su espectro. Desde el punto
de vista del dominio del tiempo, el ruido blanco se denomina as
porque su funcin de autocorrelacin queda en blanco. Un ruido
blanco no es realista ya que tiene una potencia media infinita PXX =
, no obstante en la prctica aparecen otros ruidos semejantes al
blanco.
Algunas aplicaciones de los
procesamiento de seales
Sirve para determinar la funcin de transferencia de cualquier sistema lineal e
invariante con el tiempo (LTI, Linear Time Invariant). Por ejemplo, en acstica
arquitectnica la funcin de transferencia se usa para medir el aislamiento acstico
y la reverberacin de la sala.
En sntesis de audio (msica electrnica) se usa para sintetizar el sonido de
instrumentos de percusin, o los fonemas sordos: /s/, /t/, /f/, etc.
Tambin se puede usar para mejorar las propiedades de convergencia de
ciertos algoritmos de filtrado adaptativo mediante la inyeccin de una pequea
seal de ruido blanco en algn punto del sistema.
Ruido Termal

Es el generado por la agitacin trmica de electrones en cualquier


conductor elctrico. Este ruido tiene un espectro de potencia
constante hasta frecuencias muy altas y, entonces, decrece.
Ruido coloreado

Se denomina de esta manera a cualquier ruido que no sea blanco, es


decir, a aquellos cuya funcin espectro de potencia no sea constante.
El periodograma se calcula dividiendo la seal en un nmero
determinado de segmentos, posiblemente traslapados, y evaluando la
transformada de Fourier en cada uno de estos segmentos.