Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

FUNCIONES ALEATORIAS Una variable aleatoria se define como una funcin que representa grficamente el resultado de un experimento a los nmeros reales, esto es, X(), donde es un elemento del espacio muestral . Si la variable aleatoria es a su vez funcin de otra magnitud (por ejemplo, el tiempo) entonces se llama PROCESO ESTOCASTICO. Ms formalmente, un proceso estocstico es una funcin de dos variables t y . X(t,) tT y

Donde T es un conjunto de parmetros ndice (continuos o discretos) y es el espacio muestral. Hay cuatro posibilidades para X( . , . ): 1) Para cualquier t, 2) Para t variando y fija, =i 3) Para variando y t fija, t = ti 4) Para t y fijas, =i y t = ti X(t,) es una funcin aleatoria. X(t,i) es una funcin del tiempo o realizacin. X(ti,) es una funcin variable aleatoria. X(ti,) es un nmero.

En la prctica hay magnitudes aleatorias que varan sus valores en el proceso del experimento. La magnitud aleatoria que cambia su valor en el proceso de una prueba representa una funcin aleatoria. Se puede dar la siguiente definicin general: Se llama funcin aleatoria a aquella cuyo valor, para cada valor del argumento (o de los argumentos) es una variable aleatoria. Cada funcin concreta que puede se registrada durante una sola observacin de la funcin aleatoria se llama realizacin de la misma. Si se repiten las pruebas se obtienen diferentes realizaciones de la funcin aleatoria. NOMENCLATURA Las funciones aleatorias se indicarn con letras latinas maysculas (generalmente ltimas letras del alfabeto). Las realizaciones, con las minsculas correspondientes. Con t se designar el argumento de la funcin aleatoria. Es posible representar grficamente un conjunto de realizaciones, pero no una funcin aleatoria. Los argumentos de las funciones aleatorias pueden variar ininterrumpidamente en cierta zona o de un modo discreto. Los valores de la funcin aleatoria de un argumento discreto tienen una secuencia de magnitudes aleatorias llamadas secuencia aleatoria. La funcin aleatoria se puede considerar como el conjunto de magnitudes aleatorias Xt que representan los valores de la misma para diferentes valores de t:

X t X( t )

( < t < )

___________________________________________________________________ Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Esto quiere decir que la funcin aleatoria es equivalente a un conjunto infinito de variables aleatorias. De acuerdo a la definicin el valor de una funcin aleatoria escalar, para cualquier valor fijado del argumento t, es una magnitud aleatoria corriente. Se sabe que cualquier magnitud aleatoria se caracteriza por completo por su ley de distribucin. Por lo tanto, la caracterstica completa del valor de la funcin de la funcin aleatoria X(t), para cualquier valor fijado de t, es la densidad de probabilidad de este valor, que se designa por f1(x;t). Aqu, el primer argumento x designa el valor posible de la funcin aleatoria X(t) para un valor fijo de t. El segundo argumento t sirve de parmetro, del cual depende la densidad de probabilidad f1(x;t). La densidad unidimensional de probabilidad f1(x;t). no es suficiente, en el caso general, para una caracterstica completa de la funcin aleatoria. Dicha densidad puede caracterizar solamente a cualquier ordenada, tomada por aislada, de una funcin aleatoria. En la prctica, cuando se puede desear hallar derivadas o integrales de funciones aleatorias, es necesario examinar valores prximos de la funcin (derivada) o muchos valores para un nmero grande de valores de t (integral). Durante la derivacin es necesario examinar las ordenadas de una funcin aleatoria no por aislado, sino conjuntamente. De acuerdo con lo expuesto se fijan dos valores del argumento t: t1 y t2. Los valores X(t1) y X(t2) de la funcin aleatoria correspondientes a los valores mencionados del argumento, pueden caracterizarse por la densidad conjunta de probabilidad f2(x1,x2;t1,t2) que se llama densidad bidimensional de probabilidad de la funcin aleatoria X(t). En los problemas prcticos se encuentran con mayor frecuencia funciones aleatorias del tiempo, sin embargo, se tiene tambin que operar tambin con funciones aleatorias de otros argumentos. De acuerdo a los conceptos de densidad bivariada, la densidad univariada queda definida por la bivariada:
f1( x1 , t1 ) f2( x1 , x2 , t1 , t2 ) dx2

La densidad bidimensional de probabilidad de una funcin aleatoria representa una caracterstica ms completa de la misma que la unidimensional, puesto que por la densidad bidimensional se puede determinar la unidimensional. Pero tampoco la bidimensional es completa. Se puede seguir razonando del mismo modo hasta n dimensiones. De modo que cada densidad de distribucin posterior es una caracterstica ms completa de la funcin aleatoria que todas las densidades anteriores. Para el caso de la funcin aleatoria normalmente distribuida toda la secuencia infinita de densidades de probabilidad se determina por completo si se conoce la densidad bidimensional de probabilidad. La caracterstica de probabilidad completa de de una magnitud aleatoria resulta ser muy compleja. En la prctica se simplifica el trabajo, siendo necesario conocer los momentos de primero y segundo orden.

___________________________________________________________________ Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

ESPERANZA MATEMATICA DE UNA FUNCION ALEATORIA Fjese el valor de t y examnese el valor de la funcin aleatoria (para este valor del argumento) como una magnitud aleatoria corriente. Para esta magnitud aleatoria se puede determinar la esperanza matemtica , que hablando en general, depender del valor elegido de t. Dando a t todos los valores posibles, se obtendr cierta funcin mx(t) a la cual es natural llamarla Esperanza matemtica de la funcin aleatoria X(t).
mx(t) = M [ X(t) ] La esperanza matemtica de la funcin aleatoria se puede expresar por su densidad unidimensional de probabilidad:

m x( t ) x. f1( x , t ) dx

Segn la definicin, la esperanza matemtica representa el valor medio (pesado en cuanto a probabilidad) de la magnitud aleatoria. Por lo tanto, para cada valor dado de t, la ordenada de la curva mx(t) representa el valor medio de la funcin aleatoria X(t) para este valor de t. As, pues, la esperanza matemtica de la funcin aleatoria no es ms que una curva media alrededor de la cual se disponen las realizaciones posibles de la funcin aleatoria. Ejemplo: Se dispone de una funcin aleatoria dada por la siguiente expresin: . Xi, k Ui. sin tk. U 180 i

Si Ui es un vector de elementos aleatorios tal como el que surge de rnd(1) valores equiprobables entre 0 y 1.
i 0 .. 9 Ui rnd( 1 )

ndice que indicar realizacin Vector de elementos aleatorios

La funcin aleatoria ser un conjunto de sinusoides con amplitud y frecuencia aleatorias. k 0 .. 90 ndice que indica valores dentro de una realizacin tk k. 4 vector de valores de tiempo para evaluar Xi, k . Ui. sin tk. U 180 i Ui

___________________________________________________________________ Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

La expresin anterior corresponde a una matriz cuyas filas son realizaciones de la funcin aleatoria.

Calculando las medias de las realizaciones en cada uno de los puntos de definicin, se encuentra la media de la funcin aleatoria. El vector M contiene las medias en cada punto considerado de la funcin aleatoria <k > Mk mean X

DISPERSION DE UNA FUNCION ALEATORIA Es evidente que al considerar solamente la esperanza matemtica de la funcin aleatoria, se desprecian todas las desviaciones aleatorias posibles, reduciendo a la media todo el haz de realizaciones posibles de la funcin aleatoria. Importan tambin las desviaciones aleatorias respecto de estos valores medios. Conforme a esto, para caracterizar la fluctuacin de las realizaciones de una funcin en torno a su esperanza matemtica, se puede aprovechar la dispersin de dicha funcin, la cual por definicin, va expresada por la densidad unidimensional de probabilidad de la funcin aleatoria por la frmula:
Dx(t) = M { [ X(t) - mx(t) ] 2 }} = M { [ X0(t) ] 2 }}

___________________________________________________________________ Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

D x( t ) x

2 m x( t ) . f1( x , t ) dx

En problemas prcticos a veces es conveniente examinar la desviacin standard de la funcin aleatoria.

( t)

D x( t )

La esperanza matemtica y la dispersin (varianza) de la magnitud aleatoria son caractersticas numricas de sus valores para cada valor dado del argumento t. Ellas en cierto modo determinan la banda que se llena, por las realizaciones posibles de la funcin aleatoria.
Ejemplo: Continuando con la funcin anterior, se puede hallar la desviacin standard punto por punto:
Sk <k > stdev X

el vector S contiene las desviaciones standard en cada punto considerado de la funcin

aleatoria

FUNCION DE CORRELACION DE UNA FUNCION ALEATORIA A pesar de lo expresado anteriormente, la esperanza matemtica y la dispersin no determinan la conducta de las realizaciones posibles de la funcin aleatoria dentro de la banda indicada. En las siguientes figuras se representan las realizaciones de dos funciones aleatorias con iguales esperanzas matemticas y dispersiones. Sin embargo, estas se comportan de un modo completamente diferente. Es obvio que al derivar, por ejemplo, estas dos funciones aleatorias se obtendrn resultados absolutamente diferentes. Por eso, adems de la esperanza matemtica y de la dispersin de la magnitud aleatoria, se necesita conocer el grado de variabilidad de sus realizaciones, la rapidez de cambio de las mismas al variar el argumento t. ___________________________________________________________________ Funciones aleatorias 5

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

A ttulo de ejemplo, se toman dos valores t1 y t2 del argumento t en los dos grficos y se separa una realizacin de la funcin aleatoria de cada grfico. En el primer caso, el conocimiento de la ordenada de la realizacin en el punto t1 habla poco del valor de esta realizacin en el punto t2, como resultado de una gran intensidad de variacin de todas las realizaciones de la funcin aleatoria entre los puntos t1 y t2. En el segundo grfico, el conocimiento del valor de la realizacin en t = t1 permite indicar ms exactamente el valor posible de la realizacin cuando t = t2. En otras palabras, en el segundo caso el conocer el valor de la realizacin en el punto t = t1 prcticamente limita de modo considerable la gama posible de valores de las realizaciones en el punto t = t2.En el primer caso, los valores de las realizaciones posibles de la funcin aleatoria X(t1) y X(t2) en los puntos t1 y t2 dependen poco uno de otro. En el segundo caso, estos estn enlazados por una dependencia ms fuerte.

Para ilustrar grficamente esta tesis, se llevan al eje x1 los valores de la ordenada aleatoria X(t1) y al eje x2 los valores de la ordenada aleatoria X(t2). Se toma una gran cantidad de realizaciones y se marcan los puntos [X(t1),X(t2)]. Para las realizaciones de la funcin aleatoria, representadas en la primera figura anterior, las magnitudes aleatorias X(t1) y X(t2) estn vinculadas dbilmente. Por eso la dispersin de los puntos [X(t1),X(t2)] en el plano x1-x2 es en este caso aproximadamente circular.

Para las realizaciones de la funcin aleatoria, representadas en la segunda figura, las magnitudes aleatorias X(t1) y X(t2) estn enlazadas por una dependencia fuerte. Por eso, para la funcin aleatoria cuyas realizaciones se estn considerando, los puntos posibles [X(t1),X(t2)] se dispondrn en el plano x1-x2 formando una elipse alargada. Ejemplo: Para una funcin aleatoria como la siguiente: Xi , k rnd( 1 ) .5

___________________________________________________________________ Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Para caracterizar el grado de dependencia de los valores de una funcin aleatoria correspondientes a dos valores diferentes del argumento, lo ms simple es valerse del momento de correlacin de estos valores de la funcin aleatoria. Se llama Funcin Aleatoria Centrada a la diferencia entre la funcin aleatoria y su esperanza matemtica:
X 0 ( t ) = X ( t ) - mx ( t )

Entonces, el momento de correlacin de los valores X(t) y X(t') de la funcin aleatoria X(t), que corresponden a dos valores arbitrarios elegidos del argumento t , t', se determinar por la frmula:
kx ( t , t' ) = E [ X 0 ( t ) . X 0 ( t' )]

dando a t y t' todos los valores posibles en la zona de variacin del argumento de la funcin aleatoria X ( t ) , se obtiene la funcin de dos variables t y t' que se denomina Funcin Correlativa (a veces Autocorrelativa) de la funcin aleatoria X ( t ). As pues, se llama funcin correlativa de la funcin aleatoria X ( t ) al momento de correlacin de sus valores para dos valores del argumento t, t', considerado como una funcin de t y t'. Al coincidir los valores de los argumentos t = t', el segundo miembro de la frmula anterior representa la esperanza matemtica del cuadrado de la funcin aleatoria centrada, es decir, la dispersin de la funcin aleatoria X(t). k ( t , t ) D x( t ) As, la asignacin de la funcin correlativa de una funcin aleatoria determina tambin su dispersin. En el caso ms general de todos, para calcular la funcin correlativa de una funcin aleatoria se debe conocer la densidad bidimensional de probabilidad:

k x( t , t)

x m x( t ) . x m x( t) . f2( x , x , t , t) dx dx

De esta frmula y de otra anterior [para calcular mx(t)] se ve que para calcular ambas funciones se necesita conocer la densidad bidimensional (y por consiguiente la unidimensional) de probabilidad. Sin embargo, en muchos problemas prcticos se puede calcular mx(t) y kx(t,t') empleando mtodos ms simples. A veces, para caracterizar el enlace entre los valores de una magnitud aleatoria, en vez de la funcin correlativa, se usa la Funcin Correlativa Normada que representa el coeficiente de correlacin de los valores de la funcin aleatoria para dos valores del argumento. La funcin correlativa normada de una funcin aleatoria normada de una funcin aleatoria X(t) se determina por la frmula: ___________________________________________________________________ Funciones aleatorias 7

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

R x( t , t)

k x( t , t) D x( t ) . D x( t)

k x( t , t) k x( t , t ) . k x( t , t)

En lo sucesivo se necesitar examinar todava el momento inicial de segundo orden de una funcin aleatoria, el cual se determina como el momento inicial mixto de segundo orden de sus valores para los valores arbitrariamente elegidos t , t' de su argumento.

x( t , t) M( X( t ) . X( t) ) k x( t , t)

m x( t ) . m x( t)

De acuerdo con la definicin del momento de correlacin de las magnitudes aleatorias complejas, la funcin correlativa de una funcin aleatoria compleja X(t) se determina por:
k x ( t , t' ) = M [ X0 ( t ) . X0 ( t' )* ]

Donde X0 ( t' )* es el conjugado de X0 ( t' ). PROPIEDADES DE LAS ESPERANZAS MATEMATICAS 1) La esperanza matemtica de cualquier magnitud no aleatoria es igual a la propia magnitud: M( c ) c 2) La esperanza matemtica del producto de una magnitud no aleatoria por una aleatoria es igual al producto de la primera magnitud por la esperanza matemtica de la segunda. M( c. Z) c. M( Z) 3) La esperanza matemtica de la suma de dos magnitudes aleatorias es igual a la suma de sus esperanzas matemticas. M( Z Y) M( Z) M( Y ) 4) La esperanza matemtica de una funcin lineal de variables aleatorias de la forma: n U a .Z b
i i

i= 1 es igual a la misma funcin de las esperanzas matemticas de estas magnitudes: n mu ai. mz b i i= 1

PROPIEDADES DE LAS DISPERSIONES Y DE LOS MOMENTOS DE CORRELACION 1) La dispersin de cualquier magnitud no aleatoria es igual a cero y el momento de correlacin de dos magnitudes no aleatorias es igual a cero.
___________________________________________________________________ Funciones aleatorias 8

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

2) El momento de correlacin del producto de cualquier magnitud aleatoria con otra no aleatoria es siempre igual a cero. 3) La dispersin del producto de una magnitud aleatoria por otra no aleatoria es igual al producto de la dispersin de la magnitud aleatoria por el cuadrado del mdulo de la no aleatoria. 2 D( c. X ) ( c ) . D( X ) 4) El momento de correlacin de las magnitudes aleatorias: U a. X V b. Y donde a y b son constantes complejas (para generalizar) arbitrarias y X e Y son magnitudes aleatorias, se determina por la frmula:
k uv a. b. k xy

5) Si las magnitudes aleatorias U y V representan funciones lineales de las magnitudes aleatorias X1, X2, ... , Xn : n n U ai. Xi b V ci. Xi d
i= 1 i= 1 entonces la dispersin de la magnitud aleatoria U y el momento de correlacin de las magnitudes aleatorias U y V se determinan por las frmulas: n n n n Du ai. aj. kij k uv ai. cj. kij (48-1) (1) i= 1 j = 1 i= 1 j = 1 donde kij es el momento de correlacin de las magnitudes aleatorias Xi, Xj (cuando i=j, la magnitud kii representa la dispersin de la magnitud aleatoria Xi) 6) En el caso particular, cuando se trata de magnitudes aleatorias no correlacionadas X1, X2, ... , Xn las magnitudes kij con distintos ndices son iguales a cero y las frmulas anteriores se convierten en: n n 2. (48-2) (2) Du ai Di k uv ai. cj. Di i= 1 i= 1 Donde Di = kii es la dispersin de la magnitud aleatoria Xi (i = 1,...,n) Un caso particular de (48-1) es: n U i= 1 Xi

luego:
n Du n kij

i= 1 j = 1 7) Y si las magnitudes aleatorias X1, X2, ... , Xn no estn correlacionadas:

___________________________________________________________________ Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

n Du Di i= 1 Las dos ltimas frmulas son aplicables para cualesquiera magnitudes aleatorias no correlacionadas. En particular, son vlidas para las magnitudes aleatorias independientes.

EJEMPLOS DE FUNCIONES ALEATORIAS

1) Se va a considerar la siguiente funcin aleatoria:
X( t ) U. sin( t ) V. cos( t )

(49-1)

(2)

Donde U y V son magnitudes aleatorias no correlacionadas (kuv = 0)cuyas esperanzas matemticas son nulas y cuyas dispersiones son iguales a D1 y D2 respectivamente. Las realizaciones de esta funcin son sinusoides con diferentes amplitudes y fases iniciales. En el ejemplo en cuestin la funcin aleatoria representa la combinacin lineal de dos magnitudes aleatorias con los coeficientes sin(t) y cos(t). nr 100 i 0 .. nr 1 vr 90 k 0 .. vr 1 tk k. 4
n 0 .. 11

Nmero de realizaciones ndice que indica realizacin Valores dentro de una realizacin ndice que indica valores dentro de una realizacin vector de valores de tiempo para evaluar ndice auxiliar 6 Vi rnd( 1 ) 6

Ui

rnd( 1 )

n n U y V son vectores con valores distribuidos normalmente con media cero y varianza uno. Xi, k Ui. sin tk. Vi. cos tk. matriz cuyas filas son valores de 180 180 realizacin
r 9 .. 18

ndice para lograr 10 realizaciones en el siguiente grfico

___________________________________________________________________ 10 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Calculando las medias de las 20 realizaciones en cada uno de los puntos de definicin, se encuentra la media de la funcin aleatoria. Mk <k > mean X

el vector M contiene las medias en cada punto considerado de la funcin aleatoria Del mismo modo se puede hallar la desviacin standard punto por punto:
Sk <k > stdev X

el vector S contiene las desviaciones standard en cada punto considerado de la funcin aleatoria Superponiendo la media y la desviacin standard a las realizaciones, queda grficamente:

Segn la teora, la media de esta funcin aleatoria es cero y la desviacin standard es uno.

___________________________________________________________________ 11 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Esto, grficamente, significa que la mayora de las realizaciones se centra sobre la media y adems se halla concentrada mayoritariamente dentro una franja que tiene un ancho de dos desviaciones standard con eje de dicha franja en la media. Para hallar la funcin de correlacin, se procede del siguiente modo: El vector C contendr, punto a punto, los valores de la funcin de correlacin, que segn la teora es una de tipo cosenoidal.
<0 > . <k > X X i i Ck i rows( X)

Tericamente, aplicando una de las propiedades de la esperanza matemtica a la expresin (49-1), se deduce: m x( t ) mu. sin( t ) mv. cos( t ) 0

por ser la esperanzas matemticas, de ambas magnitudes aleatorias, nulas. Poniendo t = t' en la funcin aleatoria: X( t) U. sin( t) V. cos( t)

Los valores X(t) y X(t') de la funcin aleatoria examinada, para dos valores arbitrarios del argumento, son combinaciones lineales de dos magnitudes aleatorias no correlacionadas U y V. Aplicando la propiedad (48-2) de los momentos de correlacin de dos combinaciones lineales de magnitudes aleatorias no correlacionadas, se halla la funcin correlativa de la funcin aleatoria X(t). k ( t , t) D1. sin( t ) . sin( t) D2. cos( t ) . cos( t)

En el caso particular, cuando D1 = D2 = D, queda:

___________________________________________________________________ 12 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

k ( t , t) D. cos( t

t)

(49-2) (3)

______________________________________________________________________
2) En un caso ms general, cuando: n X( t ) Xi. f i( t ) i= 1 Donde f1(t), ... , fn(t) son funciones no aleatorias cualesquiera, en el caso ms general complejas, y X1, ..., Xn son magnitudes aleatorias cualesquiera con esperanzas matemticas arbitrarias pero finitas, y momentos de segundo orden. La esperanza matemtica se halla aplicando la propiedad de las esperanzas matemticas de una funcin lineal de las magnitudes aleatorias: n m x( t ) mx . f i( t ) i i= 1 ya que los valores de la funcin aleatoria que se examina son, para dos valores del argumento arbitrariamente elegidos, funciones lineales de las mismas magnitudes aleatorias, se puede aplicar la propiedad (48-1): n k x( t , t) kij. f i( t ) . f j ( t) i= 1 donde kij es el momento de correlacin de las magnitudes aleatorias Xi, Xj ( i,j = 1, ... , n y kii = Dxi . ______________________________________________________________________ 2) Generalizando el problema 1, suponer aleatorias no slo la amplitud y la fase sino tambin la frecuencia de las oscilaciones armnicas. Examnese la funcin aleatoria:
X( t ) U. sin( . t ) V. cos( . t )

Donde U, V y son magnitudes aleatorias independientes, con la particularidad que las magnitudes U y V tienen medias nulas y las mismas dispersiones D, y la magnitud aleatoria se caracteriza por la densidad de probabilidad f(). La esperanza matemtica de la funcin aleatoria X(t) es idnticamente igual a cero. Esto se puede demostrar fijando un valor particular de , lo que lleva al primer ejemplo. La frmula (49-2) determina la funcin correlativa condicional de la funcin aleatoria X(t) para el valor dado de de la frecuencia .
k x ( t , t' / ) = M [ X(t) . X(t) / = ] = D . cos [ . ( t - t' ) ]

Ahora, para hallar la funcin correlativa de la funcin aleatoria X(t) basta multiplicar la funcin correlativa condicional hallada, con el elemento correspondiente de probabilidad f(). e integrar con respecto a todos los valores posibles de de la ).d ). magnitud aleatoria . Entonces, teniendo en cuenta que la frecuencia de las ___________________________________________________________________ 13 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

oscilaciones es, en su esencia, una magnitud positiva, debido a lo cual su densidad de probabilidad f() es igual a cero para < , se obtiene: <0

0 Examnese el caso concreto cuando: 2. f( ) 2 2 . En este caso queda: 2. . D. cos( . ( t t) ) k x( t , t) d 2 2 0 Esta integral puede calcularse por muchos procedimientos, quedando:
. t t k x( t , t) D. e

k x( t , t) D.

f( ) . cos( . ( t

t) ) d

(49-3)

(4)

Numricamente, el planteo del problema podra ser:

f( )

10

2. .
2

coeficiente

(49-4) (5)

funcin densidad de la distribucin de frecuencias La integral de esta funcin dar la Funcin Distribucin: atan F( ) 2. Si en esta funcin se sustituye F() por rnd(1) y se despeja se puede tener un conjunto de valores que tengan la distribucin (49-4).
j 0 .. 400

ndice que dar el tamao del vector formado rnd( 1 ) . 2 vector

Wj

. tan

para verificar este hecho se construir un histograma.

n1 8 k2 0 .. n1 Max 100

inter k2

nmero de intervalos ndice para generar n1 intervalos m 0 Extremos del intervalo de anlisis Max m. k2 vector de intervalos n1

___________________________________________________________________ 14 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

h hist( inter, W ) k1 0 .. n1 1 0 , 0.1 .. 100

vector que cuenta las frecuencias en cada intervalo ndice auxiliar

Como se puede observar, la distribucin de los datos sigue perfectamente la ecuacin (49-4). Formando la matriz cuyas filas son valores de realizacin: nr 100 i 0 .. nr 1 vr 90 k 0 .. vr 1 tk k. 4
Xi, k r Ui. sin Wi

Nmero de realizaciones ndice que indica realizacin Valores dentro de una realizacin ndice que indica valores dentro de una realizacin vector de valores de tiempo para evaluar
.t . k 180 Vi. cos Wi .t . k 180

9 .. 12

ndice para lograr 4 realizaciones en el siguiente grfico

Calculando las medias de las 20 realizaciones en cada uno de los puntos de definicin, se encuentra la media de la funcin aleatoria. ___________________________________________________________________ 15 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

El vector M contiene las medias en cada punto considerado de la funcin aleatoria <k > Mk mean X Del mismo modo se puede hallar la desviacin standard punto por punto: <k > Sk stdev X el vector S contiene las desviaciones standard en cada punto considerado de la funcin aleatoria Superponiendo la media y la desviacin standard a las realizaciones, queda grficamente:

Para hallar la funcin de correlacin, se procede del siguiente modo: <0 > . <k > X X i i Ck i rows( X)

El vector C contendr, punto a punto, los valores de la funcin de correlacin, que segn la teora es una de tipo exponencial decreciente.

___________________________________________________________________ 16 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

FUNCIONES ALEATORIAS ESTACIONARIAS Generalmente se llama estacionarios a aquellos procesos y objetos cuyas caractersticas no dependen del tiempo de observacin, es decir no cambian al decalar arbitrariamente el tiempo (son invariantes con respecto a cualquier decalaje del tiempo). De acuerdo con lo dicho, se denomina ESTACIONARIA a una funcin aleatoria X(t) si determinadas caractersticas probabilsticas de la funcin de la funcin aleatoria X(t+), cualquiera sea , coincide idnticamente con las caractersticas correspondientes a X(t). Es evidente que la esperanza matemtica y la dispersin de la funcin aleatoria estacionaria son constantes y su funcin correlativa depende slo de la diferencia de los argumentos t - t'. En efecto, segn la definicin general de la estacionariedad, la esperanza matemtica y la funcin correlativa de la funcin aleatoria X(t) satisfacen las condiciones: m x( t) m x( t

k x( t , t) k x( t

, t

cualquiera sea . Poniendo en la primera = t se obtiene: m x( t ) m x( 0 ) cte Poniendo en la segunda = t' se obtiene:
k x( t , t) k x( t t , 0 )

La dispersin de la funcin aleatoria X(t) es igual al valor de su funcin correlativa cuando t = t'. Por eso, de lo anterior: D x( t ) k x( t , t) k x( 0 , 0 ) D x( 0 ) cte Designando la funcin de una variable t - t' por kx(t-t') , se puede escribir:
k x( t , t) k x( t t) k x( )

donde

Ahora bien, si la funcin aleatoria X(t) es estacionaria, entonces, dondequiera que se elija un intervalo de longitud dada en el eje de las variables independientes t, los valores de la funcin aleatoria X(t) tienen en los extremos de este intervalo un mismo momento de correlacin kx(). Para todos los problemas prcticos en los que se trata slo con momentos de los dos primeros rdenes (esperanzas matemticas y funciones correlativas) basta la constancia de la esperanza matemtica y la dependencia de la funcin de correlacin slo de la diferencia de los argumentos para considerar estacionaria a una funcin aleatoria.

___________________________________________________________________ 17 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Por eso, las funciones aleatorias cuyas esperanzas matemticas son constantes y las funciones correlativas dependen slo de la diferencia de argumentos se llaman estacionarias en el sentido amplio. La estcionariedad en el sentido amplio representa el tipo ms simple de estacionariedad. Segn la definicin dada, la funcin aleatoria con esperanza matemtica variable es no estacionaria incluso si la funcin de correlacin de la misma depende slo de la diferencia de los argumentos.. Sin embargo, tal estacionariedad es, evidentemente no esencial, puesto que la funcin aleatoria centrada X0(t) = X(t) - mx(t) es estacionaria siempre que la funcin correlativa de la funcin aleatoria X(t) dependa slo de la diferencia de argumentos. Como la funcin correlativa de cualquier funcin aleatoria es simtrica, es decir no cambia de valor al permutar los valores de los argumentos, entonces la funcin correlativa de una funcin aleatoria estacionaria satisface la condicin: k x( t t) k x( t t) o bien k x( ) k x( )

As pues, la funcin correlativa de una funcin aleatoria estacionaria es funcin par de la diferencia de los argumentos. Por otro lado, de las propiedades de la funcin correlativa, aplicadas a funciones aleatorias estacionarias: k x( ) k x( 0 ) D x

De modo que, la funcin correlativa de una funcin aleatoria estacionaria, cualquiera sea , no puede ser en magnitud absoluta, mayor que su valor correspondiente en el origen de coordenadas.
Ejemplos:

1) En el ltimo ejemplo anterior, haba una funcin correlativa dependiente slo de la diferencia de argumentos, de la forma: k x( ) Dx. e
.

donde

2) La funcin aleatoria:
X( t ) U. sin( . t ) V. cos( . t )

es estacionaria solamente en el caso cuando las dispersiones de las magnitudes aleatorias U y V son iguales. En el caso general de diferentes dispersiones de las magnitudes aleatorias U y V esta funcin aleatoria no es estacionaria. Ahora bien, la oscilacin armnica de cierta frecuencia, con amplitud y fase aleatorias representa en el caso general una funcin aleatoria no estacionaria y solo en el caso particular de ser iguales las dispersiones de los coeficientes aleatorios adjuntos al seno y coseno, es una funcin aleatoria estacionaria. 3) La funcin aleatoria: ___________________________________________________________________ 18 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

X( t ) U. sin( . t )

V. cos( . t )

es estacionaria cualquiera que sea la densidad de probabilidad de la frecuencia aleatoria de las oscilaciones f() puesto que su esperanza matemtica es idnticamente igual a cero, mientras que la funcin correlativa, determinada por (49-3) depende slo de la diferencia de argumentos. 4) Si: m x( t ) a b. t
. ( t t ) k x( t , t) D. e

entonces la funcin aleatoria X(t) es no estacionaria. No obstante, esta no estacionariedad no es esencial, puesto que la correspondiente funcin aleatoria X0(t) es estacionaria. SECUENCIAS ALEATORIAS - PROCESOS ALEATORIOS MARKOVIANOS Los valores de la funcin aleatoria en la serie discreta de los puntos fijos t1, t2, ..., tn forman una secuencia aleatoria Xr = X(tr) (r = 1, 2, ...). Es evidente que el trmino arbitrario de la secuencia aleatoria Xr se puede considerar como funcin aleatoria de su nmero, es decir, del argumento r representado por un nmero entero y, de este modo, no examinar el argumento t. Si el nmero de valores del argumento tr es finito, los valores correspondientes de la funcin aleatoria forman una secuencia aleatoria finita. Los trminos de la secuencia aleatoria finita se pueden considerar como componentes de un vector aleatorio. Por consiguiente, para las secuencias aleatorias finitas es vlida por completo la teora de los vectores aleatorios. Si el nmero de valores del argumento tr es infinito, los valores correspondientes de la funcin aleatoria forman una secuencia aleatoria infinita. La secuencia de valores del agumento {tr}puede irse a la infinidad por el eje t a un lado cualquiera (positivo o negativo) o a ambos lados. En el ltimo caso con los valores tr del argumento t se confrontan todos los nmeros enteros desde menos infinito a ms infinito. En lo sucesivo se examinar siempre, para que el exmen tenga un carcter general, las secuencias aleatorias infinitas a ambos lados. A veces en los problemas de aplicacin la secuencia aleatoria se llama funcin aleatoria enrejada y el argumento representado por nmeros enteros, de tal funcin aleatoria se toma entre corchetes para diferenciarlo del argumento contnuamente variables:
Xr =X[r] (r=0, + 1, + 2, ...)

La caracterstica probabilstica completa de una secuencia aleatoria es la secuencia de leyes de distribucin de sus trminos tomados uno a uno, dos a dos, tres a tres, etc. La secuencia aleatoria se considera normalmente repartida, si sus leyes de distribucin de todos los rdenes son normales. ___________________________________________________________________ 19 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Limitndose a los momentos de primer y segundo orden, se puede caracterizar la secuencia aleatoria por su esperanza matemtica y su funcin correlativa. La esperanza matemtica de una secuencia aleatoria es, evidentemente, una secuencia de nmeros que representan las esperanzas matemticas de los trminos correspondientes de la secuencia aleatoria:
mrx = M [ X r ] =M [ X ( tr ) ] (r = 0, + 1, + 2, ...)

La funcin correlativa de una secuencia aleatoria representa el momento de correlacin de dos trminos de esta secuencia elegidos arbitrariamente, considerado como funcin de los nmeros de los trminos mencionados:
krsx = M [ X0r . X0s ] =M [ X0 ( tr ) . X0 ( ts )] (r,s = 0, + 1, + 2, ...)

Ejemplo: Los valores de la funcin aleatoria con esperanza matemtica y funcin correlativa: mx = a + b.t kx ( t , t' ) = D.e - . | t - t' | (r = 0, + 1, + 2, ...) forman la

para los valores equidistantes del argumento tr = r . secuencia aleatoria Xr con la esperanza matemtica:
mrx = a + b. r . (r = 0, + 1, + 2, ...)

y la funcin correlativa:
kxrs = D.g - | r - s | , g = e - .

El tipo ms simple de secuencia aleatoria es la de magnitudes aleatorias independientes. Para tal secuencia aleatoria la funcin correlativa es igual a la dispersin del trmino correspondiente de la secuencia, siendo iguales los valores de los argumentos (r = s), y es igual a cero si los argumentos tienen diferentes valores ( r <> s). En cuanto a la simplicidad, el siguiente tipo de secuencias en las que la dependencia entre los trminos parece extenderse slo a un nmero pequeos de trminos vecinos. Tales secuencias aleatorias se llaman Cadenas Markovianas. Se va a ver a continuacin una definicin exacta de las cadenas markovianas. La secuencia aleatoria {Xr} se denomina cadena markoviana simple, si la ley condicional de distribucin de cada trmino de la secuencia Xr con respecto a los trminos anteriores Xr-1 , ... , Xr-n , para cualquier n > 1, depende solamente del valor que toma el trmino precedente de la secuencia Xr-1. As pues la secuencia aleatoria es una cadena markoviana simple, si la densidad condicional de probabilidad de cada uno de sus trminos Xr con respecto a los trminos anteriores Xr-1 , ... , Xr-n para cualquier n > 1 es idnticamente igual a la densidad condicional de probabilidad Xr con respecto a Xr-1: ___________________________________________________________________ 20 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

f r ( x r | x r - 1 , . . . , x r - n ) = fr ( x r | x r - 1 )

(n = 2, 3, . . .)

La secuencia aleatoria {Xr} se denomina cadena markoviana compuesta de orden k, si la ley condicional de distribucin de cada trmino de la secuencia Xr con respecto a los trminos anteriores Xr-1 , ... , Xr-n , para cualquier n > 1, depende solamente de los valores que toman k de los trminos precedentes Xr-1 , ... , Xr-k es decir: f r ( x r | x r - 1 , . . . , x r - k , x r - k -1 , . . . , x r - n ) = = fr ( x r | x r - 1 , . . . , x r - k ) (n = k + 1 , k + 2, . . . )
Ejemplo 1: Como introduccin se hallar la esperanza matemtica y la dispresin de la frecuencia de un acontecimiento para n pruebas independientes realizadas en iguales condiciones. Se designa por Xi el nmero de veces que sucede el acontecimiento A como resultado de la i-sima prueba. Se calcular la esperanza matemtica y la dispersin de la magnitud aleatoria Xi. Esta magnitud tiene dos valores posibles 0 y 1, cuyas probabilidades son q = 1 p y p respectivamente. Por lo tanto: mxi = 0 . q + 1 . p = p

(i = 1, 2, . . ., n)

As pues, la esperanza matemtica del nmero de veces que se produce un acontecimiento al efectuar un solo experimento es siempre igual a la probabilidad de este acontecimiento. Para hallar la dispersin de la magnitud aleatoria Xi se procede:
Dxi = (0 - mxi )2 . q + (1 - mxi )2 . p = p2 . q + q2 . p = p. q . (p + q) = p . q (i = 1, 2, . . ., n)

Segn la definicin, la frecuencia U de un acontecimiento A representa la relacin del nmero de veces que sucede el acontecimiento A, el cual es evidentemente, igual al nmero de veces que se produce este en cada una de las pruebas, al nmero total de experimentos realizados: n 1. U Xi n i= 1
Esta frmula muestra que la frecuencia del acontecimiento A es una combinacin lineal de las magnitudes aleatorias independientes X1, X2, . . . , Xn que representan los nmeros de veces que ocurre el acontecimiento A en cada una de las pruebas realizadas. Por consiguiente, para determinar la esperanza matemtica de la frecuencia U se puede hacer uso de la propiedad de las esperanzas matemticas referidas a las combinaciones lineales de magnitudes aleatorias, teniendo en cuenta que en ese caso los coeficientes ai son iguales a 1/n y el trmino independiente es igual a cero, se obtiene:

___________________________________________________________________ 21 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

mu

1. n

n mx
i

1. n

n p p

i= 1 i= 1 As pues, la esperanza matemtica de la frecuencia de un acontecimiento es igual a la probabilidad de este ltimo. Para determinar la dispersin se recurre a las propiedades sobre dispersin de variables aleatorias, como resultado se obtiene: 1. n
2

n Dx i= 1
i

Du

1. n
2

n p. q i= 1 p.

q n

De los resultados obtenidos se puede sacar la deduccin prctica siguiente: La esperanza matemtica de la frecuencia, cualquiera sea el nmero de pruebas, es igual a la probabilidad del acontecimiento, y la dispersin de la frecuencia tiende a cero cuando el nmero de pruebas es lo suficientemente grande. Ingresando en el ejemplo propiamente dicho, examnese la secuencia de experimentos independientes en condiciones iguales. Sea Xr el nmero de veces que se produce cierto acontecimiento A al realizar la r-sima prueba y p la probabilidad de que se produzca el acontecimiento A en cada prueba. Es evidente que la secuencia X1, X2, . . . , Xr, . . . es es la secuencia de magnitudes aleatorias independientes con la esperanza matemtica constante mrx = p y la funcin correlativa krrx = p . q , krsx = 0 cuando
s<> r.

n2
n1

100
200

repeticin de la prueba nmero de pruebas

i
j

0 .. n2 1
0 .. n1 1

Yi, j

ceil( rnd( 6 ) )

Matriz de orden n1*n2 con los resultados de n1 experiencias de arrojar un dado n2 veces. Se obtienen n1 magnitudes aleatorias independientes. El nmero de veces que se produce el acontecimiento A = "sale un 6" en la jsima prueba es: Y1i, j Xj . El vector X indica el nmero de veces que se produce el acontecimiento A en la primera prueba, en la segunda, ..., en la j-sima. si cada elemento se divide por el nmero de pruebas (n2) se obtiene la media de cada variable aleatoria (mrx) y que en el lmite debera ser p (probabilidad de sacar un seis) que vale 1/6. Esto se puede apreciar en el grfico. ___________________________________________________________________ 22 Funciones aleatorias if Yi, j< 6 , 0 , 1 <j > Y1 Pone en cero todo elemento de la matriz distinto de 6 Suma los elementos de la j-sima columna

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

SEALES ALEATORIAS En forma general, una seal es una funcin de una variable, el tiempo. En el caso de las seales determinsticas, para cada instante de tiempo (variable independiente) existe un valor nico de la funcin (variable dependiente). En cambio, si la seal es aleatoria, existe incertidumbre sobre el valor que tomar en cada instante. La funcin (o seal) puede ser real o compleja, sin embargo el tiempo siempre tendr un valor real. Se pueden distinguir cuatro tipos:

Seales Peridicas, Seales no Peridicas. Seales Determinsticas, Seales Aleatorias. Seales de Energa, Seales de Potencia. Seales Analgicas, Seales Digitales.

Las seales aleatorias son manifestaciones de procesos elctricos aleatorios que ocurren en el tiempo. Si v(t) es una seal aleatoria, v es una variable aleatoria que representa los valores de v(t) en los tiempos de observacin. Una seal es de energa si y slo si tiene una energa positiva y finita en todo el tiempo:
T

2 2 2 Ev = lim v ( t) dt = v ( t) dt T T
2

(0 < Ev < )

Una seal es de potencia si y slo si tiene una potencia positiva y finita en todo el tiempo:
T 2 1 2 Pv = lim v ( t ) dt T T T 2

(0 < Pv < )

En general, las seales peridicas son seales determinsticas y de potencia y las seales aleatorias son seales no peridicas y de energa.. Bajo ciertas condiciones, se denomina ergodicidad a una relacin comprensible de manera intuitiva, entre los promedios estadsticos y los promedios de tiempo que sern obtenidos. Sea v(t) la forma de onda de tensin producida por algn generador de ruido, de tal manera que v(t) es una seal aleatoria de potencia promedio finita (seal de potencia). Si se examina la forma de onda durante un perodo largo, se pueden medir o calcular sus diferentes promedios de tiempo. Adems el significado de estos promedios es aparente: <v(t)> es la componente de continua del ruido y <v2(t)> es su potencia promedio.

___________________________________________________________________ 23 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Por otro lado, supngase que se pudiera disponer de un gran nmero de generadores idnticos, lo que se conoce como ensamble. Los miembros del ensamble son idnticos en el sentido de que tienen la misma descripcin estadstica; sin importar que sus seales individuales - conocidas como funciones muestra (realizaciones) sean diferentes. Una seal en particular, designada ahora vi(t) por claridad, es una de la infinidad de funciones muestra que un determinado generador de ruido puede producir. La familia completa de funciones muestra se simbolizar con v(t).

En la figura se puede apreciar las dos clases de promedios que se pueden hallar: 1) Se pueden efectuar mediciones sucesivas en una funcin muestra vi(t) para encontrar sus promedios de tiempo <vi (t)> 2) Se pueden examinar todas las funciones muestra durante un tiempo particular, por ejemplo t1, y encontrar los promedios de ensamble E[v(t1)]. Obviamente, los promedios de ensamble son los mismos que los promedios estadsticos en t= t1. En general, los promedios de ensamble pueden diferir de los promedios de tiempo. Esto ocurre cuando las propiedades estadsticas de los generadores varan en el tiempo, ya que la variacin en el tiempo sera promediada en el tiempo y no en el ensamble. Sin embargo, muchas de las seales aleatorias en sistemas de comunicaciones provienen de procesos ergdicos, significando esto que los promedios de tiempo y de ensamble son idnticos. O sea, E[v(t)] = < v(t)>. Un proceso ergdico es tambin estacionario puesto que los promedios de ensamble son independientes del tiempo de observacin. En lo sucesivo se tratar con seales aleatorias que son funciones muestra de procesos ergdicos. Por lo que estas seales son de potencia, ya que E[v2(t)] no depende de t, y se pueden hacer los siguientes enunciados: 1) El valor medio v es la componente de continua (CD) de la seal.

2) El valor medio al cuadrado es la potencia de la componente de continua, potencia de CD. 3) El valor cuadrado medio es la potencia promedio total.

___________________________________________________________________ 24 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

4) La varianza v2 es la potencia de la componente variando con el tiempo, es decir, la potencia de CA.

O bien

5) La desviacin standard v es la raz cuadrtica media (valor eficaz) de la componente variando con el tiempo, es decir, el valor rms. Las relaciones anteriores slo se aplican a fuentes ergdicas. CORRELACION La Funcin de Autocorrelacin, como se vio anteriormente, estaba dada por:
Rv ( t , t) = E ( v ( t ) v ( t) )

Siendo v(t) una funcin aleatoria. Adems, si la funcin es estacionaria, Rv depende del lag (diferencia) = t t. Reemplazando en la expresin anterior, queda:
R v ( ) = E ( v ( t ) v ( t + ) )

El promedio de tiempo que implica la esperanza matemtica se pude indicar como:

1 T Rv ( ) = lim v ( t ) v ( t + ) dt T 2 T T
Dos son los motivos para considerar la funcin de autocorrelacin de una seal aleatoria: 1) a Rv() le corresponde proporcionar informacin til acerca de v(t). 2) segn el teorema de Wiener-Kinchine, la descripcin del dominio de la frecuencia de una seal aleatoria es su densidad espectral de potencia Gv(f) = F[Rv()]. Se debe notar que Rv() es una funcin determinstica an cuando v(t) es aleatoria. Para tales procesos la funcin de autocorrelacin exhibe las siguientes propiedades:

La primera propiedad muestra que Rv() est limitada por su valor en el origen, mientras que la tercera propiedad establece que este lmite es igual al valor medio ___________________________________________________________________ 25 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

cuadrado llamado potencia promedio total ( ) en el proceso. La segunda propiedad indica que la funcin autocorrelacin tiene simetra par. Adems se verifica que:

dado que la variables aleatoria v(t) es incorrelacionada consigo misma cuando el lag es muy grande, lo que lleva a que v2 =0. En el caso en que el proceso no sea peridico, de serlo su autocorrelacin tambin es peridica con el mismo perodo. Ejemplo 1: Dada la funcin de autocorrelacin para un proceso estacionario:
Rv ( ) = 25 + 4 1 + 6
2

encontrar el valor medio y la varianza del proceso v(t). Dado que:

( v) 2 =

lim

4 25 + = 25 2 1 + 6

Luego La varianza est dada por: Potencia promedio total=E[v2(t)] = Rv(0) = 25 + 4 = 29 luego:
2v = 29 25 = 4

Ejemplo 2: Sinusoide en fase aleatoria Sea la siguiente seal aleatoria: v( t) A. cos( 0. t

0 2. . f

A y 0 son constantes y es una variable aleatoria con densidad de probabilidad uniforme con valores comprendidos entre 0 y 2. El siguiente segmento en Matlab crea una arreglo de M=100 filas y N=1000 columnas que simulan (en forma aproximada) a la seal aleatoria. Luego, grafica tres realizaciones. M=100;N=1000;A=2;w0=3; i=1:N;G=rand(1,M);gamma=2*pi*G;

___________________________________________________________________ 26 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

for i=1:M, for j=1:N, v(i,j)=A*sin(2*pi*(j-1)*w0/N+gamma(i)); end end j=1:N;plot(j,v(1,j),j,v(20,j),j,v(35,j))

Segn la teora:
) A. cos( 0. ( t ) ) A. cos( 0. t 0. 2 R v( ) E A . cos( 0. t ) . cos( 0. t 0. )

v( t

A . A . R v( ) E cos( 0. ) cos( 2. 0. t 0. 2. ) 2 2 Aplicando propiedad distributiva de la Esperanza respecto de la suma E( cos( 0. ) ) cos( 0. )

y el segundo trmino resulta nulo al promediar respecto del tiempo. Luego:

A . cos( 0. ) 2 Para hallar la funcin de correlacin desde la simulacin, se procede del siguiente modo (agregando al anterior segmento de Matlab): for j=1:N, C(j)=sum(v(:,1).*v(:,j))/M; end j=1:N;Corr(j)=(A^2)/2*cos(2*pi*(j-1)*w0/N); plot(j,C,j,Corr) R v( )
2

En el grfico de salida se pueden observar la autocorrelacin obtenida mediante la simulacin y la terica (esperada).

___________________________________________________________________ 27 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Ejemplo 3: Dada una variable aleatoria A, uniformemente distribuida sobre [0, 1) se construye una seal aleatoria v(t) = A.sin(ot). Encontrar la funcion de autocorrelacin.

Como se puede apreciar, la funcin de autocorrelacin no es slo funcin de , sino que tambin depende de t. Luego el proceso no es estacionario y sus caractersticas estadsticas variarn con t. En la siguiente simulacin con Matlab, se puede apreciar cmo variando el valor del pivote en el clculo de la autocorrelacin, varan los resultados.
M=100;N=1000;w0=3;pivote=5; i=1:N;A=rand(1,M); for i=1:M, for j=1:N, v(i,j)=A(i)*sin(2*pi*(j-1)*w0/N); end end for j=1:N, C(j)=sum(v(:,pivote).*v(:,j))/M; end j=1:N; plot(j,C)

Teorema de Wiener-Khintchine-Einstein

___________________________________________________________________ 28 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Para un proceso aleatorio estacionario en sentido amplio (WSS) X(t) cuya funcin de autocorrelacin est dada por RXX( ), la Densidad Espectral de Potencia (PSD) del proceso es:
j 2 f Sxx( f ) = F Rxx( ) = Rxx( ) e d

En otras palabras, la funcin de autocorrelacin y la densidad espectral de potencia forman un par transformado de Fourier. Si bien la mayora de los procesos aleatorios que se que han considerado son WSS, para aquellos que no lo son, el citado Teorema necesita ser ajustado ya que la funcin de autocorrelacin para un proceso no estacionario ser una funcin de dos variables. Para los procesos no estacionarios se escribe el teorema de Wiener-KhintchineEinstein como:

donde en este caso <> representa un promedio de tiempo con respecto a la variable t. Ejemplo 4: Se considerar el proceso aleatorio senoidal del Ejemplo 2, v(t) = A sin(ot + ). La funcin PSD se puede calcular a partir de la Transformada de Fourier de la Funcin de Autocorrelacin hallada en esa oportunidad. Resultando una densidad espectral de potencia del tipo impulsivo.
A . G v( t ) ( f f0) 4
2

A. ( f f0) 4

Si a la correspondiente funcin de autocorrelacin del proceso simulado con Matlab, se le determina la Transformada de Fourier y se grafica, se puede apreciar la concordancia con los resultados tericos.
M=100;N=1000;A=2;w0=100; i=1:N;G=rand(1,M);gamma=2*pi*G; for i=1:M, for j=1:N, v(i,j)=A*sin(2*pi*(j-1)*w0/N+gamma(i)); end end for j=1:N, C(j)=sum(v(:,1).*v(:,j))/M; end

___________________________________________________________________ 29 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

G=abs(fft(C));plot(G)

aqu se pueden apreciar los dos impulsos ubicados en f0 = 0 / 2. y f0 = - 0 / 2.. Esta seal aleatoria tiene cantidades especficas de potencia promedio concentradas en f = f0 y f = - f0 y no hay densidad espectral en ninguna otra parte. Adems:
G v( f) df A
2

que se ve que es igual a la potencia promedio total.

T T ( A. cos( 0. t

1.

T 0

v( t ) dt

1.

T 0

) ) dt

Para hallar este valor, no hay problema de considerar = 0 y T = 2.. El valor subintegral es:
1. F( t) 2 cos( 0. t) . sin( 0. t) 0 1. 2 0. t . A2

Luego el valor buscado es:

v
2

1 . ( F( 2. ) 2.

F( 0 ) )

Por ltimo, el hecho que no hay impulso en f = 0 concuerda con: 1. T v( t ) dt 1. T A. cos( 0. t

) dt 0

T 0

T 0

___________________________________________________________________ 30 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

RUIDO Y SU FILTRADO - Ruido Trmico Lo comn es tratar con tensiones de ruido provenientes del movimiento aleatorio de partculas cargadas (por lo general electrones) en medios conductores. Segn la teora cintica, la energa promedio de una partcula a la temperatura absoluta es proporcional a k. siendo k la constante de Boltzmann. Se esperan as valores de ruido trmico que incluyan el producto k.. En sntesis, se obtendr una medida de la potencia de ruido en trminos de temperatura. Cuando una resistencia metlica se encuentra a la temperatura , existe una tensin aleatoria v(t) producida en los terminales a circuito abierto a causa del movimiento aleatorio de los electrones. De acuerdo al Teorema Central del Lmite, v(t) tiene una distribucin gaussiana con media igual a cero y varianza:
v
2

2. ( . k. ) . R 3. h

en volts2

donde: k h
23 1.37. 10 34 6.62. 10

constante de Boltzmann (en J / K constante de Planck (en J . seg

y en grados Kelvin ( K ). La presencia de h indica un resultado de mecnica cuntica. Se demuestra en mecnica cuntica que la densidad espectral del ruido trmico es:
G v( f) 2. R. h. f h. f exp 1 k.

en volt2 / Hz

Para f = 0 se presenta una indeterminacin de la forma "0/0", para salvarla se aplica LHoppital: 2. R. h. f lim . f 0 exp h f 1 k. lim f 0 h. 2. R. h 1 . f exp h. ( k. ) k. 2. R. k.

Para representar grficamente esta funcin (para frecuencia positivas) se rene el exponente del denominador en una variable x:

la densidad espectral de potencia en trminos de x, queda: ___________________________________________________________________ 31 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

G ( x) :=

2 R

k ex 1

Resultando:

donde con G(10-10) se indica en forma aproximada el valor de G en f (o x) igual a cero y con 0.95.G(10-10) el 95% de ese valor (cada del 5% respecto del mximo). Como se puede apreciar, esta cada se produce para aproximadamente x=0.1. Si se considera la Temperatura de Saln o Temperatura Normal a:
0

290. K

(grados Kelvin o 17 grados Celsius)

as:
21 k. 0 = 3.973 10 sec watt aproximadamente 4*10-21 w-seg. Entonces si la resistencia est en 0, Gv(f) es constante de manera esencial para: h f 0.1 k 0 11 0.1 = f := = 6.002 10 k 0 h

Pero este lmite superior cae en la porcin infraroja del espectro electromagntico, ms arriba del punto donde los componentes elctricos dejan de responder. Luego, se puede decir que: La densidad espectral de ruido trmico es CONSTANTE.
G v( f) 2. R. k.

(en volt2 / Hz)

Aplicando Thevenin, si R se reemplaza por una resistencia sin ruido de valor R y al ruido se lo indica por un generador de tensin:

El sombreado se debe a que la fuente es no convencional. ___________________________________________________________________ 32 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Sea una fuente convencional con una impedancia Zs = Rs + j Xs y sea vs la tensin a circuito abierto.

Esto es si la carga est acoplada de tal manera que ZL es el conjugado de Zs. La tensin en terminales vale vs / 2 y la potencia disponible es:

Para el caso del resistor trmico visto como fuente de ruido:

Siendo Ga(f) la densidad espectral disponible, la cual depende de la temperatura. Por lo tanto, un resistor trmico entrega un mximo de k*/2 [w/Hz] a una carga adaptada sin importar el valor de R. RUIDO BLANCO Y TEMPERATURA DE RUIDO Adems de los resistores trmicos, hay otros tipos de fuentes que tienen densidad espectral plana sobre un amplio intervalo de frecuencias. Tal espectro tiene todos los componentes de frecuencia en igual proporcin y se lo designa Ruido Blanco. La densidad espectral de ruido blanco se exhibe en general como: G( f) 2 donde el factor 1/2 se incluye para que asocie la mitad de la potencia con la frecuencia positiva y la otra mitad con la negativa. En otras palabras, es la densidad de frecuencia de potencia positiva.

___________________________________________________________________ 33 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Puesto que se conoce G(f), la funcin de autocorrelacin se obtiene por Transformada de Fourier.
. j . . df . e 2 2
j . .

R( )

df

( )

(1)

Se observa que R(<>0) = 0. De modo que dos muestras diferentes cualesquiera de una seal de ruido blanco gaussiano son no correlacionadas y por lo tanto estadsticamente independientes. El valor de depende de dos factores: a) el tipo de fuente de ruido b) el tipo de densidad espectral, es decir la tensin cuadrtica media, la corriente cuadrtica media o la potencia disponible. Si la fuente es un resistor trmico:
0 k. R donde el tipo de densidad espectral se indica por medio de subndices.. Adems, cualquier tipo de fuente de ruido trmico tiene por distribucin: 0 = k .. Otras fuentes de ruido blanco no trmicas, en el sentido de la potencia disponible, no est relacionada con la temperatura fsica. Sin embargo, se puede hablar de temperatura de ruido N de cualquier fuente de ruido blanco trmico o no trmico por medio de la definicin: v 4. R. k.

4. k.

2. G 0 ( f) 0 k k

donde 0/2 es la mxima potencia de ruido que la fuente puede entregar por unidad de frecuencia. Entonces, dada una temperatura de ruido de fuente 0 = k .N (donde N no es necesariamente una temperatura fsica).

___________________________________________________________________ 34 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Por ejemplo, ciertos generadores de ruido electrnico tienen N = 10.0 = 3000 K (2727 C) pero es obvio que los dispositivos no pueden estar a estas temperaturas. RUIDO BLANCO FILTRADO El modelo de ruido blanco resulta razonable siempre y cuando se lo relacione con la salida de un filtro y la densidad espectral sea ms o menos constante sobre la banda de paso., una situacin muy comn en los sistemas de comunicacin. Para el estudio del ruido blanco filtrado - o filtracin de seales aleatorias en general - la relacin de espectros de potencia de entrada y salida:
2 G y( f) ( H( f) ) . G x( f)

es una herramienta bsica, donde H(f) es la funcin de transferencia del filtro. As, si la entrada a un sistema lineal invariante en el tiempo, es la seal x(t), la salida ser una seal aleatoria y(t) con Gy(f) como en la ecuacin anterior, y

2 j . . df ( H( f) ) . G x( f) . e

R y( )

R y( 0 )

2 ( H( f) ) . G x( f) df

Se supone, por consiguiente, que x(t) proviene de un proceso ergdico, en cuyo caso tambin y(t) ser ergdico. Para ilustrar, si el ruido blanco es la entrada de un filtro pasabajos ideal de ganancia unitaria y de ancho de banda B, entonces:

el espectro de potencia de salida es, de esta manera, una funcin rectangular y la autocorrelacin de la salida es una funcin senc, de manera especfica:

___________________________________________________________________ 35 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Una simulacin de este proceso se logra a travs del siguiente segmento en Matlab:
N=10000;M=100;R=randn(M,N);pivote=500;B=50; for j=1:N, C(j)=sum(R(:,pivote).*R(:,j))/M; end G=abs(fft(C)); % densidad espectral de potencia i=B:N-B;G(i)=0; % Filtrado paso-bajo P=abs(ifft(G)); % Funcion de autocorrelacion j=1:N;plot(P(1:500))

Como se evidencia en la figura, el proceso de filtrado ha dado a lugar a tres cosas: 1) El espectro de potencia no es mayor que el blanco, aunque es constante sobre un intervalo finito de frecuencia.
2 2) La potencia de salida es finita. En efecto: y . B

3) La seal de potencia de salida est incorrelacionada a intervalos aproximados 1/(2.B). Aunque las conclusiones anteriores tuvieron como base los filtros pasobajo ideales, se obtienen resultados similares con cualquier filtro real. Se debe notar en forma particular, que el espectro del ruido blanco filtrado se mezcla con el contorno de |H(f)|2. Puesto que el espectro resultante no es mayor que el blanco, al ruido blanco filtrado se lo llama a menudo ruido coloreado. Tambin sera deseable conocer la descripcin probabilstica de la seal filtrada, esto es su funcin de densidad de probabilidad, y de esta observacin obtener tanto buenas como malas noticias. Las malas noticias son estas: no hay reglas generales que relacionen a las funciones de de densidad de probabilidad de entrada y salida, salvo para un caso especial. En este caso especial estn las buenas noticias, a saber:
Si la entrada a un sistema lineal invariante en el tiempo, es una seal aleatoria gaussiana, entonces la salida tambin es gaussiana.

___________________________________________________________________ 36 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Esto proviene del hecho de que cualquier transformacin lineal de una variada gaussiana conduce a otra variada gaussiana. Pueden cambiarse los promedios estadsticos, pero no el modelo de probabilidad. Se considera en este caso como una buena noticia, simplemente porque el modelo gaussiano es vlido para muchas (pero no todas) seales aleatorias que hay en la ingeniera de comunicacin. EJEMPLO: RUIDO TERMICO EN UN CIRCUITO RC Para resumir varios de los temas tratados hasta aqu, se considerar el circuito RC de la figura de la derecha, donde el resistor est a la temperatura .

Sustituyendo este resistor por su modelo de Thevenin, se llega a la figura de la derecha, que es una fuente de ruido blanco con Gx(f) = 2.R.k. [V2 / Hz] aplicada a un filtro pasabajos RC sin ruido. Puesto que:
2

( H( f) )

f B

2 1

la densidad espectral de salida es:

2. R. k. 2 G y( f) ( H( f) ) . G x( f) 2 f 1 B

con

1 . . R. C 2

y la autocorrelacin de y(t) [antitransformada de Fourier de Gy(f) ] es:

k. . R. C R y( ) 2. R. k. . . B. e e C Gy(f) y Ry() se ven en el siguiente grfico:

2. . B.

___________________________________________________________________ 37 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

La figura de la derecha muestra que el intervalo sobre el que el ruido filtrado tiene una correlacin apreciable es aproximadamente igual a la constante de tiempo, RC, del circuito, como se podra sospechar. Se puede decir adems que y(t) es una seal aleatoria gaussiana con y 0 es decir sin componente de CD, puesto que x(t) es gaussiana con valor medio 0, y:
y R y( 0 )
2

k. C

Como se puede apreciar, este ltimo valor depende de C pero no de R, aunque la fuente de ruido es el resistor trmico. Si el resistor trmico est a la temperatura ambiente 0 y C = 0.1 F; entonces: k
23 1.37. 10

k. 0 C

0
14

290

6 0.1. 10

= 3.973 10

2 14 y 4. 10 [V2]

Luego, la tensin de salida rms es y = 2.10-7 = 0.2 V . Estos valores excesivamente pequeos son caractersticos en ruido trmico, lo cual explica porqu no se nota en situaciones ordinarias. Sin embargo, si la seal recibida en un sistema de comunicacin de larga distancia, puede ser del mismo orden de magnitud o incluso menor, lo cual muestra por qu un ruido trmico es una limitacin fundamental en la comunicacin elctrica. ANCHO DE BANDA EQUIVALENTE DE RUIDO El ruido blanco filtrado por lo general tiene potencia finita. Para recalcar esto, se designa a la potencia de ruido promedio con:

2.

N y

( H( f) )

df . 0

( H( f) ) df

___________________________________________________________________ 38 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Hacindose notar que la integral depende slo de la funcin de transferencia del filtro, por lo que se puede simplificar el anlisis de la potencia del ruido definiendo un ancho de banda equivalente de ruido, BN, como: 1.

2

BN donde:
1

( H( f) ) df 0

( H( f) ) max

es la relacin de amplitudes de frecuencia central, es decir la ganancia de tensin. (Esta definicin supone que el filtro tiene una frecuencia central significativa). Por lo tanto la potencia de ruido filtrado es: N . . B N El examen de esta ecuacin muestra que el efecto del filtro se ha separado en dos partes: la selectividad de frecuencia relativa, como fue descripta por medio de BN, y la ganancia de potencia (o atenuacin), representada por medio de . En la siguiente figura se ilustra para un filtro pasabanda, que BN es igual al ancho de banda de un filto rectangular ideal que permitiera el paso de tanta potencia de ruido blanco como el filtro en cuestin, siendo iguales sus ganancias mximas.

Por definicin, el ancho de banda equivalente de ruido de un filtro ideal es su ancho de banda real. Para filtros prcticos, BN es algo mayor que el ancho de banda a 3 dB; por ejemplo, un filtro pasa-bajos RC tienen BN = 2..B donde BN es aproximadamente 50% mayor que B. Sin embargo, como el filtro resulta ser ms selectivo (con caractersticas de corte agudo), su ancho de banda de ruido se aproxima al ancho de banda a 3 dB, y para muchas aplicaciones no est muy lejos de la realidad considerarlos iguales. Resumiendo, si y(t) es un ruido blanco filtrado de valor medio cero, entonces: y 0
2 2 y y N . . B N

. . B N

___________________________________________________________________ 39 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Esto significa que dada una fuente de ruido blanco, un medidor de potencia promedio (o un medidor de tensin rms) acusar una lectura:
2 y N . B N

donde BN es el ancho de banda equivalente de ruido del medidor mismo. Despejando, la densidad de potencia de la fuente se puede deducir por medio de:

siempre y cuando se est seguro que el ruido es en realidad blanco dentro del intervalo de respuesta de frecuencia del medidor. EJEMPLO: ANCHO DE BANDA EQUIVALENTE DE RUIDO DE UN FILTRO PASABAJOS RC Volviendo al filtro pasabajos RC del ejemplo anterior, la frecuencia central del filtro es f=0. As:
1 1 0 f B
2

( H( 0 ) )

BN

df

. 2

1 4. R. C

La razn de por qu y R y( 0 )
2

k.

C en el ejemplo anterior es independiente de R resulta ahora aparente si se escribe:

y
2

. B N ( 4. R. k. ) .

1 . R. C 4

As, cuando aumenta R aumenta la densidad de ruido (como debe ser) pero disminuye el ancho de banda del ruido BN. Estos dos efectos se cancelan uno al otro en forma precisa, de modo que: y
2

k. C

RUIDO BLANCO Y MEDICIONES DE FILTRO Dado que el ruido blanco contiene todas las frecuencia en igual proporcin, resulta una seal conveniente para mediciones de filtros y para trabajo de diseo experimental.
___________________________________________________________________ 40 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

En consecuencia, las fuentes de ruido blanco con densidad de potencia calibrada han venido a ser instrumentos del laboratorio standard. A continuacin se analizarn algunas de las mediciones que se pueden hacer con estas fuentes.
Ancho de Banda Equivalente de Ruido - Supngase que se conoce la ganancia de un amplificador y se desea conocer su ancho de banda equivalente de ruido. Para hacerlo, se aplica ruido blanco a la entrada y se mide la potencia de salida promedio con un medidor cuya respuesta de frecuencia sea constante de manera esencial dentro de la banda de paso del amplificador. El ancho de banda de ruido ser entonces: N BN . Respuesta de amplitud - Para encontrar la respuesta de amplitud de un filtro dado, se aplica ruido blanco a la entrada de manera que el espectro de potencia de salida sea proporcional a |H(f)|2. Entonces se explora el espectro de salida con un filtro pasabanda sintonizable cuyo ancho de banda sea constante y pequeo en comparacin con las variaciones de |H(f)|2. As, si el filtro de exploracin se centra en fc , la tensin de ruido rms en su salida ser proporcional a |H(fc)|. Variando fc se obtiene, punto por punto, la grfica de |H(f)|. Respuesta al impulso - En la siguiente figura se muestra un mtodo para la medicin de la respuesta al impulso h (t) de un sistema dado:

El instrumental que se requiere es una fuente de ruido blanco, un retardador de tiempo variable, un multiplicador y un dispositivo promediante. Denotando el ruido de entrada como x(t), la salida del sistema ser h*x(t), y la seal retardada x(t-td). As, la salida del multiplicador ser:

z( t ) x t

td . ( h. x( t ) ) x t

td .

h( ) . x( t

) d

___________________________________________________________________ 41 Funciones aleatorias

Universidad de Mendoza

Dr. Ing. Jess Rubn Azor Montoya

Anlisis de Seales

Pero, con x(t) que es el ruido blanco, la ecuacin (1) dice que: R v( ) f0. G v( 0 ) 2. f0. G v m. f0 . cos m. o . m= 1 por lo tanto, h(t) se mide por medio de la variacin del retardo de tiempo td. Se puede cuestionar lo prctico de este mtodo, en forma particular, puesto que h(t) se puede obtener inmediatamente con la aplicacin de un impulso (o un pulso breve e intenso) al sistema. En tanto esta sea una conclusin vlida para muchas mediciones de filtros, hay muchos sistemas, tales como el procesamiento industrial y sistemas de control, para los cuales no se puede dar una entrada impulsiva, o si se hace, podra daar o destruir al sistema.

___________________________________________________________________ 42 Funciones aleatorias