Professional Documents
Culture Documents
Unidad:2
Semana:3
CONECTIVIDAD Y TRANSMISION DE
DATOS
Ing. Victor E. Quevedo Dioses
SEALES ALEATORIAS
PROCESOS ALEATORIOS
RUIDOS EN LAS COMUNICACIONES
ORIENTACIONES
Estimado alumno, recordando fundamentos matemticos
realizaremos un estudio de las caractersticas estadsticas
que sern utilizadas para analizar las seales de
transmisiones digitales.
CONTENIDOS TEMTICOS
Seales Aleatorias y Ruidos
Procesos Aleatorios
Funcin Q
Introduccion General
Seales Aleatorios y Procesos Aleatorios
https://prezi.com/ioo-mu1mg4s8/senales-aleatorias-procesos-aleatoriosy-ruido-en-las-comunicaciones/
SEALES ALEATORIAS
Son aquellas que varan en forma aleatoria con el tiempo, es decir, a cada
instante asumen un valor de carcter casual, por lo tanto pueden describirse
nicamente de manera probabilstica.
0.5
0.25
Ruido trmico:
n(t)0 0
n s( t)
0.25
0.5
0.5
0
0.1
0.2
0.3
0.4
0.5
tt
0.6
0.7
0.8
0.9
1
Would
you
like
to
buy
fish?
TIPOS DE RUIDO
El ruido consiste en la superposicin de seales indeseadas a la informacin
que se est transmitiendo.
Existen cuatro tipos fundamentales de ruido, a saber:
1.
2.
3.
4.
RUIDO TRMICO
k T
W
Hz
No
- 23
1.3803 10
constante de Boltzman
Espectro unilateral de
densidad de potencia
kT
Generador de
ruido Blanco
Canal
Ideal de
ancho de
banda
By
Ganancia 1
H(f)
N
Receptor
acoplado
N = kTB
1
kT
0
RUIDO TRMICO
0
t
0.5
Valor medio: x =
0.4
D p ( x)
Desviacin estndar: = x -
0.3
Varianza: 2 = (x - )2
0.2
2 = x2 2x+ 2
0.1
2 = x2 2 2 + 2
2 = x2 2
-5
P ( x1 x x2)
0 x1
x
x2
x1
x2
4
5
Dp ( x) dx
RUIDO TRMICO
t
El ruido trmico es un proceso estadstico estacionario, en cuanto , , 2 no
varan con el tiempo
SEALES ERGDICAS
t T
o
1
T t
t T
x ( t) dt
x ( t) dt
Componente de c.c.
2
o
1
T t
x -
Ancho de banda = B
Se
Ss= G Se
Ganancia de potencia = G
(o Atenuacin = L)
Ne = k T B
Ns = k T B G F
Factor de ruido = F
(S/N)e =
Se
Ne
Se
k T B
F
(S/N)s =
Ns
N e G
o tambin
CIFRA DE RUIDO:
(S/N)e
(S/N)
NFdB = 10 log ( F )
Ss
Ns
Se
N e F
Nv
Ne = kTB
FRMULA DE FRIIS
Ne
kTB
Ns = kTBGF
kTBG + Nv G = kTBGF
Nv = kTB (F-1)
G1
F1
G2
F2
kTBG1F1 + kTB(F2-1)
L3
F3
Ns = kTBG1G2L3Feq
kTBG1G2F1 + kTBG2(F2-1)+kTB(F3-1)
k T B G1 G2 L3 F1 k T B G2 L3 F2 - 1 k T B L3 F3 - 1
k T B G1 G2 L3 F1
F2 - 1
F3 - 1
G1
G1 G2
Comparando con el ruido existente en este punto, es posible obtener el Feq (Frmula de Friis):
Feq
F1
F2 - 1
G1
F3 - 1
....
G1 G2
TEMPERATURA DE RUIDO
Nv
Ne = kTB
G
TN
Ns = kTBGF
kTBG + Nv G = kTBGF
Nv = kTB (F-1)
TN=T(F-1)
Nv=kTNB
Definimos: T N
T (F - 1)
NsD
kTN BG
TEMPERATURA DE RUIDO
Ruido en 1 Hz
de ancho de banda
kTN1
G1
TN1
G2
TN2
kTN1G1+kTN2
Frmula de Friis:
kTNeq
L3
TN3
kTN1G1G2+kTN2G2+kTN3
TNeq
TN2
TN3
....
TN1
G1
G1 G2
G1G2L3
TNeq
kTNeqG1G2L3
Ns = kTNeqG1G2L3
https://www.youtube.com/watch?v=6AMmParU
QO4
Problema 1
Si= 0 dBm
Generador de
Ruido Blanco
N
i
- 23
Feq F1
F2 2
F2 - 1
G1 100
S o - No
Feq 5.02
N OdB
NF2= 3 dB
G2 = 15 dB
G1
No Ni 20 15 NFeq
So
B = 2.264 MHz
NF1= 7 dB
G1 = 20 dB
10 log 1.3803 10
F1 5.01
-68dBm
So
35dBm
S
N OdB
103dB
So
NFeq 7.01
3160 mW
Ni
-110.01 dBm
Problema
Problema
RU-12
Un receptor, alimentado por un amplificador de bajo ruido de ganancia
50 dB y temperatura de ruido 90 K, tiene una figura de ruido de 12 dB.
Calcule la temperatura de ruido equivalente a la entrada del sistema.
Rx
ABR
kTN1
G
TN1
kTN1G+kTN
2
G=1
TN2
Solucin
La t emperatura de ruido equivalent e del recept or, considerado a la t emperat ura
ambient e de 290 K, es igual a:
NFRx
10
T NRx 10
- 1 T0
T NRx 4.306 10 K
T NRx
GABR
10
T Neq 90.043K
kTNeq=k(TN1+TN2/G)
10
SYS
G
TNeq
Problema 3
Un amplificador tiene una ganancia
de 15 dB y una t emperat ura de ruido
de 120 K. Se puede conectar est e
amplificador a la ent rada del cable
principal que baja de la ant ena para
aliment ar al recept or (es decir en lo
alto de la t orre de ant ena), o bien a
la salida del mismo (es decir, al pi
de la t orre). El cable present a 12 dB
de prdidas de insercin y el
recept or (amplificador /
demodulador de IF) tiene una
t emperat ura de ruido de 900K.
Cul de las dos configuraciones es
la ms vent ajosa para la S/N?
Solucin
A partir de los valores en dB de los datos del problema, se const ruye una t abla
con esos mismos valores pero t ransformados de dB a coeficient es numricos:
lca 10
- 1.2
lca 0.063
1
fca
lca
T o 290K
fca 15.849
T ca T o fca - 1
T ca 4.306 10 K
T IF 900K
gam 10
gam 31.623
T am 120K
1.5
Calculamos la temperat ura de ruido del sist ema a la ent rada del amplificador
para la primera configuracin:
T eq1 T am
T ca
gam
T IF
gam lca
T eq1 707.242K
lca
gam lca
T eq2 6.659 10 K
TEOREMA DE PARSEVAL
http://teoremaparseval.blogspot.com/2013/
04/teorema-de-parseval.html
DENSIDAD ESPECTRAL DE POTENCIA DE
TRANSMISION DIGITAL
https://www.youtube.com/watch?v=aA490wzAgAA
PROCESOS ALEATORIOS
Los procesos aleatorios brindan buenos
modelos para fuentes de informacin y
ruido.
Para
las
diferentes
clases
de
imperfecciones
en
la
naturaleza,
determinstica como interferencias o no
determinstica como ruido los modelamos
con procesos aleatorios.
PROCESOS ALEATORIOS
Probabilidad
El concepto fundamental en cualquier modelo es
el concepto de experimento aleatorio, donde por
alguna razn no es posible predecir el resultado
con certeza.
Como ejemplo podemos tomar el lanzar una
moneda, un dado o tomar una carta de una
baraja, todos son experimentos donde el
resultado es incierto.
PROCESOS ALEATORIOS
Probabilidad
Para
estos
ejemplos
tenemos
posibles
resultados como cara o sello en la moneda,
o en el dado 1, 2, 3, 4, 5, 6 son posibles. Todas
estos posibles resultados son el espacio
muestra W, y cada resultado que esta en el
espacio es w
La medicin de la probabilidad P entonces
expresara las propiedades en conjunto de los
componentes de W.
PROCESOS ALEATORIOS
Probabilidad
Entonces las probabilidades para un evento E
sern:
PROCESOS ALEATORIOS
Probabilidad Condicional
Asumiendo que dos eventos E1 y E2 estn definidas en el
mismo espacio de probabilidad con P(E1) y P(E2). Entonces
el observador recibe la informacin que el evento E2 ha
sucedido entonces la probabilidad de E1 dejara de ser P(E1).
De hecho la probabilidad de varios eventos cambia. Estas
nuevas son probabilidades condicionales donde por
ejemplo:
PROCESOS ALEATORIOS
Probabilidad Condicional
Si el resultado de la da:
Entonces se dice que E2 no cambia la
probabilidad
de
E1,
entonces
son
estadsticamente independientes.
Para eventos independientes entonces la
probabilidad ser:
PROCESOS ALEATORIOS
Probabilidad Condicional
Por ejemplo.
Para un dado la probabilidad de
PROCESOS ALEATORIOS
Probabilidad Condicional
En este caso la probabilidad condicional ser:
Donde expresa la probabilidad de un numero
mayor a 3 (A) sabiendo que es un numero par
(B), dando 2/3, es decir la probabilidad de un
numero mayor a 3 y par es de 66%
aproximadamente.
PROCESOS ALEATORIOS
Probabilidad Condicional
Si el espacio muestra es dividido en partes iguales de
eventos Ei, y que para un evento A tenemos probabilidades
condicionales P(A|E), entonces podemos encontrar P(A) por
el Teorema de probabilidad total
PROCESOS ALEATORIOS
Variables aleatorias
Las variables aleatorias son un mapeo del
espacio de muestra W a un set de nmeros
reales.
PROCESOS ALEATORIOS
Variables aleatorias
Podemos tener variables aleatorias continuas,
discretas o mezcladas que se expresan sobre un
espacio limitado.
La funcion de distribucion acumulativa (CDF) de
una variable aleatoria X se define como:
PROCESOS ALEATORIOS
Variables aleatorias
La CDF entonces tiene las propiedades
1. Para
2. Fx(x) no decrece
3. El limite negativo es 0 y el positivo
es 1
4. Es continua desde la derecha
5.
6. Y
PROCESOS ALEATORIOS
Variables
aleatorias
CDF continua
CDF discreta
PROCESOS ALEATORIOS
Variables aleatorias
PROCESOS ALEATORIOS
Variables aleatorias
La funcin de densidad de probabilidad (PDF) de
una variable X se define como la derivada de la
CDF, esto es:
Variables Importantes
Variable aleatoria de Bernoulli.
Es una variable aleatoria discreta de dos valores
uno y cero con probabilidades correspondientes
de p y 1-p.
Es un buen modelo para expresar generadores
binarios. Por ello este es un modelos utilizado
para modelar errores de canal.
Variables Importantes
Variable aleatoria Binomial
Es una variable discreta que da los nmeros de
unos en una secuencia de n pruebas
independientes de Bernoulli.
Variables Importantes
Variable aleatoria Uniforme
Una variable continua tomando valores entre a y
b con probabilidades iguales sobre intervalos de
igual duracin, la funcin de densidad es:
Variables Importantes
Variable aleatoria Gaussiana o Normal
Es una variable continua descrita por la funcin:
Variables Importantes
PMF (Probability Mass Function) de Bernoulli
Variables Importantes
PMF
binomial
Variables Importantes
PDF de variable uniforme
Variables Importantes
La CDF de una variable Gaussiana ser:
PDF of Gaussian
Funcin Q
La CDF de una variable Gaussiana ser:
Funcin Q
Existen muchos limites sobre la funcin Q que
son utilizados en sistemas de comunicaciones
sobre probabilidad de errores.
Entre ellos como limites superiores (ambos para
X0:
Funcin Q
La grafica de estos limite se ve
Funcin Q
Una variable Gaussiana puede describirse como
funcin de sus dos parmetros principales: (m,
2).
En estos casos un cambio de la variable dar el
resultado
Promedios Estadsticos
El valor esperado de una variable aleatoria
X es:
El valor esperado de Y=g(X) es
Promedios Estadsticos
En el caso de la funcin especial
Variables Mltiples
Siendo X y Y variables aleatorias definidas
sobre el mismo espacio de muestra.
Se define la CDF conjunta como
Variables Mltiples
Las variables cumplen:
Variables Mltiples
En variables independientes la PDF es
El valor esperado de g(X,Y) es:
Obtendremos
Lo cual es llamado la correlacin de X
yY
Variables Aleatorias Gaussiana Conjuntas
Variables Mltiples
Variables Aleatorias Gaussiana Conjuntas
Procesos aleatorios
Un proceso aleatorio es una extensin natural del
concepto de variables aleatorias cuando tratamos
con seales.
Al analizar sistemas de comunicaciones tratamos con
seales variantes en el tiempo, pero asumimos
normalmente funciones determinstica, pero en muchas
situaciones esto no es valido, y es mejor modelarlas como
funciones aleatorias
Como el ruido termal proveniente del movimiento aleatorio
de los electrnicos por la agitacin termal, por reflexin de
ondas de radio.
Procesos aleatorios
Un proceso aleatorio, un proceso
estocstico, o una seal aleatoria pueden
ser analizadas en dos formas, aunque muy
cercanas.
Una forma es ver el proceso como una coleccin
de funciones en el tiempo, o seales
correspondientes a varios resultados de una
experiencia aleatoria
Es decir a cada instante de tiempo t0 para cada
resultado aleatoria tenemos un numero
resultante de la variable aleatoria
Funciones
de muestreo
de un proceso
aleatorio
Procesos aleatorios
De otro modo podemos ver la seal aleatoria a
cada instante t1, t2, como una coleccin de
variables aleatorias {X(t1), X(t2),}
De este modo el proceso aleatorio es una
coleccin de variables aleatorias, pudiendo
suceder en un instante de tiempo continuo o de
tiempo discreto.
Procesos aleatorios
Ejemplo 1
Dado el espacio de un experimento aleatorio de
lanzar un dado. Donde el campo es
W={1,2,3,4,5,6}
Para todo wi tenemos
define el
proceso aleatorio.
Entonces X(1) es una variable aleatoria que toma
valores de entre e-1, 2e-1, , 6e-1 cada uno con
probabilidad 1/6
Procesos aleatorios
Ejemplo 2
Un proceso aleatorio es definido por:
Donde T es una variable uniforme distribuida en
[0,2p. En este caso entonces tenemos un tipo de
seal con variacin de fase, y puede ser descrita
analticamente por los grficos:
Procesos aleatorios
Procesos aleatorios
Ejemplo 2
Un proceso aleatorio con distribucin Gaussiana
conjunta y promedio m=0 puede verse como:
Funcin de Auto-correlacion
Una funcin importante porque en si
describe la densidad de potencia espectral
y el contenido de potencia de una larga
clase de procesos aleatorios.
Se define como Rxx(t1,t2)
Funcin de Auto-correlacion
Por ejemplo de la funcin senoidal la funcin de
auto-correlacion ser:
Tomando en cuenta:
Procesos Estacionarios
En los procesos aleatorios la PDF conjunta
en general depende de punto de origen en
el tiempo. Existe una clase importante la
cual es independiente del origen en el
tiempo. Este proceso es llamado procesos
estacionarios.
Un proceso es estrictamente estacionario es
aquel que solo depende de las posiciones
relativas del tiempo y no los valores
directamente. Es decir shifts en el tiempo de
origen no cambian las propiedades estadsticas
del proceso.
Procesos Estacionarios
Un proceso X(t) Wide Sense Stationary (WSS),
estacionario en amplio sentido satisface:
Procesos Estacionarios
Para un proceso aleatorio con la seal senoidal
vimos tenia promedio mx = 0 y tendr Rx(t1,t2)
Este
proceso
esta
relacionado
con
cicloestacionario
cercanamente
el
llamado
Procesos Estacionarios
Si tenemos:
Donde X(t) es un proceso aleatorio estacionario
con promedio m y autocorrelacion Rx(t).
Entonces:
Procesos Estacionarios
2.
3.
Potencia y Energa
Al analizar las seales determinstica definimos
dos tipos de seales
Tipo de Energa y,
Tipo de Potencia
Es posible extender el conocimiento de estos a
los procesos aleatorios. Entonces para un
proceso aleatorio con funcin x(t,wi). Entonces
la energa y la potencia son:
Por ejemplo:
Si tenemos X siendo una variable aleatoria de
distribucin uniforme entre [-1 1]. Entonces la
seal aleatoria truncada ser:
Entonces
Y
Pero
es la transformada de Fourier de
y mientras T va al infinito, la funcin va hacia 1.
Entonces:
El teorema de Wiener-Khinchin
Define a la densidad de potencia espectral de X(t) como la
transformada de Fourier de la autocorrelacion Rx(t+t,t).
Entonces podemos definir que:
Por ejemplo:
Entonces para el proceso estacionario
Tendremos la autocorrelacin
Entonces
Donde es equivalente a :
Escriba
aqu
las
conclusiones
y/o
actividades
de
investigacin sugeridas.
GRACIAS