Ruido Blanco, Sistemas Lineales e Invariantes en

el Tiempo.
Silvana Bez, Cintya Morales
Universidad de las Fuerzas Armadas ESPE, Departamento de Elctrica y Electrnica.
Sangolqu, Ecuador.
sabaez@espe.edu.ec,
cemorales6@espe.edu.ec

Abstract. - By applying the concepts of random, depending

on the type of noise or Brownian motion stochastic process
variables the respective program is in MATALAB to
graph and calculate the power spectral density , show the
filtered signal and the respective histograms ; in the case
of Brownian motion it presented its graphics in both 2D
and 3D can appreciate its main features

I.

INTRODUCCIN

El ruido blanco est ntimamente relacionado con el

movimiento browniano aleatorio. De hecho, gran parte del
ruido blanco producido en el mundo real obedece al ruido
trmico aleatorio en el aparato de registro.
Mediante la aplicacin de los conceptos de
variables aleatorias y dependiendo del tipo de ruido, proceso
estocstico o movimiento browniano se realiza el respectivo
programa en MATALAB para graficar y calcular su
densidad espectral de potencia, mostrar la seal filtrada y los
respectivos histogramas; en el caso del movimiento
Browniano se presenta su grafica tanto en 2D como en 3D
pudiendo aprecias su principales caractersticas.
II.

FUNDAMENTO TERICO

B. Ruido Blanco
Es una seal de carcter aleatorio caracterizada por la no
relacin que tienen sus valores en distintos tiempos entre s,
es decir, el ruido blanco tiene como caracterstica notable la
no correlacin estadstica entre sus valores.
El ruido blanco Gaussiano tiene funcin de densidad
correspondiente a una distribucin normal, siendo este
caracterizado porque sus valores se distribuyen siguiendo
una normal y con independencia ente si como se menciona
anteriormente.
Se puede generar una seal de slo ruido blanco, usando
la funcin wgn(): mi ruido = wgm (m, n,
potencia) El valor retornado por mi ruido es una matriz
de m x n que contiene valores aleatorios de ruido blanco. La
variable "potencia" es un valor, en decibeles, relacionado
con los vatios de ruido generado con una carga de
impedancia de un ohmio
C. Autocorrrelacin
La funcin de autocorrelacin (1 , 2 ) de la salida
() de un sistema lineal en trminos de la funcin de
autocorrelacin (1 , 2 ) de la entrada () es:

(1 , 2 ) = (1 1 , 2 )(1 )1

A. Matlab
Es una herramienta de software matemtico que ofrece
un entorno de desarrollo integrado (IDE) con un lenguaje de
programacin propio (lenguaje M).
Adems que es un sistema en lnea que proporciona la
ayuda de la mquina para los procesos simblicos mecnicas
encontradas en el anlisis. Es capaz de realizar, de forma
automtica y simblicamente, procedimientos comunes tales
como la simplificacin, la sustitucin, la diferenciacin, la
factorizacin polinmica, integracin indefinida, directa e
inversa de Laplace transforma, la solucin de las ecuaciones
diferenciales lineales.

= (1 1 , 2

2 )(1 )(1 )1 2
Donde

(1 , 2 ) = (1 , 2 2 )(2 )2

D. Correlacin Cruzada
Se es una medida de la similitud entre dos seales,
frecuentemente usada para encontrar caractersticas
relevantes en una seal desconocida por medio de la

comparacin con otra que s se conoce. Es funcin del

tiempo relativo entre las seales.

espectro, |X()| 2 ). Sin embargo, no siempre es posible

calcular la transformada de Fourier de una seal aleatoria. La
funcin de densidad espectral si se puede calcular.

Su generacin en MATLAB es a travs de:

r = Xcorr(x,y)

r = Xcorr ( x )
r = Xcorr ( ___ , maxlag )
r = Xcorr ( ___ , scaleopt )
[ R , queda ] = Xcorr ( ___ )

H. Transformada Rapida de Fourier

Las frmulas con la que MATLAB calcula la
transformada rpida de Fourier Y=fft(x) y la transformada
inversay=ifft(X) son, respectivamente:

La misma que devuelve la correlacin cruzada de dos

secuencias de tiempo discreto, x y y. Si x y y tienen
diferentes longitudes, la funcin anexa ceros al final del
vector ms corto por lo que tiene la misma longitud, N, como
la otra. Devuelve tambien la secuencia de

autocorrelacin de x. Si x es una matriz, entonces r es

una matriz cuyas columnas contienen las secuencias de
autocorrelacin y de correlacin cruzada para todas las
combinaciones de las columnas de x. Limita el rango
de retraso - maxlag a maxlag. Esta sintaxis acepta uno
o dos secuencias de entrada. Maxlag por defecto a N 1.Especfica, adems, una opcin de normalizacin de
la correlacin cruzada o autocorrelacin. Cualquier
opcin que no sea "ninguna" (valor predeterminado)
requiere X y Y tener la misma longitud.Tambin
devuelve u vector con los retardos en el que se calculan
las correlaciones.

La transformada rpida de Fourier FFT es un algoritmo

que reduce el tiempo de clculo de n2 pasos a nlog2(n).
El nico requisito es que el nmero de puntos en la serie
tiene que ser una potencia de 2 (2n puntos), por ejemplo
32, 1024, 4096, etc.

Y = fft( X )

(1 , 2 ) = [((1 ) (1 )) ((2 ) (2 ))]

Calcula la transformada de Fourier discreta

(DFT) de X usando un algoritmo de transformada
rpida de Fourier (FFT).Si X es un vector, entonces
fft (X) devuelve la transformada de Fourier del
vector.Si X es una matriz, a continuacin, fft (X)
trata las columnas de X como vectores y devuelve la
transformada de Fourier de cada columna. O si X es
una matriz multidimensional, entonces FFT (X) trata
los valores a lo largo de la primera dimensin de
matriz cuyo tamao no es igual a 1 como vectores y
devuelve la transformada de Fourier de cada vector.

F. Autocovarianza

Y = fft( X , n , dim )

La funcin de autocovarianza (1 , 2 ) de la salida

() de un sistema lineal en trminos de la funcin de
autocovarianza (1 , 2 ) de la entrada () es:

Devuelve la transformada de Fourier a lo

largo de la dimensin dim. Por ejemplo, si X es una
matriz, a continuacin, fft (X, n, 2) devuelve la
transformada de Fourier de N puntos de cada fila.

E. Covarianza

La covarianza del proceso () como una funcin

de dos variables temporales y dadas por:

(1 , 2 ) = (1 , 2 ) (2 )
(1 , 2 ) = (1 , 2 ) (1 )
G. Espectro de Potencia
En el dominio del tiempo, un proceso estocstico queda
caracterizado si conocemos la funcin de medias X (t) y la
funcin de autocorrelacin RX () (o la funcin de
autocovarianzas). Los procesos estocsticos estacionarios
tienen propiedades muy importantes cuando se analizan en
el dominio de la frecuencia. Un proceso estocstico queda
caracterizado en el dominio de la frecuencia mediante la
funcin de densidad espectral, que es la transformada de
Fourier de RX (). La descripcin en el dominio de la
frecuencia de una seal determinista x(t) viene dado por la
transformada de Fourier X() (y por tanto, tambin por el

I. Factorizacin Cholesky
Consiste que en una matriz simtrica definida positiva puede
ser descompuesta como el producto de una matriz triangular
inferior y la traspuesta de la matriz triangular inferior. La
matriz triangular inferior es el tringulo de Cholesky de la
matriz original positiva definida.
R = chol(A)
Produce una matriz triangular superior R del tringulo
diagonal y superior de la matriz A, que satisface la ecuacin
R '* R = A . El chol funcin asume que A es (hermitiana
complejo) simtrica. Si no lo es, chol utiliza el (complejo

conjugado) transpuesta del tringulo superior como el

tringulo inferior. Matriz A debe ser definida positiva.

B.

J. Filtros en MATLAB

Cdigo

y = filter(b,a,x)
y = filter(b,a,x,zi)
y = filter(b,a,x,zi,dim)
[y,zf] = filter(___)
Esta funcin MATLAB filtra los datos de entrada , x,
usando una transferencia racional. Es una funcin definida
por el numerador y denominador coeficientes b y A,
respectivamente.
III.

DESARROLLO

A. Graficar el espectro de la seal de ruido blanco.

Cdigo
%generacion de Ruido blanco
clc
clear all
% declaracion de variables
mu=0;
sigma=3;
N=2^10;
L=1000;
MU=mu*ones(1,N);
%calculo de la covarianza
Cxx=(sigma^2)*diag(ones(N,1));
R=chol(Cxx);
z=repmat(MU,L,1)+(randn(L,N)*R);
%aproximacion de la transformada rapida
de Fourier
Z=1/sqrt(N)*fft(z,[],2);
%potencia Z promedio
Pzavg=mean(Z.*conj(Z));
Pzavg=fftshift(Pzavg);
normFreq=[-N/2:N/2-1]/N;
%grafica del espectro de la seal ruido
blanco
plot(normFreq,10*log10(Pzavg),'r')

Fig. 1 Ruido Blanco

Calcular la autocorrelacin y sus respectivos retardos

de un proceso estocsticos

clc
clear all
close all
%declaracion de variables
mu=0;
sigma=3;
N=1000;
%Generacion de V.A
wn=random('norm', 0,sigma,[1,N]);
figure(1)
%Generacion de dispersion de la variable
aleatoria
scatter(wn(1:end-1),wn(2:end));
figure (2)
subplot(211), plot(wn)%V.A
subplot(212), hist(wn)%Histograma de V.A
%Calculo de la correlacio cruzada
[Rx,lags]=xcorr(wn,'biased');
figure(3)
%Grafica correlacion Cruzada
plot(lags,Rx)

Fig. 2 Dispersin de V.A.

Fig. 3 Variable Aleatoria e Histograma de V.A.

filtered_noise =
filtered_noise(N_filter/2+1:end);
% Remember to consider the filter's
delay!

Fig. 4 Correlacin Cruzada

C.

La generacin de ruido blanco mediante sistemas

Codigo
clc; clear all;
N = 10000;
% Number of generated samples
noise_var = 3;
% Desired noise variance
noise = sqrt(noise_var)*randn(1,N);
% Noise signal generatio
N_samples_plot = 1000;
% Number of samples used in the plots
% Plot the first "N_samples_plot"
samples of the noise realization:
figure
plot(noise(1:N_samples_plot))
xlabel('sample index')
ylabel('noise amplitude')
pause();
% Plot the histogram of the noise
realization:
figure
hist(noise,20)
xlabel('noise amplitude');
ylabel('histogram count');
title('Noise histogram');
pause();

% Generate a FIR filter:

N_filter = 60;
%even number
h = firpm(N_filter,[0 0.1 0.2 1],[1 1 0
0]);
% Filter the noise signal:
filtered_noise = filter(h,1,noise);

% Plot the first "N_samples_plot"

samples of the filtered noise (compared
with the white noise):
figure
plot(noise(1:N_samples_plot))
hold on
plot(filtered_noise(1:N_samples_plot),'r
')
legend('White noise','Colored noise')
xlabel('sample index')
ylabel('noise amplitude')
pause();

% Plot the histogram of the filtered

noise:
figure
hist(filtered_noise,20)
xlabel('noise amplitude')
ylabel('histogram count')
title('Filtered noise histogram')
pause();

% Calculate and plot the autocorrelation

function for the white noise:
[corr_fun, lags] = xcorr(noise);
figure,plot(lags,corr_fun)
xlabel('\tau')
ylabel('R(\tau)')
title('Autocorrelation of white noise')
xlim([-30 30]);
pause();

% Calculate and plot the autocorrelation

function for the filtered noise:
[corr_fun, lags] =
xcorr(filtered_noise);
figure,plot(lags,corr_fun)
xlabel('\tau')
ylabel('R(\tau)')
title('Autocorrelation of filtered
(colored) noise')
xlim([-30 30])
pause();

% Notice the similarity between the

impulse response and the autocorrelation
% function of colored noise
% Thus, we plot the impulse response of
the filter:
figure,stem(-N_filter/2:N_filter/2,h)
xlabel('filter tap index');

ylabel('h(k)');
title('Impulse response of the filter');
pause();

% Define and plot the noise amplitude

spectra in dB:
noise_abs_spec =
10*log10(abs(fft(noise(1:length(filtered
_noise)))));
filtered_noise_abs_spec =
10*log10(abs(fft(filtered_noise)));

%Define the frequency vector values

(normalized between -1 and 1):
freq_vec = 1:2/length(noise_abs_spec):12/length(noise_abs_spec);
figure,
plot(freq_vec,fftshift(noise_abs_spec))
hold on
plot(freq_vec,fftshift(filtered_noise_ab
s_spec),'r')
hold off
xlabel('Normalized freqeuncy (Fs/2=1)')
ylabel('dB')
title('Noise spectra')
legend('White noise','Filtered
(coloured) noise')
pause();

Fig. 6 Histograma del Ruido

Fig. 7 Ruido y Ruido filtrado

Fig. 5 N muestras de la generacin del ruido

Fig. 8 Histograma del Ruido filtrado

Fig. 9 Autocorrelacin del Ruido Blanco

Fig. 12 Espectro del Ruido

D. Simulacin movimiento Browniano en 2D y 3D

Cdigo

Fig. 10 Autocorrelacin del Ruido Colorido Filtrado

%Movimiento Browniano
close all
clear all
% Generacion del movimeinto Browniano 2D
BM=bm(0,2);
[Xt,t]=simulate(BM,1000,'DeltaTime',0.01
);
figure(1)
plot(t,Xt);
%Generacion del movimiento Browniano 3D
[Yt,t]=simulate(BM,1000,'DeltaTime',0.01
);
figure(2)
plot3(t,Xt,Yt)
grid on

Fig. 11 Respuesta al impulse del filtro

Fig. 8 Movimiento Browniano 2D

A. L. Garca, Probability, Statistics and Random

Processes for Electrical Engineering, Prentice Hall, 2008.
[5] W. C. V. Etten, Introduction to Random Signals and
Noise, Jhon Wiley and Sons, Ltda, 2005.
[6] J. A. Gubner, Probability and Random Processes for
Electrical and Cpmputer Engineers, Cambridge University
Press, 2006
[4]

Fig. 9 Movimiento Brwoniano 3D

CONCLUSIONES
Se suavizo el espectro de la seal mediante el clculo de la
densidad espectral usando el mtodo del periodograma.
La transformacin rpida de Fourier (FFT) es una de
procesamiento utilizado con frecuencia digital de seal
algoritmos para las aplicaciones de multiplexacin por
divisin de frecuencia ortogonal.
Se logr comprobar grficamente que la densidad de
potencia espectral describe el contenido en potencias de una
seal como funcin de la frecuencia y que es la
representacin de cunta potencia hay en las distintas bandas
de frecuencia.
La utilidad del clculo de los coeficientes de autocorrelacin
mustrales es alta, ya que en el uso de los mismos se aprecia
la correlacin entre los datos y los intervalos, datos disjuntos,
adems de proporcionar informacin sobre los ciclos en el
modelo generador de datos.
En la generacin de Ruido blanco usando sistemas LTI se
aprecia que gran similitud entre la respuesta al impulso y la
funcin de autocorrelacin del ruido colorido filtrado.
La generacin de ruidos de manera digital est
estrechamente relacionado afirmando que su base est en la
generacion de nmeros aletorios.

REFERENCIAS
[1] Oppenheim, A., & Willsky, A. 2004. Seales y Sistemas.

Mxico: Ingramex.
[2] Kamen,

E., & Heck, B. 2008. Fundamentos de Seales y

Sistemas usando la web y Matlab. Mxico: Pearson
[3] BARCEL O, J. Simulacin de sistemas discretos".
Primera edicin. Madrid: Isdefe, 1996. IS-BN: 84-8933812-4.