Você está na página 1de 5

Clase 5.

Procesos estocasticos en Teora de la se


nal.

1 Introducci
on
En la clase anterior desarrollamos las caractersticas de un proceso estocastico
desde el dominio temporal. Recordemos que parabamos el tiempo en distin-
tos instantes, t1 , t2 , . . . , tk , lo que daba lugar a distintas variables aleatorias
Xt1 , Xt2 , . . . , Xtk . Despues se introdujo el concepto de estacionariedad (las propiedades
estadsticas se mantienen en el tiempo) y una de sus acepciones menos exigente
es la que asume que la media se mantiene constante en cualquier instante que
paremos el proceso y la funcion de autocorrelacion solo depende de la distancia
de tiempo entre los instantes y no de cuales sean estos instantes.
Vimos que se podan caracterizar algunos procesos estocasticos u nicamente a
traves de las propiedades de la funcion de autocorrelacion. En este tema incor-
poraremos el analisis desde el punto de vista de la frecuencia o, tambien denomi-
nado, analisis espectral. En muchas ocasiones son dos enfoques que analizan una
misma realidad, pero tambien veremos que las tecnicas propias de cada enfoque
son complementarias.
La descripcion espectral de una onda determinstica se obtiene mediante la
transformada de Fourier. El caso aleatorio es similar aunque requiere alguna
precaucion teorica. Es importante se nalar que la frecuencia suele denotarse con
la letra . Esta notacion la hemos usado nosotros para denotar las ocurrencias
elementales del azar, es decir, los elementos del espacio muestral . Ahora bien,
tambien se indico en el tema 1 que un proceso estocastico se denota Xt y una real-
izacion del mismo x(t). Si consideramos distintas realizaciones, basta con distin-
guirlas mediante subndices y, as, podemos prescindir de escribir explcitamente
el suceso que determina cada realizacion. En definitiva, es un smbolo que
queda libre para ser utilizado con otros fines. En este tema lo volveremos a re-
tomar para representar la frecuencia (como es habitual en los textos de teora de
la senal).

2 Espectro de densidad de potencia y sus propiedades


Una senal determinista x(t) podra entenderse como un proceso estocastico de-
generado, en el sentido de que el azar, con probabilidad 1, va a generar esa
realizacion.
Su transformada de Fourier es
Z
X() = x(t)eit dt.

1
Esta funcion se denomina espectro de x(t) y modeliza la manera en la que el
voltaje relativo (voltios por hertz) de la se
nal se distribuye con la frecuencia. Las
amplitudes y las fases de las frecuencias se describen con X(), ademas, mediante
la transformada inversa de Fourier podemos recuperar la se nal original:
Z
1
x(t) = X()eit d.
2

Cuando tratamos de aplicar lo anterior a procesos estocasticos nos encon-


tramos con un problema, y es que puede ocurrir que X() no exista para de-
terminadas realizaciones. Para solventar este problema se define el espectro de
densidad de potencia.
Sea X(t) un proceso aleatorio y denotemos por xT (t) a la porcion de real-
izacion del proceso entre los instantes T y T , entre los cuales asumimos que se
mueve en una banda sea cual sea la realizacion (y por tanto existe la integral de
la funcion en valor absoluto en este intervalo). As pues, denotamos
Z T Z T
XT () = xT (t)eit dt = x(t)eit dt.
T T

La energa contenida en x(t) en el intervalo (T, T ) se puede escribir


Z T Z
2 1
E(T ) = x (t)dt = |XT ()|2 d
T 2

Dividiendo la expresion anterior entre 2T obtenemos la potencia media P (T )


en el intervalo (T, T ):

T
|XT ()|2
Z Z
1 1
P (T ) = x2 (t)dt = d
2T T 2 2T

|XT ()|2
De lo anterior se sigue que es un espectro de densidad de potencia
2T
porque obtenemos la potencia mediante su integracion. Pero no estamos buscando
esta funcion, por dos razones. Por una parte, la potencia obtenida no representa
la potencia para una realizacion completa, es decir, hay que dar un paso al lmite
haciendo T . Por otra parte, debemos introducir el efecto del azar, ya que
estamos estudiando una u nica realizacion del proceso, pero puede haber muchas
otras. Por tanto P (T ) es una variable aleatoria, ya que su valor cambia seg un
lo que el azar dicte. Una manera de solventar lo anterior es considerar el valor
esperado de la expresion anterior.

2
As, cuando incluimos las dos soluciones anteriores definimos la potencia es-
perada como:
T
E[|XT ()|2 ]
Z Z
1 2 1
PXX = lim E[X (t)]dt = lim d.
T 2T T 2 T 2T

Cuando un proceso es estacionario en sentido amplio se tiene que PXX = 2 + 2 .


Por otra parte, PXX se puede obtener mediante una integracion en el dominio
de la frecuencia, as, si definimos espectro de la densidad de potencia para un
proceso estocastico a la expresion:

E[|XT ()|2 ]
SXX () = lim ,
T 2T
entonces la formula de la potencia es
Z
1
PXX = SXX ()d.
2

Ilustramos lo anterior con el siguiente ejemplo.


Ejemplo 1
Consideremos el proceso estocastico:

X(t) = A0 cos(0 t + )

donde A0 y 0 son constantes reales y es una variable aleatoria uniforme-


A2
mente distribuida en el intervalo (0, /2). Observamos que E[X 2 (t)] = 0
2
A20 2
sin(20 t) cuyo promedio temporal es A0 /2.

Finalmente, senalemos que se puede establecer una relacion entre la funcion
de autocorrelacion y el espectro de la densidad de potencia, as
Z Z T
1
SXX () = lim RX (t, t + )ei d,
T 2T T

y si el proceso es estacionario en sentido amplio


Z
SXX () = RX ( )ei d

Z
1
RX ( ) = SXX ()ei d,
2

3
por lo tanto ambas formas de matematizar una onda tienen una relacion unvoca
en el sentido de que una permite obtener la otra y al reves en procesos estacionar-
ios en sentido amplio.
El espectro de potencia es una funcion positiva y real, como ocurre con la
funcion de densidad, no obstante, el area encerrada por ella no es necesariamente
igual a 1. Si normalizamos en ese sentido el espectro, obtendremos una funci on
de densidad cuya desviacion, Wrms , es el ancho de banda eficaz:
Z
2 SXX (w)
Wrms = w2 R d
SXX ()d

3 Algunos definiciones de ruido y otros t


opicos
La presencia de ruido en la emision de se
nales constituye el ejemplo paradigmatico
de proceso estocastico en telecomunicaciones.
Ruido blanco
Una realizacion de un proceso estocastico estacionario en sentido amplio, t , se
denomina ruido blanco cuando el espectro de la densidad de potencia del proceso
es constante para cualquier frecuencia:

S () = a/2, a > 0,

Por lo que la funcion de autocorrelacion asociada sera

R ( ) = a/2( ).

El nombre de ruido blanco procede de que, al igual que la luz blanca, contiene
todas las frecuencias de luz en su espectro. Desde el punto de vista del dominio
del tiempo, el ruido blanco se denomina as porque su funcion de autocorrelaci
on
queda en blanco. Un ruido blanco no es realista ya que tiene una potencia media
infinita PXX = , no obstante en la practica aparecen otros ruidos semejantes
al blanco.
Ruido termal Es el generado por la agitacion termica de electrones en
cualquier conductor electrico. Este ruido tiene un espectro de potencia constante
hasta frecuencias muy altas y, entonces, decrece:
||/T
S () = a/2 , = 7.64 1012
e||/T
1
esta funcion permanece sobre los valores de 0.9a/2 hasta frecuencia de 1000 GHz
incluso. Esta funcion se obtiene para el ruido del voltaje de las terminales de un
circuito abierto de una resistencia a temperatura T .

4
Ruido blanco limitado a bandas
Son ruidos cuyo espectro de potencia es constante en una banda finita de
frecuencias y cero en el resto.
( P
, W < < W sin(W )
S () = W ; R ( ) = P ,
0, en otro caso. W

donde P es la potencia media.


De la expresion anterior pueden definirse otra extensiones, como valores con-
stantes para trozos de banda disjuntos
( P
, 0 W/2 < || < 0 + W/2 sin(W /2)
S () = W ; R ( ) = P cos(0 ),
0, en otro caso. W /2

donde 0 , W y P son constantes.


Ruido coloreado
Se denomina de esta manera a cualquier ruido que no sea blanco, es decir, a
aquellos cuya funcion espectro de potencia no sea constante.