Teoría de la Comunicación Grado en Ingeniería en Tecnologías de Telecomunicación RUIDO EN LOS SISTEMAS DE COMUNICACIONES
|
|
- Gustavo Valdéz Díaz
- hace 5 años
- Vistas:
Transcripción
1 Teoría de la Comnicación Grado en ngeniería en Tecnologías de Telecomnicación CAPÍTULO RUDO EN LOS SSTEMAS DE COMUNCACONES Marcelino Lázaro Departamento de Teoría de la Señal y Comnicaciones Universidad Carlos de Madrid Creative Commons License / 88 Índice de contenidos Revisión de conceptos de probabilidad Variable aleatoria Procesos aleatorios Caracterización del rido en sistemas de comnicaciones Procesos blancos Procesos gasianos Sma de procesos aleatorios Modelo estadístico del rido térmico Relación señal a rido c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria / 88
2 Variable aleatoria (Real) Fnción qe asigna n valor nmérico (real) a la salida de n experimento aleatorio! R! X( ) R q q q 4 q 3???? X( ) X( ) X( 3 ) X( 4 ) Rango de X: Rango X = {x R : 9, X( )=x} Va discreta: rango formado por conjnto discreto de valores Va contina: rango contino de valores Descripción (probabilística): Fnción de distribción: FX (x) Fnción densidad de probabilidad: fx (x) - R c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 3 / 88 Fnción de distribción Definición F X (x) =P(X apple x) nterpretación frecencial (probabilística) n x F X (x) =P(X apple x) = lím n! n n : número de realizaciones de la variable aleatoria X n x : número de resltados en las n realizaciones con X apple x Valores de la va X (a) Discreta 5 5 Valores de la va X (b) Contina c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 4 / 88
3 Estima de la fnción de distribción Teórica Estimada Realizaciones de la va X (a) Realizaciones 3 3 Valores de la va X (b) Estima de F X (x) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 5 / 88 Propiedades de la fnción de distribción apple F X (x) apple x < x! F X (x ) apple F X (x ) (F X (x) es no decreciente) 3 F X ( ) = y F X () = ( lím x! F X(x) =, lím x! F X(x) =) 4 F X (x + )=F X (x) (F X (x) es contina por la derecha) 5 F X (b) F X (a) =P(a < X apple b) 6 P(X = a) =F X (a) F X (a ) 7 P(X > x) = F X (x) P(a apple X apple b) =F X (b) F X (a ) P(a < X < b) =F X (b ) F X (a) P(a apple X < b) =F X (b ) F X (a ) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 6 / 88
4 Fnción densidad de probabilidad Definición f X (x) = d dx F X(x) Va discreta: pntos de masa pi = P(X = x i ) Notación va discreta: px (x i )=p i nterpretación frecencial (probabilística) P(x apple X apple x + x ) f X (x) = lím x! x f X (x) = lím x! x n x lím n! n n : número de realizaciones de la variable aleatoria X n x : número de resltados en las n realizaciones con x apple X apple x + x c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 7 / 88 Estima de la fdp Realizaciones de la va X (a) Realizaciones Valores de la va X (b) Estima de f X (x) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 8 / 88
5 Propiedades de f X (x) f X (x) 3 Z Z b + f X (x) dx = f X (x) dx = P(a < X apple b) a + Z 4 En general, P(X A) = f X (x) dx 5 F X (x) = Z x + f X () d A c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 9 / 88 Variable aleatoria de Bernolli Variable aleatoria discreta con Rango X = {, } Parámetro: p = P(X = ) 8 < p, x = f X (x) = p, x = :, en otro caso Ejemplos de aplicación en comnicaciones Generador de datos binario Modelo de errores c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria / 88
6 Variable aleatoria Binomial Número de s en n experimentos de Bernolli (indep) Parámetros: n, p Rango X = {,,, n} f X (x) = n x p x ( p) n x, apple x apple n y x Z, en otro caso Ejemplo de aplicación en comnicaciones Número total de bits recibidos con error c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria / 88 Variable aleatoria niforme f X (x) = Variable aleatoria contina de parámetros a y b Notación: U(a, b) b a, a < x < b, en otro caso f X (x) b a 6 - a b x Ejemplo aplicación en comnicaciones Fase aleatoria en na sinsoide: va niforme entre y c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria / 88
7 Variable aleatoria gasiana (normal) Parámetros: media (µ), y varianza ( ) Notación: N (µ, ) f X (x) = p e 6 f X (x) p (x µ) µ x Ejemplo de aplicación en comnicaciones Modelado del rido térmico - c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 3 / 88 nterpretación de la fnción densidad de probabilidad La fdp indica cómo se distribyen los valores qe toma na variable aleatoria Rangos donde f X (x) toma valores elevados indican na probabilida alta de qe la variable aleatoria tome valores en ese rango Por esta razón esta fnción pede tilizarse para el cálclo de probabilidades sobre los posibles valores de na variable aleatoria Una fdp se pede interpretar como n histograma llevado al límite A continación se mestran varios ejemplos Variable aleatoria niforme Variable aleatoria gasiana c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 4 / 88
8 Realizaciones de na variable aleatoria niforme Realización c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 5 / 88 Histograma con las realizaciones de la variable aleatoria niforme Histograma de la señal aleatoria x (t) ( pntos) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 6 / 88
9 Histograma con realizaciones de na variable aleatoria niforme Histograma de la señal aleatoria x (t) ( pntos) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 7 / 88 Realizaciones de na variable aleatoria gasiana Realización c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 8 / 88
10 Histograma con las realizaciones de la variable aleatoria gasiana 4 Histograma de la señal aleatoria x g (t) ( pntos) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 9 / 88 Histograma con realizaciones de na variable aleatoria gasiana 7 Histograma de la señal aleatoria x g (t) ( pntos) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria / 88
11 Fnción Q(x) Fnción tablada calclada nméricamente relacionada con la integral de na distribción gasiana Definición: probabilidad de qe na variable aleatoria gasiana de media nla y varianza nidad tome valores mayores qe s argmento Si X N (, )! f X (x) =N (, ) = p e x! Q(x) =P(X > x) Q(x) = Z + x f X (z) dz = Z + x p e z nterpretación gráfica Sólo se tabla para x Para x <, dada la simetría de fx (x): Q( x) = Q(x) dz N (, ) x > x < µ = x x µ = c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria / 88 Fnción Q(x) - Propiedades Relación con la fnción de distribción de na va gasiana (con µ =, = ) F X (x) =P(X apple x) = Z x p e t dt Fnción Q(x) = F X (x) =P(X > x) para µ =, = Algnas propiedades de la fnción Q(x) Q( x) = Q(x) Q() = Q() = c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria / 88
12 ntegrales sobre distribciones gasianas N (µ, ) Si la distribción gasiana tiene media µ y varianza x µ P(X > x) =Q nterpretación gráfica (considerando definición y simetría) N (µ, ) Q x µ = Q d d d µ x x µ Q x µ = Q d = Q d N (µ, ) d d x µ µ x c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 3 / 88 ntegrales sobre N (µ, ) en intervalos En general se peden escribir como smas o diferencias de diferentes términos involcrando integrales desde n pnto a ±, qe ya hemos visto como se obtienen tilizando la fnción Q(x) Un ejemplo ilstrativo N (µ, ) d d R x x N (µ, )= R x N (µ, ) µ x x R x N (µ, )= Q d Q d d d x µ µ x c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 4 / 88
13 Fnciones de na variable aleatoria Una fnción Y = g(x) de na v a es na variable aleatoria Fnción de distribción F Y (y) =P(Y apple y) =P(g(X) apple y) F Y (y) =P(x B g X (y)), Bg X (y) ={x R : g(x) apple y} Fnción densidad de probabilidad f Y (y) = XN r i= f X (x i ) g (x i ) {xi }:raíces de la ecación y = g(x) g (x): derivada de la fnción g(x) Condiciones: número finito de raíces, Nr y g(x i ) 6= 8x i c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 5 / 88 Momentos estadísticos Valor esperado (media, o esperanza matemática) m X = E[X] = Z x f X (x) dx Valor esperado de na fnción de X (g(x)) E[g(X)] = Z g(x) f X (x) dx Momento de orden n m n X = Z x n f X (x) dx Varianza NOTA: X = E (x m X ) Z = (x m X ) f X (x) dx h X = E (x m X ) i = E[X ] (E[X]) = E[X ] (m X ) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 6 / 88
14 Propiedades de los momentos E[X + Y] =E[X]+E[Y] =m X + m Y (Operador lineal) E[c] =c (para calqier constante c) E[c X] =c E[X] E[X + c] =E[X]+c Var(c) = Var(c X) =c Var(X) Var(X + c) =Var(X) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 7 / 88 Variables aleatorias mltidimensionales Se pede trabajar de forma conjnta con dos variables aleatorias definidas sobre el mismo espacio mestral Modelado probabilístico conjnto Fnción de distribción conjnta F X,Y (x, y) =P(X apple x, Y apple y) Fnción densidad de probabilidad conjnta f X,Y (x, F X,Y(x, y) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 8 / 88
15 Propiedades de F X,Y (x, y) y f X,Y (x, y) F X (x) =F X,Y (x, ) F Y (y) =F X,Y (, y) f X (x) = f Y (y) = Z Z Z Z f X,Y (x, y) dy f X,Y (x, y) dx f X,Y (x, y) dx dy = Z Z P((X, Y) A) = (x,y)a f X,Y (x, y) dx dy F X,Y (x, y) = Z x Z y f X,Y (, v) d dv c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 9 / 88 Fnción densidad de probabilidad condicionada Conocimiento del valor de na variable modifica las probabilidades de la otra f Y X (y x) = ( fx,y (x,y) f X, (x) f X (x) 6=, en otro caso Definición de independencia estadística: f Y X (y x) =f Y (y) f X Y (x y) =f X (x) mplicación: para variables aleatorias independientes f X,Y (x, y) =f X (x) f Y (y) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 3 / 88
16 Momentos estadísticos Valor esperado de na fnción g(x, Y) E[g(X, Y)] = Casos particlares Z Z g(x, y) f X,Y (x, y) dx dy Correlación: g(x, Y) =X Y Covarianza: g(x, Y) =(X mx ) (Y m Y ) mplicación de independencia: si g(x, Y) =g (X) g (Y) E [g (X) g (Y)] = E [g (X)] E [g (Y)] NOTA: Sólo bajo independencia!!!! c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 3 / 88 ncorrelación Coeficiente de correlación X,Y = Cov(X, Y), apple X,Y apple X Y Si X,Y = : va s incorreladas F ndependencia implica incorrelación F ncorrelación no implica independencia Si X,Y = ±: Y = ax + b X,Y =+! a > ; X,Y =! a < ncorrelación sólo implica independencia para variables aleatorias conjntamente gasianas NOTA: Salvo este caso, en general, incorrelación no implica independencia!!! c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 3 / 88
17 Fnciones de variables aleatorias Fnciones de variables aleatorias: Z = g(x, Y), W = h(x, Y) Z = g(x, Y) W = h(x, Y) Fnción de distribción conjnta, F Z,W (z, w) F Z,W (z, w) =P(Z apple z, W apple w) =P (x, y) B g,h X,Y (z, w) B g,h X,Y (z, w) ={(x, y) R : g(x, y) apple z, h(x, y) apple w} Fnción densidad de probabilidad conjnta f Z,W (z, w) = X i f X,Y (x i, y i ), J(x, y) = detj(x i, y i # {x i, y i }:raíces del sistema de ecaciones z = g(x, y), w = h(x, y) Número finito de raíces y determinante no nlo para todas ellas c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 33 / 88 Variables aleatorias conjntamente gasianas Dos variables, X, Y: caracterizadas por na fdp conjnta f X,Y (x, y) = X Y p e (x µ X) (y µ Y ) ) X + Y (x µ x )(y µ Y ) A X Y Para n variables aleatorias X = X, X,, X n f X (x, x,, x n )= p ( ) n det(c) e (x µ)c (x µ) T Vector de medias: µ =[µ,µ,,µ n ] T Matriz de covarianzas: C, dada por C i,j = Cov(X i, X j )= i,j i j c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 34 / 88
18 Propiedades de va s conjntamente gasianas Completamente caracterizadas por µ y C (estadísticos de o orden) Si n variables aleatorias son conjntamente gasianas, calqier sbconjnto también está distribido de forma conjntamente gasiana En particlar, todas las variables individales son gasianas Calqier sbconjnto de va conjntamente gasianas, condicionadas a otro sbconjnto de las mismas va conjntamente gasianas originales, tiene na distribción conjntamente gasiana Calqier conjnto de combinaciones lineales de (X, X,, X n ) es conjntamente gasiano En particlar, individalmente calqier combinación lineal Y i es gasiana Dos variables incorreladas son independientes Si las variables están incorreladas, i,j = 8i 6= j, C es na matriz diagonal c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 35 / 88 Sma de variables aleatorias Ley de los grandes números (débil): Si (X, X,, X n ) están incorreladas y todas tienen la misma media m X y varianza X <, independientemente de s distribción, para calqier " >, si Y = nx X i, lím n P( Y m X > ") = n! i= Teorema del límite central: Si (X, X,, X n ) son independientes con medias m, m,, m n, y varianzas,,, n, entonces la distribción de Y = p n converge a na distribción gasiana de media y varianza nx i= X i i m i f Y (y) = p e y N (, ) c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 36 / 88
19 Sma de variables aleatorias () Caso particlar: variables independientes e idénticamente distribidas (iid), es decir, qe todas tengan la misma distribción con la misma media m y la misma varianza ; el promedio Y = nx X i, n converge a na distribción N (m, ) Esto es así anqe la n distribción original no sea gasiana Recordatorio: condiciones a satisfacer Ley de los grandes números (débil): incorrelación Teorema del límite central: independencia i= c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 37 / 88 Realizaciones variable aleatoria gasiana Variable aleatoria gasiana: media m X =, varianza X = 4 Señal de c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 38 / 88
20 Promedio de variables aleatorias gasianas (realizaciones) Variables aleatorias gasianas: media m X =, varianza X = 4 Promedio de señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 39 / 88 Promedio de 5 v a gasianas (realizaciones) Variables aleatorias gasianas: media m X =, varianza X = 4 Promedio de 5 señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 4 / 88
21 Promedio de v a gasianas (realizaciones) Variables aleatorias gasianas: media m X =, varianza X = 4 Promedio de señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 4 / 88 Promedio de v a gasianas (realizaciones) Variables aleatorias gasianas: media m X =, varianza X = 4 Promedio de senales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 4 / 88
22 Promedio de 5 v a gasianas (realizaciones) Variables aleatorias gasianas: media m X =, varianza X = 4 Promedio de 5 senales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 43 / 88 Promedio de v a gasianas (realizaciones) Variables aleatorias gasianas: media m X =, varianza X = 4 Promedio de señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 44 / 88
23 Promedio de 5 v a gasianas (realizaciones) Variables aleatorias gasianas: media m X =, varianza X = 4 Promedio de 5 señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 45 / 88 Realizaciones de variable aleatoria niforme Variable aleatoria niforme entre y 8 Señal de c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 46 / 88
24 Promedio de variables aleatorias niformes (realizaciones) Variables aleatorias niformes entre y Promedio de señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 47 / 88 Promedio de 5 v a niformes (realizaciones) Variables aleatorias niformes entre y 8 6 Promedio de 5 señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 48 / 88
25 Promedio de v a niformes (realizaciones) Variables aleatorias niformes entre y Promedio de señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 49 / 88 Promedio de v a niformes (realizaciones) Variables aleatorias niformes entre y Promedio de señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 5 / 88
26 Promedio de 5 v a niformes (realizaciones) Variables aleatorias niformes entre y Promedio de 5 señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 5 / 88 Promedio de v a niformes (realizaciones) Variables aleatorias niformes entre y Promedio de señales c Marcelino Lázaro, 4 Teoría de la Comnicación Variable Aleatoria 5 / 88
27 Procesos aleatorios Extensión de va inclyendo dependencia temporal Variable aleatoria! X( ) Proceso aleatorio! X(t, ) Particlarizaciones X(ti, j): realización individal X(t, i): señal temporal asociada a i, x i (t) X(ti, ): variable aleatoria (X( )) Notación: X(t) o X[n] nterpretación: Conjnto indexado de variables aleatorias Índice contino (t R ): Proceso aleatorio contino Índice discreto (n Z): Proceso aleatorio discreto c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 53 / 88 Descripción de n proceso aleatorio Descripción analítica X(t) =f (t, ) = {,,, n }: vector de variables aleatorias Ecación f (t, ) y descripción estadística de Descripción estadística Completa: 8 (t, t,, t n ) R n, 8 n f X(t ),X(t ),,X(t n )(x, x,, x n ) De orden M: 8 n apple M, 8 (t, t,, t n ) R n f X(t ),X(t ),,X(t n )(x, x,, x n ) c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 54 / 88
28 Esperanzas de los procesos (promedios estadísticos) Media de n proceso m X (t) =E[X(t)] = Z x f X(t) (x)dx Fnción de atocorrelación de n proceso R X (t, t )=E[X(t ) X(t )] R X (t, t )= Z Z x x f X(t ),X(t )(x, x ) dx dx c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 55 / 88 Estacionariedad y cicloestacionariedad Estacionariedad en sentido estricto: 8 (t, t,, t n ), 8n, 8 f X(t ),X(t ),,X(t n )(x, x,, x n )= f X(t + ),X(t + ),,X(t n + )(x, x,, x n ) Estacionariedad de orden M: para n apple M Estacionariedad en sentido amplio m X (t) =m X (no depende de t) R X (t, t )=R X (t t )=R X ( ) (definiendo = t t ) También se sele denotar R X (t +, t) =R X ( ) Cicloestacionariedad m X (t + T o )=m X (t) R X (t + + T o, t + T o )=R X (t +, t), para todo t y c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 56 / 88
29 Atocorrelación de procesos estacionarios La fnción de atocorrelación de n proceso estacionario X(t), R X ( ), tiene las sigientes propiedades: Es na fnción par R X ( ) =R X ( ) El máximo en módlo se obtiene en = R X ( ) apple R X () Si para algún T o se cmple R X (T o )=R X (), entonces para todo entero k R X (kt o )=R X () Es na fnción semidefinida positiva (se verá más tarde) c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 57 / 88 Ergodicidad Promedios para n proceso X(t) y na fnción g(x): Promedio estadístico E[g(X(t))] = Z g(x) f X(t) (x) dx Este valor es, en general, dependiente de t Promedio temporal de x(t,! i ) < g(x) > i = lím T! T Z T T g(x(t,! i )) dt ndependiente de t, pero en general dependiente de! i X(t) estacionario es ergódico, si 8 g(x) y 8! i lím T! T Z T T g(x(t,! i )) dt = E[g(X(t))] c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 58 / 88
30 Potencia y Energía Energía del proceso aleatorio X(t), E X E X = E[E X ], E X = Z X (t) dt Potencia del proceso aleatorio X(t), P X P X = E[P X ], P X = lím T! T Z T T X (t) dt Un proceso aleatorio es de energía si EX < Un proceso aleatorio es de potencia si < PX < c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 59 / 88 Potencia y energía () applez E X = E X (t) dt = Z E[X (t)] dt = Z R X (t, t) dt P X = E " = lím T! lím T! T T Z T Z T T T X (t) dt # E[X (t)] dt = lím T! T Z T Para procesos aleatorios estacionarios R X (t, t) =R X () T R X (t, t) dt P X = R X (), E X = Z R X () dt Procesos estacionarios de interés: de potencia c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 6 / 88
31 Procesos aleatorios mltidimensionales (múltiples) ndependencia: X(t) e Y(t) son independientes si 8 t, t, X(t ) y Y(t ) son independientes ncorrelación: X(t) e Y(t) están incorreladas si 8 t, t, X(t ) y Y(t ) están incorreladas Fnción de correlación crzada En general R X,Y (t, t )=E[X(t ) Y(t )] R X,Y (t, t )=R Y,X (t, t ) Estacionariedad conjnta: X(t) e Y(t) son conjntamente estacionarios si Ambos son individalmente estacionarios RX,Y (t, t )=R X,Y ( ), con = t t F Notación alternativa: R X,Y (t +, t) =R X,Y ( ) c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 6 / 88 Procesos aleatorios en el dominio de la frecencia Espectro de na de las señales del proceso aleatorio x i (t) =X(t, i)! X i (j!) =TF{x i (t)} = Z x i (t) e j!t dt No todas las señales tienen definida na transformada de Forier Definición de señales trncadas de dración T x [T] i (t) = xi (t), t < T/, en otro caso Las señales trncadas sí tienen definida la transformada n o Z X [T] i (j!) =TF x [T] i (t) = x [T] i (t) e j!t dt = Z T T x i (t) e j!t dt c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 6 / 88
32 Densidad espectral de potencia Proceso aleatorio trncado de dración T X [T] (t): Proceso cyas señales son X [T] (t, i) =x [T] i (t) (trncadas) Proceso aleatorio trncado en el dominio de la frecencia X [T] (j!): Proceso cyas señales son las TF de x [T] i (t), ie, X [T] i (j!) Densidad espectral de potencia de X(t) S X (j!) def = E " lím T! # X [T] (j!) T E = lím T! h X [T] (j!) i T Representación del comportamiento medio del módlo al cadrado de la tranformada de Forier de todas las señales qe componen el proceso aleatorio (con el trco de trncar para asegrar la existencia de dicha transformada de Forier para todas las señales, y llevando la longitd de trncado al límite) c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 63 / 88 Teorema de Wiener-Khinchin Si para calqier valor finito y calqier intervalo A, de longitd, la atocorrelación del proceso aleatorio cmple Z R X (t +, t)dt < A la densidad espectral de potencia de X(t) es la transformada de Forier del promedio temporal de la fnción de atocorrelación S X (j!) =TF{< R X (t +, t) >} siendo el promedio temporal de la fnción de atocorrelación < R X (t +, t) > def = lím T! T Z T/ T/ R X (t +, t) dt c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 64 / 88
33 Teorema de Wiener-Khinchin - Corolarios Corolario : Si X(t) es n proceso estacionario y R X ( ) < para todo <, entonces S X (j!) =TF[R X ( )] Corolario : Si X(t) es ciclostacionario y se cmple qe entonces donde Z To R X (t +, t) dt < S X (j!) =TF[eR X ( )] er X ( ) = R X (t +, t) dt T o ZT o y T o es el período del proceso cicloestacionario c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 65 / 88 Potencia de n proceso aleatorio En el dominio de la frecencia P X = En el dominio del tiempo Proceso estacionario Z S X (j!) d! P X = R X () Proceso cicloestacionario P X = R X () c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 66 / 88
34 Procesos aleatorios estacionarios y sistemas lineales X(t) - Y(t) h(t) - Teorema: X(t) es estacionario, de media m X y fnción de atocorrelación R X ( ) El proceso pasa a través de n sistema lineal e invariante con respesta al implso h(t) En este caso, los procesos de entrada y salida, X(t) e Y(t), son conjntamente estacionarios, siendo m Y = m X Z h(t) dt R Y ( ) =R X ( ) h( ) h( ) R X,Y ( ) =R X ( ) h( ) Además, se pede comprobar qe R Y ( ) =R X,Y ( ) h( ) c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 67 / 88 Media del proceso de salida Se parte de qe Por tanto Z Y(t) = X(s) h(t applez m Y (t) =E X(s) h(t = = =t Z Z s E[X(s)] h(t m X h(t s) ds s) ds s) ds s) ds = m X Z h() d c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 68 / 88
35 Correlación crzada R X,Y ( ) R X,Y (t, t )=E[X(t ) Y(t )] apple Z = E X(t ) X(s) h(t = = Z Z =s t = E[X(t ) X(s)] h(t R X (t s) h(t s) ds s) ds s) ds = Z R X (t t ) h( ) d Z R X ( ) h( ) d = R X ( ) h( ) c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 69 / 88 Correlación de salida R Y ( ) R Y (t, t )=E[Y(t ) Y(t )] apple Z = E X(s) h(t = = Z Z =s t = E[X(s) Y(t )] h(t s) ds Y(t ) s) ds R XY (s t ) h(t s) ds = Z R X,Y () h(t t ) d Z R X,Y () h( = R X,Y ( ) h( ) = R X ( ) h( ) h( ) ) d c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 7 / 88
36 Relaciones en el dominio frecencial Media del proceso de salida m Y = m X H() Densidad espectral del proceso de salida S Y (j!) =S X (j!) H(j!) Densidades espectrales crzadas S X,Y (j!) def = TF[R X,Y ( )] S X,Y (j!) =S X (j!) H (j!) S Y,X (j!) =S X,Y(j!) =S X (j!) H(j!) c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 7 / 88 Relaciones entre densidades espectrales de potencia X(t) - Y(t) h(t) - - S H X,Y (j!) (j!) - S X (j!) S - Y,X (j!) H(j!) - - S H(j!) Y (j!) - c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios 7 / 88
37 Procesos aleatorios discretos Notación: X[n] Promedios estadísticos Media: mx [n] =E [X[n]] Atocorrelación: RX [n + k, n] =E [X[n + k] X[n]] Estacionariedad: Estadísticos independientes del índice temporal n Media: mx [n] =m X Atocorrelación: RX [n + k, n] =R X [k] Cicloestacionariedad: Estadísticos periódicos de período N Media: mx [n + N] =m X [n] Atocorrelación: RX [n + k + N, n + N] =R X [n + k, n] c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios Discretos 73 / 88 Procesos aleatorios discretos - Espectro y potencia Densidad espectral de potencia Procesos estacionarios S X (e j! )=TF{R X [k]} Procesos cicloestacionarios S X (e j! )=TF R X [k], R X [k] = N NX n= R X [n + k, n] Potencia P X = Z S X (e j! ) d! = ( R X [], R X [], X[n] estacionario X[n] cicloestacionario c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios Discretos 74 / 88
38 Procesos aleatorios discretos - Sistemas lineales Media del proceso de salida m Y = m X X n h[n] =m X H() Atocorrelación del proceso de salida R Y [k] =R X [k] h[k] h[ k] Densidad espectral de potencia del proceso de salida Estadísticos crzados S Y (e j! )=S X (e j! ) H(e j! ) R X,Y [k] =R X [k] h[ k] S X,Y (e j! )=S X (e j! ) H (e j! ) c Marcelino Lázaro, 4 Teoría de la Comnicación Procesos Aleatorios Discretos 75 / 88 Sma de procesos aleatorios X(t) e Y(t) son conjntamente estacionarios Proceso sma: Z(t) =X(t)+Y(t) Media del proceso m Z (t) =E[Z(t)] = E[X(t)+Y(t)] = E[X(t)] + E[Y(t)] = m X + m Y = m Z Fnción de atocorrelación R Z (t +, t) =E[Z(t + ) Z(t)] =E[(X(t + )+Y(t + )) (X(t)+Y(t))] =E[X(t + ) X(t)] + E[X(t + ) Y(t)] + E[Y(t + ) X(t)] + E[Y(t + ) Y(t)] =R X ( )+R X,Y ( )+R Y,X ( )+R Y ( ) =R X ( )+R Y ( )+R X,Y ( )+R Y,X ( ) =R Z ( ) F Proceso aleatorio Z(t) es estacionario Densidad espectral de potencia S Z (j!) =S X (j!)+s Y (j!)+s X,Y (j!)+s Y,X (j!) =S X (j!)+s Y (j!)+ Re[S X,Y (j!)] c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 76 / 88
39 Sma de procesos aleatorios - ncorrelados Relación (covarianza / correlación) para procesos conjntamente estacionarios Cov(X(t + ), Y(t)) =E[(X(t + ) m X ) (Y(t) m Y )] Procesos incorrelados: = E[X(t + ) Y(t)] {z } R X,Y ( ) m X E[Y(t)] +m X m Y {z } m Y =R X,Y ( ) m X m Y m Y E[X(t + )] {z } m X Por definición : Cov(X(t + ), Y(t)) =, 8 Consecencia : R X,Y ( ) =m X m Y Si al menos no de los procesos (incorrelados) tiene media nla F R Z ( ) =R X ( )+R Y ( ) S Z (j!) =S X (j!)+s Y (j!) Caso habital de sma de señal y rido: incorrelación, rido con media nla c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 77 / 88 Proceso gasiano Definición: X(t) es n proceso gasiano si para todo n y todo {t, t,, t n }, las variables aleatorias {X(t i )} n i= tienen na distribción conjntamente gasiana Propiedades de los procesos gasianos mx (t) y R X (t, t ), proporcionan na descripción estadística completa del proceso F Permiten calclar vector de medias y matriz de covarianzas - Para X(t i ), ) µ i = m X (t i ) - X(t i ), X(t j ), ) C i,j =Cov(X(t i ),X(t j ))=R X (t i, t j ) m X (t i ) m X (t j ) Para procesos gasianos, estacionariedad en sentido estricto y en sentido amplio son eqivalentes Si X(t) pasa por n sistema lineal e invariante, el proceso de salida, Y(t) es gasiano Para X(t) gasiano, estacionario y de media nla, na condición sficiente para la ergodicidad de X(t) es Z R X ( ) d < c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 78 / 88
40 Procesos aleatorios conjntamente gasianos Definición: Los procesos X(t) e Y(t) son conjntamente gasianos, si para todo n, m, y todo {t, t,, t n } y {,,, m }, las variables aleatorias X(t ), X(t ),, X(t n ), Y( ), Y( ),, Y( m ), tienen na distribción conjntamente gasiana (de dimensión n + m) Propiedad: Para procesos conjntamente gasianos, incorrelación e independencia son eqivalentes c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 79 / 88 Proceso blanco Un proceso es blanco si s densidad espectral de potencia es constante para todas las frecencias S X (j!) =C S X (j!) 6 C -! Consecencias F Fnción de atocorrelación de n proceso blanco estacionario F R X ( ) =TF {C} = C ( ) La potencia de n proceso blanco es infinita P X = Z S X (j!) d! = Z Cd! = c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 8 / 88
41 Filtrado de n proceso blanco Proceso X(t) blanco con S X (j!) =C se filtra (h(t) / H(j!)) Densidad espectral de potencia a la salida del filtro (Y(t)) S Y (j!) =S X (j!) H(j!) = C H(j!) En general el proceso Y(t) no es blanco Fnción de atocorrelación R Y ( ) =R X ( ) h( ) h( ) =R X ( ) r h ( ) =C r h ( ) Potencia del proceso P Y = R Y () =C r h () Como por definición rh () =E{h(t)} P Y = C E{h(t)} c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 8 / 88 Rido térmico Densidad espectral de potencia del rido térmico (mecánica cántica) 8 >< donde >: S n (j!) = h! 4 (e h! kt ) h: Constante de Planck (66 34 Jlios segndo) k: Constante de Boltzmann (38 3 Jlios/ o Kelvin) T: Temperatra en grados Kelvin!: Plsación ( veces la frecencia) en rad/s kt,8 kt 6 S n (j!) kt 6S n (j!),8 kt,6 kt,6 kt,4 kt,4 kt, kt, kt ! (GHz) Estadística gasiana ! (GHz) c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 8 / 88
42 Modelo de rido térmico Proceso aleatorio n(t) blanco, gasiano, estacionario, ergódico Media nla (mn = ) Fnción de atocorrelación R n ( ) = N ( ) Densidad espectral de potencia S n (j!) S n (j!) = N 6 N / Valor de la constante N N = k T a Watt/Hz c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 83 / 88 -! Potencia de rido térmico a la salida de filtros ideales Filtros ideales de ancho de banda B Hz (o W = B rad/s): filtro paso bajo o filtro paso banda con frecencia central f c Hz (o! c = f c rad/s) H(j!) W! Filtro Paso Bajo Proceso de salida de los filtros H(j!) 6 Filtro Paso Banda! c W - -! Proceso Z(t) con S Z (j!) = N H(j!) Potencia de la salida de los filtros P Z = Z S z (j!) d! = N Z H(j!) d! {z } E{h(t)}=B = N B c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 84 / 88
43 Potencia de rido térmico en filtros ideales con ganancia Filtros ideales (paso bajo/paso banda) de ancho de banda B Hz (o W = B rad/s) y con ganancia en potencia G (ganancia en voltaje p G) p H(j!) G 6 H(j!) 6 p G - - W! Filtro Paso Bajo Proceso de salida de los filtros Filtro Paso Banda! c W - -! Proceso Z(t) con S Z (j!) = N H(j!) Potencia de la salida de los filtros P Z = Z S z (j!) d! = N Z H(j!) d! {z } E{h(t)}=BG = N B G c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 85 / 88 Ancho de banda eqivalente de rido Salida de n sistema lineal (respesta h(t), H(j!)) Proceso Z(t) con S Z (j!) = N H(j!) Potencia de rido a la salida de n sistema lineal P Z = Z S Z (j!) d! = N Z H(j!) d! {z } E{h(t)} Potencia de rido en fnción del ancho de banda eqivalente de rido P Z = N B eq G eq Beq : Ancho de banda eqivalente de rido Geq : Ganancia en potencia eqivalente G eq = H max, con H max = máx! H(j!) c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 86 / 88
44 Ancho de banda eqivalente de rido - dentificación dentificación del valor de B eq E{h(t)} = Z B eq = E{h(t)} G eq h(t) dt = Z H(j!) d! nterpretación: Un sistema lineal ideal, de ancho de banda B eq y amplitd H max ( p G eq ) tiene la misma potencia de rido a la salida qe el filtro h(t) H(j!) 6 H max B eq c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 87 / 88 -! Relación señal a rido (a la salida de n filtro) Señal a la entrada del filtro: Proceso X(t), potencia P X Rido a la entrada del filtro: modelo de rido térmico n(t) Filtro (normalmente en el receptor): respestas h(t) y H(j!) Señal a la salida del filtro receptor: Proceso Y(t) Rido a la salida del filtro receptor: Proceso Z(t) Relación señal a rido S N = P Y P Z, S N (db) = log Pot señal: PY = Z S Y (j!) d! = Z S X (j!) H(j!) d! Potencia rido: P Z = Z S Z (j!) d! = N Z H(j!) d! F Filtros ideales (sin ganancia con ganancia) P Z = N B P Y P Z P Z = N B G F Filtro con ancho de banda eqivalente Beq y ganancia G eq P Z = N B eq G eq c Marcelino Lázaro, 4 Teoría de la Comnicación Rido térmico 88 / 88
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesTeoría de la Comunicación
Teoría de la Comnicación Grado en ngeniería en Tecnologías de Telecomnicación OenCorseWare (htt://ocwc3mes) Universidad Carlos de Madrid Marcelino Lázaro Creative Commons License / 48 Ator del crso Marcelino
Más detallesRuido en los sistemas de comunicaciones
Capítulo 2 Ruido en los sistemas de comunicaciones Cuando una señal se transmite a través de un canal de comunicaciones hay dos tipos de imperfecciones que hacen que la señal recibida sea diferente de
Más detallesTeoría de la Comunicación. a) Si X es una variable aleatoria con una distribución uniforme en el intervalo [ 2, 2], calcule las probabilidades
.6. Ejercicios Ejercicio.1 Se tiene una variable aleatoria X. a) Si X es una variable aleatoria con una distribución uniforme en el intervalo [, ], calcule las probabilidades i) P (X >1) ii) P (X > 1)
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detallesRuido en los sistemas de comunicaciones
Capítulo Ruido en los sistemas de comunicaciones En un sistema de comunicaciones hay distintos tipos de señales Algunas señales son deterministas Otras, sin embargo, tienen naturaleza aleatoria, ya que
Más detallesProcesos estocásticos
Teoría de la comunicación Comunicaciones - U.A.H. Indice Probabilidad. Variables Aleatorias. Procesos Estocásticos. Comunicaciones - U.A.H. Probabilidad Probabilidad. Dado un experimento ε del tipo que
Más detallesTema 4: Variables aleatorias multidimensionales
Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia
Más detallesEjercicios de Procesos Estocásticos
Ejercicios de Procesos Estocásticos Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros Ejemplo Considerar
Más detallesTema 4: Variables aleatorias multidimensionales
1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica
Más detalles2.7. Soluciones de los ejercicios
7 oluciones de los ejercicios Ejercicio olución a) La probabilidad se calcula integrando la función densidad de probabilidad de en el intervalo correspondiente, obteniéndose para la distribución uniforme
Más detallesVariables aleatorias bidimensionales discretas
Universidad de San Carlos de Guatemala Facultad de Ingeniería Área de Estadística VARIABLES ALEATORIAS BIDIMENSIONALES Concepto: Sean X e Y variables aleatorias. Una variable aleatoria bidimensional (X,
Más detallesTema 4: Variable Aleatoria Bidimensional
Curso 2016-2017 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones
Más detallesTEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detallesTema 7: Procesos Estoca sticos
Tema 7: Procesos Estoca sticos Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Definición 2 Caracterización Estadística 3 Estadísticos 4 Estacionariedad 5 Ergodicidad 6 Densidad Espectral de Potencia
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesTEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
Más detalles5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias. Jorge Eduardo Ortiz Triviño
5. TEOREMA FUNDAMENTAL: Repaso Variables Aleatorias Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ CONTENIDO 1. INTRODUCCIÓN 2. VARIABLES ALEATORIAS 3. TEOREMA
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesSistemas de Comunicaciones
Sistemas de Comunicaciones Tema 2: Señales aleatorias Grado en Ingeniería de Sistemas de Telecomunicación Departamento de Ingeniería de Comunicaciones Universidad de Málaga Curso 202/203 Tema 2: Señales
Más detallesDISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN ( CONJUNTA ) DE UN VECTOR ALEATORIO FUNCIÓN DE CUANTÍA ( CONJUNTA) DE VECTORES ALETORIOS DISCRETOS FUNCIÓN DE DENSIDAD (CONJUNTA)
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesEstadística Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 2011 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1 1. Las Definiciones de Probabilidad 2. Variables Aleatorias 3. Función de Densidad
Más detallesEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE Ajste mínimo-cadrático del hiperplano de regresión En el modelo de regresión múltiple qe vamos a presentar se considera qe el regresando es na fnción lineal de k-
Más detallesIDENTIFICACIÓN DE SISTEMAS SISTEMAS LINEALES Y PROCESOS ESTOCÁSTICOS
IDENTIFICACIÓN DE SISTEMAS SISTEMAS LINEALES Y PROCESOS ESTOCÁSTICOS Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Sistema Un sistema
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesSEÑALES ALEATORIAS Y RUIDO. E. T. S. de Ingenieros de Telecomunicación Universidad de Valladolid.
SEÑALES ALEATORIAS Y RUIDO. Marcos Martín Fernández E. T. S. de Ingenieros de Telecomunicación Universidad de Valladolid. CONTENIDOS INDICE. DE FIGURAS VII 1. PROBABILIDAD. 1 2. VARIABLES ALEATORIAS.
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales FILTRADO DE LA IMAGEN Filtros en frecencia INTRODUCCIÓN x (0, 0) El filtrado en el dominio de la frecencia se basa en la transformada de Forier (TF), la cal asocia cambios
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más detallesUNIDAD 1 Ecuaciones Diferenciales de Primer Orden
UNIDAD UNIDAD Ecaciones Diferenciales de Primer Orden Definición Clasificación de las Ecaciones Diferenciales Una ecación diferencial es aqélla qe contiene las derivadas o diferenciales de na o más variables
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesTeoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y
Profesores de TMDE Teoría Moderna de Decisión y Estimación, Notas Introductorias: Cálculo de probabilidades y estadística Monograph 9 de septiembre de 23 Springer Índice general. Variables aleatorias
Más detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesPOTENCIA DE UN PROCESO ALEATORIO. Análisis Espectral 1 / 30
POTENCIA DE UN PROCESO ALEATORIO Análisis Espectral 1 / 30 POTENCIA DE UN PROCESO ALEATORIO Recordemos: Para señales determinísticas.... la potencia instantánea es Para una señal aleatoria, es una VA para
Más detallesVectores Aleatorios. Definición 1.1. Diremos que el par (X,Y) es un vector aleatorio si X e Y representan variables aleatorias
Universidad de Chile Facultad De Ciencias Físicas y Matemáticas MA3403 - Probabilidades y Estadística Prof. Auxiliar: Alberto Vera Azócar. albvera@ing.uchile.cl Vectores Aleatorios 1. Vectores Aleatorios
Más detallesel blog de mate de aida MI: apuntes de vectores y rectas pág. 1 VECTORES
el blog de mate de aida MI: apntes de vectores y rectas pág. VECTORES.- LOS EJES CARTESIANOS Y EL ORIGEN El eje horizontal se llama eje de abscisas y el eje vertical se llama eje de ordenadas. El pnto
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detallesTEMA 3 RECEPTORES DE COMUNICACIONES DIGITALES EN PRESENCIA DE INTERFERENCIA INTERSIMBÓLICA. Índice de contenidos Planteamiento del problema
TEMA 3 RECEPTORES DE COMUNCACONES DGTALES EN PRESENCA DE NTERFERENCA NTERSMBÓLCA GTT (UC3M) Comnicaciones Digitales Detección bajo S / 27 Índice de contenidos Planteamiento del problema Recperación de
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesIdentificación en lazo cerrado. Prof. Cesar de Prada ISA-Universidad de Valladolid
Identificación en lazo cerrado Prof. Cesar de Prada IAUniversidad de Valladolid Identificación en lazo cerrado Ha sitaciones (plantas inestables en lazo abierto, o con integradores) en las qe los experimentos
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesVariables aleatorias. Descripción breve del tema. Objetivos. Descripción breve del tema. Tema 4
Descripción breve del tema Variables aleatorias Tema 4 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Descripción breve
Más detallesDoctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
4.6 El filtro de Kalman Introducción Filtro de Kalman discreto Algoritmo: predicción + corrección Características probabilísticas El filtro de Kalman extendido Filtros de Partículas Conclusiones Introducción
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Conceptos Fundamentales Parte 2 Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesExamen de Estadística
Examen de Estadística Grado en Ingeniería de Telecomunicación 6 de Mayo de 6 Cuestiones solución h 45m C (.5 puntos). Considera tres eventos A, B, C S tales que P (A) = P (B) =.5, P (A B) =.5, y P (C)
Más detallesCriterio de la segunda derivada para funciones de dos variables por Sergio Roberto Arzamendi Pérez
Criterio de la segnda derivada para fnciones de dos variables por Sergio Roberto Arzamendi Pérez Sea la fnción f de dos variables definida por f (, ) contina de primera segnda derivadas continas en s dominio,
Más detallesHoja Problemas Espacio Vectorial { } { } del espacio vectorial R 3. Hallar las coordenadas de a en la base B' = { u 1,u 2,u.
EJERCICIO PARA ENTREGAR Sean los sbespacios vectoriales: Hoja Problemas Espacio Vectorial 6-7 {( ) } F {( ) R / } E αγ βγ αβ γ / α β γ R Se pide: a) ases de E F EF E F b) Ecaciones implícitas de E F Sea
Más detallesDERIVADAS. incremento de la variable independiente, x
DERIVADAS CPR. JORGE JUAN Xvia-Narón y= f(x): (a,b)r R fnción real definida en el dominio abierto, (a,b)r x 0, x (a,b) x= x -x 0 f(x )= f(x 0 +x) f(x 0 )= f(x 0 ) pntos del dominio de la fnción. incremento
Más detallesVECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción VECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M. Desde un punto de vista formal, los vectores aleatorios son la herramienta matemática adecuada para transportar
Más detallesTema 2: Control de sistemas SISO
Tema : Control de sistemas SISO Control Atomático º Crso. Ing. Indstrial Escela Técnica Sperior de Ingenieros Universidad de Sevilla Crso Índice. Descripción de sistemas dinámicos. Sistemas SISO. Identificación
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesFórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática
DEPARTAMENT D ESTADÍSTICA I INVESTIGACIÓ OPERATIVA Fórmulas, Resultados y Tablas Cálculo de Probabilidades y Estadística Matemática A. Distribuciones de variables aleatorias. 1. Descripción de una distribución
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesDiseño o de Entradas. Autor: Dr. Juan Carlos Gómez ISIS 2
Identificación n de SIStemas Diseño o de Entradas Ator: Dr. Jan Carlos Gómez Un reqisito fndamental de las entradas para n experimento de identificación es el de persistencia de excitación de las mismas.
Más detallesCurso de Procesamiento Digital de Imágenes
Crso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Comptación IIMAS UNAM cbíclo 408 http://tring.iimas.nam.mx/~elena/teaching/pdi-mast.html elena.martinez@iimas.nam.mx
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesConcurso Nacional de Matemáticas Pierre Fermat Problemas
Concrso Nacional de Matemáticas Pierre Fermat 014 Examen para Nivel Secndaria Etapa Eliminatoria Instrcciones: No tilizar cellar (éste deberá de estar apagado), ipod, notebook, calcladora ó calqier otro
Más detallesDistribución conjunta de variables aleatorias
Distribución conjunta de variables aleatorias En muchos problemas prácticos, en el mismo experimento aleatorio, interesa estudiar no sólo una variable aleatoria sino dos o más. Por ejemplo: Ejemplo 1:
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más detallesTEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
TEMA 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES Recordemos que el concepto de variable aleatoria surge de la necesidad de transformar el espacio muestral asociado a un experimento aleatorio en un espacio
Más detallesVECTORES EN EL PLANO. el punto B el extremo. Mientras no preste confusión el vector v podemos expresarlo simplemente por v.
COLEGIO NUESTRO SEÑOR DE LA BUENA ESPERANZA Asignatra: FÍSICA 10º Profesor: Lic. EDUARDO DUARTE SUESCÚN TALLER DE VECTORES VECTORES EN EL PLANO Vector fijo. Es n segmento orientado. Lo representamos por
Más detallesCADENAS DE MARKOV DE PARÁMETRO CONTINUO Rosario Romera Febrero 2009
CADENAS DE MARKOV DE PARÁMETRO CONTINUO Rosario Romera Febrero 29. Nociones básicas Para las cadenas de Markov con parámetro de tiempo discreto hemos visto qe la matriz de transición en n etapas pede ser
Más detallesDistribución Gaussiana Multivariable
Distribución Gaussiana Multivariable Carlos Belaustegui Goitia, Juan Augusto Maya 8 de Agosto de Resumen En este documento presentamos la deducción de la expresión de la función densidad de probabilidad
Más detalles3. Campos escalares diferenciables: gradiente.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO. 3. Campos escalares diferenciables: gradiente. Plano tangente diferenciabilidad. Consideremos na fnción f :(, ) U f(, ) de dos variables n pnto (, interior al conjnto
Más detallesPRUEBA DE ACCESO (LOGSE) UNIVERSIDAD DE CANTABRIA JUNIO (RESUELTOS por Antonio Menguiano) Tiempo máximo: 1 horas y 30 minutos
IES CASTELAR ADAJOZ A Mengiano PRUEA DE ACCESO (LOGSE) UNIVERSIDAD DE CANTARIA JUNIO - 9 (RESUELTOS por Antonio Mengiano) MATEMÁTICAS II Tiempo máimo: horas y mintos - Debe escogerse na sola de las opciones
Más detallesCurso Propedéutico de Cálculo Sesión 7:
Curso Propedéutico de Cálculo Sesión 7: Joaquín Ortega Sánchez Centro de Investigación en Matemáticas, CIMAT Guanajuato, Gto., Mexico Esquema 1 2 3 4 Esquema 1 2 3 4 Hasta ahora nos hemos enfocado en funciones
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesRegla de la cadena. Regla de la cadena y. son diferenciables, entonces: w w u w v y u y v y. y g. donde F, w w u w v x u x v x
Regla de la cadena Una de las reglas qe en el cálclo de na variable reslta my útil es la regla de la cadena. Dicho grosso modo, esta regla sirve para derivar na composición de fnciones, esto es, na fnción
Más detallesProbabilidad y Estadística
Vectores aleatorios Probabilidad y Estadística Vectores aleatorios Federico De Olivera Cerp del Sur-Semi Presencial curso 2015 Federico De Olivera (Cerp del Sur-Semi Presencial) Probabilidad y Estadística
Más detallesVariables Aleatorias y Principios de Simulación.
Variables Aleatorias y Principios de Simulación http://humberto-r-alvarez-a.webs.com Conceptos de probabilidad La Teoría de Probabilidad trata fenómenos que pueden ser modelados por experimentos cuyos
Más detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
Más detalles; implícitas: x = 0. z. ; implícitas: -x+3y+2z = 0. z. , en general.
Solciones de la hoja Espacio Vectorial Crso 9- - En cada caso, determinar si F es n sbespacio ectorial de R En caso afirmatio, bscar na base nas ecaciones implícitas paramétricas de F F,, R /, R a) b)
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detallesSOLUCIÓN: Al realizar el histograma de frecuencias, se obtiene:
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SOLUCIÓN SEGUNDO EXAMEN FINAL A
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
Más detallesTema 10 Ejercicios resueltos
Tema 1 Ejercicios reseltos 1.1. Determinar el campo de eistencia de las fnciones sigientes: - 1 f(, ) = log f(, ) = ç è + ø f(, ) + - = ( f (, ) = log - 3 ) + 1.. Calclar los límites de las sigientes fnciones
Más detallesSOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
Más detallesALGEBRA LINEAL. 1º GRADO DE ECONOMÍA CURSO
ALGEBRA LINEAL. º GRADO DE ECONOMÍA CURSO 0-0 I. ESPACIOS VECTORIALES I.. Vectores. Operaciones con vectores I.. Espacio vectorial. Propiedades I.. Sbespacio vectorial. Operaciones con sbespacios vectoriales
Más detallesTEMA 2. MMC (UC3M) Comunicaciones Digitales Modulaciones Lineales 1 / 43 N 1. A j [n] φ j (t nt)
EMA 2 MODULACIONES DIGIALES: LINEALES, DE FASE Y FRECUENCIA MMC UC3M) Comunicaciones Digitales Modulaciones Lineales 1 / 43 Modulaciones lineales Modulación lineal en espacio multidimensional N) st) =
Más detallesIntroducción a la Teoría de la Información
Introducción a la Teoría de la Información Tasa de Entropía de un Proceso Estocástico. Facultad de Ingeniería, UdelaR (Facultad de Ingeniería, UdelaR) Teoría de la Información 1 / 13 Agenda 1 Procesos
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y Función de distribución.
Más detallesSEÑALES Y SISTEMAS Clase 5
SEÑALES Y SISTEMAS Clase 5 Carlos H. Muravchik 15 de Marzo de 2018 1 / 43 Habíamos visto: Repaso Probabilidades (sobrevuelo) Veremos: 1. Repaso Probabilidades 2. Repaso Variables aleatorias. Distribuciones.
Más detallesVECTORES EN EL PLANO.
VECTORES EN EL PLNO. Introdcción: Magnitdes escalares ectoriales. Ha ciertas magnitdes físicas, tales como la masa, la presión, el olmen, la energía, la temperatra, etc., qe qedan completamente definidas
Más detallesVECTORES ALEATORIOS. 1 Introducción. 2 Vectores aleatorios
VECTORES ALEATORIOS 1 Introducción En la vida real es muy frecuente enfrentarnos a problemas en los que nos interesa analizar varias características simultáneamente, como por ejemplo la velocidad de transmisión
Más detallesTema 5. Variables Aleatorias Conjuntas.
Tema 5. Variables Aleatorias Conjuntas. Objetivo: El alumno conocerá el concepto de variables aleatorias conjuntas podrá analizar el comportamiento probabilista, conjunta e individualmente, de las variables
Más detallesSistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad
Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.
Más detallesPROCESOS ALEATORIOS. Capítulo AXIOMAS DE PROBABILIDAD
Capítulo 2 PROCESOS ALEATORIOS Los procesos aleatorios son importantes porque en casi todos los aspectos de la vida se presentan este tipo de situaciones en donde el comportamiento de un fenómeno o evento
Más detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
Más detalles