Conceptos de probabilidad para comunicaciones

1. La probabilidad condicional establece la probabilidad de que se de un suceso dado que

ocurri otro suceso con anterioridad.
Sea un suceso,

() 0
entonces la probabilidad de que se de A, habiendo ocurrido B, es:

(/) =

()
(/)
()
()
=
()

Esta relacin se conoce como Regla de Bayes.

Un ejemplo de aplicacin de esto es en el envo de datos a travs de un canal de
comunicacin. Es decir, la probabilidad de que el receptor lea un dato binario en estado
alto(1), siendo que se envi, por ejemplo, un dato en estado bajo(0).
El concepto de independencia estadstica implica que la posibilidad que un suceso dado
ocurra, no afecta la probabilidad de ocurrencia de otro.
Si A y B son independientes estadsticamente, la ocurrencia del suceso A no afecta la de B.
() = ()()
Entonces,
(/) = () (/) = ()
Como ejemplo podemos considerar dos componentes electrnicos conectados en serie,
donde la probabilidad de que uno falle no est relacionada con la probabilidad de que falle
el otro.
2. La funcin de distribucin de probabilidad es aquella que vincula la ocurrencia de un valor
de la V.A. con una probabilidad.
En el caso de una V.A.D., cada valor puntual de ella, est asociado a un valor concreto de
probabilidad.
Por otro lado, si es el caso de una V.A.C., la probabilidad que esta tome un valor puntual es
cero debido a que hay infinitos puntos que describen la funcin, y es el rea bajo su curva la
que define la probabilidad. Entonces en el caso continuo, se calcula la probabilidad que la
V.A.C. tome valores acotados en un intervalo determinado.

Ejemplos de funciones de distribucin de probabilidad

La funcin de distribucin acumulada expresa la probabilidad de que una variable aleatoria

caracterizada

por una funcin de probabilidad, se encuentre en la zona de valores

menores o iguales a . En el caso de trabajar con un dominio continuo, se realiza la integral

entre (; ].

3. Un proceso aleatorio o estocstico es aquel que se describe a travs de un conjunto o

familia de seales (denominados funciones muestra), conocido tambin como ensamble.
El proceso se suele representar con una funcin de dos variables
tiempo(t), y la otra una variable aleatoria().

(, );

Una es el

Para un valor dado de la variable aleatoria( ), se obtiene la correspondiente seal en

funcin del tiempo (, ) = (). Por otro lado, asignndole un valor de tiempo a la
funcin, se obtiene una variable aleatoria

( , ) = (). Y dando valores constantes

a y se obtiene un nmero.
Como ejemplo, se considera un proceso aleatorio generado por una familia de seales
determinadas por (, ) = ( + ) , ., donde la V.A.
describe la seal con diferente fase dependiendo de su valor, con una probabilidad
asociada

como

podra

ser

{1 = 0, 2 = /2, 3 = , 4 = 3/2} ( =

) = 1/4.
4. Estacionariedad y ergodicidad de un proceso estocstico.

Estacionariedad en el sentido estricto:

Un proceso aleatorio es estacionario cuando un desplazamiento temporal

((, ) = ( + , ) = ), no afecta sus estadsticas.
Se puede decir que un desplazamiento temporal en una funcin muestra da como resultado
otra funcin muestra con las mismas estadsticas en el mismo proceso estocstico.

Estacionariedad en el sentido amplio:

Se dice que un proceso aleatorio es estacionario en el sentido amplio si cumple con:

[()] = . (1 , 2 ) = (1 +, 2 + ) , 1 , 2
La media y la funcin autocorrelacin, de forma general, se obtienen por promedios de
ensamble o conjunto:

(, ) = [()] = (, , ) es la F.D.P. de ()

(1 , 2 , ) = [(1 ) (2 )] = 1 2 1 2 (1 , 2 , 1 , 2 , ) (0 ) es la F.D.P.
conjunta
En el caso de los procesos estacionarios (en su forma estricta o amplia), podemos
simplificar las frmulas anteriores y calcularlos de la siguiente manera:

= [] = () es la F.D.P. de
(1 , 2 ) = (2 1 ) = () [(1 ) (2 )] = [() ( + )] ; = 2 1

Ergodicidad:

Tambin es posible definir las estadsticas de un proceso usando promedios en el tiempo:

1 /2

/2

(, )

1 /2

/2

(, ) ( + , )

(, ) =

(, ) ( + , ) =

Se dice que un proceso es ergdico con respecto a s mismo si los promedios tiempo y los
promedios conjunto son iguales. Esto implica que podemos obtener todas las estadsticas
asociadas al proceso estocstico a partir de una sola funcin muestra.
En el caso de la media:

1 /2
= [] = () = ()
/2
Y respecto de su funcin de autocorrelacin:

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

Un ejemplo es, nuevamente, la seal (, )

= ( + ), una V.A. con

densidad de probabilidad uniforme en el intervalo [0; 2]; ya que se puede demostrar que
[] = () y [() ( + )] = (, ) ( + , ) .

5. Tenemos un proceso aleatorio estacionario ()como entrada a un sistema lineal con

funcin de transferencia ()y se desean conocer ciertos parmetros de la salida del
mismo.
Datos:
()es un proceso estocstico estacionario.
() tiene una funcin de autocorrelacin () = || ; { > 0}.
() tiene media = 1.

() =

1 ; { > 0}.
+2

Comenzamos averiguando la densidad espectral de potencia de ():

() = { ()} = { || } =
0

2 +

() =

|| 2
2

1
1
1
1
+ 2 + 2
(1 0) +
(0 1) =
+
=
2
+ 2
2 + 2
2 + 4 2 2

Finalmente:

() =

2
2 +42 2

Media de la seal de salida:

Por ser ()un P.A. estacionario sabemos que, al pasar a travs de un sistema L.T.I.,
tambin obtendremos como respuesta un P.A. estacionario cuya media est dada por:
= (0) = 1

1
1
=

Densidad espectral de potencia de la seal de salida:

() = () |()|2
|()|2 = |

Por lo tanto:

1
2
2

|=| 2
|=( 2
)2 + ( 2
)2
2
2
2
2
+ 2 2
+ 4
+ 4
+ 4 2 2
2 + 4 2 2
1
= 2
= 2
2
2
2
( + 4 )
+ 4 2 2

() =

2
2 +42 2

1
2 +42 2

Funcin de autocorrelacin de la seal de salida:

2
1
2
2
2
2
2 2
+
4

+
4

Para poder resolver la integral, necesitamos descomponer () en una suma de fracciones

parciales. Para hallar dicha suma, nos valemos de los residuos:
() = 1 { ()} =

() =

+
+
+ 2 2 + 2

+
; {, , , } ().
2

2
1
1
2
= 2
2
2
() + ()
+ 2
2
1
1
= () ( 2) =
2
=
= () ( + 2)
2
2
+ + 2 2 + 2
2
1
1

= 2

=
= () ( 2)
2
+ ()2 () 2 + 2
2
1
1

= 2

= 2

2
2
+ + +
=

() =

() ( + 2) =

1
1
1
1

2 +
2
2
2
2
+ + 2
+ 2

1
1

1
1
2

2 + 2

2
2
2
+ + 2
+ 2

Vemos que cada una de las integrales es por s misma una transformada inversa de
Fourier. Dicho esto, obtenemos por tabla:
1
1

1
() = 2
() + 2
() + 2
() + 2

2
2
2
+
+
+
+ 2
()
Finalmente la representamos de forma similar a (), para facilitar su comparacin:
() =

1
|| + 2
||
2
+
+ 2

6. Sea nuestro proceso estocstico (, ) = () ( + ), debemos verificar

que sea estacionario en el sentido amplio.
Datos:

son constantes reales.

es una variable aleatoria con distribucin uniforme en [; ].
() es un proceso aleatorio estacionario, con = 0, () ()
() y son estadsticamente independientes.

1 condicin: [ (1 , )] = [ (2 , )] =
[ (, )] = [ () ( + )]
[ (, )] = [()] [( + )]
[ (, )] = 0 0 = 0

2 condicin: [ (1 , ) (2 , )] = [ () ( + )]

Calculamos la parte izquierda de la igualdad:

[ (1 , ) (2 , )] = {[ (1 ) ( 1 + )] [ (2 ) ( 2 + )]}
[ (1 , ) (2 , )] = [ 2 (1 ) (2 ) ( 2 + ) ( 1 + )]
[ (1 , ) (2 , )] = 2 [(1 ) (2 )] [( 2 + ) ( 1 + )]
Ahora, podemos reemplazar la funcin de autocorrelacin por su definicin:
1 2 (1 , 2 ) = [(1 ) (2 )]
y aplicar la relacin trigonomtrica del producto de cosenos
1
[ (1 , ) (2 , )] = 2 1 2 (1 , 2 ) {[ (2 1 )] + [ (2 + 1 ) + 2]}
2
Adems, sabemos que x(t) es estacionaria, por lo que:
1 2 (1 , 2 ) = (2 1 ) = ()
1
[ (1 , ) (2 , )] = 2 () [( ) + {[ (2 + 1 ) + 2]}]
2
Para llegar a una expresin final, necesitamos averiguar {[ (2 + 1 ) + 2]}. Para
esto, deducimos la funcin densidad de probabilidad de la variable aleatoria () =
[ (2 + 1 ) + 2].
Sabiendo que tiene una densidad de probabilidad uniforme en el intervalo [; ],
podemos notar que 2 tendr una densidad de probabilidad uniforme en [2; 2]. Dicho
esto, es notorio que, sin importar el valor de (2 + 1 ), la funcin () tendr una
distribucin uniforme en [1; 1], que son todos los valores que puede tomar la funcin
coseno.
1
1 1
{[ (2 + 1 ) + 2]} =
[( 1) ( + 1)] =

2
2 1
1 1
= [12 (1)2 ] = 0
2 2
Por lo tanto, el resultado del promedio de segundo orden [ (1 , ) (2 , )] resulta ser:
[ (1 , ) (2 , )] = 2 () ( )

Calculamos la parte derecha de la igualdad:

[ () ( + )] = {[ () ( + )] [ ( + ) ( + + )]}
[ () ( + )] = 2 [() ( + )] [( + + ) ( + )]
1
[ () ( + )] = 2 () {[( ) + [ (2 + ) + 2]}
2
1
[ () ( + )] = 2 () [( ) + 0]
2
1
[ () ( + )] = 2 () ( )
2

Queda as finalmente comprobado que se cumple la igualdad requerida para cumplir

con la segunda condicin de estacionariedad en el sentido amplio; por lo tanto,
nuestro proceso (, ) es estacionario en el sentido amplio.

Clculo de la funcin de autocorrelacin:

La funcin de autocorrelacin en procesos estacionarios se puede calcular de la siguiente
forma:
1
() = [ () ( + )] () = 2 () ( )
2
Clculo de la densidad espectral de potencia:
Tal y como venamos haciendo, podemos calcular la densidad espectral de potencia como
la transformada de Fourier de la autocorrelacin:
1
1
() = { ()} = { 2 () ( )} = 2 { () ( )}
2
2
Recordando que un producto de funciones en el dominio del tiempo es igual a la
convolucin de sus respectivas transformadas en el dominio de la frecuencia:
1
1
() = 2 { ()} { ( )} = 2 ()
[( ) + ( + )]
2
4
2
() =
[ () ( ) + () ( + )]
4
2
() =
[ ( ) + ( + )]
4