ESTAD

ISTICA DE SE

NALES Y ESTIMACI

ON
Antonio M. Peinado
Depto. Teora de la Se nal Telem atica y Comunicaciones
Universidad de Granada
amp@ugr.es
http://ceres.ugr.es/
1
Esquema del Tema
Deniciones b asicas
Filtrado de procesos aleatorios
Factorizaci on espectral
Procesos aleatorios basados en ltrado
El problema de la estimaci on
Estimaci on bayesiana
Estimaci on de mnimos cuadrados con modelos lineales
BiBLIOGRAF

IA
Vaseghi: Advanced Digital Signal Processing and Noise Reduction. Wiley, 2000.
Hayes: Statistical Digital Signal Processing and Modeling, Wiley.
Antonio M. Peinado, Universidad de Granada 2
1. DEFINICIONES B

ASICAS
Proceso Aleatorio: secuencia de variables aleatorias {x(n)} (n = 0, 1, 2, . . .)
Par ametros caractersticos:
Par ametro Expresi on Not. vectorial (proc. nitos)
x = (x(0), . . . , x(N 1))
t
Media
x
(n) = E[x(n)]
x
= E[x]
Varianza
2
x
(n) = E[|x(n)
x
(n)|
2
]
Autocovarianza c
x
(k, l) =
= E[(x(k)
x
(k)) (x(l)
x
(l))

] C
x
= E[(x
x
) (x
x
)
H
]
Autocorrelaci on r
x
(k, l) = E[x(k)x

(l)] R
x
= E[xx
H
]
Covarianza c
xy
(k, l) =
Cruzada = E[(x(k)
x
(k)) (y(l)
y
(l))

] C
xy
= E[(x
x
)
_
y
y
_
H
]
Corr. Cruzada r
xy
(k, l) = E[x(k)y(l)

] R
xy
= E[xy
H
]
Relaciones de inter es:
c
x
(k, k) =
2
x
(k)
c
x
(k, l) = r
x
(k, l)
x
(k)

x
(l) C
x
= R
x

H
x
c
xy
(k, l) = r
xy
(k, l)
x
(k)

y
(l) C
xy
= R
xy

H
y
Procesos no-correlados: c
xy
(k, l) = 0, r
xy
(k, l) =
x
(k)

y
(l) k, l
Antonio M. Peinado, Universidad de Granada 3
Concepto de estacionariedad en sentido amplio (WSS). Se exigen 3 condiciones.
1. Media constante:
x
(n) =
x
n
2. La autocorrelaci on r
x
(k, l) s olo depende de |k l|,
r
x
(k, l) = r
x
(k l, 0) r
x
(k l)
r
x
(k) = E[x(n)x

(n k)] = E[x(n +k)x

(n)]
3. Varianza nita
2
x
<
Propiedades de r
x
(k) en procesos estacionarios WSS:
1. Simetra: r
x
(k) = r

x
(k). Caso x(n) real: r
x
(k) = r
x
(k).
2. Valor en k = 0: r
x
(0) 0.
3. Valor m aximo: r
x
(0) |r
x
(k)| k.
4. Si existe k
0
tal que r
x
(0) = r
x
(k
0
), entonces r
x
(k) peri odica de periodo k
0
.
Antonio M. Peinado, Universidad de Granada 4
Procesos WSS nitos: Matrices de autocorrelaci on tipo Toeplitz (R
x
= E[xx
H
]).
R
x
= E
_
_
_
_
_
_
_
_
_
_
x(0)x

(0) x(0)x

(1) x(0)x

(N 1)
x(1)x

(0) x(1)x

(1) x(1)x

(N 1)
.
.
.
.
.
.
.
.
.
x(N 1)x

(0) x(N 1)x

(1) x(N 1)x

(N 1)
_
_
_
_
_
_

_
=
_
_
_
_
_
r
x
(0) r
x
(1) r
x
(N + 1)
r
x
(1) r
x
(0) r

x
(N + 2)
.
.
.
.
.
.
.
.
.
r
x
(N 1) r
x
(0)
_
_
_
_
_
=
_
_
_
_
_
r
x
(0) r

x
(1) r

x
(N 1)
r
x
(1) r
x
(0) r

x
(N 2)
.
.
.
.
.
.
.
.
.
r
x
(N 1) r
x
(0)
_
_
_
_
_
Antonio M. Peinado, Universidad de Granada 5
Ejemplo de proceso aleatorio estacionario: el ruido blanco (de media nula),
c
x
(k) = r
x
(k) =
2
x
(k)
Ejemplos de ruido blanco (realizaciones):
a) Ruido blanco Gaussiano, b) Ruido blanco de Bernouilli
Antonio M. Peinado, Universidad de Granada 6
Densidad Espectral de Potencia (PSD) de procesos WSS:
P
x
() = F[r
x
(k)] =

k=
r
x
(k)e
jk
P
x
(z) = Z[r
x
(k)] =

k=
r
x
(k)z
k
Propiedades de la PSD:
Simetra: la PSD de todo proceso estacionario es real,
P
x
() = P

x
()
_
P
x
(z) = P

x
(1/z

)
_
Si x(n) es real la PSDes una funci on par P
x
() = P
x
() (P
x
(z) = P

x
(z

))
Positividad: P
x
() 0
Potencia total:
r
x
(0) = E[|x(n)|
2
] =
1
2
_

P
x
()d
Antonio M. Peinado, Universidad de Granada 7
2. FILTRADO DE PROCESOS ESTACIONARIOS
Filtramos un proceso estacionario x(n) con media
x
y autocorrelaci on r
x
(k) con un
ltro LTI estable de respuesta impulsiva h(n):
x(n) y(n)
h(n)
y(n) = h(n) x(n) =

k=
h(k)x(nk)
El proceso de salida y(n) es estacionario:
1. Media del proceso ltrado: E[y(n)] =
x

k=
h(k) =
x
H( = 0)
2. Autocorrelaci on:
r
yx
(n +k, n) = r
x
(k) h(k) = r
yx
(k)
r
y
(n +k, n) = r
yx
(k) h

(k) = (r
x
(k) h(k)) h

(k) = r
y
(k)
r (k) r (k)
h (k) h(k)
r (k)
x yx y *
r
y
(k) = r
x
(k) r
h
(k)
Antonio M. Peinado, Universidad de Granada 8
Expresi on compacta de la autocorrelaci on de salida:
r
y
(k) = r
x
(k) r
h
(k)
Autocorrelaci on determinista:
r
h
(k) =

n=
h(n)h

(n +k) = h(k) h

(k)
PSD del proceso de salida:
Expresi on en dominio frecuencia:
P
y
() = P
x
()|H()|
2
Expresi on en dominio Z:
P
y
(z) = P
x
(z)H(z)H

(1/z

)
x(n) real P
y
(z) = P
x
(z)H(z)H(1/z)
Interpretaci on fsica de la PSD: P
x
(
0
)d proporciona la energa de la se nal contenida
en un intervalo de frecuencias [
0
d/2,
0
+d/2].
Antonio M. Peinado, Universidad de Granada 9
3. FACTORIZACI

ON ESPECTRAL
Si la PSD de un proceso estacionario x(n) es continua (proceso regular), entonces
podr a descomponerse como,
P
x
(z) =
2
0
Q(z)Q

(1/z

)
x(n) real P
x
(z) =
2
0
Q(z)Q(1/z)
donde Q(z) es de fase mnima y,

2
0
= exp
_
1
2
_

log P
x
()d
_
real positivo
Propiedades de los procesos regulares:
Cualquier proceso regular x(n) puede obtenerse como la salida de un ltro es-
table y causal excitado por un ruido blanco de varianza
2
0
(haciendo H(z) =
Q(z)) Representaci on mediante innovaciones.
Si ltramos x(n) con 1/H(z) = 1/Q(z) (ltro de blanqueado) obtenemos un
ruido blanco de varianza
2
0
(proceso de innovaciones).
Antonio M. Peinado, Universidad de Granada 10
Procesos predecibles x
p
(n) (deterministas): cuando existe un conjunto de coecientes
de forma que se cumple,
x
p
(n) =

k=1
a
k
x
p
(n k)
La PSD de un proceso predecible es una serie nita de impulsos (de Dirac):
P
x
p
() =
M

k=1

k
u
0
(
k
)
Teorema de descomposici on de Wold: cualquier proceso estacionario x(n) puede
descomponerse como la suma de un proceso regular x
r
(n) mas otro predecible x
p
(n),
x(n) = x
r
(n) +x
p
(n)
siendo x
r
(n) y x
p
(n) no correlados (E[x
r
(n)x

p
(n +k)] = 0).
Corolario: la PSD de cualquier proceso estacionario puede expresarse como,
P
x
() = P
r
() +P
p
()
Antonio M. Peinado, Universidad de Granada 11
4. PROCESOS ALEATORIOS BASADOS EN FILTRADO
Consideramos procesos regulares en los que el ruido blanco es ltrado con un ltro
lineal (causal y estable) invariante en el tiempo con una ecuaci on en diferencias dada.
Forma general: proceso AutoRegresive Moving Average
H(z)
e(n) x(n)
x(n) =

p
k=1
a
k
x(n k) +

q
k=0
b
k
e(n k)
X(z) = H(z)E(Z)
H(z) =
B(z)
A(z)
=
q

k=0
b
k
z
k
p

k=0
a
k
z
k
(a
0
= 1)
e(n) ruido blanco de media nula y varianza
2
e
, b
0
= 1 (usualmente).
Notaci on: Proceso ARMA(p, q).
Antonio M. Peinado, Universidad de Granada 12
PSD del proceso ARMA:
P
ARMA
() = |H(e
j
)|
2
P
e
() =
2
e
|B(e
j
)|
2
|A(e
j
)|
2
=

k=0
b
k
e
jk

k=0
a
k
e
jk

2
e
P
ARMA
(z) =
2
e
B(z)B

(1/z

)
A(z)A

(1/z

)
Proceso Moving Average: MA(q) = ARMA(p=0,q)
x(n) =
q

k=0
b
k
e(n k)
H(z) = B(z) =
q

k=0
b
k
z
k
P
MA
() = |B(e

)|
2

2
e
=

k=0
b
k
e
jk

2
e
P
MA
(z) =
2
e
B(z)B

(1/z

)
Antonio M. Peinado, Universidad de Granada 13
Proceso Autoregresive: AR(p) = ARMA(p,q=0)
x(n) =
p

k=1
a
k
x(n k) +b
0
e(n)
H(z) =
b
0
A(z)
=
b
0
p

k=0
a
k
z
k
P
AR
() =
|b
0
|
2

2
e

k=0
a
k
e
jk

2
P
AR
(z) =
|b
0
|
2
A(z)A

(1/z

2
e
NOTA: normalmente b
0
= 1
Antonio M. Peinado, Universidad de Granada 14
Espectros caractersticos MA, AR y ARMA:
Antonio M. Peinado, Universidad de Granada 15
Autocorrelaci on de un proceso ARMA. Ecuaciones de Yule-Walker:
r
x
(k) =
_
_
_
_
_
_
_
_
_
_
_
_
_

l=1
a
l
r
x
(k l) +
2
e
qk

l=0
h(l)b
l+k
k = 0, 1, . . . , q

l=1
a
l
r
x
(k l) k q + 1
Ecuaciones de Yule-Walker para procesos AR:
r
x
(k) =
_
_
_
_
_
_
_
_
_
_
_

l=1
a
l
r
x
(k l) +
2
e
k = 0

l=1
a
l
r
x
(k l) k > 0
_
_
_
_
_
r
x
(0) r
x
(1) r
x
(p 1)
r
x
(1) r
x
(0)
.
.
.
.
.
.
.
.
.
r
x
(p 1) r
x
(0)
_
_
_
_
_
_
_
_
_
_
a
1
a
2
.
.
.
a
p
_
_
_
_
_
=
_
_
_
_
_
r
x
(1)
r
x
(2)
.
.
.
r
x
(p)
_
_
_
_
_
R
x
a = r
x
r
x
(0) =
2
e

p

l=1
a
l
r
x
(l)
Antonio M. Peinado, Universidad de Granada 16
Ejemplos Procesos AR(1):
2
e
= 1, a
1
= 0,8 y a
1
= 0,8
20 10 0 10 20
3
2
1
0
1
2
3
Lag k
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n


r
x
(
k
)


a
1
=0.8
3 2 1 0 1 2 3
10
5
0
5
10
15
Frecuencia norm
P
S
D


P
A
R
(

)

(
d
B
)


a
1
=0.8
20 10 0 10 20
3
2
1
0
1
2
3
Lag k
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n


r
x
(
k
)


a
1
=0.8
3 2 1 0 1 2 3
10
5
0
5
10
15
Frecuencia norm
P
S
D


P
A
R
(

)

(
d
B
)


a
1
=0.8
Antonio M. Peinado, Universidad de Granada 17
Ejemplos Procesos AR(2):
2
e
= 1, a
1
= 0, a
2
= 0,49 y a
2
= 0,9025
20 10 0 10 20
10
5
0
5
10
Lag k
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n


r
x
(
k
)


a
1
=0, a
2
=0.49
3 2 1 0 1 2 3
10
5
0
5
10
15
20
Frecuencia norm
P
S
D


P
A
R
(

)

(
d
B
)


a
1
=0, a
2
=0.49
20 10 0 10 20
10
5
0
5
10
Lag k
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n


r
x
(
k
)


a
1
=0, a
2
=0.9025
3 2 1 0 1 2 3
10
5
0
5
10
15
20
Frecuencia norm
P
S
D


P
A
R
(

)

(
d
B
)


a
1
=0, a
2
=0.9025
Antonio M. Peinado, Universidad de Granada 18
Ecuaciones de Yule-Walker para procesos MA:
r
x
(k) =
_
_
_
_
_
_
_

2
e
qk

l=0
b
l
b
l+k
k = 0, 1, . . . , q
0 k q + 1
Ejemplos Procesos MA(1):
2
e
= 1, b
1
= 0,5 y b
1
= 0,95
10 5 0 5 10
1
0.5
0
0.5
1
1.5
2
Lag k
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n


r
x
(
k
)


b
1
=0.5
3 2 1 0 1 2 3
25
20
15
10
5
0
5
Frecuencia norm
P
S
D


P
A
R
(

)

(
d
B
)


b
1
=0.5
10 5 0 5 10
1
0.5
0
0.5
1
1.5
2
Lag k
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n


r
x
(
k
)


b
1
=0.95
3 2 1 0 1 2 3
25
20
15
10
5
0
5
Frecuencia norm
P
S
D


P
A
R
(

)

(
d
B
)


b
1
=0.95
Antonio M. Peinado, Universidad de Granada 19
Ejemplos Procesos MA(2):
2
e
= 1, b
1
= 0, b
2
= 0,49 y b
2
= 0,9025
10 5 0 5 10
0
0.5
1
1.5
2
Lag k
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n


r
x
(
k
)


b
1
=0, b
2
=0.49
3 2 1 0 1 2 3
20
15
10
5
0
5
Frecuencia norm
P
S
D


P
A
R
(

)

(
d
B
)


b
1
=0, b
2
=0.49
10 5 0 5 10
0
0.5
1
1.5
2
Lag k
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n


r
x
(
k
)


b
1
=0, b
2
=0.9025
3 2 1 0 1 2 3
20
15
10
5
0
5
Frecuencia norm
P
S
D


P
A
R
(

)

(
d
B
)


b
1
=0, b
2
=0.9025
Antonio M. Peinado, Universidad de Granada 20
5. EL PROBLEMA DE LA ESTIMACI

ON
Problema: dado un cierto proceso aleatorio x(n), se pretende calcular un cierto
par ametro o vector de par ametros = ((0), . . . , (p 1))
t
del proceso a partir
de una serie de muestras ruidosas del mismo x = (x(0), x(1), . . . , x(N 1))
t
.
Soluci on exacta imposible.
Estimaci on Bayesiana: obtener una aproximaci on (estimaci on)

de de acuerdo con
alg un criterio optimo mediante una funci on estimadora:

= f(x, N, Modelo)
Valoraci on de la estimaci on:
Valor esperado: E[

]
Covarianza: COV [

] = E
_
_

E[

]
__

E[

]
_
t
_
Caso monodimensional: COV [

] = V AR[

]
Antonio M. Peinado, Universidad de Granada 21
Caracterizaci on de estimadores:
Estimador sin desviaci on (unbiased): E[

] =
Denici on de Bias (desviaci on): B[

] = E[

].
Estimador consistente: la covarianza tiende a cero cuando N .
Error Cuadr atico Medio (MSE): MSE[

] = E[(

)
t
(

)]
Caso monodimensional: MSE[

] = V AR[

] +B
2
[

]
Intervalo de conanza: intervalo
_

,

+
_
al que pertenecer a con una
probabilidad P
HIGH
dada (tpicamente entre 0.9 y 0.95):
_
+

p(

)d

= P
HIGH
Ejemplos: estimaci on de la media y varianza de una distribuci on gaussiana a partir de
N muestras x = (x(0), . . . , x(N 1))
t
.

x
=
1
N
N1

n=0
x(n)

2
y
=
1
N
N1

n=0
(x(n)
x
)
2
Antonio M. Peinado, Universidad de Granada 22
Estimaci on de la autocorrelaci on
Dado un segmento de se nal x(n) (n = 0, . . . , N 1), podemos estimar la autocor-
relaci on mediante un estimador promedio como:
r
x
(k) =
1
N |k|
N1|k|

n=0
x(n)x(n +|k|) (k = (N 1), . . . , N 1)
Caractersticas de la estimaci on:
1. Estimaci on sin desplazamiento (unbiased):
E[ r
x
(k)] =
1
N |k|
N1|k|

n=0
E[x(n)x(n +|k|)] = r
x
(k)
2. Estimaci on consistente:
V AR[ r
x
(k)] = E
_
( r
x
(k) E[ r
x
(k)])
2
_

N
(N |k|)
2

n=
_
r
2
x
(n) +r
x
(k n)r
x
(k +n)
_
0 (N )
Antonio M. Peinado, Universidad de Granada 23
Alternativa: considerar que x(n) toma valores nulos fuera del intervalo [0, N 1] y
usarlos en la estimaci on de r
x
(k):
r
x
(k) =
1
N
N1|k|

n=0
x(n)x(n +|k|)
w (n)
B
n
N N
1
r
x
(k) =
N |k|
N
r
x
(k)
=
_
1
|k|
N
_
r
x
(k)
= w
B
(k) r
x
(k)
Caractersticas de la estimaci on:
1. Estimaci on con desviaci on (biased): E[ r
x
(k)] = w
B
(k)E[ r
x
(k)] = w
B
(k)r
x
(k)
2. Estimaci on consistente: V AR[ r
x
(k)] = w
2
B
(k)V AR[ r
x
(k)] 0 (N )
Esta estimaci on es preferible a la anterior:
1. Se cumple V AR[ r
x
(k)] < V AR[ r
x
(k)]
2. r
x
(k) puede producir estimaciones de la PSD negativas.
Antonio M. Peinado, Universidad de Granada 24
6. ESTIMACI

ON BAYESIANA
Procedimiento: minimizaci on de una funci on de riesgo obtenida como promedio de una
funci on de coste.
R(

) = E[C(

, )]
=
_

_
X
C(

, )P(x, )dxd
=
_

_
X
C(

, )P(|x)P(x)dxd
R(

|x) =
_

C(

, )P(|x)d = E[C(

, )|x]
Estimaci on bayesiana resultante:

BAY
= argzero

R(

|x)
Antonio M. Peinado, Universidad de Granada 25
Estimaci on Maximum a Posteriori (MAP)
Funci on de coste: C(

, ) = 1 (

, )
Funci on de riesgo:
R
MAP
(

|x) =
_

_
1 (

, )
_
P(|x)d
= 1 P(

|x)
Estimaci on:

MAP
= argmax

P(|x)
= argmax

[P(x|)P()]
Antonio M. Peinado, Universidad de Granada 26
Estimaci on de M axima Semejanza (ML)
Funci on de coste: idem que en MAP.
Funci on de riesgo: se presupone P() constante.
Estimaci on:

ML
= argmax

P(x|)
= argmax

log P(x|)
Ejemplo: estimaci on de media y varianza de una distribuci on gaussiana G(x;
x
,
xx
)
multivariada dado un conjunto de observaciones X = [x(0), x(1), . . . , x(N 1)]. Se
maximiza P(X|
x
,
x
).
log P(X|
x
,
x
)

x
= 0
log P(X|
x
,
x
)

1
x
= 0
_
_
_
_
_

x
=
1
N
N1

m=0
x(m)

x
=
1
N
N1

m=0
[x(m)
x
][x(m)
x
]
t
Antonio M. Peinado, Universidad de Granada 27
Estimaci on de Mnimo Error Cuadr atico Medio (MMSE)
Funci on de coste: C(

, ) = |

|
2
Funci on de riesgo:
R
MMSE
(

|x) = E[|

|
2
|x] =
_

|
2
P(|x)d
Estimaci on:

R
MMSE
(

|x) = 0

MMSE
=
_

P(|x)d = E[|x]
Estimaci on de Mnimos Cuadrados (LS): cuando no es posible conocer P(|x),

LSE
= argmin

E[e
2
(|x)] argmin

N1

n=0
e(n)
2
Antonio M. Peinado, Universidad de Granada 28
Estimaci on de Mnimo Valor Absoluto Medio de Error (MAVE)
Funci on de coste: C(

, ) = |

|
Funci on de riesgo:
R
MAV E
(

|x) = E[|

||x] =
_

|P(|x)d
Estimaci on (caso monodimensional):

R
MAV E
(

|x) = 0
_

P(|x)d =
_
+

P(|x)d
MEDIANA
Antonio M. Peinado, Universidad de Granada 29
Ejemplo de Estimaci on: Decodicaci on de una se nal
multimedia
Esquema de transmisi on:
CHANNEL
DIGITAL
x
CHANNEL
ENCODING
c
MAPPING
BIT
P
c
^
x
^
e
CHANNEL
DECODING
RELIABILITY
ESTIMATOR
MITIGATION
DECODER/
QUANT.
signal
y
multimedia
ZATION
PARAMETRI
SYNTHESIS
reconstructed
ENCODER
signal
DECODER
Cuantizaci on: {c
(i)
; i = 0, . . . , N 1}
Bit-Mapping: {x
(i)
; i = 0, . . . , N 1}
Antonio M. Peinado, Universidad de Granada 30
Decodicaci on MAP: c = c
(imap)
con,
imap = argmax
i
_
P(x
(i)
|y)
_
= argmax
i
_
P(y|x
(i)
)P(x
(i)
)
_
Decodicaci on MMSE:
c = E[c|y] =
N1

i=0
c
(i)
P(x
(i)
|y) =

N1
i=0
c
(i)
P(y|x
(i)
)P(x
(i)
)
P(y)
P(y|x
(i)
) se determina a partir de la probabilidad de error de cada bit recibido
p
e
(y
k
).
P(x
(i)
) informaci on sobre la fuente.
Ejemplo de transmisi on de voz PCM, 8 bits, 8 kHz, protegida por c odigo convolucional
1/2, mod. BPSK, canal AWGN 3 dB. Se supone fuente equiprobable. Resultados:
Fichero Estimaci on Decodicaci on SNR salida (dB)
signal.wav original
signal 8bit.wav orig. 8 bits 35.62
signal hmap.wav MAP hard Viterbi -0.22
signal smap.wav MAP soft Viterbi 8.73
signal mmse.wav MMSE SOVA 9.89
SOVA: Soft Output Viterbi Algorithm
Antonio M. Peinado, Universidad de Granada 31
7. ESTIMACI

ON M

INIMOS CUADRADOS CON MODELOS

LINEALES
Realizaremos una estimaci on LS sin ninguna otra suposici on que las observaciones son
generadas por un sistema lineal.
Problema: Resolver un sistema de ecuaciones lineales sobredeterminado (N > p).
Formulaci on:
1. Conjunto de observaciones: x
t
= (x(0), x(1), . . . , x(N 1))
t
2. Modelo lineal de generaci on: x = G + e = y + e
3. Criterio de Optimizaci on:
Minimizar E = E() =
N1

n=0
e(n)
2
= e
t
e = (x G)
t
(x G)
Soluci on:

= (G
t
G)
1
G
t
x
Error Cuadr atico mnimo: E
min
= x
t
_
I G(G
t
G)
1
G
t
_
x = x
t
_
x G

_
Principio de ortogonalidad: G
t
e = 0 y
t
e = 0
Antonio M. Peinado, Universidad de Granada 32