Adquiriendo señal…
Adquiriendo señal…
Lección 17 de 18· Señales y comunicaciones
0 de 18 lecciones · 0 %
Hasta ahora las señales eran deterministas: dado , conocíamos exactamente. El ruido de un sensor, la interferencia de un canal o la voz humana no son así: son procesos estocásticos, familias de señales aleatorias que solo podemos describir con estadística. En lugar de un valor concreto, hablamos de su media, su varianza y de cómo se correlacionan sus muestras en el tiempo.
Los dos descriptores fundamentales de un proceso son la media y la función de autocorrelación, que mide cuánto se parece la señal a una versión de sí misma desplazada muestras:
Un proceso es estacionario en sentido amplio (WSS) cuando su media es constante y su autocorrelación depende solo del desfase , no del instante . Casi todo el tratamiento estadístico de señales asume WSS porque simplifica enormemente el análisis.
No podemos calcular la transformada de Fourier de una señal aleatoria concreta, pero sí la de su autocorrelación. El teorema de Wiener-Khinchin afirma que la densidad espectral de potencia (PSD) de un proceso WSS es la transformada de Fourier de tiempo discreto de su autocorrelación:
La PSD dice cómo se reparte la potencia del proceso entre las frecuencias. El caso extremo es el ruido blanco: muestras totalmente incorreladas, con autocorrelación (solo se parece a sí mismo en ). Su PSD es plana, para toda frecuencia: por eso se llama "blanco", igual que la luz blanca contiene todos los colores por igual.
La estrategia más básica para limpiar ruido es promediar. Si observamos muestras independientes de un proceso de media y varianza y calculamos su promedio , la media del promedio sigue siendo , pero su varianza se reduce en un factor :
Veámoslo con números. Supongamos ruido de media cero y varianza (desviación típica ). Si promediamos muestras independientes:
La desviación típica del ruido ha pasado de 2 a 0.2: una mejora de un factor 10 en amplitud, es decir un factor 100 en potencia (20 dB de SNR) simplemente promediando. En términos generales, promediar muestras mejora la relación señal-ruido en potencia por un factor . Esta es la idea que hay detrás del promediado coherente, los filtros de media móvil de la lección 14 y, en su versión óptima, del filtro de Wiener, que diseña la respuesta en frecuencia que minimiza el error cuadrático medio entre la señal estimada y la señal limpia, atenuando las bandas donde domina el ruido y dejando pasar aquellas donde domina la señal.
Consolida los conceptos estadísticos:
Selecciona Sin filtro y anota la Varianza σ²; cambia a Promedio móvil y alarga la ventana: la varianza debe caer aproximadamente como . Prueba luego el filtro Kalman y compara cuánto ruido elimina frente al retardo que introduce.
En el laboratorio Procesador estocástico generarás ruido blanco, mezclarás una señal con distintos niveles de ruido y aplicarás promediado y filtrado para recuperar la señal limpia, observando cómo la varianza cae al aumentar tal como predice la fórmula .
Cierre de la lección
Sigue el recorrido de la lección paso a paso.
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Señales y sistemas».