Adquiriendo señal…
Adquiriendo señal…
Lección 8 de 9· Espacio y satélites
0 de 9 lecciones · 0 %
Hasta aquí la antena vivía en un mundo cortés: la referencia era exacta, el encoder no mentía, el par llegaba instantáneamente y no soplaba el viento. Un lazo sintonizado en ese mundo puede dar un error RMS de y fallar estrepitosamente en la azotea. Esta lección cataloga lo que falta y, sobre todo, introduce el método con el que la industria decide si un diseño se acepta: la campaña Monte Carlo.
La forma estándar de agregarlas es un presupuesto de error en el que las contribuciones independientes se suman en cuadratura (raíz de la suma de cuadrados), porque el error cuadrático medio cumple . Con una asignación típica para nuestra estación:
donde es el sesgo del encoder, el efecto residual del viento, el ruido de medición y el rezago por latencia. El resultado, , cabe bajo el objetivo de con un margen del 27 %. Nota lo que enseña la cuadratura: la contribución mayor domina. Reducir el viento de a baja el total a ; reducir el ruido de a cero apenas lo mueve a . En un presupuesto de error se optimiza el término grande, no el fácil.
El presupuesto anterior es una estimación lineal y estática. El sistema real no lo es: hay saturación de par, anti-windup, backlash, y las perturbaciones interactúan con la trayectoria concreta del pase (una ráfaga en el cénit, donde la tasa de acimut ya es máxima, no cuesta lo mismo que la misma ráfaga a de elevación). Una simulación es una muestra de una variable aleatoria: la que tocó con ese viento, esa semilla y ese pase. Si la corres otra vez el número cambia.
La respuesta es la campaña Monte Carlo: ejecutar simulaciones muestreando cada perturbación de su distribución (viento gaussiano con dada, sesgo uniforme dentro de su tolerancia, latencia entre un mínimo y un máximo) y estudiar la distribución del resultado, no un valor aislado. Lo que se reporta no es "el error", sino su histograma y sus percentiles.
Supón esta campaña: pases simulados, mismo controlador PID, perturbaciones muestreadas al azar. El histograma del error RMS por pase resulta asimétrico, con cola a la derecha, y arroja:
Interpretación. Primero, la mediana no sirve para aceptar un sistema: decir "el error típico es " ignora que uno de cada veinte pases irá mucho peor. El criterio de aceptación del curso se formula sobre la cola: . Aquí , así que el diseño pasa, con un margen del 6 % — escaso. Segundo, el peor caso () supera el objetivo: en aproximadamente el 5 % de los pases el enlace operará degradado. Si ese satélite lleva telemetría crítica habrá que decidir explícitamente: subir el margen, restringir la operación a pases de menor elevación máxima, o aceptar el riesgo y documentarlo.
Y un tercer cálculo, el que casi nadie hace: ¿cuánto confías en ese ? El percentil 95 de 500 corridas es el valor -ésimo ordenado (). El número de corridas por debajo del umbral es una variable binomial con desviación estándar corridas, es decir alrededor de punto percentil. Con la incertidumbre baja a corridas sobre 2000, unos puntos. Regla práctica: la precisión de un percentil mejora como , así que cuadruplicar las corridas solo duplica la confianza. Si tu margen es del 6 %, necesitas más corridas.
Una campaña Monte Carlo cuyo resultado no se puede reproducir no es evidencia, es anécdota. Por eso todo generador de números pseudoaleatorios del clúster CODE se inicializa con una semilla explícita y determinista (los laboratorios usan mulberry32, un PRNG de 32 bits compacto y reproducible en cualquier navegador). Fijar la semilla garantiza una cosa muy concreta y ninguna más: la misma semilla, el mismo código y los mismos parámetros producen exactamente la misma secuencia de perturbaciones y, por tanto, el mismo resultado numérico. No garantiza que el resultado sea correcto, ni que sea representativo — solo que es auditable.
Ese es el patrón que siguen los gemelos digitales del ecosistema: cada corrida registra semilla, versión del modelo y hash del vector de resultados, y el catálogo de procedencia del hub CODE-Nexus los guarda siguiendo el modelo W3C PROV (provenance). Meses después, cualquiera puede volver a lanzar la campaña y comprobar que el hash coincide. Si no coincide, algo cambió, y saber qué cambió vale más que el número original.
Comprueba que distingues los dos tipos de error:
Repites 500 corridas y observas que el error medio no se acerca a cero por mucho que promedies. ¿Qué tipo de perturbación explica mejor ese comportamiento?
El laboratorio de esta lección es una campaña Monte Carlo completa en el navegador: eliges entre 50 y 1000, ajustas la del viento, la del ruido de encoder y el sesgo térmico, y obtienes el histograma del error RMS con la línea de en ámbar y el umbral de en cian. El HUD reporta , y peor caso. El botón de semilla fija te deja comprobar el principio de reproducibilidad de la manera más convincente posible: misma semilla, histograma idéntico píxel a píxel.
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 «Sistemas APT: Apuntamiento y Seguimiento de Satélites».