Densidad espectral, filtros y ruido térmico · Probabilidad y procesos: del azar al ruido · CO.DE Academy
Lección 8 de 9· Matemáticas
Densidad espectral, filtros y ruido térmico
0 de 9 lecciones · 0 %
01 / 03
En los videos
8.1 Densidad espectral de potencia: la potencia repartida por frecuencias, el teorema de Wiener-Khinchin con S(0)=19.00, el espectro plano del ruido blanco y el periodograma que no mejora con más muestras pero sí al promediar.
8.2 Un proceso a través de un sistema: ruido blanco de media 1 por un filtro de un polo, la densidad de salida ∣H∣2Sx, una baliza que mejora 18 dB al filtrar y el ancho de banda equivalente de ruido.
8.3 Ruido térmico y SNR: kTB y los −174 dBm/Hz, la temperatura de ruido de un receptor, la figura de ruido en cascada y el ruido que entra a un enlace de ejemplo.
Potencia por frecuencia
Un proceso estacionario dura para siempre: su energía es infinita y no tiene transformada de Fourier en el sentido del curso de Señales y Sistemas. Su potencia, en cambio, es finita y se reparte entre las frecuencias. La densidad espectral de potencia (PSD) SX(f) dice cuánta potencia hay por unidad de frecuencia, y su área es la potencia total: ∫SX(f)df=RX(0).
Wiener-Khinchin
El teorema de Wiener-Khinchin afirma que, para un proceso ESA, la PSD es la transformada de Fourier de la autocorrelación:
en tiempo discreto, con f en ciclos por muestra. La segunda igualdad en k=0 es la afirmación sobre el área.
Ejemplo resuelto (video 8.1.2). Para R(k)=a∣k∣ con a=0.9 (un AR(1) de potencia 1), la suma son dos series geométricas:
S(f)=1+2k≥1∑akcos(2πfk)=1+a2−2acos2πf1−a2.
En f=0: 0.19/0.01=19.00. En f=0.05: 0.19/(1.81−1.8cos0.1π)=1.94. Memoria larga significa energía concentrada en frecuencias bajas.
Ruido blanco. Si R(k)=σ2δ[k], la suma tiene un solo término: S(f)=σ2, plana. Por analogía con la luz blanca, todas las frecuencias pesan igual. En tiempo continuo se escribe S(f)=N0/2; en el video, N0/2=0.25. Un AR(1) con a=0.6 y la misma potencia 0.25 reparte esa potencia cargándola hacia las bajas: el color de un ruido es la forma de su espectro.
Un proceso a través de un sistema LTI, deducido
Sea y[n]=∑mh[m]x[n−m] con x estacionario. Media. Por linealidad, μy=μx∑mh[m]=H(0)μx. Autocorrelación.
Ry(k)=E[y[n]y[n+k]]=m∑l∑h[m]h[l]Rx(k+m−l),
que solo depende de k: la salida también es estacionaria. Es una doble convolución, Ry=h∗h~∗Rx con h~[m]=h[−m]. Transformando, la convolución se vuelve producto y h~ aporta H∗(f):
Sy(f)=H(f)H∗(f)Sx(f)=∣H(f)∣2Sx(f).■
La fase del filtro no importa para la potencia; solo su módulo.
Ejemplo resuelto (video 8.2). Entra blanco de media 1 y varianza 1 a y[n]=0.4x[n]+0.8y[n−1]. Entonces H(f)=0.4/(1−0.8e−j2πf):
media de salida: H(0)⋅1=0.4/0.2=2.00;
∣H(f)∣2=0.16/(1.64−1.6cos2πf): 1.35 en f=0.05 y 0.10 en f=0.25;
potencia de salida: ∫∣H∣2df=0.16/(1−0.64)=0.444, que la simulación reproduce.
Filtrar para quitar ruido. Una baliza débil llega con una SNR de −9.03 dB. Un filtro estrecho centrado en el tono deja pasar toda la señal y solo la fracción del ruido que cae en su banda: la SNR mejora en la razón de anchos de banda, 64.4, es decir, 18.09 dB, y la salida queda en +9.06 dB.
Ancho de banda equivalente de ruido. Un filtro se resume, para el ruido, en el ancho Bn de un rectángulo de altura ∣H(0)∣2 con la misma área: Bn=∫∣H∣2df/∣H(0)∣2. Para el polo discreto normalizado vale (1−a)/(1+a) ciclos por muestra (bilateral): 1/9 con a=0.8. Para un polo analógico, ∫0∞df/(1+f2/fc2)=2πfc=1.571fc: con S=0.5 y fc=1, la potencia de salida es 0.785.
Ruido térmico
Los electrones de una resistencia a temperatura T se agitan y generan una tensión de ruido gaussiana (por el TLC) y blanca hasta frecuencias altísimas. La potencia disponible en un ancho B es
N=kTB,k=1.380649×10−23J/K.
A 290 K, kT=4.00×10−21 W/Hz, es decir −174 dBm/Hz. Con B=1 MHz: 4.0×10−15 W = −113.98 dBm.
Temperatura de ruido. Todo ruido se resume en la temperatura equivalente que lo produciría. Una antena que mira cielo frío aporta, en el modelo del video, 50 K y el receptor 100 K: Tsys=150 K. En 1 MHz el ruido baja de −113.98 dBm (290 K) a −116.84 dBm (150 K) y a −119.85 dBm (75 K).
Figura de ruido en cascada (Friis). Una etapa de figura de ruido F multiplica el ruido referido a la entrada: con F=2 (3.01 dB) una SNR de 20 dB baja a 17 dB. En cascada,
Ftot=F1+G1F2−1+G1G2F3−1+⋯
y manda la primera etapa. Un LNA de 1 dB y 20 dB de ganancia delante de una etapa de 10 dB deja Ftot=1.259+9/100=1.349 (1.30 dB); con el orden invertido, 10.01 dB.
Un enlace de ejemplo (video 8.3.4). Señal de −120 dBm, B=240 Hz, Tsys=150 K: N=−153.04 dBm y SNR =33.04 dB. Con 120 bit/s, Eb/N0=SNR+10log10(B/Rb)=36.05 dB. Esa cifra es la que la lección 9 convertirá en probabilidad de error de bit.
Un ruido blanco de densidad S₀ entra a un filtro. ¿Qué densidad espectral tiene la salida?
El laboratorio
En el laboratorio la entrada blanca (plana) cruza un filtro de un polo. La curva teórica ∣H∣2Sx se compara con el periodograma de la salida simulada, promediado sobre K segmentos: con K=1 salta tanto como su propio valor; con K=100 cae sobre la teoría. El rectángulo sombreado es el ancho de banda equivalente de ruido. Arrastra sobre el espectro para leer una frecuencia.
Playground · python
1 de 8
Qué deja fuera este modelo
El periodograma sin ventana. Un segmento rectangular tiene fugas espectrales que ocultan detalles pequeños junto a picos grandes; el método de Welch (ventanas y solapamiento) se estudia en Procesamiento Digital de Señales.
Ruido blanco ideal. Ningún ruido físico es blanco hasta frecuencia infinita (tendría potencia infinita); kTB vale mientras hf≪kT, que en radiofrecuencia siempre se cumple.
Solo ruido térmico. Los receptores reales añaden ruido de fase del oscilador (lección 7), ruido 1/f en baja frecuencia y ruido de cuantización del convertidor.
Sistemas lineales e invariantes. Un amplificador saturado o un mezclador generan productos de intermodulación: ∣H∣2Sx deja de describir la salida.
Lo que sigue
Ya sabemos cuánto ruido entra al enlace. La lección 9 cierra la historia: cuántos bits se equivocan con ese ruido (la BER), cómo evoluciona el estado del satélite día a día (cadenas de Markov) y cómo mezclar una predicción y una medida inciertas (la idea del filtro de Kalman).
Laboratorio interactivo
El ruido atraviesa un filtro: |H|² y el periodograma
Cierre de la lección
Lo que sigue: video
Sigue el recorrido de la lección paso a paso.
Crea una cuenta gratis para continuar
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 «Probabilidad y procesos: del azar al ruido».