Adquiriendo señal…
Adquiriendo señal…
Lección 9 de 9· Matemáticas
0 de 9 lecciones · 0 %
El curso empezó con un bit que llega con ruido y la pregunta de cuánto creerle. Esta lección junta todas las piezas en tres aplicaciones: la probabilidad de error de un enlace (gaussiana y función ), la evolución del estado del satélite (probabilidad condicional encadenada) y la fusión de estimaciones inciertas (varianzas y estimadores de mínima varianza).
En modulación antipodal un 0 se manda como y un 1 como ; el receptor recibe con y decide por el signo. Deducción. Si se mandó , hay error cuando , con probabilidad ; por simetría lo mismo con . Con bits equiprobables,
Con y , : la cifra del video 0.0. Un millón de bits simulados dieron 22 674 errores, frente a 22 750 esperados. La tabla de cae deprisa: , , .
En función de . Para BPSK con filtro adaptado, la energía por bit es y la varianza del ruido a la salida del filtro es por unidad de energía; el cociente queda :
Una BER de pide dB y una de , 9.6 dB. El enlace de ejemplo de la lección 8, con 36.05 dB, va sobrado: su margen es de más de 26 dB sobre el requisito de .
Codificar. Repetir cada bit tres veces y decidir por mayoría falla solo si se dañan dos o tres copias. Con independencia,
Con queda 0.028; con , ; con , . El precio es el triple de ancho de banda (o un tercio de velocidad), y como la energía por bit útil se reparte en tres copias, en la repetición no gana nada: los códigos reales lo hacen mucho mejor.
El estado diario del satélite toma tres valores de ejemplo: nominal, seguro y perdido. La propiedad de Markov dice que, conocido el estado de hoy, el pasado no añade nada sobre el de mañana. Todo el modelo cabe en una matriz de transición cuya fila reparte el mañana desde el estado :
Son probabilidades de ejemplo, no tasas de un satélite real. «Perdido» es absorbente: no se abandona.
La evolución, deducida. Por probabilidad total, . Escrito con el vector fila , , y por inducción . Desde nominal, al día 30 la distribución es ; cien mil satélites simulados coinciden con una diferencia máxima de 0.002.
Distribución estacionaria. Con un modelo de reparación (nominal, seguro y degradado; todos los estados se comunican), la cadena olvida de dónde empezó y tiende a una con y . Para la matriz del video, , resolver el sistema da . En veinte mil días simulados la fracción de tiempo en cada estado es casi esa: se parece a , no es la probabilidad.
Tiempo medio hasta la pérdida, deducido. Sea el número esperado de días hasta la absorción desde el estado vivo . Primer paso: se gasta un día y se salta a con probabilidad ; si es «perdido», ya no falta nada. Así
con la submatriz de los estados vivos. Aquí , de determinante , y por Cramer
Sobrevivir un año desde nominal tiene probabilidad .
En la cadena absorbente, ¿qué ecuación da el tiempo medio hasta la pérdida desde cada estado vivo?
Un satélite avanza con velocidad casi constante. Partimos de una estimación de 8 km; el modelo la mueve 2 km y su incertidumbre crece: la predicción queda en 10 km con varianza 4. Entonces el sensor mide 12 km con varianza 1. ¿A cuál creerle?
La mezcla óptima, deducida. Buscamos con y insesgadas e independientes. Su varianza es
Derivando, y
Con y : , km y varianza 0.8, menor que la de las dos fuentes. Equivale a pesar cada cifra por su precisión (el inverso de su varianza): 0.25 contra 1, pesos de 0.2 y 0.8. Si la medida es muy ruidosa (), y se confía en el modelo; si es muy buena (), y se confía en la medida.
El ciclo. Predecir (, ), medir y corregir con la sorpresa : , . En el modelo de 40 pasos del video, con un sensor de km y km², las medidas solas fallan 3.22 km RMS y el filtro, 1.34 km: unas 2.4 veces mejor (el bloque de código de abajo, con otra semilla, da 3.00 y 1.06 km). La varianza del filtro converge a un régimen de 1.38 km² que solo depende de y . Las versiones vectoriales, con posición y velocidad, están en los cursos de Procesamiento Digital de Señales y de Control.
El laboratorio de esta lección es la cadena de Markov del satélite. Mueve las probabilidades de transición (la permanencia se reajusta para que cada fila sume 1), toca un estado del diagrama para empezar ahí y arrastra el día sobre la gráfica de áreas apiladas para compararla con veinte mil satélites simulados. Cambia al modelo con reparación para ver la distribución estacionaria.
Empezamos con un bit que podía cambiar y una alarma que podía mentir. Ahora sabemos describir el azar (probabilidad y variables), resumirlo (esperanza, varianza, covarianza), domarlo promediando (teoremas límite), decidir con él (estimación y detección), verlo en el tiempo y en la frecuencia (procesos y PSD), medirlo en un receptor () y usarlo para operar un satélite (BER, Markov y Kalman). El proyecto integrador te pide hacer todo eso sobre un mismo enlace.
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 «Probabilidad y procesos: del azar al ruido».