Académique Documents
Professionnel Documents
Culture Documents
Sistemas Lineales
ante Entradas Aleatorias
2
2012
Objetivos:
desarrollar tcnicas que permitan obtener la respuesta de sistemas LTI ante seales aleatorias;
establecer las caractersticas bsicas de la respuesta de un sistema LTI ante seales aleatorias;
2.1 INTRODUCCION
Habiendo visto ya como caracterizar procesos estocsticos, veremos ahora como responde un sistema lineal, invariante en el tiempo, causal y de parmetros concentrados cuando
es excitado mediante seales aleatorias. Las conclusiones obtenidas en este anlisis, sern de
utilidad al estudiar, tanto lo relacionado con deteccin, como con estimacin y filtrado de
seales aleatorias.
Frecuentemente, los sistemas fsicos son representados mediante modelos lineales,
invariantes en el tiempo, causales y de parmetros concentrados. Es decir, que sus comportamientos dinmicos son modelados mediante ecuaciones diferenciales (o en diferencias) lineales a coeficientes constantes. La respuesta temporal de tales sistemas ante entradas determinsticas puede ser establecida directamente en el dominio del tiempo mediante integrales de convolucin, o bien en el dominio de las transformadas mediante las transformadas de Fourier,
Laplace o Z.
Este tipo de modelado es conveniente, pues permite un tratamiento analtico unificado
mediante el cual pueden obtenerse soluciones de tipo general. Cuando nos enfrentamos a sistemas que presentan comportamiento extremadamente no lineal o a sistemas variantes en el
tiempo, no es posible el tipo de tratamiento mencionado y es habitual utilizar diversas tcnicas
(analticas y numricas) cuya particularidad ms relevante es su naturaleza ad-hoc, es decir,
dependientes del problema abordado.
Figura 2.1: Caractersticas buscadas de la respuesta de un sistema lineal ante entradas aleatorias
de probabilidad de bajo orden de Y(t). Sin embargo, en la mayora de los casos deberemos
conformarnos con obtener la media y la funcin de autocorrelacin y solo en ciertos casos
especiales, podremos establecer descripciones ms completas como las brindadas por las funciones de distribucin de probabilidad.
Se ver que la determinacin de la respuesta de sistemas lineales ante entradas aleatorias es directa. Por el contrario, el problema de obtener la respuesta de un sistema no lineal a
seales aleatorias es, excepto en algunos casos especiales, muy dificultoso. Como se ha mencionado, no existen tcnicas generales para su resolucin. No obstante, el anlisis de sistemas
no lineales puede ser realizado utilizando tcnicas de simulacin numrica.
En general, a lo largo del captulo consideraremos que la relacin funcional entre la
entrada y la salida es conocida y que los parmetros del sistema son constantes. Se deja constancia, no obstante, que ciertos sistemas deben ser considerados teniendo en cuenta la aleatoriedad de algunos de sus parmetros. Por ejemplo, la ganancia de cierto lote de amplificadores
operacionales, o resistencias comerciales con tolerancia de 10%, pueden requerir un modelado que considere sus parmetros como variables aleatorias.
< t0 <
(2.1)
En base a las propiedades de la relacin funcional dada por la (2.1), podemos clasificar
los sistemas en diversas categoras; no obstante, solo nos ocuparemos por ahora de los:
Sistemas lineales, causales, invariantes en el tiempo, de parmetros concentrados.
Se dice que un sistema es lineal, causal, invariante en el tiempo y de parmetros concentrados si posee las siguientes propiedades:
a.- lineal: Se dice que un sistema es lineal si, dado:
y1 (t ) = f [x1 (t ); - < t < ]
se cumple que:
y 2 (t ) = f [x 2 (t ); - < t < ]
f [a1 x1 (t ) + a 2 x 2 (t )] = a1 f [x1 (t )] + a 2 f [x 2 (t )]
- < t, t0 <
En captulos posteriores de la asignatura, trataremos algunos filtros no causales de inters, tales como los usados para el tratamiento de imgenes.
c.- Invariante en el tiempo: Si y(t) = f[x(t)], entonces:
y (t t 0 ) = f [x (t t 0 ) ] ,
es decir, un desplazamiento en el tiempo de la entrada, da por nico resultado un desplazamiento en el tiempo similar en la salida.
a m y[(m + n)Ts ] =
m=0
b x[(m + n)T ]
m
(2.2)
m=0
h ( n m ) x ( m)
(2.3a)
m =
o bien:
=
h ( m) x ( n m)
(2.3b)
m =
La secuencia h(k) en las ecuaciones 2.3a y 2.3b es la respuesta impulsiva del sistema, definida como la salida y(k) del sistema en el tiempo k cuando la entrada es una secuencia de
ceros, excepto en t = 0, en que la entrada es un impulso unitario.
Dado que hemos considerado al sistema causal e inicialmente en estado estacionario, resulta que h(k) = 0 para k < 0; adems, si consideramos un sistema estable (es decir que produce
una secuencia de salida acotada cuando la de entrada es acotada), es:
h( k ) <
k =0
n =
f <1
(2.4)
n = m =
YF( f ) =
m =
n =
m =
h( m) X
F(
f ) exp( j 2mf )
m =
= XF(f )
m =
de lo que resulta:
YF ( f ) = X F ( f ) H ( f )
(2.5a)
La expresin de la (2.5a) es un resultado importante que, adems, recuerda que la transformada de Fourier del producto de convolucin de dos secuencias temporales es igual al
producto de sus transformadas. A partir de YF(f), podemos obtener y(n) haciendo:
y(n) = F -1 [YF(f )] =
t/2
F(
(2.5b)
t / 2
h ( m) X ( n m)
(2.6a)
m =
Ntese, que Y(n) representa una secuencia aleatoria, estando cada una de sus funciones miembro sujeta a lo expresado en la (2.3). La media y la autocorrelacin de la salida pueden ser
calculadas a partir de las esperanzas, de la forma:
E[Y (n)] = Y (n) =
h(m) E[ X (n m)]
m =
R YY ( n1 , n 2 ) = E [Y ( n1) Y ( n 2 )]
(2.6b)
es decir:
h( m ) h ( m ) R
XX ( n1 m1 , n2
m2)
(2.6c)
m1= m 2 =
Funciones de distribucin
Las funciones de distribucin de la secuencia de salida son, en general, muy difciles
de obtener. An en el caso ms simple, en el que la respuesta impulsiva posea un nmero finito de trminos no nulos, la ecuacin (2.6a) representa una transformacin lineal de la secuencia de entrada para la cual, en general, no es posible expresar las funciones de distribucin
conjunta en forma funcional cerrada. Una excepcin importante a lo expresado lo constituye
el caso Gaussiano; si el proceso de entrada es gaussiano discreto con varianza finita, la salida
Y(n) queda representada por una combinacin de variables gaussianas y es, por lo tanto, gaussiana, as como todas las correspondientes distribuciones conjuntas.
Por otra parte, sealemos que el teorema central del lmite sugiere que, para diversas
distribuciones de X(n) que cumplen con ciertos requisitos (bsicamente que las varianzas sean
finitas), Y(n) tiende a ser gaussiana. As, el ruido presente en un enlace de radio puede ser considerado como proveniente de un gran nmero de fuentes independientes y, en consecuencia,
modelado como la suma de todas esas contribuciones. Por lo tanto, el teorema central del lmite permite modelar el ruido total mediante una distribucin gaussiana. 1
Estacionariedad de la salida
Si X(n) es dbilmente estacionaria (WSS), podemos obtener, a partir de la expresin
(2.6b) y la definicin dada por la (2.4):
Y = E[Y (n)] =
h ( m) X = X
m =
h ( m) =
H (0)
(2.7a)
m =
que muestra que la componente de continua de la salida no depende del ndice temporal n. Por
otra parte, a partir de la expresin (2.6c) se ve que:
RYY (n1 , n2) =
XX
(2.7b)
m1= m 2 =
La ltima expresin depende nicamente de la diferencia entre n1 y n2, lo cual nos dice, junto
con la (2.7a) que la salida Y(n) de un sistema lineal es WSS cuando la entrada X(n) es WSS.
Tambin puede demostrarse que si la entrada a un sistema lineal es SSS, entonces tambin lo
es la salida.
El Teorema Central del Lmite no es un nico teorema, sino que consiste en un conjunto de resultados acerca del comportamiento de la distribucin de la suma (o promedio) de variables aleatorias. Con Teorema Central del Lmite nos referiremos
a todo teorema en el que se afirma, bajo ciertas hiptesis, que la distribucin de la suma de un nmero muy grande de variables aleatorias se aproxima a una distribucin normal. El trmino Central, debido a Poly (1920), significa fundamental, o de
importancia central, y describe el rol que cumple este teorema en la teora de probabilidades. Su importancia radica en que
este conjunto de teoremas establecen las razones por las cuales, en muchos campos de aplicacin, se encuentran en todo
momento distribuciones normales, o casi normales. Un ejemplo tpico de este hecho es el caso de los errores de medida. Con
respecto a este tema, Laplace propuso una hiptesis que parece ser plausible. Considera el error total como una suma de
numerosos errores elementales muy pequeos debidos a causas independientes. Es casi indudable que varias causas independientes o casi independientes contribuyen al error total. As por ejemplo, en las observaciones astronmicas, pequeas variaciones de temperatura, corrientes irregulares de aire, vibraciones de edificios y hasta el estado de los rganos de los sentidos
de un observador, pueden considerarse como algunas pocas de dichas causas numerosas. El Teorema Central del Lmite es
obra de muchos grandes matemticos. Dentro de la historia del Teorema Central del Lmite Laplace ocupa un lugar fundamental; a pesar de que nunca enunci formalmente este resultado, ni lo demostr rigurosamente, a l se le debe este importante descubrimiento.
= E
h ( m) X ( n m) X ( n + k )
m =
h(m) E[ X (n m) X (n + k )]
m =
h ( m) R
XX
( k + m) =
m =
h( n) R
XX
( k n)
n =
o bien:
RYX (k ) = h( k ) R XX (k )
(2.8)
(2.9)
y, en consecuencia:
RYY (k ) = R XX (k ) h(k ) h(k )
(2.10a)
Ahora, podemos abocarnos a la densidad espectral de potencia de Y(n), la que definimos como:
S YY ( f ) =
YY ( k ) exp(
j 2nf )
|f|<
n =
es decir:
SYY(f) = F [RYY(k)]
= F [RXX(k) h(k) h(-k)]
= F [RXX(k)] F [h(k)] F [h(-k)]
= SXX (f) H(f) H(-f)
= SXX (f) H(f) H*(f)
(2.10b)
Debe tenerse en cuenta que el cuadrado del mdulo expresado en la 2.10b es de aplicacin cuando se trata de funciones de transferencia reales. En el caso (que veremos con frecuencia) de funciones de transferencia complejas, debemos considerar al producto: H(f) H*(f).
La expresin 2.10b es la base de las tcnicas para el diseo de sistemas lineales en el
dominio de la frecuencia. Muestra que las propiedades espectrales del proceso aleatorio (seal
de entrada) pueden ser modificadas al pasar por un sistema lineal, invariante en el tiempo y
causal que posea la funcin transferencia apropiada. Mediante una seleccin cuidadosa de
H(f), es posible remover o filtrar ciertas componentes del espectro de la seal de entrada. Por
ejemplo, supongamos que tenemos:
X(n) = S(n) + N(n)
en la que S(n) es una seal en la que estamos interesados y N(n) es un proceso de ruido no deseado; entonces, si las densidades espectrales de potencia de S(n) y N(n) no estn solapadas en
el dominio de la frecuencia, el ruido N(n) puede ser eliminado pasando a X(n) a travs de un
filtro H(f) con ganancia 1 para el rango de frecuencias ocupada por la seal y ganancia 0 para
el rango de frecuencias del ruido. Desafortunadamente, en la mayora de las situaciones prcticas, hay solapamiento espectral y el diseo de filtros ptimos para separar seal de ruido
debe incluir, en su concepcin, una caracterizacin estadstica tal como se analizar en el captulo 5.
Ejemplo 1:
La respuesta impulsiva de cierto sistema lineal, causal, invariante, est dada por:
1
h( k ) =
0
para k = 0,1
para k > 1
La entrada al sistema es una sucesin aleatoria estacionaria X(n) con media nula y autocorrelacin dada por:
para k = 0
1
R XX ( k ) =
para k 0
0
Hallar la media, la funcin de autocorrelacin y la densidad espectral de potencia de la salida.
Solucin:
La media es:
Y = E[Y (n)] = h( m) X
m =0
Adems:
SXX(f ) = F [RXX(k)] = 1
en consecuencia:
SYY(f ) = (1).| 1 + exp(-j2f )|2 = 2 + 2cos 2f
Finalmente, la funcin de autocorrelacin se obtiene haciendo:
1/ 2
-1
RYY(n) = F [SYY(k)] =
1 / 2
YY (
de donde se obtiene:
RYY(0) = 2
RYY(1)= 1
RYY(k) = 0
|k | > 1
y (t ) =
h(t ) x ( )d
(2.11)
h( ) x (t )d
en la que h(t) representa la respuesta impulsiva del sistema. Recordemos que se asume que las
condiciones iniciales del sistema son nulas y, adems, que se considera al sistema como causal y estable, es decir:
h( ) = 0, para < 0
y
h( ) d <
Por otra parte, la relacin entrada - salida puede ser expresada, en el dominio de la
frecuencia, como:
YF ( f ) = H ( f ) X F ( f )
(2.12)
de donde la respuesta temporal y(t) puede ser obtenida tomando la transformada inversa de
Fourier de YF(f):
y(t) = F 1 [YF(f )] =
Y (t ) =
X (t )h( )d
X ( )h(t )d
(2.13)
en la que cada funcin miembro de X(t) produce una funcin miembro de Y(t) de acuerdo a lo
expresado en las (2.11).
Al igual que lo que ocurra en el caso de entradas en tiempo discreto, las funciones de
distribucin del proceso de salida Y(t) son de difcil obtencin excepto en el caso en que X(t)
sea gaussiano, con lo que Y(t) tambin lo ser. Tambin en este caso, en vez de intentar obtener una descripcin completa de Y(t), estableceremos una descripcin menos completa de la
salida que la que podemos lograr para problemas determinsticos. En la mayora de los casos
de entradas aleatorias, buscaremos hallar la media, la funcin de autocorrelacin, la funcin
de densidad espectral y el valor medio cuadrtico de la salida del proceso.
Media y Funcin de Autocorrelacin
Considerando que tanto h(t) como X(t) son valuadas reales, se puede calcular la media
de la siguiente forma:
E [Y (t )] = E X (t )h( )d
= E [X (t )]h( )d
X (t )h( )d
(2.14)
y, por otra parte, se determina la
= E
h( 1 )h( 2 ) R XX (t1 1 , t 2 2 )d 1 2
(2.15)
Estacionariedad de la salida
Se haba expresado, mediante las (2.13), que:
Y (t ) = X (t )h( )d
Ahora bien, si los procesos X(t) y X(t + ) poseen iguales distribuciones (o sea, son estacionarios en sentido estricto); entonces, tambin se cumplir para Y(t) e Y(t + ) y podemos decir
que Y(t) es SSS.
Si X(t) es dbilmente estacionario (WSS), entonces X(t) no depende del tiempo y, a
partir de lo expresado en la (2.14), es:
E [Y (t )] =
X h( )d = X h( )d = X H (0)
(2.16)
Se ve que el valor medio de la salida no depende del tiempo. En cuanto a la funcin de autocorrelacin de la salida para el caso de X(t) WSS, la ecuacin (2.15) queda:
RYY (t1 , t 2) =
Dado que la integral depende solo de la diferencia de tiempo t2 t1, RYY(t1, t2) tambin lo ser.
Esto, junto al hecho que Y es constante, establece que el proceso de salida Y(t) es WSS si el
proceso de entrada X(t) lo es.
Densidad Espectral de Potencia de la Salida
Anlogamente a lo visto en el caso discreto, puede demostrarse que, cuando X(t) es
WSS:
RYX ( ) = R XX ( ) h( )
(2.17a)
R XY ( ) = R XX ( ) h( )
(2.17b)
RYY ( ) = RYX ( ) h( ) = R XX ( ) h( ) h( )
(2.18)
(2.19)
Esta ltima expresin tiene la misma forma que la (2.10b) obtenida para sistemas discretos y
establece una relacin muy importante para el anlisis de sistemas en el dominio de la frecuencia cuando son excitados mediante seales aleatorias. La (2.19) muestra que: una componente espectral de frecuencia f, perteneciente al ensamble de entrada, se modifica de acuerdo
al trmino |H(f)|2, (conocido tambin como funcin de transferencia de potencia). Escogiendo
H(f) en forma apropiada, podemos amplificar o rechazar determinadas componentes espectrales de la seal de entrada, operacin que se conoce como filtrado.
Funcin de Densidad Espectral de Potencia
Volvemos ahora a la definicin de densidad espectral de potencia, dada en el captulo
anterior, la que puede ser ahora revisada utilizando la ecuacin (2.19). Supongamos un filtro
pasabanda ideal definido por:
para f1 | f | f 2
1
H( f ) =
0
por su parte, de acuerdo a lo visto en el captulo anterior, el valor cuadrtico medio (potencia
media) de la entrada es:
E X (t ) = R XX (0) =
2
XX
( f ) df
] S
E Y 2 (t ) =
YY (
f )df
f2
E Y 2 (t ) = 2 S XX ( f )df
f1
Debido a que la potencia media de la salida Y(t) del filtro pasabanda ideal est dada
por la integral de la densidad espectral de potencia entre -f1 y -f2 y entre f1 y f2, podemos decir
que la potencia de X(t) entre las frecuencias f1 y f2 est dada por la expresin precedente; a
partir de esto, se denomina a SXX( f ) funcin de densidad espectral de potencia.
El desarrollo anterior verifica que, dado que E [Y 2 (t )] 0 , entonces: SXX(f) 0 para cualquier f, en un todo de acuerdo con lo ya visto.
Ejemplo 2:
Sea X(t) la tensin de entrada del sistema de la figura, y sea Y(t) la correspondiente tensin de
salida. X(t) es un proceso aleatorio estacionario con X = 0 y RXX(t) = exp( -| |).
Hallar Y, SYY(f) y RYY().
Solucin:
Del anlisis del circuito de la figura, obtenemos:
H( f ) =
R
R + j 2fL
Adems:
SXX(f) = F [RXX()] =
=
e j 2f =
2 + ( 2f )
X (0) = Y = 0
Por otra parte, usando la (2.19):
2
2
2
R
S YY ( f ) = S XX H ( f ) = 2
2
2
+ (2f ) R 2 + (2fL)
F 1 [SYY(f )] = RYY ( ) =
R
2
L
exp( ) +
R
L
R
exp
L
R
2
L
2
E Y 2 (t ) = RYY (0) =
S YY ( f )df =
XX
( f ) H ( f ) df
(2.20)
en la que a(s)/b(s) tiene todos sus polos y ceros en el semiplano izquierdo del plano s y
a(-s)/b(-s) los tiene en el semiplano derecho; en esta transformacin no se permiten races de
b(s) sobre el eje imaginario. De igual modo, podemos operar con |H(f)|2 y luego escribir el integrando de la (2.20) haciendo:
S XX ( f ) H ( f ) H ( f )
f=
s
2j
c ( s )c ( s )
d ( s )d ( s )
y, en consecuencia:
E Y 2 (t ) =
1
c ( s )c ( s )
ds
2j j d ( s )d ( s )
(2.21)
en la que c(s) y d(s) contienen las races del semiplano izquierdo del plano s. El valor de las
integrales de expresiones tales como la dada en la (2.21) se obtienen de tablas. En la Tabla 2.1
se presenta una versin resumida que permite la resolucin de dichas integrales.
Tabla 2.1: Tabla de integrales
In =
c( s ) = cn1 s
n 1
1
2j
+ cn2 s
d ( s ) = d n s + d n1 s
n
n2
n 1
c ( s )c ( s )
d ( s)d ( s )
+ L + c0
+L+ d0
I1 =
c0
2d 0 d 1
I2 =
c1 d 0 + c0 d 2
2d 0 d 1 d 2
I3 =
c2 d 0 d 1 + (c1 c0 c2 )d 0 d 3 + c0 d 2 d 3
2d 0 d 3 (d 1 d 2 d 0 d 3 )
I4 =
1
1 + j ( f / 1000)
es un proceso estacionario con media nula y con: SXX(f) = 10-12 watt/Hz. Hallar E[Y2(t)].
Solucin:
SYY(f) = SXX (f) H(f) H(f)*
S YY ( f ) = 10
12
1
1
1 + j ( f / 1000) 1 j ( f / 1000)
Transformando la expresin anterior al dominio s con s = 2jf, podemos escribir la integral dada por la (2.21) para E[Y2(t)], de la forma:
E Y 2 (t ) =
1
2j
10
10
ds
j 1 + ( s / 2000 ) 1 ( s / 2000 )
E Y 2 (t ) =
c0
= 1012 (1000 )
2 d 0 d1
2.5 FILTRADO
Usualmente, el filtrado es utilizado en los sistemas elctricos para rechazar seales no
deseadas (o ruido) y as recuperar seales de inters. A modo de ejemplo, mencionemos que
cuando se sintoniza un canal de TV o una emisora de radio en un receptor, se establece un
proceso de filtrado. Tambin se utilizan filtros para remover el ruido presente en los enlaces
de telecomunicaciones.
Un filtro, posee una funcin transferencia H(f ) que se disea cuidadosamente a fin de
modificar componentes espectrales de la seal de entrada. En la figura 2.2 se muestran versiones ideales de los tres tipos bsicos de filtros. En cada caso, el sistema idealizado posee
una funcin transferencia cuya magnitud es plana en la banda pasante y cero fuera de ella. Su
ganancia en el centro de la banda es 1 y su desplazamiento de fase es una funcin lineal de la
frecuencia.
Figura 2.2: Filtros ideales: (a) pasabajos; (b) pasa-alto y (c) pasabanda
La funcin transferencia de los filtros prcticos reales, difiere de las versiones ideales.
Por ejemplo, el filtro pasabajos Butterworth tiene una relacin de amplitud de la forma:
1
H( f ) =
1 + ( f / B)
2n
H ( f ) df
Si igualamos las potencias de salida de ambos filtros, ideal y real, despejando obtenemos:
BN
H ( f ) df
2 H (0)
(2.22)
Figura 2.3: Ancho de banda de ruido de un filtro: las reas bajo H ( f ) 2 y H ( f ) 2 son iguales.
(a) caso pasabajos; (b) caso pasabanda
Ejemplo 4:
Hallar el ancho de banda equivalente de ruido de un filtro de Butterworth de primer orden con:
2
H( f ) =
1
1 + ( f / B) 2
Solucin:
De acuerdo a la (2.22), resulta:
BN =
1
1
df
2 1 + ( f B )2
1 + ( f B)
1
1
1 + j( f B) 1 j( f B )
efectuando el reemplazo f = s/j2 ; resulta que n = 1, c(s) = 1 y d(s) = 1 + s/(2B), de modo que
el cociente c(s)/d(s) resulta:
c( s)
=
d (s)
1
1+
s
2B
1 c02 1
= [B ] = B( 2)
2 2 d 0 d1 2
Puede demostrarse que el ancho de banda equivalente del ruido de un filtro Butterworth de orden n es:
( / 2n )
BN = B
sen( / 2n )
de donde se ve que, a medida que n , la funcin transferencia del filtro de Butterworth tiende a la forma de un filtro pasabajos ideal con ancho de banda B.