Universidad Simón Bolívar

Departamento de Electrónica y Circuitos.

EC1421- Señales y Sistemas.
Trimestre Septiembre-Diciembre 2012

PRACTICA #05

TEOREMA DEL LÍMITE CENTRAL Y RUIDO PASABANDA

Nombres:

Colmenares, Julio 09-10174

López, Fernando 09-10456

Salanova, Francisco 09-10778

Caracas, 29/11/2012
1. Crear una variable aleatoria con una distribución probabilística uniforme con 50
muestras (rand). Observe el histograma de esta variable aleatoria, utilizando para
ello el comando (hist). Repita este mismo experimento realizándolo para 4 variables
aleatorias de [100, 1000, 10000 y 100000]

 Código

n1=0:50;
n2=0:100;
n3=0:1000;
n4=0:10000;
n5=0:100000;
va1=rand(size(n1));
va2=rand(size(n2));
va3=rand(size(n3));
va4=rand(size(n4));
va5=rand(size(n5));
media1=mean(va1);
media2=mean(va2);
media3=mean(va3);
media4=mean(va4);
media5=mean(va5);
subplot(3,2,1);
hist(va1);
xlabel('50 muestras media=')
subplot(3,2,2);
hist(va2);
xlabel('100 muestras media=')
subplot(3,2,3);
hist(va3);
xlabel('1000 muestras media=')
subplot(3,2,4);
hist(va4);
xlabel('10000 muestras media=')
subplot(3,2,5);
hist(va5);
xlabel('100000 muestras media=')
  Gráficas

 Medias Estadísticas

media1 =0.4997

media2 =0.5035

media3 =0.5023

media4 =0.4980

media5 =0.5002

¿Qué sucede si no se toma un número significativo de muestras?

Al observar la distribución probabilística obtenida en las gráficas se puede decir

que mientras el número de muestras sea más grande, la función de probabilidad se
aproxima más a una función de probabilidad uniforme.

De la misma manera, la esperanza se acerca más al valor esperado al

aumentar el número de muestras, lo cual es apreciable en las gráficas y se evidencia
en los valores obtenidos mediante la función mean.
2. Crear un proceso aleatorio X(t,λi), con i=1,2,..,20. El proceso aleatorio tiene
una distribución probabilística uniforme con un número de muestras
significativas, genere una variable aleatoria y(t), obtenida a través de la suma
de todas estas variables. Grafique y(t) y su histograma en una misma figura,
varíe los parámetros de (hist) de modo tal que pueda observar
convenientemente la gráfica. Observe el histograma de y(t) y concluya.

 Código

muestras = 100000; %Número de muestras%

y = 0;

for i = 1:20
uniforme = rand(muestras,1);
y = y + uniforme;
end
salida = salida/20;

figure
hist(y);
title('Sumatoria de variables uniformes')

 Gráfica
  Conclusiones

Según la teoría del teorema del límite central se puede comprobar que a partir
de la sumatoria de ésta cantidad de variables aleatorias uniformes se puede obtener
una distribución Gaussiana, tal como se reprodujo en la grafica msotrada
anteriormente.

También se verificó que para un número menor de variables uniformes o para

un número menor de muestras, la distribución ya no se comporta como una variable
aleatoria Gaussiana, y que no posee una forma definida.

3. Crear directamente un proceso Aleatorio N(t) con distribución probabilística

gaussiana con un número de muestras significativas (randn). Observe su
histograma y concluya.

 Código

muestras = 100000;
%Variable aleatoria con distribución gaussiana
Normal = randn(1,muestras);

hist(Normal)
title('Proceso Aleatorio con Distribución Gaussiana')

 Gráfica
  Conclusiones

Se hace uso del comando de "randn", el cual comienza de una distribución

normal de números aleatorios. A partir del histograma se comprueba que la
envolvente se comporta como un proceso aleatorio con Distribución Gaussiana.

4. Filtre una variable aleatoria de N(t) con un filtro pasabanda, lo cual da origen
al ruido pasabanda n(t) .

 Código

% Filtrado del ruido

w1 = 500;
w2 = 600;
Wn = [w1 w2]/(2*w2);
[B,A] = butter(16,Wn,'bandpass');
[ruido,o] = filter(B,A,Normal);

% n_t es el ruido gaussiano

hist(ruido)
title('Histograma de ruido filtrado')

 Gráfica

5. Grafique la densidad espectral de potencia de n(t), observe la banda de

existencia de dicho ruido. Grafique el histograma de n(t) , determine la media de
n(t) y concluya.
  Código

% Autocorrelación del ruido pasabanda

Rnn = xcorr(ruido,ruido);
plot(abs(Rnn))
title('Autocorrelación del ruido pasabanda DEP_n')

% DEP el ruido pasabanda

DEPn = fftshift(fft(Rnn))/length(Rnn);
plot(abs(DEPn))
title('DEP del ruido pasabanda DEPnn')
MEDIA_nn = median(ruido);

 Gráfica

 Conclusiones

Se empleo la función "butter", la cual arroja los valores de los coeficientes del
numerador y denominador de la función de transferencia que describe a un filtro
Butterworth; estos son utilizados por la función "filter", quien a su vez genera un filtro
que según la manera en la que se ingresen sus parámetros, permitirá obtener un filtro
pasabanda (‘bandpass’), y así la señal de ruido filtrado. También podemos verificar
mediante el gráfico, que tenemos una función cuyo histograma nos refleja una
distribución Gaussiana, tal como se esperaba antes de aplicarle un filtro.

De la densidad espectral de potencia del ruido pasabanda no se puede realizar

un análisis efectivo en este momento ya que se necesita hallar la transformada de
Hilbert, lo cual se hará en el siguiente punto. Sin embargo, se pudo percibir que la
forma del DEP, pone en evidencia que se aproxima a una constante, tal comose
espera según la teoría estudiada: η/2.

6. Determine la transformada de Hilbert del ruido n(t) (HILBERT), que se

denominará nh(t) . Grafique la DEP de nh(t) .

 Código

%Transformada de Hilbert de n(t)

nh = imag(hilbert(ruido,length(ruido)));

%Autocorrelación de nh(t)
Rnh = xcorr(nh,nh);

%Densidad espectral de potencia de nh, F{Rnh}

DEP_nh = fftshift(fft(Rnh));
DEP_nh = DEP_nh/length(DEP_nh);
plot(abs(DEP_nh))
title('DEP de la transformada de Hilbert de n(t)')

 Gráfica

 Conclusiones

La transformada de Hilbert describe que “una señal x(t) y su ẋ(t) tienen la

misma densidad espectral de potencia”, por lo tanto se pudo comprobar que el gráfico
obtenido por este método, guarda una gran semejanza con respecto al obtenido
previamente.
7. Determine la componente en fase, nI(t) , y la componente en cuadratura nQ(t),
del ruido pasabanda. La frecuencia de la sinusoide tiene que estar ubicada en
el centro de la banda de frecuencias que ocupa el ruido pasabanda n(t).

 Código

%Componentes de fase y cuadratura de n(t).

wc = w1;
t = 0:1:length(ruido)-1;
nI = ruido.*cos(wc*t)+ nh.*sin(wc*t);
nQ = nh.*cos(wc*t)- ruido.*sin(wc*t);

8. Determine la autocorrelación de n(t), nI(t), nQ(t) (crosscorr).

 Código

% Autocorrelación de las componentes de fase nI

RnI = xcorr(nI, nI);

% Autocorrelación de las componentes de cuadratura nQ

RnQ = xcorr(nQ, nQ);

% Autocorrelación del ruido pasabanda n(t)

Rn = xcorr(ruido, ruido);

9. Grafique el histograma de nI(t) y el de nQ(t). Compárelos entre sí, y con el

histograma del ruido n(t), razone al respecto.

 Código

hist(abs(nQ))
title('Histograma de componente de cuadratura')
hist(abs(nI))
title('Histograma de componente de Fase')
hist(abs(ruido))
title('Histograma de ruido pasabanda')
 Gráficas
  Conclusiones

Los Histogramas obtenidos resultan tal como se esperaba de las componentes

de fase, cuadratura y en general del ruido pasabanda (‘bandpass’) son
aproximadamente iguales, por lo tanto se verifica la teoría y se comprueban estos
comportamientos de procesos aleatorios.

10. Determine si nI(t) y nQ (t), son ortogonales.

Para verificar que la componente en fase y cuadratura de un ruido pasabanda

son ortogonales entre sí, es necesario aplicar el producto interno de su espacio
propio.

 Código

Ortogonal = median(nQ.*nI);

Ortogonal = -7.8577e-007

11. Determine la potencia de n(t), nI(t) y nQ (t), concluya.

 Codigo

% Potencia = varianza + esperanza^2

P_n = var(n_t) + [median(n_t)].^2
P_nI = var(nI) + [median(nI)].^2
P_nQ = var(nQ) + [median(nQ)].^2
  Resultados

P_n =0.1486

P_nI =0.1486

P_nQ =0.1486

 Conclusiones

La potencia total equivale a la suma de la varianza y del valor promedio. Por lo

tanto, nuestras componentes deben tener la misma potencia que la señal pasabanda
originaria (ruido) y fue así demostrado por la simulación por computadora.

12. Determine la media de nI(t) y nQ (t).

 Código

% Media o esperanza calculadas en la sección anterior

u_nI = median(nI);
u_nQ = median(nQ);
MEDIA_ruido = median(ruido);

 Resultados

u_nI = -7.5303e-005

u_nQ = 0.0010

MEDIA_ruido =4.9479e-007

13. Determine la envolvente A(t) y la fase del ruido Ф(t) .

 Código

% Envolvente de A(t)
At = sqrt((nQ).^2 + (nI).^2);

% Fase del ruido phi(t)

phit = atan(power(nI,-1).*nQ);
14. Dibuje el histograma de A(t) y el de Ф(t), concluya.

 Código
figure(1);
subplot(2,1,1); hist(At);
title('Histograma de la envolvente A(t)')

subplot(2,1,2); hist(phit);
title('Histograma de phit')

 Gráfica

Conclusiones

Se puede que los valores de los histogramas corresponden a los valores

esperados teóricamente y con ello a la forma que le corresponde a la gráfica.