UNIVERSIDAD DE CONCEPCIÓN

FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA

APUNTES
COMUNICACIONES DIGITALES
Cod. 549 175
Ingenierı́a Civil en Telecomunicaciones

Prof. Sebastián E. Godoy

Primera Edición
23 de abril de 2008
Prólogo

El presente libro, nace bajo la necesidad de lograr un mejor entendimiento de los alumnos
que toman la asignatura de Comunicaciones Digitales, obligatoria para la carrera de Inge-
nierı́a Civil en Telecomunicaciones de la Facultad de Ingenierı́a, Universidad de Concepción,
Concepción, Chile.
Esta asignatura es planteada con la concepción original de que el alumno maneja los con-
ceptos de los sistemas de comunicación (“Sistemas de Comunicación” Cod. 549 164) y princi-
palmente de estadı́stica y procesos aleatorios (“Procesos Aleatorios” y “Estadı́stica Aplicada”
Cods. 549 150, 549 103 respectivamente) cursados como requisitos previos de la presente.
El documento está totalmente escrito utilizando LATEX mediante la interfaz gráfica Kile para
Ubuntu Linux. Además, dada la naturaleza de la obra, en forma completa está licenciada por
Creative Commons. Esta Licencia Creative Commons te permite copiar, distribuir, comunicar
y ejecutar públicamente la obra pero bajo las siguientes condiciones:

Atribución. Debes reconocer y citar la obra de la forma especificada por el autor o el licen-
ciante.

No Comercial. No puedes utilizar esta obra para fines comerciales.

Sin Derivadas. No puedes alterar, transformar o generar una obra derivada a partir de esta
obra.

Por otro lado, al reutilizar o distribuir la obra, tienes que dejar bien claro los términos de
la licencia de esta obra. Alguna de estas condiciones puede no aplicarse si se obtiene el permiso
del titular de los derechos de autor. Nada en esta licencia menoscaba o restringe los derechos
morales del autor.
El formato utilizado en el desarrollo de este documento, está basado en los apuntes del Prof.
José Espinoza, PhD. Departamento de Ingenierı́a Eléctrica, Universidad de Concepción.

i
 Sebastián E. Godoy
Ingeniero Civil Electrónico
Colaborador Académico
Departamento de Ing. Eléctrica
Facultad de Ingenierı́a
Universidad de Concepción
Casilla 160-C, Correo 3
Concepción, CHILE
Tel: +56 (41) 2203633
Fax: +56 (41) 2246999
e-mail: segodoy@udec.cl
web: http://www.udec.cl/~segodoy

ii
Índice General

Prólogo II

1. Introducción 1
1.1. ¿Por qué comunicaciones digitales? . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Clasificación de Señales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1. Señales Determinı́sticas y Aleatorias . . . . . . . . . . . . . . . . . . . . 1
1.2.2. Señales Periódicas y No periódias . . . . . . . . . . . . . . . . . . . . . . 2
1.2.3. Señales Análogas y Discretas . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.4. Señales de Energı́a y Potencia . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.5. Función Impulso unitaria . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.6. Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Densidad Espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1. Teorema de Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2. Densidad Espectral de Energı́a (ESD) . . . . . . . . . . . . . . . . . . . . 5
1.3.3. Densidad Espectral de Potencia (PSD) . . . . . . . . . . . . . . . . . . . 5
1.4. Autocorrelación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5. Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.1. Variables Aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.2. Procesos Aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.3. PSD de un Proceso Aleatorio . . . . . . . . . . . . . . . . . . . . . . . . 11

2. Teorı́a de la Información 12
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. Concepto de Información . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3. Medida de la Información . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.1. Entropı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.2. Entropı́a Conjunta y Condicional . . . . . . . . . . . . . . . . . . . . . . 15
2.3.3. Información Mutua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4. Representación de Canales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5. Capacidad del Canal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6. Algoritmos de Códificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6.1. Código Huffman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

iii
3. Técnicas de Transmisión Digital 23
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2. Muestreo de una Señal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3. Cuantización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3.1. Cuantización Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3.2. Cuantización Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.3. Cuantización Nouniforme . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4. Encoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.5. Codificación por Forma de Onda . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.5.1. Pulse Code Modulation (PCM) . . . . . . . . . . . . . . . . . . . . . . . 29

iv
Capı́tulo 1

Introducción

Los tópicos que serán tratados acá se presentan como la base conceptual de los próximos
capı́tulos, haciendo una revisión de los conceptos básicos como probabilidades y estadı́stica,
variables y procesos aleatorios. Este capı́tulo solo pretende ser una revisión de estos conceptos
que fueron fuertemente estudiados en las asignaturas previas.

1.1. ¿Por qué comunicaciones digitales?

Existen muchas razones que hacen que todo el mundo prefiera las comunicaciones digitales
frente a las análogas. La primera ventaja es que las señales digitales, a diferencia de las análogas,
pueden ser reconstruı́das (regeneradas) utilizando repetidores, que vuelven a amplificar la señal
recuperando las modificaciones y la degradación que pudo haber sufrido en el canal de trans-
misión. Por otra parte, los circuitos digitales son más faciles de reproducir, más enconómicos
y más flexibles, pues sin importar si la señal es de televisión, teléfono o telégrafo, siempre se
tratará de la misma forma para la transmisión ya que un bit es un bit. Además los circuitos
digitales son menos propensos a distorciones de interferencia que los análogos dados los rangos
que existen para cada estado digital; a esto se agrega que existen metodologı́as para detectar
errores en la transmisión.

1.2. Clasificación de Señales

1.2.1. Señales Determinı́sticas y Aleatorias
Se habla de señales determinı́sticas cuando éstas están completamente definidas y no
existe ninguna incertidumbre en sus valores en cualquier instante de tiempo. Éstas señales son
modeladas por expresiones matemáticas explı́citas tal como w(t) = sin(2000πt).
En cambio, se habla de señales aleatorias, que existe algún grado de incertidumbre antes
de que la señal realmente ocurra, por lo que no es posible escribir una expresión matemática
explı́cita. Sin embargo si estos se observan por un largo perioddo, éstos se refieren como pro-
cesos aleatorios y pueden exibir ciertas regularidades que pueden ser descritas en términos de
probabilidades y promedios estadı́sticos.

1
CAPÍTULO 1. INTRODUCCIÓN

1.2.2. Señales Periódicas y No periódias

Una señal es llamada periódica en el tiempo si existe una constante T0 > 0 que cumpla la
relación
w(t) = w(t + T0 ) (1.1)
en donde t es el tiempo. El mı́nimo valor posible de T0 que cumpla la condición es llamado el
periodo de w(t).
Si una señal no posee un valor que satisfaga la condición, entonces es llamada señal no
periódica.

1.2.3. Señales Análogas y Discretas

Una señal es análoga si es una función continua del tiempo, lo que quiere decir que w(t) es
únicamente definida para todo t. Éstas señales se originan cuando una señal fı́sica (por ejemplo,
voz) se transforma en una señal eléctrica usando algún transductor.
En contraste, una señal discreta sólo está definida para tiempos discretos y está caracterizada
para una secuencia de números discretos kT en donde k es un entero y T es un intervalo fijo de
tiempo.

1.2.4. Señales de Energı́a y Potencia

Una señal eléctrica puede ser representada como un voltaje v(t), o una corriente i(t), con
una potencia instantanea p(t) a través del resistor R, definida por:

v 2 (t)
p(t) = = i2 (t)R
R
En sistemas de comunicaciones se trabaja con el concepto de “potencia normalizada” por
lo que se asume que el valor de la resistencia R es unitario (R=1Ω), por lo que ambos lados
de la ecuación anterior tiene la misma forma sin importar si hablamos de señales de voltaje
o corriente. Entonces, el concepto de potencia normalizada nos permite expresar la potencia
instantanea de la forma
p(t) = w 2 (t) (1.2)
en dónde w(t) representa o una señal de voltaje o de corriente.
La energı́a disipada durante el intervalo de tiempo ] − T2 , T2 [ por una señal real con potencia
instantánea expresada por la Ecuación (1.2), puede ser escrita como:
Z T
2
ET = w 2 (t) dt (1.3)
− T2

y la potencia promedio disipada por la señal durante ese intervalo es:

T
1
Z
2
PT = w 2 (t) dt (1.4)
T − T2

2
CAPÍTULO 1. INTRODUCCIÓN

El desempeño de un sistema de comunicaciones depende de la energı́a de la señal detectada.

Mientras mayor sea la energı́a de las señales detectadas, el proceso de detección se hará con
menos errores si las señales fueran de menor energı́a. Por otro lado, la potencia es la tasa a
la cual la energı́a es entregada y es importante porque determina las condiciones de trans-
misión/recepción de las señales.
En el análisis de señales de comunicaciones, resulta muy deseable trabajar con señales de
energı́a. La señal w(t) será considerada una señal de energia si y solo si 0 < E < ∞, en donde
Z T Z ∞
2
2
E = lı́m w (t) dt = w 2 (t) dt (1.5)
T →∞ − T2 −∞

En el mundo real, todas las señales tienen energı́a finita, sin embargo consecuencia de la
Ecuación (1.1), las señales periódicas por definición existen para todo tiempo, por lo que tienen
energı́a infinita. Además, para poder trabajar con señales aleatorias que tienen energı́a infinita,
se requiere definir una clase de señales llamadas señales de potencia, que serán aquellas que
si y solo si son no nulas y tienen potencia promedio finita para todo el tiempo, 0 < P < ∞, en
donde: Z T
1 2
P = lı́m w 2 (t) dt (1.6)
T →∞ T − T
2

Las definiciones de señales de energı́a y potencia son mutuamente excluyentes, ya que una
señal de energı́a tiene energı́a finita pero potencia media nula, en cambio una señal de potencia
tiene potencia media finita pero energı́a infinita. Como norma general, las señales periódicas y
las señales aleatorias son consideradas de potencia. Por otro lado, las señales que a la vez son
no periódicas y determinı́sticas son clasificadas como señales de energı́a.

Ejemplo 1.1
Clasificar la señal e−t como señal de potencia o de energı́a.
1
R T2
Sol. La potencia media de la señal está dada por P = lı́mT →∞ T
e−2t dt = ∞, por lo que
− T2
R∞
en primera instancia se podrı́a decir que es de energı́a, sin embargo E = −∞ e−2t dt = ∞ por
lo que no cabe en ninguna de las clasificaciones .

1.2.5. Función Impulso unitaria

En teorı́a de comunicaciones, la función impulso, o Delta de Dirac, δ(t), tiene una gran
importancia. La definición estricta corresponde a un pulso de amplitud infinita y ancho nulo,
con un peso1 unitario, concentrado en donde su argumento es cero. Éste está caracterizado por
las siguientes relaciones:
Z ∞ Z ∞
δ(t) = 1; δ(t) = 0, ∀t 6= 0; w(t)δ(t − t0 ) = w(t0 )
−∞ −∞

La función δ(t − t0 ) puede ser representada gráficamente como un impulso a t = t0 con una
altura igual al peso que este tiene.
1
Peso se refiere al área bajo el pulso.

3
CAPÍTULO 1. INTRODUCCIÓN

1.2.6. Series de Fourier

Las series de fourier permiten descomponer cualquir señal periódica w(t) en una sumatoria
de senos y cosenos. En particular, en comunicaciones se utiliza la definición compleja de ésta y
está dada por:
X∞
w(t) = cn ejnω0 t , (1.7)
−∞

en donde
α+T0
1
Z
cn = w(t)e−jnω0t dt , (1.8)
T0 α
2π
y ω0 = 2πf0 = T0
, siendo T0 el perı́odo de la señal w(t).

Ejemplo 1.2
A , t ∈ (2k T20 , (2k + 1) T20 ]

Encontrar la serie de fourier de la señal w(t) = con k = 0, 1, 2, . . . .
0 , i.o.c.
RT R T0
Sol. Se comienza calculando el valor continuo: c0 = T10 0 0 w(t)dt = TA0 0 2 dt = A2 . Ahora,
RT R T0
los otros valores de los coeficientes serán: cn = T10 0 0 w(t)e−jnω0t dt = TA0 0 2 w(t)e−jnω0t dt =
A
j 2πn (e−jnπ − 1). Dado 
que para n par, e−jnπ = 1 y para n impar e−jnπ = −1, los coeficientes
 A2 , n=0
A
están dados por: cn = −j nπ , n impar . 
0 , n par


1.3. Densidad Espectral

La densidad espectral de una señal, caracteriza la distribución de la energı́a o potencia en
el dominio de la frecuencia, concepto que se torna muy importante con la presencia de filtros
en los sistemas de comunicaciones, pues se requerirá evaluar la señal y el ruido a la salida de
un filtro. Para realizar esta tarea, se utiliza la Densidad Espectral de Energı́a (ESD, Energy
Spectral Density) o la Densidad Espectral de Potencia (PSD, Power Spectral Density).

1.3.1. Teorema de Parseval

Dada la importancia de este teorema en las señales utilizadas en comunicaciones, es necesario
enunciarlo en forma independiente y en forma previa a las definiciones de ESD y PSD.
Este teorema está dado por:
Z ∞ Z ∞
2
E = |w(t)| dt = |W (f )|2 df (1.9)
−∞ −∞

en donde W (f ) es la transformada de Fourier de la señal no periódica w(t).

4
CAPÍTULO 1. INTRODUCCIÓN

1.3.2. Densidad Espectral de Energı́a (ESD)

La energı́a total de una señal real w(t) definida paa todos los números reales, está dada por la
Ecuación (1.5). Utilizando el Teorema de Parseval, se puede relacionar la energı́a de dicha señal
expresada en el dominio del tiempo, con la energı́a expresada en el dominio de la frecuencia:
Z ∞ Z ∞
2
E = w (t) dt = |W (f )|2 df
−∞ −∞

Se denotará la magnitud al cuadrado del espectro como:

ξ(f ) = |W (f )|2 (1.10)

La cantidad ξ(f ) es la forma de onda de la Densidad Espectral del Energı́a (ESD) de la señal
w(t). Ası́, se tiene que la energı́a total puede ser obtenida integrando la ESD con respecto a la
frecuencia: Z ∞
E = ξ(f ) df (1.11)
−∞

1.3.3. Densidad Espectral de Potencia (PSD)

La potencia promedio P de una señal real de potencia w(t) está definita por la Ecuación (1.6),
sin embargo dado que una señal periódica se clasifica como señal de potencia, la potencia
quedará definida mediante:
Z T0
1 2
P = w 2 (t) dt
T0 − 20T

Aplicando el teorema de Parseval para señales reales y periódicas, la potencia quedará ex-
presada como:
Z T0 ∞
1 2
2
X
P = w (t) dt = |cn |2 (1.12)
T0 − T20 n=−∞

en donde |cn | corresponden a los términos complejos de la serie de Fourier para una señal
periódica.
La función Densidad Espectral de Potencia (PSD) de la señal periódica w(t) y que será de-
notada por ρ(f ), es una función real, par y no-negativa que se define por:
+∞
X
ρ(f ) = |cn |2 δ(f − nf0 ) (1.13)
n=−∞

en donde se puede notar que la PSD de una señal periódica es una función discreta de la
frecuencia. Nótese que corresponde solo a la PSD de una señal periódica.
Para una señal no-periódica se define una versión truncada de la señal, mediante:

w(t) , − T2 < t < T2

  
t
wT (t) = = w(t) Π
0 , i.o.c. T

5
CAPÍTULO 1. INTRODUCCIÓN

Ahora, usando la Ecuación (1.6) y el teorema de Parseval dado por la Ecuacion (1.9) se tiene
que la potencia normalizada promedio está determinada por:

1 ∞ 2 1 ∞ |WT (f )|2
Z Z Z ∞
2
P = lı́m wT (t) dt = lı́m |WT (f )| df = lı́m dt
T →∞ T −∞ T →∞ T −∞ −∞ T →∞ T

Entonces, se define la PSD de una señal como:

|WT (f )|2
ρ(f ) = lı́m (1.14)
T →∞ T

Ejemplo 1.3
Encuentre la potencia promedio normalizada de la señal w(t) = A cos(ω0 t) usando el promedio
temporal y en base a las series de Fourier.
T
2 R 0 2
Sol. Usando la Ecuación (1.12), se tiene P = AT0 2T0 cos2 (ω0 t) dt = A2 . Por otra parte, al
− 2
usar la Ecuación (1.13), se obtiene por la Ecuación (1.8) que c1 = c−1 = A2 y cn = 0, ∀ n =
2 R∞ 2
0, ±2, ±3, . . . , luego ρ(f ) = A4 [δ(f + f0 ) + δ(f − f0 )], entonces P = −∞ ρ(f ) = A2 . 

1.4. Autocorrelación
La autocorrelación relaciona cuanto se parece una señal a una versión retardada de la misma.
La autocorrelación R (τ ) se define por
Z ∞
R (τ ) = w(t)w(t + τ ) dt, para − ∞ < τ < ∞ (1.15)
−∞

La función de autocorrelación no es una función del tiempo, sino que de la diferencia temporal
que existe entre la señal y su versión retardada. Esto implica que τ puede ser considerado como
un parámetro de búsqueda o escaneo.
Las propiedades de la función de autocorrelación de una señal real son:

1. Es simétrica con respecto al origen: R (τ ) = R (−τ ).

2. El máximo ocurre en el origen: R (τ ) ≤ R (0) , ∀τ .

3. La densidad espectral de energı́a/potencia corresponde a la transformada de Fourier de la

la autocorrelación: ρ(f ) = F [R (τ )].
R∞
4. El valor en el origen corresponde a la energı́a/potencia de la señal: R (0) = −∞ w 2 (t) dt.

6
CAPÍTULO 1. INTRODUCCIÓN

Ejemplo 1.4
Determine la PSD, la potencia media y el valor RMS de la señal w(t) = A sin(ω0 t).
A2
Sol. La función de autocorrelación estará determinada por R (τ ) =<
h w(t)w(t+τ
i ) >= 2
cos(ω0 t),
A2 A2
entonces su PSD estará determinada por ρ(f ) = F [R (τ )] = F 2
cos(ω0 t) = 4 [δ(f + f0 ) +
A2
√
δ(f − f0 )]. La potencia media será P = R (0) = 2
y el valor RMS wRM S = P = √A2 . 

1.5. Probabilidades
Se llama Evento a un resultado en particular de un experimento, Espacio Muestral Ω a
la colección de todos los resultados de eventos posibles.
La probabilidad de que ocurra un evento A denotada por P (A), está definida como
nA
P (A) = lı́m
n→∞ n

en donde nA es al número de veces que A aparece en los n intentos en que se realizó el ex-
perimento. Ası́, P será una probabilidad si es una función de eventos y satisface las siguientes
condiciones:
1. P (A) ≥ 0 para cualquier evento A.
2. P (Ω) = 1.
Pn
3. Si A1 , A2 , . . . , An son eventos disjuntos, entonces P (A1 A2 · · · An ) = i=1 P (Ai )
4. P (A) < 1 para cualquier evento A.
El concepto de Probabilidad Condicional, busca cuantificar la probabilidad de que ocurra
un evento A, dado que ya ocurrió un evento B. Se denota por P (A/B) y está definida por:
P (A ∩ B)
P (A/B) = (1.16)
P (B)
en donde p(B) 6= 0.
Por otro lado, el Teorema de Bayes dice que:
P (AB) = P (A ∩ B) = P (B/A)P (A) = P (A/B)P (B) (1.17)
Luego, la probabilidad condicional estará dada por
P (B/A)P (A)
P (A/B) =
P (B)
Se dice que dos eventos A y B son independientes si y solo si
P (A/B) = P (A) ∧ P (B/A) = P (B)

7
CAPÍTULO 1. INTRODUCCIÓN

Ejemplo 1.5
Considere el canal de comunicación digital de 1 bit. Determine la probabilidad del evento error,
considerando que el transmisor tiene la misma probabilidad de enviar un cero o un uno.
Sol. Los resultados posibles son: recibir un cero cuando se envio un cero o cuando se en-
vió un uno, o recibir un uno cuando se envió un cero o un uno, lo que podrı́a ser resumido
en Ω = {(0t, 0r), (0t, 1r), (1t, 0r), (1t1r)}. Ası́ el evento error estará determinado por el sub-
conjunto E = {(0t, 1r), (1t, 0r)}. Asumiendo que la probabilidad de recibir un error puntu-
al es p, entonces P (0r/1t) = p y P (1r/0t) = p, luego se tiene por Teorema de Bayes que
P (0t, 1r) = P (0r/1t)P (0t) = 0,5p y de igual forma P (1t, 0r) = 0,5p. Ahora bien, la probabilidad
del evento error será P (E) = P [(0t, 1r) ∪ (1t, 0r)] = P (0t, 1r) + P (1t, 0r) = 0,5p + 0,5p = p. 

1.5.1. Variables Aleatorias

Una variable aleatorioa X(A) corresponde a una relación funcional entre un evento aleatorio
A y un número real. En general por notación simplemente se utiliza solo X como designación
para la variable aleatoria, dejando la relación con el evento A de forma implı́cita.
La Función de Distribución de Probabilidad denotada por FX (x) de la variable aleato-
ria X está determinada por:
FX (x) = P (X ≤ x) (1.18)
en dónde P (X ≤ x) es la probabilidad de que el valor de la variable aleatoria sea menor o igual
que el número real x. La función de distribución tiene las siguientes propiedades:

1. 0 ≤ FX (x) ≤ 1.

2. FX (x1 ) ≤ FX (x2 ), si x1 ≤ x2 .

3. FX (−∞) = 0.

4. FX (+∞) = 1.

La Función de Densidad de Probabilidad (PDF) denotada por fX (x) está definida por:

dFX (x)
fX (x) = (1.19)
dx
y recibe su nombre en base a que la probabilidad del evento x1 ≤ X ≤ x2 es:

P (x1 ≤ X ≤ x2 ) = P (X ≤ x2 ) − P (X ≤ x1 )
= FX (x2 ) − FX (x1 )
Z x2
= fX (x) dx
x1

La PDF tiene las siguientes propiedades:

1. Es siempre una función no negativa: fX (x) ≥ 0.

8
CAPÍTULO 1. INTRODUCCIÓN

R∞
2. Tiene un área total unitaria: −∞
fX (x) dx = FX (+∞) − FX (−∞) = 1
Se define el Valor Esperado de una variable aleatoria X como
Z ∞
E {X} = x pX (x) dx (1.20)
−∞

y a la vez corresponde a la media mX o primer momento. El operador E {.} es lineal, vale decir:
E {αf1 (x) + βf2 (x)} = αE {f1 (x)} + βE {f2 (x)}
en donde α y β con constantes reales.
Se define también el n-ésimo momento de la variable aleatoria mediante:
Z ∞
n
E {X } = xn pX (x) dx (1.21)
−∞

en donde se puede notar que la media corresponde al primer momento (n = 1) y la media

cuadrática será el segundo momento. Además se pueden definir los Momentos Centrales que
corresponden a los momentos de la diferencia entre X y su media mX . Ası́, la Varianza de X
corresponde al segundo momento central y está definida por:
Z ∞
2
(x − mX )2 pX (x) dx

var {X} = E (X − mX ) = (1.22)
−∞
2
la que también se denota por σX y su raiz cuadrada σX corresponde a la llamada desviación
estándar de X.
La relación que existe entre la varianza y el valor medio cuadrático está dada por:
2
= E (X − mX )2 = E X 2 − 2mX X + m2X = E X 2 − E {X}2
  
σX (1.23)
Es importante mencionar que para variables aleatorias independientes, el valor esperado
será dado por el producto de los valores esperados individuales, E {XY } = E {X} E {Y }.

1.5.2. Procesos Aleatorios

Un proceso aleatorio puede ser visto como una función de dos variables: un evento A y el
tiempo. Por lo que para cada instante de tiempo se tienen diferentes funciones, ası́ para un
instante tk , la función X(A, t) es una variable aleatoria X(tk ). Por notación, simplemente se
hablará de procesos aleatorios marcando la dependencia del tiempo, vale decir X(A, t) ≡ X(t)
dejando la dependencia funcional al evento A de forma implı́cita.
Dada la incertidumbre envuelta en los procesos aleatorios, solo se puede dar una descripción
parcial de ellos en los que se utilizan la media y la función de autocorrelación. La media de
un proceso aleatorio está definido por la Ecuación (1.20) en donde se tiene que considerar
que se evalúa en el instante tk , vale decir se calcula mX (tk ). Eso a la vez quiere decir que la
variable aleatoria X corresponde a la observación del proceso aleatorio en el instante tk . La
autocorrelación de un proceso aleatorio X(t) se define como
R (t1 , t2 ) = E {X(t1 )X(t2 )} (1.24)
en donde X(t1 ) y X(t2 ) corresponden a la observación del proceso aleatorio en los instante t1 y
t2 respectivamente.

9
CAPÍTULO 1. INTRODUCCIÓN

Estacionalidad
Un proceso aleatorio X(t) es llamado Estacionario en el Sentido Estricto si ninguna de sus es-
tadı́sticas dependen de ninguna forma del tiempo. Un proceso aleatorio es llamado Estacionario
en Sentido Amplio (wide-sense stationary, WSS) si dos de su media y su función de autocor-
relación no varı́a ni depende del tiempo. Ası́ un proceso es WSS si:

E {X(t)} = mX y, RX (t1 , t2 ) = RX (t1 − t2 ) ,

luego, dado que la autocorrelación no depende del tiempo, cualquier par de valores de X(t) que
estén separados en el tiempo por τ = t1 − t2 tienen el mismo valor de correlación. Ası́, para
sistemas estacionarios, R (t1 , t2 ) ≡ R (τ ).
Resulta evidente que si un proceso es estrictamente estacionario, también lo es en sentido
amplio, pero no viceversa.

Ejemplo 1.6
Sea el siguiente proceso aleatorio X(t) = A cos(ω0 t + θ), con A y ω0 constantes y θ ∼ U[0, 2π].
Determinar si es estacionario o WSS.
Sol. Considerando que la distribución es uniforme para la variable θ, entonces la probabil-
idad de ésta será RP (θ) = 1/(2π), ∀ θ ∈ [0, 2π]. Luego, su primer momento estará dado
∞
por E {X(ti )} = −∞ A cos(ω0 ti + θ)P (θ) dθ = 0; para el segundo momento se tiene que
∞
E {X 2 (ti )} = −∞ A2 cos2 (ω0 ti +θ)P (θ) dθ = A2 /2, el tercero E {X 3 (ti )} = 0. Haciendo esto para
R

todos los momentos, se puede concluir R ∞que

R ∞el n-ésimo momento es independiente del tiempo.
Ahora, la autocorrelación R (t1 , t2 ) = −∞ −∞ A cos(ω0 t1 + θ1 )A cos(ω0 t2 + θ2 )P (θ) dθ1 dθ2 = 0,
por lo que se puede concluı́r que el proceso aleatorio es estacionario en sentido estricto. 

Se habla de procesos Ergódicos si todos los promedios en el tiempo de cualquier función

muestral son iguales al promedio de del valor esperado, por lo que todo proceso ergódico es
estacionario. Sin embargo para sistemas de comunicaciones, se considera necesario que cumpla
las condiciones de estacionalidad en sentido amplio, por lo que el análisis se centra en la media
y la función de autocorrelación. Ası́, se dice que un proceso es Ergódico en su Media si
T
1
Z
2
mX = lı́m X(t) dt (1.25)
T →∞ T − T2

y será Ergódico en su Función de Autocorrelación si

T
1
Z
2
R (τ ) = lı́m X(t)X(t + τ ) dt (1.26)
T →∞ T − T2

Dada la definición de un proceso ergódico las cantidades y parámetros eléctricos fundamen-

tales pueden ser relacionados con los momentos de un proceso aleatorio ergódico, las que se
resumen en:
1. La media mX = E {X(t)} es igual al valor DC de la señal.

10
CAPÍTULO 1. INTRODUCCIÓN

2. La cantidad m2X es igual a la potencia normalizada de la componente continua.

3. El segundo momento de X(t), E {X 2 (t)}, es igual a la potencia normalizada total.

p
4. La cantidad E {X 2 (t)} es igual al valor rms de la señal de corriente o voltaje.

5. La varianza es igual a la potencia normalizada promedio en la componente AC de la señal.

6. La desviación estándar es el valor RMS de la componente alterna de la señal.

Ejemplo 1.7
Considere un detector inalámbrico que se modela linealmente por la ecuación y(t) = ax(t) + b +
u(t) en donde a y b son constantes y x(t) es una variable aleatoria uniformemente distribuida
en el rango [xmı́n , xmáx ]. Considerando que u(t) es un ruido gaussiano con media nula y varianza
conocida, se pide encontrar las constantes a y b.
Sol. Considerando que todos los procesos aleatorios son estacionarios, la media estará deter-
minada por ȳ = E {ax(t) + b + u(t)} = ax̄ + b. p Por otra parte, la varianza está dada por
2 2 2 2
σY = a σX + σu , por lo que la ganancia será a = σY2 − σu2 /σX por lo que el offset se puede de-
spejar directamente y obtener b = ȳ − ax̄. Esto es válido pues las variables x̄ y σX son conocidas
desde la distribución uniforme. 

1.5.3. PSD de un Proceso Aleatorio

Anteriormente se dijo que un proceso aleatorio X(t) se clasificaba como una señal de poten-
cia, por lo que tendrá una PSD caracterı́stica ρX (f ) que está descrita por la Ecuación (1.14). La
PSD es particularmente importante en sistemas de comunicaciones pues describe la distribución
de una señal de potencia en el dominio de la frecuencia, permitiendo determinar como dicha
señal pasa através de una red de comunicaciones de respuesta en frecuencia conocida.
Cómo se discutió en forma previa, la PSD y la autocorrelación se relacionan mediante la
transformada de Fourier, por lo que la PSD de una secuancia aleatoria de digitos binarios
puede ser obtenida mediante la transformada de fourier de la función de autocorrelación. Debe
recordarse que el área bajo la curva de la PSD corresponde a la potencia promedio de la señal.
Por otra parte, resulta interesante mencionar que el ancho de banda de la señal digital
será inversamente proporcional al ancho del pulso en el tiempo.

11
Capı́tulo 2

Teorı́a de la Información

Los tópicos cubiertos en este capı́tulo introducen a la teorı́a de la información como

alternativa para entender conceptos básico y necesarios en las comunicaciones digitales.

2.1. Introducción
La Teorı́a de la Información busca contestar dos preguntas fundamentales en la teorı́a de las
comunicaciones: Cuál es la última compresión de datos (Respuesta: La entropı́a H) y Cuál es la
última tasa de transmisión de la comunicación (Respuesta: La capacidad del canal C). Por esta
misma razón, la teorı́a de la información se considera como una sub-materia de la teorı́a de las
comunicaciones, sin embargo resulta ser un área muchı́simo más grande pues tiene mucho que
aportar en otras áreas como Fı́sica Estadı́stica (Termodinámica), Ciencias de la Computación
(Complejidad de Kolmogorov), Inferencia Estadı́stica, Probabilidad y Estadı́stica entre otras
materias.

2.2. Concepto de Información

La información –de forma general– corresponde a un conocimiento especı́fico o dato de
interés, que agrupado con un conjunto de datos extras constituye un mensaje sobre un deter-
minado ente o fenómeno. En otras palabras, se puede decir que el concepto de mensaje, viene a
ser como una materialización de la información.
La información es transferida desde una fuente a un destinatario, sólo si este último no la
conocı́a previamente. Por ejemplo, considere el escenario en que un grupo de gente mira por
la ventana. Esto involucra que todos saben (tienen la información) que el dı́a está soleado.
Si alguien dice “El dı́a está soleado” no es información, pues no aporta ningún dato nuevo
a lo que todos conocen. Por otro lado si alguien dice “En la noche lloverá” para muchos si
será información pues no necesariamente todos sabrán dicho dato.
Pensando en señales de voltaje, una baterı́a de 1.5 volts no tiene mucha información que
aportar, pues una vez sabido su voltaje mediante un voltı́metro, este seguirá constante por
muchı́simo tiempo lo que no aporta ningún dato nuevo → La información está relacionada con
cambios.

12
CAPÍTULO 2. TEORÍA DE LA INFORMACIÓN

Por otro lado, una señal sinusoidal de voltaje varı́a en el tiempo, sin embargo una vez que
está se ha caracterizado midiendo su amplitud, frecuencia y fase, no existe ninguna información
nueva que ésta señal pueda aportar → La información está relacionada con cambios impredeci-
bles.

2.3. Medida de la Información

La cantidad de información sobre un evento se relaciona estrechamente con la probabilidad de
su ocurrencia. Los mensajes que contienen noticias de gran probabilidad de ocurrencia1 llevan
relativamente poca información. Por otro lado, aquellos mensajes que contienen noticias con
baja probabilidad de ocurrencia conducen grandes cantidades de información. Ası́ mismo, un
evento totalmente cierto (es decir con probabilidad unitaria) lleva cero información; en cambio
un evento improbable (probabilidad casi nula), su ocurrencia lleva una cantidad infinita de
información. Sobre esta base, la medida de información asociada a un evento A que ocurre con
una probabilidad PA se define como:
1
IA = log = − log PA (2.1)
PA
La Ecuación (2.1) se conoce como self-information y fue derivada por Claude E. Shannon
en 1948. Es importante tener en cuenta, que la definición está hecha con logaritmo en base 2,
por lo tanto la unidad de medida de IA es bits. Si se utiliza logaritmos naturales (base e), la
unidad será nat y para logaritmo en base 10, se dice que se mide en hartley.

Ejemplo 2.1
Considerando el experimento de lanzar una moneda, la probabilidad de tener “sello” es 0,5. Una
vez que esto haya sucedido, se tiene Isello = − log2 (0,5) = 1 bit de información. 

Ejemplo 2.2
Considerando el experimento de lanzar un dado, la probabilidad de que salga cualquier número
es 1/6. Suponiendo que salió un 4, la cantidad de información es: I4 = log2 (6) = 2,5850 bits de
información. 

Ejemplo 2.3
Los sı́mbolos A, B, C y D ocurren con probabilidades 1/2, 1/4, 1/8 y 1/8 respectivamente.
Calcule la información en el mensaje de tres sı́mbolos X = BDA suponiendo que estos son
estadı́sticamente independientes.
Sol. Como los eventos son estadı́sticamente independientes, la medida de información (por
ser logarı́tmica) resulta aditiva, luego: IX = − log2 (PX ) = − log2 (PB PD PA ) = − log2 (PB ) −
log2 (PD ) − log2 (PA ) = log2 4 + log2 8 + log2 2 = 2 + 3 + 1 = 6 bits de información. 
1
Es decir, que indican muy poca incertidumbre en el resultado.

13
CAPÍTULO 2. TEORÍA DE LA INFORMACIÓN

2.3.1. Entropı́a
Lo anteriormente discutido, define la medida de la información para el caso en que todos
los mensajes son igualmente probables, lo que resulta ser sólo un caso particular. A modo de
generalización se define una “información promedio” de cada mensaje, llamada Entropı́a, H.
La entropı́a corresponde a una medida de la incertidumbre de una variable aleatoria. Defı́nase
X como una variable aleatoria discreta con alfabeto Ω y función de probabilidad p(x) = P r(X =
x). Ası́, se define la Entropı́a H(X) de la variable aleatoria discreta X como:
X
H(X) = − p(x) log p(x) (2.2)
x∈Ω

en donde el logaritmo se utiliza en base 2 a menos que se especifique lo contrario, y se asume

por convención que 0 log 0 = 0, lo que se puede justificar por que la relación x log x → 0 cuando
x → 0.
La entropı́a de X también puede ser interpretada como el valor esperado de − log p(X) lo
que equivale a la esperanza de la self-information del mensaje, luego
 
1
H(X) = E {IX } = E log
p(X)

que está relacionada con la definición de entropia en termodinámica.

Ejemplo 2.4
Considere la variable aleatoria X ∈ {0, 1}. Calcule la entropı́a de X, considerando que la fuente
de información es sin-memoria.
Sol. Considerando que la probabilidad de que X = 1 es p, la probabilidad de que X = 0
será 1 − p. Entonces su entropı́a será H(X) = −p log p − (1 − p) log(1 − p) , H(p). Esta función
es conocida como la Función de Entropı́a Binaria. 

En particular H(p) = 1 bit cuando p = 0,5. Si la función H(p) se grafica con respecto a
p se puede notar una de las propiedades básicas de la entropı́a: es una función cóncava de la
distribución y nula para p = 0 ó 1. Además el máximo ocurre cuando p = 0,5 lo que es claro
pues corresponde al punto de máxima incertidumbre.

Ejemplo 2.5
Una fuente de información discreta sin memoria tiene un alfabeto de tamaño N y las salidas
son equiprobables. Encuentre la entropia de esta fuente.
Sol. Como los eventos son equiprobables, todos tienen una probabilidad de N1 , luego H(x) =
− N 1 1
i=1 N log N = log N. 
P

14
CAPÍTULO 2. TEORÍA DE LA INFORMACIÓN

2.3.2. Entropı́a Conjunta y Condicional

Cuando se trabaja con 2 o más variables aleatorias, se introduce el concepto de entropia
condicional y conjunta de la misma forma en que se habla de probabilidades conjuntas y condi-
cionales. Este concepto es principalmente importante cuando se trabaja con fuentes con memo-
ria.
Ası́, se define la Entropia Conjunta de dos variables aleatorias discretas (X, Y ) como:
X
H(X, Y ) = − p(x, y) log p(x, y) (2.3)
x,y

lo que también puede expresarse mediante H(X, Y ) = E {log p(X, Y )}.

Para el caso de n variables aleatorias X = (X1 , X2 , . . . , Xn ), se tiene:
X
H(X) = − p(x1 , x2 , . . . , xn ) log p(x1 , x2 , . . . , xn )
x1 ,x2 ,...,xn

por lo que se puede decir que la entropia conjunta es simplemente la entropia de una variable
aleatoria vectorial.

Ejemplo 2.6
Dos variables aleatorias binarias X e Y están distribuı́das de acuerdo a una PMF conjunta dada
por P (X = 0, Y = 0) = 41 , P (X = 0, Y = 1) = 14 y P (X = 1, Y = 1) = 12 . Determine los valores
de H(X), H(Y ) y H(X, Y ).
Sol. Dada la distribución, se tiene que P (X = 1, Y = 0) = 0. Ası́ P (X = 0) = P (X = 0, Y =
0) + P (X = 0, Y = 1) = 21 , entonces se tiene que P (X = 1) = 21 , luego H(X) = − log 12 = 1.
Por otra parte, P (Y = 0) = 41 , lo que implica que P (Y = 1) = 43 , luego H(Y ) = 0,8113. Ahora
bien, H(X, Y ) = − 41 log 41 − 21 log 21 − 14 log 41 = 32 . 

La Entropia Condicional de la variable aleatoria X, dada la variable aleatoria Y , expre-

sada como H(X|Y ) puede ser definida como
X
H(X|Y ) = − p(x, y) log p(x|y) (2.4)
x,y

En general, se tiene que

X
H(Xn |X1 , X2 , . . . , Xn−1 ) = − p(x1 , x2 , . . . , xn ) log p(xn |x1 , x2 , . . . , xn−1 )
x1 ,x2 ,...,xn

El Teorema de la Regla de la Cadena, permite comprobar que

H(X, Y ) = H(X) + H(Y |X) (2.5)

lo que a su vez, como corolario, dice que esto se cumple en forma inversa, vale decir

H(X, Y ) = H(Y ) + H(X|Y )

15
CAPÍTULO 2. TEORÍA DE LA INFORMACIÓN

.
Para comprobar esto, se puede considerar la definición de probabilidad condicional
p(X, Y ) = p(X)p(Y |X)
log p(X, Y ) = log[p(X)p(Y |X)]
= log p(X) + log p(Y |X)
ahora, tomando la esperanza en ambos lados de la ecuación, se obtiene el resultado esperado.

Ejemplo 2.7
Para el Ejemplo 2.6, calcule H(X|Y ) y H(Y |X).
Sol. Se tiene que H(Y |X) = H(X, Y ) − H(X) = 21 , y H(X|Y ) = 1,5 − 0,8113 = 0,6887. 

2.3.3. Información Mutua

Para variables aleatorias discretas, H(X|Y ) denota la entropı́a (o incertidumbre) de la vari-
able aleatoria X, luego de que la variable aleatoria Y es conocida. Ası́, dado que la entropı́a de
la variable X es H(X), la cantidad H(X) − H(X|Y ) representa la cantidad de incertidumbre
que ha sido removida al revelar la variable aleatoria Y . Esta cantidad juega un rol importante
tanto en la codificaciones de canales como de fuentes y es llamada Información Mutua entre
las 2 variables aleatorias.
Entonces, la información mutua entre dos variables aleatorias discretas X e Y , es denotada
por I(X; Y ) y está definida por
I(X; Y ) = H(X) − H(X|Y ) (2.6)
por simetrı́a, también se tiene que I(X; Y ) = H(Y ) − H(Y |X). Ası́ se puede considerar que X
dice tanto de Y como Y lo dice de X.
Considerando ahora que H(X, Y ) = H(X) + H(Y |X), entonces la información mutua tam-
bién puede ser calculada por:
I(X; Y ) = H(X) + H(Y ) − H(X, Y ) (2.7)
Finalmente, se puede notar que
I(X; X) = H(X) − H(X|X) = H(X)
Resulta interesante mantener en mente, que al considerar un sistema con entrada X y sal-
ida Y , las probabilidades condicionales p(Y |X) y p(X|Y ) son conocidas como Probabilidad de
Transición y Probabilidad de Unión, respectivamente. A su vez, la entropı́a de entrada H(X)
corresponde a la incertidumbre promedio de la fuente de información y la entropı́a de la sali-
da H(Y ) corresponde ala incertidumbre promedio de la recepción de un sı́mbolo. Para el caso
de las entropı́as condicionales, se tiene que H(Y |X) corresponde a la incertidumbre promedio
respecto de que el sı́mbolo que se recibe, dado que se ha transmitido X. La entropı́a H(X|Y )
serı́a la Entropı́a de Equivocación, que corresponde a la incertidumbre promedio de qué sı́mbolo
será transmitido después de haber recibido un sı́mbolo X. La entropı́a conjunta H(X, Y ) es la
incertidumbre promedio del sistema de comunicaciones como un todo.

16
CAPÍTULO 2. TEORÍA DE LA INFORMACIÓN

2.4. Representación de Canales

En esta sección, se estudiará el canal de comunicación que es uno de las partes más impor-
tantes de las comunicaciones pues resulta ser el factor limitante a la hora de lograr una buena
tasa de transmisión.
Como se dijo anteriormente, un canal de comunicación corresponde a cualquier medio sobre
el cual puede ser transmitida información, o en el que información puede ser almacenada. Ası́,
ejemplos de canales de comunicaciones serı́an: cables coaxiales, propagación por la ionósfera,
espacio libre, fibra óptica, discos magnéticos u ópticos, etc. Lo que resulta común en estos
ejemplos, es que ellos reciben señales en sus entradas y entregan señales en sus salidas en un
tiempo posterior (almacenamiento) o en otra ubicación (transmisión). Por lo mismo, los canales
de comunicación son modelados mediante la relación entrada-salida que tengan; en este sentido,
un canal de comunicación puede ser considerado como un sistema.
Existen variados factores que producen que la salida de un canal de comunicación sea difer-
ente a su entrada, tales como atenuación, nolinealidades, limitaciones de ancho de banda, ruido,
etc. Todo esto contribuye a una relación entrada-salida bastante compleja, que generalmente
tiene que ser considerada como una relación estocástica.
Considere un canal sin memoria, lo que implica que la salida depende de la entrada en ese
momento y no de las previas a él. Este tipo de canales, están definidos por un conjunto de
probabilidades condicionadas que relacionan la probabilidad de cada estado a la salida, con la
probabilidad de la entrada. Suponga un canal con dos entradas x1 y x2 , y con tres salidas y1 ,
y2 e y3 , como lo muestra la Fig 2.1.

Fig. 2.1: Canal de comunicaciones de 2 entradas y 3 salidas modelado como un sistema.

Las rutas entrada-salida se indican como una probabilidad condicional Pij = P (yj |xi ), rep-
resentando la probabilidad de obtener a la salida yj , dado que a la entrada xi . Esta probabilidad
recibe el nombre de Probabilidad de Transición del Canal.

Fig. 2.2: Rutas entrada-salida para el canal de comunicaciones de 2 entradas y 3 salidas.

A menudo, se prefiere especificar al canal por su Matriz de Probabilidades de Tran-

sición, denotada por P(Y|X) = [P (yj |xi )], que para el caso particular que se está evaluando

17
CAPÍTULO 2. TEORÍA DE LA INFORMACIÓN

estará dada por:  

P (y1|x1 ) P (y2|x1 ) P (y3|x1 )
P(Y|X) =
P (y1|x2 ) P (y2|x2 ) P (y3|x2 )
Por otra parte, cada una de las entradas debe siempre conducir a una salida, por lo que la
suma de cada fila de la matriz debe ser igual a 1.

P (y1|x1 ) + P (y2|x1 ) + P (y3|x1 ) = P (y1|x2 ) + P (y2|x2 ) + P (y3|x2 ) = 1

La Matriz del canal es útil para encontrar probabilidades de salida de acuerdo a las probabil-
idades de entrada. Considere la matriz fila de n entradas dada por P(X) = [P (x1 ) · · · P (xn )].
Para una matriz de transición dada por P(Y|X), la matriz de m salidas estará dada por

P(Y) = P(X) P(Y|X)

Resulta interesante mencionar que si la matriz P(X) es escrita en forma diagonal, el producto
dado por diag(P(X))P(Y|X) define la Matriz de Unión de Probabilidades y es denotada
por P(X, Y). En palabras simples, el término P (xi , yj ) representa la probabilidad de unión de
transmitir xi y recibir yj . Matemáticamente la matriz de unión está dada por:
  
P (x1 ) 0 ··· 0 P (y1|x1 ) P (y2|x1 ) · · · P (ym|x1 )
 0 P (x2 ) · · · 0    P (y1|x2 ) P (y2|x2 ) · · · P (ym|x2 ) 
 
P(X, Y) =  .. .. .. .. .. ..

.. ..
. .
  
 . . .  . . . 
0 0 0 P (xn ) P (y1|xn ) P (y2 |xn ) · · · P (ym|xn )

Ejemplo 2.8
Considere un canal binario de dos entradas y dos salidas, en donde la fuente es equiprobable y
la matriz de transición está uniformemente distribuı́da al transmitir sin error. Se pide encontrar
la matriz de transición, la matriz de salida, la matriz de unión y la probabilidad de error.
Sol. Dada la equiprobabilidad de la fuente, la matriz de entrada está dada por P(X) = [0,5 0,5].
Considerando que
  P (1|0) = P (0|1) = ǫ, la matriz de unión estará dada por P(Y|X) =
1−ǫ ǫ
. Ası́, la matriz de salida será P(Y) = [0,5 0,5]. La matriz de unión será P(X, Y) =
 ǫ 1−ǫ
0,5 0
P(Y|X) = 0,5 P(Y|X). La probabilidad de transmisión con error estará dada por
0 0,5
P (E) = P (0r, 1t) + P (1r, 0t) = P (1)P (0|1) + P (0)P (1|0) = 0,5ǫ + 0,5ǫ = ǫ. 

2.5. Capacidad del Canal

Ya se ha discutido que H(X) define el lı́mite fundamental de la tasa a la que una fuente
discreta puede ser codificada sin errores en su reconstrucción, y también se comentó en un

18
CAPÍTULO 2. TEORÍA DE LA INFORMACIÓN

principio de que el canal posee su propio lı́mite fundamental para la transmisión de información
a través de él.
Evidentemente, el objetivo principal cuando se transmite información sobre cualquier canal
de comunicación es la confianza, la que puede ser medida por la probabilidad de una recepción
correcta en el receptor. Un resultado muy importante de la teorı́a de la información, es que
las comunicaciones confiables2 son posibles sobre canales ruidosos, mientras la tasa de trans-
misión sea menor que cierto valor, llamado Capacidad del Canal. Este importante resultado,
fué dado a conocer inicialmente por Shannon (1948) y es conocido como el Noisy Channel Cod-
ing Theorem. Éste teorema enuncia que la limitación básica que el ruido provoca en un canal
de comunicación no es en la confiabilidad de la comunicación, sino en la velocidad de dicha
comunicación.
Definimos anteriormente a un canal discreto como un sistema con alfabeto de entrada
X, alfabeto de salida Y , y matriz de probabilidades de transición P(Y|X), que expresa la
probabilidad de observar un sı́mbolo y a la salida, dado que enviamos un sı́mbolo x. Un canal se
dice sin-memoria si la distribución de probabilidades de la salida depende solo de la entrada
en ese tiempo y es condicionalmene independiente de las entradas o salidas anteriores.
Ası́, se define la Capacidad del Canal de información de un canal discreto y sin memoria
mediante la relación:
C = máx I(X; Y ) (2.8)
p(x)

en donde el máximo es tomado sobre todas las posibles distribuciones de la entrada p(x). Se
debe entender por esta definición que corresponde al máximo valor de la información mutua,
que es la información promedio máxima por sı́mbolo que puede ser transmitido a través del
canal.
La maximización es con respecto a las probabilidades de la fuente, puesto que las probabili-
dades de transición son fijadas por el canal. Sin embargo, la capacidad de canal es una función
solamente delas probabilidades de transición del canal, puesto que el proceso de la maximización
elimina la dependencia de sobre las probabilidades de la fuente.

Ejemplo 2.9
Encuentre la Capacidad del Canal para un canal discreto, sin memoria y sin ruido.
Sol. Para un canal sin memoria y sin ruido, las probabilidades de error son nulas, lo que equivale
a decir que la conexión es uno-a-uno entre las entradas y salidas. Luego p(xi |yj ) = 0 ∀i 6= j y por
lo mismo p(xi |yj ) = 1 ∀i = j. Considerando que H(X|Y ) = − N
P PN
i=1 j=1 p(xi , yj ) log p(xi |yj ),
se tiene que H(X|Y ) = 0. Ası́, la información mutua será I(X; Y ) = H(X) − H(X|Y ) = H(X).
Para maximizar la entropı́a de la fuente, anteriormente se dijo que todos Plos sı́mbolos de la fuente
N
debı́an ser equiprobables, entonces C = Imáx (X; Y ) = Hmáx (X) = − i=1 N1 log N1 = log N, en
donde N es el número de sı́mbolos de la fuente. 

2
Se entiende por comunicación confiable como aquella en que la transmisión se logra con una probabilidad
de error inferior a un valor pre-establecido.

19
CAPÍTULO 2. TEORÍA DE LA INFORMACIÓN

Ejemplo 2.10
Encuentre la capacidad del canal para un canal binario simétrico, en donde la probabilidad de
recepción erronea es p y la probabilidad de que se envie un cero es α.
Sol. Para calcular la capacidad del canal, se maximiza
P P I(X; Y ) = H(Y ) − H(Y |X). La entropı́a
condicional está determinada por H(Y |X) = − i j p(xi , yj ) log p(yj |xi ) = −α(1 − p) log(1 −
p) − (1 − α)p log p − αp log p − (1 − α)(1 − p) log(1 − p) = H(p), considerando la definición de
H(p) dada en el Ejemplo 2.4. Ası́ I(X; Y ) = H(Y ) − H(p). Entonces, la información mutua
será máxima cuándo la entropı́a de Y sea máxima, caso que se dá para una distribución uniforme
de los sı́mbolos. En pocas palabras, H(Y ) ≤ 1, por lo que I(X; Y ) ≤ 1−H(p), y C = 1−H(p). 

Considerando este último ejemplo, los resultados obtenidos implican que si p = 0 ó p = 1

la salida del canal está completamente determinado por la entrada del canal, y la capacidad
será de 1 bit por sı́mbolo. Por otro lado, si p = 0,5, un sı́mbolo en la entrada nos lleva a cualquier
salida con igual probabilidad y la capacidad del canal es nula. Además, la probabilidad del error
estará determinada por
X X
PE = p(xi , e) = p(xi )p(e|xi ) = [p(x1 ) + p(x2 )]p = p
i i

lo que establece que la probabilidad de error no condicional PE , es igual a la probabilidad de

error condicional p(yj |xi ), ∀i 6= j.

2.6. Algoritmos de Códificación

La entropı́a de una fuente de información, da una cota acerca de la tasa a la cuál la fuente
puede ser comprimida para una reconstrucción exitosa. Esto significa que a tasas superiores a
la entropı́a es posible diseñat un código con una probabilidad de error tan pequeña como se
quiera, por otro lado, a tasas inferiores a la entropı́a, dicho código no existe.
Esto se justifica en el Teorema de Códificación de la Fuente, propuesto por Shannon en 1948
y que dice:

Teorema de Codificación de la Fuente. Una fuente de información con entropı́a (o tasa de

entropı́a) H, puede ser codificada con una probabilidad de error arbitrariamente pequeña
a cualquier tasa R [bits/simbolo], siempre que R > H. Consecuentemente, si R < H,
el error será muy lejano a cero, independiente de la complejidad utilizada en la codifi-
cación/decodificación.

A pesar de la importancia de este resultado, éste no da ningún algoritmo para diseñar códigos
que se aproximen a esta condición; por esta razón se estudiará el Código Huffman.

2.6.1. Código Huffman

A modo introductorio, considere una fuente de 5 sı́mbolos {a1 , a2 , a3 , a4 , a5 } con probabili-
dades { 21 , 14 , 81 , 16
1 1
, 16 } respectivamente. Considerando los códigos dados en la Tabla 2.1, se tiene:

20
CAPÍTULO 2. TEORÍA DE LA INFORMACIÓN

Sı́mbolo Probabilidad Código 1 Código 2 Código 3 Código 4

a1 0.5 00 10 1 0
a2 0.25 01 100 01 10
a3 0.125 10 1000 001 110
a4 0.0625 11 10000 0001 1110
a5 0.0625 110 100000 00001 1111

Tabla 2.1: Posibles códigos para fuente de 5 sı́mbolos

Código 1. El código no resulta ser de decodificación única, lo que implica que una secuencia
de dı́gitos binarios puede tener 2 o más interpretaciones, lo que evidentemente es algo no
deseable. Por ejemplo, al recibir la secuencia 110110 puede ser interpretado como a5 a5 ,
ó como a4 a2 a3 . Esto se debe a que el código no cumple la condición del prefijo 3.

Código 2. Este código no presenta el problema de confundir entre una palabra y otra, pues
cada uno está delimitado por un 1, por lo que se dice que el código es autosincronizado. A
su vez, dicho lı́mite presenta el problema de que se debe esperar la aparición del próximo
1 para saber el final de la palabra previa; en otras palabras se dice que el código no es
instantáneo.

Código 3. Al igual que para el código anterior, este resulta ser autosincronizado. Además, y
como gran diferencia, el presente código si es instantaneo, pues con la aparición de un
uno, se sabe que se ha puesto fin a la palabra actual.

Código 4. El código 4 es igualmente autosincronizado y de decodificación única, pero además

tiene como ventaja que posee un largo medio de palabra menor al código 3. En efecto, para
el código 3 E {L3 } = 0,5 · 1 + 0,25 · 2 + 0,125 · 3 + 0,0625 · 4 + 0,0625 · 5 = 1,9375 bits/palabra
y para el código 4, E {L4 } = 0,5 · 1 + 0,25 · 2 + 0,125 · 3 + 0,0625 · 4 + 0,0625 · 4 = 1,8750.

Evidentemente el código 4 es el código más deseable de todos los expuestos dado lo óptimo
que resulta ser en su decodificación única, ser instantáneo y además de menor largo medio de
palabra. Éste código es un ejemplo de código Huffman.
Se define el largo medio de un código mediante:
X
R̄ = p(x)l(x) , (2.9)
x

en donde l(x) es el largo del código de palabra asignado a la salida x. Se puede demostrar que
R̄ satisface la relación:
H(X) ≤ R̄ < H(X) + 1 ,
por lo que la eficiencia del código Huffman está dado por:

H(X)
η =
R̄
3
Ninguna palabra del código debe ser el comienzo de otra.

21
CAPÍTULO 2. TEORÍA DE LA INFORMACIÓN

Algoritmo del Código Huffman

El algoritm se puede describir mediante los siguientes pasos:

1. Ordenar las salidas de la fuente en orden de probabilidades decrecientes

2. Agrupar los menos probables y generar una nueva salida cuya probabilidad es la suma de
las probabilidades correspondientes a las salidas agrupadas

3. Si quedan 2 salidas disponibles, ir al paso 4; sino, volver al paso 1.

4. Asignar 0 y 1 como códigos de palabra a las 2 salidas. Por acuerdo, se asignará un 0 a la

salida más probable de las 2 disponibles.

5. Recorrer el arbol en forma inversa, asignando 0 o 1 a cada rama. Repetir hasta llegar a
las salidas originales.

Para clarificar el algoritmo, se plantean lo siguientes ejemplos.

Ejemplo 2.11
Encuentre el código Huffman para la fuente descrita en la Tabla 2.1. Calcule además el largo
promedio, y la eficiencia del código encontrado.
Sol. Las probabilidades se mantienen en orden, pues fueron asignadas en forma decreciente,
luego:

a1 ( 12 ) → a1 ( 21 ) → a1 ( 12 ) → a1 ( 12 ) 0 0
a2 ( 14 ) → a2 ( 41 ) → a2 ( 14 ) 0⌉ a2345 ( 21 ) 1 10
a3 ( 18 ) → a3 ( 81 ) 0⌉ a345 ( 14 ) 1⌋ 110
1
a4 ( 16 ) 0⌉ a45 ( 81 ) 1⌋ 1110
1
a5 ( 16 ) 1⌋ 1111

que corresponde al código originalmente dado. El largo medio será R̄ = 0,5 · 1 + 0,25 · 2 +
0,125 · 3 + 0,0625 · 4 + 0,0625 · 4 = 1,8750. La entropı́a de la fuente está dada por H(X) =
−0,5 log 0,5 − 0,25 log 0,25 − 0,125 log 0,125 − 0,0625 log 0,0625 − 0,0625 log 0,0625 = 2,0488,
ası́ la eficiencia será η = 91,52 %. 

22
Capı́tulo 3

Técnicas de Transmisión Digital

Los tópicos cubiertos ...

3.1. Introducción
Ya se han mencionado las ventajas de que la transmisión de información en forma digital
es mejor que hacerlo de forma análoga. Por lo mismo, resulta de vital importancia conocer el
procedimiento de transformar una señal análoga en digital1 .
Para realizar dicha tarea, existen tres operaciones: La señal análoga debe ser muestreada,
obteniendo una señal de tiempo discreto y amplitud continua. Luego los valores muestreados
que pueden tomar infinitos valores en amplitud, son cuantificados, lo que significa que son
redondeados a un número finito de posibles valores. La tercera etapa en el proceso de conversión
análogo-digital es la codificación, en donde una secuencia de bits es asignada para los diferentes
valores posibles de la salida del cuantificador. Dado que el número de salidas es finito, cada
muestra puede ser representada por un númro finito de bits; por ejemplo 256 = 28 valores
posibles podrán ser representados por 8 bits.

3.2. Muestreo de una Señal

Conforma a la experiencia, se puede decir que el muestrear una señal, corresponde a multi-
plicarla por un tren de impulsos discretos con periodo Ts (o frecuencia de muestreo f s = T1s ).
Ası́, considerando la función δ(t) definida en la Sección 1.2.5, la señal x(t) muestreada cada Ts
unidades de tiempo, estará dada por
∞
X
xδ (t) = x(t)δ(t − nTs ) (3.1)
n=−∞

Considerando que x(t) no depende de n y puede salir de la sumatoria, aplicamos la trans-

1
Vale decir una seguidilla de bits

23
CAPÍTULO 3. TÉCNICAS DE TRANSMISIÓN DIGITAL

formada de Fourier a ambos lados de la Ecuación (3.1):

" ∞ #
X
Xδ (f ) = X(f ) ∗ F δ(t − nTs )
n=−∞
∞
1 X
= X(f ) ∗ δ(f − nfs )
Ts n=−∞
∞
1 X
= X(f − nfs )
Ts n=−∞

en dónde ∗ representa la convolución en tiempo-discreto, y se utilizó la propiedad de la convolu-

ción de la señal impulso, que dice: X(f ) ∗ δ(f − nfs ) = X(f − nfs ).
Esto muestra que el espectro de la señal muestreada Xδ (f ) es una replica de la transformada
de Fourier de la señal original que se repite a una tasa de fs [Hz] y que se atenúa en un factor
de fs .
Por lo mismo, si se considera que la señal x(t) es de espectro acotado con ancho de banda
W , resulta evidente que si la frecuencia de muestreo es fs < 2W , los espectros se traslaparán y
la reconstrucción de la señal original será imposible. Esta distorción es conocida como aliasing,
sin embargo si se garantiza una frecuencia de muestreo superior al doble del ancho de banda,
este fenómeno no ocurre y la reconstrucción de la señal se puede realizar facilmente con el filtro
apropiado. Cuando se utiliza exactamente el doble del ancho de banda de la señal, se dice que
se trabaja con la Frecuencia de Muestreo de Nyquist.
En efecto, para recuperar la señal original, basta que el filtro tenga una respuesta dada por

Ts , | f |< W
H(f ) = (3.2)
0 , | f |≥ fs − W

Para el rango W ≤| f |< fs − W , el filtro puede tener cualquier caracterı́stica que permita
una facil implementación, siendo un filtro pasabajos ideal el método menos práctico en términos
de implementación.
Considere que el filtro tiene una respuesta en frecuencia dada por
 
f
LP F (f ) = Ts Π
2W ′

con W ′ como ancho de banda y que satisface la relación W ≤ W ′ < fs − W .

Ahora bien, la reconstrucción de la señal se logrará tomando la convolución entre la señal
discreta y dicho filtro, o en otras palabras
 
f
X(f ) = Xδ (f )Ts Π .
2W ′

Tomando la transformada de Fourier inversa, se tiene:

24
CAPÍTULO 3. TÉCNICAS DE TRANSMISIÓN DIGITAL

x(t) = xδ (t) ∗ 2W ′ Ts sinc(2W ′ t)

∞
!
X
= x(t)δ(t − nTs ) ∗ 2W ′ Ts sinc(2W ′ t)
n=−∞
∞
X
= 2W ′Ts x(t) sinc(2W ′ (t − nTs )) (3.3)
n=−∞

La relación dada por la Ecuación (3.3), demuestra de que la reconstrucción de la señal puede
ser perfectamente hecha al utilizar la función sinc() para la interpolación.
En sistemas prácticos, el muestreo siempre se realiza a frecuencias superiores a la tasa de
Nyquist, lo que a su vez implica un diseño de filtro mucho más relajado. En dichos casos la
distancia entre dos espectros replicados, que está dada por (fs − W ) − W = fs − 2W es conocida
como banda de guarda. Por lo tanto, en sistemas con banda de guarda, la frecuencia de
muestreo está dada por fs = 2W + WG , en dónde W es el ancho de banda de la señal de banda
limitada.

3.3. Cuantización
Después del proceso de muestreo, se tiene una señal de tiempo discreto, sin embargo las
amplitudes de dichas señales aún son continuas. Dado que la transmisión de números reales en
número de base 2 tienen largo infinito, la transmisión de esta señal se hace imposible.
Por esta razón, posterior al muestreo se realiza el proceso de cuantización. En este proceso
se realiza la discretización de la amplitud de las señales, lo que permite representar la señal de
forma válida con valores binarios de largo finito.

3.3.1. Cuantización Escalar

En la cuantización escalar, cada muestra es cuantificada como un valor puntual, dentro
de un rango finito de valores posibles, lo que se traduce en una acción de redondeo de las
cifras. Para esto, el espacio de números reales ℜ se particiona en N subconjuntos denotados por
Rn , 1 ≤ n ≤ N que llamaremos Regiones de Cuantización. Asociado a cada subset Rn , un Punto
de Representación x̂n es elegido, vale decir que para el instante k, si la muestra x(k) pertenece
a Rn , entonces es redondeado al valor x̂n .
Dado que se tienen N posibles valores de cuantización, entonces se requieren log2 (N) bits
para poder hacer el encoding en secuencias binarias. De igual forma, el número de bits que se
requieren para transmitir cada muestra de la fuente, será: R = log2 (N) bits.
Resulta facil notar que al incluir estos redondeos, la señal resultante tiene cierta distorción
con respecto a la señal original. Este error agregado recibe el nombre de Error de Cuantización.
Para su descripción, es necesario considerar la función de cuantización definida por

Q(x) = x̂i , ∀x ∈ Ri

25
CAPÍTULO 3. TÉCNICAS DE TRANSMISIÓN DIGITAL

El error en general se evalúa en forma cuadrática, y en este caso recibe el nombre de Error
Cuadrático de Distorción y se define como

d(x, x̂) = (x − x̂)2 (3.4)

sin embargo, dado que se trabaja con variables aleatorias, es necesario especificar el Error
Cuadrático de Distorción Medio, que está determinado por

D = E {d(x, x̂)} = E (x − x̂)2


(3.5)

En la Figura 3.1 se puede ver un ejemplo de un esquema de cuantización de 8 niveles, en

los cuales la variable x es seccionada en sus respectivas aproximaciones x̂1 , x̂2 , . . . , x̂8 , para los
subintervalos dados por R1 = (−∞, a1 ], R2 = (a1 , a2 ], . . . , R8 = (a7 , +∞) respectivamente. En
pocas palabras, lo que se muestra es la función de cuantización Q(x).

Fig. 3.1: Ejemplo de un esquema de cuantización de 8 niveles

Ejemplo 3.1
La fuente X(t) es una fuente Gaussiana, con media cero, estacionaria y con una PSD dada por:

2 , | f |< 100Hz
SX (f ) =
0 , i.o.c.

Considere que es muestrada a la frecuencia de Nyquist y que cada muestra está cuantizada usan-
do un cuantizador de 8 niveles como en la Figura 3.1, con niveles ai ∈ {−60, −40, −20, 0, 20, 40, 60},

26
CAPÍTULO 3. TÉCNICAS DE TRANSMISIÓN DIGITAL

que se redondean a x̂i ∈ {−70, −50, −30, −10, 10, 30, 50, 70}. Se pide calcular la distorción y la
tasa de transferencia.
Sol. Dado el ancho de banda de la fuente, su frecuencia de muestreo será fs = 2W = 200Hz.
Dado que es un cuantizador de 8 niveles, entonces se requieren 3 bits para realizar la descrip-
ción de cada muestra. Ası́, la tasa estará dada Rpor R = 3fs = R600 bits/s. La varianza de la
2 +∞ 100
fuente, está dada por σX = E {X 2 } = R (0) = −∞ SX (f )df = −100 2df = 400, ya que es un
proceso con media cero. Esto permite definir la función de distribución de probabilidad dada
1 x2
por fX (x) = √2π400 exp(− 800 ). Ahora bien, la distorción estará dada por:
n o Z +∞
2
D = E (X − X̂) = (x − Q(x))2 fX (x) dx
−∞
8 Z
X
= (x − Q(x))2 fX (x) dx
i=1 Ri
Z a1 Z a2 Z +∞
2 2
= (x − x̂1 ) fX (x) dx + (x − x̂2 ) fX (x) dx + · · · + (x − x̂8 )2 fX (x) dx.
−∞ a1 a7

Reemplazando los valores de ai , xi y utilizando la definición de fX (x) se obtiene que D ≈ 33,4. 

Es muy interesante comparar el resultado anterior con la distorción máxima, la que está dada
cuando se utilizan cero bits por cada salida de la fuente. En este caso, la mejor estrategia es fijar
la señal reconstruı́da en cero, por lo que la distorción será Dmáx = E {(X − 0)2 } = E {X 2 } =
2
σX = 400. Esto equivale a decir que al utilizar 3 bits por salida de la fuente, la distorción se ha
reducido en un factor de ∼12, ó 10.8dB. n o
A pesar de lo descriptivo del error de cuantización D = E (X − X̂)2 , existe una métrica
más exacta pues está normalizada con respecto a la potencia de la señal original. Recibe el nom-
bre de Razón Señal-Ruido de Cuantización (SQNR, Signal-to-Quantization Noise Ratio)
y está definida por:
E {X 2 }
SQNR = (3.6)
E {(X − Q(X))2 }
Cabe destacar que considerando las definiciones de potencia de la señal original y de la
cuantizada, el SQNR está determinado por la razón entre la potencia de la señal (PX ) y la
potencia de señal cuantizada (PX̃ ), con X̃ = X − X̂.

Ejemplo 3.2
Determine el SQNR para el esquema de cuantización
R utilizado en el Ejemplo 3.1.
Sol. Se determinó previamente que PX = P SDdf = 400. Además la potencia del ruido de
cuantización está dado por PX̃ = D = 33,4, entonces SQNR = 400/33,4 = 11,97 ≈ 10,78dB. 

27
CAPÍTULO 3. TÉCNICAS DE TRANSMISIÓN DIGITAL

3.3.2. Cuantización Uniforme

La cuantización uniforme, es la más simple de todas ya que todas las particiones interiores
están equidistantes a un valor representado por ∆.
En general, se asume que los niveles de cuantificación x̂i están a una distancia de ∆2 de los
bordes a1 , a2 , . . . , aN − 1.
La Figura 3.1 muestra un ejemplo de un cuantizador uniforme.

3.3.3. Cuantización Nouniforme

Si se relaja la condición de que la separación se igual para todas las regiones, entonces se
logra minimizar la distorción con menos apremios. Ası́, el cuantizador nouniforme tiene un mejor
rendimiento que el uniforme para un mismo número de niveles.
Considerando que se quiere diseñar un cuantizador de N niveles, óptimo en el sentido del
error medio cuadrático, se tiene que la distorción media es:
Z a1 N
X −2 Z ai+1 Z +∞
2 2
D= (x − x̂1 ) fX (x) dx + (x − x̂i+1 ) fX (x) dx + (x − x̂N )2 fX (x) dx ,
−∞ i=1 ai aN−1

en donde existen 2N − 1 variables de las que D depende: (a1 , a2 , . . . , aN −1 , x̂1 , x̂2 , . . . , x̂N ).
Tomando derivadas parciales con respecto a todos los ai e igualando a cero, se tiene:
x̂i + x̂i+1
ai = (3.7)
2
lo que significa que en un cuantizador óptimo, los bordes de las regiones de cuantización son los
puntos medio de los niveles de cuantización.
Tomando derivadas parciales con respecto a todos los x̂i e igualando a cero, se obtiene que
R ai
a
xfX (x) dx
x̂i = R i−1
ai (3.8)
ai−1 X
f (x) dx
lo que significa que el nivel de cuantización, debe ser elegido como el centroide de dicha región.

3.4. Encoding
En el proceso de encoding, una secuencia de bits es asignada a los diferetes niveles de
cuantización.
Dado que se tiene un total de N = 2v niveles, entonces v bits son suficientes para el proceso
de encoding. Basado en lo mismo, como se tienen v bits por muestra, que se tomó a un frecuencia
de muestreo de fs Hz, entonces la tasa de bits está dada por R = vfs bits por segundo.
La asignación de bits a los niveles de cuantización puede ser realizada de diferentes maneras.
En cuantización escalar, una forma natural de realizar el encoding, es asignando valores de 0 a
N − 1 a los diferentes niveles de cuantización comenzando desde el nivel más bajo hacia el más
alto de manera creciente. Esto implica que el nivel más bajo tendrá el valor 00. . . 0 y el más
alto de 11. . . 1, ambos de largo v. Esta asignación, recibe el nombre de Codificación Binaria
Natural.

28
CAPÍTULO 3. TÉCNICAS DE TRANSMISIÓN DIGITAL

3.5. Codificación por Forma de Onda

La idea de estos esquemas es reproducir una forma de onda de la fuente en el destino con la
menor distorción posible. En estas técnicas no se presta atención en la forma en que se produce la
forma de onda, sino que todos los esfuerzos son dedicados en la reproducción filedigna de la forma
de onda de la fuente. Por lo mismo, los codificadores de forma de onda pueden ser utilizados
con una gran variedad de formas de onda, mientras que éstas tengan ciertas similitudes.

3.5.1. Pulse Code Modulation (PCM)

La modulación PCM es el más simple y viejo esquema de codificación por forma de onda.
Consiste básicamente en tres secciones: un muestrador, un cuantizador y un encoder.
En PCM se realizan las siguientes suposiciones:

1. La señal es de banda limitada, con una frecuencia máxima de W , por lo que puede ser
completamente reconstruı́da de muestras tomadas a una tasa fs ≥ 2W .

2. La señal tiene amplitud finita, vale decir que existe un máximo de amplitud xmáx tal que
| x(t) |≤ xmáx < ∞.

3. La cuantización se realiza para un número alto de niveles de cuantización N, que es una

potencia de 2 (N = 2v ).

El punto 1 se puede solucionar incluyendo un filtro con ancho de banda W a la entrada del
muestreador para evitar armónicos sobre dicha frecuencia.
Dependiendo del cuantizador utilizado, uniforme o nouniforme, se tiene una modulación
PCM uniforme o nouniforme y esto se selecciona dependiendo de las caracterı́sticas de la salida
de la fuente.

29
Libros de Referencia.

La información contenida en el presente texto, ha sido extraı́da de variados textos escritos

que posee en DIE, el Laboratorio de Transmisión y simplemente yo. Toda la información acá ex-
presada tiene caracter netamente educacional y no pretende ser en ninguna forma un atentado
contra los derechos de copia ni de autor de cada uno de los libros que acá se citan, por lo que
el contenido grueso de esta obra es de autorı́a de:

c 2005,
“Fundamentals of Communication Systems”, John Proakis, Masoud Salehi.
Pearson Education, Inc.

c 1993, Addison-
“Introducción a los Sistemas de Comunicaciones”, F. G. Stremler.
Wesley Iberoamericana, S.A.

c 1998,
“Digital Communcations - Fundamentals and Applications”, Bernard Sklar.
Pretince-Hall Inc.

c 1999, John Wiley

“Elements of Information Theory”, Thomas Cover, Joy Thomas.
& Sons, Inc.

c 1976, John Wiley & Sons, Inc.

“Elementary Statistics”, Paul Hoel.

30