“CÁLCULO DEL B.E.

R”

Alumnos: Gutiérrez Olvera Delfino Román 200416300, Ramos Arroyo

Oscar 200427937, Juárez Cruz Arturo 200417868

COMUNICACIONES, BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA, FACULTAD DE

CIENCIAS DE LA ELECTRÓNICA, EDIFICIO 182 CIUDAD UNIVERSITARIA AVE. SAN CLAUDIO
Y 18 SUR COL. JARDINES DE SAN MANUEL. PUEBLA, PUE. MÉXICO.

Resumen:

Está práctica está consiste de un generador de datos pseudo-aleatorios que

viajan en forma serial y llegan a un punto de unión con una señal de ruido
gaussiano. Se mezclan ambas señal serial y ruido gaussiano. Se compara la
señal original con la señal ruidosa el tiempo suficiente hasta que se detecte
un error. El B.E.R se le conoce como una estimación de los valores
internacionales para los niveles aceptados en error.

Introducción.

El mundo ha cambiado sus tecnologías por
sistemas digitales. Tal es el desempeño que
tienen éstos dispositivos, que los han hecho
los preferidos por casi todos. Un mundo
tecnológico digital involucra datos binarios,
datos que se transportan a través medios,
medios que se contraponen con la
información ya que el medio desempeña un
factor importante en las comunicaciones.
Dijimos que nuestros datos viajan en un
medio, ya sea aire, el espacio, metal, o
líquidos, ese medio tiene a su vez
componentes que introducen diferencias en
nuestros datos. Éstas componentes que
alterantes tienen una naturaleza aleatoria,
independiente de nuestra señal de forma
definida. Si graficáramos nuestra señal de
ruido tendría una trayectoria conocida
campana de gauss.
Si la forma que influye una modificación de
nuestros datos en posteriores errores, es
una forma aleatoria, entonces debemos
tomar un estudio de nuestros datos en
forma probabilística y estimar los posibles
fallos en nuestros datos, así como los
futuros errores en nuestras líneas de
comunicación.
Para tratar matemáticamente nuestros
experimentos aleatorios es necesario
cuantificar los resultados y establecer una
función que asocia los valores reales con los
elementos del espacio muestral.
A partir de nuestra variable aleatoria
podemos obtener la distribución de
probabilidad, y no es más que una
asignación de cada evento con una
probabilidad y viene dada por la siguiente
expresión:
𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥)
La distribución de probabilidad tiene las
siguientes características:

1
 lim 𝐹(𝑥) = 0 FIG. 1. (a) Gráfica vista en tres dimensiones (b)
𝑥→−∞
Proyección en dos dimensiones de una gráfica de tres
dimensiones.
y
Una forma de abordar el estudio
lim 𝐹(𝑥) = 1
𝑥→∞ probabilístico es usar lo que se conoce como
Y también es continua por la derecha, como probabilidad. La probabilidad es un número
monótona y no decreciente. que resulta de una fórmula matemática.

# 𝑑𝑒 𝑒𝑣𝑒𝑛𝑡𝑜𝑠
La acumulación de la función de densidad de 𝑃(𝑥) =
# 𝑑𝑒 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
probabilidad genera la función de
distribución. Para una variable aleatoria La probabilidad tiene características que lo
continua se tiene: hacen interesante. Cuando el cociente es
𝑥
cero implica que dicho evento no ha
ocurrido; cuando el cociente da uno, quiere
𝐹(𝑥) = ∫ 𝑓(𝑡)𝑑𝑡
decir que el evento se repite sin excepción.
−∞
Cualquier resultado posible entre cero y uno
es permitido, lo que quiere decir que un
evento ocurre un mínimo de veces en toda
(a) la gama de resultados posibles.

Hay que explicar que la probabilidad nos

aporta resultados, los cuales nos ayudarán a
estimar los posibles resultados que todavía
no han pasado, pues estimar algo que no
ocurre no tiene sentido, pues no es posible
saber el resultado de entre tantas opciones,
lo único que podemos hacer, es con los
datos recogidos tiempo ha, tratar de darnos
una idea cuáles resultados nos brindará la
experiencia, y estar preparados para
(b) aquellos que sucedan con un número mayor
de veces.

Desarrollo Experimental:

Construcción de la práctica.

Vamos a usar un generador pseudo-

aleatorio. Su finalidad es generar unos y
ceros con una frecuencia específica, por lo
que nuestros datos binarios, saldrán con una

2
cierta velocidad. Los resultados son llevados vez tomados varios puntos, tomado clases1 y
a un registro de corrimiento, con el fin de graficando las clases vs voltaje. Si la gráfica
llevar un dato tras otro en forma serial, para no muestra ninguna trayectoria como la
que esos datos seriales sean contaminados campana de gauss, entonces no es un ruido
con ruido gaussiano en un punto suma. gaussiano; pero si la trayectoria es muy
similar entonces son datos gaussianos.
La parte que ayudará a saber si existen
discrepancias con la señal original y la señal Pero expliquemos un poco la gráfica de la
con ruido, es un comparador. De ahí vamos campana de gauss. La campana es una
a contar el número de errores. Para calcular estimación de aquellos valores que ocurren
el B.E.R usamos la siguiente fórmula: con mucha mayor frecuencia, esos datos
aparecen en la cima; caso contrario aquellos
# 𝑑𝑒 𝑑í𝑔𝑖𝑡𝑜𝑠 𝑒𝑛 𝑒𝑟𝑟𝑜𝑟
𝐵. 𝐸. 𝑅 = datos con poca ocurrencia, son los que están
# 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑏𝑖𝑡𝑠 𝑒𝑛𝑣𝑖𝑎𝑑𝑜𝑠
en las partes llanas de ambos lados que se
Para generar el ruido gaussiano usamos el aproximan al eje x.
siguiente circuito:
Frecuencia relativa Vs Voltaje
R7 0.03
1MΩ
5% f(x)
7 0.025
4 U1
R3 5
2 C2 R4
4.7kΩ 8 9
6 C1 6 0.02
5% 3 100Ω Datos experimentales
3 10uF
5%
10nF 0
7 1 5 741
C3
220nF 0.015
R2
Q1 2.2MΩ
2N3904 2
1 R5 5% 0.01
2.2MΩ C4
10uF
R1 05% 9 V V1
4
0.005
1MΩ
5% R6
1MΩ
5%
0
-6 -4 -2 0 2 4 6
-3
x 10
FIG. 2. Generador de ruido gaussiano. Produce ruido
aleatorio como referencia para audio y como una FIG. 3. Podemos ver que los datos mantienen la forma
ayuda para practicar la recepción de señales bajo de la campana de gauss.
condiciones difíciles.
Nuestros valores en voltaje más pequeños,
Resultados: próximos a cero son los que ocurren con
mucha frecuencia, mientras que los valores
Pero cómo sabemos que nuestro generador de voltaje mayor, ocurren con poca
de ruido tiene una forma de campana. Una

1
Le llamamos clases al agrupamiento de valores
próximos entre ellos, así reducimos el número de
valores a graficar.

3
frecuencia, por lo que se localizan en las
partes más llanas.

Podemos apreciar valores tanto positivos

como negativos en valores de voltaje, o lo
que podríamos llamar el eje x. Y es que
nuestro ruido es una forma Senoidal alterna;
si sólo tuviéramos valores de potencial
positivos, como es el caso de los valores TTL,
entonces tendríamos la mitad de la
campana.

FIG 5. Podemos ver dos señales. La primera es la señal

pura pseudo-aleatoria, la segunda es la señal pseudo-
aleatoria más su ruido gaussiano.
Potenciales positivos

FIG. 6. Aquí podemos ver nuestra circuitería. El único

LED que aparece aquí funge como muestra de la
comparación. Si se prende es que las señales original y
Potenciales negativos señal más ruido no son iguales.

FIG. 4. Podemos observar nuestro ruido gaussiano.

Vemos una trayectoria alterna, ya que todas las
señales son senoidales o armónicos de senoidales que
se adicionan entre sí.
Nuestro LED en todo el proceso de
comparación, nunca se prendió, lo que
quiere de decir que la señal original y la
señal original mezclada con ruido gaussiano
son iguales. El LED sólo se prenderá cuando
algunos de los valores en un preciso instante
de tiempo, fuera diferente.

Expliquemos un poco por qué el LED nunca

se prende, aunque hemos ensuciado la señal
original con ruido gaussiano.

4
Las señales TTL se manejan con voltajes
entre 0 V y 5 V. Un “1” lógico representa 5 V
y un “0” lógico representa 0 V. Aunque para
que se detecte como un cero lógico los
umbrales de voltaje deben estar entre 0 V y
0.8 V; mientras que para un uno lógico los
umbrales de voltaje deben estar entre 5 V y
2 V. Para valores entre 0.8 V y 2 V nuestros
dispositivos no responden adecuadamente.
Si nuestra función de densidad de
probabilidad nos muestra que nuestro valor
máximo de voltaje es de 0.004 V o 4 mV y
nosotros podemos modificar el cero lógico
de 0 V a 0.004V en el umbral más bajo, o de
0.8 V a 0.804 V en el umbral permitido,
entonces necesitaríamos alrededor de 1.2 V
para modificar nuestro cero lógico y tener
un error significativo a la hora de comparar
los datos. De esto se desprende que nunca
podamos meter un error en el sistema ni
detectarlo.
Los datos entonces quedarían como siguen:
# 𝑑𝑒 𝑒𝑣𝑒𝑛𝑡𝑜𝑠
𝑃𝑒 (𝑥) =
# 𝑑𝑒 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
0 http://es.wikipedia.org/wiki/Densidad_de_pr
𝑃𝑒 (𝑥) = =0
100
# 𝑑𝑒 𝑑í𝑔𝑖𝑡𝑜𝑠 𝑒𝑛 𝑒𝑟𝑟𝑜𝑟
𝐵. 𝐸. 𝑅 =
# 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑏𝑖𝑡𝑠 𝑒𝑛𝑣𝑖𝑎𝑑𝑜𝑠
0 la siguiente referencia: Peña Sánchez de
𝐵. 𝐸. 𝑅 = =0
# 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑏𝑖𝑡𝑠 𝑒𝑛𝑣𝑖𝑎𝑑𝑜𝑠
Pe B.E.R
0 0
Conclusiones:
Nuestro medio influye en el momento
mismo de la transmisión de nuestros datos.
El ruido deforma nuestra señal y produce
errores cuando tomamos los datos y los
procesamos.
Nuestra función de densidad de
probabilidad nos dice con que regularidad
vamos a tener errores, en nuestro caso,
como teníamos valores de ruido ínfimos,
éstos no podían generar errores visibles. De
hecho cuando la señal mezclada con ruido
se visualizaba en el osciloscopio veíamos la
señal tal cual, se esperaba ver la señal con
picos fuera de lugar.
Bibliografía
De la Redacción de la Revista Saber
Electrónica
http://www.clubse.com.ar/DIEGO/NOTAS/2/
nota03.htm
http://es.wikipedia.org/wiki/Variable_aleato
ria*
obabilidad
*
La dirección de Internet se basa a su vez en
Rivera, Daniel ;(2008). Fundamentos de
Estadística, 1ª edición, Alianza Editorial,
págs. 688. ISBN 9788420683805
ANEXO
Ahora vamos a modificar nuestra función de
densidad de probabilidad para obtener una
diferencia en los valores Pe(x) y El B.E.R; en
otras palabras, vamos a amplificar el ruido.
5
Primero que nada mostremos la función de (c)
densidad de probabilidad modificada.

Frecuencia relativa Vs Voltaje

0.07

0.06

0.05
Frecuencia relativa

0.04

0.03

0.02 (d)

0.01

0
-8 -6 -4 -2 0 2 4 6 8
Voltaje

FIG. 7. Función de densidad de probabilidad con ruido

amplificado. Ahora rizo del voltaje tiene valores
máximos de 6 V.

(a)

FIG. 8. (a) Nos muestras la señal en su espectro de

frecuencia. (b) La señal de arriba nos muestra la señal
original, mientras que la señal de abajo es la señal
original más el ruido gaussiano. (c) Los errores son esos
pequeños impulsos, que una vez contados en un
periodo de tiempo se usarán para obtener el B.E.R. (d)
(b) Frecuencia y periodo del B.E.R.

Ahora que ya tenemos los datos procedemos

a teorizar los datos y compararlos con los
valores experimentales.

# 𝑑𝑒 𝑒𝑣𝑒𝑛𝑡𝑜𝑠
𝑃𝑒 (𝑥) =
# 𝑑𝑒 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

Usando un programa en Matlab y los datos

de la función de densidad de probabilidad
nos da lo siguiente:

6
Probabilidad de convertir un uno a un cero Antes nuestra probabilidad de encontrar un
f1 = error, así como de contabilizar el B.E.R era
0.30380000000000 nula; ahora tenemos que nuestra
probabilidad conjunta es de 2/6 y nuestro
Probabilidad de convertir un cero en un uno B.E.R de 3. Tenemos que una probabilidad, la
f2 = de convertir un uno a un cero es de 1/3;
0.35940000000000 también la probabilidad de convertir un cero
a un uno es de 1/3, mientras que la
Probabilidad de no afectar los datos. probabilidad de no encontrar algún error es
f3 = el otro 1/3, lo cual tiene sentido, pues ahora
tenemos tres eventos: 1) No tener algún
0.33600000000000 error, 2) Convertir un uno en un cero, 3)
Convertir un cero en un uno; y como la
Probabilidad total probabilidad es:
f4 = # 𝑑𝑒 𝑒𝑣𝑒𝑛𝑡𝑜𝑠
𝑃𝑒 (𝑥) =
0.99920000000000 # 𝑑𝑒 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

Por otra parte el B.E.R sale de los siguientes
datos: A 18 μs tenemos 3 errores, en esa
misma frecuencia mandamos 1 dato. Por lo
tanto nuestro B.E.R es de 3.
# 𝑑𝑒 𝑑í𝑔𝑖𝑡𝑜𝑠 𝑒𝑛 𝑒𝑟𝑟𝑜𝑟
𝐵. 𝐸. 𝑅 =
# 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑏𝑖𝑡𝑠 𝑒𝑛𝑣𝑖𝑎𝑑𝑜𝑠
Entonces para cualquier resultado posible
hay 1/3 de probabilidad. Ahora bien, existen
2/3 de probabilidad de encontrar un error,
dado que amplificamos el ruido gaussiano 82
veces, y ello hace que ensuciemos nuestra
señal original con más regularidad lo cual se
demuestra en nuestro B.E.R.

P1(x) P2(x) B.E.R

Probabilidad de Probabilidad de
convertir un uno a convertir un cero
un cero en un uno

0.3038000000000 0.359400000000 3
0 00

P1(x)+P2(x) B.E.R
0.6632000000000 3

En la tabla anterior teníamos:

Pe B.E.R

0 0