ETN 1016

TEORÍA DE TELECOMUNICACIONES

Capítulo II: Estadística aplicada a

Telecomunicaciones

Docente: José Campero

Estadística aplicada a
Telecomunicaciones
• Introducción
• Frecuencia relativa
• Espacio muestral
• Probabilidad conjunta
– Mutuamente exclusivos
– Mutuamente no exclusivos
• Probabilidad condicional
• Distribución de probabilidad
• Medidas de dispersión
• Teorema de Bayes
• Funciones de probabilidad (Distribución)
– Distribución binomial
– Distribución Poisson
– Distribución Gauss
• Teoría de la desición estadística
Introducción

• La aplicación de las estadísticas y particularmente la 
probabilidad a las telecomunicaciones han ayudado a definir 
principios y métodos que ayudan con el diseño de los 
sistemas reales
• Por ejemplo, la transmisión por radio digital se apoya 
totalmente en los principios de la probabilidad
• También es posible definir la tasa de errores con los que un 
sistema trabaja
• En esta parte solo se recordarán y aplicarán determinados 
parámetros y principios útiles en telecomunicaciones
Frecuencia relativa

• Proporción de ocasiones en los que un evento en particular se produce en el 
marco referencial de un conjunto de eventos
• Para la aplicación a las telecomunicaciones, normalmente se considera conjuntos 
de eventos de “largo aliento”
• La frecuencia relativa en que se producen los eventos implica una probabilidad 
de ocurrencia de los mismos P(xi), donde P(xi) es la probabilidad de que el 
evento xi se produzca dentro de un conjunto: x0, x1, x2, …, xn
• La probabilidad P(xi) puede estar distribuida de cualquier manera dentro del 
conjunto x0, x1, x2, …, xn
• La manera como se distribuye la probabilidad de los eventos P(x0), P(x2), …, 
P(xn) se conoce como función de distribución
• Por ejemplo la distribución de P(xi) puede ser uniforme como se da en el 
lanzamiento de un dado

P(xi) = 1/6 => P(x=1) = P(x=2) = P(x=3) = … = P(x=6)

 Espacio Muestral
• Los eventos asociados con una P(xi) pueden ser representados 
en un “Espacio muestral”
• Por ejemplo para el lanzamiento de un dado los eventos 
posibles (resultados) son seis

1 2 3 4 5 6

F(x) -> Función de distribución

1/6

1 2 3 4 5 6
• Los espacios muestrales pueden a su vez dividirse en subconjuntos
• Por ejemplo el lanzamiento de dos dados => Espacio muestral es 
bidimensional

Dado 2
Subconjunto
De suma = 11
6 } }
5 } }
4 } Subconjunto
3 } De suma = 7
2 }
1 }

1 2 3 4 5 6 Dado 1

• El subconjunto puede ser “suma de dados = 7”

• El subconjunto puede ser “suma de dados = 11”
• Los subconjuntos de eventos dentro de un espacio muestral pueden o no 
ser disjuntos. En el caso de ser disjuntos se llaman: “mutuamente 
exclusivos”
• Los subconjuntos de eventos tienen asociada una probabilidad y esta puede 
ser conjunta
• Ejemplo: la probabilidad de sacar en el lanzamiento de dos dados una suma 
de 7 o 11
• P(A) = probabilidad del evento A (suma = 7)
• P(B) = probabilidad del evento B (suma = 11)
P(A) = 6/36 = 1/6
P(B) = 2/36 = 1/18

ηA => frecuencia de A
ηB => frecuencia de B
ηA + ηB => frecuencia del espacio muestral

A A
P( A  B)  
 A  B  A  B

P(A) P(B)
 Probabilidad conjunta

• Representa el “Chance” de que dos eventos con distinta probabilidad

ocurran simultantemente
• Los eventos pueden ser:
• Mutuamente exclusivos
• No mutuamente exclusivos
Mutuamente exclusivos

A B U
P(A) P(B)

Donde:
U => Conjunto universo (Espacio muestral)
A,B => Subconjuntos de fuentes de U

En estas condiciones: P(A+B) = P(A) + P(B)

Ejemplo:
Sea U el resultado del lanzamiento de un dado con:
A: Resultado Par
B: Resultado impar

A B U
2 1
4 6 3 5

P(A) = 1/2 P(B) = 1/2 P(A+B) = 1/2 + 1/2 = 1

Mutuamente no exclusivos

A B U
P(A) P(B)

Donde:
P(AB)
U => Conjunto universo (Espacio muestral) Probabilidad de
A,B => Subconjuntos de fuentes de U Intersección

En estas condiciones: P(A+B) = P(A) + P(B) – P(AB)

Ejemplo:
• Sea U el resultado del lanzamiento de un dado con:
• A: Resultado Impar
• B: Resultado menor o igual a 3

A B U
1
5 3 2
4 6

P(A) = 1/2
P(B) = 1/2 P(A+B) = 1/2 + 1/2 -1/3 = 2/3
P(AB) = 1/3
 Probabilidad condicional
• Es el Chance de que ocurra un evento del subconjunto A, siempre
y cuando el evento B haya ocurrido
• Se aplica a probabilidades conjuntas con eventos no mutuamente
exclusivos

P(A/B): Probabilidad de A condicionado a B

 A B U
P(A) P(B)

P(AB) = P(A/B) P(B)

Al representar la intersección es simétrica,

entonces para P(BA) tenemos

P(BA) = P(AB) = P(B/A) P(A)

Teorema de Bayes
Se sabe que:
P(AB) = P(A/B) P(B)
P(BA) = P(B/A) P(A)
Y considerando que:
P(AB) = P(BA)
Por lo tanto:

P(A/B) P(B) = P(B/A) P(A)

• Permutaciones
• Modo en como se arreglan los elementos del espacio muestral
• nPr => es el número de permutaciones tomados de r en r de un conjunto de 
n elementos

n!
n Pr 
(el orden de los elementos importa)
( n  r )!

• Combinaciones
• nCr => es el número de combinaciones r en r de un conjunto de n elementos

n!
nCr 
(El orden de los elementos no importa)
( n  r )! r !
Distribuciones de probabilidad
• Es la forma de asignación P(xi)
• Para un espacio muestral, la sumatoria de las probabilidades de todos los 
elementos debe ser igual a la unidad
Espacio muestral finito
x1
x2 n
xi
xn  P( xi)  1
i 1

• En el caso de que los eventos no sean discretos y finitos


 P (xi )  1=> 0 ≤ P(xi) ≤ 1


• La distribución puede representarse de varias formas:
a) Diagrama de barras b) Polígono c) Diagrama de barras
(discreta) (intervalos)
P(xi)

P(xi)
xi
xi

Distribución acumulativa
i
F ( xi )  
i  
P ( xi )

- En el límite superior F(xi) = 1


F ( xi )   P ( xi )  1

 Medidas de dispersión
• Promedio
n 
x  
i 1
xiP ( xi ) x  

f ( x ) P ( x ) dx

Variables discretas Variables continuas

• Mediana
Punto en el cual la función de distribución acumulativa vale 50%

• Valor cuadrático medio



v es la variable
E (v ) 
2
v 2 P ( v ) dv

• Varianza

 n
   (v  v) P(v)dv   xi P(xi)  x
2 v es la variable 2 2 2
(para variables discretas)
 v es el promedio
i1
Ejemplo aplicado a telecomunicaciones
• La tabla muestra una prueba sobre 500 diodos laser, manufacturados por AT&T

a) Construir una distribución de frecuencias y frecuencias acumulativas (histograma)
b) Encuentre el porcentaje de diodos laser cuyo tiempo de vida no excede 700 Hrs
c) Encuentre el N° de componentes cuyo tiempo de vida es al menos 600 Hrs pero menor a 
1000 Hrs
d) Determine el promedio y la desviación estándar
Tiempo 400 a 500 a 600 a 700 a 800 a 900 a 1000 a 1100 a
de vida 499 599 699 799 899 999 1099 1199

N° de 25 65 79 108 92 76 34 21
componentes
 a)

560
108

479
92
445
79
76
369
65

217
34 169
25
21
90

25
400 a 500 a 600 a 700 a 800 a 900 a 1000 a 1100 a 400 a 500 a 600 a 700 a 800 a 900 a 1000 a 1100 a
499 599 699 799 899 999 1099 1199
499 599 699 799 899 999 1099 1199

t vida muestras
 b) N° de componentes con vida < 700 hrs.

N<700  = 169 = 25 + 65 + 79
Porcentaje = 169*100%/500 = 33,8%

c) Láser con tiempo de vida mayor a 600 hrs. Pero menor a 1000 hrs.

79 + 108 + 92 + 76 = 355
% = 355*100%/500 =  71,0%

d) Promedio y varianza:

x   xiP(xi) P(xi) = Probabilidad de ocurrencia = Cantidad de muestras*frecuencia/total de muestras

Xi = valor central de cada intervalo de clase

25 65 79 108 92 76 34 21
x  450  550  650  750  850  950  1050  1150
500 500 500 500 500 500 500 500

x = 779.2 hrs.

Varianza

  xi P(xi)  x
2
2 2 1
 xi 2
P ( xi ) 
500
( 25 * 450 2  65 * 550 2  ...  21 * 1150 2 )  638 ,84 * 10 3

La desviación estándar indica el

  638,840 *10  779 ,2  31,187 *10
2 3 2 3
σ = 176,6 rango de dispersión de las
muestras respecto del promedio
Probabilidad a priori
Representa un conjunto de parámetros de probabilidad
conocidos y obtenidos a partir del espacio muestral como ser:
• Probabilidad de ocurrencia de variable
• Distribución
• Promedio, etc
Probabilidad a posteriori
• Son estimaciones y no son el resultado del análisis del sistema
de un espacio muestral concreto
• Pueden ser establecidos conociendo las características del
sistema
• Normalmente son el resultado de una transformación cuya
función modificará
 Ejemplo aplicado a 
telecomunicaciones
• Un sistema de comunicación envía un mensaje entre A y
B usando los repetidores B, C, D, E, la probabilidad de
que falle cualquiera de los repetidores es p. Cual es la
probabilidad de falla en la transmisión del mensaje

A B E F

D Destino de la
Fuente de
Información Información

Repetidores
P(e) = Probabilidad de que el mensaje llegue o no llegue
P = Probabilidad de falla de cualquier repetidor

Los eventos no son mutuamente exclusivos

P(e) = P(B+E+CD) ≠ P(B) + P(E) + P(CD)

E B De la figura se tiene:
P(E) P(B) P(e) = P(B) + P(E) +P(CD) – P(BE)
- P(BCD) – P(ECD)
P(CD) + P(BECD)

P(e) = p + p + pp – pp – ppp – ppp + pppp

CD
P(e) = 2p – 2p3 + p4
 Determinación de la probabilidad a
posteriori (Aplicación del teorema de
Bayes)

Esta aplicación permite determinar o calcular la

probabilidad de error/certeza asociada al extremo
distante de la red tomando en cuenta:
• Probabilidades a priori
• Características del canal de comunicación
 Medio
Tx De Rx
Tx
Probabilidad
Probabilidad
a posteriori
a priori
Si el sistema
Si el sistema
Es digital:
Es digital:
P(0) Prob. de
P(0) Prob. de
Ruido recibir
transmitir
Probabilidad de P(1) Un símbolo
P(1) un símbolo
distorsión ó error
• P(T0/R0) = Probabilidad de que habiendo recibido 0 este haya
sido enviado

• P(T1/R0) = Probabilidad de que habiendo recibido 0 un uno haya

sido transmitido

• P(T1/R1) = Probabilidad de que habiendo recibido 1 este haya

sido enviado

• P(T0/R1) = Probabilidad de que habiendo recibido 1 un cero haya

sido transmitido
 Ejemplo aplicado a
telecomunicaciones
• Para un sistema de transmisión digital enviando símbolos uno y cero, las 
probabilidades a priori P(T0)=0,45 y P(T1)=0,55 de acuerdo a las 
características del canal (Ruido del canal) la probabilidad de que un cero 
transmitido sea recibido como uno (error) es 20% y la probabilidad de que 
un uno transmitido sea recibido como cero es 10% determinar las 
probabilidades a posteriori
• P(T0/R0)
• P(T1/R1)

DATOS:

P(T0) = 0,45
P(T1) = 0,55
P(R1/T0) = 0,2 => P(R0/T0) = 1 – 0,2 = 0,8
P(R0/T1) = 0,1 => P(R1/T1) = 1 – 0,1 = 0,9
Solución:

Probabilidad de recibir cero:
P(R0) = P(R0/T0) P(T0) + P(R0/T1) P(T1)
= 0,8 * 0,45 + 0,1 * 0,55 = 0,415
Probabilidad de recibir uno:
P(R1) = P(R1/T1) P(T1) + P(R1/T0) P(T0)
= 0,9 * 0,55 + 0,2 * 0,45 = 0,585

Aplicando Bayes:
P(T0/R0) P(R0) = P(R0/T0) P(T0)
P( R0 / T 0) P (T 0)
P(T 0 / R0)   0,867
P ( R0)
P( R1 / T 1) P(T 1)
P(T 1 / R1)   0,846
P ( R1)
Funciones de Probabilidad
(Distribución)

•Distribución Binomial
•Distribución Poisson
•Distribución Gauss
Distribución Binomial

• También conocida como distribución de Bernoulli

• Las condiciones para aplicar la distribución son:
• El experimento consiste en n eventos con n discreto y 
finito
• Cada evento solo tiene dos posibles resultados: éxito o 
fracaso
• La probabilidad de éxito es constante
• Los eventos son independientes
x éxitos n eventos

Para Bernoulli de n eventos existe x éxitos

=> existe n – x fracasos

Probabilidad de éxito: p
Probabilidad de fracaso: q=1-p

El modelo de Bernoulli establece que la distribución de

x estará representada por
pxq(n-x)
Por otra part el número de combinaciones de x
tomados de n (ηx)
n!
x 
(n  x)! x!
La función de distribución binomial P(x) será:

P(x) = ηx px q(n-x)

n!
P( x)  p x q ( n x)
(n  x)! x!

Promedio: np
Varianza: npq = σ2
 Ejemplo aplicado a 
telecomunicaciones
• Entre La Paz, CBBA y Sta. Cruz existe un enlace de STM‐1 que asigna 2 VC‐3 
para la comunicación entre LP – CBBA y 1 VC‐3 para CBBA – SCZ por esos 
contenedores se envían mensajes constantemente y el tráfico está 
equilibrado para VC‐3 la interconexión LP – CBBA produce 0,001% de error 
en los mensajes enviados y entre SCZ – CBBA 0,0001% de error. En un 
instante aleatorio determinado en CBBA se toman 20 mensajes aleatorios 
de la combinación de los recibidos de LP y SCZ. Cual es la probabilidad de 
que esta muestra contenga dos errores

LP CBBA
2 VC-3

1 VC-3

SCZ
 Enlace Mensaje Total Mensaje/Enlace

LP - CBBA 2n 2n(0,001/100)=2*10-5n
SCZ – CBBA 1n n(0,0001/100)=1*10-6n
Totales 3n 2,1*10-5n

P(E) = 2,1*10-5n/3n = 7*10-6

Por Bernoulli:
 n  x n x n = 20
P ( x )    p q
x x=2

 20 
P( x  2)   (7 *106 ) 2 (1  7 *106 )18
2
P(x=2) = 9,309*10-9
Distribución de Poisson

• Se conoce como un caso especial de la distribución binomial cuando n ‐> ∞
• Partimos de que:
P(x) = nCx px q n‐x
La media μ = np permanece constante
En estas condiciones
n!
P ( x)  p x q n  xsi μ = np => p = μ/n
( n  x )! x!
   nx
x
n!
 P ( x )    q
( n  x )! x !  n 

Arreglando la expresión
n!  x n x
P( x)  q q
( n  x )! n x x! 1
1
n ( n  1)( n  2 )...( n  x )!  x
P( x)  (1  p ) n (1  p )  x
( n  x )! n x
x!

Simplificaciones de Poisson
 x  Poisson calcula el límite si n ‐> ∞ de (*)
n

P( x)  1  
x!  n

(*)

2 3
     n(n  1)    n(n  1)(n  2)   
n

lim 1    1  n  
n   n   
n 2!
  
 
n 3!
   ...
n

 n ( n  1)  2 n ( n  1)( n  2 )  3
n

lim  1    1      ...
n 
 n nn 2! nnn 3!

2 3
Si n -> ∞ lim  1      ...
n  2! 3!

Donde x = μ
 x
P ( x)  e μ = promedio
x!
x = N° de muestras exitosas
 Ejemplo aplicado a 
telecomunicaciones
• Un sistema de supervisión de una red de fibra óptica tiene un promedio de fallas de 
26 componentes al año. Los componentes son del mismo tipo (Puertos 2 Mbits) y 
son reemplazados de un stock que se actualiza cada 2 semanas. Cuantos repuestos 
deben haber en el almacén para asegurar que el sistema de supervisión esté fuera 
de servicio menos del 1%?

SOLUCIÓN

Para un periodo de 2 semanas:

26 componentes -> 52 semanas
μ componentes -> 2 semanas
=> μ = 1 componente

Si hay n componentes en el stock, el computador estará fuera de servicio

si hay mas de n fallas de componentes
• P(>n)<0.01

• P(0)=e‐μ = 0,368
• P(≥1) = e‐1 =0,368 => P(0) + P(1) = 0,736 = P(≤1)
• P(≥2) = 1/2 e‐μ = 0,184 => P(≤1) + P(2) = 0,920 = P(≤2)
• P(≥3) = 1/6 e‐μ = 0,061 => P(≤2) + P(3) = 0,981 = P(≤3)
• P(≥4) = 1/24 e‐μ = 0,015 => P(≤3) + P(4) = 0,996 = P(≤4)

• Ya que P(>4) < 0,01 ó P(≤n)>0,99

=> Se necesitan 4 componentes
Distribución de Gauss

• Se aplica al proceso de voz, ruido, señales aleatorias, etc
( x   )2
1 
P ( x) 
2
e 2 Donde: x : valor de la muestra
2  μ : promedio
σ2 : varianza
P(x)

0 μ x

• La función normalizada asume μ=0 con desviaciones simétricas a la izquierda 
y a la derecha
• Cambio de variable:
x ( x   )2 dx
z z  2
dz   dx  dz
 2 

• Para P(z); la función de distribución acumulativa

1 z
2 z 1 z2 2
P( z )  
z
P( z)   e 2 dz e dz

2 

2

t2
1 x 
 ( x) 
2 

e 2
dt Φ(x) = Función de distribución acumulativa

( x )2
1 
P(x)  e 2 2

2

Φ(x) : Distribución
P(x)
acumulativa
El área bajo la curva es igual a uno

x
• En tablas solo se muestran valores positivos

• Para x negativos se usa la simetría de la función

Φ(x)
Φ(-x) = 1 – Φ(x)
Áreas iguales
Φ(-x) Entonces sólo se necesitan los
valores positivos

-x 0 x
μ=0
 Ejemplo aplicado a 
telecomunicaciones
• El tiempo promedio de un equipo OLT de Fibra óptica es de 10 años, con una 
desviación estándar de 2 años. El fabricante ofrece reemplazar gratis, todos los 
equipos que sufran una falla dentro del periodo de garantía
• Si el fabricante solo quiere reemplazar el 3% de los equipos. Cuanto tiempo de 
garantía podrá ofrecer? Asuma que los tiempos de vida de los equipos tienen 
distribución normal

• Solución:
• Si el fabricante está dispuesto a reemplazar solo el 3% de los equipos, se busca un 
valor de Φx que corresponda a 0,03 (3%). Este valor, no está tabulado, sin embargo 
se puede usar la simetría de la función, ya que las tablas solo están tabuladas para 
Φx > 0.5

Simétricos
 No hay en tablas

1 x 1 t2 => Φ(x) = 0,03

 (x) 
2  
e 2
dt
=> Φ(-x) = 0,97

Hay tabulado

• Φ(x) es la probabilidad de variable random con 0 promedio y varianza unitaria, que 
será ≤ x (acumulativa)
• Se busca en tablas el valor de x que corresponde a Φ(x) = 0,97

X Φ(x)
… …
Son los mas próximos
1,87 0,9693
1,88 0,9699
1,89 0,9706
1,90 0,9713
… …
• Φ(x) = 0,9699 => x = 1,88
• Φ(x) = 0,9706 => x = 1,89 => ≈ Φ(x) = 0,97 ≈ 1,881

Φ(‐1,881) = 0,03

Por lo cual Promedio

T  10
 1,881 
2
Desviación Estándar

=> T = -2*1,881 + 10 = 6,238

T = 6,23 años
Teoría de la decisión estadística
Sea el sistema de transmisión digital:

Tx Medio
De Tx
Rx
Espacio muestral
Símbolos:
De recepción
1 0

En recepción pueden ocurrir dos tipos de errores:

• Decidir 1 cuando 0 fue transmitido
• Decidir 0 cuando 1 fue transmitido
 • La regla de decisión está basada en tomar valores del espacio 
muestral en base a una frontera

Región Región
0 1

Frontera

• El límite entre las 2 regiones (frontera) debe ser escogido de tal 
modo que el error sea mínimo
• En recepción normalmente se tiene una intensidad
A
Zona de
V1 Validación 1
T
Zona de
V0 Validación 0

Punto de frontera
• El receptor recibe un valor de voltaje v que debe asociar a 1 o 0
• El medio de transmisión es afectado por ruido cuya distribución es 
gaussiana
Valor del
pulso
Efecto del ruido

• Asumimos que
• P0 es la probabilidad de transmitir 0
• P1 es la probabilidad de transmitir 1
• La probabilidad de error en recepción: Pe

Pe  P 0   0( v ) dv  P1  1( v ) dv (1)
v1 v0
• Donde:
• P0 = probabilidad de error total
• ρ0(v) = Densidad de probabilidad de la función recibir 0
• ρ1(v) = Densidad de probabilidad de la función recibir 1
(Ambos afectados por ruido)
 Pe  P 0   0 (v ) dv  P1  1( v ) dv
v1 v0

Pe  P1   P0  0(v)  P11(v)dv

v1

 1( v ) P0
P 1  1 ( v )  P 0  0 ( v )  
 0 (v ) P1
• La funciones de densidad afectadas por ruido:
v2 (v A )2
 
2 2 2 2
e e
 0 (v )   1( v ) 
2  2
2  2

0 A
0 lógico 1 lógico

• Reemplazando ρ0(v) y ρ1(v) en (3)
(v A )2
 2
2
e P0
2 

v
2
P1
2
e
• Tomando logaritmos neperianos:
2vA  A2 P0
 ln
2 2 P1
• Por lo que:
A  2 P0
v   ln
2 A P1

• Como v es un valor instantáneo de tensión representa la región de error 
para 1. Por lo cual el punto de frontera
A  2 P0
v T   ln
2 A P1

0 A
T

• Una vez encontrado el punto de frontera, el error total puede ser calculado
• Si 0 es enviado, la probabilidad de que sea confundido con 1 (Error) será de 
que pase el umbral T hacia la región v1 por influencia del ruido
• Si:

A
P0  P1  T 
•
2
El error debido a cero sería sobrepasar A/2

A
Error
A/2

T=A/2

error

• La Probabilidad de error debidoa cero Pe0 es:

v
 2
 2
e
Pe 0   A
2 2  2
dv
• Similarmente la probabilidad de que 1 sea confundido con cero Pe1 es:
v
 2
A 2
e
Pe 1   2

2  2
dv

0 A

• Debido a la sumatoria de la función

Pe0 = Pe1 => Pe = P0 Pe0 + P1 Pe1

• Se puede escribir:

Pe = P0 Pe1 + P1 Pe1 = (P1+P1)Pe1

Pe ≈Pe1 => Pe = Pe0
• Entonces:

v2 v2 v2
 2
 2
 2

A 2 2 2
e 0 e 0 e
Pe   
2

2  2
dv   
2  2
dv   
A
2 2  2
dv

v2 Probabilidad de error total


2 2 de un sistema de
1 A
e
Pe  
2  0
2

2  2
dv transmisión digital afectado
por ruido de Gauss
 Ejemplo aplicado a 
telecomunicaciones
• Un sistema de comunicación envía una secuencia de prueba de dos códigos 
hexadecimales (FC) repetidamente para sincronizar el umbral de validación de 1 y 0 
en recepción. Asumiendo que el medio ruidoso atenua la señal en 30 dB y la 
distorsiona un 25% de su forma original (ruido Gauss) establecer el lumbral de 
validación para los símbolos 1 y 0 en potencia si el nivel de salida del transmisor es 
250mW, la modulación es ON/OFF

SOLUCIÓN:

Tx Medio
De Tx
Rx
A  2 P0
P0, P1 T   ln
Atenuación: 30dB 2 A P1
Distorsión: 25%
• Distribución de probabilidades de la secuencia de prueba FC
FC : 1111 1100 P1 = 6/8 = 3/4
6/8    2/8 P2 = 2/8 = ¼

• Salida en dB del transmisor:
Pot dB(salida) = 10 log 250mW/1mW = 23,97 dBm

• Atenuación del medio: 30dB => Nivel de llegada a Recepción
PotRx = 23,97 – 30 = ‐6,02 dBm
en watts: ‐6,02 dBm = 10 log x  => x = 0,25mW = A

• σ = 0,25A = 0,25 * 0,25 (mW) = 0,0625 mW
( 0 , 0625 mW ) 2  4 
1
0 , 25 mW
• T   ln  0 ,108 mW
2 0 , 25 mW 3 
 4
Pot (mW)

A = 0,25
Región 1
T = 0,108
Región 0
Fin de la presentación