UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERÍA ELÉCTRICA Y

ELECTRÓNICA
UNIDAD DE POSGRADO

RUIDO BLANCO

PRESENTADO POR:
DE LA TORRE CASTAÑEDA JIMN
HURTADO ORMEÑO JOSE DANID
REBATTA QUINTANILLA ANDERSON
VASQUEZ SALAS MICK ANTHONY

DOCENTE:
TEJADA CABANILLAS ADAN ALMIRCAR

CALLAO, 2023
PERÚ
RUIDO BLANCO 2

TABLA DE CONTENIDO

I. INTRODUCCIÓN ........................................................................................................................ 5

II. OBJETIVOS ................................................................................................................................ 7

III. DEFINICIÓN DE RUIDO BLANCO........................................................................................ 8

IV. CARACTERÍSTICAS DEL RUIDO BLANCO ..................................................................... 11

V. PROPIEDADES DEL RUIDO BLANCO ................................................................................ 12

VI. REPRESENTACIÓN MATEMÁTICA .................................................................................. 14

VII. MODELADO Y ESTIMACIÓN ............................................................................................ 16

VIII. APLICACIONES DEL RUIDO BLANCO .......................................................................... 24

IX. LIMITACIONES Y SUPOSICIONES .................................................................................... 28

X. EJERCICIOS DE RUIDO BLANCO ....................................................................................... 29

XI. CONCLUSIONES ................................................................................................................... 32

REFERENCIAS ............................................................................................................................. 33
RUIDO BLANCO 3

LISTA DE TABLAS

TABLA I RESULTADOS DEL TEST 19

TABLA II CATEGORÍAS DE INVESTIGACIÓN 20
RUIDO BLANCO 4

LISTA DE FIGURAS

Fig. 1. Función de Autocorrelación 30

RUIDO BLANCO 5

I. INTRODUCCIÓN

El ruido blanco es un concepto importante en estadística y análisis de datos. Se refiere a un

tipo de proceso estocástico en el que las observaciones son generadas de manera independiente y
aleatoria a lo largo del tiempo o el espacio [1]. Algunas de las características clave del ruido blanco
incluyen:

● Independencia: Las observaciones en un proceso de ruido blanco son

independientes entre sí, lo que significa que el valor de una observación no está
relacionado con el valor de ninguna otra observación en el proceso.
● Media constante: El ruido blanco tiene una media constante, lo que significa que la
media de todas las observaciones en el proceso es constante a lo largo del tiempo.
● Varianza constante: La varianza de las observaciones en el ruido blanco también es
constante, lo que implica que la dispersión alrededor de la media es constante a lo
largo del tiempo.
● Distribución normal: Las observaciones suelen seguir una distribución normal, lo
que significa que los valores se distribuyen de manera simétrica alrededor de la
media, siguiendo la conocida forma de campana.

La importancia del ruido blanco en el análisis de datos y el modelado estadístico radica en

varias áreas, las cuales se mencionan a continuación:

● Diagnóstico de series temporales: El ruido blanco es a menudo un supuesto clave

en el análisis de series temporales. Si los residuos (diferencia entre los valores
observados y los valores predichos por un modelo) se comportan como ruido
blanco, esto indica que el modelo es adecuado para capturar la estructura de los
datos y que no queda ninguna información significativa por explotar. Por lo tanto,
el ruido blanco se utiliza en el diagnóstico de la bondad de ajuste de los modelos de
series temporales.
● Estimación de parámetros: En muchos métodos de estimación de parámetros, se
asume que los errores son ruido blanco. Por ejemplo, en la regresión lineal, uno de
los supuestos fundamentales es que los residuos siguen una distribución de ruido
RUIDO BLANCO 6

blanco, lo que es esencial para obtener estimaciones eficientes y precisas de los

parámetros del modelo.
● Pronóstico: En el pronóstico de series temporales y en la predicción en general, se
asume que los errores son ruido blanco. Esto es importante para hacer predicciones
precisas y cuantificar la incertidumbre asociada a las predicciones.
● Validación de modelos: Al comparar diferentes modelos estadísticos, uno de los
criterios para seleccionar el mejor modelo es verificar si los residuos se comportan
como ruido blanco. Un modelo con residuos que se asemejan al ruido blanco es
preferible, ya que indica que el modelo está capturando adecuadamente la estructura
en los datos.

El ruido blanco es fundamental en estadística y análisis de datos porque proporciona una

base para muchos métodos y técnicas estadísticas. Cuando los datos se ajustan a este supuesto, los
análisis y los modelos suelen ser más fiables y útiles para la toma de decisiones.
RUIDO BLANCO 7

II. OBJETIVOS

Los objetivos de este trabajo son los siguientes:

● Introducción al concepto: Explicar de manera clara y accesible qué es el ruido

blanco en estadística y por qué es importante.
● Características del ruido blanco: Describir las principales características del ruido
blanco, como su media, varianza y autocorrelación.
● Aplicaciones en estadística: Explorar cómo el ruido blanco se utiliza en estadística
y análisis de series temporales, incluyendo predicciones y modelado.
● Modelado de series temporales: Explicar cómo el ruido blanco se usa en la
construcción de modelos de series temporales, como el ARIMA (AutoRegressive
Integrated Moving Average) y cómo afecta a la precisión de las predicciones.
● Estimación de parámetros: Mostrar cómo se pueden estimar los parámetros del
ruido blanco, como la varianza, a partir de datos observados.
● Procesos estocásticos: Relacionar el concepto de ruido blanco con otros procesos
estocásticos, como el ruido rojo y el ruido rosa, para comprender mejor su lugar en
la teoría de la estadística.
RUIDO BLANCO 8

III. DEFINICIÓN DE RUIDO BLANCO

El ruido blanco es un término que se utiliza en diversas disciplinas, como la estadística, la

ingeniería de señales, la física y la informática, para referirse a un tipo particular de señal o proceso
estocástico. Es un proceso estocástico en el que cada muestra o punto de datos tiene igual
probabilidad de tomar cualquier valor dentro de un rango específico, y estas muestras son
estadísticamente independientes entre sí.

En otras palabras, el ruido blanco es una señal aleatoria en la que cada valor o punto de
datos es generado de manera independiente y tiene una distribución de probabilidad uniforme o
constante en un cierto rango. Esta constancia en la distribución de probabilidad es un atributo
fundamental del ruido blanco y lo diferencia de otros tipos de señales aleatorias [2]. No existe
correlación temporal entre las muestras, y no hay patrones discernibles en la secuencia de datos. El
ruido blanco es a menudo utilizado en análisis de señales y sistemas, así como en diversas
aplicaciones en estadísticas y procesamiento de señales, debido a su simplicidad y propiedades
bien definidas.

El término "blanco" proviene de la analogía con la luz blanca, que contiene una amplia
gama de frecuencias en el espectro visible. De manera similar, el ruido blanco contiene una amplia
gama de valores en su espectro de frecuencias.

En estadística, el ruido blanco se define formalmente como un proceso estocástico

estacionario en el que las observaciones son independientes e idénticamente distribuidas (i.i.d.) con
una distribución de probabilidad constante y una varianza finita [3]. Esto se puede desglosar de la
siguiente manera:

● Serie de observaciones: El ruido blanco se representa como una secuencia de valores

aleatorios o muestras a lo largo del tiempo. Estas muestras pueden corresponder a
mediciones de una señal en diferentes momentos.
● Independientes: Las observaciones en una serie de ruido blanco son
estadísticamente independientes entre sí, lo que significa que el valor de una
observación no está correlacionado ni afectado por el valor de las observaciones
RUIDO BLANCO 9

anteriores o posteriores en la serie. En otras palabras, no hay dependencia temporal

en las observaciones.
● Idénticamente distribuidas (i.i.d.): Todas las observaciones en una serie de ruido
blanco provienen de la misma distribución de probabilidad. Esto significa que la
función de densidad de probabilidad que describe la probabilidad de que una
observación tome un valor particular es constante a lo largo de la serie. En otras
palabras, la distribución de probabilidad de cada observación es la misma, lo que
implica que las observaciones tienen la misma media, varianza y forma de
distribución.
● Distribución constante: La distribución de probabilidad de las observaciones en el
ruido blanco es constante en todo momento. No hay cambios en esta distribución a
lo largo del tiempo.
● Varianza finita: Las observaciones en el ruido blanco tienen una varianza finita, lo
que significa que la dispersión de los valores alrededor de la media es limitada.

El ruido blanco se utiliza en una variedad de aplicaciones, como modelado de

sistemas aleatorios, análisis de señales, pruebas de hipótesis estadísticas y más. También se
emplea como referencia en muchos campos, ya que su simplicidad y propiedades
estadísticas bien definidas facilitan su uso en análisis y pruebas. Debido a ello es un
concepto fundamental en estadística y tiene varias aplicaciones e importancias en este
campo, tales como:

● Modelado de series temporales

● Pruebas estadísticas
● Validación de modelos
● Simulaciones y experimentos estadísticos
● Procesamiento de señales
● Control de calidad

Debido a las aplicaciones previamente mencionadas el ruido blanco es esencial en

estadística porque proporciona una base fundamental para la modelización, prueba y
análisis de datos. Su importancia radica en su simplicidad y propiedades estadísticas bien
RUIDO BLANCO 10

definidas, lo que lo convierte en una herramienta valiosa para una amplia gama de
aplicaciones en la investigación estadística y el análisis de datos.
RUIDO BLANCO 11

IV. CARACTERÍSTICAS DEL RUIDO BLANCO

Las características del ruido blanco, que incluyen su independencia, distribución y aleatoriedad,
son fundamentales para comprender este fenómeno. A continuación, se detallan estas
características y se proporcionan referencias de libros que respaldan la información:

1. Independencia:
El ruido blanco se caracteriza por la independencia entre sus muestras o valores en
diferentes momentos. Esto significa que el valor en un instante de tiempo no está
correlacionado con el valor en ningún otro instante. En otras palabras, cada valor del
ruido blanco es estadísticamente independiente de los demás.
2. Distribución de Probabilidad:
El ruido blanco tiene una distribución de probabilidad constante a lo largo del tiempo.
Esta distribución es continua y se caracteriza por tener una media (valor esperado)
igual a cero y una varianza constante. Esto implica que las propiedades estadísticas
del ruido blanco se mantienen constantes.
3. Aleatoriedad:
El ruido blanco es inherentemente aleatorio. A pesar de tener una distribución
constante, no se puede predecir con certeza el valor exacto que tomará en un momento
dado. Cada valor del ruido blanco es una realización de una variable aleatoria, y su
comportamiento es impredecible.
RUIDO BLANCO 12

V. PROPIEDADES DEL RUIDO BLANCO

El ruido blanco es un tipo de señal aleatoria que se caracteriza por tener una densidad espectral de
potencia constante en todo el espectro de frecuencia audible. Aquí algunas propiedades del ruido
blanco:

● Densidad Espectral de Potencia Constante: En el ruido blanco, la potencia espectral

es constante a lo largo de todas las frecuencias audibles. Esto significa que hay igual
energía en cada banda de frecuencia, lo que le da su nombre de "blanco", ya que
contiene todas las frecuencias de manera equitativa.
● Estadísticamente Independiente: En una señal de ruido blanco, cada muestra es
estadísticamente independiente de las demás. Esto significa que no hay correlación
entre las muestras de ruido en diferentes momentos en el tiempo.
● Promedio de Energía Constante: La potencia promedio del ruido blanco es constante
con el tiempo. Esto es útil en aplicaciones donde se necesita un nivel constante de
energía, como en la calibración de equipos de medición.
● Amplitud Media Cero: La amplitud media del ruido blanco es cero. Esto significa
que, en promedio, la señal oscila alrededor de cero, y no tiene un valor DC
constante.
● Varianza Infinita: El ruido blanco tiene una varianza infinita. Esto significa que las
amplitudes pueden variar ampliamente, y no tiene un valor máximo. Sin embargo,
en aplicaciones prácticas, se limita la amplitud del ruido blanco para que no sea
infinita.
● Sonido Aleatorio: En el contexto del audio, el ruido blanco se percibe como un
sonido similar al de la estática de una radio o el sonido de una cascada de agua.
Debido a su densidad espectral constante, contiene todas las frecuencias audibles de
manera equitativa y suena como un murmullo constante.
● Aplicaciones: El ruido blanco se utiliza en una variedad de aplicaciones, incluyendo
pruebas de equipos de audio, cancelación de ruido, generación de señales aleatorias
en experimentos científicos y como una fuente de entropía en criptografía.
● Filtro de Color: El ruido blanco se puede transformar en otros tipos de ruido, como
el ruido rosa o el ruido marrón, mediante el uso de filtros de color. Estos filtros
RUIDO BLANCO 13

ajustan la densidad espectral de potencia para que no sea constante, lo que da como
resultado diferentes propiedades de ruido.

Así pues, el ruido blanco es una señal aleatoria con una densidad espectral de potencia constante
en todas las frecuencias audibles, y se utiliza en una variedad de aplicaciones en la ingeniería, la
ciencia y el ámbito del audio.
RUIDO BLANCO 14

VI. REPRESENTACIÓN MATEMÁTICA

El ruido blanco,es una secuencia de variables aleatorias independientes e idénticamente
distribuidas (i.i.d) cada una de las cuales tiene una distribución de probabilidad con una media
constante µ y una varianza constante σ[Link] implica que cada valor en la secuencia es
independiente de los demás y tiene la misma distribución de probabilidad.
En términos matemáticos, una secuencia de variables aleatorias X1, X2, X3... se considera ruido
blanco si estas cumplen con los siguientes términos:

● Independencia: Xi y Xj son independientes para todo i ≠ [Link] significa que el valor

de una observación no está correlacionado con el valor de otra observación en la
secuencia.
● Igual Distribución: Cada Xi tiene la misma distribución de probabilidad. Esto
significa que todas las observaciones provienen de la misma distribución de
probabilidad.
● Media Constante: Las variables aleatorias tienen una media constante, es decir,
E[Xi] = µ.
● Varianza Constante: Las variables aleatorias tienen una varianza constante, es decir
Var[Xi] = σ2.

El ruido blanco también se caracteriza por tener una función de densidad de probabilidad (PDF)
que sigue una distribución normal con valores de media 0 y desviación estándar 1 y la cual se
representa mediante la siguiente función:

Para un ruido gaussiano con media µ y varianza σ2, la PDF se define como:
RUIDO BLANCO 15

Donde:

● µ es la media (esperanza) del ruido gaussiano.

● σ2 es la varianza del ruido gaussiano.

Esta ecuación representa la distribución del ruido gaussiano desde el punto de vista estadístico y
esta indica la probabilidad de que el valor del ruido en un punto dado X esté en el intervalo [X, X
+ δx], donde δx es un diferencial infinitesimal.

Es importante mencionar que el ruido blanco es un concepto teórico y se utiliza para modelar datos
aleatorios, su aplicación viene dada en una variedad de campos, incluyendo ingeniería, estadísticas,
economía y muchas otras disciplinas. La utilidad de este modelo se da en la independencia e
igualdad en la distribución de los datos el cual es usado para describir fenómenos aleatorios en
muchas aplicaciones prácticas.
RUIDO BLANCO 16

VII. MODELADO Y ESTIMACIÓN

Modelado del Ruido Blanco:

El ruido blanco es un concepto fundamental en estadística y análisis de series temporales. Se define

como una secuencia de variables aleatorias independientes e idénticamente distribuidas (i.i.d) con
una media constante µ y una varianza constante σ[Link] desarrollo del modelado se establece por
medio de propiedades las cuales servirán para realizar predicciones y análisis estadísticos.A
continuación se presenta el modelado del ruido blanco desde el punto de vista estadístico:

1. Distribución de Probabilidad:

El ruido blanco está basado en una distribución normal (gaussiana) con una media constante µ y
una varianza constante σ2. La función de densidad de probabilidad de una distribución normal es:

2. Independencia e Identidad de las Variables:

Las variables en un ruido blanco son independientes entre sí, lo que significa que el valor en un
momento dado no está correlacionado con los valores en otros momentos. Además, las variables
son idénticamente distribuidas, lo que indica que todas siguen la misma distribución de
probabilidad.

3. Funciones de Autocorrelación y Auto-covarianza:

En un ruido blanco, las observaciones son completamente aleatorias y no están relacionadas entre
sí en diferentes momentos. No hay patrones ni correlación entre los datos en distintos puntos
temporales, lo que se refleja en una autocorrelación y una auto-varianza igual a cero.

Cov(Xt;Xs) = 0 para t ≠ s
RUIDO BLANCO 17

4. Estimación de Parámetros:

Cuando se tienen datos del ruido blanco, se pueden estimar los parámetros µ y σ2 a partir de las
observaciones. La media µ se estima utilizando el promedio de las observaciones, y la varianza σ2
se estima utilizando la fórmula de la varianza muestral.

Donde Xi son las observaciones y n es el número de observaciones.

5. Validación del Modelo:

Es importante validar el modelo de ruido blanco para asegurarse de que se ajusta adecuadamente a
los datos. Esto puede implicar realizar pruebas de normalidad en los residuos del modelo y verificar
la independencia de las observaciones.

Los pasos mostrados sirven para modelar el ruido blanco desde el punto de vista estadístico, por lo
que ahora presentaremos métodos que sirven para estimar sus parámetros y ayudarán a realizar el
análisis y predicciones precisas.

Métodos para estimar los parámetros del ruido blanco

Existen varios métodos para estimar los parámetros del ruido blanco a partir de una muestra de
datos observados, pero el enfoque está en representar los métodos más comunes para estimar la
media (µ) y la varianza (σ2) siendo esta mostrada a continuación:

Estimación de la Media (µ)

Media Muestral: La estimación más básica de la media en base al ruido blanco es simplemente el
promedio de las observaciones de la muestra. Si se tienen n observaciones del ruido blanco (X1,
X2, X3... Xn), entonces la estimación de la media es:
RUIDO BLANCO 18

Estimación de la Varianza (σ2)

Varianza Muestral: La estimación de la varianza del ruido blanco se puede calcular como la
varianza de las observaciones en la muestra. La fórmula para la varianza muestral S2, para una
muestra de n observaciones es:

Donde µ˄ es la media muestral calculada previamente.

Estimador de Máxima Verosimilitud (MLE): Para la distribución normal, el estimador de máxima

verosimilitud para la varianza (σ2) en una muestra de datos es:

Este estimador es equivalente a la varianza muestral cuando se utiliza el denominador n en lugar

de n-1, en la fórmula de la varianza muestral.

Estimador de Momentos: Este método utiliza los momentos muestrales para estimar los
parámetros. El segundo momento muestral (la varianza muestral) se utiliza para estimar la varianza
del ruido blanco.

La elección del método de estimación puede depender de las propiedades de los datos y de las
suposiciones sobre la distribución de los datos, para tener una mayor claridad de los descrito,
presentaremos a continuación un ejemplo el cual aplica todo lo mencionado anteriormente:

Ejemplo: Predicción de Ventas con Ruido Blanco

"Considerando la secuencia de ventas diarias de un producto en una tienda en línea para 10 días
(50, 48, 52, 49, 51, 50, 49, 51, 48, 50), se solicita determinar si estas cifras representan un proceso
de ruido blanco.
RUIDO BLANCO 19

Solución:

como primer punto de la solución se realiza el ordenamiento de los datos presentados por medio
de una clasificación secuencial de la variable X, tal y como se muestra a continuación:

X= [50,48,52,49,51,50,49,51,48,50];

X1=50, X2=48, X3=52, X4=49, X5=51, X6=50, X7=49, X8=51, X9=48, X10=50;

Para que estas variables se consideren un patrón de ruido blanco se debe cumplir con las siguientes
propiedades:

Media Constante: Las variables aleatorias tienen una media constante, es decir, E[Xi] = µ

Paso 1: Calcular la Media (µ)

Para calcular la media, sumamos todos los valores y dividimos por el número de observaciones:

Varianza Constante: Las variables aleatorias tienen una varianza constante, es decir, Var [Xi] = σ2.

Paso 2: Calcular la Varianza (σ2)

Primero, calculamos la diferencia entre cada observación y la media, luego elevamos al cuadrado
estas diferencias, sumamos los cuadrados y dividimos por el número de observaciones:

La varianza es 1.04

Independencia: Xi y Xj son independientes para i ≠ j Esto significa que las ventas de un día no
están correlacionadas con las ventas de otro día.

Paso 3: Verificar la Independencia (Función de Autocorrelación)

RUIDO BLANCO 20

Para verificar la independencia, se realizan pruebas estadísticas como la prueba de autocorrelación,

esto asegura que las ventas de un día no estén correlacionadas con las ventas de otro día. Si las
ventas son independientes, la autocorrelación debería ser cercana a cero para todos los
desplazamientos temporales diferentes de cero. Para ejecutar este proceso de cálculo hacemos uso
del software Matlab y el cual nos da los siguientes resultados los siguientes resultados:

La función de autocorrelación para los datos X es:

los valores de autocorrelación están cerca de cero, lo que indica independencia entre las
observaciones.

Igual distribución: Cada Xi tiene la misma distribución de probabilidad. Supongamos que las ventas
diarias siguen una distribución normal, entonces Xi ~N(µ,σ2) donde µ es la media y (σ2) la varianza.

Paso 4: Crear un Gráfico de Probabilidad Normal (Q-Q Plot)

Para verificar si las ventas siguen una distribución normal, utilizamos gráficos de probabilidad
normal (como el gráfico de probabilidad normal o el gráfico Q-Q), lo cual indica que una
distribución normal se da cuando los datos que se requieren analizar siguen una línea recta. Para
nuestro caso usamos el software Matlab para realizar los siguientes cálculos:
RUIDO BLANCO 21

Para nuestro caso, los puntos se aproximan a la línea recta lo cual indica que estos siguen una
distribución normal.

Varianza Constante: Las variables aleatorias tienen una varianza constante, es decir Var[Xi] = σ2

Paso 5: Verificar la Media y Varianza Constantes (Dividir en Subconjuntos)

Hemos calculado la media y la varianza para el conjunto de datos muestreados. Para verificar si
estos datos son constantes procedemos a calcularlo por medio de subconjuntos adicionales a las
ventas y con ello verificar los resultados tal y como se muestra a continuación:
RUIDO BLANCO 22

Para el primer subconjunto (días 1 a 5):

Media: 50

Varianza: 2.5

Para el segundo subconjunto (días 6 a 10):

Media: 49.6

Varianza: 1.3

Los datos parecen tener una varianza ligeramente diferente entre los dos subconjuntos, lo cual
indica una ligera variación en la dispersión de los datos. La media también muestra una pequeña
diferencia entre los dos subconjuntos, pero ambas medias están muy cerca entre ellas

Interpretación de los resultados

A partir del ejemplo analizado, podemos relacionar el concepto de ruido blanco con los resultados
obtenidos de la siguiente manera:
RUIDO BLANCO 23

• Independencia (Función de Autocorrelación): los resultados de la auto-correlación del

ejercicio fueron valores muy cercanos a cero por lo que estos datos indican que son
independientes entre sí, cumpliéndose esta caracterización propia del ruido blanco.
• Normalidad (Q-Q Plot): El ruido blanco se caracteriza por tener una distribución
normal. La prueba visual de normalidad a través del gráfico de probabilidad normal (Q-
Q plot) ayuda a determinar si los datos siguen una distribución normal. Aunque en el
ejercicio estos datos no son perfectamente normales, tienen una aproximación razonable
a una línea recta en el Q-Q por lo que se indica una distribución cercana a la normalidad.
• Media y Varianza Constantes: En un proceso de ruido blanco, la media y la varianza de
las observaciones son constantes. Los cálculos que realizamos para dividir los datos en
subconjuntos y verificar la constancia de la media y la varianza son coherentes con esta
propiedad del ruido blanco.

Los resultados demuestran que las observaciones cumplen con las propiedades básicas de un patrón
de ruido blanco debido a que estos datos tienen aproximadamente una independencia entre ellos,
además que muestran una distribución que se asemeja a la normalidad y una variabilidad constante.
RUIDO BLANCO 24

VIII. APLICACIONES DEL RUIDO BLANCO

• Después de ajustar un modelo estadístico a un conjunto de datos, especialmente en el

análisis de series temporales, los residuos (los errores o las partes de las observaciones
que no se explican por el modelo) idealmente deberían comportarse como "ruido
blanco". Esto significa que, si has capturado toda la información disponible en tus
variables explicativas, lo que queda (los residuos) son solo fluctuaciones aleatorias
(ruido) que no puedes predecir.
• En estadística, se asume que los errores en un modelo están distribuidos como ruido
blanco. Esta es una suposición subyacente para pruebas de hipótesis y otros métodos de
inferencia. Si los errores no son ruido blanco, esto indica dependencia de serie,
heterocedasticidad u otros problemas que podrían invalidar los resultados de estas
pruebas clásicas.
• En el campo de las finanzas, se utiliza el ruido blanco para modelar cambios de precios
y retornos que son esencialmente impredecibles y, como tal, deben modelarse como
procesos estocásticos. Aquí, el concepto de eficiencia de mercado también se relaciona
con la idea de que los cambios de precios son ruido blanco, indicando que toda la
información disponible ya está incorporada en los precios actuales.

Aplicación en Ingeniería:

Pruebas de Sistemas de Comunicación y Componentes Electrónicos: El ruido blanco se utiliza a

menudo para probar la respuesta de frecuencia de los sistemas de audio y otros sistemas de
comunicación. Debido a su espectro de frecuencia uniforme, el ruido blanco es invaluable para
identificar y medir la respuesta de un sistema a diferentes frecuencias simultáneamente.
Ejemplo:
Prueba de Respuesta de Frecuencia en un Amplificador de Audio.
Supongamos que un ingeniero está diseñando un amplificador de audio y necesita
asegurarse de que el amplificador proporciona una amplificación consistente a través del
espectro audible (20 Hz a 20 kHz). Aquí es cómo el ruido blanco se podría usar:
RUIDO BLANCO 25

• Generación de ruido blanco: Generamos una señal de ruido blanco que tiene una
energía igualmente distribuida en todo el espectro de frecuencias. Herramientas y
software especializados como MatLab pueden crear esta señal, que presenta una forma
de onda altamente aleatoria.
• Aplicación de la señal: Esta señal se envía al amplificador de audio como entrada. Es
importante que la señal cubra todas las frecuencias que el amplificador está diseñado
para manejar, es decir, todo el rango de audición humana.
• Medición y análisis: En la salida del amplificador, el ingeniero mide la señal
amplificada utilizando un analizador de espectro, un dispositivo que descompone la
señal en sus componentes de frecuencia respectivos.
• Evaluación de la respuesta de frecuencia: Al comparar la intensidad de las diferentes
frecuencias de la señal de salida con la señal de entrada original, el ingeniero puede
determinar cómo el amplificador está modificando la señal. Si el amplificador es
perfecto, la señal de salida debería ser una versión más fuerte de la señal de entrada sin
cambios en la distribución de la frecuencia. Cualquier desviación de este ideal
destacarán las frecuencias donde el amplificador no está proporcionando suficiente (o
está proporcionando demasiada) amplificación.
• Ajuste y mejora: Basándose en este análisis, el ingeniero puede hacer ajustes en el
diseño del amplificador, como modificar circuitos de realimentación o cambiar
componentes, para corregir las deficiencias reveladas por la prueba con ruido blanco.

Los pasos descritos lo ejemplificamos en el programa Matlab:

Definimos los parámetros de la señal:

fs = 44100; % Frecuencia de muestreo en Hz
dur = 5; % Duración de la señal en segundos
t = 0:1/fs:dur-1/fs; % Vector de tiempo

Generamos la señal de Ruido Blanco

white_noise = randn(1, length(t));
Diseño del amplificador
RUIDO BLANCO 26

ganancia = 2;
amplificador_salida = ganancia * white_noise;
amplificador_salida(10000:end) = 0.5 * amplificador_salida(10000:end);

Se utilizará la señal white_noise para evaluar la respuesta en frecuencia del amplificador.

fft_entrada = fft(white_noise);
fft_salida = fft(amplificador_salida);
f = (0:length(t)-1)*(fs/length(t));

Agregamos el código para generar la representación gráfica de las respuestas en el dominio

de la frecuencia.
subplot(2, 1, 1);
plot(f, abs(fft_entrada));
title('Espectro de Frecuencia de la Señal de Entrada');
xlabel('Frecuencia (Hz)');
ylabel('Magnitud');

subplot(2, 1, 2);
plot(f, abs(fft_salida));
title('Espectro de Frecuencia de la Señal de Salida');
xlabel('Frecuencia (Hz)');
ylabel('Magnitud');
RUIDO BLANCO 27

El uso de ruido blanco como señal de prueba es beneficioso porque, al ser aleatorio y contener
todas las frecuencias, proporciona una prueba completa de la capacidad de un amplificador o
sistema para manejar todas las frecuencias audibles de manera uniforme. Cualquier cambio o
alteración en la respuesta de frecuencia del amplificador será evidente cuando se analiza la señal
de salida en comparación con la señal de entrada de ruido blanco.
RUIDO BLANCO 28

IX. LIMITACIONES Y SUPOSICIONES

● Independencia: Se supone que cada punto en una secuencia de ruido blanco es una variable
aleatoria independiente. Esto significa que no hay autocorrelación en la serie.
● Distribución: A menudo se asume que el ruido blanco tiene una distribución normal, aunque
esto no es estrictamente necesario.
● Energía: En algunas aplicaciones, se asume que el ruido blanco tiene energía constante en
todas las frecuencias. Esta característica puede no ser cierta en todos los contextos
prácticos.
● No es predecible: Dado que se trata de un proceso aleatorio, no es posible prever valores
futuros basados en valores pasados.
● Varianza Constante: Se asume que la varianza es constante a lo largo del tiempo, lo cual
puede no ser válido en todas las aplicaciones
RUIDO BLANCO 29

X. EJERCICIOS DE RUIDO BLANCO

1.- Para el siguiente proceso 𝑌𝑡 :

𝑌𝑡 = 0.5𝑌𝑡−1 + 𝑎𝑡

donde 𝑎𝑡 , es un ruido blanco con varianza 1.

a) Calcule la media y la varianza marginal y condicional del proceso. Compare los valores
marginales y condicionales.
Media marginal:
𝐸(𝑌𝑡 ) = 𝐸(𝑌𝑡−1 ) = 𝜇

Tomando esperanzas en la ecuación se llega a 𝜇 = 0 dado que un proceso de ruido blanco tiene
esperanza cero.
Media condicional: suponemos que conocemos el valor de: 𝑌𝑡−1 = 𝑌𝑡−1.
Luego, la esperanza condicional será
𝐸(𝑌𝑡 /𝑌𝑡−1 = 𝑌𝑡−1 ) = 0.5𝑌𝑡−1
1
Varianza marginal: 𝐸(𝑌 2 𝑡 ) = 1−0.25 = 1.3.

Varianza condicional: el valor de 𝑌𝑡−1 se conoce con certeza por lo que su varianza es cero. Por lo
tanto
𝐸(𝑌𝑡 /𝑌𝑡−1 = 𝑌𝑡−1 ) = 1

Comparación: la varianza condicional siempre toma un valor menor que la marginal dado que
conocer el pasado más cercano reduce la incertidumbre sobre la dinámica de la serie. Sin embargo,
no puede decirse que la media condicional sea mayor o menor que la marginal. Eso dependerá del
valor sobre el que se condiciona en 𝑡 − 1.

b) Calcule la covarianza y función de autocorrelación del proceso hasta el periodo 4.

Autocovarianzas:
𝛾(1) = 𝐸(𝑌𝑡 , 𝑌𝑡−1 ) = 0.5𝛾(0)
𝛾(2) = 𝐸(𝑌𝑡 , 𝑌𝑡−2 ) = 0.5𝛾(1) = 0.52 𝛾(0)
RUIDO BLANCO 30

𝛾(3) = 𝐸(𝑌𝑡 , 𝑌𝑡−3 ) = 0.5𝛾(2) = 0.53 𝛾(0)

𝛾(4) = 𝐸(𝑌𝑡 , 𝑌𝑡−4 ) = 0.5𝛾(3) = 0.54 𝛾(0)
Autocorrelaciones: en general se sabe que
𝛾(𝑘)
𝜌(𝑘) =
𝛾(0)
𝛾(1)
𝜌(1) = = 0.5
𝛾(0)
𝜌(2) = 0.52
𝜌(3) = 0.53
𝜌(4) = 0.54
En general, la función de autocorrelación de este proceso decrece de forma exponencial
acercándose progresivamente a cero.

Fig.1 Función de Autocorrelación

RUIDO BLANCO 31

2. Dados los dos siguientes procesos estocásticos:

(𝑎) 𝑦𝑡 = 𝑦𝑡−1 + 0.3 + 𝜀𝑡

(𝑏) 𝑦𝑡 = 1.7𝑦𝑡−1 + 0.7𝑦𝑡−2 + 𝜀𝑡

Donde 𝜀𝑡 es un proceso ruido blanco con varianza 𝜎𝜀 2

a) Clasifique ambos modelos dentro de la familia ARI(p,d) y escríbalos usando el operador de
retardos.
El proceso (a) es un ARI(0,1)
El proceso (b) es un ARI(2,0)

b) Discuta las propiedades de estacionariedad de cada uno de los procesos y en su caso

obtenga la transformación estacionaria de la variable original.
El proceso (a) es claramente no estacionario al ser una de las raíces igual a la unidad. Las
raíces del proceso (b) son:

1.7 ± 2.39 −2.2

𝑥= ={
−1.4 0.49

Una de las raíces está dentro del círculo unicad por lo que sería explosivo y no estacionario.

c) Señale las características evolutivas en el nivel de las series temporales generadas por el
proceso (a).
El proceso es un paseo aleatorio con deriva. Sería un proceso con crecimiento sistemático
determinista de 0.3 unidades en cada periodo t mientras el nivel de la serie estaría afectado
por innovaciones estocásticas.
RUIDO BLANCO 32

XI. CONCLUSIONES

● El ruido blanco es una herramienta versátil en diversas disciplinas, desde la estadística hasta
la ingeniería y la acústica.
● A pesar de su aparente aleatoriedad, el ruido blanco es una de las formas más simples y
fundamentales de procesos estocásticos, y sirve como punto de partida para estudiar
sistemas más complejos.
● Aunque el ruido blanco es útil en teoría, los practicantes deben ser cautelosos al asumir que
los datos reales son ruido blanco, ya que pueden existir autocorrelaciones u otras estructuras
en los datos que pueden ser pasadas por alto.
● En modelos estadísticos, especialmente en series temporales, la identificación y tratamiento
adecuado del ruido es esencial para obtener predicciones precisas y conclusiones sólidas.
ARCHIVO FOTOGRÁFICO DE LA UNIVERSIDAD DE ANTIOQUIA: VALORACIÓN HISTÓRICA... 33

REFERENCIAS

[1] D. C. Montgomery, C. L. Jennings y M. Kulahci, Introduction to Time Series Analysis and

Forecasting. Wiley Sons, Inc. John, 2015.
[2] R. J. Hyndman y G. Athanasopoulos, Forecasting: Principles and Practice. OTexts, 2021.
[3] S. G. Makridakis, Forecasting: Methods and applications, 3a ed. New York: Wiley, 1998.
[4] D. Stirzaker, Stochastic Processes and Models. Oxford Univ. Press, 2005.
[5] D. Stirzaker y G. Grimmett, Probability and Random Processes: Fourth Edition. Oxford
Univ. Press, 2020.
[6] J. K. Blitzstein y J. Hwang, Introduction to Probability. Chapman Hall/CRC, 2019. Accedido
el 24 de octubre de 2023.
[7] P. Z. P. Jr, Probability, Random Variables and Random Signal Principles.
McGraw-HillEduc., 1993.
[8] A. Novales, Series temporales. Estacionariedad, raíces unitarias. Departamento de
Economía Cuantitativa, Universidad Complutense, 2016.

[9] V. Tuzlukov, Signal Processing Noise. Taylor Francis Group, 2018.

[10] J. G. Proakis, Digital signal processing: Principles, algorithms, and applications, 2a ed. New
York: Macmillan, 1992.