Rec. UIT-R P.

1057-2

RECOMENDACIN UIT-R P.1057-2

Distribuciones de probabilidad para establecer modelos de
propagacin de las ondas radioelctricas
(1994-2001-2007)
Cometido

Los modelos de propagacin de las ondas radioelctricas requieren un amplio uso de mtodos
estadsticos. Esta Recomendacin proporciona informacin general sobre las distribuciones de
probabilidad ms importantes, con el fin de dar una base comn a los mtodos estadsticos para la
prediccin de propagacin utilizada en las Recomendaciones de las Comisiones de Estudio de
Radiocomunicaciones.
La Asamblea de Radiocomunicaciones de la UIT,
considerando
a)
que la propagacin de las ondas radioelctricas est asociada principalmente con un medio
aleatorio, lo que hace necesario analizar los fenmenos de propagacin con mtodos estadsticos;
b)
que, en la mayora de los casos, es posible describir satisfactoriamente las variaciones de
los parmetros de propagacin en el tiempo y en el espacio sobre la base de distribuciones
estadsticas conocidas;
c)
que, por consiguiente, es importante conocer las propiedades fundamentales de las
distribuciones de probabilidad ms comnmente utilizadas en las estadsticas de los estudios de
propagacin,
recomienda
1
que para la planificacin de los servicios de radiocomunicaciones y para la prediccin de
los parmetros de calidad de funcionamiento de los sistemas se utilice la informacin estadstica
pertinente al modelo de propagacin proporcionado en el Anexo 1;
2
que el procedimiento paso a paso suministrado en el Anexo 2 se utilice para aproximar una
distribucin acumulativa complementaria mediante una distribucin acumulativa complementaria
log-normal.

Anexo 1
Distribuciones de probabilidad para establecer modelos de la propagacin
de las ondas radioelctricas
1

Introduccin

La experiencia ha mostrado que la informacin sobre los valores medios de las seales recibidas no
es suficiente para caracterizar la calidad de funcionamiento de los sistemas de radiocomunicaciones,
por lo que se han de tener tambin en cuenta las variaciones en funcin del tiempo, del espacio y de
la frecuencia.

Rec. UIT-R P.1057-2

El comportamiento dinmico de las seales deseadas e interferentes desempea un papel decisivo

en el anlisis de la fiabilidad del sistema y en la eleccin de los parmetros del sistema, tal como el
tipo de modulacin. Es esencial conocer el alcance y la rapidez de las fluctuaciones de la seal para
poder especificar parmetros como, el tipo de modulacin, la potencia de transmisin, la relacin de
proteccin contra la interferencia, las medidas de diversidad, el mtodo de codificacin, etc.
Para la descripcin de la calidad de funcionamiento de un sistema de comunicaciones a menudo es
suficiente observar la serie temporal de la fluctuacin de las seales y caracterizar estas
fluctuaciones como un proceso estocstico. Sin embargo, para establecer modelos de las
fluctuaciones de las seales con el propsito de predecir el funcionamiento del sistema
radioelctrico, se requiere adems el conocimiento de los mecanismos de interaccin de las ondas
radioelctricas con la atmsfera (atmsfera neutra e ionosfera).
La composicin y el estado fsico de la atmsfera es muy variable en el espacio y en el tiempo. Por
tanto, el establecimiento de modelos de interaccin de la onda, exige el uso extensivo de mtodos
estadsticos para caracterizar diversos parmetros fsicos que describan la atmsfera, as como los
parmetros elctricos que definen el comportamiento de la seal y los procesos de interaccin que
relacionan estos parmetros.
A continuacin, se proporciona informacin general sobre las distribuciones de probabilidad ms
importantes. Esto puede suministrar un antecedente comn a los mtodos estadsticos para la
prediccin de la propagacin utilizados en las Recomendaciones de la Comisiones de Estudio de
Radiocomunicaciones.
2

Distribuciones de probabilidad

Los procesos estocsticos se describen generalmente mediante una funcin de densidad de

probabilidad o mediante una funcin de distribucin acumulativa. La funcin de densidad de
probabilidad, designada aqu por p(x) para la variable x, es de naturaleza tal que existe una
probabilidad p(x) dx de que x tome un valor comprendido en el intervalo infinitesimal de x a x dx.
La funcin de distribucin acumulativa, designada F(x), determina la probabilidad de que la
variable tome un valor inferior a x, es decir, que estas funciones estn relacionadas como sigue:
p( x)

d
F ( x)
dx

o:
x

F ( x)

p(t )

dt

donde c es el lmite inferior de los valores que puede tomar t.

Las siguientes distribuciones son las ms importantes y las utilizadas corrientemente en la
propagacin de las ondas radioelctricas:

distribucin normal o gaussiana,

distribucin log-normal,

distribucin de Rayleigh,

distribucin combinada log-normal y de Rayleigh,

distribucin de Nakagami-Rice (distribucin n de Nakagami),

distribucin gamma y distribucin exponencial,

Rec. UIT-R P.1057-2

distribucin m de Nakagami,

distribucin 2 de Pearson.

Distribucin gaussiana o distribucin normal

Esta distribucin se aplica a una variable continua de cualquier signo. La densidad de probabilidad
tiene la forma:
p(x) eT (x)

(1)

donde T(x) es un polinomio de segundo grado no negativo. Si se utilizan como parmetros el valor
medio, m, y la desviacin tpica, , p(x) se escribe en la forma usual:
p( x)

1
1 xm
exp

2

2

(2)

de donde:
1 t m
1

exp

2
2
x

F ( x)

dt

1
xm

1 erf
2
2

(3)

con:
z

erf ( z )

2
2
e t dt

(4)

La distribucin normal acumulativa F(x) se tabula generalmente en forma reducida, es decir,

considerando m como nulo y igual a la unidad. En ese caso, el Cuadro 1 da la correspondencia
entre x y F(x) para ciertos valores redondeados sea de x sea de F(x).
CUADRO 1
x

1 F(x)

1 F(x)

0,5

1,282

101

0,1587

2,326

102

0,02275

3,090

103

1,350 103

3,719

104

3,167 105

4,265

105

2,867 107

4,753

106

9,866 1010

5,199

107

5,612

108

Rec. UIT-R P.1057-2

En los clculos prcticos se puede representar F(x) mediante funciones aproximadas como, por
ejemplo, la siguiente, que es vlida para x positivo con un error relativo inferior a 2,8 103:
1 F ( x)

exp ( x 2 / 2)

2 0,661 x 0,339 x 2 5,51

(5)

La distribucin gaussiana se da sobre todo cuando los valores de la magnitud considerada resultan
del efecto aditivo de varias causas aleatorias, cada una de las cuales tiene una importancia
relativamente pequea.
En la propagacin, la mayora de las magnitudes fsicas que intervienen (potencia, tensin, duracin
de un desvanecimiento, etc.) son magnitudes esencialmente positivas, y, por tanto, no pueden
representarse directamente mediante una distribucin gaussiana. En cambio, esta distribucin
interviene en dos casos importantes:

para representar las fluctuaciones de una magnitud alrededor de su valor medio (centelleo);

para representar el logaritmo de una magnitud. Se obtiene entonces la distribucin lognormal que se estudia ms adelante.
Existen en el comercio diagramas en los que una de las coordenadas tiene la forma denominada
gaussiana, es decir que la graduacin es tal que una distribucin gaussiana se representa mediante
una recta. Estos diagramas se utilizan mucho, incluso para representar distribuciones que no son
gaussianas.
4

Distribucin log-normal

Es la distribucin de una variable positiva cuyo logaritmo tiene una distribucin gaussiana. Se
pueden, pues, escribir directamente la densidad de probabilidad y la distribucin acumulativa:
p( x)

1
1
1 ln x m
exp

2 x

1 ln t m
1
1
exp

2 0 t

F ( x)

dt

1
ln x m

1 erf
2
2

(6)
(7)

Sin embargo, en estas relaciones, m y son el valor medio y la desviacin tpica, no de la variable x
sino del logaritmo de esta variable. Las magnitudes caractersticas de la variable x se deducen sin
dificultad. Siendo:

el valor ms probable:

exp (m 2)

el valor mediano:

exp (m)

el valor medio:

2
exp m

el valor cuadrtico medio:

exp (m 2)

la desviacin tpica:

2
exp m

exp ( 2 ) 1

A diferencia de la distribucin gaussiana, la distribucin log-normal es extremadamente asimtrica.

En particular, el valor medio, el valor mediano y el valor ms probable (a menudo denominado
moda) no son idnticos (vase la Fig. 1).

Rec. UIT-R P.1057-2

La distribucin log-normal se aplica a menudo en propagacin, principalmente para magnitudes

relacionadas, bien con un nivel de potencia o de campo, bien con una duracin. En el caso de los
niveles de potencia o de campo como suelen estar expresados slo en decibelios, se habla ms bien
de una distribucin normal de los niveles. En el caso de duraciones (por ejemplo, las duraciones de
los desvanecimientos), la distribucin log-normal se utiliza explcitamente, pues la variable natural
es el segundo o el minuto y no su logaritmo.
Como la inversa de una variable que tiene una distribucin log-normal tiene tambin la misma
distribucin, sta se aplica en ciertos casos a intensidades (inversas de la duracin). Por ejemplo, se
utiliza para representar la distribucin de las intensidades de la lluvia, al menos para las
intensidades de lluvia bajas y medias.
Frente a la distribucin gaussiana, se puede considerar que la intervencin de la distribucin lognormal significa que los valores numricos de la variable resultan de la accin de numerosas causas
de poca importancia individual, pero que actan con efecto multiplicador.

Rec. UIT-R P.1057-2

Distribucin de Rayleigh

La distribucin de Rayleigh se aplica a una variable continua positiva no limitada. Est ligada a la
distribucin gaussiana del modo siguiente. Dada una distribucin gaussiana bidimensional con dos
variables independientes y y z de media cero y con la misma desviacin tpica , la variable
aleatoria:
x

y2 z2

(8)

tiene una distribucin de Rayleigh, y el valor ms probable de x es igual a . Como x representa la

longitud de un vector que une un punto de una distribucin gaussiana bidimensional con el centro
de esta distribucin, se puede deducir que la distribucin de Rayleigh representa la distribucin de
la longitud de un vector que es la suma de un gran nmero de vectores de pequea amplitud y cuyas
fases tienen una distribucin uniforme.
La densidad de probabilidad y la distribucin acumulativa vienen dadas por:

x 2
exp

2
2 2

(9)

x 2
F ( x ) 1 exp

2 2

(10)

p ( x)

La Fig. 2 representa las funciones p(x) y F(x).

Rec. UIT-R P.1057-2

Los valores caractersticos de la variable son los siguientes:

el valor ms probable:

el valor mediano:

2 ln 2 1,18

el valor medio:

1,25
2

el valor cuadrtico medio:

2 1,41

la desviacin tpica:

0,655
2

Obsrvese que es la desviacin tpica de la distribucin gaussiana asociada a la distribucin

Rayleigh.
La distribucin de Rayleigh suele utilizarse nicamente en las inmediaciones del origen, es decir,
para valores bajos de x. En ese caso, se tiene:
F ( x)

x2
2 2

(11)

Lo que se interpreta de la siguiente manera: la probabilidad de que la variable aleatoria X tenga un

valor inferior a x es proporcional al cuadrado de este valor. Si la variable considerada es una
tensin, su cuadrado representa la potencia de la seal. En otros trminos, en una escala en
decibelios, la potencia disminuye 10 dB por cada dcada de probabilidad. Esta propiedad permite a
menudo saber si un nivel recibido tiene una distribucin de Rayleigh, al menos asintticamente. Sin
embargo, cabe observar que otras distribuciones pueden tener el mismo comportamiento.
En particular, la distribucin de Rayleigh se produce en los fenmenos de dispersin.
6

Distribucin combinada log-normal y de Rayleigh

En ciertos casos, la distribucin de una variable aleatoria puede considerarse como resultante de la
combinacin de dos contribuciones: una distribucin log-normal para las variaciones a largo plazo y
una distribucin de Rayleigh para las variaciones a corto plazo. La distribucin de los valores
instantneos se obtiene considerando una variable de Rayleigh cuyo valor medio (o valor cuadrtico
medio) es en s una variable aleatoria que tiene una distribucin log-normal.
Si se designan con m y , respectivamente, el valor medio y la desviacin tpica de la distribucin
gaussiana asociada a la distribucin log-normal, se obtiene la distribucin siguiente:
1 F ( x)

1
u2
exp x 2 e 2 u
du

2
2

(12)

En esta frmula, la desviacin tpica se expresa en neperios. Si se designa con su valor en

decibelios, se obtiene:
0,115

(13)

La Fig. 3 muestra una representacin grfica de esta distribucin para un nmero determinado de
valores de la desviacin tpica, donde se considera que el valor de m es igual a cero.
Esta distribucin interviene principalmente en la propagacin por inhomogeneidad del medio,
cuando las caractersticas de ste tienen variaciones significativas a largo plazo, como, por ejemplo,
en la difusin troposfrica.

Rec. UIT-R P.1057-2

Distribucin de Nakagami-Rice (distribucin n de Nakagami) (vase la Nota 1)

NOTA 1 No debe confundirse con la distribucin m de Nakagami.

La distribucin de Nakagami-Rice se deduce tambin de la distribucin gaussiana, y generaliza la

distribucin de Rayleigh. Puede considerarse como la distribucin de la longitud de un vector que
es la suma de un vector fijo y de un vector cuya longitud tiene una distribucin de Rayleigh. De
forma alternativa, dada una distribucin gaussiana bidimensional con dos variables independientes
x e y y con la misma desviacin tpica , la longitud de un vector que une un punto de la
distribucin con un punto fijo, diferente del centro de la distribucin, tiene una distribucin de
Nakagami-Rice.

Rec. UIT-R P.1057-2

Si se designa por a la longitud del vector fijo, y la longitud ms probable del vector de Rayleigh,
la densidad de probabilidad vendr dada por:
p( x)

ax
x 2 a 2
exp
I

2
2 0

2
2

(14)

donde I0 es la funcin de Bessel modificada de primera especie y de orden cero.

Esta distribucin depende de dos parmetros, pero para las aplicaciones a los problemas de
propagacin, se deber elegir una relacin entre la amplitud a del vector fijo y la amplitud
cuadrtica media 2 del vector aleatorio. Esta relacin depende de la aplicacin considerada.
Las dos aplicaciones principales son las siguientes:
a)
La potencia del vector fijo es constante, pero vara la potencia total de las componentes fija
y aleatoria
Si se estudia la influencia de un rayo reflejado por una superficie rugosa, o si se consideran las
componentes por trayectos mltiples adems de la componente fija, la potencia media viene dada
por ( a 2 2 2 ) . Esta distribucin suele definirse en trminos de un parmetro K:

a 2
2 2

K 10 log

dB

(15)
que es la relacin entre las potencias del vector fijo y de la componente aleatoria.
b)
La potencia total de las componentes fija y aleatoria es constante, pero varan ambas
componentes
Si se estudia la propagacin por trayectos mltiples a travs de la atmsfera, se puede considerar
que la suma de la potencia transportada por el vector fijo y de la potencia media transportada por el
vector aleatorio es constante, puesto que la potencia transportada por el vector aleatorio proviene de
la del vector fijo. Tomando la potencia total como unidad, se obtiene, pues:
(16)

a 2 2 2 1

y la fraccin de la potencia total transportada por el vector aleatorio es, pues, igual a 2 2 .
Igualmente, si se designa por X la amplitud instantnea del vector resultante y por x un valor
numrico de esta amplitud, la probabilidad de obtener un nivel instantneo superior a x viene dada
por:
Prob (X x) 1 F(x)

a 2
2a
2 exp
exp 2 I 0
d

2
2 x/ 2

(17)

10

Rec. UIT-R P.1057-2

La Fig. 4 muestra esta distribucin para diferentes valores de la fraccin de potencia transportada
por el vector aleatorio.

Rec. UIT-R P.1057-2

11

Para las aplicaciones prcticas, se ha utilizado para las amplitudes una escala en decibelios y, para
las probabilidades, una escala tal que una distribucin de Rayleigh se representa mediante una recta.
Se observa que para los valores de la fraccin de potencia del vector aleatorio superior a
0,5 aproximadamente, las curvas se acercan a un lmite, que corresponde a una distribucin de
Rayleigh. Esto se debe a que, en ese caso, el vector fijo tiene una amplitud del mismo orden de
magnitud que la del vector aleatorio y prcticamente ya no se distingue de ste. En cambio, para
pequeos valores de esta fraccin, se puede demostrar que la distribucin de la amplitud tiende
hacia una distribucin gaussiana.
8

Distribucin gamma y distribucin exponencial

Contrariamente a las distribuciones precedentes que derivaban de la distribucin gaussiana, la

distribucin gamma deriva de la distribucin exponencial, de la que constituye una generalizacin.
Se aplica a una variable positiva y no limitada. La densidad de probabilidad es:
p( x)

1 x
x
e
( )

(18)

donde es la funcin de Euler de segundo orden.

Esta distribucin depende de dos parmetros y . Sin embargo, es slo parmetro de escala de
la variable x. Los valores caractersticos de la variable son:

valor medio:

valor cuadrtico medio:

desviacin tpica:

(1 )

La integral que expresa la distribucin acumulativa no puede evaluarse en forma cerrada, salvo para
valores enteros de . En cambio se pueden dar los desarrollos siguientes:
Aproximacin mediante una serie con x 1:
F ( x)

1
x
( x ) 2
e x ( x ) 1

....
( 1)
1 ( 1) ( 2)

(19)

Aproximacin asinttica con x 1:

1 F ( x)

1
1 ( 1) ( 2)
e x ( x ) 1 1

....
( )
x
( x ) 2

(20)

Para igual a la unidad, se obtiene la distribucin exponencial. Para entero, el desarrollo

asinttico posee un nmero fijo de trminos y da la distribucin gamma en forma explcita.

12

Rec. UIT-R P.1057-2

En propagacin, los valores interesantes de son los valores muy bajos, del orden de 1 102 a
1 10 4. Ahora bien, para prximo a cero, tenemos:
1 ~

~
( )
( 1)

(21)

Por consiguiente, se puede escribir para pequeo y para x no demasiado pequeo:

1 F ( x) ~

e t
dt
t

(22)

Para el clculo prctico, se puede hallar una aproximacin a la integral anterior, por ejemplo:
1 F ( x) ~

e x
0,68 x 0,28 log x

(23)

que es vlida para < 0,1 y x 0,03.

La distribucin acumulativa de la funcin gamma complementaria para pequeos valores de se
muestra en la Fig. 5. Puede observarse que la probabilidad de que la variable x sea
significativamente superior a cero es siempre pequea. Esto explica en particular el empleo de la
distribucin gamma para representar la intensidad de lluvia, puesto que el porcentaje total de tiempo
de lluvia es en general del orden de 2 a 10%.
9

Distribucin m de Nakagami (vase la Nota 1)

NOTA 1 En este punto m indica un parmetro de la distribucin m de Nakagami; no es un valor medio

como en los puntos precedentes de este Anexo.

Esta distribucin se aplica a una variable positiva no limitada. La densidad de probabilidad es

igual a:
p ( x)

2m m
( m) m

x 2 m 1 e

x2

(24)

es un parmetro de escala que es igual al valor medio de x2.

x2

(25)

Esta distribucin tiene varias relaciones con las distribuciones anteriores:

si una variable tiene una distribucin m de Nakagami, el cuadrado de esta variable tiene una
distribucin gamma;

para m 1, se obtiene una distribucin de Rayleigh;

para m 1/2, se obtiene una distribucin normal unilateral.

Rec. UIT-R P.1057-2

13

La distribucin m de Nakagami y la distribucin de Nakagami-Rice pueden, pues, considerarse

como dos generalizaciones diferentes de la distribucin de Rayleigh. Cabe observar que, para
seales de niveles muy bajos, la pendiente de la distribucin m de Nakagami tiende hacia un valor
que depende del parmetro m contrariamente a la distribucin de Nakagami-Rice, en la cual, la
pendiente lmite es siempre la misma (10 dB por dcada de probabilidad). La Fig. 6 muestra la
distribucin acumulativa m de Nakagami para diversos valores del parmetro m.

14

10

Rec. UIT-R P.1057-2

Distribucin 2 de Pearson

La densidad de probabilidad viene dada por la relacin:

2

p ( )

22

2
e 2

( )

1
2

(26)

Rec. UIT-R P.1057-2

15

La variable 2 es positiva e ilimitada; el parmetro es un nmero entero positivo, y se denomina

nmero de grados de libertad de la distribucin. representa la funcin de Euler de segundo orden.
Segn la paridad de se tiene:

1 !

2
2

par:

(27)

1
2 ...

2
2
2
2

impar:

(28)

La distribucin acumulativa viene dada por:

2

F ( )

22

t
1
2 t2
dt

(29)

El valor medio y la desviacin tpica son los siguientes:

(30)
(31)

Una propiedad esencial de la distribucin de 2 es la siguiente: Si n variables xi tienen distribuciones de Gauss con una media mi y una desviacin tpica i, la variable:
n

i l

xi mi

(32)

tiene una distribucin de 2 con n grados de libertad. En particular, el cuadrado de una variable de
Gauss tipificada tiene una distribucin 2 con un grado de libertad.
Si varias variables independientes tienen distribuciones 2, su suma tiene tambin una distribucin 2 cuyo
nmero de grados de libertad es igual a la suma de los grados de libertad de cada una de las variables.
La distribucin 2 no es esencialmente distinta de la distribucin gamma. Se pasa de una a otra
mediante las relaciones siguientes:
2
x
2

(33)

n
2

(34)

Asimismo, se pasa de la distribucin 2 a la distribucin m de Nakagami por la transformacin

siguiente:
2
m 2

x
2

m
2

(35)
(36)

La distribucin de 2 se utiliza en pruebas estadsticas que sirven para determinar si un conjunto de

valores experimentales de una magnitud (intensidad de lluvia, atenuacin, etc.) puede modelizarse
con una distribucin estadstica dada.
La Fig. 7 da una representacin grfica de esa distribucin para cierto nmero de valores de .

16

Rec. UIT-R P.1057-2

Rec. UIT-R P.1057-2

17

Anexo 2
Procedimiento paso a paso para aproximar una distribucin
acumulativa complementaria mediante una distribucin
acumulativa complementaria log-normal
1

Antecedentes

La distribucin acumulativa log-normal se define como:

x
1
1
1

exp
t
2
2
0
1
ln x m
1 erf

2
2

ln t m

F ( x)

dt

(37)

o equivalentemente:
1
2

F ( x)

ln x m

t2
exp
dt
2

(38)

De modo similar, la distribucin acumulativa complementaria log-normal se define como:

1 ln t m
1
1
G( x )
exp

2 x t
2
1
1
ln x m

erfc
1 erf
2
2
2

dt

(39)

ln x m

2

o equivalentemente:

t2
1
exp
dt

2
2 ln x m

G( x )

(40)

ln x m

donde Q . es la integral de la probabilidad acumulativa complementaria normal. Los parmetros

m y pueden estimarse a partir de un conjunto de n pares (Gi,xi) tal como se describe en el prrafo
siguiente.
2

Procedimiento

Estimar los dos parmetros logartmico-normales m y como sigue:

Paso 1: Construir el conjunto de n pares (Gi,xi), donde Gi es la probabilidad de que xi sea rebasado.
Paso 2: Transformar el conjunto de n pares de (Gi,xi) en (Zi, ln xi),
donde:
Zi

2 erfc 1 2 Gi

2erf 1 1 2 Gi o, de modo equivalente, Z i Q

Gi

18

Rec. UIT-R P.1057-2

Paso 3: Determinar las variables

lineal:

m y realizando un ajuste de mnimos cuadrados a la funcin

ln xi Z i m

como sigue:
n

Z i ln xi Z i ln xi

i 1

i 1

i 1
2

Zi 2 Zi
i 1

i 1

ln xi Zi

m i 1

i 1