Técnica en el transmisor que altera intencionalmente la distribución de probabilidad de los símbolos de la constelación (o símbolos de modulación) desde la uniforme hacia una distribución objetivo elegida para aumentar la tasa de información alcanzable o reducir la relación señal‑ruido requerida para un formato de modulación dado; se implementa junto con codificación y demapeo de modo que las probabilidades de los símbolos aproximen una distribución eficiente respecto a la capacidad manteniendo la decodificabilidad.

Principio

Al asignar mayor probabilidad a símbolos de menor energía y menor probabilidad a símbolos de mayor energía (es decir, ajustando la distribución transmitida a una que sea casi óptima para la capacidad del canal), se reduce la energía media transmitida para una tasa dada o se aumenta la tasa alcanzable a un SNR dado.

Demostración

Escenario ilustrativo → Un enlace óptico con 64‑QAM sustituye la selección uniforme de símbolos por un transmisor que emite símbolos 64‑QAM según una función de masa de probabilidad tipo Maxwell‑Boltzmann implementada mediante un distribution matcher; el receptor usa demapeo de decisión blanda ajustado al priori no uniforme. Reconocimiento → Los log‑likelihood ratios del receptor reflejan los priors modelados. Acción → La corrección de errores decodifica con mayor tasa alcanzable al mismo SNR. Consecuencia → El sistema reduce la brecha con la capacidad del canal frente a la 64‑QAM uniforme, a costa de mayor procesamiento en transmisor/receptor.

Aplicación incorrecta

Tratar el modelado probabilístico como un método de corrección de errores (esperando que corrija errores del canal en lugar de modificar priors de símbolos) o aplicar una distribución modelada en el transmisor sin proporcionar al receptor el demapeo/LLR compatible; el error semántico es confundir priors probabilísticos con redundancia para corrección de errores.

Consecuencia

Si se aplica correctamente, el modelado probabilístico modifica la relación entre SNR y tasa alcanzable (mejora eficiencia espectral/energética) y requiere distribution matching, cálculo de LLR y posiblemente bloques más largos o mayor latencia; si se aplica mal puede aumentar errores de detección o no aportar beneficio y solo sumar complejidad.

Inversión

Las ganancias disminuyen o pueden invertirse cuando los efectos del canal alteran las estadísticas de símbolo asumidas (p. ej. distorsión no lineal fuerte, priors del receptor desajustados o canal que varía rápidamente) o cuando restricciones de implementación (bloques muy cortos, latencia estricta, capacidad de cálculo limitada) hacen ineficaz el distribution matching.

Límite

Claro dentro: par transmisor/receptor que usa explícitamente distribution matching y LLRs acordes al priori modelado para un canal discreto tipo AWGN. Caso límite: canal no lineal moderado donde el modelado ayuda a bajas potencias de emisión pero no a potencias mayores porque las no linealidades deforman las probabilidades. Claro fuera: técnicas de modelado geométrico que cambian posiciones de puntos de constelación manteniendo probabilidades uniformes.

Tensión semántica

Tensión entre la mejora de la eficiencia de información (más cerca de la capacidad) y el aumento de complejidad, latencia y sensibilidad al desajuste del modelo (no linealidades del canal o errores de estimación).

Síntesis

El modelado probabilístico no sustituye al codificado sino que adapta los priors de símbolo: combinado con distribution matching y demapeo adecuados acerca la operación a la capacidad del canal, pagando en complejidad de implementación y sensibilidad a desajustes.