Informe de Procesos Estocasticoshh

Anlisis de procesos estocsticos en el dominio de la frecuencia
Anlisis de procesos estocsticos en el dominio de

la frecuencia
F. Javier Cara
ETSII-UPM
Curso 2012-2013
Contenido
Funcin de densidad espectral
Definicin
Relacin con la transformada de Fourier
Propiedades
Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
Funcion de densidad espectral cruzada
Estimacion de la funcion de densidad espectral
Densidad espectral de algunos procesos estocsticos
Generacin de realizaciones artificiales

En el dominio del tiempo, un proceso estocstico queda

caracterizado si conocemos la funcin de medias X (t) y la funcin
de autocorrelacin RX ( ) (o la funcin de autocovarianzas).
Los procesos estocsticos estacionarios tienen propiedades muy
importantes cuando se analizan en el dominio de la frecuencia.
Un proceso estocstico queda caracterizado en el dominio de la
frecuencia mediante la funcin de densidad espectral, que es la
transformada de Fourier de RX ( ).
La descripcin en el dominio de la frecuencia de una seal
determinista x(t) viene dado por la transformada de Fourier X () (y
por tanto, tambin por el espectro, |X ()|2 ).
Sin embargo, no siempre es posible calcular la transformada de
Fourier de una seal aleatoria. La funcin de densidad espectral si se
puede calcular.
3

Para que una funcin f (t) tenga transformada de Fourier se tiene que
cumplir
1. La funcin es absolutamente integrable
Z +
|f (t)|dt <
2. Cualquier discontinuidad de f (t) es finita.

Sea {X (t)} un proceso estocstico. En principio, todos los procesos
estocsticos que vamos a considerar no tienen discontinuidades infinitas.
Para que se cumpla la primera propiedad se tiene que dar que X (t) 0
cuando t y t . Esto no pasa en los procesos estocticos!
Por tanto, no podemos calcular la transformada de Fourier de X (t).
Vamos a calcular la transformada de Fourier de la funcin de
autocorrelacin, que es la que nos sirve para caracterizar el proceso
estocstico en el dominio del tiempo.
4

Para procesos estacionarios, la funcin de autocorrelacin se puede poner

como:
RX ( ) = E (X (t)X (t + ))
Los procesos estocsticos estacionarios dejan de estar correlacionados
para valores muy grandes de , esto es
lim RX ( ) = E (X (t))E (X (t + )) = 2X
Si la media del proceso es distinta de cero, se le resta la media y por

tanto cumple que
lim RX ( ) = 0

Por tanto
|RX ( )|d <
Luego la funcin de autocorrelacin de los procesos estocsticos

estacionarios (con media cero) tiene transformada de Fourier.
5

Definicin
Definicin
Sea {X (t)} un proceso estocstico estacionario. La funcin de densidad
espectral de {X (t)}, que se escribe como SX (), se define como la
transformada de Fourier de la funcin de autocorrelacin:
Z
1
SX () =
RX ( )e i d
2
Z
RX ( ) =
SX ()e i d
Las ecuaciones anteriores se conocen tambin como las ecuaciones de

Wiener-Kinchin en honor a los matemticos Norbert Wiener y Aleksandr
Khinchin.
Como la funcin de autocorrelacin caracteriza al proceso estocstico en
el dominio del tiempo, la funcin de densidad espectral caracteriza al
proceso en el dominio de la frecuencia.
6

Relacin con la transformada de Fourier de X (t)
Si estamos trabajando con el proceso estoctico {X (t)} y con la

Transformada de Fourier (T.F.), sera deseable que la funcin de
densidad espectral estuviese definida a partir de la T.F. de {X (t)}
Z
1
T .F .
X (t)e it dt
X (t) X () =
2
Sin embargo, si el proceso estocstico es estacionario,

R tericamente
X (t) se extiende desde hasta +, y por tanto |X (t)|dt no
es finita, por lo que en principio no se puede hacer la T.F. de X (t).
Para resolver este problema vamos a considerar X (t) en el intervalo
(0, T ), y hacemos cero en el resto. Ahora si est definida la T.F.
Z
Z T
1
X (t)e it dt =
X (t)e i2ft dt
X (f , T ) =
2
0
Vamos a trabajar con f en lugar de con para evitar el factor
1
2 .
7

La media de |X (f , T )|2 para cada frecuencia f se calcula como

E (|X (f , T )|2 ) = E (X (f , T )X (f , T ))
Z T
Z
=E
X (t)e i2ft dt
0
=E
X (s)e
+i2fs
X (t)X (s)e
ds
i2f (ts)
ds dt
La regin de integracin se muestra en la figura siguiente (a). Si

definimos = t s, la nueva rea de integracin es (b).
!
Z Z
T
X (t)X (t )e i2f d dt
E (|X (f , T )|2 ) = E
tT

Si intercambiamos el orden de integracin y tomamos la esperanza

dentro:
Z TZ t
2
E (|X (f , T )| ) =
E (X (t)X (t )) e i2f d dt
0
tT
t
RX ( )e i2f d dt
tT
Como el integrando no depende de t, integramos primero en t y

luego en . Hay dos regiones de integracin, como se observa en (c):
para (T , 0) t (0, + T ); (0, T ) t (, T ).

E (|X (f , T )|2 ) =
Z
Z 0
i2f
RX ( )e
=
=
=
t+
dt d +
T
Z T
RX ( )e
i2f
( + T )d +
RX ( )e
i2f
dt
RX ( )e i2f ( T )d
RX ( )e i2f (T | |)d
La integral anterior va a infinito cuando T . Dividimos por T

para que esto no ocurra:

Z T
1
| |
E (|X (f , T )|2 ) =
RX ( )e i2f 1
d
T
T
T
Para T grande
1
E (|X (f , T )|2 ) =
lim
T T
RX ( )e i2f d = SX (f )
10

Teorema
Sea {X (t)} un proceso estocstico estacionario. La funcin de densidad
espectral de {X (t)} se puede expresar como:
1
E (|X (f , T )|2 )
T
1
SX () = lim
E (|X (, T )|2 )
T 2T
SX (f ) = lim
A grandes rasgos, lo que quiere decir el teorema anterior es que,

para un proceso estocstico estacionario, el espectro de amplitudes
del proceso se calcula como la media de los espectros de amplitudes
de las diferentes realizaciones y se denomina funcin de densidad
espectral (como una seal aleatoria no tiene transformada de Fourier
hay que dividir por T y calcular el lmite).
El espectro de amplitudes tambin se conoce como periodograma.
Pero el periodograma se suele representar en funcin del periodo, no
de la frecuencia (T = 1/f ).
11

Ya vimos un resultado similar en el tema de Fourier: la Transformada de

Fourier de la correlacin de dos funciones es igual al producto de la
conjugada de la Transformada de Fourier de la primera funcin y la
Transformada de Fourier de la segunda funcin.
Z
TF
y (t) =
x( )h(t + )d Y (f ) = H(f )X (f )
Cuando h(t) = x(t), la correlacin se conoce como autocorrelacin de

x(t). Entonces se tiene
Z
TF
y (t) =
x( )x(t + )d Y (f ) = X (f )X (f ) = |X (f )|2
La correlacin anterior es entre dos funciones deterministas. En el caso de

funciones aleatorias, tenemos que tomar esperanzas y dividir por T
lim
1
1
E (Y (f )) = lim
E (|X (f )|2 ) = Sx (f )
T T
T
12

Propiedades
Propiedades
La funcin de densidad espectral refleja el contenido en frecuencias

del proceso estocstico, como se desprende de la relacin entre la
funcin de densidad espectral y la transformada de Fourier. Por
tanto, dibujando la funcin de densidad espectral podemos observar
qu frecuencias son las ms importantes.
Simetra
SX () = SX ()
Se basa en el hecho de que |X (, T )| es simetrico.
La funcin de densidad espectral es positiva para todo .
El rea definida por la funcin de densidad espectral es igual al valor
cuadrtico medio del proceso estocstico (que es constante por
definicin de estacionaridad):
Z
Z
RX (0) = E (X 2 (t)) =
SX ()e 0 d =
SX ()d
13

Propiedades
Luego el valor cuadrtico medio

Z
X2 =
SX ()d
Como la media del proceso estocstico es cero:

Z
Z
X2 =
SX ()d y de igual manera X2 =
SX (f )df
es decir, el rea bajo la funcin de densidad espectral (ya sea en

rad/s o Hz) es igual a la varianza del proceso.
Estas relaciones son importantsimas. Por ejemplo, permiten
comprobar si est bien calculada la funcin de densidad espectral.
Tambien se utilizan para conocer las unidades de SX ().
* Si U son las unidades de X (t)
* las unidades de SX () son U 2 /(rad /s);
* las unidades de SX (f ) son U 2 /(Hz).
Por ejemplo, si estamos trabajando con aceleraciones, la funcion de

densidad espectral se mide en (m/s 2 )2 /(rad/s) o en (m/s 2 )2 /Hz.
14

Propiedades
Para cambiar de unidades de radianes por segundo a hertzios:

SX (f ) = 2SX ()
En efecto, = 2f d = 2df
Z
SX (f )df
X2 =
Z
Z
SX ()d X2 =
X2 =
SX ()2df
Si las frecuencias negativas son suprimidas, la funcin de densidad

espectral tiene que multiplicarse por dos para que se siga
conservando el rea.

2SX ()
0
GX () =
0
<0
15

Propiedades
Se definen por tanto 4 posibles representaciones de la densidad espectral
(a) es conocido como densidad espectral biliteral (two-sided).

(b) es conocido como densidad espectral uniliteral (one-sided).
16

Propiedades
Funcin de densidad espectral de potencia (PSD)
Antes de la llegada de los ordenadores, los espectros se calculaban

simulando las funciones mediante seales elctricas.
La energa de una seal x(t) se define como:
Z
E=
|x(t)|2 dt
La potencia media de una seal x(t) entre 0 y T se define como:

Z
1 T
|x(t)|2 dt
P = lim
T T 0
Las definiciones anteriores provienen de las seales elctricas: si v (t),

i(t) y R son potencial, intensidad y resistencia respectivamente:
v (t)i(t)
= i 2 (t) potencia instantnea por ohmio
R
La energa total y la potencia media disipadas en la resistencia son:
Z
Z
1 T 2
E =
|i 2 (t)|dt (Julios), P = lim
|i (t)|dt (Watios)
T T 0
p(t) =
17

Propiedades
Se definen los siguientes espectros:

1. Espectro de energa. Sea una seal x(t) con energia finita, esto es,
Z
E =
|x(t)|2 dt <
Por tanto, se cumple la condicin fundamental para que exista la

transformada de Fourier. El espectro se calcula como:
X () =
1
|X ()|2
2
Se conoce tambin como densidad espectral de energa.

2. Espectro de potencia. Si la seal x(t) no tiene energa finita no se
puede calcular su transformada de Fourier. Para calcular el espectro
cogemos la seal entre 0 y T y:
X () = lim
1
|X (, T )|2
2T
Debido a la semejanza de esta frmula con la densidad espectral, a

SX () tambin se conoce como densidad espectral de potencia.
18

Aplicacion. Funcion de densidad espectral de modelos

estocsticos lineales
En en dominio del tiempo hemos estudiado los siguientes modelos
estocsticos lineales:
Proceso de Ruido blanco.
Proceso MA(q).
Proceso AR(p).
Para estos procesos, las ecuaciones de Wiener-Kinchin se suelen escribir
como
N/2
X
S(f ) =
(h)e i2fh ,
1/2 f 1/2
h=N/2+1
(h) =
1/2
S(f )e i2fh df ,
h = 0, 1, 2, . . .
1/2
Es decir, transformada de Fourier en tiempo discreto (DTFT): los datos

son discretos, (h) = {( N2 + 1), , (1), (0), (1), ( N2 )}, pero la
funcion de densidad espectral se define continua.
19

Ya vimos que la DTFT se defina (para datos con tiempo normalizado, es

decir, t = 1)
X () =
N1
X
xk e ik
k=0
xk =
1
2
X ()e ik d
2
En estas frmulas, k = 0, 1, . . . , N 1, y est definida en cualquier

intervalo de longitud 2 [0, 2], [ 2 , 2 ]. Si utilizamos frecuencias
lineales, = 2f , d = 2df , [ 2 , 2 ] [ 21 , 21 ] (el intervalo de
integracin es cualquier intervalo de longitud uno), luego
X (f ) =
N1
X
xk e i2fk
k=0
xk =
1
2
21
X (f )e i2fk df
20

Densidad espectral del ruido blanco

El ruido blanco se define como
wt N(0, w2 )
Su funcin de autocovarianza es
w (h) =
Luego
Sw (f ) =
N/2
X
w2 si h = 0
0 si h 6= 0
w (h)e i2fh = w2 ,
1/2 f 1/2
h=N/2+1
Si trabajamos slo con frecuencias positivas

Gw (f ) = 2w2 ,
0 f 1/2
Luego todas las frecuencias tienen la misma potencia o son igualmente

importantes (igual que la luz blanca). El ruido blanco excita todas las
frecuencias por igual.
21

Pero hemos visto que la densidad espectral tambin se escribe como

SW (f ) = lim
1
1
E (|W (f , T )|2 ) = lim
E (W (f , T )W (f , T ) )
T T
T
dnde W (f , T ) quiere decir la transformada de Fourier de una seal de

ruido blanco wk de longitud T (si la seal se extiende de hasta +
no tiene transformada de Fourier!). Pero hemos visto que
Sw (f ) = w2
1
E (W (f , T )W (f , T ) ) = w2
T T
Esta propiedad la vamos a utilizar en los apartados siguientes.
lim
22

Densidad espectral de un proceso MA(q)
La ecuacin de un proceso estocstico MA(q) es:

xt = wt + 1 wt1 + 2 wt2 + + q wtq ,
wt N(0, w2 )
La funcin de densidad espectral de un proceso MA(q) es

Sx (f ) = w2 |1+1 e i2f +2 e i4f + +q e i2qf |2 ,
1/2 f 1/2
Gx (f ) = 2w2 |1 + 1 e i2f + 2 e i4f + + q e i2qf |2 ,
0 f 1/2
23

Para poder probar la frmula anterior, hay que utilizar las siguientes
propiedades de la transformada de Fourier:
Linealidad
T .F .
zk = axk + byk Z (f ) = aX (f ) + bY (f )
Despalzamiento en el tiempo (time shifting)

T .F .
xk X (f )
T .F .
xkm e i2fm X (f )
es decir, si la T.F. de xk es X (f ), entonces la transformada de
Fourier de xkm es e i2fm X (f ).
24

MA(q) xk = wk + 1 wk1 + 2 wk2 + + q wkq

La transformada de Fourier de xk es
X (f , T ) = W (f , T ) + 1 e i2f W (f , T ) + + q e i2qf W (f , T )

X (f , T ) = 1 + 1 e i2f + 2 e i4f + + q e i2qf W (f , T )
y el complejo conjugado
X (f , T ) = 1 + 1 e i2f + 2 e i4f + + q e i2qf

Por tanto
W (f , T )

2
X (f , T )X (f , T ) = 1 + 1 e i2f + + q e i2qf W (f , T )W (f , T )
Tomando esperanzas y el limite

1
Sx (f ) = lim
E [X (f , T )X (f , T )] =
T T

2
1
E [W (f , T )W (f , T )]
= 1 + 1 e i2f + 2 e i4f + + q e i2qf lim
T T

2 2
= 1 + 1 e i2f + 2 e i4f + + q e i2qf W
25

Densidad espectral de un proceso AR(p)

La ecuacin de un proceso estocstico AR(p) es:
xt = 1 xt1 + 2 xt2 + + p xtp + wt ,
wt N(0, w2 )
La funcin de densidad espectral de un proceso AR(p) es

Sx (f ) =
w2
|1 1 e i2f 2 e i4f q e i2pf |2
Gx (f ) =
1/2 f 1/2
2w2
|1 1 e i2f 2 e i4f q e i2pf |2
0 f 1/2
26

AR(p) xk = 1 xk1 + 2 xk2 + + p xkp + wk

La tranformada de Fourier de xk es
X (f , T ) = 1 e i2f X (f , T ) + + p e i2pf X (f , T ) + W (f , T )
W (f , T )
(1 1 e i2f 2 e i4f q e i2qf )
y el complejo conjugado
X (f , T ) =
X (f , T ) =
(1 1 e i2f
W (f , T )
2 e i4f q e i2qf )
W (f , T )W (f , T )
X (f , T )X (f , T ) =
|1 1 e i2f 2 e i4f q e i2qf |

Tomando esperanzas y el limite
limT T1 E [W (f , T )W (f , T )]
1
E [X (f , T )X (f , T )] =
2
T T
|1 1 e i2f q e i2qf |
Sx (f ) = lim
=
2
W
|1 1 e i2f 2 e i4f q e i2qf |
27

Ejemplo
Dibujar la funcin de densidad espectral del proceso MA(1) definido por
xt = wt + wt1 ,
wt N(0, w2 = 1)
Para un proceso MA(1)

xt = wt + 1 wt1 = (1 + 1 B)wt = (B)wt
con funcin de densidad espectral
Gx (f ) = 2w2 |1 + 1 e i2f |2
= 2w2 (1 + 1 e i2f )(1 + 1 e i2f )
= 2w2 (1 + 12 + 1 (e i2f + e i2f ))
= 2w2 (1 + 12 + 21 cos(2f )),
0 f 1/2
28

Funcion de densidad espectral de xt = wt + wt1

10
Sx(f) [U2x /Hz]
8
6
4
2
0
0.5
0.4
0.3
0.2
0.1
0
f (Hz)
0.1
0.2
0.3
0.4
0.5
0.3
0.4
0.5
Funcion de densidad espectral unilateral

10
Gx(f) [U2x /Hz]
8
6
4
2
0
0.5
0.4
0.3
0.2
0.1
0
f (Hz)
0.1
0.2
29


Sea X (t) un proceso estocastico estacionario. La funcin de
autocorrelacin se defini como
RXX ( ) = E [X (t)X (t + )]
Sean X (t), Y (t) dos procesos estocasticos estacionarios. Se define la
funcin de correlacin cruzada como
RXY ( ) = E [X (t)Y (t + )]
RYX ( ) = E [X (t + )Y (t)]
La funcin de densidad espectral cruzada se define como la transformada
de Fourier de la funcin de correlacin cruzada. Por tanto hay dos de
densidad espectral cruzada
Z
1
SXY () =
RXY ( )e i d
2
Z
1
RYX ( )e i d
SYX () =
2
30

Propiedades
Las funciones de correlacin se obtienen haciendo la transformada de

Fourier inversa
Z
RXY ( ) =
SXY ()e i d
Z
SYX ()e i d
RYX ( ) =
Las funciones de densidad espectral cruzada toman valores

complejos.
Si X (t) e Y (t) son procesos estasticos con valores reales
SXY () = SYX
()
Sea Z (T ) suma de dos procesos estocasticos

Z (t) = aX (t) + bY (t)
Entonces se cumple
SZZ () = a2 SXX () + abSXY () + abSYX () + b 2 SYY ()
31

Estimacin no paramtrica. Mtodo general.

La estimacion puede ser:
No paramtrica.
Paramtrica. Se ajusta un modelo matemtico a los datos.
Para definir la estimacin no paramtrica, vamos a utilizar la definicin
de la funcin de densidad espectral a partir de la T.F.:
1
E (|X (, T )|2 )
T 2T
SX () = lim
Si se tienen M realizaciones del proceso estocstico.

SX (, T , M) =
M
1 1 X
|Xm (, T )|2
2T M m=1
Evidentemente, esta estimacin ser mejor si disponemos de muchas

realizaciones (M >>). En general, la longitud de las realizaciones T debe
ser suficiente para que la funcin de autocorrelacin converga a cero.
32

Pero tenemos que adaptar las frmulas anteriores a seales discretas.

Sean N valores discretos de X(t), xk = x(kt), k = 0, 1, . . . , N 1
La T.F. de xk Xn =
N1
X
xk e i2nk/N ,
n = 0, 1, . . . , N 1
n=0
El cuadrado del mdulo de Xn es
N1
X
|Xn |2 = Xn Xn =
xj e i2jn/N
j=0
N1
X N1
X
N1
X
xm e
i2mn/N
m=0
xj xm e i2(jm)n/N ,
n = 0, 1, . . . , N 1
j=0 m=0
El valor esperado de esta cantidad es:

X N1
X
N1
RX ((j m)t)e i2(jm)n/N ,
E |Xn |2 =
n = 0, 1, . . . , N 1
j=0 m=0
La doble suma se simplifica considerando el cambio de variables

r = j m,
j =s
33

E |Xn |

2
0
X
(N1)+r
r =(N1)
X
s=0
N1
X N1
X
r =1 s=r
n = 0, 1, . . . , N 1
RX (r t)e i2rn/N ,
La suma correspondiente a s tiene que realizarse primero porque est

expresada en trminos de r . La suma es

N1
X

|r |
RX (r t)e i2rn/N
1
E |Xn |2 = N
N
r =(N1)
Para N suficientemente grandes

E |Xn |2 = N
N
=
t
N1
X
RX (r t)e i2rn/N
r =(N1)
N1
X
r =(N1)
RX (r t)e i2rn/N t ,
n = 0, 1, . . . , N 1
34

La suma en la segunda expresin es una aproximacin a la funcin de

densidad espectral:
Z
SX (f ) =
RX ( )e i2f d
luego
Despejando

N
SX (fn ),
E |Xn |2 =
t
SX (fn ) =
y en rad/s
SX (n ) =

t
E |Xn |2 ,
N

t
E |Xn |2 ,
2N
n = 0, 1, . . . , N 1
n = 0, 1, . . . , N 1
n = 0, 1, . . . , N 1
35

Basndonos en estas frmulas, la funcin de densidad espectral discreta

se puede estimar como

t
E |Xn |2 , n = 0, 1, . . . , N 1
SX (fn ) =
N
Si tenemos M realizaciones del proceso estocstico, la estimacin de la
esperanza es
M

1 X
E |Xn |2 =
|Xmn |2 ,
M m=1
n = 0, 1, . . . , N 1
por lo que finalmente
M
t X
|Xmn |2 ,
SX (fn ) =
MN m=1
n = 0, 1, . . . , N 1
y la funcin de densidad espectral unilateral

M
X
X (fn ) = 2t
|Xmn |2 ,
G
MN m=1
n = 0, 1, . . . ,
N
2
36

Estimacin por mxima verosimilitud
Si estimamos por mxima verosimilitud, el estimador obtenido es:

M
t X
|Xmn |2 ,
SX (fn ) =
NM m=1
n = 0, 1, . . . , N 1
es decir, se obtiene el mismo resultado. Pero lo importante de este

mtodo es que podemos calcular la media y la varianza del estimador
La media del estimador de la funcin de densidad espectral es:

2k

X
f
1
(2k)
SX (fn )
E SX (fn ) = SX (fn ) +
(2k + 1)(2k)!
2
k=1
(f )2
S (fn ), n = 0, 1, . . . , N 1
24 X
La varianza del estimador de la funcin de densidad espectral es:

(S (f ))2
X n
Var SX (fn ) =
, n = 0, 1, . . . , N 1
M
es decir, cuanto mayor es SX (fn ), mayor es la varianza del estimador.
SX (fn ) +
37

Aspectos prcticos de la estimacin de la densidad espect.
Las frmulas descritas en los apartados anteriores se utilizan para

estimar la funcin de densidad espectral de un proceso estocstico
estacionario.
Sin embargo, a menudo slo disponemos de una realizacin y
tenemos que considerar el proceso estocstico como ergdico. La
estimacin en este caso sera:
t
|Xn |2 ,
SX (fn ) =
N
n = 0, 1, . . . , N 1
Esta estimacin es muy mala. Por ejemplo, su varianza es el

cuadrado de la funcin estimada:

2
Var SX (fn ) = (SX (fn ))
Para mejorar la estimacin considerando slo una realizacin

aplicamos windowing.
38

Windowing consiste en tomar segmentos de la seal, calcular el

espectro de cada segmento y luego hacer la media.
Al dividir la seal en segmentos, disminuye la resolucin en
frecuencias del espectro, es decir, la separacin entre las frecuencias
aumenta. Si la seal original est muestreada con t y tiene N0
puntos, y cada segmento tiene N1 puntos:
* Seal original: Frecuencia de Nyquist: fnq0 = 1/(2t); frecuencias:
fn0 = n/(N0 t) fn0 = 1/(N0 t).
* Segmentos: Frecuencia de Nyquist: fnq1 = 1/(2t); frecuencias:
fn1 = n/(N1 t) fn1 = 1/(N1 t).
* Por tanto, fnq0 = fnq1 , fn0 < fn1 .
Los segmentos se obtienen multiplicando la seal original por una

funcin de peso o ventana.
Cada ventana introduce un error en la DFT denominado leakage.
Ventanas habituales: rectangular, Hamming, Hanning, Barlett,
Chebyshev,...

Para aumentar el nmero de medias a la hora de estimar E |Xn |2
se utiliza el solapado de las ventanas Mtodo de Welch.
39

Estimacin paramtrica
Los mtodos no paramtricos no imponen ninguna condicin a las

seales, salvo que sean estacionarias. Si asumimos que el proceso
estocstico se ajusta a un modelo matemtico entonces tenemos
estimacin paramtrica.
Nosotros slo vamos a estudiar el modelo AR(p). Si los datos se
ajustan a un modelo AR(p)
xt = 1 xt1 + 2 xt2 + + p xtp + wt , wt N(0, w2 )
entonces el espectro ser
Gx (f ) =
|1 1
e i 2f
2w2
i
e 4f
q e i 2pf |2
0 f 1/2
Por lo tanto, si estimamos el modelo AR(p) a partir de los datos

xt = 1 xt1 + 2 xt2 + + p xtp + w
t , w
t N(0,
w2 )
la estimacin de la funcin de densidad espectral ser
x (f ) =
G
2
w2
|1 1 e i2f 2 e i4f q e i2pf |2
0 f 1/2
40

Ejemplo
Sea el proceso MA(1) definido por

xt = wt + wt1 , wt N(0, w2 = 1)
t = 1, 2, 3, . . . , N, N = 10000, t = 0,1 s
Estimar su funcin de densidad espectral.
Ya conocamos su funcin de densidad espectral terica
Gx (f ) = 2w2 (1 + 12 + 21 cos(2f )),
0 f 1/2
Como conocemos t, lo ideal es que la funcion de densidad espectral

est definida en 0 f fnq = 1/(2t)
0 f 1/2 0 f fnq = 1/(2t)
Luego hemos dividido las frecuencias por t. Como el rea bajo la
funcin de densidad espectral se tiene que conservar, multiplicamos Gx
por t.
La estimacin se lleva a cabo con la frmula
X (fn ) = 2t E (|Xn |2 ), n = 0, 1, . . . , N/2
G
N
41

Funcion de densidad espectral teorica
Estimacion con una realizacion

2
G1(f) [U2x /Hz]
Gx(f) [U2x /Hz]
2
1.5
1
0.5
0
3
4
f (Hz)
Estimacion con 100 realizaciones
1
0.5
0
3
4
f (Hz)
Estimacion con Welch de matlab
0
1
2
3
4
5
f (Hz)
Estimacion con una realizacion dividida en 10 segmentos
2
1
0.5
0
1
2
3
4
5
f (Hz)
Estimacion parametrica con un AR(20)
2
GAR(f) [U2x /Hz]
2
GWelch(f) [U2x /Hz]
1.5
1.5
1
0.5
0
1
0.5
0
G1s(f) [U2x /Hz]
G100(f) [U2x /Hz]
2
1.5
1.5
3
f (Hz)
1.5
1
0.5
0
f (Hz)
42

43


Si se conoce la funcin de densidad espectral de un proceso estacionario,
se pueden calcular realizaciones del proceso estocstico que verifiquen
dicha funcin de densidad espectral. Estas realizaciones artificiales se
pueden utilizar para carcular la respuesta del sistema en el tiempo.
Sea un proceso estocstico {X (t)} del que conocemos su funcin de
densidad espectral unilateral discreta, GX (n ). Sabemos que
t
E (|Xn |2 )
N
N1
1 X
xk e i2nk/N
Xn =
N
Gx (n ) =
k=0
xk =
N1
X
Xn e i2nk/N
n=0
por tanto, si generamos los Xn de manera que verifiquen la primera

ecuacin, podemos calcular una realizacin xk (utilizando la ltima
ecuacin) con la funcin de densidad espectral buscada.
44

En general, de la teora de la transformada de Fourier discreta sabemos

que los Xn son complejos
Xn = An + iBn
|Xn |2 = A2n + Bn2
E (|Xn |2 ) = E (A2n ) + E (Bn2 )
Como estamos trabajando con procesos estocsticos de media cero, se
cumple que
E (An ) = 0, E (Bn ) = 0
En efecto
N1
N1
N1
X 1
X 1
1 X
xk sin(2nk/N)
xk e i2nk/N =
xk cos(2nk/N)i
Xn =
N
N
N
k=0
k=0
k=0
Tomando esperanzas
E (Xn ) =
N1
X
k=0
E (xk )
N1
X
1
1
cos(2nk/N) i
E (xk ) sin(2nk/N)
N
N
k=0
Como el proceso tiene media cero E (xk ) = 0 E (An ) = 0, E (Bn ) = 0.
45

Por tanto se cumple que

E (A2n ) = Var (An ),
E (Bn2 ) = Var (Bn )
E (|Xn |2 ) = Var (An ) + Var (Bn )

Si tomamos

N
GX (n )
An N 0, 2 =
2t

N
2
Bn N 0, =
GX (n )
2t
entonces se cumple
t
t
E (|Xn |2 ) =
N
N

N
N
GX (n ) +
GX (n ) = Gx (n )
2t
2t
Y obtenemos la funcin de densidad espectral buscada.

46

Hay que tener en cuenta las propiedades de la transf. de Fourier discreta:

Si N es par:
P
N1
* X0 es real, en concreto es la media X0 = N1 k=0
xk . Como
trabajamos con procesos estocsticos de mecia cero, X0 = 0.
* XN/2 tambin es real
XN =
2
N1
N1
1 X
1 X
xk e i k =
xk cos(k)
N
N
k=0
k=0
Por tanto tomamos

2

N

2
GX ( N )
X N N 0, =
2
2
t
* Los trminos entre n = 1 y n = N2 1 se calculan generando An y

Bn como se ha indicado. Los trminos entre n = N2 + 1 y n = N 1
son complejos conjugados de stos.
Si N es impar:
* X0 sigue siendo la media X0 = 0.
* Los trminos entre n = 1 y n = N1
se calculan generando An y Bn
2
y n = N 1 son
como se ha indicado. Los trminos entre n = N+1
2
complejos conjugados de stos.
Una vez que tengamos calculados los Xn xk = ifft(Xn ).
47

Funcion de densidad espectral dada
20
10
0
10
20
30
w (rad/s)
Realizacion generada
40
50
60
100
xt
0
100
100
200
300
400
500
t (s)
Metodo Welch por defecto de matlab
600
700
Gx
20
10
0
10
20
30
40
50
w (rad/s)
Metodo Welch con ventanas Hamming de 500 datos, solapadas el 75%
10
20
60
Gx
20
10
0
30
w (rad/s)
40
50
60
48

Informe de Procesos Estocasticoshh

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Informe de Procesos Estocasticoshh

Transféré par

Droits d'auteur :

Formats disponibles

Anlisis de procesos estocsticos en el dominio de la frecuencia

Anlisis de procesos estocsticos en el dominio de

Anlisis de procesos estocsticos en el dominio de la frecuencia

Anlisis de procesos estocsticos en el dominio de la frecuencia

Funcin de densidad espectral

En el dominio del tiempo, un proceso estocstico queda

Anlisis de procesos estocsticos en el dominio de la frecuencia

2. Cualquier discontinuidad de f (t) es finita.

Anlisis de procesos estocsticos en el dominio de la frecuencia

Para procesos estacionarios, la funcin de autocorrelacin se puede poner

Si la media del proceso es distinta de cero, se le resta la media y por

|RX ( )|d <

Luego la funcin de autocorrelacin de los procesos estocsticos

Anlisis de procesos estocsticos en el dominio de la frecuencia

Las ecuaciones anteriores se conocen tambin como las ecuaciones de

Anlisis de procesos estocsticos en el dominio de la frecuencia

Relacin con la transformada de Fourier de X (t)

Si estamos trabajando con el proceso estoctico {X (t)} y con la

Sin embargo, si el proceso estocstico es estacionario,

Vamos a trabajar con f en lugar de con para evitar el factor

Anlisis de procesos estocsticos en el dominio de la frecuencia

La media de |X (f , T )|2 para cada frecuencia f se calcula como

La regin de integracin se muestra en la figura siguiente (a). Si

Anlisis de procesos estocsticos en el dominio de la frecuencia

Si intercambiamos el orden de integracin y tomamos la esperanza

Como el integrando no depende de t, integramos primero en t y

Anlisis de procesos estocsticos en el dominio de la frecuencia

La integral anterior va a infinito cuando T . Dividimos por T

Anlisis de procesos estocsticos en el dominio de la frecuencia

A grandes rasgos, lo que quiere decir el teorema anterior es que,

Anlisis de procesos estocsticos en el dominio de la frecuencia

Ya vimos un resultado similar en el tema de Fourier: la Transformada de

Cuando h(t) = x(t), la correlacin se conoce como autocorrelacin de

La correlacin anterior es entre dos funciones deterministas. En el caso de

Anlisis de procesos estocsticos en el dominio de la frecuencia

La funcin de densidad espectral refleja el contenido en frecuencias

Anlisis de procesos estocsticos en el dominio de la frecuencia

Luego el valor cuadrtico medio

Como la media del proceso estocstico es cero:

es decir, el rea bajo la funcin de densidad espectral (ya sea en

Por ejemplo, si estamos trabajando con aceleraciones, la funcion de

Anlisis de procesos estocsticos en el dominio de la frecuencia

Para cambiar de unidades de radianes por segundo a hertzios:

Si las frecuencias negativas son suprimidas, la funcin de densidad

Anlisis de procesos estocsticos en el dominio de la frecuencia

Se definen por tanto 4 posibles representaciones de la densidad espectral

(a) es conocido como densidad espectral biliteral (two-sided).

Anlisis de procesos estocsticos en el dominio de la frecuencia

Funcin de densidad espectral de potencia (PSD)

Antes de la llegada de los ordenadores, los espectros se calculaban

La potencia media de una seal x(t) entre 0 y T se define como:

Las definiciones anteriores provienen de las seales elctricas: si v (t),

Anlisis de procesos estocsticos en el dominio de la frecuencia

Se definen los siguientes espectros:

Por tanto, se cumple la condicin fundamental para que exista la

Se conoce tambin como densidad espectral de energa.

Debido a la semejanza de esta frmula con la densidad espectral, a

Anlisis de procesos estocsticos en el dominio de la frecuencia

Aplicacion. Funcion de densidad espectral de modelos

Es decir, transformada de Fourier en tiempo discreto (DTFT): los datos

Anlisis de procesos estocsticos en el dominio de la frecuencia

Ya vimos que la DTFT se defina (para datos con tiempo normalizado, es

En estas frmulas, k = 0, 1, . . . , N 1, y est definida en cualquier

Anlisis de procesos estocsticos en el dominio de la frecuencia