Académique Documents
Professionnel Documents
Culture Documents
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
Para que una funcin f (t) tenga transformada de Fourier se tiene que
cumplir
1. La funcin es absolutamente integrable
Z +
|f (t)|dt <
Por tanto
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
1
2 .
7
=E
X (s)e
+i2fs
X (t)X (s)e
ds
i2f (ts)
ds dt
X (t)X (t )e i2f d dt
E (|X (f , T )|2 ) = E
tT
tT
t
RX ( )e i2f d dt
tT
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
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
1
1
E (Y (f )) = lim
E (|X (f )|2 ) = Sx (f )
T T
T
12
Propiedades
13
SX (f )df
Z
Z
SX ()d X2 =
X2 =
SX ()2df
p(t) =
17
1
|X ()|2
2
1
|X (, T )|2
2T
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
19
N1
X
xk e ik
k=0
xk =
1
2
X ()e ik d
2
N1
X
xk e i2fk
k=0
xk =
1
2
21
X (f )e i2fk df
20
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
0 f 1/2
1
1
E (|W (f , T )|2 ) = lim
E (W (f , T )W (f , T ) )
T T
T
22
wt N(0, w2 )
1/2 f 1/2
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 )
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
y el complejo conjugado
W (f , T )
2
X (f , T )X (f , T ) = 1 + 1 e i2f + + q e i2qf W (f , T )W (f , T )
25
wt N(0, w2 )
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
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 ) =
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
27
Ejemplo
Dibujar la funcin de densidad espectral del proceso MA(1) definido por
xt = wt + wt1 ,
wt N(0, w2 = 1)
0 f 1/2
28
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
8
6
4
2
0
0.5
0.4
0.3
0.2
0.1
0
f (Hz)
0.1
0.2
29
Propiedades
Z
SYX ()e i d
RYX ( ) =
SXY () = SYX
()
SX () = lim
M
1 1 X
|Xm (, T )|2
2T M m=1
N1
X
xk e i2nk/N ,
n = 0, 1, . . . , N 1
n=0
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
n = 0, 1, . . . , N 1
j=0 m=0
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 ,
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
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
n = 0, 1, . . . , N 1
M
t X
|Xmn |2 ,
SX (fn ) =
MN m=1
n = 0, 1, . . . , N 1
n = 0, 1, . . . ,
N
2
36
n = 0, 1, . . . , N 1
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
n = 0, 1, . . . , N 1
Estimacin paramtrica
|1 1
e i 2f
2w2
i
e 4f
q e i 2pf |2
0 f 1/2
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
41
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
2
1.5
1.5
3
f (Hz)
1.5
1
0.5
0
f (Hz)
42
43
k=0
xk =
N1
X
Xn e i2nk/N
n=0
44
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
45
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
XN =
2
N1
N1
1 X
1 X
xk e i k =
xk cos(k)
N
N
k=0
k=0
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.
47
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