Tesis Doctoral X 2001801

A17V~1
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
~II~I~
1 1 1 1 1 li i 11111111111I I U~U
5309570432*
UNIVERSIDAD CaMPLUTENSE
ESTIMACION DEL ESPECTRO EN MODELOS ALEATORIOS
Memoria que presenta

a
M- Dolores Snchez Muoz

para optar al grado de Doctor
en Ciencias Matemticas.
Madrid
Junio de 1992
u
u
u
u
u
u
u
u
u
u
MIS PADRES
u
u
u
u
u
u
u
u
uu
u
Este trabajo ha sido realizado bajo la direccin de la Profesora

Doctora Da.
Carmen Santisteban Requena,
a quien quiero expresar aqu
mi mas profundo agradecimiento, por sus valiosas orientaciones,

ayuda y generosa dedicacin durante la preparacin del mismo.
Mi
agradecimiento especial al profesor Doctor D.
Carcia por el
eficaz
Miguel Snchez
inters y valioso asesormiento que ha dedicado a esta
memoria.
Agradezco a la Doctora Da Pilar 2uloaga Arias su
incondicional
apoyo tanto personal como acadmico.
Tambin quiero agradecer a mi familia y amigos la ayuda prestada,

as como a
todas aquellas personas que de una manera u otra me han
alentado dndome su estmulo y comprension.

Maria Dolores Snchez Muoz.
u
u
1~
PROLOGO
La
humano,
entre
experiencia
del
Psiclogo
ellos
los
de
naturaleza
comportamiento
sonora
visual,
ejercen
el
inters
sus repuestas,
siempre
se considera
distintos campos de
en
comn
los
creciente
la esencia
indispensable
puntos
de
llegar
del ser humano,
la actividad humana,
diferentes
por
el
la
el
Interrelacin entre
con el
vista,
hasta
a travs de
se
fin de que,
llegue
los
poniendo
una
mayor
informacin sobre este tipo de planteamientos.

Tambin se
desarrollo de
conoce
el
avance
tanto
terico
mtodos y tcnicas de prediccin,
rango de sus aplicaciones.
De otro lado,
como prctico en el
as
como del
de lograr mayor
El
amplio
es cada vez mayor el empeo
por modelizar adecuadamente situaciones de la vida actual
sobre
individuo llegando a modificar a veces sesgadamente su conducta.
conocimiento ms profundo en
estudio del
pone de manifiesto la influencia que cierto tipo de estmulos,
Dado
en el
con el
fin
informacin sobre ellas.
inters
hacia
estos
temas
le
debo
fundamentalmente a
tres
motivaciones:
A
que
al avance de
Matemtica
Estadstica
me
acercan
al
nuevas tcnicas,
pueden ser modelizados y estudiados en
profundidad.
a
travs de
mis
Satisteban
vinculaciones
con
la
Facultad
de Psicologa
donde
su Escuela recib mi formacin como psicloga y donde sigo
colaborando
formacin
estudio y modelizacin formal de fenmenos de la vida real que gracias
2 A
mi
en
cursos
quien
tambin
investigaciones dirigidos
ha
dirigido
II
asesorado
por
y
la
0e
estimulado
Carmen
este
3
U
3
U
U
trabajo.
32
Por
disciplina
pertenencia
en calidad
de Eioestadistica
de
la
de
profesora
Facultad
de
Asociada
Medicina,
de
la
donde
se
abordan mtodos formales encaminados al estudio y conocimiento del ser

humano.
El
estudio
de
los
modelos
aqu
propuestos,
est
realizado
fundamentalmente en el dominio de la frecuencia tomando como base las

tcnicas del
estudio
de
Anlisis
los
Espectral,
mismos
en
si
el
bien se
dominio
del
incide
tiempo,
tambin
en el
estableciendo
comparaciones entre ambos.

Este trabajo monogrfico,
la vez que
recoge gran parte de
las
tcnicas desarrolladas en el estudio y estimacin del espectro terico

en modelos aleatorios, poniendo marcado inters, sobre modelos donde
el
ruido
es
parte
fundamental
en
el
proceso,
propone otras que
se
estudian en l.
La presentacin de los
contenidos,
se hace a lo
largo de
cinco
captulos.
En
mi
el
conceptos
primer
captulo,
fundamentales
espectral
de
seales.
se
bsicos
realiza
en el
Partiendo
una
estudio
del
revisin
de
anlisis
la
de
descomposicin en serie, y el concepto de transformada,

definiciones
de
espectros
bilaterales,
relacionando
del espacio,
del tiempo y de
unidimensionales,
sobre
descomposicin
Fourier,
su
se llega a las
unilaterales
conceptos y operaciones entre los

la frecuencia.
los
dominios
llaciendo por ltimo una
breve mencin al concepto de espectro bidimensional.
En
el
captulo
transformaciones
transmisor
ideal.
segundo,
modificaciones
Se
hace
se
realiza
de
funciones
referencia
III
al
un
estudio
reproduciendo
operador
delta
de
sobre
algn
Dirac,
U
U
completando
el
captulo
estudio
sobre
filtros
lineales
como
operadores inportantes en la modificacin de seales.

En
el
tercer
captulo
se
exponen
bsicos sobre los procesos estacionarios,
los
conceptos
tericos
desarrollando la integracin
respecto de un proceso estocstico para comprender la descomposicin y

la
representacin espectral
conceptos
sobre
muestreo,
de
estos
procesos.
alsamento y
modelos
Se
dan
importantes
en
tiempo
discreto
finalizando el captulo con un estudio sobre teora general de filtros

lineales.
En
ruidos
el
captulo cuarto
blancos
frecuencias
exponiendo
en
estudian
tambin
recogen algunos filtros
algunas
tcnicas
la
Se
la
espectrales,
estimar
modificacin de
exponiendo
la
una
de
Se estudian mtodos de optimizacin global.

para
destacando
estimacin
de
discretos
sobre
especiales de
tcnica
mtodos
procesos discretos
ventanas
se
espectros
optimizacin global.
3
U
con un
densidad
estos
espectral
estimadores
las distintas
de
mediante
caractersticas que
debe cumplir
la ventana espectral para obtener estimadores precisos.
Se
el
finaliza
captulo
exponiendo
algunas
pautas
tiles
para
la
determinacin de la ventana espectral.

En
el
captulo
quinto,
se
da
aleatorios bivariantes,
partiendo de
cruzada
cruzada.
covarianza
analizando
los dos
espectros;
el
tipos
de
analiza
informacin
espectro coherente
generalizacin
procesos
las funciones de autocorrelacin
Se
y el
el
dados
espectro
por
espectro
los dos
fase.
cruzado,
tipos
de
Se muestra
la
relacin entre el espectro cruzado muestra y la funcin de covarianza

cruzada
muestra
estimacin
del
haciendo
espectro
notar
cruzado.
la
necesidad
Utilizando
de
el
cruzado ptimo del que se analizan sus propiedades,
-Iv-
una
proceder
estimador
una
espectral
se llega a estimar
el
espectro
terico
ptimo.
Se
citan
algunos
de
los
resultados
obtenidos.
El trabajo se concluye con una exposicin bibliogrfica sobre las
fuentes de informacin utilizadas.
Madrid,
U
U
U
U
Junio 1992.
U
U
INDICE
PROLOGO
pag.
CAPITULO 1.
Conceptos fundamentales bsicos en el estudio de la
U
U
U
U
U
U
U
descomposicin espectral de seales

1.1.
Introduccin
1.2.
Desarrollo en series de Fourier de funciones

peridicas
1.3.
Espectros
1.3.1.
1.3.2.
Espectros unilaterales
Espectros bilaterales
1.3.3,
Estudio del espectro de la funcin de onda

cuadrada
1.3.3.1. Espectro unilateral
1.3.3.2. Espectro bilateral
1.4.
1.3.4.
Espectros de frecuencia
1.3.5.
Conclusiones
Modulacin de amplitud y fase en funciones

peridicas....
1.5.
Transformada de Fourier
1.5.1.
Teorema de
la integral de Fourier
1.5.2.
Teorema de Wienner
1.6.
Propiedades de la transformada de Fourier
1.7.
Convolucin
CAPITULO II
Transformaciones de funciones.
Filtrado lineal.
Alisamientos
2. 1.
Introduccin
2.2.
Funcin delta de Dirac
2.3.
Propiedades de la funcin delta
2.4.
La funcin delta en dos dimensiones
2.5.
Transformada de Fourier de funciones singulares
2.6.
Transformada de Fourier del producto de dos
funciones
2.7.
Transformadas de Fourier de funciones muestrales
2.8.
Filtros lineales.
2.9.
Tipos especiales de filtros lineales.
Propiedades generales.
2.9.1.
Filtro derivado y filtros de alta frecuencia..
2.9.2.
Filtros convolucin
2.9.3.
Filtros de baja frecuencia
2.9.4.
Filtros alisamiento de procesos acumulados
2.9.5.
Filtro amplificado amplificador ideal
2.10 Combinaciones de filtros

CAPITULO III
Procesos aleatorios y series temporales.
3.1.
Introduccin.
3.2.
Anlisis en Media Cuadrtica de procesos aleatorios..

3.2.1. Continuidad en media cuadratica de un proceso.
3.2.2. Derivada de un proceso estocstico
3.2.3.
U
U
U
Integral de un proceso estocstico en media

cuadrtica
U
U
3.3.
Integracin respecto de un proceso estocstico
3.4.
Procesos deterministicos e indeterminsticos

3.4.1. Desarrollos de KARHUMEN LOEVE
3.5.
Procesos estocsticos estacionarios....

3.5.1.
3.6.
Introduccin
Representacin espectral de procesos estacionarios...

3.6.1. Representacion espectral multidimensional
3.7.
Teorema ergdico en procesos estacionarios
3.8.
Resultados notables sobre procesos estacionarios
3.8.1. Descomposicin de Xold de procesos

estacionarios
3. 9.
3. 10.
Teoremas ergdicos sobre procesos estacionarios

Muestreo alisamiento y modelos en tiempo discreto.
3.10. 1.
3. 11.
Teorema muestral
Filtros lineales. Propiedades Generales.

Aplicaciones
3.11.1.
Filtros lineales en procesos estacionarios
CAPITULO IV
Estimacin espectral en procesos aleatorios univariantes
Espectro de un proceso aleatorio

4.1.
Introduccion
4.2.
Filtros digitales
4.2.1. Filtraje lineal para transformadas de
Fourier
4.3.
Modelizacin discreta.
Medias mviles
4.3.1.
Modelos autorregresivos
4.3.2.
Proceso de medias mvilesautorregresivo
U
U
4.3.3. Filtraje en tiempo real

4.4.
Estimacin en procesos con espectros discretos

4.4. 1.
Algunos test sobre frecuencias y periodo

gramas
4.4.2.
Anlisis Secundario
4.4.3. Otras tcnicas de estimacin de frecuencias

4.5 Estimacin espectral en procesos discretos con
espectros continuos
4.5.1. Propiedades del periodograma modificado
4.6.
Estimadores consistentes de la densidad espectral.

Ventanas espectrales
4.7,
trales
4.7.1. Expresiones aproximadas para el sesgo
4.7.4. Contraste de bondad de ajuste
4.8.
Tcnica interactiva de estimacin de la densidad

espectral
4.9.
4. lO.
Propiedades muestrales de los estimadores espec-
Anlisis
espectral
en proceos
4.9. 1 Medidas
de precisin
de continuos
las estimaciones
espectrales
Papel de la ventana espectral
4.11. Diseos relacionados con estimaciones espectrales.
4. 12.
4.11.1.
Registros con longitudes fijas
4.11.2.
Preblanqueo o prefiltrado
4.11.3.
Mtodo tapering
Elecciones de la ventana
4.23. Separacin de tendencia y ajuste estacional
u
U
U
u
CAPITULO V
Estimacin espectral en procesos aleatorios bivariantes
5.1.
Introduccin
5.2.
Funcin de covarianza cruzada para un proceso

estacionario
bivariante.
Propiedades
5.3.
Funcin de correlacin cruzada. Propiedades
5. 4.
Funcin de correlacin cruzada para un proceso

lineal
5.5.
Proceso
5.6.
Proceso bivariante autorregresivo de mdias
5.7.
U
U
5.8.
5.9.
5. lO.
lineal bivariante.
Funcin de covarianza
mviles
Estimacin de la funcin de covarianza cruzada
Espectro cruzado
Estimacin del espectro cruzado
Propiedades del
5.10. 1.
estimador
espectral
cruzado
Propiedades del estimador espectral cruzado

muestra para ruido blanco
5. 10.2.
Propiedades generales del estimador del

espectro cruzado muestra
1
U
5.11.
Espectro cruzado en procesos lineales
5. 12.
Correccin de estimadores espectrales cruzados
5. 13.
Estimacin de la funcin respuesta frecuencia
u
u
1
U
U
U
U
U
U
U
U
U
U
CAPITULOI
CONCEPTOS FUNDAMENTALES BASICOS, EN
EL
U
U
U
U
ESTUDIO
DE
LA
ESPECTRAL DE SENALES.
DESCOMPOSICION
u
u
u
u
CAPITULO
1.1. INTRODUCCION
u
u
E
E
u
u
u
u
u
u
JeanBaptiste Toseph-Fourier
(1768-1830)
atomista formulada por Demcrito en el siglo V a.

supone
que
toda
sustancia
material
c.
una
funcin
que
periodica
cumple
expresarse como una combinacin
Para
introducir
el
lineal
concepto
ciertas
afirm en 1807 que
del
de
una
seal
desarrollo
en
Fourier,
es por esto que en el apartado 2 de este captulo
el
unilaterales
pueden
condiciones,
imprescindible
En
unas
de senos y cosenos.
de e spectro
utilizacin
combinando
resulta
de recordar
la
cuyo fundamento
puede obtenerse
cuantas clases de tomos de todas formas posibles,
fsica,
serie
de
se tratan
las ideas basicas sobre este desarrollo.
apartado
y
se
bilaterales
definen
de
los
funciones
conceptos
de
espectros
periodicas
mostrando
un
seales,
es
ejemplo.
Muchas
necesario
veces
en
el
mod ificarlas
estudio
mediante otra
interpretacin
de
seal de propiedades
para ello se procede a una modulacin en su frecuencia

mediante
la
problema
de
utilizacin
modulacin
de multiplicadores
en
funciones
apartado 4.
u
u
apoyndose en la teora
y en su fase,
convenientes.
periodicas,
se
adecuadas,
Sobre
trata
en
este
el
Posteriormente
fueran
Fourier
periodicas,
bajo
afirm
ciertas
que algunas
funciones,
condiciones,
se
mediante una integral
llamada transformada de Fourier.
las
convenientemente
transformaciones
funciones mas generales;
aunque no
podan
interpretada,
expresar
Esta
es
teora de
aplicable
de ello trata en el apartado 5, concluyndose
el captulo con un ltimo punto 6, que recoge las propiedades de estas

transformadas de Fourier.
1-2
DESARROLLOS EN SERIES DE FOURIER DE FUNCIONES PERIODICAS.
DEFINICION 121.
T y uo
Sea
f(x)
una
funcin
Se dice que Mx) es desarrollable
y solo si existe una serie trigonomtrica

a
5(x) =
+
acos 2R nux
~
de tal
forma que respecto
periodica
de
periodo
en serie de Fourier si
convergente
o
bsen2irnux
de la medida de Lebesgue que,
f(x)
y S(x)
son iguales casi seguro.
Las
condiciones
desarrollo
de
para
Fourier,
que
una
quedan
funcin
expuestas
periodica,
en
los
Sea
Mx)
continua,
salvo
admita
dos
un
teoremas
siguientes:
TEOREMA 1-2-1
periodica
finito
de
periodo
de puntos,
especie,
(TEOREMA DE IJIRICHELET).
Si
Mx>
es
es desarrollable
en serie de Fourier.
en serie de Fourier de f(x) es 5(x),

5(x)
[f()
f(x)J
y x.
funcin
en un
en los que solo admite discontinuidades
entonces f(x)
el desarrollo
2w
una
nmero
de primera
Adems si
se tiene que:
TEOREMA 1-2-2.- Sea f(x) una funcin
I [
periodica
de perIodo 1.
Si
T/2
(x)Jdx
<
entonces
f(x)
es
desarrollable
en
serie
de
-T/2
Fourier.
Veamos
como
se
pueden
calcular
los
coeficientes
del
desarrollo
-#r--=
LI]
1/2 cos
1/2
L
T/2
nJ
nl
(II]
>1
T/2
cos Znnu x cos2iimu xdx

O
-1/2
{~
2nmuxdx
Sabemos que
b{
2nmuxdx
1/2
cos2nnu xdx.
sen 2iimu xdx cos2nmu xdx
O
sen 2unux cos2nmuxdx
f(x)
</2
cos 2nnu xcos2izmu xdx

o
o
-T/2
TEOREMA 1-2-3.- Si
integral
en
LI
conmutan el sumatorio
con
la
se tiene:
T/2
T/2
LII]
S(x) cos2nnuxdx
-T/2
1/2
bm
.1
-~-{
-1/2
5(x) sen2irnu xdx

O
1/2
f(x) dx.
-T/2
La demostracin es evidente.
Son
Four ier,
resultados
interesantes
desarrollos
los
en
serie
de
los siguientes:
Si f(x)
es una funcin par,
R2)
Si f(x)
es una funcin
R3)
(Lema de Riemman-Lebesgue).
Ri)
de
entonces y
impar, entonces V
Si f(x)
n~
nl
es periodica
de periodo T y
u
u
hm
R4)
La serie de Fourier,
trmino,
exista
(a
o,
sin embargo,
(b )
un
se puede integrar
es desarrollable
de la funcin f(x).
Los
Cuando n
coeficientes
n u
amplitudes
en los que
T/21.
es
el
respectivamente
seno y coseno en la frecuencia
valor
es
representan,
mas
medio
de
la
conveniente
funcin
en
expresar
el
f(x)
el
cos 2inux
.+EexP(i2linuox)
exp(- i2nnuox)]
sen 2nnu0x
A[exP(izlInu0x)
exp(- i2unu0x)]
( _____
y sustituirlos en el desarrollo en serie de f(x),

S(x) = a + o
a 2-ibn jex~ (i2nnux) +
jjex~
(-
n1
Llamando c
ao
2
obteniendo:
i2nnux)
______
_________
an
ibn
LIII]
______
+
=C
-n
se puede sintetizar
_________
ao
yC
la frmula de S(x), quedando:

5(x)
cexp
[i2irnux]
El
Intervalo
en
en forma compleja.
ibn
2rrnu
desarrollo
Para ello solo hay que tener en cuenta que:
_____
las
nl
de las funciones
a
o
coeficiente
T/2,
u
u
u
1 se le llama armnico principal.
nl
la
se le denomina n-slmo armnico
serie de Fourier 5(x) de una funcion periodca
trmino a
en serie de Fourier,
trmino a trmino en los puntos x
de frecuencia
Frecuentemente,
entonces:
por lo general,
si f(x)
T/2]
(x).
Al sinusoide
T/2,
hm
m4
serie solo es derivable
continua a trozos en el intervalo
ibn
La frmula
[III]
generaliza
complejas. Solo cuando f(x)
el desarrollo
de Fourier a funciones
es real se tiene que C
-n
Teniendo en cuenta
coeficientes
cn
LIV] C n
Para
una mejor
interpretacin
el
clculo
de
de desarrollo
en serie
conviene expresarla en forma mdulo argumental,
los
de
segn
expresin:
r
~] LcIexP[i(2nnux
o
f(x)
LII],
fbI exp( 2nnux)dx.
Fourier de f(x),
[VI
T/2
lograr
la siguiente
LI]
se obtiene por la frmula.
las frmulas
S(x)
= o
siendo:
1/2
Ic
~nnj
2o ]
arc t~jj
q,
nEN
Suelen
ser
interesantes
los
siguientes
evidentes:
Rs)
Si f(x)
c
C
~
R)
1
=a
2
1
=a
IC
par entonces:
es real y
o1
o
n
~2
o1
=0
Si f(x> es real e impar entonces:

C
C
c
1
=ibn
-n
n
o
1
2
ibn ; n
=O
IC
o =
3
>
IC
-n
1
IbnI
2
IT
~n=
Z~
5
resultados
que
resultan
u
Si
consideramos
la
funcin
f(x)
traslacin en el tiempo de f(x),
f(x
A),
f(x)
no es
mas que
una
y su desarrollo en serie de Fourier
es:
o
S(x)
A)]
iznnuA]exp[i2irnuxj
Cex~[l2nnux]
CexP[i2ITnu(x
que se observa con la funcin f en t
Si lo
los coeficientes del desarrollo
A, se observa con f en t,
en serie de Fourier
de f,
C,
estn
ligados con C un por la frmula:
C
El
C exp
un
n
~o de
valor
radianes
del
i2irnu A)
o
frmula LV]
(-
la
nsimo
armnico
del
ngulo
fase
desarrollo
inicial,
en
medido en
serie
de
Fourier
expresado en forma compleja.
DEFINICION 12-2.funcin periodica
=
El
teorema de
de
llama
potencia
media
asociada
si
esta
es
una
la
dx.
Parseval indica cual es la contribucin de cada

frecuencia
la
potencia
de
la
funcin.
interesante saber la contribucin de los n-primeros armnicos,
-44[f(x)]
componente
Se
f de periodo T, a la expresin:
T/2
es el
suficientemente
grande,
cabe
la
posibilidad
de
Es
ya que
poder
desechar el resto de los armnicos.
12-4
periodica
DE PARSEVAL. La potencia media de la funcin

es la suma de las potencias medias IC 2 de cada una
TEOREMA
f(x),
un
1
6
u ~
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
de las componentes de la frecuencia, es decir:

o
~=2 ml2
un = o
Si
suponemos que 24
If(x)l 2dx
<
1T/2
recibe
el
nombre
de
-T/2
~potencia
media de la funcin
exp (i2imnu0x)]
~C
1T[
periodica f(x). Fuesto que:
[>
exp (~i21Tmux)1dx
0o
y puesto
que la integral
es absolutamente convergente se tiene:

1i2n(n
m>ux]~x =
C.C
-
o
o
___
m-o
exp
-T/2
1C12
que recibe el nombre de frmula o teorema de Parseval.
2
N
Si
definimos de otro lado
g (x)
dexp(i2irnux),
nN
siendo d nl
cualquier nmero complejo, se verifica:

e2d)
If(x)
If(x)
~ (x)I2dxjJ ~
N
Frmula
Cexp(i2nnux) dx
22
n=N
CI e
que nos dice que el desarrollo de Fourier finito, da la mejor

en el sentido de los mnimos cuadrados.
el desarrollo en serie de Fourier en forma compleja de f(x):

r
S(x)
IC
Iexp Ii2nnux
son importantes lis coeficientes

L0
{ICI}nEN
representan
funcin
nN
aproximacin a f(x)
En
la
f(x);
amplitud,
cuyo
valor,
la
fase
en
la
trminos
medida sobre una seal fsica.
{l~I}neN
frecuencia
fsicos,
yu
1.
que
principal
representan
de
la
alguna
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
La
funcin
funcin F(n)
A(n)
IC un
se
denomina espectro de amplitud,
la
se llama espectro de fase de la funcin periodica
f(x).
veces
se
el
nombre
de
espectros
a las
grficas
de las
funciones previas.
1-3 ESPECTROS
1-3-1 ESPECTROS UNILATERALES
En el desarrollo en
.1
serie de Fourier en forma compleja de f(x),
que es:
>
5(x)
ICIexP[i2iinux
un =
Son
as
importantes
como el
las familias de
valor
de la
coeficientes
frecuencia principal
piezas son las fundamentales,
para el
{
U
ICI}nEN y
1
T
.{
~TI}
Estas tres
desarrollo en serie de Fourier
de f(x).
Consideradas como funciones

coeficientes
A y F de Z* R,
las dos familias
reciben el nombre de Espectro de Amplitud y Espectro de
Fase, respectivamente, de la funcin periodica
f(x).
Si se elige para la funcin la representacin trigonomtrica,

obtienen los
de
espectros unilaterales,
espectros bilaterales.
si
se elige
la
forma
se
compleja,
En el espectro de amplitud unilateral,

A de la seal,
de
fase
se representa la amplitud
en funcin de la frecuencia u, as como en el espectro
unilateral,
se
representa
la
fase
en
funcin
de dicha
frecuencia u.
Se debe tener en cuenta que los ngulos de fase inicial

expresados en radianes y se referencian respecto de
de
forma que
las funciones
seno,
tienen fases
vienen
la funcin coseno
relativas
de
ir/2
radianes.
La amplitud es siempre positiva,
aunque a veces aparece un signo
negativo precedindola, esto indica que la seal se ha desplazado de

fase
radianes.
ngulos
Los
de
fase
pueden
ser
positivos
negativos.
Ejemplo 1. Sea la funcin f(x) tal que:

f(xh
5(x)
A sen(2ITu x
o
o
A cos(2ITu x
o
o
IT
Las grficasde los espectros de amplitud y fase de esta funcin,
u
o
3; A
6 y
IT.
Son los de la siguiente figura.
A
6
IT
n/2
3
Espectro de amplitud
Espectro de Fase
9
para
u
u
U
Ejemplo 2. Sea una seal definida por f(x) y cuyo desarrollo es:
S(x)
Ssen(Zir4x)
- Scos(2n4x ~)
Scos(2ir4x
Los espectros de amplitud y de fase correspondientes son:
te
u
u
u
2%.
4
Espectro de amplitud
Espectro de Fase
1-3-2 ESPECTROS BILATERALES
Los espectros bilaterales de amplitud y fase se definen de forma

anloga que
los espectros unilaterales pero,
al
utilizar en ellos la
representacin exponencial compleja de la seal seno y coseno, ofrecen

las siguientes caractersticas.
1.
Aparecen frecuencias positivas y negativas.
2.
En
el
espectro
de
amplitud
bilateral,
la
amplitud
para
cada
frecuencia es la mitad de la amplitud de la seal, por lo que la

altura de la lnea que representa este espectro es la mitad de la
altura que tendra en el espectro de amplitud unilateral.
3.
El
espectro de amplitud bilateral
amplitud
u
u
es
igual
para
la
tiene
frecuencia
simetra par ya que
la
positiva
la
10
____
_________________________________
que
para
negativa.
1
le corresponde A,
2
A u
y a
le correspondera
1
tambin A.
2
El espectro de fase bilateral tiene simetra impar, puesto que la
4.
fase
correspondiente
la
frecuencia
negativa,
tiene
signo
opuesto que la fase correspondiente a la frecuencia positiva.

Ejemplo 2 Sea la funcin f(x) tal que:
1
[e1<21Tux+~)
I[21tu>x9~
1)
f(xfr
A cos(2nu x + q~) = A
+e
es.
o
2
Suponiendo
que
>
0,
las grficas de los espectros
bilaterales de
amplitud y fase de esta funcin aparecen en la figura:
1\
LL
u-
lA
0
UD
1-3-3.- ESTUDIO DEL ESPECTRO DE LA FUNCION DE ONDA CUADRADA
Campel y Robson
(1968)
utilizados en psicofsica
de
franjas
paralelas,
observaron que uno de los estmulos mas
visual, estaba
oscuras
claras
constituido por un conjunto

alternadas,
es
decir
por
franjas paralelas cuya luminancia vara en forma de funcin definida

por:
~ 1, si O
fUe)
<
T/2
<
.<
~1, si
fUe) =f(y.nT)
T/
<
<
sixy+nT;
11
-T 5~
~
T
2
cuya grfica es:

4
4.
-n
Y
II
-I
Estudiaremos los espectros unilaterales y bilaterales de esta funcin

de onda cuadrada fUe).
T/ 2
If(x)I 2dx
Puesto que
< o
fUe) es desarrollable en serie de
-T/2
Fourier, siendo su desarrollo:

o
4 r
f(x> ~
S(x)
0
sen(nZ,rux)
y u
t mpar
es decir:
4r
fUe)
[sen(2iru)
1sen(27r3ux)
Por
Kl
clculo sencillo se
comprueba,
sen(2ir5u
5
0 x) +
que el valor de los coeficientes
+
es:
a
=0
La
si nespar
irn
,sin
es impar
onda
cuadrada
funcin de
infinita de funciones seno,
puede considerarse
esa
frecuencia
quinto, sptimo.
(3u o
suma
cuyas frecuencias son la frecuencia de la
funcin cuadrada (no freciencia fundamental)

de
como una
7u o
armnico.
12
...
los mltiplos
frecuencias
del
impares
tercero,
La amplitud del componente fundamental es
veces mayor que la

IT
amplitud de la funcin cuadrada.
1-3-3-1 ESPECTRO UNILATERAL
Partiendo
del
desarrollo
de
Fourier
de
la
funcin
de
onda
cuadrada expresado como;
fUe)
3cos
(2irnu
1 mpar
=0; A =
; para n par ;
= .~ radianes.
o
un
ini
un
2
La expresin de fUe) mediante espectro unilateral est dado por:
>
5(x)
Los
espectros
de
Auncos(2ltnuo
amplitud
unilateral
de
fase
unilateral
estan
representados en las siguientes grficas.
JA
~tr-
~y
fo ~
ji0 fO
En Espectro
3L4o de Fase Unilateral
el espectro
de amplitud
de amplitud
Unilateral
unilateral,Espectro
se representa
A o . ~Lto
Sobre el
origen
del
eje
de
frecuencias;
sobre
u ;
sobre
2
3u
as
sucesivamente.
En el
espectro
de
fase
representamos
sobre
el
punto
nu
0
13
(n
impar) del eje de frecuencia.
1-3-3-2 ESPECTRO BILATERAL

Para el espectro
u
u
bilateral
o complejo de Fourier,
se utiliza
expresin:
o
8(x)
1(2ITnlux
+~)
Cle
a=
siendo
-o
IC le
fl
nl
El desarrollo
de Fourier en forma
compleja para
la funcin de onda
cuadrada se expresa mediante:

8(x)
2i r
ir L
n1~
I(nl&>
0
2
jc-
n impar
n*O
u
u
donde
CO
=--;~
IC a 1 = C -n 1
O ;
IT
1
irn
IT
-n
__
rl
En el espectro de amplitud se representan C sobre los puntos

nu (n
O;
1;
2:...) del eje de frecuencias.
En el espectro de fase se representa ~ (radianes) sobre los puntos

nu (n
O;
1;
del eje de frecuencias.
Los espectros de amplitud y de fase bilaterales estn
la
representados en las siguientes grficas.

4
Espectro de Amplitud Bilateral
14
e
i1/~
att.
-3Uo $o
3(Io
(Lo
Espectro de fase Bilateral
1-3-4 ESPECTRO DE FRECUENCIA-
Utilizando la forma compleja del desarrollo en serie de Fourier,

para la funcin f,
es posible representar el espectro de frecuencia,
es decir el de amplitud y el de fase en la misma grfica,
utilizando
el plano real y el plano complejo. La funcin de onda cuadrada, puede

expresarse como:
5(x)
-2-e
impar
n~0
donde:
un}
2
>0
s n
.2
sinZO
Ir
un
El espectro de frecuencia, es decir la representacin grfica de
ser:
Itliatfl
4J~
rl
u
1
Espectro de Frecuencia de la Funcin cuadrada
15
Las flechas han sido giradas del plano

que
son
las
transformaciones
imaginario puro.
que
real -iz/2 y iz/2 radianes
convierten
un
nmero
real
en
1-3-5 CONCLUSIONES
a)
Todas
las
coseno,
b)
funciones
sinusoidales,
se
transforman
en
funciones
con la amplitud precedida del signo positivo.
En el espectro de amplitud, se representan las amplitudes de las

funciones
coseno
que
componen
la
seal,
en
funcin
de
sus
frecuencias.
c)
En el espectro de fase,
se representan las fases de las funciones
coseno componentes de la seal, en funcin de sus frecuencias.

d)
Las
constantes
se
interpretan
como
seales
sinuosidales
de
frecuencia y de fase cero.

e)
El
espectro de amplitud de una funcin,
indica qu frecuencias
estn presentes en esa funcin y en qu proporcin relativa.
f)
El
espectro de fase indica la posicin relativa de las funciones
coseno.
g)
Conocidos el espectro de
seal, se puede sintetizar
amplitud y el espectro de fase de una
esa seal, y solo en ese caso, ya que
si se conoce uno solo de los espectros la determinacin no es

nica.
16
u
u
h)
El espectro de amplitud de toda funcin periodica

par (simetra
respecto
eje y y)de nu,
real es funcin
y el espectro de fase es
funcin impar (simetra respecto origen).

i)
Si se desplaza el origen de la funcin

espectro
de
amplitud
vara,
pero
f en una cantidad h el
la
fase
del
componente
nsimo se desplaza en una cantidad igual a nwh radianes.
Si
j)
el periodo T de la funcin aumenta,
disminucin
de
la
separacin
de
del
una seal fsica,
adecuadas.
espectro,
la realizacin
del
que
son
perlodicas
g(x),
=
h(x)
g(x).h(x).
en serie
series.
de
funciones
producto de funciones.
sean 8(x),
del
f,
Supongamos tambien que
Fourier,
t(x)
Si
8(x)
esto se
Supongamos
mismo periodo
T.
Sea
y h son desarrollables
y u(x)
En estas condiciones se tiene el resultado
R-4-1
mediante otra
En el modelo terico
corresponde con
f(x)
lineas
1-4 MODULACION DE AMPLITUD Y FASE EN FUNCIONES PERIODICAS
seal que tenga propiedades
las
en una
recprocamente.
Con frecuencia conviene modificar
esto se manifiesta
sus correspondientes
siguiente:
aexp(i2ITnux)
n-o
>
t(x)
bexp(i2irnu0x)
u(x)
>j
Cexp(i2iznu0x)
entonces
Gb
Cb
nl~o
La formula anterior
no es correcta
cuando las frecuencias de g y h son
distintas.
Uno
u
u
de
los
multiplicadores
17
mas
frecuentemente
usados
en
la
u
u
h(x)
prctica
es
amplitud
de un tren de
2ITA x que se utiliza
la funcin
para
modular
la
o
impulsos
cortos;
segn muestran las grficas
adjuntas.
u
u
u
u
u
u
u
u
Figura
Figura 2
La seal de la figura
figura
1 g(x) por h(x),

fUe)
Siendo C
2 se obtine
multiplicando
la seal de la
obteniendo la seal:
cos[2izXx]
el coeficiente
Cexp
Li2ITnux]
1
con uy
tren de impulsos de la figura
de Fourier del
rl
1.
u
u
u
u
u
Si
definimos
la
funcin sinc(x)
sen x
el
coeficiente
de
x
Fourier C
es:
rl
Escribiendo
escribir
f(x)
cos
2nX o x
la funcin f(x)
~~-=-I
CexP[i2tti(A
.1 ___
nnr
smc1
1
exp(2iriX
2
o x)
podemos
~ exp(2ITi%x)
___
mediante la frmula:
+
nutjj
18
-4y
CexP[i2lri(A
nu) x]
)
)
Si A
es mucho mayor que
las componentes
de la
El
espectro
de
la ecuacin previa prueba que
&
frecuencia no
sucede cuando h(x) est ausente,

y
estn centradas
en cero,
como
sino que aparecen trasladados por A
amplitud
se
define
en
trminos
de
la
frecuencia como:
A
rl
+
O
nu
La modulacin de seales en frecuencia y

frecuencia
en
comunicaciones.
una
variedad
de
Son frecuentes
en fase,
aplicaciones
tales
se
usa
como
con
radar
las seales de frecuencia modulada (FM)
en radio.
El ejemplo mas simple de una seal modulada en su fase es:
donde
hemos
g(t)
por
cambiado
constante y la funcin
0(t),
Acos L2nA
significar
es
es
instantanea W, medida en radianes,
como la derivada de su fase,
o(t)
tiempo,
una
varia con el tiempo.
d[2nA o t+
dt
Cuando
para
Se define la frecuencia
seal harmnica,
es decir como:
do(t
0(t)]
2ITA
derivable,
de la
dt
la
frecuencia
1
2ui
do(t
instantanea
A,
esta dada por la expreson:
=~
Si 0(t)
Si
est
modulada,
consiste
instantanea,
en
su
dt
es constante lineal,
la frecuencia
la frecuencia
no es constante
frecuencia,
en que la frecuencia
instantanea es constante.
vara
19
el
de
se dice
objetivo
de
que la seal
la
forma prescrita.
modulacin
Sajo
estas
u
E
mismas condiciones,
cuando
0(t)
es una funcin afn,
y en esta sentido
la seal est modulada tambin en su fase.

Modulacin
de
Fase
la
Modulacin
se entiende
Con frecuencia
de
la
como sucede
el que
los trminos
Frecuencia
se
usan
intercambiablemente.
u
u
u
Supongamos que
0(t)
>j
e10 ~
un = - o
Sustituyendo
g(t)
tenemos:
2aexP{i2ITAo
tal que:
aexp(i2nnut)
rl
O
=
es una funcin periodica
nu)t]
nu)tjj
fl
la fase no se incrementa linealmente,
+~ZexP[i2rr(A
a
donde
los
coeficientes
estn expresados mediante:

rl
1/2
exP[i0(t)
i 2nntf~
1/2
u
u
E
u
u
u
u
1-5 TRANSFORMADA DE FOURIER
Si
h(x) no es una funcin periodica,
condiciones para ser desarrollada
entonces h(x) no cumple las
No obstante,
si
1/2
VT
>
O;
>
se verifica que
o,
Ih(x)I2dx
<
podemos construir
1/2
en funcin de h,
la familia de funciones periodicas

( h(x)
silx) 5 T/2
f
1(x)
h(y)
si x
T,
En este supuesto,
Fourier,
para
y por tanto,
(Tg~)
f
7
cada
nT ;
IyI ~
(x) es desarrollable en serie de
llamando
-1 flrnc
7/2
f (x)e
1
7/2
T/2
dx
obtenemos:
1
j
20
1.5.1
f(x)
llamando
u un
podemos escribir
.~
=
n
T
(Tg)exp(i2n
g(url )
Tg rl (T)
nx/T
tu un
= _____
n+l
T
n
T
la frmula previa:
f(x)=4--2
1.5.2
g(u)exp(i2irux)tu
Admitiendo que existe lmite cuando T~

tal
que
f (x>
1
lxi
<
3 T
tal
T ~ lxi,
que
en (1-52) y puesto que Vx

se deduce que
~ lxi,
VT
es
h(x) y por tanto
=
= ]ro-
h(x)
1.5.3
hm f (x)
1
hm 3
h(u )exp(i2ITu (x)tu
rl
un
tu jo un-o
un
rl
i2ITu
g(u)du
rl
Es conocido que si
Ih(x)idx
<
entonces existe una funcin g(u)
-o
tal que:
h(x)
= fo
c.s.
eI2ITUXg(u) du
=*
-o
De donde una condicin suficiente, para que exista el limite en
1-5-3
es que se verifique:
Tambien
es un
Fouier
de
h(x),
(153)
conocido
si
h(x)
g(u)
estn
que:
eI2ITUXh(x) dx
o
mientras
(154),
que
se llama a g(u)
h(x)
Fourier de g(u).
21
u_
el que
entonces se verifica
= f
c.s.
muy
(153)
g(u)
Con relacin
<
resultado
relacionados por
[1-5-4]
lh(x) dx
es
la
la transformada de
transformada
inversa
de
1-5-1 TEOREMA DE LA INTEGRAL DE FOURIER
Sea f(x)
que
una funcin real tal
f(x) dx
<
y que solo
o,
- o
admite discontinuidades
las
(f
f,
unidireccionales de
derivadas
izquierda
de primera especie.
),
Si en el punto x,
por
la derecha(f
existen
por
la
entonces se verifica:
= f f
f(x0)
f(ujjcosV(u
xo)ldu dV
Adems si
es real,
f(x
y se cumplen las condiciones previas,

f(x
0+
,J~ ~L
It
Si f es a valores complejos,
x)]
[ f(u)cosFV(u
ajo
0J
entonces:
du dV
con solo discontinuidades de l~ especie y
.1-o If(x)
dx
<
entonces:
f(x
o.
f(x
o-
1
2n
hm
T
s11
1 ~~
du] dV
f (u) e
1-5-7 TEOREMA DE WIENNER (1943)
La
transformada
de
de una funcin>
Fourier
cuando existe,
es
nica casi seguro.
1-6 PROPIEDADES
DE LA TRANSFORMADA DE FOURIER
En este apartado suponemos que todas las funciones que utilizamos

tienen transformada de Fourier.
de Fourier de
h;
esto es si g
Denotamos por TF(h),
TF(h),
o
g(u)
Entre
las
propiedades
fe
mas
entonces
iaITuxb
(x ) dx
importantes
22
la transformada
de
la
transformada
de
Fourier estn:
1)
Linealidad. si h
Va, beR
TF(h)
2)
bh
TF(ah
bh )
tienen transformadas de Fourier,
h tiene
entonces
transformada de Fourier y
aTF(h )
bTF(h
y g
TF(h) entonces V u
>
0;
g(u); siendo g(u) el complejo conjugado de g(u).
Par. Si h es real y par, entonces:

g(u)
4)
y h
Complejo conjugado.- Si h(x) es real
g(u)
3)
ah
Impar.-
Si h
TF(h)
2fh( x)cos 2ITuxdx.

o
es real e impar, entonces:

g(u) =
TF(h)
h(x)sen 2ruxdx.
2f
5)
Cambio de escala en las frecuencias.-
nmero real,
(x)
h(x
TF(h) y (3
!=
O
es un
h(x/f3)
g(u)
a
TF(h) y aER;
asO,
entonces
sea
Ial g(u/a)
Desplazamiento en el tiempo. -Sea
x o (x)
TF(h)
x o ), entonces:
TF(h
8)
Cambio de escala en el tiempo. Si g
TF[h(ax)1
7)
entonces la transformada de Fourier inversa de g((3u) es:

h
6)
Si g
xo
(u)
=e
-l2ITu x
g(u).
Desplazamiento en la frecuenciaSea
23
TF(h);
TF
(g);
sea
ti
= g(u
(u)
u ) entonces:
o
TF
9)
(g u )
o
10)
Area. Si g
121tu x
h u (x)
o
h(x)
supongamos
n veces y g<rl> (u)
TF(h),
{-
= TF(h)
Derivabilidad.-Seag
entonces g es derivable
Ixnlh(x)Idx
<
o,
(~i2lzu)rlg(u)
= O,
colocando u
que
tenemos:
= j-o h(x)dx
g(O)
-o
.4
11)
Complejo conjugado 2.-Si
= TF(h
12)
= h(x)
), siendo h (x)
1
h es complejo
es tal que g (u)
{-
Si
Lema de RiemmamLebesgue.-
entonces hm g(X)
x-~ ~
y g
=
= g(u)
lh(x) dx
entonces
TF(h),
<
la
= TF(h)
1-7 CONVOLUCION
Definicin 171.- Sean ti
y h
1
reales R,
h
ti2,
dos
funciones
definidas
en
los
con valores en R en los complejos. Se llama convolucin de

que
denotaremos
por h
ti
la
funcin h,
supuesto que
existe, que se obtiene por la frmula

o
h(x)
Teorema 171.
existe ti
1
= {-
h(t)h(x t)dt
o
h(x)dx
TF(h)
= TF(h
<
Si
) Tf(h
24
,f
h(x)Idx
<
entonces
u
u
u
Demostracin
Es una clara consecuencia de la desigualda de Schwarz.
lo
Teorema 17-2.-
= TF(h
entonces TF(ti)
u
u
u
u
u
<
~i
.1
fl
1 217ux
-o
h(S)h(x
fe
2ITu%
(S)e
127tu(xs)
-o
= fo fo
= f e~
-o
(S)e I2ITuV h (V)dSdV
~iaITush
1
-o
e ~121TUVh
2ITush(S)dSf
(V)dV
TF(h ).TF(h)
-o
-o
Propiedades. Las siguientes
Conmutativa: ti 1
2)
Asociativa:
3)
Distributiva
(h
S)dSdx =
h (x
2
1)
S)dSdx
-o
-o
-o
o,
).
2ITuxhwd
= fe
=j~o
<
Demostracin
TF(h)
(x)dx
ti
) Tf(ti
1
Ih(x) dx
;
o
u
u
u
hTh xti
Si
ti
= ti
h )
propiedades son inmediatas.
ti
=h
ti
3
(ti
ti
respecto de la suma
h
(ti
+ti)
2
=h
~
1
+h
2
u
u
u
u
1
25
u
u
u
u
u
u
u
u
u
U
CAPITULO II
TRANSFORMACION DE FUNCIONES.
FILTRADO
LINEAL.
ALISAMIENTOS.
-e
u
u
u
2.1. INTRODUCCION
Este
captulo
se
dedica
modificaciones de funciones,
ideal.
Se recogen
los mas
al
estudio
de
transformaciones
con el fin de reproducir algn transmisor

importantes conceptos
sobre el
tema,
y se
sintetizan algunas ideas sobre filtros y relaciones entre filtros.
En el
de
apartado n- 2 se introduce
el importante concepto de tren
impulsos, como preambulo del operador delta de Dirac, operador que
facilita
la
matemticas,
continua.
notacin
entre
ellas
comprensin
la
de
de
muestra
importantes
discreta
nociones
sobre
una
seal
En el epgrafe 3 se desarrollan las principales propiedades
del operador delta, completndose el estudio,

concepto
de
funcin
delta
en
varias
en el prrafo 4, con el
dimensiones.
Resaltamos
la
conexin que establecemos entre fucin delta y funcin de distribucin

concentrada en un punto.
En el epgrafe 5,
se desarrolla el concepto de transformada de
Fourier del producto de dos funciones,

modificacin de
la
seal
prxima a la emitida,
se completan en
que
recibida,
para transformarla
en una
seal
Estas
ideas
originando el concepto de ventana.
el epgrafe 6,
corresponden
concepto que se utiliza en la
muestras
con el
estudio de seales discretas,
tomadas
sobre
seales
continuas,
precisando como tiene que ser la razn de muestreo, para reproducir el

espectro de la seal continua en trminos de la discreta.
Se completa el
que
son
los mas
destacando
el
capitulo con el estudio de los filtros lineales>
importantes
concepto
de
operadores de
amplificador
26
modificacin de
ideal
as
como
la
seales;
conexin
operar sobre la funcin g(t) produce

o
-1-
8(t) Lg(t)]
g(t) 8(t)dt
g(O)
o,
o
g(t)
por
Por convenio, representamos a 8(t)[g(t)]
8(t)dt.
Esta
operacin
produce
el
mismo
resultado
que
el
que
origina
la
integracin de la funcin g respecto de la funcin de distribucin

o
(0
si t = O
=~
F (t)
O
A la
ya que
sit~O
funcin generalizada,
g(t)d F (t)
se
u operador 8(t)
g(0)
le conoce con el nombre
de delta de Dirac.
Si definimos
la funcin:
nT
5 (t)
nT
SL
2
nTen
el resto
o
es
r 5T
1
claro que S(t) n=-o
~
teR;
(t).
la
Si
regular en todo
funcin g es
es claro que
hm
rio
g(t) 5T
(t)dt
=S
g(t) 8(t
nT)dt
Supuesto que la funcin g cumple propiedades adecuadas,

o
110
g(t) 5 (t)dt
hm
-o
=
n-o
fo
g(t>
hm
n=o ijo
8(t
g(t)
-o
S~
se obtiene:
(t)dt
4o
- nT)dt =
g(nT).
~1
Es en este sentido en el que se suele utilizar la frmula

hm 3 (t)
iJ,o 1
Llamando smc x
= Senx
x
,
8(t
y desarrollando
- nT)
en serie de Fourier 5 (t) se

1
tiene:
N
S(t)=lim
Sexpi
1
N-)
00
unN
28
2irnt
1j
que
tic
mas
31>
rpido
con 5
que
Nirr
T sea muchsimo menor que uno,
(t)
hm
expl
1 expj~
N-~o
2ITnt
exp
Lrlo
N4 o,
c ~ nitt1
_____
TI
~ -J
infinito,
de
para que 5 rl
tenemos que:
5
sin
___
exp
nl
Supongamos
1.
1. 2~nt
+~expI
tal
~.217
nt}
sen(2N
11=
rl0
1-
1]
1)(ITt/T
Tsen(ITt/T)
N-*o
que
supuesto
con este
2izt
forma
De las frmulas anteriores se concluye que si g es regular se verifica

que:
8(t)dt
= hm
1T/2
NTOO
o,
Se puede eliminar la restriccin
tal forma que ~2
a infinito mas
(2N
1)17
g(t)
sen(2N + l)TT/T)pt
Tsen(ITt/T)
-1/2
iLE
T_,
tienda a infinito;
rpido que T). En
haciendo que T4
o;
(es decir que N tienda
estos supuestos se tiene que:
senl?nt/T)
ITt
y la frmula
hm
xtcn
sen(2N + i)(nT/T)
Tsenhrt/T)
= hm
QN
senOt~
itt)
Llamando
1
lim
Qjo
siendo e
>
[Jg
~1o
(t)..2!i=3iEcIt+
ITt
senOT
senQT
Co
g( t
Es claro que la l~ y 3~ se anulan; mientras que la 2~ vale:
__
senQT
_____
~~o hm
21
_
29
senx
E
-eQ
dx
x
1
]
O un nmero suficientemente pequeo.
hm g(O) ~
2i~
de
g(O)
Los
resultados previos
til resultado.
iwt
da>
cos
hm
wtdw
sen
Qo
=
que
sen wtjJ
hm
como
considerada
i[cos~cotfj
operador, se
comporta
se observa que
hm
2t~
se comporta como operador como 6(t
hm sen 2t
itt
igual que
8(t).
iw(tt
[r2
Anlogamente,
wtdt]
-2
).
2-3 PROPIEDADES DE LA FUNCON DELTA
1. Derivabilidad.
Suponiendo que
veces sea necesario, y
que
la funcin g
es
derivable
la evaluacin de g(t) 6(t)
es
nula
en
en
De igual forma se puede definir la derivada 6 (rl) (t) por:
g(t)6(t)dt
[~(t)6(t)~7o,
00
g(t)8
(t)dt
)8
(t ,~
Es
claro que
5-
g (t)6(t)dt
(O)
00
jg
rl
(t)8(rl>(t)dt
00
g(t)6(t)dt
=5
g(t)6( t)dt
de la funcin delta de Dirac.
Ademas:
30
podemos
(1) gnl(0)
II Propiedades de simetria, traslacin y cambio de escalas
S~o
-o
simetra
-o
cuantas
admitiendo que es vlida la integral por partes
u
E
da>
definir 6 (t) de tal forma que:
Calculando la integral obtenemos:
u
u
Hm
obtener un importante
la integral
Consideremos, para ello,
u
u
u
u
u
pueden usar para
se
g(O),
que
indica la
Co
g(t)8(t
g( u
= ~T]
= g(a)
a)8(u)du
5
5
=J
a)dt
00
g(t)8(at)dt
00
g(t)8(at
b)dt
g~~=iJ8(u)du
g(0)
T~i~
Igualdades que se obtienen despus de
4.
realizar el
g[t.)
cambio de variable
apropiado.
III Integral
Si
recordamos
00
W8Wd
gsss
g(s)dF (s),
dicha igualdad se verifica integrando desde
como g(s)
hasta t,
-o
la funcin que vale idnticamente uno,
=5
admitimos
que
-o
-00
tomando
que
= lo
()dF()
En teora de operadores,
8(s)ds
para todo t,
se obtiene:
<si
~Osit<O
E (1)
a la funcin F (t) se la conoce con el nombre
de funcin de Heaviside.
FUNCION MUESTRAL Y FUNCION MUESTRAL AGRUPADA

Es
claro que
si muestreamos g(t) a razn
observaciones
<g(nT)}~2
que
constante T,
se
pueden
obtenemos
denotar
las
por
00
[a(tn)(~(t)>]Suponiendo
que
lg(nT)
<
podemos denotar
la
muestra agrupada
(t /71
MA (t)
8(t
nT)(g(t))
rl = o
Estas frmulas unifican y simplifican las notaciones de la muestra y

muestra agrupada de una seal g(t).
2-4 LA FUNCON DELTA EN DOS DIMENSIONES

La funcin delta se generaliza con facilidad a mas de una dimensin.
Tngase
en cuenta,
para
ello,
que
funcin
concentra toda su probabilidad en un punto

31
la
de
distribucin que
(x,y) es de la forma:
(x,y)
Cx ,y )
00
Y por tanto 8
(x,y)
<0,0)
00
(x).F
Cx )
0
(x).8(y)
8
0
(y)
(y 1
0
8(x).8(y);
esto es:
~1-00~L
g(x,y).8
00
= J1
(x,y)dxdy
Cx ,y )
0
,y )
Cx
g(x,y)8(x-x )8(yy )dxdy
J
00
00
Co
g(x,y)dF e
J __ J
,y 1
0
-00
(x,y).
Admitiendo las mismas reglas de integracin que para una variable se
tiene:
1 5
(y)6(x)8(y)dxdy
=1
g(x,y)dF
(x,y)
(0,0)
00
y tomando g(x,y)
00
Se obtiene:
1.
t
8(x)8(y)dxdy
[00
2-5
Sean W(t)
complejos.
00
(st)
<0,0)
-00
TRANSFORMADAS DE FOURIER DE FUNCIONES SINGULARES
x(t)y(t
r)
Sean X(A),Y(A)
respectivamente,
donde x e y pueden ser funciones con valores

las transformadas de Fourier de x(t) e y(t)
el objetivo es
hallar
la
transformada de Fourier de
W(t). Sabemos que:

00
W(t)
e 12V t X(A)dAj
00
Para obtener
12V
(t+t)G(?J
____ )dA
-00
la transformada de Fourier de W(t),
multiplicamos
lados de la ecuacin previa por exp(- i2ITAt> e integramos en t de

o,
ambos
-o
obteniendo
5- 5 5
-1211(A
-A-Mt
e -I2ITAt
X(A) Y(A)
dAdAdt
o,
{~, 5
-I2ITAt
X(X )Y(A) 8(A AA)dAdA
32
u
u
o
=5
e1217<AA>t X(A) Y(AA) dA
Cuando
el
producto
14(t)
reemplazado por Y(A
X(t)y(t
x),entonces
A),
debe
ser
).
Si en las ecuaciones previas reemplazamos A por cero obtenemos:

_____
_____
Y(A -
-00
x(t) y(t+A) dt
-1217V
,j
X(A) Y(A) e
dA
Cuando x(t) e y(t) son funciones reales tenemos.
(+A) dt
x(t) yt
X(A
) e -I2itA> A dA
) Y(A
~00
y si x(t)
,,co
____
__
x(t)
obtenemos la frmula:
y(t),
X(A)
e I2ITAA
dA
como
X(tH
dt
de
1~,
14(A)
X(A ) Y(A-A) dA
El
producto
de dos
funciones
funcin
y(t)
adecuada.
x(t)
y(t)
se
En
estas
suele
emplear
en
la
(por ejemplo x(t)) por
situaciones,
la
funcin
y(t)
-T o =t~T
en
el resto
entonces la transformada de Fourier de y(t) viene dado por:

Y(A)
y(t)dt
~7/2
-T /a
o
estas
condiciones,
si
transformada de Y(t)oX(t)
14
(A)
o
X(A)
es
2sen nAT
_________
217A
la
T sinc(17 T
o
o
transformada
de
X(t),
la
w(t) es:
X(A )T
-00
smc LITT(A
A )]dA>
:4
33
x(t)yVP
recibe el nombre de ventana.
En
cuando w(t)
~00
Si y(t)
se expresa como:
E se le suele llamar energia de la seal x(t), y 14(A)
una
donde a
dA(Frula
prctica para limitar el rango de una de ellas,
se
~arsevaj
-I2ITAA
X(A)
consecuencia
obtiene las frmulas siguientes:

2
00
-o
x(t+A)dt
u
u
u
u
u
u
1
Solo cuando T0 es muy grande,
problema de la utilizacin de una ventana,
El
siguiente hecho prctico.
por el
corresponde a
la suma de dos
seal y otra rct)
u
u
u
u
u
u
u
u
u
u
seales,
propiciado
recibir una seal
una v(t)
que
es
x(t) que
la verdadera
esto es:
x(t)
v(t)
El tiecho de utilizar una ventana y(t);
pretende que 14(A),
la
tres
funciones,
que
la
r(t)
es
propia
transformada de x(t
transformada de v(t).
tiay
Se suele
viene
que es el ruido con el que hemos perturbado a
est mas prxima a V(t),
14 1 (A) es prxima a X(A).
Si X(A)
la
5-
propia
con el fin de que x(t)y(t)

X(t).
En
)y(t),
sentido
se
coincida con V(A)
la
asociados con X(A),
e~1 2A~x(t)dt
X(A),
este
su mdulo
X(A)
A(A)
su
argumento e(A).
X(A) recibe el nombre de espectro de frecuencias de x(t); A(A)

espectro de amplitud y e(A) el de espectro fase.
La
y(t),
operacin que hemos

que
se
corresponde
frecuencias respectivas se
es,
con
una
puede
convolucin
realizar en
las funciones
de
la
sus
fo x(t
espectros
14(A) de dos
siendo 14(A) el espectrode frecuencia de
de
la seal
t )dt
2-8
En
)y(t
x(t)
otra direccin,esto
multiplicando los espectros de frecuencias X(A) Y(A)
seales x(t) e y(t),

w(t)
hecho de multiplicar
SEALES DISCRETAS Y SUS TRANSFORMADAS DE FOURIER
esta
transformada
seccin
suponemos
que
todas
las
funciones
tienen
de Fourier.
Una funcin se llama de banda limitada, si y solo si existe A
>
o
34
u
u
u
u
tal
que
su
X(A)
VA
O;
transformada
~ A
Fourier
= TFLx(t)]
X(A)
es
tal
que
x (t) es de banda limitada, entonces
Si
x(t)
=5
i2ITAt
X(A)
dA
-A
o
obtener una cota de x(t) utilizando la desigualda de
Se puede
de
Schwarz:
ro
Ix(t)I s [2A ~
1/2
Ix(A) IdA]
(2AE)
es virtud de la desigualdad de Parseval, es la energia de la
donde E,
u
u
u
u
u
u
u
u
u
seal x(t).
u
u
u
Si la seal x(t) es derivable n veces, se obtiene que:

(un>
(t)
= JcAo
-A
<rl)
y una cota para x
2un. 1
2A0
2n
2n Ej 1/2
x (s)ds, se obtiene que
>~
preambulo,
2E
2A
pasamos
(t
jl/2
n
al
objetivo
t)
principal
de
esta
este
el de observar la seal
seccin,
X(A)dA
x(t
X(t )
Tras
2ITAt
(t) es por la misma tcnica, obteniendo:

Ix<rl> (t)
Puesto que x(t)
(i2irA) e
x(t) en intervalos de tiempo
que es
esto
es
de
x(t)
solo
conocemos
X(nT)
para
equiespaciados;
nC
Simbolicamente,
podemos
representar
la expresin:
{X(nT)>
A
el
conjunto
enteros.
nC
x(t)
por
8(t
x(t
n=
nT);
siendo 8(t
35
nT)
{ 4$
si t
resto
nl
Puesto
que
la transformada
x(nT)e1=ITAOT,
de
podemos
de la
Fourier
utilizar
seal
discreta A
x(t)
es
prcticamente
la
simblica
nT)dt
x(nT) e
siguiente expresin:
A(A)
= ~
J-o
fl=-00
Si
X(A) es
la
e ~i2At(t)(t
00
rl
transformada
de
00
de x(t),
Fourier
I2ArlT
ver la
pretendemos
A
relacin entre
X(A) y x(A). Para ello, tengamos en cuenta que:
A
x(A
m/T)
x(nT) exp(- i2irnAT
00
x(nT) exp(- i2ITnAT)

rl
i2irnm)
x(A)
00
y por lo tanto x(A) es una funcin periodica de periodo T.

Puesto
que
x(t)
.1
x(A )dA
1211At
sustituyendo
en
la
00
expresin que calcula x(A) se obtiene:
,J.
00
A(A)
rl
-1 2ITnAT
I2ITA
--~-~ +
Si X(A)
por
1
factor T
el
X(A )dA
00
00
rl
O,
para
Al
T/2,
esto
es
entonces X(A)
X(A)
es
un
coincide con
alisamiento
de
salva
X(A),
en el
sentido de que:
= ~
Cuando X(A)!=O,para
sentido
de
hA
que
~(A)
T/2;
~(A)T
JA
B/2
B/2 y
se
es un alisamiento de X(A),
xL
~=o
1
~---,
toma T
-U
--U.
se
Cuando
en el
X(A)sO;
si
dice que hemos utilizado
la
razn de muestreo de Nyquist, algunas veces llamada razn de muestreo

crtica.
Pretendemos
reconstruir
la
seal
continua
x(t)
con
el
solo
1
36
u
u
conocimiento de la
que X(A)
seal
1T ~ 8,
discreta ~(nT). Cuando
se
verifica
A
Tx(A)
y por tanto:
x(t)
= 5
e I2ITAt x(A)dA
T{
el2ITAt ~(A)dA
00
x(nT)
eI2ITAt<trlT>
dA
BT2
0
=
=
x(t)
smnc( ~ j(t
x(nT)
nT)
X(nT)(t)
x-{isinc(1784t
~
n=-00
Las funciones ~P(t)

1)
sinc~~} (t nT) satisfacen las propiedades:

2T
si A
si
00
>
I2UunAT
nT)]
sen x
siendo la funcin smc x
para x*O y smc(O)
1.
1
Cuando E
y,
las frmulas previas se pueden escribir como:
x(t)
u
u
x(nT)sinc[irB(t
00
(t)dt
2)
00
1Te
Lo,s
rl
2T
.
___
2T1
Al
>
.c
2T
que son las tpicas caractersticas de ortogonalidad.

Finalmente
la
igualdad
de
Parseval
para
seales
de
bajas
una
serie
frecuencias quedara:
u
U
27
El
trmino
000
2(nT)
00
00
X(A) 2dA
FILTRoS LINEALES. PROPIEDADES GENERALES
filtro
lineal
significa
que
transforma
temporal, en una nueva serie temporal, donde el trmino serie temporal
u
u
se debe interpretar en sentido amplio,
37
cualquier funcin numrica del
u
u
tiempo,
continua o discreta,
Definicin
Un filtro
lineal F es
la entrada x(t);
una transformacin de una serie
en una serie tempor,
la salida y(t), que
Linealidad:
F[ax(t)
(u)
ax (t)]
aF[x(t)]
XF[x(t)]
Invariancia en el tiempo:
si F[x(t)1
y(t)
x (t)
x(t
r); y (t)
F{x(t)]
y(t
ti entonces
y(t)
Es claro que si x(t)
~ax(t)
entonces
F[x(t)]
u
u
u
u
u
Exigiremos
expresion:
u
u
u
u
u
tpico es
cumple adems las dos propiedades siguientes:

(i)
u
u
u
Un importante
como construir filtros, que modifiquen los datos de forma adecuada.
temporal,
aleatoria o no.
tambien
la
Z_aF[x(t)J
de conmutacin de F con
propiedad
el
lmite,
siempre que los lmites existan, es decir:

F[im
nco
tipo de
F[
2 ajF[x,(t)1
hm
El
2ax(t)]
~ax(t)]
= ~ a>F[x~(t)jJ
j=1
lmite depender del problema particular,
casos representar una suma infinita,
ya
que en unos
mientras que en otros casos el
lmite se transformar en una integral.

Simblicamente
este
Ej
En
el
que x(t)
caso
hecho
representado
mediante
la
~aAxA (t)1 = ~ aAF[xA(t)]
La
que
de
particular
iAt
queda
accin
del
x (t)
A
filtro
F,
elAt
sobre
tendremos
x(t),
queda
38
totalmente determinado por F(elAtJ

Como F[eIX<th>]
~(t
Llamando T(A) = ~A<0>
se sigue que:
e xAh
F (eAOJ =
hm F [eAtJ
t
= F[~
F[x(t)j
~(t)
se obtiene que
.j,o
= ~ %\T(A)e
aAe]
A la funcin T(A) se le llama funcin de transferencia del filtro E, y

si llamamos:
= {x(t) / x(t) = hm ~ aAe}

entonces
operando
sobre
queda
LI-i,
totalmente determinada,
por
su
funcin de transferencia.
u
u
u
u
u
u
u
u
u
u
Si escribimos a Ae
itA
T(A) en forma mdulo argumental, obtenemos:
x(t)
aAe
T(A)
De donde se obtiene que:

F[x(t)]
Es
decir si
= ~ A IT(A)
representa una
frecuencia de
la
seal
amplitud de cada frecuencia A est multiplicada por el factor

la fase se cambia de IdA) a IdA)
Las
funciones T(A) y
filtro lineal,
x(t),
la
IT(A) y
O(A).
O(A),
se
denominan
ganancia
fase
del
respectivamente.
Cuando x(t) es real, se debe verificar que a A = ~A y para que la

salida del filtro E sea real,
se debe verificar que T(A) = T(A),
en
cuyo caso, se tiene que:

IT(A)
Sabemos
que
si
x(t)
IT(-AH
es
una
entonces:
39
e(-A) = e(A)
funcin
periodica
de
periodo
T,

1271rlu t
x(t) =
02
ce
c.s.
un
~-.
rl
u
u
u
u
u
= 2irnu
con A
Ib
u
u
u
E
u
u
>
1
T
___
Ant
un
< o
o
En
este supuesto la salida del filtro es:

o
--
II
F[x(t)J
rl
rl
Si
c O T(A O )e
T(A rl >1
x(t)
<
Ant
que es una funcin periodica con potencia
es una funcin
real
tal
que
entonces
funcin de
cuadrado
xt)dt
<
-00
existe ti(A) tal que
h(t)2dA
<
x(t) = 5
eAth(A)dA
- o
5-
Por tanto si
=-
ce
F[x(t)]
Ih(A)flT(A)2dA
<
entonces
= j~h(A<
IT(A)Ie
dx
<
es
una
integrable (energia finita) bien definida.
28 T~os
De
ESPECIALES DE FILTROS LINEALES
lo dicho se desprende que al aplicar un filtro

At.
lineal F,
a la
funcin e
el resultado es la misma funcin multiplicada por
funcin de transferencia del filtro T(A) en la frecuencia de A.
la
At
Esto es F(e
Ai
Partiendo
T(A) = iA.
= T(A)e
Filtro derivado
de
F (e iAt
u
Filtros de Alta Frecuencia
de
dt
se
=iAe
obtiene
que
Por tanto la funcin de ganancia del filtro derivada Fu es
O(A) = Al y su funcin fase es:
u
u
u
O(A) =
siA~0
17/2;
17/2
40
si A
<
u
1
Tipos especiales de Filtros lineales

Observemos que el filtro derivado F,
de
las
frecuencias
pequeas,
acta
amplificando
atenuando el efecto
el
efecto
las
frecuencias altas.
Un filtro se
llama de alta frecuencia cuando
atena o disminuye
frecuencias inferiores a una determinada frecuencia A0,
de
refuerza o deja igual las frecuencias superiores a A
mientras que
El punto A
llama corte en las frecuencias del filtro,
las
se
la frecuencia para este
valor, por lo general, no se transforma por el filtro. Un filtro ideal

de alta frecuencia est dado por:
fO;
si
AI<A
(A) =
si IA
AF
A2
A0
FLTRO CONVOLUCION
Sea x(t) una funcin real de cuadrado integrable, y sea ti(u) una
o,
funcin tal
integrable,
que
la funcin y(t) = 5
h(t
u)x(u)du sea de cuadrado
demostraremos que la transformacin

F[x(t)]
es un filtro lineal,
= 5
h(t
u)x(u)du = y(t)
denominado filtro convolucin.
Para ello es claro
que:
FhCVx(t)
i3xpt)~ = aFhe [x (t)J

o
x (t)
hc[T
1h00
h(t
13F[x(t)]
o
u)x(z
u)du
h(t
u )x(u )du
= y(t
ti
A la funcin ti(u) se la denomina funcin de respuesta al impulso,

ya
que h(t) es
Dirac,
que
la transformada por el filtro
equivale en el filtro convolucin,
de
la
funcin delta de
a integrar respecto de
una distribucin que concentra su probabilidad en t.
u
u
Facilmente
se
comprueba
que
41
la
funcin
de
transferencia
del
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
00
filtro F
es T(A) =
he
Es
claro
ti(u)e
que
iAu
Ih(u)ldu
du
<
entonces T(A) es una funcin
acotada.
Def. Un filtro se llama estable, si
solo, si, cuando la entrada x(t)
est acotada, tambien est acotada la salida

Si
x(t)I
y(t).
entonces:
y(t)
h(u)
x(t
u)du SMf00
-00
-00
Por
tanto
si
00
ti(u)du
<
entonces
el
filtro
es
he
-00
estable.
Def.
El
filtro F
se llama realizable, si y solo si ti(u) = O;
hc
para
u<O
Un filtro
efecto
de
frecuencias
FILTROS DE BAJA FRECUENCIA
de baja frecuencia,
las
altas
es aqul que atena o debilita
frecuencias,
bajas.
Frecuentemente
ideal
de
y
se
refuerza
les
el
llama
efecto
tambien
de
filtros
el
las
de
alisamiento.
Un
filtro
baja
transferencia:
(A) =
frecuencia,
{1
si A
si A
tiene
5
>
por
funcin
de
A
A
o
EJEMPLO 1.- PROCESO ACUMULADO Y SU ESPECTRO ALISADO

En muchos ejemplos,
obtienen
mediante
espaciados.
de
la
las series temporales en
acumulacin de
material
en
tiempo
es
discreto,
tiempos
Por ejemplo el grosor anual de los anillos de
los rboles,
se
igualmente
los troncos
la acumulacin de madera producida por el proceso
de crecimiento continuo del rbol.

Si
representamos
por
X(t)
el
u
u
42
proceso
en
tiempo
continuo,
el
u
1
proceso acumulado en tiempo discreto es:

<TI+1 >7
Y(nT) = 5
X(u)du
unT
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
Mediante el cambio de variable V = nT

anterior se puede escribir
Y(nT)
X(nT
v)dv = 5
o
Generalizando
tomando
X(nT
v)dv
Y(t)
como la
cantidad de medida
It) se tiene:
respuesta
h(u) =
Y(t) =
funcin de
representacin
la
este hecho y
acumulada en el tiempo (t
La
en la forma:
-5
v)dv
o
al impulso del
1/T si 0 5 u 5
O
filtro
convolucin
es
en el resto
y la funcin de transferencia de este filtro convolucin es:

T(A) =
{Te~
o
Av
dv = e
-Ar/2 sen(AT/2
AT/2
EJEMPLO 2 EL AMPLIFICADOR IDEAL

Los
amplificadores
fsicos,
son
dispositivos
cuyo
objeto
es
transformar una seal debil, en una versin fuerte de la misma seal,

con tan pequeas distorsiones como sea posible.
El
modelo matemtico
para un amplificador ideal realizable es:

A[x(t)]
Siendo C el factor
sobre
la
entrada
= CX(t
ti
de amplificacin y r el retardo de la salida

es
un
filtro
lineal
cuyas
funciones
de
transferencia, ganancia y fase son respectivamente:

T (A) = ce
A
O(A) =
G(A)
Los modernos amplificadores de alta fidelidad,
43
estn muy prximos
de alcanzar el objetivo
Esto
ha hecho
ideal
sobre un amplio
posible amplificar
registradas con baja fidelidad,

electrocardiogramas,
con
rango de frecuencias.
precisin
seales
previamente
como sucede con electroencefalogramas,
rayos csmicos, seismogramas, etc.
La funcin e(A) recibe tambin el nombre de desplazamiento de la
z(A)
x(A) mide el desplazamiento de la fase en unidades de tiempo.
fase.
Tambin es
____
O(A
interesante
la
funcin desplazamiento en el
introduccin viene motivada por el segundo ejemplo:
cuya
(IT(A) = T(A)~J
Como consecuencia tenemos que si

funciones
tiempo
ganancia
desplazamiento
de
la
fase
y A(A) son las
de
un
filtro
F,
entonces
F1ej
= G(A)e
Es decir que F desplaza el origen del tiempo de los armnicos de

frecuencia A en t(A) unidades.
Puesto que A(A)
par.
En
el
y A son funciones
ejemplo
armnicos
misma cantidad.
se
han
2,
dA) =
desplazado
Cuando esto no sucede,

Def.
x,
hacia
impares,
que
atrs
significa
en
Los
el
una funcin
que
todos
tiempo,
en
los
la
tiene una distorsin de la fase.
Un filtro se llama simtrico, si y solo si, t(A) = A(A) = O.

Esto sucede cuando la funcin respuesta al
t(A) es
filtros
simtricos
instantaneos, esto es A [Mt)]
no
son
impulso es simtrica.
realizables
salvo
que
sean
CX(t).
De donde, todo filtro realizable no instantaneo,

O(A)s0, para algn valor de A.
debe ser tal que
2-9 COMBINACIONES DE FILTROS
u
u
u
Rl
Si
y F
1
son filtros
lineales con funciones
44
de transferencia
u
u
u
u
u
T 1 (A) y T 2 (A),
de transferencia a T (A)
Si
F1
transferencia
F[x(t)jj~
E2
lineales
tales que E
es
un
con
funciones
opera sobre x(t) y F
filtro
lineal
con
de
sobre
funcin
de
T(A) = T (A).T (A)

2
Basndonos en estas
filtro identidad,
frecuencia,
con
y representando
transformaciones,
esto es
funcin
de
= x(t)
I[x(t)]
entonces
el filtro F
T(A) =
transferencia
el
1;si IAl sA
1
si
AL
>
A
2
F,
por
y por E el filtro de baja
O;
es un filtro de altas frecuencias.
de
bajas
altas
frecuencias,
se
pueden
,componer
secuencialmente, para obtener filtros de frecuencias intermedias.
u
u
u
T (A)
filtros
transferencia:
u
u
dos
bT (A).
son
entonces
ejemplo, si F
lineal con funcin
T(A) y T2(A
),
= E es un filtro
bF
10
Los filtros
u
u
entonces a F
Por
es un filtro con funcin de transferencia

1
= {O;
A 1
en
e 1 resto .
11;
si
o F
T(A) =
si IAl sA
en el resto
= E
un
con
filtro
A
<
A
2
con
funcin de
entonces
el
transferencia
filtro
F = E
o
2
por funcin de transferencia
tiene
2
fi;
jo;
IA
s A
el resto
El intervalo LA 1 ,A]
se llama la banda que pasa el filtro.
Otra combinacin interesante son los filtrs de la forma:

F
siendo
cada F
entre A~
1
Es
<
(E1
un filtro que solo pasa
las
frecuencias comprendidas
5
2
interesante sealar
que
todos
45
los
filtros previos se
pueden
u
u
componer a partir de filtros de bajas frecuencias y de las operaciones

bsicas de combinacin lineal y composicion.
u
u
u
u
u
u
u
u
u
u
u
u
u
E
46
CAPITULO III
PROCESOS
TEMPORALES.
ALEATORIOS
SERIES
u
E
3.1. INTRODUCCION
En el estudio de las series temporales que admiten descomposicin

espectral
se
han
investigacin.
desarrollado,
histricamente,
La primera de ellas,
dos
tratado
que
Generalizado,
public
Wienner
(1930)
aplicado a Geofsica.
de
tuvo su origen en el estudio que
realiz sobre la luz Sir Arthur Schuster (1898, 1906),

el
lineas
sobre
y se culmin con
Anlisis
En este importante
Armnico
trabajo, qued
completamente explicado el analisis espectral de funciones de potencia

finita.
La teora de Wienner abarcaba series temporales univariantes y
multivariantes
temporales
sus
aplicaciones
tanto aleatorias,
aunque por esta poca
no
se
se
extendian
modelo
como no
aleatorias
o deterministicas;
comprendan en todo su
de
series
significado
las
series aleatorias.
El
matemtico
ruso Khintchine desarroll
la
segunda
linea,
al
introducir los procesos estocsticos estacionarios tanto en el sentido
fuerte,
Esta
como
en el
linea,
debil,
adems
conocimiento
de
de
las
y estudiar su
la
importancia
series
pioneros en el
desarrollo
estacionarios.
Cramer
(1942)
descomposicin espectral de
que
aleatorias,
de
la
teora
formul
estructura
el
fu
sobre
de
correlacin.
tuvo
en
facilitar
uno
de
los
procesos
importante
el
trabajos
estocsticos
teorema
sobre
los procesos debilmente estacionarios.
En
1971 Kolmogoroff ampli la teora sobre dichos procesos, introduciendo
una concepcin geomtrica.

La
teora desarrollada por Wienner es adecuada para explicar un
gran nmero
de
fenmenos
reales
que
47
admiten una
modelizacin tanto
determinstica
como
aleatoria.
Trabajos
mas
recientes
dedicados
estos temas consideran que estos fenmenos son de naturaleza puramente

probabilistica
teoras estadsticas para la
desarrollan
estimacin
de los modelos mas idneos.

En
este
captulo
procesos estacionarios.
exponemos
los
conceptos
tericos
sobre
los
epgrafe 32 se desarrolla el anlisis
En el
en media cuadrtica de procesos, englobando el anlisis de correlacin

iniciado por Khintchine.
En
33
estocstico,
se
desarrolla
exponiendo
la
una
integracin
serie
de
respecto
resultados
de
un
bsicos,
proceso
para
el
desarrollo y comprensin de la descomposicin espectral de un proceso

estacionario.
En 34 se clasifican
los procesos en funcin de la
informacin
que el pasado tiene sobre el futuro.

En
35
se
estacionarios,
desarrollan
los
amplindose en
conceptos
[36] con
los
bsicos
sobre
resultados
procesos
relativos al
importante hecho de la representacin espectral de estos procesos y de

su ergodicidad.
En 38 se dn importantes conceptos sobre muestreo, alisamiento y
modelos en tiempo discreto,
se explica
como se pueden reproducir,
parcialmente la estructura espectral del proceso continuo en trminos

del discreto.
Se finaliza el
captulo con un
estudio
sobre
teora general de
filtros lineales.
En los epgrafes [3-21 al
[3-6] se tian seguido las notas de Velez
(Preprint).
48
3-2 ANALISIS EN MEDIA CUADRATICA DE PROCESOS ESTOCASTICOS
Sea
<2
t.
general.
>
teT
un
proceso
estocstico
Sin prdida de generalidad,
valores
complejos
en
que E(2 ) = O;
podemos suponer
t.
pus en otro caso, llamando m(t) = E(Z
construiremos el proceso:
t.
= 2(t)
m(t)
y 2(t) tendra medio cero.

Def.
321
Si
2(t) = X(t)
representamos
iY(t),
se
llama
fucin
de autocovarianza del proceso 2(t) a:

3(t,s)
= E[X(t)X(s)
E[2(t)2(s)]
Son bien conocidas
Y(t)Y(s)]
iE[YtXs
las siguientes propiedades de
la
Y(s)X(t)jJ
funcin
de
autocovarianza.
Pl.
?(t,s) = 315,t)
P2.
?t, t) = E[Z(t).2TE1]
P4. P3.
y(t,s)
{~(tt).Y(s.s)j(Desi~ualdad de Schwartz)
Vn,Vt,t
1
tER
2
Vz,z,...zcC
~_
un
4t1~t.jz12~ ~ o
Puesto que exigiremos que E[Z(tILZ(t)jJ
<
consideraremos como
o.
bsico el espacio
2P(dw)
<
o}
= {2:Q4jELzI2 = 5 2 121
es
decir
el
espacio
de
variables
espacio de prc,babilidad (2,a,P),

cuadrado integrable.
= E[U(w)V(w)]
En
aleatorias,
definidas
sobre
el
con los valores en los complejos y de
dicho espacio se define
y por tanto
1/2
= [EUDj
49
el
producto escalar
Por
tanto
la
convergecia
en
medio
cuadrtico
no
es
mas
que
la
convergencia en el espacio de Hilbert ~
con producto escalar
<.
3-2-1 CONTINUIDAD EN MEDIA CUADRTICA DE UN PROCESO

2
Sea 2(t) un proceso estocstico tal que Vt,

Def.
321
E~Hz(t)I
<
Se dice que 2(t) es continuo en media cuadetica en
si y solo si:
hm EZ(t
h-*O
ti)
Z(t
= O
Teorema 32-1.- 2(t) es continuo en media cuadrtica en t
si su funcin de autocovarianza ~it,s) es continua en (t ,t
si y solo
).
Demostracin
EZ(t
y(t,t
h)
h)
2(t ~
o
= i(t
3t,t).
Tomando
suponiendo que 2 es continua en

hm E12(t o
h)
Z(t o >12 =
h,t
h)
lmites
2-(t
h,t )
o
cuando
ti
(t,t) se tiene que
h-*0
Reciprocamente si 2(t) es continuo en mc.,
hJ
hm hm E [22
h40
h40
= hm
entonces es
h,t
ti,) = EZZ] = i(t,t)
h,h40
Corolario 3-2-1.- Si
2-(t
entonces:
es continua en todos los puntos de la diagonal,
continua y,
adems,
2(t) es continuo en media cuadrtica
en todo t.
Teorema 322.
continuos
2 (t>
O
en
Sea {Z(t)}
media
una sucesin de
cuadrtica
2(t) uniformemente en t;
tales
que
procesos estocsticos
E[Z(t)Z(t)]
<
o.
Si
entonces el proceso estocstico 2(t)
0.0.
es continuo en media cuadratica.
50
u
u
3-2-2 DERIVADA DE UN PROCESO ESTOCASTICO
Def.
3221.
E[2(t)2(t)]
t
o
<
Sea
{2(t)}
un
proceso
estocstico
que
Se dice que Z(t) es derivable en media cuadrtica en
o.
si y solo si existe una variable aleatoria U(t ) tal que:

o
Z(t ) + h)
2(t
hm mc.
ti
U(t)
_____________
c.s.
h-*O
Teorema 32-21.
7(t) es
Si
derivable
en
media cuadrtica
entonces 7(t) es continua en media cuadrtica en t
tal
___
Teorema
3-2-22. 2(t) es derivable
en
cuadrtica en t o
en media
t,
si y
solo si 2(s,t) es dos veces derivable en (t ,t ).

Demostracion.
00
Puesto que:
0+ht
[4t0~t0hj
4t0
tht
h,t0
2[t
h~t0)
4t0~t0j
Tomando lmites cuando ti y h
tienden a cero,
se obtiene el resultado
deseado.
Corolario 3221.
Si
es
derivable
en
derivada
entonces E[ZZJ=
8~sIu)](tt)
derivable en media cuadrtica en todo t, entonces:
4Z ~ [
=
8u 8v
llamamos 2
E[ZJ
Ademas
si
(t,t)
m (t),
siendo
y el operador derivado en media cuadrtica es lineal.
51
su
dE 7 (E)
tambien
m(t) = E[2(t>]
u
u
u
es
u
3-2-3 INTEGRAL DE UN PROCESO ESTOCASTICO EN MEDIA CUADRATICA
Def.
3231.
integrable.
La,b]
Sea
Se dice
2(t)
t]ZIt),
0W
(t11
es
integrable
con a = t
<
cuadrado
en media cuadrtica
en
<
<
. .
= b
<
ril
p*
1=0
t1j~it1j.
~t1+1
Teorema 3231. 2(t) es
integrable en La,b]
si y solo si
2(t,s) es
integrable en [a,b] x [ab].

Demostracin. Si y(t,s) es integrable en La,b] x [a,b] sera:
b
>I
E ~(t~tj(t
un1
2(t,s)dtds =
hm
p,p -4
ah
= hm
E[I
p,p-+ o
IV1 (t
10
~t
m1
hm
__
p,p4
tjz(tJ]
It
tj =
tizlt, 11
t
converge
en
media
cuadrtica cuando
1=0
O. Reciprocamente,
si
un1
tjz(t1}.~.+t..... {z(t)dt entonces
Ef
Z(t)dtl y por tanto
existe y coincide con E(J 2(t)dt

Corolario 32-3-1.punto de un
Si
2(t) es
intervalo finito
4t,s)dsdt
2)
continuo en media cuadrtica en
La,b],
de
converge en media cuadrtica cuando p
t,j~
Por tanto
estocstico
Utilizaremos entonces la notacin
u
U
proceso
rl
que
un
s y solo s las sumas
= OSiSr-
<2(t)>
52
entonces es
integrable en
todo
media
cuadrtica en [ab)
Demostracin
Puesto que i(t,s) es continua en La,b] x [a,b].
PROPIEDADES
Pi.
Pa.
PS.
Z(u)du] =
2(t,u)dudt.
I F (C2(
CV(t)ldt
P4.
1b
E[fVt)dtf
s:2(t)dt
S(t) =
2(u)du
Suponemos
que
c2bvtdt
{2(t)dt
Teorema 3-23-2.-
CJZ(t)dt
2(u)
es
VCe(a, b)
integrable
[ab]
en
sea
Vtc[a,b].
a
a)
S(t) es continuo en media cuadrtica en todo
La,b],
S(t) es
derivable en (a,b) y S(t) = 7(t).

Demostracin: Son evidentes en funcin de los resultados previos.
Teorema 32-3-3.- Sea 2(t) derivable en media cuadrtica en
sea 2(t) su derivable.
[a,b], entonces:
Si Z(t) es integrable en
2(t)
,JZ(u)du
2(u) =
c.5.
Demostracion:
b
E 2(b)
EJZ(u)du
a
E[(2 (b)
Sa
7(a)
2( u)du~
E[Z(b)
Z(u)du
b
~(a,b)+ 3(a,a)
Z(u)du]
y(b,b)
~(b,a)
fa a
Li
7(a)
E~2(b)
2(a)j{
a E [(vb
Ia
2(a)jZ(ujdu
53
dsdt
E (2ff)
La,b],
2lii)JZ(u)du
= y(b,b)
3-(b,a)
y(b,a)
y(a,b)
2(a,a)
22(b,b)
i(a,a)
22(a,a)
3(b,b)
y(a,b)
22(b,a)
2y(a,b) = O
3-2-4 TEOREMA ERGODICO EN MEDtA CUADRATICA

Sea 2(t)
TEOREMA
1
1T
un proceso estocstico Vte [O,o)
Si
2(t,s)
J~()
continua
O equivale a
a...
Vt,
Vs
Z(t)dt
rco
Demostracin.
es
tal que E[Z(t)]

y
se
cumple
que
m.c. ~
El resultado se desprende de
E~4
...L
2(u)du~
5T
i(t,s)dsdt.
~o %
3-3 INTEGRACiON RESPECTO DE UN PROCESO ESTOCASTICO
Sea {Z(t)}
un proceso estocstico,
al que EII2(t)2]
<
o.
2(t)
es un proceso de incrementos ortogonales si y solo si satisface:
b) ELZ(t)
c) V t1
t2 5t3
a) E{7(t)
<
TEOREMA 33-1.-
2(s)] = O; Vt,
7(s)
Si
<
<
o;
SET
Vt,
seT
t4eT; E[(2(t2)
7(t) es
2(t1)]
un proceso de
(2111)
2(t3)]] =
incrementos ortogonales,
entonces existe una funcin F(x) tal que

Vs
teT es F(t)
F(s) = E7(t)
Dicha funcin es montona,
no decreciente y queda definida salvo por
una constante aditiva.

Demostracin
F(t) =
fijemos t eT y sea
o
o
it~t0
54
Si t o 5 s st; F(t)
Si 5 5 t 5
E7(t)
7(s)
7(s)
2 =
F(t)
z<t o :12
E2(s) 2(t
F(s).
EZ(t )7(t
o
EI2(t)
F(s)
EIZ(t)
F(t)
) 2
= E7(t) 7(s)+ 2(s) 2(t
F(sfr E7(t )2(s)12

o
t;
2(s)
EIZ(t)-2(s)
trivialmente de que
La monotona resulta
~2
E2(t)
7(t
EIZ(t)
Si s
E7(t)
2(s)12
por ltimo si G~t) es otra funcin que

G(t)
G(s) = E7(t)
0(t)
F(t)
F(s) = constante.
G(s)
este resultado,
Apartir de
u
u
u
u
u
u
u
u
u
u
u
u
2(s) ~; Vs
es
t,
entonces
claro
que el
proceso {2(t)}es
continuo en media cuadrtica en t si y solo si F es continuo en t.

Por comodidad y sin prdida de generalidad,
suponemos que 7(t) es
continuo por la derecha.

Definimos
la
integracin
de
una
funcin
no
respecto de un proceso de incrementos ortogonales en

con funciones g(t) escalonadas,
es decir,
aleatoria
La,b].
cuando
rl1
g(t) = ~
CT~
,t) (t),
=0
1-1
siendo a = t
<
0
<
1
<
2
Por definicin:fg(t)dZ(t)
a
. .
. <t
Es claro que Ef g(t)dZ(t) = O

a
un
rl
= b una particin de [a,b]
Cj2(t
=0
,
2(t)]
-
y,
E[f~(t)d2(t)fh(u)d2(u)j
Extendemos la definicin de integral a otras fuciones.

Consideremos, para ello, los espacios de Hilbert:
55
g(t),
Comenzamos
u
u
u
u
ji
2dF(t>
Lb]
= -fg:
definicin
funciones
u
u
u
u
u
u
u
correspondencia,
Si
escalonadas
gEL2,
escalonadas
de
de
L2,
o,
integral,
5 7(14fl(14)P(d144
hace
corresponder
aleatorias
de
las
dicha
conserva el producto escalar.

entonces
existe
tales
una
sucesin
Entonces
que g
{g}
de funciones
sucesin ,fbg~(t)d
7(~) de
la
g.
y por definicin,
su lmite se define
comojbg(t)d7(t).
a
fbg(t)d~t)
Por
tanto
hm
a
funciones escalonadas
tales
que
5 g(t)d7(t);
mc.
g.
rl
donde
(t)
son
Esta definicin de integral, cumple las propiedades siguientes:

b
Pi.- Ej~(t)d7(t) = O
a
= ,fbg(t)h(t)dF(t)
II~bg(t)d2(t)I~bh(t)dz(t)]
II,
Ps. E~,fg(t)dZ(tj
a
Si gEL
g(t)
2dF(t)
es continua, se puede tomar:

rl1
g~(t)
Con t
= a
b-a
n
1
TEOREMA 3-3-1
un
proceso
y simplemente,
~(t)[Z(t)
La integral en
de
incrementos
a
[a,bl de una funcin g(t),
ortogonales
u
u
y <z,v>
variables
variables en 5? es convergente,
anterior
P2. E
u
u
u
J
a
(2ap). /Ez2 <
~2
La
= b(t>h(t>dF(t>Y
<h>
<
51/ja (t)
56
existe
si
respecto a
solo
si
(t) 2dF(t)
<
J~bg(t)d7(t)
= 0
En este caso E
y
a
b
ff~ g(t)dZ(t). 5a h(u)dZ(u)J =1a g(t)h(u)dF(u)
Demostracin. Segn el criterio de convergencia en media cuadrtica
~fbg(t)d
existe7(t)
si y solo
si
[{
~(t>
i=0
Z(t
)
I+1
(t
j+
cuando los radios p y p
2t)]}
de las particiones
tienden a cero.
y {t;}
Sin
( t )
.3
converge a una constante,

{t}
un -1
7(t)}}
prdida
de
subpartici n de
generalidad,
{t};
lo
cual
podemos
permite
suponer
expresar
que
el
es
{t}
criterio
en
una
la
forma:
.3=0
-1
.3=0
itt,
g(t
ztj
Lt~1
zt,iJ
.3
un1
~g(t1)
1 =0
g(t ){F (t
.1
) -
F(t]}
En el caso de que g(t) sea real, esta ltima expresin>
es mayor
o igual que:
E
un
g(t )1{F(t)
F(t)} y menor o igual que:
1 =0
rl~1
mx
.3 un 1Ifl
t g(t )]{F(t)
.3
F(t)} de forma que si existe
1 g(t)
dF(t)
entonces existe fbg<t: d7(t).

a
Por
tanto,
si
existe
g(tUF(t),
a
57
existen
a Rg(t)dZ(t)
~J~b
1g(t)d7(t),
puesto
dF(t)
que f(R~(t)]
y J~bjJg(
t)
dF(t)
existen)
y por tantof g(t)dZ(t) existe.

a
5bg(t)d7(t)
si
existe,
el
criterio converge para
cualquier par de particiones {t} y {t},

,fbIg(t:<
coinciden,
es claro que definen
en particular,
cuando ambas
dF(t).
a
Esta ltima afirmacin prueba adems que

b
5g(t)dZ(t)
~g(t)(2(t)
hm E
Por ltimo Ef g(t)dZ(t) = hm
E~g(t
7(t1)]
)I2(t
)
a
ya que E[2(t)
El
mismo
p*
7(t)]
O
I=0~
o.
2(t)] =
razonamiento
hecho
permite afirmar que si g(t)
en
el
caso
de
la
demostracin,
h(t) son integrables en (a,b],
respecto
a 2(t) ser:
E[f~(t)d2(t)5h(s)d2(s)]
a
= fbg(t)h(t)dF(t).
a
Teorema 332. Si 2(t) es un proceso de incrementos ortogonales tal

E2(t)
que
S(u)
8(v)
Z(s) 2
1
2it
2(t)
2(s)
1
217
El
a 2 (t
co
s) y
tuL
1 vt
dZ(t) entonces
it
- o
luL
00
-00
-e
1 vt
dS (u)
iu
teorema recibe el nombre de transformada de Fourier
respecto de un
proceso de incrementos ortogonales.
s
4
58
3-4 PROCESOS DETERMINISTICOS E INDETERMINISTICOS
Sea 7(t) un proceso estocstico tal que Vt, E[2(t)Z(t)]

es
2(t)E?VtER.
Representamos
engendrado por {2(t)/t
Si
{7(t)/t
queremos
5
T},
lgico
proyeccin Y de 2(T
Y,
engendrada
por
la
el
es
ti)
valor
dar
sobre fi (T);
historia del
tal que el error de prediccin EZ(T
en el
Consideramos ahora
el
2(T
espacio
ti),
vectorial
en
prediccin
el
funcin
valor
de
de
la
es decir buscar aquella variable

proceso,
posible a Z(T
h)
de
como
fi (T)
esto
o;
T}.
predecir
lo
por
<
sentido de
que
sea
lo
ms
los mnimos cuadrados,

+
ti)
proxima
de forma
II
sea mnimo.
la familia de subespacios -1 (T> al variar T.

2
Es claro que fi (T) es montona creciente con T y por tanto existe

14 (-
o)
fi
se
co)
fl
fi (T)
TEP
llama pasado remoto del proceso.
Por otra parte 14 (+
el
espacio
engendrado
por
<Z(t)/tER>
representa
completa del proceso, y es claro que VT; fi (T)cfl (+

2
12)
la
evolucin
o).
fi
o)
= U (+
o)
o)
22
es
Pueden ocurrir tres casos.
o)
En el
22)
fi 2 (-
32)
O~H 2
1~r caso -1
(-
0*14 2 (*
cofrH (+
o)
o)
o)
contiene toda la
informacin sobre el proceso,
y este recibe el nombre de proceso determinstico o singular.

En el segundo caso
o)
= O,
el pasado remoto del proceso, no
contiene informacin alguna sobre el proceso. Se dice entonces que el
proceso es indeterminstico puro.
59
el
En
regular.
tercer
Vamos
procesos
caso,
el
proceso
se
probar que en tal
incorrelados,
uno
llama
caso el
deterministico
no
determinstico
proceso es
y
otro
suma de dos
indeterminstico
puro.
TEOREMA 34i.- Si
entonces
se
determinstico
<7(t)>
es un proceso tal que Vt EIZ(t)

2(t) = D(t)
puede
escribir
indeterminstico
1(t)
1(t),
puro
<
siendo
ambos
0(t)
incorrelados.
Adems dicha descomposicin es nica .

Demostracin. Dado 7(t),
sea D(t) la
de 7(t) sobre fi
proyeccin
00)
1(t) = 2(T)D(t).
= O,
E[D(t)I(t)j
es
claro
7(t) = 0(t)
que
1(t),
por el teorema de la proyeccin ortogonal en espacios
de Hilbert, con lo cual

= O; Vs
E[d(t)I(t)]
Para ver que
<2(t)>
es
<
teR.
puro basta observar
indeterminstico
tER
que
los subespacios
de Hibert.
14 (T) definidos
por el
proceso 1(t)
han de cumplir:
a)
H 1 (T)
b)
14 (T)
<
14
H(-o)
(-
o);
VTeR; donde
Luego
fi
<
o)
(-
o)
14
o)cfi
(-
(-
fi (T) = fi (T)oH (T);
por
VTeR,
(-
co)J-1
(-
co);
(T);
VTeR,
fi
(-
<
o)
ser fi (-
o),
VTcR.
0
t.
t.
,
(T)oH
00)
indica
(T) = fi (T)oH (T);

0
= fi
U
, (+
o)oH
(1
o)
1U
entonces.
VTeR. Por tanto

= fi
, (~
o)
60
fi (T)oH (T);
VTeR,
cual
Supongamos ahora que 7
tanto
fi (T) = fi
debido a que fi
14
lo
o);
que
=0
observemos que
14
D(t)EH 2 (T)
significa ortogonal.
En cuanto al proceso <D t. }tcR,
VTeR puesto que 1(t) = 7(t)
H 2 (T);
y por tanto
se
VTeR y
concluye que
u
u
1
DEfi
(t
2
o)
= proy.
y como 1
(-
resulta que
o),
2
(-
y la unicidad queda probada.
o),
el caso discreto,
el resultado
__
TEOREMA-34-2.
rl
Vn es indeterminstico
<
puro si y solo si 2
nEZ
y~afli2<o,
Comentario
un
proceso
de
a
variables
ortonormales
(7 ) representamos la proyeccin del proceso 2

un-1
sobre el espacio fi 2 (n
Por tanto e
ti
1) y e 0 = 2 rl
es ortogonal a e
fi
Pn1 (2 ~1
para nsm.
m
3-4-3 DESARROLLOS DE KARHUNEN LOEVE
Sea z(t) un proceso

E
[7(t)]
estocstico tal
que E7(t)
<
o,
O y funcin de autocovarianza continua 2(t,s).
Vte[a,b],
Pretendemos
conseguir un desarrollo en serie de 2(t) en la forma

00
=>j
7(t)
de tal
forma que
las
media
cero,
la
ortonormales.
fk(t)Yk
sean ortonormales
sucesiones de v.a.{Y}
sucesin
Queremos
que
de
el
funciones
desarrollo
1.
sea
(t)
hm
E[
~ f(t)Y
f(s)
un,
es decir, que llamando A

2(t,5)
12
= EY
k
tengamos:
k
o
~Af(t)f(s)
K~1
61
sean
vlido
cuadrtica; esto es:
u
u
u
u
u
siguiente
Vn
Por P
u
u
rl
Un proceso <7 >n62 con E2
TI
resume en el
o,
se
teorema.
Siendo
u
u
fi
Para
(7 ) sobre 1-1
i(t,s)
de
tambien
en
media
Si
en la igualdad prvia,
multiplicamos por f (s) e integramos
tenemos:
f (s)ds.
b
s)f (s)ds
>
.3
Af(s)
Supuesto que se pueden intercambiar los operadores integracin y

suma, obtendramos:
s)f (s)ds
.3
de tal
A f (t)
kJ
forma que A
sera
.3
un
autovalor
del operador que
a g(s)
le
hara corresponder
y(t,s)g(s)dsh(t)
a
y f.(t) un auto vector, asociado con el auto valor A

.3
El
u
u
u
u
u
1
u
u
u
u
2Ia,b]
L
operador
que
hemos
{f: [a,b]
C>, siendo C los nmeros complejos y f tal que

<
citado
est
definido
sobre
o.
Se puede demostrar que todos los autovalores de este operador son

mayores
del
iguales que cero,
espacio vectorial
y que
engendrado
si
por
{ f}
los
es una base ortonormal

autovectores
del
operador
asociados a autovalores no nulos, entonces

o
3(t,s)
~ Af(t)
f<s)
Tenemos asi el siguiente resultado.

TEOREMA 344.
E[2(t)]2
< o;
continua,
ortogonales
Si
E(Z(t)j
O,
entonces
existe
{Y}
tales
funciones ortogonales
es
{2(t)}tE[a,b]
un
proceso
tal
que
a y b finitos y funcin de autocovarianza

una
que
{fk(t)}
de
sucesin
ELY>)
tales que
62
O,
variables
VK,
2(t)
una
hm
mc.
aleatorias
sucesin
Yf(t)
J1
de
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
Demostracion.
{A}
Sean
los
autovalores
no
nulos
del
operador
o,
asociado
con
.jf(t)J.
2.
espacio engendrado por
los
una
base
o r tonorma 1
del
autovectores asociados con autovalores no
nulos. Definimos
Y(w)
5Z(t.w)f(t)dt.
Es claro que E(Y(w)]
=8
O y E[Y(w)Y(w)]
nun
V,
un
TI
Llamando 5 (t,w)
Y(w)f (t) tendrenos:

TI
t,w)12
E17(t,w) S
y(t,t)
rl
2R
Af(t)f(t)
2(t,t)
~ AIf (t)2
TI
Af(t)
k1
y por tanto hm E7(tw)

rl
5 (t,w)
TI
3-5 PROCESOS ESTOCASTICOS ESTACIONARIOS. INTRODUCCION
Definicin 351.
estrictamente
Un proceso
estacionario si
estocstico
V
nEN y V
{Z(t)
t,
t
2
variables
aleatorias
dice que
...t rl ER y Vh
fr(t;
dimensionales
se
>
O,
ti), 7(t
ti).
. . Z(t
las
2(t
2).. .7(t)].
(2(t
es
ti)] son igualmente distribuidas.
Esto quiere decir que V B

1
. .
2
.E
(a
lgebra de Borel del
TI
plano complejo o de la recta real):

P{Z(t)EE.
= P{Z(t
Est
E(Z(t)]
claro
p,
7(t)EB...2(t)EB}
que
h)EB,
si
Z(t
h)EE.
EZ(t)
< co,
. . Z(t
entonces
ti)sB}.
se
verifica
cuando el proceso es estrictamente estacionario.
63
que
De igual
u
u
modo las distribuciones bidimensionales del proceso estacionario, solo
dependen de
diferncia
autocovarianza
y(t,s)
la
del
R(t s)
s,
proceso
7(t)
como
slo
consecuencia la
depende
de
funcin de
s,
esto
es
RCr).
Esto nos lleva a debilitar
la definicin de proceso estrictamente
estacionario, dando el concepto de proceso debilmente estacionario.
u
u
u
Def.3S-2. Un proceso estocstico 7(t) es debilmente estacionario si
y solo si EIZ(t)L
E[Z(t
a
<
VteR
r).Z(t)j
RCr); VtcR y
Es evidente que Mi) cumple las condiciones siguientes:

a)
R(- U
b)
R(O)
E{7(t)j2
c)
R(r)I
SR(O)
treR
d)
R(r)
VTER
es semidefinida
positiva;
esto es
Vz 1 ,z 2 .
. . .t
V t ,t
2
eR,
TI
z un eC
~
Mt
- t)7
Es bien conocido que la propiedad d) caracteriza a las funciones

de autocovarianza de los procesos estacionarios.
Sea
una sucesin montona creciente de valores reales y
una
}iEN
sucesin de
variables
aleatorias
independientes.
Podemos
construir el proceso
S(A,w)
IEI
Es
~(w),
siendo 1(A)
que
el
proceso
S(A,w)
es
Haremos la hiptesis de que
condiciones podemos construir:
u
u
u
<
i/A
Y.
<A>
claro
ortogonales.
itA
64
un
proceso de
hm E[S(Aw)]
<
incrementos
o.
En estas
u
u
u
2(t)
eitAds(A)
= 5
~
~
eM
CA(w)
que obviamente es un proceso estacionario.
u
u
u
u
u
En general,
es un proceso de incrementos
supongamos que
ortogonales,
tal
tal supuesto,
7(t)
que
su distribucin asociada
F(A) est acotada.
En
puede considerarse el proceso

=
e$tAds(A)
fo
- o,
El proceso 2(t), est compuesto por una suma superposicin de
armnicos de los distintas
frecuencias.
de la integral en media cuadrtica,

E(2(t)]
E[Z(t)Z(s)]
Siendo R(O)
lo
que
Se
indica
llama
que
la
segn las propiedades
se tiene que,
eI<LS>AdF(A)
= 5
E(I2(t)2j
Adems
-00
AeR
~J
5-
el
R(t
s)
dF(A)
o
proceso
{Z(t)}es
de
estacionario
7(t)
de
etAdsAy
el
es continuo por
la
Ii
proceso {S(A)}
derecha en media cuadrtica, entonces F(A) es montona, no decreciente
llama
su espectro.
Si
5(A)
y continua por la derecha.
u
u
u
u
u
se
Dividiendo a F(A) por

G(A>
1
F(t),
fi(O)
la
fi(o),
obtenemos la funcin
funcin G(A) se
llama
funcin de distribucin
espectral propia del proceso estacionario 7(t).
Puesto que F(A)

F(g) = EIS(A)
S(i.t)t
VA ~ ueR
resulta que F(A)
F(u) mide la contribucin de los armnicos
banda de
frecuencia
Lg,A]
la
varianza
frmulas previas se deduce que:
65
del
proceso
2(t).
de
De
la
las
u
u
u
RUt)
y
por
la
eIAdFA:
frmula
de
inversin
se
puede
obtener
F(A),
cuando
se
conoce RUt).
3-6 REPRESENTACION ESPECTRAL DE PROCESOS ESTACONARIOS
Comenzamos enunciando
el
teorema de
Boctiner,
que utilizaremos
despues
TEOREMA 36-1
(Bochner).-
una
funcin
es
continua
negativa si y solo si existe una funcin F(A),
continua por
o
RUt)
la derecha,
eiTAdF(A).
o)
O;
definida
no
real, no decreciente y
F(+
co)
R(O) y tal que
Con
este
resultado
podemos
abordar
el
problema
de
la
representacin espectral de un proceso estacionario

TEOREMA 362.
media
(Teorema de la representacin espectral de un proceso
estacionario).
tal que F(-
Si
{7(t)}
cuadrtica,
es
entonces
un
proceso estacionario,
existe
un
proceso
continuo en
de
incrementos
ortogonales
o
<S(A)> tal que 7(t)
itA
~coe dS(A)
2
Ademas
ES(A)
S(g)
E(A)
funcin de autovarianza del proceso
si
F(g),
Mt) se
Vg
A,
entonces
la
puede escribir como:
itA
e
dF(A)
R(t)
Demostracin.- Consideremos
los dos espacios de
Hilbert fi
espacio
dotado
vectorial
engendrado
por
u
u
66
del
producto
escalar
2(t),2(s)
<
E[2(t)2(s)]
~/J g(A)
-
1g:R4
dF(A)
<
dotado del
o,
producto escalar
g,h
<
Construiremos
iM
A(2(t)]
fo g(A)h(A) dF(A)
>
por pasos sucesivos,

eltA
un operador entre fi
Puesto que R(t
s)
E[2(t)7(s)]
5-
A(Z(tjA{2TfljdF(A)
Para
e l<t~s)dF(A)
y G
F~
o,
resulta que A conserva el producto escalar.
combinaciones
lineales
a 2(t)]
>j
linealidad
A(
conservando
el
producto escalar
),
a Z(t
a>e~>~~i
para
definimos
por
evidentemente
combinaciones
la
sigue
lineales de
funciones 2(t)
g
Si
. . . uj
es una sucesin de va,
tales que cada ~es
una
.1
combinacin lineal de variables
aleatorias 2,
tales que
hm
y>
TI
0. C.
entonces Ehi
00
AUn)
2 = 5
AUn 0 ) 2 dF(A) de tal
forma que
-o
AUn TI )
converge
llamaremos,
en
la
norma
de
COF
hacia
un
lmite,
que
por definicin AUn).
Las propiedades de
la
convergencia
en
media cuadrtica
indican
que A sigue conservando el producto escalar y la norma. Es decir:

00
= 5
A(n)A(n)dF(A),
-o
n1
A()
25
-00
La l tima relacin permite afirmar que A es inyectiva, puesto que

si
AUn
),
Ah
el
segundo miembro es
cero y por
tanto
el
nmero
tambien.
A
es
sobreyectiva,
ya
que
cualquier
67
elemento
G,
admite
un
desarrollo
en serie
de
Fourier
.3=1
que
.3
converge
en
la
norma G
E
que A
Puesto
operador
que
es
una
conserva
correspondencia
biyectiva,
la
el
norma
producto
definimos {S(A ~}AER por:
Para cada A eR,

o
(A)
esto
es,
un
escalar,
si A
si A
>
y S(A )
o
ya que evidentemente ~
y ser entonces
EGF~
o
5A
ya
A(~(Ao)J.
y
evidentemente
que
ser
entonces
o
5
=A
01
5A
5A
1
como A conserva el producto escalar y
(g(A )).Sean A <A sA <A

)A1 ~A ~
E[(S A -S A )(S A -S A
2
EISA
5A
se tiene
fi:
23
(A)
g~(A)] dF(A)
y,
2 =
por ltimo sea -aA <A <A

0
que
eltA
-J
.3l
<.
(g)
<
siendo
itA
g(A)
F(A )F(A )
una particin de (a,a) es claro
un
<A =a
. .
(A)2dF(A)
(A)~~
si A <ASA
J+ 1
si A<a A>a
cuando a tiende a
converge a e
itA
y el radio de la particin tiende a cero,
itA
con la norma de G
Sea
7(t)
(g)
itA
Por tanto
-1
.
3-6-1.
dSA
(e
z(t)
REPRESENTACION ESPECTRAL MULTIDIMENSIONAL

un
1
68
proceso
estocstico
u
u
u
u
u
tal que E17J2<o
multidimensional
Vj=1,2
n,
EZ.>=O
Vj=l,2
t
n y
E[23
r
2k]
o
(ts)
Vj=l,2
Vs,t
Jk
nl
Formamos el proceso Y(t)
a 7(t), que es estacionario y tiene
=
.3=1
nl
por funcin de autocovarianza p(t)
ai2(t)
para
a=i,
a1
J,k
p(t)
Por el teorema de Boctiner

decreciente
acotada.
tendremos
3%> (t)+2 .3k (t)
2f.3 (t)+2 .3k (t)
de donde
En
particular
para
(t)
~2
siendo G real,
{?eiAtdG:A)
iAt
.3
a =1
a~=O
dG (A)
.3
2 kj
no
1<
a~O VE s j,k.
22.k
(t)
i2
kJ
(t)
(t)
2kk
[co
e~
At
dG
2(A)
eIAtdG (A)
(t)+y
i{oeiAtdG(A:-.(2-.i
(t))
es decir
u
u
{2elAt dG~(A)
2>k(t)
Como consecuencia ~
F jk (A)
Podemos sealar ademas
sea dF
.3k
(A)
dF
k.3
(t)
G(A)
i{~eiAt
que
{jeiAtdF
iG (A)
la
dG(A)(2i)- (t)+i
(A) con
(~ .3.3
(1i)
relacin entre 2
(A)
.3k
2kk(A)}
obliga a que
2k.3
(A) y tambin que puesto que

TI
p(t)
JoeiAt
dF(A) e
aa
dF(A)
dO(A)
u
u
u
u
de
que
manera
(dF .3k (A))
jk1,2.
aadF
.3 k
,TI
.3k
(A)
~O
Es
decir
que
es hermitica y definida no negativa.
Intuitivamente
dF
.3k
(AH
mide
la
importancia
relativa que
el armnico de frecuencia A en los procesos 2 (t) y 2 (t),

.3
k
que arg[dF
.3k
(A)]
ma t r i z
la
mide el desfase entre
69
tiene
mientras
las aportaciones del armnico
u
u
u
u
de frecuencia A a cada uno de dichos procesos. En este sentido a

dF .3k (Afl
dF
(A) dF
jjh
arg dF
(A)
se le llama la coherencia entre ambos procesos y a
kk
.3k
(A) la fase entre ambos.
u
u
u
u
u
u
u
u
u
u
u
u
u
1
70
))
3.7. TEOREMA ERGOEJICO EN PROCESOS ESTACONARIOS.
Sea
con funcin de autocovarianza
7(t) un proceso estacionario
continua
ergdico en media cuadratica,
El teorema
r(t).
este proceso, afirma:
55
Hm
TT
t)dt~~!L4 O si y slo si
Ti o
aplicado
r(s t)dsdt
hm
1o
o
o
T
- if]du = O
[TI
co
Ahora
puesto que
bien,
r(u)
= 5
IAu
dF(u),
sustituyendo
en
la
-o
ecuacin previa,
1
obtenemos:
(
r(u)~l
rT
~j
<]du
-T
F({O})
52(1 A1T~osAT
2(1
cosAT)..~?(A
A2T 2
-o
siendo la fucin F continua en cero,

y F({O>)
F(O)
ya que F(A)
fF( A) si A < O
Y(A)F(O) si A
F(O-) o es la probabilidad que F asigna al cero.

1- cosAT)~~=~> = O, y,
Es obvio que hm
Ttco
S - o
como,
consecuencia,
A2T2
obtenemos:
rT
mc
ti o Z(t)dt~-4
O si y slo si F({O})
Como consecuencia obtenemos el siguiente.
TEOREMA
tR
37iSea
un proceso
de autocovarianza continua asociada con

distribucin espectral.
hm m.c.yf
T Iso
o
(2)
hm
Ttco
r<te
con la funcin
{Z(t)> y F(A)
su funcin de
En estas condiciones se verifica:
(1)
estacionario,
tMdt
5(g)
F(g)
S~~-) y
- F(g-)
Con facilidad se comprueba que,
71
para b fijo, y a-
00
~1
u
u
U
1- 2(t)eItUdt
iimm. c..~3
5(g)
- S(g)
__
y que para a fijo, b tendiendo a

hm m.c.b
ato
Este resultado,
-ng
S(g)
tiene una importancia e intuitiva consecuencia:
Si la fucin de distribucin espectral de un proceso estacionario

es discreta,
entonces el proceso es deterministico.
Esto quiere decir que,
F concentra
frecuencias{An}nE7 (enteros),
7(t)
toda su probabilidad en las
entonces
n~z
IArlt(S(An)
S(An)]
38 RESULTADOS NOTABLES SOBRE PROCESOS ESTACIONARIOS
Enunciaremos,
sin
demostracin,
algunos
importantes
resultados
sobre representacin espectral de procesos estacionarios 7(t),
cuando
su funcin de distribucin espectral es absolutamente continua.
PROPOSICION 381
Sea {Z(t)}tcR un proceso estacionario> continuo en
media cuadrtica, con funcin de densidad espectral f(A).

En
estas
condiciones,
2(t)
admite
la
siguiente
representacin
espectral:
7(t)
siendo
w(A)I 2
f(A)
00
etA~(A:ds*x
o
<5 * (A)}A~R
un
2
ortogonales
tal que ES(A2)
S(A1)
proceso
VA
de
incrementos
~ A.
TEOREMA 382
Un proceso estacionario
{Z(t)}t~R,
continuo en media cuadrtica
tiene funcin de densidad espectral si y slo si
3u
siendo <Y(u)>ueR, un proceso

7(t) de
= y incrementos
-00 a(t
u)dY(u)
ortogonales tal que
72
u
u
EIY(u)
Y(v)12
Vu
o
y 5(aiuj
= y
du
<
TEOREMA 383
Un proceso estacionario discreto {7(n)>nEZ,
espectral si y slo si
2(n)
ay(n
k)
siendo
2
<
tiene fucin de densidad
381
e <Ynne2, una sucesin de variables ortogonales.
00
DESCOMPOSICION DE WOLD EJE PROCESOS ESTACIONARIOS

Consideremos slo procesos estacionarios de cuadrado integrable.
Denotando por H (t) el espacio vectorial engendrado por <7(s)s

Es sabido que la mejor
prediccin de 2(t
ti,
Sea fi
z
a)
o)
fl
t>.
conociendo el proceso
hasta el tiempo t, es la proyeccin ortogonal de Z(t
sobre H (t).
z
+ t)
H (t). Recordemos que:
tsR
Un proceso se
llama determinstico puro si
14 (t)
14
o);
Vt.
En este caso se predice la evolucin futura del proceso sin error.

b)
Un proceso es indeterminstico puro si y slo si 14
o)
O.
Con esta notacin tenemos los siguientes resultados
TEOREMA 3811
Un proceso estacionario discreto {Z(n)}neZ

00
indeterministico
puro
si
slo
si
2(n)
un proceso de variables ortogonales y
uU
~ajy(n
j);
siendo
>j
aj2
<
3=0
TEOREMA. 3812
Un
proceso
estacionario
discreto
es
indeterministico puro si y slo si tiene funcin de densidad espectral

f(A) satisfaciendo
5
TEOREMA. 3813
log f(A)dA
Un proceso
>
estacionario discreto {Z(n)>ns7 se
u
u
3=0
{y(n)}
es
73
u
u
u
u
u
u
u
puede expresar en la forma:

7(n)
~jaj2
siendo
<
D(n)
>j ajy(n -
y(n)nEZ un proceso de
o,
variables ortogonales y
{D(n)}
7un proceso estacionario puro;
____________
E[D(n)y(m)]
tal que:
;
Vn, Vm..
TEOREMA. 3814
{Z(t)>tER
Sea
un
proceso
estacionario
R en R tal que 5(a(u)Jdu
<
IY(u)IueR
ortogonales tal que Vu ~ y, EY(u)

En estas condiciones
7(t)
So
a(u)dY(t
u)
un proceso de incrementos
=
Y(v)1
si y slo si
u
u
u
u
u
y.
dA
1
>
A2
de incrementos~orto~onales con
Ey(u)
y(v)
distribucin espectral
fo
media
en
cuadrtica, con funcin de densidad espectral f(A), a(u) una fucin de
-~
continuo
-o
logf(A) dA
>
Vu ~
tiene
si
slo
si
su
funcin de densidad f(A)
funcin
que
de
satisface
1+ A2
TEOREMA 3815
Un proceso
media cuadrtica es
indeterminstico puro si
distribucin espectral,
logf (A
o
2
dA
-o
1 + A
39.
Sea
estacionario
{7(t)>teR
continuo en
y slo si
su funcin de
tiene funcin de densidad f(A)
que satisface
TEOREMAS ERGODICOS SOBRE PROCESOS ESTACI ONARIOS

{X(t)}teR
un
proceso
real,
definido sobre un espacio de probabilidad
estrictamente
(2,a,P)
el espacio de posibles trayectorias del proceso
74
y RR
estacionario,
=
{fjf:R
RL
u
u
u
u
u
u
u
TI
Para
ULr)f(t)
tcR,
cada
=
f(t
U;
funcin f de t a t
composi ci
n,
definimos
es
i.
decir,
Sea
U(r):R
U(i)
traslada
<U(r)YrsR
es claro que OP
OP.
por
el
argumento
Dotado
con
estructura de grupo
tiene
la
la
frmula
de
cada
ley
de
conmutativo.
Si 5 es un conjunto de trayectorias, denotamos por

=
Si 1 es
<~I~f~S
tal que g(t)
f(t
U>
la probabilidad que el proceso {X(t)}tsR induce sobre el
espacio de trayectorias, entonces el hecho de que el proceso {X(t)>tcR

sea
es trictamente
estacionario
significa
med ib le 5 de trayectorias, se verifica NS)
que
para
P(S
todo
conjunto
).
Un conjunto medible de trayectorias 5 se llama invariante para el

proceso Ix(t)ItER si y slo si
NSAS~)
Es
claro que la familia 1
invariantes para el proceso

El
contiene
P[(S
5)]
VteR.
es un algebra.
llama ergdico si
conjuntos
es un conjunto de trayectorias
<SS
{x(t)IteR
procesoX(t)tcR se
exclusivamente
S1)IV(S~
de
y slo si algebra
trayectorias
de
probabilidad
nula, evaluada con P.

Con esta breve introduccin tenemos los siguientes resultados.
TEOREMA. 391
Si {X(n)>7
estacionario con E[X(O)]
<
co,
un proceso discreto, estrictamente
entonces
X(i)
converge casi seguro
u
u
u
hacia E[X0/X
VI)].
siendo 1
la algebra de conjuntos de trayectorias
invariantes.
Si {X(n)}
nC
es ergdico entonces
ELX/X Vn]
COROLARIO 392
Si
Iy(n)I~62
u
u
75
E [X]
es
un
proceso
estrictamente
u
u
E
u
u
estacionario y
II,
gE(
II) entonces:
k=0
converge seguro
TEOREMA. 393~ Sea IX(u)I
R es un proceso estacionario con media
cero y funcin de autocovarianza 2(u) continua, y sea

5
u
u
u
u
u
j(S)
~ Je ~Iu)du. Si se cumple
log ul ()Idu
u
cero
<
00
45 X(t)dt
entonces
estacionario y
gE(-
5 X(S)IWd
II,
ri
un
u
u
u
), entonces
converge casi
seguro:
a S(g)
con 5(A) el
S(g-);
proceso de incrementos ortogonales que se corresponde con el espectro

del proceso X(t)
310. MUESTREO ALISAMIENTO Y MODELOS EN TIEMPO DISCRETO

La
operacin de tomar muestras en una serie
serle
temporal
estacionario,
debilmente
la
original
por
serie
obtenida
estacionario
en
un
proceso
con
tiempo
el
temporal,
Cuando se modeliza la
estocstico
muestreo,
discreto.
convierte
En
es
este
debilmente
un
proceso
contexto,
las
relaciones entre el espectro de la serie temporal en tiempo continuo y

el
de
la
obtenida con
el
muestreo
es
importante,
ya
que
la
serie
muestral se debe utilizar para la estimacin del espectro de la serie

El
problema que se
intervalo de muestreo,
espectro
por
el
otro.
plantea es
como seleccionar la
para garantizar una buena

Para
formalizar
u
u
original.
seguro
proceso estrictamente
un proceso en tiempo continuo en uno discreto.
casi
COROLARO 394. Sea
converge
76
este
razon o
aproximacin de
problema,
un
necesitamos
u
u
u
u
a
u
exponer el siguiente desarrollo:

Supongamos que X(t) es una serie temporal en tiempo continuo, que
admite
una
modelacin
Consideremos que
intervalo de
muestreo
proceso
en
X(t)
debilmente
es
estacionario.
equiespaciado.
Se llama
nmero de muestras por unidad de tiempo,
razn
Sea
tt,
el
de muestreo,
al
que es igual a i/At.
La serie
muestral obtenida es:

Y
Sea
X(t)
= 5
(K)
tt
X(Ktt)
eIALS(dA)
la
O, 1,
del
proceso
X(t). En este supuesto
~ (K)
j~00
IAktts(dA)
Se puede ver la frmula previa como una combinacin lineal,
en A,
Aktt
de las funciones periodicas ~A(K) = e

con coeficientes S(dA).
Con este punto de vista, es claro que:
217n
+
____ (K)
(dA)
y~~(K)
~A (K)
S(cI(A
y por tanto,
~i~n]j
se tiene que
1 AkA
llamando
(dx)
517/At
-17/At e
que explica como la representacin espectral del proceso muestral,

se reduce a las frecuencias del intervalo
Si
un
tiempo entre muestras.
u
u
u
u
u
u
el
por
F(A)
es
la
funcin
~%
de distribucin
e spectral
X(t) teR
de
entonces
Ftt (A)
__
FrA
[~
2T1n~
KEj
- F(
2fln
U
nNl
3]
fi
es la funcin de distribucin espectral de la serie muestral.
Si
F(A)
tiene
funcin de densidad f(A),
densidad espectral muestral es:
u
u
u
77
entonces
la
funcin de
u
u
uu
u
u
u
u
u
u
u
3
~1t(A)
Por
tanto,
+~n]
~j__f(A
todas
las
lineas
SAS-+
rayas
espectrales
puntos
de
potencia discreta) aparecern como lineas del espectro muestral en el
rango
fl/tt, Ir/ttjJ~ y el espectro continuo se transforma en dicho

formando la componente continua del espectro muestral. El
rango,
lmite superior del rango del proceso muestral se llama frecuencia de

Nyquist, y puede ser evaluada por la expresin A = I1/tst (en radianes
N
por unidad de tiempo) por f N

La
eleccin de
frecuencia
<
de
5
la
razn
Nyquist.
de muestreo At,
El
proceso
acumula o alisa
1
(ciclos por unidad de tiempo).
2At
equivale
muestral
en
toda la medida
seleccionar
la
la
frecuencia
A,
correspondiente a las
frecuencias A 2UAN; n
De
O;
3<
lo anteriormente expuesto,
se
3~
~4
intuye la dependencia entre la
razn de muestreo y el rango del espectro muestral.

Cuando
el
frecuencias,
espectro
tomando
del
una
proceso
razn
de
X(t)
est
muestreo
reproducir el espectro del proceso original,
acotado
apropiada,
en
se
las
puede
con el slo conocimiento
del espectro muestral, segn confirma el teorema siguiente.
TEOREMA MUESTRAL 3101 Si para algn nmero A, el espectro de

X(t) es cero fuera de intervalo de frecuencias
uu
u
el
espectro de
X(t),
as
como
el
proceso
entonces
A s A
X(t),
se
pueden
reconstruir del todo slo conociendo los valores de X(t) en los puntos
flK
siendo K
O,
es decir con mas precisin,
podemos
deducir que:
X(t)
co<t<o;
78
E__
mismo
E
E
u
u
u
Demostracin. Sea e~AAt
<
y fuera
A,
intervalo
O.
es
a e1 At
igual
igual
la
para
extensin
La expansin en serie de
= 5
Aplicando
dS(A)
X(t)
At
dS(A)
senAt-
rl
implicacin de
el
[A
AtS(dA)
re
intercambio
la
11K/A
[A
At-
-00
LA
IrA
senA t
suma,
A y por tanto
>
las frmulas previas obtenemos:

A
La
para IAl
Como consecuencia, se obtiene:

o
At
la
S(dA)
IA(ITK/A)
11K/A
convergencia
de
iAt
suma
S(dA)
1%
11K/A
Y)
en
media
la
cuadrtica de
integral
se
teorema es que
Consecuencia del
entonces
FAt(t)
F(t),
Vt,
si
en
c.q.d.
la frecuencia de Nyquist
las descomposiciones
esta
puede ver
ROZANOV Yu(1967) Stationary Randon Processes Rolden Day.
~ A,
espectrales
del
proceso continuo y del muestral son idnticas.
311
FILTROS LINEALES. PROPIEDADES GENERALES. APLICACIONES

Sea
X(t)
un
proceso
debilmente
estacionario
representacin espectral es:

X(t)
eltAcis(A)
= 5
B
y sea F(A) la funcin de distribucin esq A
79
es
sena
es claro que F(dA)
Por hiptesis
u
u
u
que
de esta funcin.
eAAt
u
u
de
Fourier de esta funcin vi ene dada por la expresin:
D(dA)
funcin
este
de
con periodo 2A,
periodica,
u
u
u
u
la
qQ
tal
que
su
u
u
u
u
u
u
<
U~X(t)}~ U(X(u)]>
< X(t
s),X(s
X(t), X(u)
= <
>
Se concluye que las operaciones U s consevan el producto escalar.

Extendemos U
por linealidad a las combinaciones lineales finitas:
o]
U(~
a(X(t)]
ax((t
S)}
.3
y por continuidad a limites de sucesiones de Canchy de coubinac ones
lineales,
obteniendo:
hm
TI4
u
u
uu
u)>
Es
claro
que,
YJ
TI
representando
engendrado por el proceso X(t),

espacio,
hm U(Y)
00
00
por
es
M(X)
el
espacio
un operador
de
lineal
Hilbert
sobre este
conservando el producto escalar.
3111 FILTROS LINEALES EN PROCESOS ESTACIONAROS.

Def 3911
Un
filtro
lineal
F,
continua de un espacio D(F) ~ AI(X),

VsER,
en
si
mismo;
cumpliendo
es
una
transformacin
lineal
invariante por los operadores U s
ademas
la
siguiente
propiedad
de
invariancia en el tiempo:
VSER y VfeD(F)
Sintetizando F
VSeR y VfED(F),
:D(F)e D(F)
U o F(f)
s
definicin
previa
operadores U
UF( f)
es
o U (f)
F(U(f)]
un filtro
y F
conleva
el
que
D(F)
proceso X(t),
Si
biunivoca
slo si
continua.
La
sea
invariante
por
los
es la funcin de distribucin espectral del
entonces los
filtros lineales estn

2
u
u
u
TEOREMA 31111
Ademas,
lineal
si
biunivoca con el espacio de Hilbert L (R,B,F
es
lineal
si
entre
F(x(O)]
= 5
los filtros
T(A)dS(A,w),
y
).
entonces
L (R,B,F )
en correspondencia
es
la
<----
correspondencia
T(A).
Esto
nos
confirma que
los filtros lineales quedan caracterizados por el valor
80
F (x0
Nota
la
funcin
T(A)EL
se
la
llama
son
isomorfos.
funcin
de
transferencia del filtro.
Demostracin
Sabemos que
F (X(O.
a>
L (2,a,P
)jeL(O.a~P).
L (R,E,F
2
Puesto que
existe T(A)EL (R,B,F ) tal que

2
(x(o
T(A)dS(A,a>)
= 5
a>)]
siendo S(A,a>) el proceso espectral asociado con X(t,a>).
=5
Probamos seguidamente que F(X(O
eIALT(A:ds(A,w).
H
Para
ello,
un
Cauchy T (A),
puesto
que
tal que T (A>
T(A)EL 2 (R,B,F 1 )
TI
a un,
.3 EJTI
existe
Atun, J
una
hm T (A)
un)
un
sucesin
=
de
T(A)
00
Puesto que:
F (X(O.
a)
=
T (A)dS(A,a>)
~4
JEUn
hm
rl)
hm
TI~W
eAtrl~.3
dS(A,w)
fi
X( tn,j)
.3EJnl
00
Por tanto
F (xtj
lun
un4
00
hm
TI4
00
aunS e IAft-.trl.3>ds(A
JEJun
unJ
hm
a>) =
rl4
e~
= 5
tn,j)
X(t
.3EJTI
fe
T (A)dS(A,a>)=
00
4,
4
T(A)dS(A,a
fi
Sea
UE7D(F)
~g(A)~2dF (A)
co.
supongamos
que
U(a>)
Supongamos ademas que
[g
g(A)dS(A,a>),
51 endo
(A)T(A)] 2dF 1 (A)
fi
fi
Esta hiptesis supone que tanto g(A), como g(A).T(A)EL 2 (R,B,F
u
uu
u
u
u
contexto,
sabemos
exponenciales complejos;
esto es
En
este
que
tales
hm gn(A)
rl4
sucesin
gn(A)
de
IAtTI k
gn(A)
= kEKrl
bn,k e
g(A),
gn(A) y gn(A).T(A)EL(R,H,F) y ademas la
00
Por tanto
=
5g(A)dS(A,a>)
hm
TI~~*
Por las propiedades de

F(U)
hm
bnk
5g(A)dS(A~a>)
TI~>
FIX(tn,k)]
hm
00
5 gn(A)T(A)dS(A,w)
bn~kJ e
kEKrl
consecuencia
el
filtro
unfl
En
teora
lineales,
series
para
queda
caracterizado
entonces F(U)
TI
se
construir
una
amplia
Para ello es
transferencia del filtro.
una
gran
cantidad
necesario
En la prctica
hm
TI)
pueden
ejecutar
temporales.
g(A)T(A)dS(A,a>).
= 5
por
T(A),
que
F(X(o~a>)j.
{ g(A)dS(A,w)
hm
TI
determina su valor en X(O,a>),

Ademas si U
T(A)dS(A,w)
TI
TI
Como
kEKrl
00
linealidad y continuidad del filtro F tenemos:
rl~~*
hm
hm
TI
00
okCKrl
una
sucesin {gn(A>> es una sucesin de Cauchy en L 2 (R,B,F 1
TI4
uu
u
u
existe
TI
que
00
g(A)T(A)dS(A,w)
TI
variedad
de
de
operaciones
especificar
filtros
sobre
la funcin de
slo se usan una clase muy
restringida de filtros. Por ejemplo, si X(t) es un proceso en tiempo

continuo que tiene densidad espectral acotada, entonces:
u
u
u
u
u
~ g/ 51g(A:I2dA
Es claro que cada elemento de

convolucin,
puesto que si g(A)E~

g(A)
2
TI
h(u)du;
<
o>
L(R,E,F
).
corresponde
~2
con un filtro
entonces
valiendo
82
<
SJiJ
du
u
u
u
u
u
que se corresponde con g(A) tenemos:
Si F es el filtro
FfX(t)]
[
~
elAtg(A)dS(A,a>)
TI
h(u)X(t
= 5
que
es el filtro
h(u)du
TI
u)du.
Ahora bien,
de transferencia
convolucin anunciado.
si F es unfiltro
que
se
T(A)
que
tiene
<
cualquier K, un filtro
que
que
51TA
si
~ 1<
si
IAl
>
correspondiendo
SI]
Puesto
se corresponde con una funcin
T(A) acotada, tomando
T (A),
k
para
convolucin.
dado
>
O,
puede
se
T(A)2dF1(A)
<
elegir
de
tal
forma
c, se tiene
que
E[F~X(t)J
F~X(t)Jj
<
Vt,
siendo
5h(u)X(t
F(X(t)J
En
este sentido,
cualquier
tipo
de
TI
u)du
se dice que los filtros
filtros;
justificandose
prctico de los filtros convolucion.
u
u
E
u
u
u
u
dS(A,a>
TI
At
TI
Tk(A)
u
u
u
u
u
= 5
83
convolucin aproximan
asi,
el
amplisimo
uso
u
u
u
u
u
u
u
u
u
u
u
u
u
CAPITULO V
ESTIMACION
ESPECTRAL
EN
PROCESOS
ALEATORIOS
UNIVARIANTES.
ESPECTRO
DE UN PROCESO ALEATORIO.
u
U
4-1. INTRODUCCION
El
teorema
estacionarios,
o
las
de
espectral
para
los
procesos
suministra informacin util para estimar los espectros,
frecuencias
espectrales
Dicho espectro suele
u
u
representacin
ms
representar,
frecuencias
de
emisin de
la
mediente el
proceso estacionario
relevantes,
de
dichos
procesos.
desde el punto de vista fisico
energa
X(t).
de
otra
seal,
Dedicamos
el
que
se
captulo
las
mide
IV
de
esta monografa al estudio de estas cuestiones.

Los apartados 2 y 3 estn destinados al estudio de los filtros, y
a
filtros
amplios,
especiales
de
ruidos
blancos;
que
los procesos estacionarios discretos.
sobre distintas
formas
de encontrar un
filtro
generan,
Se dan
que
en
trminos
algunas pautas
se adapte
los
datos.
u
u
El
apartado 4
estimacin
de
va dedicado
frecuencias
a exponer
en
espectros
discretos.
la
Destaca
el
subapartado 143 en el que se desarrolla una tcnica de optimizacin

global destinada a tal fin.
En los apartados 5,6 y 7 se estudian diversos mtodos de estimar
la
densidad
propiedades.
espectral
de
Conviene destacar
procesos
la
de
estimadores
presentacin
naturales.
de
las
El
discretos,
analizando
modificacin de dichos
mediante las ventanas espectrales,
algunas tcnicas sobre
estimadores
que corrigen algunas deficiencias
apartado
propiedades
sus
7 est dedicado al
muestrales
de
los
estudio
estimadores
espectrales. Estos aspectos se completan en el apartado 8, teniendo en

cuenta algunas de las caractersticas expuestas en los apartados 2 y
3.
El apartado 9 se dedica a analizar las caractersticas especiales
84
u
u
u
u
u
u
u
u
u
que se presentan al tener que estimar las densidades espectrales de

procesos estacionarios
discretas
de dichos
continuos,
procesos.
El
mediante
intervalo
muestras
razn
observaciones
de
muestreo es
fundamental en este apartado.

El apgrafe 10 est destinado a exponer distintas caractersticas
que deben
cumplir
la
ventana
espectral,
estimadores
para obtener
preciosos. El inconveniente de muchas de estas caractersticas es que

se definen en funcin de la densidad espectral,
el apartado 11 se
completan algunos de
los
la
destinados
longitud
de
frecuencias.
los
eleccin
registros
de
los
tamao
que es desconocida.
estos aspectos,
parmetros
de
muestral
los
Destacan en este apartado las
En
especialmente
la
ventana,
la
intervalos
de
tcnicas de preblanqueo
prefiltrado y el
Se finaliza el captulo con el apartado 12,
destinado a exponer
algunas pautas tiles para la determinacin de la ventana.
4-2. FILTROS DIGITALES
u
u
El
discreto.
trmino filtro
Su principal
tiempo discreto.
Se
digital
significa
un filtro
en tiempo
uso es la modificacin de datos obtenidos en
llama diseo del filtro el proceso de seleccionar
los parmetros adecuadamente
para alcanzar los objetivos
pretendidos
en la modificacin de los datos.
Como ya vimos en captulos precedentes,

son tipo convolucin,
u
u
lineal
gran parte de los filtros
y su funcin u operador es
85
u
u
u
uu
u
u
u
LtX(t)}
[421]
=
son nmeros reales
CX(t
= O;
1; + 2
3... donde
del filtro, que satisfacen
C
la
la
en
<co
C2
El
general
tiempo
pesos
llamados
condicin
principio
j);
00
discreto,
es
para
evaluar
anloga
funcin de
las versiones
transferencia
en tiempo
continuo.
Se
itA
filtro digital a la entrada X(t) = e
y se obtiene como
At
salida y(t) = B(A)e
donde E(A) es la funcin de transferencia del
aplica el
filtro.
Aplicando
este
criterio,
transferencia de L(X(t)]
E(A)
de donde
obtiene
que
la
funcin
de
definida por [421] es:
00
[422]
se
C e
-IA.3
;
<
A ~
elAkE(A)dA, para todo k,

-17
uu
y por la relacin de Parseval se obtiene:

00
2iz
B(A) 2dA
__
-17
Por tanto,
cualquier funcin E(A) tal que
expansin o desarrollo en serie de Fourier
u
u
E(A)2dA
como
<
co,
tiene una
[4-22] y por tanto
puede ser funcin de transferencia de un filtro digital.
Si
los
pesos
de
fuerte
CI
<
los filtros
entonces
satisfacen la
el
filtro
condicin,
tiene
una
algo mas
funcin
de
.3-00
transferencia continua y acotada, y por tanto se puede asociar con una

entrada debilmente estacionaria con potencia finita.
u
u
u
Tomando como unidad el valor At,
intervalo que transcurre entre
la toma de dos seales consecutivas, podemos utilizar la notacin de 1
86
u
u
u
por tt: k por Ktt, y c(k) por C (KAt), donde C (KAt) es la funcin de
covarianza, calculando la densidad
x
espectral por:
x
00
densidad
f(A> = ~2_00~&~
con
esta espectral
transformacin
es:
u
u
(A)
u
u
u
u
u
u
(A)
si
funcin de
transferencia
y
la
En
E(A)
funcin
2 Y (dA)
de
funcin
la
Y(t)
densidad
B(A)7 (dA), y,
particular,
<
<
y
IT
la
funcin de
C(ktt)e
Segn vimos en captulos precedentes,
Atf(Att,
L es un filtro
L~X(t)].
espectral
F(dA)
espectral
lineal,
entonces
de
la
la
con
medida
salida
son
IE(A) 2F (dA)
las
funciones
de
densidad
espectral estn relacionadas por las expresiones:

Y
u
u
existiendo la relacin entre ambas de
espectral
verificaIT que
00
217
P (A)
se
Si C
=
.3
solo
B(A)I 2P (dA);
tomar
Y(t)
valores
a X(t
.3
.3
transformada
~
a2t
entonces A(A)
Se
E(A) 2f (dA)
x
entonces E(A) es a valores reales y por tanto la fase
00
A(2)
.3
propiedad se llaman filtros
Si
f (A)
.3
puede
define
del
it
los
filtros
que
tienen
esta
se
llama
simtricos.
j)
filtro
y si A(A) es
es
la
un
filtro
funcin
digital,
valores
complejos
la funcin de transferencia del filtro,
sa(e1A3.
el
operador
salto
87
tiacia
atrs
por
E,
donde
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
E (X(t) jJ
e
X(t
1),
filtro
Consecuentemente,
A(B)
aB1,
con
que
si
tiene
funcin
por
de
transferencia
definimos el fil tro combinacin lineal por
st;
E1
siendo
el
inverso
de
E,
=-00
entonces
A(A)
~(B)
es
el
filtro
lineal,
con
funcin
de
transferencia
<e LA), que se puede escribir como:
Y(t)
A(B)X(t).
Una medida razonable de la desviacin de U(t) de la seal
Y(t)1~
EEu( t) Y(t)]
es E[u(t)
17
ideal Y(tY
cantidad que se puede evaluar por:

=
k>t-1
E~f
eAt[ANt(A)
A(A)]Zx(dA)
F(dA).
[ik=~-N
4-2-1. FILTRASE LINEAL PARA TRANSFORMADAS DE FOURIER
Las relaciones Y(t)
lineal
con
entrada X(t)
= 5
e At C(A)Z (dA)
= 5
At
Z(dA),
para salida de un filtro
funcin de
transferencia
-IT
C(A) sugiere el siguiente procedimiento.
Se obtiene en pr imer lugar la
transformada de Fourier rpida
t=1
con Av
despus
[4
1]/2
~por
la
217v
N
multiplicando
s u
5~j~jJ
funcin
de
transferencia
C(A)
y el producto se transforma hacia atrs,
evaluada en los puntos A
en
Li
el
dominio
del
tiempo
por
la
transformada
obtener:
LN/2]
14(t)
Avt
C(Av)Z
x, L
L=[ <N1)/2]
88
de
Fourier
rpida
para
u
u
u
u
Si
los
densidad
0< m
pesos
del
filtro
espectral
de
las
f~(A) SM,
tN1
Suponiendo
que
cuandolKl
u
u
u
u
u
u
uu
uu
u
u
o,
comienzo y al
Ejj14(t)
PNt>
b=
k =0;
l;....y
si
la
satisface
la
desigualdad
entonces
2nmpN,t
donde
son
bk;
entradas
Y(t)]
s 2rrMpN,t
t.
00
b2+Z_b2+~(b-.b];y
b+pN
los
pesos
entonces
bkdecrecen
los valores
final del
rango
de
forma
montona
mayores de pN,t,
t
N;
por
tanto
razonable
se producen al
prescindiendo de
algunos valores extremos, se obtendrn buenas aproximaciones.
4-3. MODELIZACION DISCRETA. MEDIAS MOVILES
Recordemos que un proceso de ruido blanco es una sucesin de va;

incorreladas
c(t);
varianza comn E[2(t)]
O;
con
media
comn E[r(t)]
o y
Un proceso de medios mviles es un proceso que se puede modelizar

por
TI
[431]
X(t)
donde
constantes
son
reales.
ac(t
enteros
En
j);
no
negativos
general,
se
O;
1;
dice
2...
los
que
[431J es un proceso de medias mviles finito.
89
coeficientes
X(t),
.3
modelizado
son
por
u
u
Un proceso de medias mviles infinito
o
uu
u
iijiiminaXii) proceso
=
a .ilineal.
t(t - j:, con~
El
modelizado por
proceso X(t),
a2
modelizado por
[43-1]
[4-32] se
puede
como una versin filtrada del proceso de ruido blanco e(t).
ver
La versin
transferencia del filtro es
uu
u
R(A)
Teniendo
en
cuenta que
aeIA.3
la funcin de densidad espectral de (t) es
2
h(A) = ____
217
se obtiene que la funcin de densidad espectral de X(t)
,
es
o
h~ (A)
El
IB(A)
217
proceso X(t) definido por
a2 ~
a2,
k-00
y segn vimos
en el
[432] tiene
capitulo 3~
meda
cero y varianza
todo
de esta monografa,
proceso estacionario
de media
cero y
cuadrado
integrable,
se
puede
representar por [432].
u
u
No obstante
depender tanto de las

de las futuras c(t
innovaciones pasadas e(t
j) ~
<
[43-3]
X(t)
con
el
Z
o
ac(t
modelo
j)
para
O,
para
t,
por
como
O~
[4-3-21
Cuando en el modelo
queda la representacin
Cambiando
u
u
u
[432] no es una buena modelizacin para X(t),
suponemos a
<
O,
nos
fI con Z a2
00
[431] el
90
<
indice
j por
s=j+m y
llamando
u
u
u(t)
u
u
uu
u
u
u
u
u
u
c(t
[434]
s),
X(t)
dictia formulacin se transforma en:
b~(t
= 2
modelizacion que es la que se usa mas ampliamente.
Si
X(t)
determinar
est
bien modelizado
los parmetros b
por
para calcular
u
u
u
u
u
basta con
la densidad espectral de
X(t Y.
4-3-1. MODELOS AUTORREGRESVOS
Si e(t) es un proceso de ruido blanco,

o 2
y X(t) un proceso tal que E[X(s)(t)J
de media cero y varianza

O Vt y Vs
X(t) es un proceso autorregresivo finito cuando se
diremos que
<
puede
representar
por el modelo
[4311] X(t)
El
b1 X(t
proceso X(t)
es
1)
b 2 X(t
2)
. .
bq X(t
autorregresivo de orden finito,
q)
(t)
cuando
se
puede
representar por
[4312]
con bproceso
= 1; y~
b2<oestacionario
Demostramos
en ~
el bX(t
captulok) (3-) e(t);
que todo
discreto
de
cuadrado
integrable
admite
una
representacin
como
un
proceso
00
r
autorregresivo de orden
infinito de
una serie con radio de convergencia p
[4-34], entonces
X(t)
tal
>
forma que
= ~
k =0 bz
En este supuesto:
1.
eiAt[ B(A)]~(dA>
SLeAtt >j
Siendo
B(z)
B~A~
a~(t
y 1/~B()
z
2
jO
91
a 2
.1
aeA.3]z~(dA)
sea
u
u
u
uu
Puesto
que
los
expresables
blanco,
procesos
como
autorregresivos,
transformaciones
finitos
lineales
de
infinitos,
procesos
de
son
ruido
tienen espectros
continuos 2con densidad espectral.
2
1
o
1
x
2ir
IB(A) 2
2n
beA~~ 2
k 0
u
u
4-3-2. PROCESO DE MEDIAS MOVILES-AUTORREGRESIVO
El modelo ARMA es:
[4-3-21]
~dX(t
___Cke(t
k)
donde
proceso de medias mviles autorregresivo.
u
u
e(t)
solucin
es
X(t)
un
proceso
debilmente
Se supone que c ~
<z/z
La
<
1> y 29(z)
de
ruido
blanco,
estacionaria
1,
del
y que C(z)
con
varianza
modelo
Lk0
previo,
no
d 7.3; no tiene ceros en <7/z
razn de estas hiptesis,
a
se
Una
llama
tiene ceros en
5
1>.
es garantizar la existencia de
solucin
en el modelo [4-3-21].
u
Visto X(t) como la salida de un filtro
u
u
u
u
u
u
lineal con entrada e(t),
la funcin de transferencia A(A) viene definida por

A(A)
o
con
a2
/2
d eIAk
j0
<
co,
siempre que 29(z)
aeIAk
.3=-co
O no tenga raices sobre el
.1
.3-00
unidad.
92
circulo
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
En este supuesto
la
funcin de densidad espectral
del proceso
X(t) es igual a:
f (A)
OCkeAk
A(A)I 2
.3=0
4-3-3. FILTRAJE EN TIEMPO REAL
X(t) e Y(t) procesos debilmente estacionarios,
Sean
no observable e y(t) obsevable.
co
<
<
o,
X(t)
equivale
tanto como sea posible,

encontrar
LtY(t)j1.
Si
densidad espectral
un
Mas
filtro
f x (A) y f Y (A)
los
para
prediccin
filtros
tal
que
tienen espectros
lo cual
minimice
continuos
con
cruzada f xv (A);
es:
debemos determinar el
entre
densidad espectral
del filtro
un
observaciones Y(s) para s s t.

de mejor
funcin de Y(t);
(A)/f (A)
xv
realisticamente,
filtro
en
lineal
ambos procesos
la funcin de transferencia
E(A)
Suponiendo que Y(t) es observable para
el proceso de filtraje real consiste, a nivel terico, a
aproximar
E[X(t)
siendo x(t)
de
filtro
lineales
tiempo
Por
dado
tanto,
X(t
u),
t,
solo
de
debemos preguntarnos por el

para
algn u ~ O;
que minimice E[X(t

restringidos
disponemos
que
u)
Y(s),
esto es
L~(Y(t))]
sea menor que
t.
La solucin a este problema es la proyeccin de X(t

subespacio
lineal
engendrado
{Y(s)/s
93
t}
resuelve
el
u) sobre el
problema.
El
u
u
L
filto
donde
es el
espacio generado por {Y(s)/

espacio generado por {Y(s)/s
u
u
u
u
u
PL~
=
Li
El filtro
de filtrage,
filtro que proyecta X(t
<
<
o}
u)
sobre el
y P es la proyeccin sobre el
t}.
est determinado por la primera versin del problema
operando sobreY 1) (t) =Y(t+v),
envezdesobreY(t).
Su
funcin de transferenc ia es E(A)e iAu donde

E(A)
(A)/f (A),
xl,
y la salida es
(dA)
X (t )=fe
-17
Si
Y(t)
tiene
una
representacin unilateral de medias
mviles,
con
respecto al proceso de ruido blanco c(t), y que

EE<Y(s)s s t>
EE
Espacio engendrado,
EE<c(s)s s t>
entonces 7 (dA)
Y
donde
=
C(A)7 (dA)
00
con C(A)
u
u
u
u
u
Se sigue que X(t)
u
u
u
u
C1eIA.3;
j=o
eIA<t+IocA)z (dA)
= IT
-it
donde D(A)
C(A)E(A).
Puesto que EE{Y(s )Is
d(t+uj)
.3
00
t}
EE{c(s)s
t},
la
solucin
al
proyeccin de X (t) sobre EE{Y(s)s s t} tiene representacin:

Li
P{X(t)]
djc(t
j)
dj
j)
= ~
que
es
la
funcin
de
Li(t
(t)
Li
.30
El
proceso
problema,
X (t)
P[X(t)jJ
solo queda
es
L(Y(t)]~
por calcular
la
transferencia de
este filtro.
No obstante observemos que:

7- (dA)
x
D (A)7 (dA) donde D (A)

u
u
dj
=
.30
Li
Por tanto la funcin de transferencia de
94
E Li
es:
ueA>
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
E
A (A)
D (A)C(A); donde Z
Li
x
Li
A (A)7 (dA)
1.
Li
4-4. ESTIMACION EN PROCESOS CON ESPECTROS DISCRETOS
Un proceso con espectro discreto se puede modelizar por

k
[441]
X(t)
Acos(A t
c(t).
1=1
donde c(t) es un proceso aleatorio de ruido blanco,

el
influencia sobre
valor de
X(t),
que
que tiene poca
representa
un proceso de
ajuste o error de medida en el modelo.
El
conjunto <A
1
. . .~
<~
1
>
las
A,
...A
fases
>
representa la
<A
..
>
frecuencia de emisin,
las
amplitudes
de
los
distintos armnicos.
Con el fin de facilitar el proceso de estimacin,
podemos operar
en el modelo [441] para obtener:

[442]
X(t)
[Acos~cosAt
Asen~senAt]
e(t)
=T_ [AcosAt
BsenAt]
c(t).
El problema que abordamos en esta seccin, consiste en:
Dadas 4 observaciones X
X,
...X
de un proceso estocstico,
N
se puede modelizar por [441], estimar los parmetros

{K; {A;.
R}
;{A}
donde a
es la varianza del error
95
que
Supuesto
conocido,
mediante tcnicas de
podemos
estimar
el
resto
regresin mnimo cuadrticas.
de
parmetros
Para ello debemos
minimizar la funcin:
(t)...
[x
Diferenciando
(AcosAt
respecto de A y E obtenemos:
1
BU
1=1
k
t=1
BS
X(t)senAt
AU
1=1
1.3
donde
t=1
cosA 1 tcosA .3 t.
senA tcosA t.
1.3
=
1.3
Li
t =1
senA tsenA t.
Li
.3
El desconocimiento de las frecuencias {A}
no hace facil la
resolucin de
cuando se
las
ecuaciones
que las frecuencias A

A
con
m
1
m
2
supone
son de la forma:
m
2itJ
N
...
[4-43]. Sin embargo,
1,
enteros;
2,
.
se
entonces
facilita
notablemente
la
resolucin de las ecuaciones, ya que:

2ITpt
cos
Zitqt
cos N
sen
2itpt
si 0 5 p ~ q ~ [N/2]
N/2,
siO<p
sipq
10,
O
t=1
sen
sen
0, pqN/2
cuando N es par
2itpt cos 2nq t

N
ZITqt
q < [4/2]
Vp,
Vq enteros.
<
[N/2]
<
[N/21
O; p
N par
96
N/2;
u
u
Bajo estas hiptesis se tiene que:
m
t)cos 217 t.
X(t)sen
217~i
N
NL
Adems:
E(A]=
~4~[
>1
E[X(t)]cos
A t=
~~
HsenAtcosAt]
Var(A]
var(~]
A1
1 2
N
cos2At
sen2At
20.2
4
( ~ }
]22
20.2
N
Las frmulas previas son puramente matemticas, ya que por lo general

A
1, A
BsenAt].cosAt
~;]
Cov(A~
las frecuencias
y que:
u
u
uu
u
[AcosAt
ZhcosAtcosAt
Anlogamente se prueba que
t.
Se
puede
estimaciones,
. .
2k
..A
son desconocidas.
desarrollar
un
proceso
iterativo
tanto de los parmetros A
y E
1
~1
1)
para
mejorar
las
como de las frecuencias
El proceso iterativo se concreta en los siguientes pasos:

Se
eligen
A
1
0 s m s [N/2] y
se
. .
. .A k
calculan
arbitrarios,
los
con
estimadores
A1
A
E1
N
el
error
cuadrtico medio:
E.C.M.
[x~t~
un
II)
Se seleciona
cada
uno de los A1,
(~cosA t
2~R
~ <A
m
calculando
E.C.M.
97
BsenAt]]
A
2,... A >
se
(A,
el
error cuadrtico
A1),
sustituye
por
u
u
u
u
u
u
medio que se obtiene al sustituir

sustituye
A*
por
se
A por A
repite
el
Si
proceso,
E.C.M.
(A,
hasta que
),
E.C.M.
se
(A,
A ) ~ E.C.M.
III) Se busca un A~
[A1, A,.. .A
conjunto de frecuencias
actuales
1<
tales que:
*
Mm
E.C.M. (A,A )
E.C.M. (A,
Si es posible encontrtar un tal

por A
y se coloca E.C.M.
A,
se
sustituye en
*
E.C.M. (A,
A ).
A,... A ];
k
El proceso finaliza cuando
3
no se puede hallar tal A.
La eleccin de A se simplifica teniendo en
cuenta las ecuaciones [443] y observando que solo uno de los valores
y
y S
Otra
es no numerco.
forma
frecuencias A,
de
obtener
buenos
es mediante la
valores
tcnica de
iniciales
periodograma.
para
las
Dicha tcnica
consiste en:
Dados N observaciones X
1
discreto,
X,
. .
.X
de
un proceso estacionario
se llama periodograma del proceso para los N observaciones a
la funcin 1 (A) definida por:

N
1 (A)
{A(A)}
t4443
A(A)
{B(A)}
2
y E(A)
definida para
1
N
N siendo
XcosAt,
XsenAt,
frmulas que son similares a las que servian para estimar A
los supuestos previos.
Otra forma, ms sinttica, de definir el periodograma es:
98
y E
en
u
u
u
E
(A)
-..~
__ X(t)eIAj
Aunque
N
> est
definida
VAE[
N,para
N], todos
es claro
que no dese A.puede
evaluar dicha
funcin
numricamente
los valores
Por
lo
general
se
suele
evaluar
1 (A)
en las
2m17
N
frecuencias
u
u
cuyo caso se verifica que:
A(A)
2N
yB(A)=
2,
2N
B.
tun
Se llama grfica del Periodograma a la que resulta

N(
de dibujar m versus
2rnit
Supuesto que el proceso se puede modelizar por [4-41],
u
u
u
en
con A
2mn
entonces:
r
E[I~
2m
N
mientras que si m
E[If
t1N(2a~
J=~-~A+BJ
...........E[A
entonces:
J]
2mIT
programacin
funcin
]]
matemtica
periodograma.
siguientes
~~];
global,
Respecto
de
para
este
Si
independientes
{X(t)}
de
media
cero
segn:
~ =
tcnicas
mximos
se
de
tienen
de
sucesin
varianza
o2
e
independientes que se distribuyen

2mn
N
los
periodograma
una
[N/2]
buscar
es
...
jj
se pueden aplicar
la
los
resultados.
TEOREMA.4-41.
aleatorias
2o~
(A) funcin de una sola variable,
Al ser 1
de
~r~2
it
0,
f~2
}20.~
e
1,
X2
2,
si k ~ O
si k = O
son
k * N/2
k = N/2;
variables
con 4 par
variables
entonces
aleatorias
DEMOSTRACION.-
Clara
consecuencia
99
de
la
ortogonalidad
de
las
funciones seno y coseno.

Llamando
E(s)
X(t)X(t
podemos
escribir
el
t=1
periodograma por la frmula:

Ni
R(S)cos SA.
I (A)
5z <NI)
(PRIESTLEY) Supongamos que
TEOREMA 442.
modelo
[441];
X(t)
Acos(At
t )
X(t)
ajusta
al
VA
se
entonces,
c(t)
se
1=1
verifica:
(A)
=20.2
A2
k
1=1
24
TEOREMA [4-4-3).-
independientes
k
- 3~4,
(PRIESTLEY)
tienen
cumulante
{}
LOS
cuarto
de
son
orden
finito
entonces:
4k
4
+
4k
8170.
4
{ F N (A
4
2(1
4c Fsen 1 N(A+ A2)]
e
N2 [sen2
A
j~
A )
2
F (A
Ji
21
sen
(A
2
1
sen
21
N(A
2
1
A
2)
siendo F N el ncleo de Fejer, definidoNIpor la frmula:

217F (6)
N
N1
2 (NO/2
sen 2
sen (6/2)
5- <N1)
loo
(1
Is
N
cos sO.
A >1
2
A)J
4-4-1. ALGUNOS TEST SOBRE FRECUENCIAS Y PERODOGRAMAS
Aunque
se
observen en
el
periodograma una
serie
de
picos,
no
podemos concluir, sin realizar previamente un contraste adecuado, que

las abcisas de estos picos
se
corresponden
0,
1,
con
las
frecuencias del
modelo [4-41].
El
dibujo de A
2Rm
;
ti
=
En
2,
[N/2], versus
. .
1 (A
N
grfica del periodograma,
nos proporciona
),
la
informacin relevante para
decidir si podemos admitir la hiptesis de que k
0; esto es; X(t) es
un proceso puramente aleatorio no. Hemos visto que cuando el proceso

X(t)
es
puramente
/2
1 N CX mi>1 a >e
se
aleatorio,
distribuye
para
1 s m
X2,
siendo
como una
<
[4/2], la
todas
estas
variable
variables
independientes, obteniendose como consecuencia el siguiente resultado.
TEOREMA 441-1.S
[
r
F (z)
Ii
L
La
/21
)/a~.
N~
-z/21
funcin
de
distribucin
de
la
v.a.
cuando el proceso es puramente aleatorio,
es
1H/2 1
si N es par
ej
DEMOSTRACION
(z)
~s
zj
a 4(xj]
P[INLm}
Li
z/2
z; V~]
[MI 21
cuando N es par,
E (z)
Ii
ej
N/21
8 solo se conoce cuando sabemos quin es a
aunque dicho valor en la
prctica es desconocido.
Cuando el modeloX(t) es puramente aleatorio es
101
rl
Et.IN(Am)]
2a2
y por tantoS2
(N/2]
2[N/21
C)
es un estimador insesgado de a x
Si
reemplazamos a
por
su
estimador
en la
definicin de 5,
podemos construir un test aproximado para contrastar la hiptesis:

fi
El modelo [441] es puramente aleatorio,
frente a
El modelo 14-4-1] no es puramente aleatorio.
Para ello,
r
un valor tal que [1
sea 2
El test decide H,
No
obstante,
e~2j
[M/2]
si 5
Fisher
y fi 1 en caso contrario
(1929)
obtuvo
la
distribucin
exacta
del
estadistico:
Mx.
1 (A
N
bajo la hiptesis fi
TEOREMA 44-12. (Fisher 1929). Si
N es
impar y 1-4
_______________________
la distribucin de 5
n(1
l)(nj(l
que hz ; O
<
z)
(~J(1 .~2z)n
az;
donde n
Si
(2
(gJ1
3zV
[N/21 y a es el mayor entero menor
1 .
El test se realiza hallando un valor z

E
es cierta,
es:
E
5 (z)
a y decide -1
si
tal que
,
y fi
si
las verdaderas frecuencias no son de la forma A
(1952) demostr que
bajo
la hiptesis de que
>
a
m
2ir
Whittle
las frecuencias estn
suficientemente espaciadas,
y tomando como estimador de la frecuencia
A,
mximos
los
correspondientes
102
sucesivos
del
periodograma
ms
u
u
u
u
u
u
u
prximos, correspondientes a A
E(A )
0(1/N)
24a
VarCA 1 ) =
El
se obtiene que:
= 2n,
ni
2 C
1
+B
0(l/N3)
procedimiento de Whittle trabaja bien siempre
frecuencias
o s m s
del
[~];
modelo
en otro caso,
1
Llamando S
prximas
al
las verdaderas
conjunto
los resultados se debilitan notablemente.
A
<r)
donde 1
ni
IK/2]
Z
es el
[441), estn
que
<r>
(A
1 N (A ni
rsimo valor mayor de {IN(A)}
Grenander y Rosenblatt, obtuvieron el siguiente resultado.
TEOREMA
4-413
distribucin de 5 r
Rosenblatt
(Grenander,
La
funcin de
supuesta que es cierta la hiptesis nula H
Fq (z) = 1
1957)
(r l)Jj=1
j(n
jz)1
siendo
el
es:
mayor entero
j)
menor que hz .
distribucin
se
puede usar para contrastar el
La
sucesivamente el contraste previo para distintos valores consecutivos
u
u
u
u
E
peridicos que tiene
el modelo
nmero de trminos
[44-1], aunque no es exacto
aplicar
el citado modelo.
443 ANLISIS SECUNDARIO

la
estimacin
espectros
de
discretos.
las
frecuencias
Para
facilitar
modelo es:
103
Es una tcnica muy usada en mejorar

en
la
procesos
exposicin
estocsticos
suponemos
con
que el
u
u
u
u
u
u
u
u
u
u
u
u
X(t)
AcosCA t
Supondremos que A
s(t)
es la frecuencia estimada de A
0
y sea T
1
A
o
la
correspondiente estimacin del periodo. Dividimos las observaciones en

grupos,
conteniendo
mT
observaciones
cada
grupo.
Para
el
ssimo
grupo las amplitudes son estimadas por:

smT
1
(mTj~
smT
AcosCA 1 t
~ 1 )cosA 0 t
Acos(A t
~ )cosA t
Llamando U
SmI 1
{cos{(A
= ___mT
cosCA
A )(SmT )
t podemos escribir
A >(SmT
s1 )rnT
___
t)
~1
con una expresin similar para
mT
2
-~
Por tanto:
.+
exp
iB]
[icx+
A)CSmT
A[
~exP[i(A0
U)
2~AS(A
SmT1
A1HSmT1
A SCA0
A~~ exP[i(A
A)
A)SmT
[exP(i(A
A1),
mT
1~
mT es suficientemente grande (y
si exp(-ite)
y 4 = aroC,A + A
1
t =0
1)];
alejado de cero) entonces:
Ahora
bien,
donde S(e)=
>
suficientemente
1
T (A + A)
2o
1
sen
(A + A)
2
o
sen
D(A+ A)
argjvu~x- A)1
ser pequeo. En estas condiciones,
tendremos la aproximacin
104
u
u
1
u
u
u
tang
B/Aj
Si
y E
A)SmT
para cada grupo,
(mod. 2iz)
2
evaluamos
y dibujamos
~
5
frente a 5, el grafo debe ser lineal con tangente.

13
(A 0
A 1 )mT
A
valor
= 2irm(1
A[1
(3
de
y por tanto
por
regresin,
A 0 A 1
V2nmJ]
se
estima
obteniendose
una
mejor
estimacin de la frecuencia.
4-4-3.- OTRAS TECNICAS DE ESTIMACION DE FRECUENCIAS

Dedicamos este epgrafe a dar una tcnica, basada en optirnizacin
global, para la estimacin de las frecuencias de un espectro discreto.
la estimacin consiste, desde el punto de vista
de la programacin matemtica, en calcular los mximos relativos de la

funcin
1 (A)
<A(A)>2
<E(A)>2
=
t=1
siendo
AX (A)
~ X
cos At
la derivadas de A(A) y E(A) son,

A (A)
uu
(A
j~5/S)
computamos
Como ya se ha dicho,
~ t X
sen
y Ex(A)
~jX
tX
At
respectivamente:
y E (A)
At
t=1
Llamando
sen
tX
cos
At
t=1
se
tiene que
de una
E (A)=A
(A)
A (A)=E (A)
y
A~(A; y Ex(A)
para cualquier serie de datos X.

La
u
u
tcnica
de
optimizacin
local
procedimiento de optimizacin global,

en
el
gradiente.
Dicha
tcnica
siguiente proceso:
105
es
que
utilizamos
en
el
una tcnica discreta basada
consiste,
esencialmente,
en
el
u
u
u
Suponiendo evaluadas
frecuencia A
A X (A),
E X (A)
Ay (A)
y By (A) en la
formamos
{A (A )
X o
tE (A )>
Yo
<E (A )
X o
tA (A )>
Yo
= f(t)
t>0
La derivada de f(t) respecto de t se calcula por

f (t) = 2[A
x (A o )
u (A )
o o
Llamando
1 N (A),
u (A )>0
o o
E (A
E (A
) A (A U
f (t)>0
Vt>0,
2t[E
y
A
y
se
tiene
que
si
u(t)<0,
mientras
(A )
o
)]
2LA (A )E (A )4-E (A )A (A
,<
entonces
(A )]
o
que
cuando
f (t)
es
negativa en un entorno de t0.
Si UCA )
ko
N
ko
0,
>
evaluariamos
1 (A)
ko
2sN
en
los
puntos
MA +t
. . .
para
quedandonos con el primer valor para el cual
Cada vez que se produce el proceso de evaluacin, si

k
ko
2
se
cambia
el
valor
de
k
a
se ha tomado como valor de t, t=
O
2sN
2 s+1
1 (A +t)>I (A ).
u
u
u
u
u
u
u
u
comenzando con un valor de k =1.

o
k
te
Cuando
k
~
UCA kO,
se
evalua
1 (A)
en
los
puntos
___
A=A -t
para
qeudndonos con el primer valor para el cual
N Q~~>
N
El
decir
proceso fina liza cuando UCA )=0 es

o
U(A
muy proximo a cero;
es
algn e prefijado de antemano.

0U<e para
global consistira en aplicar el procedimiento de
La optimizacin
en los puntos MO,
y en los valores medios en tre
optimizacin local,
y un valor
un mximo
extremo del
intervalo
[ir,n]
en el
relativo
dos mximos relativos,
el
punto medio entre

mximo relativo ms prximo.
valor inicial y el
106
punto medio entre
un
u
u
u
u
u
u
uu
u
u
u
u
u
uu
u
u3
4-5, ESTIMACION ESPECTRAL EN PROCESOS DISCRETOS

CON ESPECTROS CONTINUOS
Si
examinamos
los
discretos,
resumiendo en
monografa,
que
se
resultados sobre
procesos
estacionarios
la parte 2 del tercer captulo de esta
concretan
en
teoremas
[366],
[367],
[36Sl y [369], podemos obtener las siguientes conclusiones:
Todo
proceso
estacionario
discreto
integrable,
se puede siempre expresar como:
X(t)
D(t)
a Y(t j);
j=o
con
al2
{X(t)}
de
{Y(t)}
<
siendo
cuadrado
un
proceso aleatorio
indeterminstico puro;
esto
es,
{Y(t)}
es
una
tEZ
doble sucesin de variables aleatorias independientes de media cero y

varianza
puro,
comn
Adems
tal que Vt y Vs:

E[D(t)~ 9(5)] =
{D(t)}~
es
un
proceso
determinstico
Es claro que el proceso previo es indeterminstico puro si y solo si

D(t) = 0, Vt, y esto se cumple si y solo si la funcin de distribucin
epectral FI(A),
tiene funcin de densidad espectral h(A) satisfaciendo
que:
logh(A)dA
>
~;
hecho
que
implica que h(A)
>
c.s.;
en todo el
-IT
intervalo
it,
ir).
Nos proponemos estimar
la funcin de densidad espectral h(A) de
procesos estacionarios discretos indeterminsticos puros. En virtud de
u
107
E
E
los
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
este tipo de procesos se puede modelizar por
lo expuesto,
X(t) =
[451]
a)2
~.
<
j)
un proceso puramente aleatorio y
donde {c(n
~
ac(t
Para
este
tipo
de
procesos,
la
funcin
de
densidad
espectral es:
o,
h(A) =
[452]
siendo
IR (n)
~j
-4
E[X(t)X(t
R(n)cos An
n)]
la
funcin
ir
sA
de
ir
autocovarianza
del
proce so.
Si
solo
X(1); X(2).
conocemos
valores
de
X(t),
denotamos
por
. X(N); R(n) se puede estimar por analoga para valores de
n tales que InI s N.
La estimacin por analoga de R(n) es:

NInI
R(n) =
X(t)X(t
-+-(
InI)
t=1
y de la h(A) por:
N-1
h(A) = 1 (A)
R(n)cosAn.
(iiU
Puesto que habiamos definido el periodograma por la frmula

N1
R(n)cosAn,
1 (A) = 2
n-
(A)
=
H
A
1(A)
se
4iz
se tiene que
(N-1)
1 N (A)
le denomina periodograma modificado o funcin de densidad
espectral muestral, y cuando no hay peligro de confusin periodograma.

Es claro que
[4531
E[I(A)]
=
(N-I )
E[R(n)]cosAn
108
(1
nl
N 3~n,cosn
n=(N1)
y por tanto, i4rn E[I(A)jJ
R(n)cosAn = h(A)
ri= <141)
Frmula
que
dice
que
para
cada
A,
1 (A)
es
un
estimador
asintticamente insesgado de h(A).
La
frmula
previa
se
puede
obtener
tambin
por
el
siguiente
procedimiento
Sabemos que
h(e)cosnede.
IT
R(n) =
.ir
Al sustituir dicha frmula en

[454]
it
E[I(A)]
(1
4IT
-11
+
cosn(6
siendo E (6) =
14
[453] obtenemos
A) }]de =
1
n- <N-1)
4
E (6 A)
N
2(N6/2) el ncleo de Fejer
1
2irN
A)
~J{cosn(e
1
F (O
2 N
A)1d6
J
sen (6/2)
Puesto que h y E son simtricas,
se concluye que:
14
[455]
EJjI(A)]
.1
h(6)F N (e
A)de = h(A)
o(
log
-IT
ya que cuando Ntoo; F (6
A)
tiende a la funcin delta de Dirac.
14
Llamando 2 (A)
la
transformada de Fourier
tiene que:
109
finita
de
X(t)
se
)
)
Z(A)
Teniendo
14561
=1
puesto
fir-it eI6tdS(e),
IT
r(r
2 (A)
hallamos que:
N
E12
IT
(e
t(8A) dScG>
A)e1<141> (6~A)/2dS(e);
-IT
que:
e
It, _ e
1(14+1)4>
e 4>
4>
1 <14.1)4>/a sen(N4>/2
sen4>/2
1
*
De
IT~A~ir
la representacin espectral
en cuenta
X(t)
X(t)e itA
[456] se sigue que 1 (A)
14
2,/A)!2
(z;MZAJ
y,
como consecuencia
E F~A)
1
J
IT
=
F$2 ~
E [dZ (A)d2 (A)

Lx
A)e (14.1) ceA)/2 E l/2ce
F(e
Ale
(14+1)
<6Ada
14
A)E[dB2
(6421
-it
Frmula que coincide con la
=1
ir
E 14 (e
A)h(6)de
-IT
[453] previamente hallada.
Teniendo en cuenta que
AS(A
1<
-se
(AA
It
obtiene:
)1/2
2
AS(A 1
(2kifll
ji
[14 ~N>j
EL
It
1AA It)
AH(A
It
AA It
Donde
FI(A)
aproximadas,
es la
h(A
h(
2kIT
It
funcin de
distribucin espectral,
cuando NN se convierten en igualdades.
110
____
____
____
las frmulas
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
4-5-1 PROPIEDADES DEL PERIODOGRAMA MODIFICADO
A pesar de que (A) es un estimador asintticamente insesgado de

14
su
comportamiento
es
extremadamente
errtico,
debido
los
siguientes hechos:
1)
LNA)i no es un estimador consistente de h(A), ya que VartI(A)j
no tiene a cero cuando N tiende a ~.

2)
Como funcin de A,
(A) es una funcin muy fluctuante,

14
Teniendo en cuenta la frmula
>
[451]
o,
X(t) =
a~e(t
j)
es
claro que
X(t) es una filtracin del proceso
aleatorio puro c(t), con funcin de transferencia del filtro.
T(A) =
~j
aeiflA y por tanto dS x (A) = T(A)dS e (x);
a = ~
siendo
5 (A)
5 (A)
los
procesos
de
incrementos
ortogonales
espectros de los procesos X(t,w) y c(t,w)
De este hecho se deduce que:

a
Nx
(A)
T(A)t ~I
NC
(A),
se concluye que h (A) =
y puesto que h (A)

2
T(A)I
e
2ir
ir 5
5~,
a-e
Frmula que nos permitira calcular con exactitud h x (A),

a
y T(A), datos que, por regla general, son desconocidos.
Teniendo en cuenta que 1

(A)
h (A)2ir
Nx
X
se obtiene que:
IT(A)12
2
a
e
IT(A)I 1
(A) y que
NC
111
si conocemos
u
u
uu
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
(A) - 2nh (A)
a2
NC
(A),
aproximacin que fu obtenida por Eartlet
(1955).
Para
precisar
esta
aproximacin,
enunciamos
seguidamente
una
serie de resultados extraidos de Priestley
TEOREMA 4521
(Priestley)
Sea X(t) un
proceso modelizado por
o,
[451]. Si
IaHnI 1/2 <
2 (A) = T(A)Z (A)

x
entonces
~,
y14 (A) donde
E[I~(A)Ij
= 0(l/N)
uniformemente
son independientes y
en
A.
E[e(t)~]
Adems,
< o,,
si
las
variables
entonces
E~I24A)i4j] = 0(1/1.42) uniformemente en A
__________
TEOREMA 452-2
(PRIESTLEY)
Sea
X(t) un proceso modelizado
[452] tal que {e(t)} sean variables independientes con [e(t)j

2
E[e2(t)]
[ectr]
<
~,y
= a
o,
~
laIInIa
<
~,
por
= 0,
a> 0. Entonces:
Mx
(A)
1~
1
2ITh (A)
x
NC
(A)
IR (A)
14
donde EIIR (A)12 = O(l/NaaJ uniformemente en A .

Si
las variables c(t) son normales y a
teorema previo,
satisfacen las hiptesis del
se deduce que el conjunto de variables aleatorias
(2irk/M)/2ITh( 2~kj}; k = 0;
1;
2;
. . .
1H12]
son independientes y se distribuyen asintticamente, para

k
O y k
[N/2] (Npar) como una x
2;
112
esto es:
u
u
NJ
2~kj
f2irh( 2irk}
0; k
4/2
l4irh(
=~k)x2; k = 0,que
En particular se cumple,
asintticamente,
hm E 1
Ntfl
hm
2kfl9 = 4h(2klfl
NJJ
ir(~~J y
varl
= l6IT2h2( 2kifl
~7)]
4)
Puesto que
14m E
u
u
u
uu
(A) =
[ZX2~irj?
(A),
se obtiene que
(A),
que prueba que
no es estimador consistente de h(A)
TEOREMA 4-523 (PIRESTLEY) Sea X(t) un proceso modelizado por

[45-1], donde a y c(t) satisfacen las condiciones impuestas en el
ni
teorema [4522] y sea
4] 3]
[e
[k(e)~o-~]= [E
el ncleo de Fejer.
cov(T(A)I(A)j
u
u
uu
.h(A, )h(A)
y F(O) =
En estas condiciones se verifica:

=
1/&r4
2
6/a
sen (4
2
sen (6/2)
[i
~IT
F(A
A)
F(A
A)}
~aJ donde el resto es uniforme en A1 y A2
TEOREMA 4-52-4 (PRIESTLEY). Sean 4> 1 (A) y 4> 2 (A 2 ) dos funciones a

valores reales,
con dominio
ir
s A s
it
de tal forma que cada una
tenga a lo ms un nmero finito de discontinuidades y que ambas sean

absolutamente integrables.
Sea X(t) un proceso modehizado por (4511,
satisfaciendo las condiciones del teorema [4522] y a

para algn k >2.
Para i = 1,2 sean
113
= O(/ini).
u
u
u
u
f~4>,(MI~(MdA y 4
En estos supuestos se verifica:
1)
= f4>(A)h(A)dA
lmE(4) =4
NI~
ir
2)
blm N cov(q ,4) = e 44
Siendo
e = [E(e~)-3] y 4>(A) =
En particular,
cuando 4> 1 (A) = 4> 2 (A)
hm 4 VarOp) = e42
IT
4ir
4ir ,f4>(A)4>(A)ha(A)dA
[4>(A)
4>(A) se tiene
4>(A)~(A)h2 (A)dA
-IT
Como
conclusiones
de
los
resultados
discusiones
previas
obtenemos:
a)
El perlodograma modificado no es un estimador satisfactorio de la
funcin
b)
Si
de densidad espectral
modelizamos
proceso
con
un
proceso
espectro
frecuencias discretas,
con
discreto,
los
espectro
test
continuo,
para el
por
contraste
un
de
pueden dar significativo en un gran nmero
de frecuencias espreas.
u
u
u
u
u
u
4-6 ESTIMADORES CONSISTENTES DE LA IJENSDAD ESPECTRAL.

VENTANAS ESPECTRALES
Es
sorprendente
la
inconsistencia
de
(A)
como estimador
de
Mx
h(A), a pesar de que h(A) se expresa en funcin de R(n), de idntica

forma a como (A) se expresa en funcin de R(n). Algunos autores
Nx
achacan este resultado al hecho de utilizar todas
las autocovarianzas
R(n) en el calculo
(A);
pues cuando 4 se aproxima a 4
1,
R(n) es
Nx
un
pobre
estimador
de
R(n);
aportando
114
gran
varianza
al
estimador
u
u
NX
(A).
En
Var(
opinin
(A)]
depende
de
Priestley,
no tiende a cero,
de 4
la
razn
principal
por
la
que
se debe al hecho de que dicha
autocovarianzas muestrales,
estimador de cada una de ellas es de 0(1/N),
aunque
la
varianza del
el efecto acumulativo de
los 4 trminos produce una varianza que es 0(1).
1
Una
forma de salvar estos inconvenientes consiste en omitir algn
trmino de las colas
u
u
u
en la estimacin de la densidad espectral.
Con
esta omisin
recibe el nombre de priodograma truncado.
-. el periodograma
1
[461]
h (A) =
R(n)cosnA con M < 4 - 1
o
2
nM
El
nmero natural M se llama punto de truncacin. Es claro que cuando
M tiende a infinito
EL(A)] = -4-~E[R
(njcosnA =
hacia
tanto
h(A),
por
h (A)
cos
es
un
hm
N1~
estimador
nA
tiende
asintticamente
u
u
insesgado de h(A).
Adems,
si
M = 0,
4
entonces h (A) es un
o
estimador asintticamente consistente de ti(A).
El
u
u
u
u
u
como
estimador
frmula:
[462]
h (A)
h (A)
o
Cuando se toma v(n) =
es
un
caso
particular
14
-4
v(n)R(n) cosnA
(141)
1
0
si
si
InI ~ M
nl > M
115
de
estimar
por
la
4-6. VENTANAS ESPECTRALES
Tambien se puede poner

14-1
141
Ir,
(A)
R(n)cos nA
2irL
Mx
n=-
dando lugar,
(N-1>
R(n)eiflA
n= (141)
por inversin a
R(n)
1IT I(A)eiflAdA
-7
Sustituyendo esta expresin en el estimador ti(A) de ti(A) obtenemos:

u(n)eVCA6)}de =
1
~
~(~){+r
5
r,z-(N1)
ir
r(ONAe)de
siendo
-IT
W(e)
(n
n=- <14-1)
*
Como vimos,
Mx
(A) es un estimador muy fluctuante de ti(A),
aunque la
integral
(A)
N(6)(AO)dO
= 5
-IT
que produce el mismo efecto que
la ponderacin de
la autocovarlanza
muestral, reduce notablemente las contribuciones de las colas.
Adems,
si
W(6)
es
una
funcin
periodica
de
periodo
2ir,
integrable se tiene:
h (A)
=
1IT
-ir
141
-+1
-mA
e
lAn
ii=-
e In(A~6)w(A
R(n)j
6)de
-ir
(14-1)
6 W(6)d6.
[464]
2it u(n)R(n)e
con v(n)
h (A)
Observamos que en [4-6-4], 4
Fourier v(n) de 14(6), slo para InI
-IT e~
depende
5 4
116
1;
de
los
coeficientes
de
incluso aunque 14(6) pueda
tener
coeficientes de Fourier no nulos
si W (e)
r
SL-
1
1
2ir
para
ini
> 4
1.
Por
tanto,
que
(6)
es
entonces
n=- (14-1>
iT
*
**
Mx
(e)w(A-e)de
-17
J -it
I(e)w(Ae)de;
Nx
polinomio trigonomtrico de grado (4
debido
1).
Mx
un
Es claro que si v(n) es una
funcin real par de n, entonces:

W(o)
f1
-~
v(n)cos no
(141)
ir
A la funcin u(n) se la denomina ventana retardo,

14(6)
lag window) y a
ventana espectral.
Exponemos seguidamente las principales ventanas sintetizando sus

propiedades.
El resumen est extraido de la obra de Priestley [1981].
VENTANA PERIODOGRAMA TRUNCADO O VENTANA RETARDO

RECTANGULAR
Se caracteriza porque su ventana retardo es
{~
11
A(S)
si
S~ 5M
~
> M
y su funcin ventana es 14(0)
1
2it
cos nO
5-M
sen M
-1.2
sen(6/2)
[ D(O)
M
A D (6) se le conoce con el nombre de nucleo de Dirichlet.

>1
117
exp( iSO)
aD(6
(1
2a)D (6)
aD(e
VENTANA DE TUKEY-HAMMING
Es un caso particular de la ventana general de Tukey.

retardo es:
{~
54
A(S)
0,46 cos(ITS/M)
si SI
VI
sX
SI
Su ventana
>
VENTANA DE TUKEY-HANNING
Es otro caso particular de la ventana general de Tukey.

En ella
cos(rS/M)>
<1
si
PSI
(A)
>
$1
si SI
y su correspondiente estimador espectral es:
h
~~0L ~J
o (A)
~~
ti4A
14
con
R(S) cos SA
5M
VII
VENTANA DE PARZEN
Su ventana retardo es:
A(S)
6(5/Si]
-
SI
SI/Si)
/513
si
si M/2
<
SI
SI
M/2
5 51
si SI > 51
y su funcin ventana o ventana espectral es:
W(o)
6 (S/M)
6(ISI/M]}
119
cosSo
cos SA
t3LiitMe4) 1
en(J/2)
817
->
Viii VENTANA IDE BARTLET-PRIESTLEY

2
Su ventana retardo es A(S)
3M
(115)2
sen(nS/M
irS/M
cos (irS/M)
y su funcin ventana ventana espectral es:
Mo
11
W(e)
35
IX
si
le ~ ir/Si
si
IAI>ir/M
VENTANA LOMNICKI ZAREMBA
2 es:
Su ventana retardo
*
IR (5)
A (5)
Var < R7(S)>

Lomnicki y Zaremba,
*
A (5)
siendo desconocido IR2 (5)

2
R (5)
sugirieron utilizar
________pSI
4
con o<p<1
+
plSI
120
u
u
u
u
4-7 PROPIEDADES MUESTRALES DE LOS ESTIMADORES ESPECTRALES
Consideremos un estimador
u
u
3
[4-71]
h(A)
A(S) R(S)
14-1
funcin espectral
(A)
-ISA
T(O)W(A
VI (6)
o)do
isfl
A(S)
IT
141
donde
14
L
<141)
Suponemos que A (5) es una funcin par a valores reales,

14
tal que
implica que VI 14 (e) cumple las propiedades siguientes:

VI (6) ~ O
5
5
(u)
(iii)
VN y yO
VI(o)de
= 1
VI2(6)dO
<
= 1
VM
VN
-it
Para cualquier e
(vI
A(O)
-IT
cuando
la
5<N1)
(iv)
de
definido por:
(i)
ti(A),
hm N~
hm 4
>
/{
(ISIJA2 ()
o,
LEMA 47-1
0; VI (O)> O uniformemente
VIOI
4>
>
(I51jA2 (5)
= Q
(141)
IT
W2(6)dO s K
<
VN entonces
-11
JVI(o)g(O)dO
K{f
{5W2(O)dO}{5g2(O)dO}
g2(6)dO}
que cuando
implicara
1/2
g(0)
K{fga(O)dO}
Tomando g(6)
exP(~<//4a2j
y eligiendo c2adecuadamente se
llega a
contradiccin.
u
u
u
u
Si
en
el
teorema
~5424]
121
tomamos
4>(0)
= VI (A
e),
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
4>2 (6)
VI 14 (A 1
O),
cuando
los datos cumplen las hiptesis
dicho
teorema tenemos:
[1]
Hm E ~(A)]
h(O)VI (A
6)dO
siendo
= h(A),
-n
E [~(x)~ =
[II]
ti(o)W(A
var[A)1
o)dO
e{(h2(A))
of log 4
h2(O)VI(A
2iz{
e).
-it
e)
VI(A
e)}de
rl
donde
h(A)
h(o)W(A
donde e es el
6)dO
cumulante de
IT
cuarto orden proceso residual.

[III]
N cov(h(A )~h(A)} - eh(A)h(A)

+
24
h2(O)W
e){W(A
14(A
e)
14 (A
14
e) de
-IT
Se observa que el primer trmino es 0(1), mientras que el segundo

tiende a infinito cuando 4
>
es un proceso Gaussiano, el primer trmino se anula
Cuando X(t)
automticamente.
Puesto que VI (A
e) converge a (A
6)
14
VI (A
6)
converge
a (A
O),
el trmino:
14
2(e)VI(A
IT
O)
VI(A
6)dB tiende a cero cuando 4
salvo que
-it h
=
= 11
(1
A
Por tanto, llamando 8 (0
se puede escribir Var(h(A)j
si A =0
,it)
=j
fi
~ A!=0
A(Oit)JNS IT
de donde se obtiene:
122
de
A*i
= _
ti2 (G)W2(A
14
e)de
hm Var [A)]
(1
A(0IT)]
2it h2( A)f
W2(O)dO
-IT
o,
+
11
(0 it)h a (A)
A
ZA~ (S)}
1>
que es una frmula standard para estimar la varianza de la funcinde

densidad espectral.
Tambien tenemos que

hm coy {h(A
h(A)}
O
VA
*A.
1
Cuando se utilizan parmetros de escala se obtienen:

2
AN (Y)
(y(M)
___
y=-
o,
K2 (u)du
(14-1>
-o,
y=- (14-1>
cuando M y 4 tienden a infinito, por tanto podemos escribir:
Var
[A(A
(0,n) jh2 (A)
hm
11
K (u)du
o,
o,
y adems
coy {h(A, ), h(A)}] 0;
VA
hm
*A
1
o,
4-7-1 EXPRESIONES APROXIMADAS PARA EL SESGO
Sea
5(A)
= E
[A(A)
h(h)]
el
sesgo
del
estimador
h (A).
14
desarrollo previo se obtiene:

5(A)
{h(B)
h(A)} VI
14(A
e)de
log 4
De la frmula previa se obtiene

5 (A) -
{h(A
Puesto que h(A
e)
6)
h(G)}VI(O)dO
ti(A)
Oh (A)
A
+
123
2
ti
(A)
a
+
0(6
),
Del
u
u
u
u
u
u
u
y suponiendo que E [O]
se obtiene
fl 02VI(6)dG
S(A) - -1--h(A)
2
j
14
Un tratamiento mas preciso y elegante del sesgo se obtiene utilizando
ventanas con parmetros de escala.
Llamando A N (y/N) y tomando esperanzas tenemos:
t~J [7 24LJ
S
14(A)
zit~
1
2n
u
u
u
u
u
= O
R(y )e
21114
= 2iz
1 wI{KL/M]R(Y)eiYA
y=(N1)
Sea
(Y/s)
el
entero
l}R(y)eIYA
u
u
u
u
u
u
R(y)eIYA
cero
tal
que
<>
mayor
o,
existe,
es finito y no nulo. Supongamos que
~
1 =
que
(N/Mr)~>oo.
5 (A),
Tomando lmites,
se observa que el
cuando
lim
I1K(u)1
v~4o
~~uI~J
r~R(y)<o, para q~u,
o,
en la expresin anterior de
segundo y tercer trminos son nulos;
ya que
14
tienden
cero,
segn
tiende
cero
0(51),
en
A,
uniformemente
Versin alisada del periodograma con ventana de ahisamiento VI 14 (O).
No
mientras que el primer trmino es asintticamente igual a
>
o,
<U>51
uh<u) (A) siendo ti <> (A)
rfl~ R(r)erA,
siendo el sesgo asintticamente igual a b(A)
1 y1
que
mayor
~1
-iyA
1JIR(~)e~
H(A)
h(6)dG,
Mt
ti~~> (A).
donde 5(0) es el estimador
it
obstante
se puede
obtener un
estimador
satisfactorio
de fi(A)
integrando directamente el periodograma
1 (A),
sin necesidad de
14
aislamiento.
4o
obstante,
abordaremos
un
problema
124
mas
general
como
es
el
estimador de cantidad.
u
u
u
1-1
A(O)h(O)dO
-IT
donde
A(O)
es una
independiente del tamao

1 si it = O ~ A
En este caso particular de que A(o) =
se
o si O > A
muestral 4.
funcin fija,
acotada
obtiene espectro integrado.
Suponemos que consideramos como estimador de fi

HA
El I(4>)VI(o
A
A(O)h(O)dO; con h(O)

,J
lo que da lugar a FI
A(O)
Como A(4>)
es
una
I(O)A(6)dB,
donde
-IT
VI(4>
-IT
funcin
o)A(4>)d4>.
acotada
fija,
(independientemente
mientras que ~4(O) tiende a una funcin delta cuando NT~

que si 51 es grande y
es un punto de continuidad de
de N),
se tiene
A(o) que
o
A NO
(O )
A(O O
),
supuesto
que
A(o)
es
continua
casi
seguro,
obtendra que
FI
u
3
u
U
Iho)A(o)de es esencialmente igual a
(4>) ti (4>) d4>
-n
De lo anterior, se deduce que un estimador del espectro integrado es

FI(A)
= A
I(O)d(6)
-IT
Como propiedades de este estimador,
~:
E[HN(A)]
H(A)
hm N
y
=
cov[ff(A)~FI(A)]
14~
it
+
4ir5
u
u
u
se tiene que.
eH(A)FI(A)
AA (@)AA (4>)h2(4>)d4> donde

1
125
se
u
u
AA(0)
siendo
~[A~+(-4>j
a
e~ ~
Puesto
Var[H(A)]
{E[e~]
proceso
residual.
es
una
AA(4>)
funcin
0(1/1.8> o cuando Nj~
3}
acotada
es
claro
que
de donde se deduce que 1-1(A) es un
estimador consistente de FI(A).
4-7-2 CONTRASTE DE BONDAD DE AJUSTE
Debido a la forma de trabajar de algunos test llamamos:

-1 (A)
2AWodo
o
CONTRASTE DE GRENANDEIR Y ROSENELATT
Crenander y Rosenblatt,
oSASIT
siendo
4 el
IH (A)
nmero
propusieron el estadistico
FI, (A)I]
de observaciones
FI (A)
el
espectro
integrado
computado
u
u
H + (A)
el
valor que
la
hiptesis
nula
supone
test
de
para
el
espectro integrado.
El
intevalo
de
confianza
que
define
el
Rosenblatt es
FI (A)
donde G(it)
SitG(n)
2(S) y
4
= Q
FI (A)
+
~
5-K
= fi
(A)
8170(17)
a se calcula de 4 la forma
126
Grenander
1 m
/1V
1-lA)
H,(AH
8itG(it)
A<>(a)
a]
o,
A cl>
Siendo 4>(x)
1)x}
4>{2k
1)x}]
la funcin de distribucin de la 4(0,1).
Los valores de a
se calculan de tablas.
CONTRASTE DE QUE FI SEA EL ESPECTRO INTEGRADO DE UN RUIDO ELANCO
Se rechaza la hiptesis nula si el estadistico

fi (A)
mx
o5A5it
IT
2
N
<1)
siendo A
(a)
y a el nivel de significacin
TEST DE RARTLETT PARA EL ESPECTRO NTEGRADO NORMALIZADO
Un estimador
natural
de
E (A)
es
FI (A)/ S~,
+
donde S~ denota
varianza muestral. Dicho estimador se puede escribir como

5A
0 Wo )do
Ido
2
5=
o
Aproximando la frmula previa por
1
(e>
(A)
~(A~)
~,
Aq
2nq
2q1 ~;(Aq)
127
~ q ~ [4/21
la
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
F+
<e>
(Ap)
tiene
la
misma
distribucin
que
la
de
las
variables
ti
~=
donde 1-1
FI
son
independientes e
identicamente
distribuidas
con
ni
distribucin exponencial.
Si
Ci)
5X
(2>
u>
sX
S...SX
<2)
Cm>
k/m para x <It>
muestra
el intervalo
<
aleatoria
ordenada de
[0,1]; la distribucin de
coincide con ladeW,1

X
La distribucin emprica de
4(x)
es
Cm>
una distribucin uniforme sobre

X
S...SX
sX
Cl>
<2)
VI,...
2
VI.
ni
es
Cm>
y se sabe que
x
(It. 1>
hm P[mx.v/&hdx)
ni
lo,
donde
U(x)
a1
(a)
o,
<~>
(a)
22
i)~exp(- 2a j
~(-
j=-o,
Por tanto
= A
(a)
ni joi
Siendo m
= [4/2]
Para
= 1,63;
1,36;
A
<2>
(a)
(a)
0,95,
mientras
que
para
= 0,99
La frmula previa es el fundamento del test de Bartlett.
4-8. TECNICA INTERACTIVA DE ESTIMACION DE LA DENSIDAD ESPECTRAL
En los epgrafes previos hemos visto que la frmula general para

estimar la densidad espectral es
128
u
1
141
(471)
ti(A)
ir
A(s) R(s)e
En
este
espectral
apartado
combinando
damos
ha
se
puede
VI (AO)dO
(0)
frmula
14
el log retardo.
N <s)
1
mtodos
proceso estacionario discreto,

integrable,
[M
J1K
__
S=- (14-1>
siendo 1414 la ventana espectral y A
isA
para
(471)
con
estimar
el
dicha
hecho
de
dbilmente estacionario y de
modehizar
como un
densidad
que
todo
cuadrado
proceso autorregresivo de
medias mviles infinito.
Si
(z)
es
un operador autorregresivo operando
X(t)
resulta que tenemos dos mtodos
X(t),
de
orden k; de tal forma que

It
u
u
sobre
espectral h (A) por 4-71,

iA
B(e
)l es decir, por
que
nos
tcnicas para estimar la densidad
y otra mediante el cociente entre ti (A)

y
iA
a
B(e
)
permite describir un algoritmo
h
resultado
= Y(t)
lograr un mejor ajuste
(A) = h (A) /
de la densidad espectral.
interactivo
para
Dicho algoritmo se
puede esquematizar en los siguientes pasos

Paso 1.
_______
__
Paso 2.
u
u
Estimar h (A) por (471).

x
Estimar eh operador autorregresivo E (z),
regresion.
Paso 3. Evaluar Y(t)
= B
__
(z)X(t)
Paso 4.
[4713
(A).
5. Evaluar
Calcular por
ElIt (z)
de talti y forma
que
1
(e
iA)
h(A)
h(A)ii
1VSI
E
____
sea mnimo
Repetir iterativamente los pasos 3,4 y 5 hasta ha convergencia.

Paso 6.
Modificar A 14 (5)
en
4-7-1
por tcnicas de
129
de
tal
forma que
se minimice
[V5], utilizando como ~1 (lA)
el
operador obtenido despues de
usar
el proceso de convergencia.
Expuesto
el
esquema
del
algoritmo,
queda
el
hecho
de
como
calcular
practicamente
los distintos Etrminos
en l 2,intervienen.
El
operador autorregresivo
(Z)
delquepaso
se
estima
It
resolviendo el problema
>j
Mm
U
U
U
U
X(t)
a X(tj)
j=1
donde
es una norma adecuada al problema La serie Y(t) se calcula por
diferencias
Y(t)
= X(t)
j=1
~ h><(A),
El
AY(A) se calculan por procedimientos habituales.

calculo de
B1(eiA)
It
en
el
paso
del
algoritmo,
se
puede
realizar tomando como norma V5,
la del supremo; o bien, discretizando
los valores de
A,
estimando
parmetros
regresin
los
adecundolos
habituales.
los
valores de ti< (A)
autorregresivos
En ambos
casos,
es
por
h~(A)~
procedimientos
conveniente
ir
y
de
modificando
los coeficientes del polinomio de forma secuencial.
Para que cobre inters la modificacin de A 14 (s) en

cambiar estos
forma
coeficientes en las
secuencia,
trmino
converger globalmente,
estimaciones de hy(A)
trmino.
El
proceso no
entre
los
influyen
original.
coeficientes
los
distintos
Queda
y hx(A)
tiene
de
porqu
pero es claro que los coeficientes empleados en
cada proceso individualmente considerado si convergen.
[ySl conviene
lmites
es
procesos
pendiente
para
de
gran
inters,
autorregresivos
investigaciones
La diferencia
para
sobre
futuras,
el
como
proceso
estimar
influencia de dichas estimaciones sobre eh proceso observado.
130
ver
la
u
u
u
u
4-9 ANALISIS ESPECTRAL EN PROCESOS CONTINUOS
Sea
X(t)
cuadrado
Segn
~,
integrable,
hemos
x,
un proceso
visto
en
estacionario
sea
ti(A)
su
con
parmetro
funcin
los epgrafes
de
de
densidad espectral.
precedentes,
dada
de N observaciones del proceso X(t),
~;
discreto
una
muestra
una clase general
de estimadores de la funcin de densidad espectral del proceso X(t) es

[491]
1-dA) =
N-1
W() -lAr id
r= (14-1)
R(r)
14
rl ~X(t)
j(xt
rl)
xJ s ~
Tambien vimos que dicha estimacin se podia escribir como

[4921
h(A)
~..~(e)W(A14
= 7
6)dB
-IT
(0)
N,x-x
periodagrama de X(t)
VI (0)
__ IX(t)
es el
y
A(r)ere
donde
la
ventana
espectra
14
(141)
correspondiente a la ventana retardo {A(r)}.

es
U
U
un
proceso
integrable y
podemos
estacionario,
con funcin de
muestrear
de
Suponemos ahora que X(t)
parmetro
continuo
densidad espectral
(observar),
el
proceso
h(A).
X(t)
cada
cuadrado
Suponiendo que
tt
unidades.
Nuestro problema consiste en decidir como estimar la funcin h(A) del

proceso
X(t).
Para
resolver
adecuadamente
este
problema
debemos
decidir sobre los siguientes apartados.

1)
u
u
La
forma
matemtica
de
la
ventana
equivalente la ventana espectral VI (o).

14
2)
Los valores de los parmetros M y 4.
131
u_
retardo
A~ (r),
de
su
u
u
3)
El
valor de
tt,
conocido con el nombre de intervalo o razn de
muestras.
4)
u
u
Como
computar
eficientemente
ti(A),
en
que
puntos
se
debe
evaluar.
Un
fenmeno
que
se
debe
tener
en
cuenta
en
el
proceso
de
estimacin de h(A), es el conocido con el nombre de alisamiento.
Para explicar dicho fenmeno se parte de la ecuacin
X(t)
{~
etAdz (A)
siendo Z(A) un proceso de incrementos

-o,
ortogonales.
LLamando o, Y(k) = X(ktt) y o,aplicando

la ecuacin previa obtenemos.
(aIt+1>it/tt IItAAt
1
tItAtt
1
Y(k) =
e
dZ(A) =
j
e
dZ (A) =
u
u
u
o,
=~
ititt
donde
2kir
ikAt(At)
dZ(A
ik~tA
rITAt
dZ(A)
y
dZxl7T
dZy(A)~
It=-~
Como se deduce de
la ecuacin previa,
el
proceso Y(k) tiene una
representacin espectral que se extiende unicamente sobre eh rango de
frecuencias
Este
[itAt.
hecho
se
IT/At].
debe
que
en
ha
representacin
espectral
del
proceso Y(k), no se distingue entre la contribucin a la frecuencia de
u
u
u
u
u
las. funciones
conjunta,
iAt
,
[A,2Ituttzlt
ya
alisando sus efectos.
132
___
__
que
contribuyen
de
forma
Es claro que ti (A) es

x
funcin de densidad espectral
del proceso
X(t), entonces la funcin de densidad espectral del proceso Y(k) es:

o,
hy(A)
th~IA
2k171
1
Yf
IT
IAl ~ KV
si
It
frmula que se conoce con el nombre del teorema de ahisamiento.
Si
IAl
resulta
Ao ;
que
existe
>
que
h (A)
x
entonces podemos reproducir h x (A) por h y (A),
razn de muestreo At
~IT
siendo
IT
posible,
es
-.~
la meyor
para
= O
siempre que la
razn de muestreo
para que ti (A) reproduzca con exactitud h (A).

Y
A la frecuencia
se la conoce con el nombre de Frecuencia Nykist.
A
o
Si hacemos el
se
tal
mide
en
frecuencia,
cambio en la frecuencia
FIerzios
ciclos
por
A
2it
segundo,
la frecuencia
en
esta
escala
la densidad espectral de ti (A) se extiende entre[fr~.
i,
de
flj
con otro cambio de escala en las frecuencias lograremos

Y(k)
Diremos
ti (A)
y
J1 -17 e IItA dZ y
que
ti (A);
x
AAt
un
muestreo
que
equivale
est
a
que
libre
ti (A)
x
de
sea
alisamiento
una
funcin de
cuando
banda
acotada.
4-9-1 MEDIDAS DE PRECISION DE LAS ESTIMACIONES ESPECTRALES
Llamando
V(A)
var(h(A)J
ses(A)
= E{A(A)
ti(A)}.
Parzen
sigirio utilizar medidas de precisin:

(1)
El
rango del porcentaje de
error Gaussiano de nivel
133
a definido
u
u
por:
RP a (A)
U
U
U
donde y
a y(A)
ti(A)
es talque
vr~z~
Ises(A)I
h(A)
o,
a
e x/a dx 1-a
2
(II) El
error
medio
cuadrtico
E(h(A)
porcentual
EMCF,
definido
por
la
frmula:
EMCP2(A)
y(A) + ses (A
h 2 (A)
h a (A)
_
_
_______________
Es claro que:
u
u
1 -
que
Ih(A~?>wh(A)I
a] entre ambos
TRPa (A)h(A)f
frmula que
denota la relacin
errores. Adems, es cierto
si
ses(A)
O,
entonces
IRP (A)
r EMCP(A).
Si
se
usan
las
expresiones asintticas para y(A) y Ses(A), dadas por has frmulas.

hm
14j~
EMCP(A)
F.4-varlAcA)11
L~JJ
A (O ~ it)L[K(u)duS
es (A)
apropiadas en el uso de una funcin ncleo K(u),

___
RP (A)
Ya]j~f
K2
(u)du
}ita
<r>
K<r>
51
51<> (A)
tenemos que:
_______
[u<r> (A)] r
donde r es el exponente caracterstico de k(u), para el cual el lmite

ir
previo existe, es finito y no nulo, y u
(A) 1
<r>
ti Cr)(AI
siendo
,
u
u
u
ti
(A) la rsima derivada generalizada de ti(A) definida por:

<r)
ti
1~
(A)
__
5=o,
SI
R(S)e
Parzen denomin anchura espectral de orden r en la frecuencia A, a la
funcin u
(A).
De forma similar podemos expresar:
E.M.C.P~(A)
frmula
u
u
u
U.o,~J
(r~a~
(r> (A) >rl
que nos dice que ambas medidas de precisin dependen de ti(A).
134
u
u
u
U
Una
ruido,
tercera medida
de precisin,
fu tambien introducida por Farzen,
S4RIA(A)
u
u
epgrafe
previo
se
deduce
tanto a la definicin de RE a (A),
Ahora bien u
seal
al
por la frmula
que
la
cantidad
u <r> (A)
afecta
como de EMCP(A).
(A) es una funcin muy complicada de ti(A),
y por
tanto complicada de estimar. No obstante en algunas situaciones se

puede
obtener
una
idea
rigurosa
del
orden
de
magnitud
de
infA{u r) (A)>,
relacionando
anchura de banda
esta cantidad
dos
puntos A 1 y A 2 tales que
A1
ti(A)1
= A2
concepto
fsico
que alcanza el mximo en A0,

A0
<
<
entonces se llama anchura de banda de ti,

AB(h)
con el
de
Para una funcin unimodal ti(A),
la
4-10 EL PAPEL DE LA VENTANA ESPECTRAL
Del
razn de
E h(A)
Var. ti(A)
U
U
llamada
A 2 y h(A 1 )
h(A 2 )
sean
1
h(A
2
o );
a:
1/2
A~
cuando ti(A) es tal que el
trmino de
tercer orden de su desarrollo en
serie de Taylor es despreciable.
u
u
u
u
Cuando
tiene que ti
K
<a>
es
(A)
un nucleo
= ti (A)
exponente
caracterstico
y por tanto
<a>
u
con
1
(A)
Ih(A)/h
(A)I
<2>
2 AB(h) ~ AE(h)
135
2u
(A).
= 2,
se
u
u
U
u
U
Esta frmula no es tan simple cuando el exponente caracterstico r no

es igual a 2.
Hemos visto previamente que
cuando
se
utiliza
un
nucheo en
la
estimacin de h(A) se tiene que

Var[h(A)J
= 0(1/Si r
O(m/N) y Sesgo(h(A)
crece con M, mientras que Sesgo de h(A) decrece,
Por tanto Var[h(A)1

cuando 51 crece.
Si consideramos la ventana de Daniel 1

VI(O)
IGl
>
2L.
51
;
;
IT
51
512
se tiene y(A)
Ses(A)
var[ti(A)]
~
(A)
y
3--h
(A),
supuesto
Ih(A)~ 651
= SESGO
que
es
dos
veces
derivable.
Ahora bien, utilizando la ventana de Daniel tenemos:
E[h(A)]
11
ti(o)VI(A
o)dO
2ff
1A. h(O)do
14
Cuando h(A) tiene dos picos en A

como para que
>
lA
Al,
y A
y 51 es suficientemente pequeo
12
resulta que los dos picos en A
y A
se
U
U
U
mezclan
conjuntamente
cuestin que se evita

concepto de
resolubidad en
la
A2
estimacin de ti(A),
mediante h(A),
A 1 ~ 51. Este fenmeno va unido al
ptica
otras
ramas
de
la
denota el grado de detalle con que un dispositivo ptico

un microscopio),
fsica,
que
(por ejemplo
puede reproducir un objeto
Otro problema,
uno de los picos
u
u
u
en
si
de
es el
h(A)
que
lleva consigo
en su
estimador
136
la reproduccin de
h(A).
cada
Para conseguirlo
se
debe elegir 51 de tal forma que ha anchura de VI 14
no sea mayor que la
(O)
anchura de banda del pico mas estrecho. 4o obstante,

VI (0) es
estrecha,
M debe ser grande
lo que
si
la anchura de
llevara consigo que 4
14
debera ser muy grande.

de
Estas consideraciones hacen ver la dificultad
definir adecuadamente
consecuencia,
se
el
obtiene
concepto de
que
haya
anchura de ventana,
varias
definiciones
de
como
dicho
concepto. Entre ellas citaremos:

(1)
Definicin de puntos de SemiPotencia

Suponemos que VI
es una funcin par de O que alcanza su mximo
(O)
en
La anchura SemPotencia de VI
= O.
se define como:
(O)
=20
sp
donde
cuando
20
es tal que VI 14
2
es
el
(O
= VI
14
primer cero,
la
1
2
VI (O),
interpolacin
lineal
rigurosa hace
= O
1
(2)
Definicin de Parzen
Parzen
mide
la anchura
ventana rectngular que
de ventana AV,
tenga
el
como
mismo rea
que
la
anchura de una
VI (O)
la
misma
14
altura que VI
(O)
en
= O.
Por tanto AV
14
(3)
= VI
p
(O)
14
Definicin de .Jenkins
.Jenkins define la
anchura de
ventana,
como
la
anchura
de
una
ventana rectngular que produce una estimacin con la misma varianza

asintnica que ha correspondiente a \4 (O). Esto induce que:
14
AV
_______
2(S)
~A
5
2it
donde A(S)
M{{K2(u)du
137
= K(SLM).
u
u
u
U
U
u
u
u
u
u
u
u
u
u
es eh parmetro de escala.
(4)
Definicin de Grenander
Grenander defini la anchura de ventana como la desviacin tpica
de
una
variable
aleatoria,
que
tuviera
VI
(O)
como
la
densidad
II
generalizada, obteniendo asi:

AV0
(5)
= {502140)do}
Definicin de Grilhinger
Define la anchura de ventana en el contexto de un nucleo general,
obteniendo la frmula
AV
(1
coso)VI(O)dO}
siendo
IT
A(S)
(6)
517cosOVI14 (o)do
Definicin
Sea
VI (O)
N
una
ventana
espectral
con parmetro
de escala,
ventana retardo correspondiente tiene exponente carac terstico r y sea
donde r
es el mayor
entero para el
cual eh
lmite previo existe,
finito y no nulo.
U
U
La anchura de ventana de 14 (0) se define por:

N
AV
u
U
u
u
u
cuya
C{ ~r
K(r>
2V6
{K(r>}
ANCHURAS DE VENTANAS STANDARD (PRIESTLEY)
VENTANA
K<r)
AV
ASP
4
138
AV
AV
es
u
u
BARLETT
4,9/51
2n/M
2ir/M
Sir/s
DANIELL
n2/51
Zir/s
2n/51
217/51
217/51
PARZEN
12/51
4n/M
Sir/3M
3,72n/M
TUKEY-HANNING
2,45n/M
2ir/M
2ir/M
Su/3M
TUKEYHAHMI4G
2,35ur/M
2it/M
217/51
2,5217/s
1,55it/M
1,41u/M
4ir/351
Sir/3M
O,23u
BARTLETT-
-PRIESTLEY
2
La relacin:
Varianza
dice
que
172/10
(h(A)jxAw~
para
2~6 jJ{K(r>}~~r{f K2(u)du}
fijo,
no
se
valores arbitrarios para ambos

Por
tanto
si
elegimos
51
puede
obtener
constante,
nos
simultaneamente
bajos
la varianza y al
pequeo
para
tener
anchura de ventana.
una
varianza
tendremos una anchura de ventana grande y recprocamente.
pequea,
Este hecho
tiene alguna similitud con el principio de incertidumbre de Heisenberg
en mecnica cuntica. Relacionando la anchura de banda ventana con

la resolubilidad y la varianza con la fiabilidad se puede formular
el
u
u
principio
de
incertidumbre
de
estimacin
fiabilidad y la resohubihidad son antagnicos
espectral
como:
La
4-11 DISENOS RELACIONADOS CON ESTIMACIONES ESPECTRALES.
ELECCION DE PARAMETIROS DE LA VENTANA, LONGITUD DE REGISTRO
E INTERVALOS DE FRECUENCIA
1)
u
u
U
Longitud ilimitada de Registros.
139
Suponemos que podemos elegir de
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
forma
arbitraria
bsica
consiste
grado
los
en
valores de M y
seleccionar 51 para que
(prescrito) de resolucin,
una precisin determinada.

tiene
A
varios picos;
A
<
1
1;
la estrategia
estimulacin tenga
determinando despus
un
para obtener
Con respecto a la primera cuestin, si ti(A)
por ejemplo
en
las frecuencias A 1
A 2,
entonces la anchura de ventana crtica Ah
A q. con
MinA
1
1+1
Adems, si ti(A)
entonces
AV;
ha
caso,
1,2.. .q.
h(A),
En este
4.
la
donde
anchura
AV
de
quiere recomponer la forma global de
banda,
ventana
{inf. ti(A)/ti (A)I1/2}
crtica
supuesto que
debe de
ser
ti(A)
dos
es
veces diferenciable.
Teniendo en cuenta el razonamiento previo se debe elegir
AV
aA
=
4
con O
<
<
siendo a tanto mas pequeo cuanto mejor queramos reproducir ha forma

de
ti(A);
observando que
el
valor mayor
de A.
se
corresponde con el
valor
mayor de
51.
Elegido
51,
se
puede
calcular
para
que
h(A)
adquiera un grado de precisin determinado.

Tomando como medida natural de precisin el valor
RE (A)
a
V(A)
a ti(A)
REa
ISes(A)I
ti(A)
evaluada por:
411U)
(A)
ri ~
LK2udul2
<rl1
____
_________
51r
[u
(A)]
donde r es el exponente caracterstico de K(u), mayor entero para el

cual
K<r>
(A)
hm
{ ~~}
existe,
siendo
ti
<rl (A)
generalizada de ti(A) definida por:

h
<r>
o,
(A)
Ir.
es
r
-isA
Igl R<5>e
3=o,
140
finito
la
no
rsima
nulo;
derivada
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
Por tanto si en ha frmula de RP (A) sustituimos u
<r)
(A)
por una cota
inferior,
el valor de 4 proporcionar el grado de precisin requerida
sobre las porciones ms difciles del espectro.
Para un parmetro de escala general,
que define la ventana 14 (6)

14
con exponente caracterstico r, podemos expresar:

1
K2(u)du
-
y AV
o,
ir
De AV
2VW K
51
por tanto
a AV
vemos que Ay
cuando 51
coincide con AV
= 1,
se le llama de anchura de la ventana estandardizada.
Partiendo
de
la
frmula
(411(I)),
RE (A)
a
puede
se
escribir
como:
r
a
y
sustituyendo
(
Ah =
___
~2
<2>
(A)
AV
(A)}
2V&u<2>
por
su
RFa(A)
cota
inferior,
donde
h
,.
.jinf. eh(A) IJ
supuesto que h (A)
es dos veces diferenciable,
se obtiene
RE (A)
51
~
AV
A~
AV
A
~12
Este procedimiento solo es vlido cuando

6512
el valor elegido de RE (A).
a
Despejando 4 en la frmula previa obtenemos:
2
rIM
aw
=
{RP(A)
651
~{
AV
A
}2}2
y el valor de 51 que minimiza N es
141
es
pequeo con
u
u
r
mo =
1/2
6RP(A)j
1 25
Ay
A
de donde se obtiene
ra
116
5/2
[RPAl
aj
ti
4-11-1 REGISTROS CON LONGITUDES FIJAS.
Si conocemos
este es fijo,
u
u
u
no podemos
conjuntamente
y a
la
estimar
ti(A)
de
tal
la serie temporal y
forma
vez unos niveles determinados
precisin.
adecuado de
An,
con todo,
Si.
Como no se
antagonismo,
se
debemos decidir
puede controlar
debe buscar
un equilibrio
que
mantenga
de resolucin y
sobre el tamao mas

conjuntamente por su
solucin de compromiso
entre ambos objetivos.
Puesto que:
ESICP2 (A)
Ses2 (A)
(A)
objetivo
es
objetivo de g(A,
= g(A,
______________
__________
+
V(A) 2
ti
El
u
u
ha longitud de registros de
4,
hallar
51
que
51)
minmice
alguna
funcin
criterio
51).
En el caso particular de ha ventana de Daniel:

E51CP2 (A)
~N
_____
4174
9M4AV4
ti
que es
independiente de A,
y por
4
510 2 (A) es
E 16it 4
tanto
eh
valor
de
s que
minimiza
1/5
9AV4
ti
La
u
u
u
bondad
con
que
podemos
elegir
142
51,
depende
fuertemente
del
u
u
conocimiento de g(A,
desconocidas,
M), as como de los estimadores de has cantidades
como por ejemplo, AV
que intervienen en su evaluacin.

h
4-11-2 PREBLANQUEO O PREFILTRADO
La
parte
espectral
U
U
U
U
es
mas
dificil
de
estimar
ha que contiene picos
las frecuencias,
de
una
funcin de
muy afilados.
En
densidad
esos valores de
y por tanto 4, deben ser muy grandes,
la constante 51,
con el fin de mantener la varianza en un nivel razonable; ya que si 51

y 4 son fijos, la varianza debe ser sustancial en la regin de los
picos. Por otra parte si el proceso es un ruido blanco,

es constante, y como consecuencia:
E[h(A)]
h(O)VI(A
O)do
entonces h(A)
-IT
independientemente de W
u
u
W(o)dO
1-IT,
con tal de que
(O),
IT]
Teniendo en cuenta estas
consideraciones,
el
mtodo
de preblanqueo,
consiste en alisar los datos de la serie original, mediante un filtro

adecuado, con el fin de obtener un proceso prximo al ruido blanco.
Si
llamamos
Y(t)
a(k)X(t
k),
ha
relacin
entre
las
It
densidades de ambos procesos se mide por:

ti (A)
y
Si
IH(A)I
donde FI(A)
= ~
It
a(k)eAI<
el filtro fuera adecuadamente elegido,
blanco,
tendriamos que
ti (A)
FI(A)? 2 h (A)
y por tanto
143
___
___
e Y(t) fuera casi un
____
____
____________________
FI(A)Iocti I (A),
x
ruido
u
u
cuestin que
u
E
nos
informa
sobre
la
dificultad
de
elegir
un
filtro
adecuado.
Por otra parte,
si h (A)
tiene picos muy afilados>
debe suceder
que {a(k)}
tenga unas colas muy
largas,
hecho que
implica que Y(t)
kCZ
no puede ser bien evaluado con los datos X(t), a menos que se disponga
u
u
de un gran nmero de registros X(t).
Es interesante observar la relacin

IT
h x (A)
FI
IH(A)II N,x (0)14 14 (A,
O)do
que modifica los estimadores clsicos de ti (A).
4-11-3 METODO TAPERING
El objetivo de esta tcnica es reducir el sesgo en la estimacin

de h (A),
x
sesgo debido al periodograma.
Eh valor esperado de
ti(A)
se
puede escribir como:
E[h(A)]
117E[;,x; (O)lVIii(A
y en la discusin sobre le sesgo asinttico, se ignora el sesgo debido
al periodograma y se reemplaza por

EL(A)]
h(A)W(A
-IT
No
obstante
O[(logN)/N]~
eh
sesgo
debido
al
periodograma
que
es
del
orden
es despreciable cuando se le compara con el sesgo debido

r
a la ventana alisada 14 14 (0)

cuando
u
u
u
que es del orden de 0(1/s
la ventana tiene discontinuidades,
del periodograrna como sigue:
144
).
No obstante,
se puede corregir el sesgo
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
Se
transforman
las
observaciones
X,
14
en
un
nuevo
conjunto de obsevaciones {Y t > escribiendo:

Y
hX
t1,2,
tt
es una sucesin adecuada de constantes llamadas (taper),
donde <Y >

t
(fader)
...N
En la estimacin de la funcin de densidad
datos ventana.
espectral
de
X(t),
se
reemplaza
d14 (oh 2donde d (A)
el
periodograma
VIYct)
= ~ 1/
fi
(o)
por
14, xx
hX]eAt
siendo
R
cuando
~ Y(t)] //( ~ h(t)J

ti(t)
= 1
Vt
d (MI
FI =
2it
14
Para ver el
coincide
con 1
(O).
14, Xx
efecto de esta transformacin
suponemos
que E(X )
usamos la representacin espectral:

X(t)
iAt
= O
dZ(A)
-it
De esta representacin y llamando

iAt
H(A) =
~2
tie
, se deduce que
1
d(A)
H(6
A)dZ(O)Haciendo uso del

hecho de que el proceso
-IT
2(A) es de incrementos ortogonales tenemos:

E[1d
14(A)12]
= 717
)12E[dZ(A)a]
fi(OA
717
2h(A)dA
FIO
A)1
si como estimador de h(A) utilizamos a:

it
FI(A)
= ..17
E[h(A)]
*
Id(o)I W(A
VI(A
O)
do hallamos que:
o)h(O)dO
-IT
nallt..L.J.4.
donde VI 14
=
IH(4>
-IT
El resultado de esta operacin sobre los datos es reemplazar el nucleo
(O)
de
Fejer
F (O)
1
2itN
sen(NO/2) 2
~sen (0/2),,
145
por
la
funcin
mas
general
u
u
u
u
u
IH(O)I
t
= 1,
que
2,
coincide
.
N;
con
el
nucheo
de Fejer
cuando
t
2
forma que IH(O)I

tenga lbulos laterales mas pequeos que F (O).
Observando que 14(4>) = 2n
A(S)he4>~
__
5~ <141>
1 los coeficientes de Fourier de IH(O)l
siendo Ih
Para datos no transformados
para
= 1,
teniendo como objetivo elegir una sucesin <ti > de tal
vemos que 14(4>)

es la convolucin de 14 14 (0) y IH(O)I
14
ti
IH(6)I 2
s}/4) y 14(4>) es
= F
(o),
la nsuma parcial Cesareo de la serie de
Fourier de VI (4>).
14
Los valores h(t) de la transformacin continua deben ser elegidos

de una funcin ~(u) tal que ~(O) = ~(N) = O ; y que en el intervalo
[044]
~ sea positiva.
1;
. .
2;
En este supuesto se coloca Mt)
4-12
4.
ponderada
truncado de la figura 1.
Sabemos que para una ventana general VI (6),

ti(o)
t = O;
ELECCIONES DE LA VENTANA
u
u
de
= ~(t);
por
VI (A
N
6).
Si
EIti(A)l es una media
consideramos
el
periodograma
u
u
u
u
u
u
e
>1
Fig.
146
observamos
u
u
que
tiene
un
lbulo
alternativos, positivos y negativos,

251
O =
con
____
de
en
= O,
lbulos
centrados en
~ con k impar
esta ventana
valores
centrado
h(O)
deber
en
haber
una
contribucin
= A _______
(2k +
251
notablemente al valor de E[h(A)].
E[h(A)]
contribucin
que
de
los
afecta
Este efecto se conoce con eh nombre
de (leakage) y la idea consiste en que la ventana permita a valores

de ti(O),
Ejjh(A)]~
para
fuera del
lbulo principal,
y esta idea se puede utilizar en la seleccin de la ventana,
teniendo como funcin objetivo minimizar el
Se han realizado varias crticas al
contribuir ah valor de
(leakage).
tomar
como funcin objetivo
la minimizacin del
(leakage). Entre ellas podemos citar:
(i)
Evitar dicho efecto, nos llevara a considerar como ventana
ideal
una
parecida
la
de
Daniel,
ya
que
no
tendra
lbulos
laterales.
(u)
El grado de distorsin producido por los lbulos laterales,
se puede controlar eligiendo 51 adecuadamente.

(iii)
Este efecto mide solo un aspecto; no eh mas importante,
de
los objetivos a alcanzar con la ventana, pues no es el nico aspecto

que influye sobre eh sesgo y la varianza.
Entre las funciones objetivos sugeridos para medir la bondad de una
estimacin de ti(A) podemos citar:

A )
ERROR MNIMO CUADRATICO INTEGRADO
M=
u
u
u
u
E{A(A)
h(A)}dA
147
MAXIMO ERROR CUADRATICO ESPERADO
A)
a
[r.ixliA&x>ti(A) I}] dA
Parzen demostr que P[Mx{I h(A)
ti(A)I
>
ej
Ve
O,
>
hecho que permite construir bandas de confianza para
la
funcin de densidad espectral.

MAXIMO ERROR CUADRATICO MEDIO RELATIVO
A)
:3
Sea ECM
E[h(A)
h(A)]
V(A)
ESiCP 2 (A)
y,
y, 51
2 =
Var{h(A)}
[sesgo[AcA)J$~
Sesgo (Aj
ti(A)
a,)
~1LA)J.
=
Fi
Asintnicamente tenemos que

EMCP2
f
-
K2(u)du
1
512 r
o,
Kr}{ u<rkA>}ar
donde r es eh exponente caracterstico de K(u)

y
K
<r>
se define como
=
m_
siendo
50l~r
r el
mayor entero
para
el
cual
el
orden
r.
lmite previo existe,
es finito y no nulo.
1/r
h(A)/n(A)
Llamando A
mf
1
es
la
lu(A)i
anchura
AV
siendo
512r
minimiza 51
avw.~4A<r)}
o
igual a:
Fi
1/2r.i
[~r{
AV
}ar
o
de
se tiene:
espectral
1]
148
el
valor
de
que
u
u
A)
PROPIEDADES DE OPTIMALIDAD DE LA VENTANA CUADRATICA

En las ventanas con r
AVoc {K<2>}
siendo
K(O)
espectral.
1
2u
Puesto
= 2,
So,
o2Kodo}2
K(u) e
du
el
generador
de
la
ventana
que
I~
= 2,r
K2(O)dO
por
tanto
hallar
la
o,
forma funcional K(O), que minimiza (Ay .1 ) se reduce a hallar la
forma funcional que minimiza
CK
{5K2(o)dO}.{502K(o)dO}
Ahora bien el generador de ventana de EartletPriestley

K(0)z{~{1-(~2~}}
minimiza
17
,IOl>17
IGl
K2(O)dO entre
las funciones
K(G) no negativas
tales
-w
que verifican:
U
3
1
o,
OaK(O)dO
o2~oco
y K(O)
hectio que implica la minimizacin condicional de C
4-13 SEPARACION DE TENDENCIA Y AJUSTE ESTACIONAL
En las discusiones previas hemos supuesto que X(t) era un proceso

estacionario dbil de segundo orden, tiectio que implicaba que E[X(t)]
u
u
u
u
es
constante
E[(X(t
ti)
J(X(t)
p(ti).
muchos procesos que no se ajustan a dicho modelo.

que se ajustan al modelo
149
No
obstante
hay
Si observamos datos
u
u
u
u
u
U
u
u
u
u
u
u
u
u
u
u
u
u
u
X(t)
s(t)
Y(t).
Siendo Y(t) un proceso estacionario
de
segundo
orden de media cero,
debemos primero estimar el espectro de

Y(t)
Cuando
se
= X(t)
conoce
la
forma
funcional
de
tdt)
~i(t);
se calcuha
por
regresin.
Suponemos
que
disponemos
de
una
serie
de
O(g)4>(t)
funciones
conocidas
o,
3 lEN
tales
que
p(t)
que
cumplen
=1
siguientes condiciones:
(1)
(n)
4>r~
cuando n~ para
w,
1=1
(2)
4 (n
r
hm
cada r
1)
1;
Vr
4(n)
(3)
hm
4>r(t
h)4>(t
=R
{4r)4s~) } 1/2
(4)
(h)
rs
La matriz IR(O) es no singular

Para el modelo de regresin escribimos:
X = 4>0
donde X
1]
y4>(4>,
Y 11.0=
~
Yn
le
4>2
ni
4>,...4>)
a
q
El estimador
(4> T4>) it
4> X
donde A
-
de O lo podemos escribir como

=
4>T4>)~14>T[4>0
Y]
AY
(4> T 4>) I 4>
o)(o
0) = AIAT
~4>T4 14>7 4>(4>T4>) -1

y
150
las
u
u
La estimacin
de
por mnimos
cuadrados
pasados
de
lugar
al
siguiente resultado:
U
U
(4>1v
E(O - ofl
of
4>1y4>}4>T~Y
y
y
Otras formas de actuar sobre has tendencias son:

1)
Si el proceso Y(t) tiene una tendencia de grado q1,
proceso Y(t)
3
U
)-t-
[i
entonces el
El (X(t)3 donde 1 es el operador identidad y E es
el proceso diferencia hacia atrs,
se obtiene que Y(t) es un proceso
estacionario.
2)
Si X(t) tiene una tendencia estacional periodica de periodo 5,
la
transformacin
[
B~] [xt]
= Y(t).
elimina dicha tendencia estacional y convierte
a Y(t)
en un proceso
estacionario.
3)
Si X(t)
es periodica
4)
(2r+ i)(x(t
r)
2r
. .
X(t)
Una versin mas general de dicho filtro es:

r
Y(t)
2r
X(t
Su).
__
u
3
u
u
u
1,
se puede eliminar
dicha tendencia mediante la transformacin o filtro:

Y (t)
con periodo
151
X(t +r)jJ
u
u
u
u
u
u
u
u
u
u
u
u
u
u
U
U
u
u
u
u
U
CAPITULO V
ESTIMACION
ESPECTRAL
ALEATORIOS BIVARIANTES.
EN
PROCESOS
ESTIMACION ESPECTRAL EN PROCESOS ALEATORIOS BIVARIANTES.
5.1.
INTRODUCCIN.
Antes de proceder
aleatorio
previo
U
3
estacionario
sobre
pares
de
la
estimacin
bivariante,
series
es
de
del
espectro
preciso
tiempo
en
en un proceso
realizar
un
procesos
estudio
aleatorios,
definiendo la funcin de correlacin cruzada, que mida la correlacin

entre los dos procesos en diferentes tiempos t y t+u y la funcin de
covarianza cruzada, que despus se mostrar como una generalizacin de
U
U
lo expuesto en el capitulo IV en cuanto a su transformada de Fourier

d el espectro cruzado muestra, es decir, que, la funcin de varianza
cruzada y el
espectro muestra cruzado forman un par de
transformadas
de Fourier.
5.2.
FUNCIN DE COVARIANZA CRUZADA PARA UN PROCESO ESTACIONARIO
BIVARIANTE. PROPIEDADES.
Sea
la
serie
de
tiempo
bivarante
observada
{X (t),X (t)>
1
U
U
3
3
3
considerada como la realizacin de un proceso aleatorio bivariante

{X (t),X (t)>. Las cuatro variables aleatorias X (t), X (t); X (t+u);
1
X a (t+u)
para
probabilidad,
momento.
Al
un
tiempo
para
ha
t
que
t+u,
puede
ser estacionario el
tienen
asociada
expresarse
proceso
su
primero
El primer momento puede escribirse como:

= ji>
152
funcin
y
de
segundo
estos momentos son funciones
de la diferencia de tiempos y no del tiempo absoluto t.
E[X>(t)j
una
1,2
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
independiente de t y el segundo momento de ha funcin de probabilidad

conjunta de la funcin de autocovarianza que tiene la expresin
Yxx(u)
(u)
xx
EF(X(t)g)(X(t+u)ji)l
LZaaaJ
22
La funcin de covarianza cruzada

Y
x x (u)
12
y(u)
La
2xx (u)
funcin
viene dada por
se
llama
funcin
de
covarianza
cruzada
de
12
diferencia u.
Se
utiliza
designar
las
la
notacin
funciones
de
(u);
autocovarianza
y(u)
y
la
notacin
(u)
y
xx
para
(u);
11
xx (u);
22
xx
(u)
12
Y xx (u)
para
las
designar
21
covarianza cruzada respectivamente.

PROPIEDADES DE LA FUNCION DE COVARIANZA
En un proceso real bivariante, se verifica que:
1 2
(0>
22) Y
(u)
Var[X(t)j
(u);
1,2
= 1,2
Es decir
y(u)
(u)
En efecto:
y
(u)
E[(X(t)~)(X(t+u)~t)]
Ejj(X(tu)LL)((X(t)u)]
E[(X(t)~)(X(tu)~)]
y anlogamente
153
funciones
de
u
u
u
(u)
Entonces,
describirse
mediante
212(u) donde
o,
5.3.
Si
la covarianza entre
la
media
de
(u)
los dos procesos aleatorios puede
la
funcin de covarianza
cruzada
o,.
FUNCIN DE CORRELACIN CRUZADA. PROPIEDADES.

se
diferentes
quiere
estudiar
posibles
ha
interaccin
de
medida
escalas
entre
dos
diferentes
procesos
con
varianzas,
es
necesario definir la funcin de correlacin cruzada, dada por:

y 12(u)
p
(u)
12
_____________
12
(u)
______
(0)-y
(0)
22
Esta funcin tiene las propiedades:

a
1)
p(u) = 1
que muestra que la variable
y(t)
A1x1 (t)+Ax (t+u)
=
a
2-) pju)
tiene varianza positiva.
(u)
se deduce de la segunda propiedad dada para
la funcin de covarianza.
5.4.
En
FUNCIN DE CORRELACIN CRUZADA PARA UN PROCESO LINEAL.

procesos
lineal y X(t)
continuos,
sea
X (t)
la
entrada
para
un
sistema
la correspondiente salida mas un ruido 2(t); el proceso
queda definido mediante

X( t)
h(uPX (tu)du
2(t)
Siultiphicando los dos miembros de la igualdad anterior por X (t-u), y

si X (t) y 2(t) son procesos con media cero, la funcin de covarianza
cruzada del proceso lineal,
viene dada por:
154
u
Si
y(u)
siendo 2xz (u)
E[X(t)]
O; Vu.
E[Z(t)]
o,
(u)
E[X(tuP{
h(vby(uv)dv;
h(v)X(tv)dv+X(tu)Z(t)j
w s u
o,
=0;
y y
(u) =0
o,
(u+vv )dvdv+y
h(v)h(v )y
Jo Jo
(u);
-o,
o,
zz
11
que da la funcin de autocovarianza de un proceso estacionario.

La funcin de correlacin cruzada, entonces,
tiene la expresin
2 12~~
(u)
_____________
donde y
(O) se obtiene de
siendo u
22~~
la expresin general dada para 3(u),
0. En procesos discretos,
= o,
r=O
partiendo del modelo
hrXit~r+Z(t)
se obtendra como funcin ~de autocovarianza:
ti ~
(kr);
0~1;2,
r=O
2 2
o,
(k)
o,
tihy
(k+rs)+Y
(k);
kO~~1;2,
o
_
y la correspondiente funcin de autocrrelacin tiene la expresin

2 la (k)
p 12 (k) =
_______________
5.5.
(O) ~
(O)
PROCESO LINEAL BIVARIANTE. FUNCIN DE COVARIANZA.
El modelo general para correlacin cruzada entre dos procesos

aleatorios,
ocurre cuando suponemos que las fluctuaciones en X(t) y
u
U
155
U
U
X (t) son causadas por dos fuentes de ruido 2 (t) y 2 (t).

a
1
2
Viene
definido mediante:
U
U
X (t)
2 (t>+h
= ti
111
X (t)
= ti
2 (t)
122
2 (t)+ti
211
2 (t)
222
donde 2 1 (t) y 2 2 (t)
varianzas a
y
a2
2
son procesos de ruido blanco incorrelados con

respectivamente, de donde:
(O) = E[{hZ(t)+h
uU
= h
(u);
11
(u); ti
ti
12
(u); h
21
11 21 2+h
1
12 ti 22 a 2
ti a
a
y(k)
ti
{hZ(t)hZ(t>}j
2Z2(t)}
0; k~O
(u> son las funciones respuesta impulso.

22
Un proceso llnal aleatorio bivariante puede representarse

mediante el esquema siguiente
42(t)
ti
(u)
~X(t)
11
1(u)
(u)
*2(t)
X (t)
ti
22
(u)
Proceso lineal bivariante
que corresponde al modelo dado por

X
Si
1(t)
X(t)
{
f
ti
<V>~1
(tv)dv+{
ti(v)2(tv)dv
(v)21 (t-v)dv+f
h(v)Z(tv)dv
las fuentes de ruido blanco son mutuamente incorreladas, es
decir
u
U
U
156
u
U
E[2(t)~
Las
2(t)]
= O;
Vt,t
i =
1;2,
1,2
funciones de covarianza vienen dadas por las expresiones

(u)
(u) =a?{
221
(u)
ti
Para el
a-2
I
f
12
(v)ti 12 (v+u)dv
222
2 12~~
2
(v)ti 11 (v+u>dv+ 2
ti 11
=a2{
(v)h
21
(v)h
21
(v+u)dv+a-2
21
(v+u)dv+a2
11
ti
(v)h
caso discreto,
22
(v)h
(v)ti
22
ti
(v+u)dv+a2
22
(v+u)dv
(v+u)dv
12
(v+u)dv
(v)h
12
22
las expresiones son totalmente anlogas,
bastara cambiar las integrales por sumas.

Las
U
U
expresiones
respuesta
impulso
bivariante
anteriores
Id
u
u
posible
con
una
generar
funcin
ajustando
un
de
la
modelo
funcin
aleatorio
covarianza
cruzada
Esta forma general se da
para procesos de ruido blanco que son procesos correlacionados para

tiempos simultneos,
es decir
E[Z
5.6. PRoCEso
El
proceso
ti
Id
(u)
cr(tt)
RIVARIANTE AUTORREGRESIVO MEDIAS MVILES.

esun
bivariante.
respuesta
(tEZ (t)]
es
modelo
Se
da
cero
especialmente
este
modelo
despus
de
cuando
un
X
X
2t
=2+132
+132
=7+132
+132
21
21 lt1
157
del
proceso
funcin
impulso
importante
cierto
discreto est representado por las ecuaciones
que
especfica y una funcin de autocovarlanza.
lineal
es
{X (t);X (t)>
1
a
u
u
(u),
muestran
22 211
la
punto.
Un
modelo
u
u
u
u
u
U
U
donde
2 2t
It.
varianzas
son
a-
0<
it
procesos
La
de
ruido
funcin de
blanco
covarianza
incorrelados,
de
con
proceso bivariante
,X a > est dada por:

212
(1)
13 a-
12 2
2
(O)
13 11 13 21 a 1 +13 12 13 22 a- 2
(1)
13 21 a- 1
212(k>
Eh
= O;
k~O~1
proceso bivariante autorregresivo,
tiene
la propiedad de
que
la funcin impulso respuesta no desaparece despus del ltimo impulso.

En tiempo continuo, un proceso de primer orden se define de forma
anloga
como
autorregresivo
se
de
defini
primer
en
el
orden
captulo
univariante,
tercero
es
decir,
el
proceso
un
proceso
continuo en tiempo bivariante se define como:

dX (t)
u
u
donde 2 (t)
1
dt
ax
(t)
dX (t)
a
dt
a 21 x 1 (t)
a 22 x 2 (t)
y Z (t)
son
procesos de
x (t)
ruido
z (t)
1
z(t)
2
blanco
correlacionados y
simultneos en tiempo nico.

Para tiempo
discreto el
proceso autorregresivo bivariante
est
dado por:
=a
u
u
u
u
u
X
X
a
2t
+a
21
+a
lt1
+2
+2
22
Las funciones de autocovarianza y covarianza cruzada del proceso

se pueden escribir como:
2ju)=be
-a
11
a
21
y(u)=be
+b
21
e
22
158
-a
+b
12
12u
22
u
U
u
u
u
donde
son
funciones
11
Estos
21
21
u
22
valores
se
calculan
mediante
LI
matrices.
Anlogamente, para tiempo discreto, se obtendran:
5.8.
21jK)
a21 ~
(K1)
a~
(K1)
2 11 (K)
a 11 2 11 (K1)
a 12 2 12 (K1)
K ~ 1
y(K)
(K1)
ay
(K1)
K ~ 1
(K)
ay
(K1)
a2
(K1)
K ~ 1
ESTIMACIN DE LA FUNCIN DE COVARIANZA CRUZADA.
Si la media de los dos procesos es cero,
para un mismo valor de u
la funcin de covarianza cruzada se estima mediante el estimador
u
u
u
u
u
+b
-a
22 (u) =
u
u
12
22
U
U
ti
11
212(u)b12e
xx
(u)
[T/2
~ TJT/2
X 1 (t)X 2 (t+u) dt
~ [T/2
X(t)X(t*u)
dt
O
;T
;
5 u
5 u
5
5
T
0
Cuando el estimador tiene un error cuadrtico medio pequeo se usa el

divisor T y si este error es grande se utiliza el divisor Tu.
La esperanza del estimador es
E[Cxx(u)j
que indica que C
ti
.41-]
Yxx(u)
(u) es un estimador sesgado de w

12(u)
xx
y solamente
la
es insesgado cuando T tiende a infinito.

Si
la media de los dos procesos es distinta de cero,
e st i mador:
159
se usa eh
u
u
u
u
u
u
U
u
u
u
u
u
u
u
u
u
u
u
T/2
O5u5T
(X (t)X 1 )(X 2 (t+u)X 2 )dt

c xx (u)
-T/2
12
(X (t)X )(X (t+u)X )dt
-T
-T/2
siendo
jiT/2
1,2.
Haciendo los clculos convenientes, la esperanza del estimador es:

E[Cxx(u)]
2xx (u)
{jIji
2xx (u) du
1
El
sesgo
aumenta para
trminos
de
orden
introduciendo
~,
una
ycorreccin
u diferentes
mediante la frmula
para se
la da
media.
La covarianza entre dos estimadores C
Cov[C
(u) C(u)]
dr
-T
Y(r)(1
.l4IjJdr}
IuI!uI
siendo
T =T
2
[u!
2
y(r)
2xx
~r
ul
u
2u1 ]Yxxtr
u2u1
u +u
2
1
2
JYx2x1lr
~~
xxH
donde
y dos u
de Eartlett:
.2- {T
), C xx (u a
12
(u
xx
12
K(r,u ,u)
aleatorias X (t),
1
Para
una
es
longitud
jn~r.u1~u2
punto
eh
de
X (t+u ), X 2 (t+r);
1
u+u
21
2
X (t+r+u
acumulacin
en tiempo
escribirse como:
160
de
las
variables
).
continuo,
la
covarianza
puede
uCov[C(u)C(u2)]
y(r)dr
y en caso discreto est dada por la aproximacin mediante:

o,
n]
K,C
~ rRo,{2xxa(r)2xaxa(~+rK)+
+y(r+t)y
Si
el
proceso
es
incorrelado,
(r k)}
(u)
para
todo
u,
la
12
covarianza es:
Cov[C
(u LC
Anlogamente,
(u)]
;:
Yxx(r
uu
22 jj .Yx2x2(r
uu
22 ljjdr
para dos procesos discretos incorrelados, se tiene que

o,
Cov[C
r = -o,2x 11
x (r)
(K)CWl
x1x2j
~
son procesos de primer
12
Si
X (t),X (t)
1
2xx (r+K)
orden con
parmetros a
13
respectivamente
(K)
a-2
1
11
(K) =
2
2
faciendo
= K,
Kl
y sustituyendo en ha expresin anterior de covarianza
se tiene que
22
Va
Para ruido blanco,
ti 1i:i;:ij
r [C(K)]
el resultado correspondiente es
22
ca
Var[C(K)]
En general
la
covarianza entre
el
estimador
(u )
3
dado por:
161
y C
IC
(u )
2
est
u
u
Cov[C
(u1 )C(U)]
(Tu1! )/2
(T
+
ufl/2
i14vt+
(Tu1 )/2~~
(vt u2u1j rjv...t+ ua-u]
(T-ufl/2
21j+K(t]kdt
U2+UI) .2(vt
Haciendo el cambio vt
r, t
s, se transforma la regin integracin
segn muestra la grfica.
T/a
1/2-u
1/2
1/2u
11
-1/2
u
u
u
u
u
u
u
U
162
-T/2
Regln
de Initegracln para la Cuncln de covarlanza
Obtenindose tres regiones de integracion.

la covarianza entre los estimadores se puede escribir
>
u21
Para
como:
(T-Iu! )/2
(T!u~+!u9/2
Cov[C(u)
-1
wj]
~(r)dr
ds
ut!u! )/2
(1u21+!u11
)/2
~(r)dr
41
2
~(r)
(1u2!1u1P/2
~(r)dr
(T( u
i1u21
uu~,
22 j2J{r
)/2
uu~
21
Integrando
la
[(Tju2j)/2]r
_ __ u )/2]r ds
I-1u11)/2
12
donde
]r
funcin
escribir que
COv[C(u),Cgu2)]
de
covarlanza
i1jr
con
(T-IuI )/2
ds
!ul
u+u)(
respecto
.44-)
163
)/2
a,
s,
u+u
se
puede
u
U
U
U
-T
r(r)(i
.l44jdr}
donde
liii2
T=T
Cuando
1!
LI
u
(u u
Para
el
>
1u2
resultado
2
es
anlogo,
siendo
9/2.
suficientemente
pueden ser despreciados,
los
grande,
trminos
de
orden
quedando que:
CovIc
),C
(u
= t
;: {
i~4
IC
uu11
(u )
a(r)dr
ua~-ulJ+i(r+
21ji(r..
21jJ}dr
U
5.7.
ESPECTRO CRUZADO.
Sean X (t)
U
U
diferentes
X (t) dos ondas coseno,
con suma de frecuencias
amplitudes
A1
A2
diferentes
fases
4> 1
4>2
respectivamente.
Aplicando la definicin de espectro para seales determinsticas

dado en el
captulo anterior,
el espectro muestra de has dos seales
es:
a
C
xx
II
X(f)
T
______
i=1,2.
La covarianza entre las dos ondas coseno esta definida mediante

el espectro potencia cruzado muestra,
espectro
cruzado
y mas concretamente mediante eh
muestra dado por:

*
U
U
u
u
cf)
X (f)X
C
(f)
xx
164
u
donde el asterisco,
indica el conjugado complejo. Esta relacin define
ha dependencia entre las dos seales en general.

dos
u
u
u
seales reales
con
X (t) dadas respectivamente por

a
X 1 Cf)
= A1
X (t);
1
1,2
y E
positiva
impar.
de Fourier
son
Cf)
lE
(f)e
transformadas
donde A (f) es una funcin invariante
(f) es una funcin

13
El
espectro
cruzado
muestra
aplicando
la
definicin
dada
anteriormente es:
i(F (f)F
C xx (fi
a
que
arbitrarias,
Si X 1 (t) y X 2 (t)
puede
escribirse
A 1 (fPA 2 (f)e
iF
(f)
= A
12
la
como
C
Entonces,
(f))/T
covarianza
(f)
12
(f)
12
entre
las
dos
series
x 1 (t)
x 2 (t),
puede
describirse por el spectro de fase muestra
12
(f)
F (f)F (f)
y el espectro amplitud muestra

A
(f)
A (f)~A (f)/T
12
El
espectro
cruzado
muestra
(f)
puede
escribirse
como
eh
la
producto de una funcin real llamada espectro amplitud cruzado y una

funcin compleja llamada espectro de fase muestra F (f), que indica
12
como la componente frecuencia en una serie, induce la longitud de has

componentes de la misma frecuencia en las otras series; anlogamente
eh espectro cruzado de amplitud-muestra A
de
las
serie,
componentes,
se
frecuencia,
asocia
en
con
otras
para
un caso
(f)
indica como la amplitud
particular
amplitudes
grandes o
series.
2(f)
es
de
frecuencia
pequeas
una
para
funcin
en
la
una
misma
positiva
de
frecuencias y E12 Cf) es una funcin impar.

Una
U
U
expresin
alternativa
para
165
el
espectro
cruzado,
dado
por
u
u
u
U
iF
C
(f)
Cf)
(f)e
est dada en funcin de
la suma de
una parte
12
real y una parte imaginaria mediante la expreslon:

C 12 (f)
= L 12 (f)iQ 12 (f)
donde
1L
Q
U
y donde:
(f) = A
(fPcos E
(f) = A
12
Cf) sen E
12
12
(f)
12
2
2
2
A 12 (f) = L 12 (f) + Q 12 (f)
u
F
U
(f) = arc tang.

12
12
(f)
funcin
es
una
impar
funcin
de
invariante
frecuencias,
ya
Q 12 (f)
L (f)
12
de
frecuencias
que
(f)
es
impar
(f)
es
Cf)
invariante.
Para seales generales X (t) , X (t) las expresiones:
(f)
12
(f) = A
12
cos
12
Cf)
mide
la
122
covarianza
de
las
una
es
12
componentes
dentro de fase para una frecuencia f, y la expresin

9
(f) = A
(f) sen F
12
mide la
covarianza de las
(f)
12
componente fuera de fase o componentes de
cuadratura para una frecuencia f.

Teorema.
La
transformada de Fourier de la
funcin de covarianza
cruzada muestra es el espectro cruzado muestra.

Es
decir,
que
la
funcin de
autocovarianza
cruzada
muestra
el
espectro cruzado muestra, forman un par de transformadas de Fourier.

En efecto, partiendo de la definicin de espectro cruzado muestra
*
C2 cf) =
2llf(tt
x (f) Txa (f)
{iT/2 ]iT/2 x(t).x(t)e
y haciendo la transformacin
U
tt = u,
u
166
U
t = y
>dtdt
u
u
u
U
U
se llega a que
Cct>
c(u)ei2lfudu
Luego el espectro cruzado muestra es
la transformada de Fourier de
la
funcin de autocovarianza muestra definida por:

1 fT/2
~
J T/2 x 1 (t)x 2 (t+u)dt

<
(u)
T/2 x (t)x (t+u)du

J-T/2
2
LO
La
c
en esta
=u 5
;-T
5 u 5
transformada inversa es
Sustituyendo
(u)
ltima
>
(f)ei2nfu df
expresin,
los
valores
en
funcin del
espectro de amplitud y del espectro de fase se tiene que
U
U
(L(f)iQ(f))e i2flfudf
(f)cos 2flfudf
ya que L ia (f) es una funcin
impar de f.
Haciendo u
= O
Q
12(f)sen 2flfu df
invariante de f y O 12 (f) es una funcin
se tiene que
c
(O)
L(f)df
Es decir que el espectro cruzado muestra da la descomposicin en

frecuencias de longitud cero de la covarianza cruzada, del mismo modo
que el espectro muestra para u
O da la descomposicin en funcin de
frecuencias de ha varianza o potencia media de la seal x(t):

2 =
Cxx (O)
donde C
= s
es el espectro muestra.
167
Cxx(f)df
u
U
Si
llamamos:
L( f)
Q12(f)
J
{
(u)
cos 211 fu du
q12(u) sen 211 fu du
podemos escribir que
(u)
y se verifica que
(u)
(u) es una funcin par de
12
(u) =
5.8.
U
dos
ric(u)
la]
ha parte impar de c2 (u) dada por

q(u)
(u)
12
siendo q12(u)
u
u
u
=
12
[c~u~
c(u)]
ESTIMACIN DEL ESPECTRO CRUZADO.
Sean x (t) y x2(t) dos seales definidas matemticamente mediante

series de tiempo,
siendo 0< (t),X (tU
la realizacin de un
1
proceso
aleatorio
estacionario
bivariante.
Se defini anteriormente el
espectro cruzado muestra c2(u), mediante el cual se trata de estimar

el espectro cruzado terico r (f) que se acostumbra a
llamar
12
coespectro.
Para hacer
esta estimacin,
se define el
espectro cruzado mediante la expresin:

2nfu du
C 12 (f) = JT
[T C
(u)ei
estimador
del
o,
para el que se calcula un valor medio

E[C(f)]
u
u
u
Cuando T-w;
(~
IyIjYxx(u)
este valor medio tiende al
espectro cruzado de potencia,
que se llamar espectro cruzado solamente;
168
i2rlfu du
de forma anloga a como al
espectro
de
potencia
o espectro
espectro.
El
espectro
cruzado
cruzado
muestra
expresin
Esta
transformada
El
est
se
le
esperado
llam
sencillamente
a travs
del
espectro
por:
que
Fourier
de
cruzado
poder
terico,
muestra
de
espectro
dado
con
terico
el
espectro
la
tehrico
cruzado
funcin
de
es una funcin
autocovarizna
de frecuencias
es
la
cruzada.
en el
rango
-m 5 f 5 m,
En ingeniera
se suele
utilizar
r xx
para
(f)
notaci6n
dar
respecto
algunas
al
definiciones
espectro
especto
asi
como
la
expresibn
= lim C
xlp
T7W
1 2
Conviene
este
cruzado
muestra
las
y el
relaciones
espectro
cruzado
terico
otra
Escribiendo
X x (u)
1 2
parte
$,,(u)
impar
como
la
suma
de
una
funcin
por
hI&)
espectro
$B
Sc tkne:
h12(U)
= $
Tf12(U)
+ yI,
i/J,,(u)= ; ;r12(U)- -d,,(-u)

[
1
que
sustituida
en el
espectro
cruzado
T12(f 1 = AIZ(f)
teorico
dan:
- WIZ(f)
donde
Y
uJ,,(f)
A Alz(f)
se le
llama
m t/),,(u)
s -m
co-espectro
sen 27I fudu
y a tjlz(f)
se
le
llama
cuadratura
de proceso
Obtenindose
El
(XI(t),X2(t)}.
como valores
espectro
cruzado
esperados
para
[ 1
[ 1
A12(fI
= lim E L12[f)
T-tm
@l,,(fI
= lim E Q,,(f)
T+CC
terico
puede
escribirse
Wl,(f
i-*2(f)
donde
a12(f)
se llama
se llama
espectro
Espectro
teorico
espectro
como:
1
= ocl2(fk
&
Cx12(f)
y e12(f)
ellos:
amplitud
= J/$f
de fase
cruzado
)+(,(f
cruzado
y est
dado
por:
1
y est
dado
Espectro
por:
muestra
Autoespectro
m
r,,(r)
F?,,lu)e
-iZT[fu
Cl,(f)
J -CV
m
-iZrlfu
-t,,(u)e
cruzado
C,*(f)
-co
= CCa(
= A,2(f)
- 1 $,,(f)
= J A:Jf
&
amplitud
)+ l&(f
= L,,(f)
- i Q,,(f
= jClz(f)l
L;2(f)
Espectro
de fase
170
= A12(f)
cruzado
A12(f)
-T
iF12(f
Espectro
= jr12(f)J
c,2(u)e-i2nfud
J
Wt2(f)
E12(f)
-i2nfud
c,, CU)@
-T
Eswctro
r12(f)
J
T
du
+ Q;Jf,
At2(f)
m
J
co-espectro
-i2IIfu
h12(Uk
du =
LIZ(f)
$z(u)e-i2nfudu
-02
=- 1 m ~12(u)*712(-u)
2 -al
J
{
=
J{
1
=z
cos2rIfudu
Espectro
&
e-i2fudu
PROPIEDADES
Se hace
OEL ESTIMADOR
previamente
cruzados
blanco
42rlfUdu
q12(u)e
posteriormente
para
se generalizan
PROPIEDADES
C-u)
dos
las
MUESTRA.
de los
incorrelados
de
ruido
espectral
estimador
propiedades
DEL ESTIMADOR
CRUZADO
caracterisiticas
procesos
del
estas
sen2nfudu
>
-T
sobre
propiedades
las
EwECTRAL
un estudio
muestra
analizando
5.9.1.
1
=2
sen2Ilfudu
-co
espectros
J
Tic12h)+c12
Q,,(f)
-T
Y~~(u)+x~~(-u)
5.9.
c12(u)+c
J{-T
T
#,,(u)
J -co
1
=z
cuadratura
$,,(fl
s -T
y resultados.
ESPECTRAL
CRUZADO
MUESTRA
RUIDO BLANCO.
Sean
ZI( t)
La transformada
y Zz( t)
de Fourier
dos
procesos
de Z,(f)
de
ruido
blanco,
se puede escribir
de media
como:
T/Z
Z,(t)
Z,(t)e-i2nft
dt
= A,(f)
- iB,(fl
-T/2
Siendo
Al(f)
El
auto
y Bi(f)
las
y co-espectro
transformadas
estki
coseno
dado por:
171
y seno
de zl(t)
cero.
PARA
2
it
cf)
A 2 +8
_______
1,2
2 (fYZ (f)
C
cf)
in)]
[(~~
+EE]i(BAEA]]
De donde el coespectro y el espectro cuadratura muestra son:

L
(f)
1 (A A +8 E
T
1212
1
+BA)
T (EA
21
12
cf)
12
Cuando
2 (f) es
Normales
un proceso
4ormal,
y 8
son variables
aleatorias
como el proceso Z (f) tiene de media cero:
EA
y
= E[B]
para ha frecuencia armnica f
= O
m/T se tiene que
=
ni
Var [A1]
Coy [A. 8]
Sumando,
varfjn]
1,2
los dos procesos z (t) y z (t) son incorrelados,

1
Coy
[A. A] =0
Coy [A1 8]
Cov[E.R]
Cov[E.A]
Con todo lo anterior se puede escribir

lh
E[L(f)]
EL
A]
E[B
E]}
= O
(f)] =0
12
Anlogamente
VarjL(f)]
2lflj
EFAA +8282+28 EAA]
L
2
a1
a
a2
--7-7+
2
1
-7-7
172
12
2
2
a 22a
~0
luego
u
u
22
VarjjQ(f)]
a- 12 a- a
De donde
cov[Lcfnocn]
U
U
Se demuestra que L 12 (f) y

Q 12 (f) estn incorreladas con c 11 (f) y
c cf), entonces la distribucin conjunta de los estimadores C (f);
22
C 22 (f);
11
Q 12 (f),
L 12 (f)
caracterizarse
pueden
por
la
matriz
de
covarianza
a,
U
U
2
Cia-O
a
o O a 23
O
O
a- a
donde a- 2
a
1 a-a22
2 a
1
2
a- 2 =
4
a- 2 a- 2
1
2
2!) El cuadrado del estimador espectral de la amplitud cruzada muestra
es:
A 212 (f)
~
C(f)2
= L
212
12(f)
2~ =
1(f)3{
c(fYc(f)
IZ2(f)
3!) Aplicando la propiedad ctii-cuadrado de c
u
u
son dos procesos
independientes,
se
4A2 (f)
2
y (f)
12
=
a-
22
a
1
2C
_
(f
11
variable aleatoria
_____
_____
,2C
(f)
22
1
~a-
Entonces:
se distribuyen segn una
E[Y2(f)]
E[aPE[b]
E[Y~(f)]
64
ab
ha
y2(f) definida mediante:
(f) y que z (t) y z (t)
tiene que
es el producto de dos variables aleatorias,
U
U
a y b independientes que
con dos grados de libertad.
173
u
u
Var[Y2(f)]
= 48
o-a-
E[A2(f)]
121
-~
= a-a-
j E[Y(f)J
a-a,
22
1 2
44
Var[A2(f)]
U
U
u
U
~r2i
J.Var[Y
12
16
cf)]
= 344
1 2
4h Eh estimador espectral fase muestra es:

F(f)
Por
ser A
rango
arctang
de
:~a~;~
arctang
~2:iI:i~2
variables que siguen una distribucin Normal,
A A +8 8
se
extiende
de
-o,
1212
distribucin
L
12
(f)
independientes
sigue
una
cf).
As
12
Normal.
12
(f)
el
Anlogamente
(f)
son
tienen
ocurre
distribuciones
la
misma
con
~
12
aproximadamente
varianza,
entonces
normales
F
(f)
es
e
una
12
distribucin aproximadamente uniforme en el rango [-fl/2,fl/2].
5.9.2.
PROPIEDADES GENERALES DEL ESTIMADOR DEL ESPECTRO CRUZADO
MUESTRA.
1!)
U
U
Para un proceso no
frecuencia armnica f
Normal
de ruido blanco
y la
m/T se tiene que
ni
E[L2(f)]
= A2(f)
= O
E[Qjf)]
= (f)
= O
La matriz de covarianza del estimador de la covarianza entre

los estimadores c
(f),
11
(f);
22
(f),
12
esta dada por:
u
U
U
incorrelado
174
Q (f) y dos frecuencia f

12
f
2
u
u
u
14 K
04
<>
a
+a-{W ()+W (+)
u
u
u
u
u
U
U
u
u
<a>
04
+a- <VI (-)+VI (+)>

2
u
U
14K
u
U
U
u
u
0
22
a-a
12
2
2
<VI
()+VI (+)>
2
22
ca,
12
<14
2
()-s-14 (+)>
donde
Asen 11NA(f -f
W()
Asen IINA(f +f
Nsen TIA(f f )
1
para proceso discreto; VI

=
11T(f
sen flt(f +f
2
1
2
-_____________
HT(f +f
1
en
el
caso
orden de los procesos de
K 4<1)
continuo.
2
2
1/T
sen TIT(f f
Nsen TTA(f +f
1
K 4<2)
son
ruido blanco
los acumulantes de cuarto

y 2 (t)
2
respectivamente,
que desaparecen si z (t) es Normal.

3 Si
depende
de
f1
la
f,
la varianza de los estimadores es constante y no
longitud
del
recorrido
T,
entonces
el
estimador
espectral cruzado da una mala estimacin como estimador autoespectral.
5.10.
ESPECTRO CRUZADO EN PROCESOS LINEALES.
1) Se considera en primer lugar dos fuentes de ruido blanco 2

2
2t.
mutuamente incorreladas. Eh proceso est dado por:

X it =2
X
It
=2
at
at
Entonces
y
(K)
[z.z]
= O;
VK
y el espectro cruzado es:

E 12 (f)
2
2
A 12 (f)+q 12
175
cf)
it.
u
U
Esto implica que el espectro amplitud cruzado es siempre nulo y
el coespectro y espectro cuadratura son tambin idnticamente nulos.

El
espectro
fase
es
indeterminado,
uniformemente en el rango
(-11/2,11/2),
aunque
est
por lo que
distribuido
la diferencia media
de fase entre los dos procesos es cero.

II) Se considera ahora el proceso bivariante, equivalente a ruido
blanco
Z
2t
As como X
+132
2t
it
Z
It
It
= (3 X +2
2t
1 it
2t
Entonces:
f
2 12 ~O>
= EiZ
L ~ (2 2t +3 1 7it )
y(K)
y Ea ~
31
13 1 a1
0; k*O
2
=
que implica que:
u
u
(f)
a
A
12
(3o- 2
:i
4>(f)
= O
Si los dos procesos son correlados solamente para tiempos simultneos,

el espectro de amplitud cruzado es una constante.
Este proceso se toma
como modelo para espectro cruzado, del mismo modo a como eh proceso de
ruido blanco es fundamento en espectros univariantes.
III) Se considera atiera un proceso dado por:
u
U
h(u)X (t-ji)du
donde
X (t)
es
ha
entrada
de
un
2(t)
proceso
lineal
correspondiente salida,
mas un ruido independiente 2(t)
La funcin de covarianza cruzada de la salida es:

y
y(uv)h(v)dv;
u
176
U
U
w S u s o,
X (t)
a
la
u
U
Transformando esta igualdad se tiene el espectro cruzado:
E
Cf)
= H(fPE
(f)
11
12
La funcin respuesta frecuencia puede escribirse como

fi(f)
u
U
r la (f)
E
(f)
11
Esto indica que el
anlisis de un sistema
utilizando
has
transformadas
definicin
de
funcin
multiplicacin
frecuencia,
de Fourier.
de
covarianza
aplicando
As
lineal
la
cruzada,
transformadas.
La
se simphifica
convolucin
en la
se
reduce
funcin
una
respuesta
tambin se puede escribir

A
(f)
cf)
i4>
cf)
H(f) = 0(f) e i4>(f)
12
Las expresiones para ganancia 0(f) y fase
12
4>(f) del sistema lineal
son
A
0(f)
(f)
12
(f)
(f)
i-
11
As
U
U
la
amplitud cruzda
11
u
u
u
u
u
arc tang
12
Cf)
12
A2(f)
es
una
medida
de
la
covarianza
entre X 1 (t) y X2 (t) para la frecuencia f y E 11 Cf) es la varianza en la

salida para la frecuencia f.
{J
Anlogamente ha funcin de autocovarianza de la salida dada por:
i22(u)
cf)
Cf)
4>(f)
(f)
12
ti(v)h(v )i11(u+vv ) dvdv
se transforma mediante Fourier 2(f)

en: E (f)
E 22 (f) = 0
11
(u)
(f)
y sustituyendo la funcin ganancia por ha expresin dada anteriormente

0(f)
(f)
12
E
11
(f)
se tiene que
177
u
U
u
a(f)
22
22
11
o
E
(U
f(f)Fl
22L
22
donde
U
U
cf)
= E
(f)
a2 (f)
2
12
1<
(f)
12
Cf)r
E
11
a 1<
a
12
en la
K2(f)]
12J
f)
22
Cf) se la llama coherencia cuadrado entre la entrada y ha salida

frecuencia f.
Al
K 212 (f) para f se
argumento de
llama
espectro
coherente cuadrado.
Cuando E
(f)
la
= O,
coherencia cuadrado es nica y eh espectro
22
de salida es
simplemente el espectro de entrada,
multiplicado por el
cuadrado de la ganancia del sistema.
U
U
U
U
u
U
Cf) a partir de
Eliminando E
22
( F(f)
4
22
2
=
cf) 2 E 11 Cf)
1K 12 (f)
(f)12 E
E
11
despejando E
22
cf) e
E 22 (f)
Cf)
(f)
22
igualando se tiene que

K 212 Cf)
________________
1 2 (f) E (f)
1+(E
_____________________
22 (f)/G
Esta
igualdad
muestra
que
la
coherencia
cuadrado
cuando eh radio 02(f)E (f)/E cf) para el ruido de salida

y grande, cuando el radio
11
es 22
grande.
es
pequea,
es pequeo
IV) Se considera por ltimo el proceso aleatorio bivariante,

obtenido pasando dos fuentes de ruido blanco Z (t) y 2 (t), a travs
1
de un sistema la funcin de covarianza y autocovarianza cruzada son

las propias de un sistema lineal bivariante. La funcin frecuencia
U
U
U
178
u
u
u
u
respuesta es:
ti
H
E
E
u
u
u
u
u
u
u
u
1,2
LI
11
22
Cf)
=o3HCf)2
a-2FI(f)2
Cf)2
a-2H(f)
= c2H
Cf)
La funcin de covari anza 2 12 (u) del proceso lineal bivariante es:

ti
(u)
(v)h
(v+u)dv
+ a-2
= a-
1.:
12
(v)h
22
(v+u)dv
Tomando transformadas de Fourier, el espectro cruzado es:

2
E 12 Cf)
De
aqu se
2~
a 1 FI 11 Cf) FI 21 (f)
puede decir que
ha
a, 212
FI Cf) fi 22 Cf)
estimacin
reduce a estimar la funcin respuesta
del espectro
frecuencia del
cruzado,
se
proceso lineal
bivariante.
El
clculo de
esta funcin
se
puede
ver en
el
ejemplo dado a
continuacin:
Se considera el proceso continuo bivariante dado por el sistema:
dX (t)
1
______
dt
a it X 1 (t)
X (t)
= 2 (t)
1
a aa X a (t)
= 2 (t)
2
+ a
12 2
dX (t)
2
+ a
______
dt
X (t)
21 1
Transformando las ecuaciones aplicando una de las propiedades de

la diferenciacin se tiene:
[a -r-iZllf)X (f)+a
u
u
u
u
i,J
El autoespectro est dado mediante:
U
U
(u)e211~~ du
a X (f)
21 1
Despejando,
[a
22
X Cf)
= 2
12 2
+i211f]X
Cf)
Cf)
= 2 Cf)
2
se obtiene
(a
(f)
2 Cf)
-s-i2Tlf)Z Cf)a
22
12
(a +i2flf)(a+i2flf)aa
179
u
U
u
u
u
u
u
U
a
X (f)
2
Aplicando transformadas
X 1 (f)
u
u
U
FI 12 (f)Z 2 cf)
(f)Z (f) +
1
11
H 21 (f)Z 1 (f)
H aa (f)Z 2 (f)
donde
a
H
(f)
+i2TJf
12
~>
22
ti
a
FI
Donde
ID
cf)
21
a a a
11
22
FI
21
a2
(f)
12 21
(211f) +i2flf(a
11
i-a
22
),
+i2flf
11
O
por
ltimo
el
auto
espectro y el espectro cruzado para el proceso bivariante es:

2
la
E
(f)
+(2flf) ] a-
22
a
E
Cf)
22
a21 1
(f)
a- 2
22211
Ah
22
a,
12 2
C2TTf)
a2
a- 2
i211f(a o- 2 a
11122
2
12
5.12.
~ 112
22
[a
2
1
~ 2
11
U
U
= FI
X 2 (f)
u
u
u
u
u
+i211f)Z Cf)
(f)+Ca
21 1
11
2
(a 11 +i2flf)Ca 22 +i211f)a 12 a 21
222
a- 2
211
CORRECCIN DE ESTIMADORES ESPECTRALES CRUZADOS.
aumentar
espectro cruzado
correccin o
el
recorrido
muestra aumenta,
T,
la
por lo
suavizacin del estimador
del
varianza
que
es
hacer una
cruzado,
utilizando
espectral
Se da como estimador el siguiente:

=
w(u)c(u) e~i2flfudu
180
del
necesario
el mtodo de ventana.
Cci>
estimador
u
u
siendo w(u) la longitud de ventana.
de los trminos pares e impares,
cr
C)()
wuu
12
donde
1-:
12
y ~2 (f)
12 ~
12
(u) en funciones
se tiene que
211f d
u u
cos
Descomponiendo c
(f)
wWC)
uu
sen 2llfu du
Q 12 (f)
son los estimadores
coherencia y cuadratura
espectral corregidos.
El estimador espectral cruzado muestra dado anteriormente es
2flfu
C 12 (f) = JT
[T
cH) e~i
du
u
que
tiene
como
valor
esperado
E[C(f)]
-141] i(u) i2ulfu du
que puede escribirse como
ri
U
U
L12J
de donde,
EIC(f)
Ti
~}~o, L.
sen flTg
.~
tITg
(fg) dg
12
la
cuando T es suficientemente grande,
muy pequea,
y C 12 Cf) es
un estimador
la ventana espectral es
insesgado de E 12 (f).
La media
del estimador espectral cruzado es:
E[C(f)]
u
u
w(u)(l
14(g) E
-Y-jr
(fg) dg
(u)ei2nfu du
12
cr>
12
(f) se he llama media corregida del espectro cruzado.

12
E[C(f)]
E[L
(f)jiE[Q
(f)]
Y ya que
=
del espectro coherencia y cuadratura es:
E[L
u
u
u
Cf)] =
wCu)(1
.I4ijJ
181
la
media
A>
2(u) cos 2flfu du
corregida
u
u
u
u
u
u
u
u
U
U
U
u
u
u
u
u
u
U
U
u
u
W(g) A
12
(f-g)dg
= A
12
(f)
J-o,
Eh
Cf)]
wCu)(1
W(g)~
12
-I-~I]@(u) sen 2Tlfu duz
(f-g)dg
@ Cf)
12
Utilizando la propiedad simtrica de ha transformada de Fourier,

que
permite
invertir
los
trminos
(propiedad de convolucin)
de
la
seal
el estimador espectral
su
transformada
cruzado se
escribe
tambin como
0(f)
Por tanto
), C~
Cov[C(f
Cuando
espectral
cf2)]
{{
1:
C a (fg) 14(g) dg
0It Cf
~O~[~ ~
<~ g~,
2h)]w( g)14(ti) dg dh
estimador
es
grande,
la
matriz
de
covarianza
para
eh
muestra que
CovlC(f),C(f)I
111
222J
E 12 (f
de donde
~(f f
1T 2
Cov[C(f)C(f)]
Ico
J-o,
cf f +g+ti)
r~
1
Cfg)
J-o,
Suponiendo
j~~o,
que
ancho de banda de la
14(g) 14(h) dg dh
Co,
12
VI(~) VI(f +gf )dg
T
12
(f) es
ventana
aproximadamente
espectral,
expresin anterior se tiene que
182
constante,
y haciendo ti
en
f-g
todo el
en la
u
U
u
u
U
y en el caso en que f
(f
) 2
W(f h) W(f -ti) dh
f la expresin de ha covarianza queda:
(f)l
(f),C
12
= f
1
Cov[C
)]
cf
Cf ),C
Cov[C
E(f)2
142(g)dg
1r
As el
efecto de
correccin reduce
La
matriz
de
covarianza
del
2(f)!
la varianza y
del estimador no corregido mediante el factor
la
covarianza
MT,
estimador
corregido
se
obtiene
multiplicando la matriz de covarianza del estimador muestra por
I/T,
en lugar de multiplicarla por 142 dado anteriormente.

Como estimador amplitud cruzado corregido, se da la expreslon:
12
(f)
L 12 (f)
12
(f)
Como estimador espectral fase cruzado
~ cf)
u
u
u
F(f)
arc tang
y como estimador coherente cuadrado corregido

2~
+Q
(f)
K 2 (f) = ___________
12
12
~j
C Cf) C Cf)
11
E 12 (f)
2
12
cf) pueden ser sesgados,

con
el
que
correlacin cruzada,
de cero.
Se consideran
se
pero el
produce
ahora
perturbaciones ms
de
pequeas
Entonces
E 12 =A 12 +aE 12
183
y E[Q]
la
funcin de
simtrica alrededor
E[L
= A
F 12 Cf) y
produce es pequeo,
truncamiento
y por el hecho de que no es
aunque A 12 (f);
sesgo que se
por
2]
22
y Q 12 cf) son estimadores insesgados,
sobre los valores esperados
E(f)
12
comparado
u
u
aL 12
0 12
U
U
~
q~
1]
Por comodidad se escriben
E[ 12Sa]
= 12
O =
12
L 12 y Q 12 sin indicar
que dependen de f.
Anlogamente:
E]
E[8
~4
~
E[8
E[S
Var[L]
Var[Q]
Cov[L
O]
y escribiendo A12 como una serie de Taylor se tiene que
CA
12
12
+aE 12 >.<@ 12 +8
E
12
ah
12
+~
2
12
12
12
la
Entonces:
A2
Var1A1
1121
Var[1
12
E[A]
4, 2
Var[Q
12
12
a2
12
L.J
1
12
4,
Cov[1
12 12
,~
12
12
Sustituyendo en la matriz de covarianza 142 (~) por I/T

I/2T {E
Var [1]
Var[~l
fE E 22
L12J
I/2T
CovF1,Q] = I/T
Sustituyendo estos
resultados,
la
@12}
12 +
A2
4>12}
4
12
2A
12
matriz
para
amplituz cruzado corregido es

Var[A]
2T
a~
121
K2
12
Si X
y X
son procesos idnticos
184
el
estimador
de
u
u
u
=C
12
12
2
K
12
11
=E 11
=1
en cuyo caso
U
U
[~]
I/T E2
Va r
Anlogamente,
la
varianza
de
los
estimadores
coherencia
coherencia cuadrada corregidos es
varjvi]
(i
K~
2J
u
U
Var[K]
que es independiente de la funcin fase terica.
resultados
anteriores
La varianza tiene las
o
o
Coy [,K2]
Los
muestran
que
la
varianza
de
estos
que a su vez puede ser

2 (f)
controlado mediante la ventana cerrada y el espectro coherente K 12
de los dos procesos X (t)
X (t).
estimadores
depende del factor correccin MT,
En general,
es uno,
fase
la varianza del estimador es cero cuando ha coherencia
y se incremento a medida que la coherencia tiende a cero.
Las propiedades de
cruzada
(incontrolada)
muestra
del
mejor
los
estimadores de
pueden
conocerse
espectro
185
los espectros
amplitud y
mediante
influencia
coherencia
(controlada) del factor correccin I/t.
K2J
12
Coy
u
u
La varianza del estimador

fase corregido
es 1
Var[F]
4
propiedades siguientes:
U
U
por
la
la
influencia
u
u
5.13.
Estimacin de la funcin respuesta
frecuencia
El clculo del espectro cruzado en un proceso lineal bivariante,
U
U
U
U
U
U
reduce el clculo de la funcin respuesta frecuencia.

Para estimar la funcin respuesta frecuencia
h(u)e i2flfu
puede utihizarse la ecuacin estimacin

C (f)
FI(f) =
________
~11 ~
donde C
12
(f)
entrada y
es el estimador
la salida,
corregido del espectro cruzado entre
y ~E (f) es
el
estimador
la
corregido del espectro
entrada.
El
estimador
de
h(u),
funcin
respuesta
impulso,
se
obtiene
calculando la transformada inversa de H(f) que da una correccin mayor

para
la
obtencin
de
ti(u)
respuesta
frecuencia
U
2(t)
es
necesario
es
X(t)u
blanco.
la estimacin
ruido
La
la
funcin
la
funcin
la estimacin de
admitir
que
h(u)(X(tu)X) du
solucin
de
(u)
esta
h(v)c
hCu)
= O,
<
z(t)
mnimo cuadrtica h(u)
ecuacin
(uv)dv;
integral
transformada de Fourier:
U
U
estimando
de hCu)
satisface la ecuacin integral

c
obtenida
mtodos espectrales a
que eh modelo es lineal
la
respuesta impulso directamente.

Para aplicar
que
186
se
5 u
simphifica
aplicando
la
u
u
C
(f)
= H(f)~C
12
11
donde
HCf)
cf)
h(u) e~i2~fu du
El estimador de la funcin repuesta frecuencia es

C
12
Cf)
11
que tambin puede escribirse como
donde
El estimador de las funciones ganancia y fase es
12
GCf)e
FI(f)
cf)
iF(f)
0(f)
Cf)
12
_______
0(f) e iF(f)
iF
Cf)
C 12 Cf)
11
U
U
F(f)
Estos estimadores
varianzas,
= E 12
necesitan
Cf)
ser
para
disminuir
sus
obtenindose los respectivos estimadores corregidos:
Cf)
A
=
Cf)
corregidos
La estimacin
de
la
12
asrctangC1>(~~
funcin
respuesta
(f)
frecuencia
por
otro
lado
es
formalmente equivalente al anlisis de regresin mnimo cuadrtico de

cada frecuencia.
u
U
U
u
u
187
RIRLIOGRAFIA
AKAIKE,
FI.
C1964)
response
Studies on the statstical stimation of frequency
functions.
Ann.
Inst.
Statist.
Math.
Suppl.
III,
15,
517.
AKAIKE,
1-1.
(1967)
Some
problems
cross-spectral method.
AKAIKE,
FI.
C1969b)
Power
model fitting. Ann.

AKAIKE,
FI.
C1973)
Gaussian
(Ed.
in
the apphication
of the
Harris). Wiley, New York.
spectrum estimation ttirough autoregressive

Statist. Math. , 21,
Inst.
saximum
autoregressive
likelihood
moving
407419.
identification
average
modeis
of
Eiometrika,
60,
255265.
ALI,
51.51.
(1977)
Analysis of
autoregressive moving
Estimation and prediction Biometrika,

ALT,
MM.
(1978)
Corrections
to
average
models:
64.
anahysis
of
autoregressive
moving
average Models:Estimation and Prediction Biometrika 65.

ANDERSON, C.
and KAWATA, T.
(1968)
Some Integral transforms of
characteristic functions. Ann. Math. Statist. 39.

ANDERSON,
T.14.
(1971) Maximum hikehihood.
Estimation of Parameters of
an Autoregressive Process with Moving Average Residuals and other

covariance matrices witti linear spectrum
ANDEIRSON,
T.W.
modeis
Vol.
(1977)
in the
Estimation for autoregressive
time and frequency
domains.
moving
The Ann.
of
average
Statist.
5, nR5.
ANDIRIETTI,
F. and CANEGALLO,
of membrane noisse. Att.
0.
(1984)
Acc.
Variances in Spectrah Analysis
Lincei Rend.
Fisiol s.VIOII, Vol.
LXXVI fasc. 4.
ANDRIETTI,
F.
estimate
(1986)
of
Evbaluation
indirect
power,
analysis of membrane noisse.

Vol.
ARNOLD,
LXXX,
L.
fasc.
(1966)
of
the
spectrum:
Att.
Acc.
variance
of
Application
particular
to
spectral
Lincei Rend. Fis.
s.VIII
6.
Random
Power
Series
Statistical
Lab.
RM159,
LA1. Dept. of Statistics. Michigan State Univ.

BANACH,
5.
(1935)
Funduszu Kultury
Theorie des
Narodowej.
Operations
Warsaw.
188
Linaires.
Z.
Subwencji
BAIRTLETT,
MS.
(1950)
Periodogram
analysis
and continuous
spectra
Biometrika 37.
BARTLETT,
MS.
(1954)
temporelles
Problemes de
stationnaires.
lanahyse
Pub.
Inst.
spectrale
Statist.
des
series
Univ.
Paris
111-3.
BAIRTLETT,
51.5.
special
(1955)
An
reference
introduction to
tol
methods
stochastic
and
processes with
apphications
Cambridge
University Press. London.

BARTLETT, MS.
(1957) Discussion ons Symposium on spectral approach
to time series
BENDAT,
iS.
and
J. Roy Staist. Soc.

PIERSOL,
A.G.
Ser.
(1980)
8, 19.
Engineering
Apphications
of
Correlation and Spectral Analysis John Wiley New York.

RIRKFIOFF,
0.
(1967)
Limitation
of
Fourier Analysis
J.
Mathem.
Mecti. 17.
BIRBAUM, A.
(1962) On the foundations of statistical inferenceJour.
Amer. Stat. Assoc. 57, 269.

BOAS, ir.
R.P.
Math. J.
BOCFINER,
5.
(1948) More Inequalities for Fourier Transforms
15.
and CHANDIRASEKI-IARA4,
Matti. Studies, Vol.

BOX,
Duke
G.E.P.
and
19.
K.
(1949)
Fourier Transforms
Ann.
Kraus, New York.
JENKI4S,
0.51.
(1976)
Time
Series
Anahysis:
Forecasting and control HoldenDay California.

BREIMAN, L.
(1968)
CHATFIELD,
C.
Probability Addison-Wesley.
(1975)
Ttie
analysis
of
time
series,
theory
and
practice Chapman and Hall. London.

CRAMER, H.
4th.
(1961) On sorne
classe of
nonstationary processes
Berkeley. Symp. on Math. Statist. and Prob,
Proc.
57-78. University
of California. Press.
CRAMER,
FI.
and
Stochastic.
DAMSLETH,
when
E-
Processes
(1979)
the
inputs
Pubhication
DOOB, EL.
DURRANI,
LEADBETTER,
spectral
Stationary
of muhtiinput transfer
correlated.
and
Prelated
Norwegian
function models
Computing
Center.
n. 641, Oslo
(1953) Stochastic
T.S.
(1967)
Wiley, New York.
Analysis
are
M.R.
and NIONTINGALE,
analysis
lEE.
Processes
J.M.
(1972)
Proceeding
189
John Wiley. Sons. New York.

Data windows
119.
for digital
ANTE,
IR.L.
(1987)
Signal
Anahysis and
Introduction.
John Wiley
Sons.
W.
FELLER,
(1957)
Applications.
ELLER,
VI.
(1966)
0.5.
An
probabihity,
Vol.
1. New York.
to
Probabulity,
Vol.
Spectral
(1957)
co-spectrum
F.
C1963)
and
On
the
quadrature
London,
HAYKIN,
(1960)
(1979).
FIO.
Non
its
Harward
tables
for Biological
and Boyd Ltd,
estimation
of
of
Sciewntlfic.
Edinburgh.
the
spectral,
two-dimensional
Paper 10,
Engineering
University.
Analysis
Methuen
and
Co.
Ltd.,
spectra
Test
(1961)
and
time series
CM.
of
of
significance
General
Technometrics
0.51.
methods
linear
spectrah
analysis
harmonic
anahysis
in
36.
0.51.
JE4KI4S,
and
Berlin.
(1949)
Biometrika,
JENKINS,
Theory
econometrics
spectrum
Timer Serles
Springer-Verlag.
JENKINS,
its
John Wiley Sons. New York.
5.
HARTLEY,
Oliver
joint
Statistics Laboratory. New York.

EJ.
in
Statistical
stationary Gaussian process.
HANNAN,
and
II. New York.
methods
and Medical Research.
NR.
Theory
Cambdrige.
and YATES,
Agricultural
GOOD51AN,
John Wiley Sons.
Press,
to
Introduction
(1969)
University
FISCHER, IRA.
introduction
John Wiley Sons.
Applications.
FISI-IIIAN,
An
considerations
the
analysis
of
spectral
analysis
of
3.
PIRIESTLEY,
518.
(1957)
Hoy Statist. Soc.

(1963)
in
Ser.
Crossspectral
B.
The
19.
analysis and
linear open loop transfer functions.
the
estimation of
In serles
analysis.
Spectral
analysis
Wiley,
New York.
JENKINS,
0.51.
and
VIATTS,
D.C.
(1968)
and
its
Proc.
Hoy
apphications HoldenDay, San Francisco.

JONES,
DA.
Soc.
JUIRY,
(1978)
London,
El.
T.
Autoregressive processes.
A. 360.
(1964) Theory and apphication of
John Wiley.
KAWATA,
NonLinear.
the Ztransform method
New York.
(1972)
Fourier analysis
in
probabihity
theory
Academic
Press. New York.

KENDALL,
51.G.
(1946)
Charles-Criffin Vol.
The
avanced
II, London.
190
theory
of
statistics
KOOPMANS,
L.FI.
(1974) The spectral analysis of
time series Academic
Press. New York and London.

NEHER,
E.
and
SETEVENS
apphications
PAGANO, 51.
Ann.
(1974)
C.F.
Rey.
(1977)
Spectral
Biophys. Bioeng.
A.
(1965)
processes
PARZEN,
E.
and
its
Estimation of models of autorregressive signal plus
white noise The Annals of Statist. 2,

FAPIDULIS,
analysis
Probabihity,
1.
randon
variables
and
stocastic
Mc CrawHill.
(1957)
Cm
consistent estimates
of
ttie spectral
function of a stationary time series Ann. Math. Statist.
density
28.
PARZEN,
E.
(1962) Stochastic Processes Holden-Day. San Francisco.
PARZEN,
E.
(1963)
PARZEN,
E.
Notes on Fourier analysis and spectral windows

o
Tectinical IReport. n- 48. Holden-Day, San Francisco.
(1969)
Multiple time series modehhing
(Kristinahah, Ed. ).
Academic Press, New York.

PRIESTLEY,
51.8.
(1962a)
mixed spectra 3.
PIRIESTLEY,
MB.
The anahysis
Roy Staist.
(1962c)
Basic
Sci.
of
stationary
Ser.
B.
processes
with
24
considerations
in
the
estimation
of
power spectra Tectinometrics, 4.

PRIESTLEY,
M.B.
(1963)
The spectrum of
a continuous process derived
from a discrete process Biometrika, 50.

(1981) Spectral analysis and time series Volumen 1 y
PRIESTLEY, 51.8.
II Academic Press. London.

PUKKILA,
T.
(1982)
On the
identification of tenasfer function noise
modeis with several correlated inputs. Scand. 3. Statist.

RAO,
GR.
C1965) Linear statistical
inference
and
9.
its applications.
John Wiley. New York.

ROBERTSON,
CFI.
detectability
(1979)
of
Influence
small
signals
of
in
data
white
window.
noise
Stiape
Bul.
on
Labor.
Whippany New Jersey.

SAVACE,
Li.
(1962)
The
Foundations
of
Statistical
Inference.
Methuen London 1962.

SHUYUAN,
FIE.
and KEDEM,
8.
(1989)
Higher
order
Crossings
Spectral
Anahysis of an Almost Periodic Random Sequence in Noise I.E.E.E.,

TRA4S.
SCH1IIDT,
ON Informat. Ttior.
FI.
(1985)
Vol.
IResolution
36 n- 2.
bias
errors
frequency response and cotierence function,
191
in
spectral
measurements,
density,
IV.
Time
Delay bias errors
SCHMIDT,
fi.
(1985)
.Journal of Sound and Vibration 101.

Resolution
blas
errors
in
spectral
frequency response and coherence function measurements,

theory
SCH51IDT,
Journal of Sound and Vibrations 101,
FI.
(1985)
frequency
Resolution
response
Apphication
to
and
bias
firstorder

SCI-flIIDT,
fi.
(1985)
frequency
Resolution
response
Apphication
to
and
second
bias
F.
and
PETERSON,
A-s.
noise
in
function
systems
(1982)
spectrah
Engin.
Prediction
(wtiite
spectral
Regulation
by
density,
measurements,
noise
III:
excitation).
347-362.
On
Standford University,
and
II:
excitation)
the
high
resohution
unbiased frequency estimates of sinusoids in white noise

Elect.
density,
measurements,
(white
errors

SOONO,
General
347362.
coherence
order
in
function
systems
1:
347362.
errors
coherence
density,
Standford.WHITTLE,
Linear
Dept. of
P.
Least-Squares
and
(1963)
Methods
Universities Press, London.

WICFIERN,
0.14.
function
(1973)
for an
The
behaviour
integrated moving
60, 235.
192
of
the
average
sample
autocorrelation
process.
Biometrika,

Tesis Doctoral X 2001801

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Tesis Doctoral X 2001801

Загружено:

Авторское право:

Доступные форматы

A17V~1

ESTIMACION DEL ESPECTRO EN MODELOS ALEATORIOS

Memoria que presenta

M- Dolores Snchez Muoz

Este trabajo ha sido realizado bajo la direccin de la Profesora

Carmen Santisteban Requena,

a quien quiero expresar aqu

mi mas profundo agradecimiento, por sus valiosas orientaciones,

agradecimiento especial al profesor Doctor D.

inters y valioso asesormiento que ha dedicado a esta

Agradezco a la Doctora Da Pilar 2uloaga Arias su

apoyo tanto personal como acadmico.

Tambin quiero agradecer a mi familia y amigos la ayuda prestada,

todas aquellas personas que de una manera u otra me han

alentado dndome su estmulo y comprension.

del ser humano,

informacin sobre este tipo de planteamientos.

mtodos y tcnicas de prediccin,

rango de sus aplicaciones.

es cada vez mayor el empeo

por modelizar adecuadamente situaciones de la vida actual

individuo llegando a modificar a veces sesgadamente su conducta.

pone de manifiesto la influencia que cierto tipo de estmulos,

informacin sobre ellas.

pueden ser modelizados y estudiados en

su Escuela recib mi formacin como psicloga y donde sigo

estudio y modelizacin formal de fenmenos de la vida real que gracias

abordan mtodos formales encaminados al estudio y conocimiento del ser

fundamentalmente en el dominio de la frecuencia tomando como base las

comparaciones entre ambos.

recoge gran parte de

tcnicas desarrolladas en el estudio y estimacin del espectro terico

propone otras que

descomposicin en serie, y el concepto de transformada,

conceptos y operaciones entre los

llaciendo por ltimo una

breve mencin al concepto de espectro bidimensional.

operadores inportantes en la modificacin de seales.

bsicos sobre los procesos estacionarios,

respecto de un proceso estocstico para comprender la descomposicin y

finalizando el captulo con un estudio sobre teora general de filtros

recogen algunos filtros

Se estudian mtodos de optimizacin global.

la ventana espectral para obtener estimadores precisos.

determinacin de la ventana espectral.

las funciones de autocorrelacin

relacin entre el espectro cruzado muestra y la funcin de covarianza

cruzado ptimo del que se analizan sus propiedades,

descomposicin espectral de seales

Desarrollo en series de Fourier de funciones

Estudio del espectro de la funcin de onda

Modulacin de amplitud y fase en funciones

Propiedades de la transformada de Fourier

Funcin delta de Dirac

Propiedades de la funcin delta

La funcin delta en dos dimensiones

Transformada de Fourier de funciones singulares

Transformada de Fourier del producto de dos

Transformadas de Fourier de funciones muestrales

Tipos especiales de filtros lineales.

Filtro derivado y filtros de alta frecuencia..

Filtros de baja frecuencia

Filtros alisamiento de procesos acumulados