Академический Документы
Профессиональный Документы
Культура Документы
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
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
Mi
Carcia por el
eficaz
Miguel Snchez
memoria.
incondicional
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
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
conoce
el
avance
tanto
terico
De otro lado,
como prctico en el
as
como del
de lograr mayor
El
amplio
sobre
conocimiento ms profundo en
estudio del
Dado
en el
con el
fin
inters
hacia
estos
temas
le
debo
fundamentalmente a
tres
motivaciones:
A
que
al avance de
Matemtica
Estadstica
me
acercan
al
nuevas tcnicas,
profundidad.
a
travs de
mis
Satisteban
vinculaciones
con
la
Facultad
de Psicologa
donde
colaborando
formacin
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
estudio
de
los
modelos
aqu
propuestos,
est
realizado
de
Anlisis
los
Espectral,
mismos
en
si
el
bien se
dominio
del
incide
tiempo,
tambin
en el
estableciendo
la vez que
las
ruido
es
parte
fundamental
en
el
proceso,
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
de
espectros
bilaterales,
relacionando
del espacio,
del tiempo y de
unidimensionales,
sobre
descomposicin
Fourier,
su
se llega a las
unilaterales
los
dominios
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
el
tercer
captulo
se
exponen
los
conceptos
tericos
desarrollando la integracin
representacin espectral
conceptos
sobre
muestreo,
de
estos
procesos.
alsamento y
modelos
Se
dan
importantes
en
tiempo
discreto
el
captulo cuarto
blancos
frecuencias
exponiendo
en
estudian
tambin
algunas
tcnicas
la
Se
la
espectrales,
estimar
modificacin de
exponiendo
la
una
de
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
Se
el
finaliza
captulo
exponiendo
algunas
pautas
tiles
para
la
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
Se
y el
el
dados
espectro
por
espectro
los dos
fase.
cruzado,
tipos
de
Se muestra
la
muestra
estimacin
del
haciendo
espectro
notar
cruzado.
la
necesidad
Utilizando
de
el
-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
Introduccin
1.2.
1.3.
Espectros
1.3.1.
1.3.2.
Espectros unilaterales
Espectros bilaterales
1.3.3,
1.4.
1.3.4.
Espectros de frecuencia
1.3.5.
Conclusiones
1.5.
Transformada de Fourier
1.5.1.
Teorema de
la integral de Fourier
1.5.2.
Teorema de Wienner
1.6.
1.7.
Convolucin
CAPITULO II
Transformaciones de funciones.
Filtrado lineal.
Alisamientos
2. 1.
Introduccin
2.2.
2.3.
2.4.
2.5.
2.6.
funciones
2.7.
2.8.
Filtros lineales.
2.9.
Propiedades generales.
2.9.1.
2.9.2.
Filtros convolucin
2.9.3.
2.9.4.
2.9.5.
3.1.
Introduccin.
3.2.
U
U
U
U
U
3.3.
3.4.
3.5.
3.6.
Introduccin
3.7.
3.8.
3. 10.
3. 11.
Teorema muestral
3.11.1.
CAPITULO IV
Estimacin espectral en procesos aleatorios univariantes
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.
U
U
4.4.2.
Anlisis Secundario
espectros continuos
4.5.1. Propiedades del periodograma modificado
4.6.
4.7,
trales
4.7.1. Expresiones aproximadas para el sesgo
4.7.4. Contraste de bondad de ajuste
4.8.
4.9.
4. lO.
Anlisis
espectral
en proceos
4.9. 1 Medidas
de precisin
de continuos
las estimaciones
espectrales
Papel de la ventana espectral
4. 12.
4.11.1.
4.11.2.
Preblanqueo o prefiltrado
4.11.3.
Mtodo tapering
Elecciones de la ventana
u
U
U
u
CAPITULO V
Estimacin espectral en procesos aleatorios bivariantes
5.1.
Introduccin
5.2.
bivariante.
Propiedades
5.3.
5. 4.
5.5.
Proceso
5.6.
5.7.
U
U
5.8.
5.9.
5. lO.
lineal bivariante.
Funcin de covarianza
mviles
Espectro cruzado
Estimacin del espectro cruzado
Propiedades del
5.10. 1.
estimador
espectral
cruzado
5. 10.2.
1
U
5.11.
5. 12.
5. 13.
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)
que
toda
sustancia
material
c.
una
funcin
que
periodica
cumple
Para
introducir
el
lineal
concepto
ciertas
del
de
una
seal
desarrollo
en
Fourier,
el
unilaterales
pueden
condiciones,
imprescindible
En
unas
de senos y cosenos.
de e spectro
utilizacin
combinando
resulta
de recordar
la
cuyo fundamento
puede obtenerse
fsica,
serie
de
se tratan
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
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
las
convenientemente
transformaciones
aunque no
podan
interpretada,
expresar
Esta
es
teora de
aplicable
1-2
DEFINICION 121.
T y uo
Sea
f(x)
una
funcin
de tal
periodica
de
periodo
en serie de Fourier si
convergente
o
bsen2irnux
f(x)
y S(x)
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.
[f()
f(x)J
y x.
funcin
en un
entonces f(x)
el desarrollo
2w
una
nmero
de primera
Adems si
se tiene que:
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
en serie de Fourier.
-#r--=
LI]
1/2 cos
1/2
L
T/2
nJ
nl
(II]
>1
T/2
-1/2
{~
2nmuxdx
Sabemos que
b{
2nmuxdx
1/2
cos2nnu xdx.
sen 2iimu xdx cos2nmu xdx
O
f(x)
</2
-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
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)
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
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)]
( _____
jjex~
(-
n1
Llamando c
ao
2
obteniendo:
i2nnux)
______
_________
an
ibn
LIII]
______
+
=C
-n
se puede sintetizar
_________
ao
yC
cexp
[i2irnux]
El
Intervalo
en
en forma compleja.
ibn
2rrnu
desarrollo
_____
las
nl
de las funciones
a
o
coeficiente
T/2,
u
u
u
nl
la
trmino a
en serie de Fourier,
de frecuencia
Frecuentemente,
entonces:
por lo general,
si f(x)
T/2]
(x).
Al sinusoide
T/2,
hm
m4
ibn
La frmula
[III]
generaliza
el desarrollo
de Fourier a funciones
-n
Teniendo en cuenta
coeficientes
cn
LIV] C n
Para
una mejor
interpretacin
el
clculo
de
de desarrollo
en serie
los
de
segn
expresin:
r
~] LcIexP[i(2nnux
o
f(x)
LII],
Fourier de f(x),
[VI
T/2
lograr
la siguiente
LI]
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
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)
f(x
A),
f(x)
no es
mas que
una
es:
o
S(x)
A)]
iznnuA]exp[i2irnuxj
Cex~[l2nnux]
CexP[i2ITnu(x
Si lo
A, se observa con f en t,
en serie de Fourier
de f,
C,
estn
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
=
El
teorema de
de
llama
potencia
media
asociada
si
esta
es
una
la
dx.
la
potencia
de
la
funcin.
-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
12-4
periodica
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
~=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[
[>
exp (~i21Tmux)1dx
0o
y puesto
que la integral
o
o
___
m-o
exp
-T/2
1C12
2
N
Si
g (x)
dexp(i2irnux),
nN
siendo d nl
If(x)
If(x)
~ (x)I2dxjJ ~
N
Frmula
Cexp(i2nnux) dx
22
n=N
CI e
S(x)
IC
Iexp Ii2nnux
nN
aproximacin a f(x)
En
la
f(x);
amplitud,
cuyo
valor,
la
fase
en
la
trminos
{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
la
f(x).
veces
se
el
nombre
de
espectros
a las
grficas
de las
funciones previas.
1-3 ESPECTROS
En el desarrollo en
.1
que es:
>
5(x)
ICIexP[i2iinux
un =
Son
as
importantes
como el
las familias de
valor
de la
coeficientes
frecuencia principal
para el
{
U
ICI}nEN y
1
T
.{
~TI}
Estas tres
de f(x).
A y F de Z* R,
f(x).
de
espectros unilaterales,
espectros bilaterales.
si
se elige
la
forma
se
compleja,
fase
se representa la amplitud
unilateral,
se
representa
la
fase
en
funcin
de dicha
frecuencia u.
forma que
las funciones
seno,
tienen fases
vienen
la funcin coseno
relativas
de
ir/2
radianes.
radianes.
ngulos
Los
de
fase
pueden
ser
positivos
negativos.
5(x)
A sen(2ITu x
o
o
A cos(2ITu x
o
o
IT
u
o
3; A
6 y
IT.
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
te
u
u
u
2%.
4
Espectro de amplitud
Espectro de Fase
al
utilizar en ellos la
2.
En
el
espectro
de
amplitud
bilateral,
la
amplitud
para
cada
El
amplitud
u
u
es
igual
para
la
tiene
frecuencia
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
que
>
0,
bilaterales de
1\
LL
u-
lA
0
UD
Campel y Robson
(1968)
utilizados en psicofsica
de
franjas
paralelas,
visual, estaba
oscuras
claras
es
decir
por
<
T/2
<
.<
~1, si
fUe) =f(y.nT)
T/
<
<
sixy+nT;
11
-T 5~
~
T
2
4.
-n
Y
II
-I
T/ 2
If(x)I 2dx
Puesto que
< o
-T/2
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
puede considerarse
esa
frecuencia
quinto, sptimo.
(3u o
suma
como una
7u o
armnico.
12
...
los mltiplos
frecuencias
del
impares
tercero,
Partiendo
del
desarrollo
de
Fourier
de
la
funcin
de
onda
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
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
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
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
O;
1;
O;
1;
la
14
e
i1/~
att.
-3Uo $o
3(Io
(Lo
utilizando
5(x)
-2-e
impar
n~0
donde:
un}
2
>0
s n
.2
sinZO
Ir
un
ser:
Itliatfl
4J~
rl
u
1
15
son
las
transformaciones
imaginario puro.
que
convierten
un
nmero
real
en
1-3-5 CONCLUSIONES
a)
Todas
las
coseno,
b)
funciones
sinusoidales,
se
transforman
en
funciones
coseno
que
componen
la
seal,
en
funcin
de
sus
frecuencias.
c)
En el espectro de fase,
Las
constantes
se
interpretan
como
seales
sinuosidales
de
El
indica qu frecuencias
f)
El
coseno.
g)
Conocidos el espectro de
16
u
u
h)
respecto
real es funcin
y el espectro de fase es
de
amplitud
vara,
pero
f en una cantidad h el
la
fase
del
componente
Si
j)
disminucin
de
la
separacin
de
del
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,
Fourier,
t(x)
Si
8(x)
esto se
Supongamos
mismo periodo
T.
Sea
y h son desarrollables
y u(x)
R-4-1
mediante otra
En el modelo terico
corresponde con
f(x)
lineas
las
en una
recprocamente.
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
distintas.
Uno
u
u
de
los
multiplicadores
17
mas
frecuentemente
usados
en
la
u
u
h(x)
prctica
es
amplitud
de un tren de
la funcin
para
modular
la
o
impulsos
cortos;
adjuntas.
u
u
u
u
u
u
u
u
Figura
Figura 2
La seal de la figura
figura
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
las componentes
de la
El
espectro
de
&
frecuencia no
estn centradas
en cero,
como
amplitud
se
define
en
trminos
de
la
frecuencia como:
A
rl
+
O
nu
en
comunicaciones.
una
variedad
de
Son frecuentes
en fase,
aplicaciones
tales
se
usa
como
con
radar
en radio.
donde
hemos
g(t)
por
cambiado
constante y la funcin
0(t),
Acos L2nA
significar
es
es
o(t)
tiempo,
una
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,
=~
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)
y en esta sentido
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
=
nu)t]
nu)tjj
fl
+~ZexP[i2rr(A
a
donde
los
coeficientes
1/2
exP[i0(t)
i 2nntf~
1/2
u
u
E
u
u
u
u
Si
en serie de Fourier.
No obstante,
si
1/2
VT
>
O;
>
se verifica que
o,
Ih(x)I2dx
<
podemos construir
1/2
en funcin de h,
f
1(x)
h(y)
si x
T,
En este supuesto,
Fourier,
para
y por tanto,
(Tg~)
f
7
cada
nT ;
IyI ~
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
que
f (x>
1
lxi
<
3 T
tal
T ~ lxi,
que
~ lxi,
VT
es
=
= ]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
<
-o
tal que:
h(x)
= fo
c.s.
eI2ITUXg(u) du
=*
-o
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
Sea f(x)
que
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
0+
,J~ ~L
It
Si f es a valores complejos,
x)]
[ f(u)cosFV(u
ajo
0J
entonces:
du dV
.1-o If(x)
dx
<
entonces:
f(x
o.
f(x
o-
1
2n
hm
T
s11
1 ~~
du] dV
f (u) e
La
transformada
de
de una funcin>
Fourier
cuando existe,
es
1-6 PROPIEDADES
DE LA TRANSFORMADA DE FOURIER
h;
esto es si g
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 )
h tiene
entonces
transformada de Fourier y
aTF(h )
bTF(h
y g
TF(h) entonces V u
>
0;
4)
y h
g(u)
3)
ah
Impar.-
Si h
TF(h)
TF(h)
h(x)sen 2ruxdx.
2f
5)
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)
x o (x)
TF(h)
x o ), entonces:
TF(h
8)
TF[h(ax)1
7)
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
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)
= TF(h
12)
= h(x)
), siendo h (x)
1
h es complejo
{-
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
denotaremos
por h
ti
la
funcin h,
supuesto que
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
~iaITush
1
-o
e ~121TUVh
2ITush(S)dSf
(V)dV
TF(h ).TF(h)
-o
-o
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 )
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
sobre el
tema,
y se
En el
de
apartado n- 2 se introduce
facilita
la
matemticas,
continua.
notacin
entre
ellas
comprensin
la
de
de
muestra
importantes
discreta
nociones
sobre
una
seal
de
funcin
delta
en
varias
en el prrafo 4, con el
dimensiones.
Resaltamos
la
la
seal
prxima a la emitida,
se completan en
que
recibida,
para transformarla
en una
seal
Estas
ideas
el epgrafe 6,
corresponden
muestras
con el
tomadas
sobre
seales
continuas,
son
los mas
destacando
el
importantes
concepto
de
operadores de
amplificador
26
modificacin de
ideal
as
como
la
seales;
conexin
-1-
8(t) Lg(t)]
g(t) 8(t)dt
g(O)
o,
o
g(t)
por
8(t)dt.
Esta
operacin
produce
el
mismo
resultado
que
el
que
origina
la
=~
F (t)
O
A la
ya que
sit~O
funcin generalizada,
g(t)d F (t)
se
u operador 8(t)
g(0)
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
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
= Senx
x
,
8(t
y desarrollando
- nT)
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
= hm
1T/2
NTOO
o,
a infinito mas
(2N
1)17
g(t)
sen(2N + l)TT/T)pt
Tsen(ITt/T)
-1/2
iLE
T_,
tienda a infinito;
haciendo que T4
o;
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
__
senQT
_____
~~o hm
21
_
29
senx
E
-eQ
dx
x
1
]
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~
hm sen 2t
itt
igual que
8(t).
iw(tt
[r2
Anlogamente,
wtdt]
-2
).
1. Derivabilidad.
Suponiendo que
que
la funcin g
es
derivable
es
nula
en
en
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
Ademas:
30
podemos
(1) gnl(0)
S~o
-o
simetra
-o
cuantas
u
E
da>
u
u
Hm
obtener un importante
la integral
u
u
u
u
u
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~
4.
realizar el
g[t.)
cambio de variable
apropiado.
III Integral
Si
recordamos
00
W8Wd
gsss
g(s)dF (s),
como g(s)
hasta t,
-o
=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)
de funcin de Heaviside.
claro que
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
en cuenta,
para
ello,
que
funcin
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
J
00
00
Co
g(x,y)dF e
J __ J
,y 1
0
-00
(x,y).
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
x(t)y(t
r)
Sean X(A),Y(A)
respectivamente,
el objetivo es
hallar
la
transformada de Fourier de
W(t)
e 12V t X(A)dAj
00
Para obtener
12V
(t+t)G(?J
____ )dA
-00
multiplicamos
ambos
-o
obteniendo
5- 5 5
-1211(A
-A-Mt
e -I2ITAt
X(A) Y(A)
dAdAdt
o,
{~, 5
-I2ITAt
32
u
u
o
=5
Cuando
el
producto
14(t)
X(t)y(t
x),entonces
A),
debe
ser
).
_____
Y(A -
-00
x(t) y(t+A) dt
-1217V
,j
X(A) Y(A) e
dA
(+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
situaciones,
la
funcin
y(t)
-T o =t~T
en
el resto
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
En
cuando w(t)
~00
Si y(t)
se expresa como:
una
donde a
dA(Frula
se
~arsevaj
-I2ITAA
X(A)
consecuencia
00
-o
x(t+A)dt
u
u
u
u
u
u
1
El
por el
corresponde a
la suma de dos
u
u
u
u
u
u
u
u
u
u
seales,
propiciado
una v(t)
que
es
x(t) que
la verdadera
esto es:
x(t)
v(t)
la
tres
funciones,
que
la
r(t)
es
propia
transformada de x(t
transformada de v(t).
tiay
Se suele
viene
Si X(A)
la
5-
propia
En
)y(t),
sentido
se
la
e~1 2A~x(t)dt
X(A),
este
su mdulo
X(A)
A(A)
su
argumento e(A).
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
de
la seal
t )dt
2-8
En
)y(t
x(t)
otra direccin,esto
hecho de multiplicar
esta
transformada
seccin
suponemos
que
todas
las
funciones
tienen
de Fourier.
>
o
34
u
u
u
u
tal
que
su
X(A)
VA
O;
transformada
~ A
Fourier
= TFLx(t)]
X(A)
es
tal
que
Si
x(t)
=5
i2ITAt
X(A)
dA
-A
o
Se puede
de
Schwarz:
ro
Ix(t)I s [2A ~
1/2
Ix(A) IdA]
(2AE)
donde E,
u
u
u
u
u
u
u
u
u
seal x(t).
u
u
u
(t)
= JcAo
-A
<rl)
2un. 1
2A0
2n
2n Ej 1/2
>~
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
(i2irA) e
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)
00
i2irnm)
x(A)
00
que
x(t)
.1
x(A )dA
1211At
sustituyendo
en
la
00
,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
la
reconstruir
la
seal
continua
x(t)
con
el
solo
1
36
u
u
conocimiento de la
que X(A)
seal
1T ~ 8,
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
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
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
filtro
lineal
significa
que
transforma
u
u
37
u
u
tiempo,
continua o discreta,
Definicin
Un filtro
lineal F es
la entrada x(t);
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)
~ax(t)
entonces
F[x(t)]
u
u
u
u
u
Exigiremos
expresion:
u
u
u
u
u
tpico es
u
u
u
Un importante
temporal,
aleatoria o no.
tambien
la
Z_aF[x(t)J
de conmutacin de F con
propiedad
el
lmite,
nco
tipo de
F[
2 ajF[x,(t)1
hm
El
2ax(t)]
~ax(t)]
= ~ a>F[x~(t)jJ
j=1
ya
que en unos
este
Ej
En
el
que x(t)
caso
hecho
representado
mediante
la
La
que
de
particular
iAt
queda
accin
del
x (t)
A
filtro
F,
elAt
sobre
tendremos
x(t),
queda
38
~(t
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]
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
x(t)
aAe
T(A)
decir si
= ~ A IT(A)
representa una
frecuencia de
la
seal
Las
funciones T(A) y
filtro lineal,
x(t),
la
IT(A) y
O(A).
O(A),
se
denominan
ganancia
fase
del
respectivamente.
en
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
--
II
F[x(t)J
rl
rl
Si
c O T(A O )e
T(A rl >1
x(t)
<
Ant
es una funcin
real
tal
que
entonces
funcin de
cuadrado
xt)dt
<
-00
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
28 T~os
De
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
de
dt
se
=iAe
obtiene
que
u
u
u
O(A) =
siA~0
17/2;
17/2
40
si A
<
u
1
las
frecuencias
pequeas,
acta
amplificando
atenuando el efecto
el
efecto
las
frecuencias altas.
Un filtro se
atena o disminuye
de
mientras que
El punto A
las
se
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
es un filtro lineal,
= 5
h(t
u)x(u)du = y(t)
que:
FhCVx(t)
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
que h(t) es
Dirac,
que
de
la
funcin delta de
a integrar respecto de
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
<
acotada.
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
hc
para
u<O
Un filtro
efecto
de
frecuencias
de baja frecuencia,
las
altas
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
mediante
espaciados.
de
la
acumulacin de
material
en
tiempo
es
discreto,
tiempos
los rboles,
se
igualmente
los troncos
representamos
por
X(t)
el
u
u
42
proceso
en
tiempo
continuo,
el
u
1
Y(nT) = 5
X(u)du
unT
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
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
{Te~
o
Av
dv = e
-Ar/2 sen(AT/2
AT/2
amplificadores
fsicos,
son
dispositivos
cuyo
objeto
es
El
modelo matemtico
sobre
la
entrada
= CX(t
ti
un
filtro
lineal
cuyas
funciones
de
O(A) =
G(A)
43
de alcanzar el objetivo
Esto
ha hecho
ideal
sobre un amplio
posible amplificar
con
rango de frecuencias.
precisin
seales
previamente
z(A)
fase.
Tambin es
____
O(A
interesante
la
funcin desplazamiento en el
cuya
(IT(A) = T(A)~J
tiempo
ganancia
desplazamiento
de
la
fase
de
un
filtro
F,
entonces
F1ej
= G(A)e
En
el
y A son funciones
ejemplo
armnicos
misma cantidad.
se
han
2,
dA) =
desplazado
x,
hacia
impares,
que
atrs
significa
en
Los
el
una funcin
que
todos
tiempo,
en
los
la
t(A) es
filtros
simtricos
no
son
impulso es simtrica.
realizables
salvo
que
sean
CX(t).
u
u
u
Rl
Si
y F
1
son filtros
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
filtro
lineal
con
de
sobre
funcin
de
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
O;
de
bajas
altas
frecuencias,
se
pueden
,componer
u
u
u
T (A)
filtros
transferencia:
u
u
dos
bT (A).
son
entonces
ejemplo, si F
T(A) y T2(A
),
= E es un filtro
bF
10
Los filtros
u
u
entonces a F
Por
= {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
tiene
2
fi;
jo;
IA
s A
el resto
El intervalo LA 1 ,A]
cada F
entre A~
1
Es
<
(E1
las
frecuencias comprendidas
5
2
interesante sealar
que
todos
45
los
filtros previos se
pueden
u
u
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
se
han
investigacin.
desarrollado,
histricamente,
La primera de ellas,
dos
tratado
que
Generalizado,
public
Wienner
(1930)
aplicado a Geofsica.
de
lineas
sobre
y se culmin con
Anlisis
En este importante
Armnico
trabajo, qued
multivariantes
temporales
sus
aplicaciones
tanto aleatorias,
no
se
se
extendian
modelo
como no
aleatorias
o deterministicas;
comprendan en todo su
de
series
significado
las
series aleatorias.
El
matemtico
la
segunda
linea,
al
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
En
gran nmero
de
fenmenos
reales
que
47
admiten una
modelizacin tanto
determinstica
como
aleatoria.
Trabajos
mas
recientes
dedicados
desarrollan
estimacin
este
captulo
procesos estacionarios.
exponemos
los
conceptos
tericos
sobre
los
En el
33
estocstico,
se
desarrolla
exponiendo
la
una
integracin
serie
de
respecto
resultados
de
un
bsicos,
proceso
para
el
informacin
35
se
estacionarios,
desarrollan
los
amplindose en
conceptos
[36] con
los
bsicos
sobre
resultados
procesos
relativos al
se explica
captulo con un
estudio
sobre
teora general de
filtros lineales.
En los epgrafes [3-21 al
(Preprint).
48
Sea
<2
t.
general.
>
teT
un
proceso
estocstico
valores
complejos
en
que E(2 ) = O;
podemos suponer
t.
construiremos el proceso:
t.
= 2(t)
m(t)
321
Si
2(t) = X(t)
representamos
iY(t),
se
llama
fucin
= E[X(t)X(s)
E[2(t)2(s)]
Y(t)Y(s)]
iE[YtXs
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
<
consideraremos como
o.
bsico el espacio
2P(dw)
<
o}
= {2:Q4jELzI2 = 5 2 121
es
decir
el
espacio
de
variables
En
aleatorias,
definidas
sobre
el
y por tanto
1/2
= [EUDj
49
el
producto escalar
Por
tanto
la
convergecia
en
medio
cuadrtico
no
es
mas
que
la
<.
321
E~Hz(t)I
<
si y solo si:
hm EZ(t
h-*O
ti)
Z(t
= O
si y solo
).
Demostracin
EZ(t
y(t,t
h)
h)
2(t ~
o
= i(t
3t,t).
Tomando
h)
Z(t o >12 =
h,t
h)
lmites
2-(t
h,t )
o
cuando
ti
h-*0
hJ
hm hm E [22
h40
h40
= hm
entonces es
h,t
h,h40
Corolario 3-2-1.- Si
2-(t
entonces:
continua y,
adems,
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
0.0.
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
o.
_____________
c.s.
h-*O
Teorema 32-21.
7(t) es
Si
derivable
en
media cuadrtica
tal
___
Teorema
3-2-22. 2(t) es derivable
en
cuadrtica en t o
en media
t,
si y
00
Puesto que:
0+ht
[4t0~t0hj
4t0
tht
h,t0
2[t
h~t0)
4t0~t0j
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
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
integrable en La,b]
si y solo si
2(t,s) es
>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
Ef
Si
2(t) es
intervalo finito
4t,s)dsdt
2)
La,b],
de
t,j~
Por tanto
estocstico
u
U
proceso
rl
que
un
= OSiSr-
<2(t)>
52
entonces es
integrable en
todo
media
cuadrtica en [ab)
Demostracin
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)
La,b],
S(t) es
[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
TEOREMA
1
1T
Si
2(t,s)
J~()
continua
O equivale a
a...
Vt,
Vs
Z(t)dt
rco
Demostracin.
es
se
cumple
que
m.c. ~
El resultado se desprende de
E~4
...L
2(u)du~
5T
i(t,s)dsdt.
~o %
Sea {Z(t)}
un proceso estocstico,
al que EII2(t)2]
<
o.
2(t)
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,
teT es F(t)
F(s) = E7(t)
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
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
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
la
integracin
de
una
funcin
no
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
un
rl
Cj2(t
=0
,
2(t)]
-
y,
E[f~(t)d2(t)fh(u)d2(u)j
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
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
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)
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
~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
~fbg(t)d
existe7(t)
si y solo
si
[{
~(t>
i=0
Z(t
)
I+1
(t
j+
2t)]}
de las particiones
tienden a cero.
y {t;}
Sin
( t )
.3
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]}
es mayor
o igual que:
E
un
g(t )1{F(t)
1 =0
rl~1
mx
.3 un 1Ifl
t g(t )]{F(t)
.3
1 g(t)
dF(t)
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)
5bg(t)d7(t)
si
existe,
el
en particular,
cuando ambas
dF(t).
a
5g(t)dZ(t)
~g(t)(2(t)
hm E
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
en
el
caso
de
la
demostracin,
respecto
a 2(t) ser:
E[f~(t)d2(t)5h(s)d2(s)]
a
= fbg(t)h(t)dF(t).
a
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
respecto de un
s
4
58
2(t)E?VtER.
Representamos
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
en el
Consideramos ahora
el
2(T
espacio
ti),
vectorial
en
prediccin
el
funcin
valor
de
de
la
posible a Z(T
h)
de
como
fi (T)
esto
o;
T}.
predecir
lo
por
<
sentido de
que
sea
lo
ms
ti)
proxima
de forma
II
sea mnimo.
o)
fi
se
co)
fl
fi (T)
TEP
el
espacio
engendrado
por
<Z(t)/tER>
representa
12)
la
evolucin
o).
fi
o)
= U (+
o)
o)
22
es
o)
En el
22)
fi 2 (-
32)
O~H 2
1~r caso -1
(-
0*14 2 (*
cofrH (+
o)
o)
o)
contiene toda la
o)
= O,
59
el
En
regular.
tercer
Vamos
procesos
caso,
el
proceso
se
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)>
puede
escribir
indeterminstico
1(t)
1(t),
puro
<
siendo
ambos
0(t)
incorrelados.
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),
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
(-
(-
por
VTeR,
(-
co)J-1
(-
co);
(T);
VTeR,
fi
(-
<
o)
ser fi (-
o),
VTcR.
0
t.
t.
,
(T)oH
00)
indica
= fi
U
, (+
o)oH
(1
o)
1U
entonces.
, (~
o)
60
fi (T)oH (T);
VTeR,
cual
tanto
fi (T) = fi
debido a que fi
14
lo
o);
que
=0
observemos que
14
D(t)EH 2 (T)
significa ortogonal.
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
(-
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
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
[7(t)]
estocstico tal
que E7(t)
<
o,
Vte[a,b],
Pretendemos
=>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,
12
= EY
k
tengamos:
k
o
~Af(t)f(s)
K~1
61
sean
vlido
u
u
u
u
u
siguiente
Vn
Por P
u
u
rl
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,
tenemos:
f (s)ds.
b
s)f (s)ds
>
.3
Af(s)
A f (t)
kJ
forma que A
sera
.3
un
autovalor
a g(s)
le
hara corresponder
y(t,s)g(s)dsh(t)
a
El
u
u
u
u
u
1
u
u
u
u
2Ia,b]
L
operador
que
hemos
{f: [a,b]
citado
est
definido
sobre
o.
espacio vectorial
y que
engendrado
si
por
{ f}
los
del
operador
3(t,s)
~ Af(t)
f<s)
< 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
{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.
los
una
base
o r tonorma 1
del
nulos. Definimos
Y(w)
5Z(t.w)f(t)dt.
=8
O y E[Y(w)Y(w)]
nun
V,
un
TI
Llamando 5 (t,w)
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
5 (t,w)
TI
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
. .
2
.E
(a
TI
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
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).
u
u
u
y solo si EIZ(t)L
E[Z(t
a
<
VteR
r).Z(t)j
RCr); VtcR y
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
Sea
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
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)
u
u
u
u
u
En general,
es un proceso de incrementos
supongamos que
ortogonales,
tal
tal supuesto,
7(t)
que
su distribucin asociada
En
e$tAds(A)
fo
- o,
El proceso 2(t), est compuesto por una suma superposicin de
armnicos de los distintas
frecuencias.
E[Z(t)Z(s)]
Siendo R(O)
lo
que
Se
indica
llama
que
la
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
representacin espectral
de
estacionario
7(t)
de
etAdsAy
el
es continuo por
la
Ii
proceso {S(A)}
llama
su espectro.
Si
5(A)
u
u
u
u
u
se
1
F(t),
fi(O)
la
fi(o),
obtenemos la funcin
funcin G(A) se
llama
funcin de distribucin
banda de
frecuencia
Lg,A]
la
varianza
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).
Comenzamos enunciando
el
teorema de
Boctiner,
que utilizaremos
despues
TEOREMA 36-1
(Bochner).-
una
funcin
es
continua
continua por
o
RUt)
la derecha,
eiTAdF(A).
o)
O;
definida
no
real, no decreciente y
F(+
co)
Con
este
resultado
podemos
abordar
el
problema
de
la
media
estacionario).
Si
{7(t)}
cuadrtica,
es
entonces
un
proceso estacionario,
existe
un
proceso
continuo en
de
incrementos
ortogonales
o
itA
~coe dS(A)
2
Ademas
ES(A)
S(g)
E(A)
si
F(g),
Mt) se
Vg
A,
entonces
la
itA
e
dF(A)
R(t)
Demostracin.- Consideremos
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)
>
un operador entre fi
s)
E[2(t)7(s)]
5-
A(Z(tjA{2TfljdF(A)
Para
e l<t~s)dF(A)
y G
F~
o,
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
una
.1
aleatorias 2,
tales que
hm
y>
TI
0. C.
entonces Ehi
00
AUn)
2 = 5
forma que
-o
AUn TI )
converge
llamaremos,
en
la
norma
de
COF
hacia
un
lmite,
que
Las propiedades de
la
convergencia
en
media cuadrtica
indican
= 5
A(n)A(n)dF(A),
-o
n1
A()
25
-00
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
(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
E[(S A -S A )(S A -S A
2
EISA
5A
se tiene
fi:
23
(A)
g~(A)] dF(A)
y,
2 =
que
eltA
-J
.3l
<.
(g)
<
siendo
itA
g(A)
F(A )F(A )
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
itA
con la norma de G
Sea
7(t)
(g)
itA
Por tanto
-1
.
3-6-1.
dSA
(e
z(t)
68
proceso
estocstico
u
u
u
u
u
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
=
.3=1
nl
ai2(t)
para
a=i,
a1
J,k
p(t)
acotada.
tendremos
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)
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
p(t)
JoeiAt
dF(A) e
aa
dF(A)
dO(A)
u
u
u
u
de
que
manera
jk1,2.
aadF
.3 k
,TI
.3k
(A)
~O
Es
decir
que
Intuitivamente
dF
.3k
(AH
mide
la
importancia
relativa que
.3k
(A)]
ma t r i z
la
69
tiene
mientras
u
u
u
u
(A) dF
jjh
arg dF
(A)
kk
.3k
u
u
u
u
u
u
u
u
u
u
u
u
u
1
70
))
Sea
continua
El teorema
r(t).
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
F(O)
ya que F(A)
fF( A) si A < O
Y(A)F(O) si A
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})
TEOREMA
tR
37iSea
un proceso
(2)
hm
Ttco
r<te
con la funcin
{Z(t)> y F(A)
su funcin de
(1)
estacionario,
tMdt
5(g)
F(g)
S~~-) y
- F(g-)
71
para b fijo, y a-
00
~1
u
u
U
1- 2(t)eItUdt
iimm. c..~3
5(g)
- S(g)
__
-ng
S(g)
F concentra
frecuencias{An}nE7 (enteros),
7(t)
entonces
n~z
IArlt(S(An)
S(An)]
Enunciaremos,
sin
demostracin,
algunos
importantes
resultados
cuando
PROPOSICION 381
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
S(A1)
proceso
VA
de
incrementos
~ A.
TEOREMA 382
Un proceso estacionario
{Z(t)}t~R,
3u
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
<
381
00
prediccin de 2(t
ti,
Sea fi
z
a)
o)
fl
t>.
conociendo el proceso
sobre H (t).
z
+ t)
tsR
Un proceso se
14 (t)
14
o);
Vt.
o)
O.
TEOREMA 3811
indeterministico
puro
si
slo
si
2(n)
uU
~ajy(n
j);
siendo
>j
aj2
<
3=0
TEOREMA. 3812
Un
proceso
estacionario
discreto
es
5
TEOREMA. 3813
log f(A)dA
Un proceso
>
u
u
3=0
{y(n)}
es
73
u
u
u
u
u
u
u
~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
<
IY(u)IueR
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
-~
continuo
-o
logf(A) dA
>
Vu ~
tiene
si
slo
si
su
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
que satisface
un
proceso
real,
estrictamente
(2,a,P)
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 1 es
<~I~f~S
f(t
U>
es trictamente
estacionario
significa
que
para
P(S
todo
conjunto
).
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
TEOREMA. 391
Si {X(n)>7
<
co,
entonces
X(i)
u
u
u
hacia E[X0/X
VI)].
siendo 1
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
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-);
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
de
la
obtenida con
el
muestreo
es
importante,
ya
que
la
serie
problema que se
intervalo de muestreo,
espectro
por
el
otro.
plantea es
como seleccionar la
formalizar
u
u
original.
seguro
proceso estrictamente
casi
converge
76
este
razon o
aproximacin de
problema,
un
necesitamos
u
u
u
u
a
u
una
modelacin
Consideremos que
intervalo de
muestreo
proceso
en
X(t)
debilmente
es
estacionario.
equiespaciado.
Se llama
razn
Sea
tt,
el
de muestreo,
al
La serie
X(t)
= 5
(K)
tt
X(Ktt)
eIALS(dA)
la
O, 1,
representacin espectral
del
proceso
~ (K)
j~00
IAktts(dA)
en A,
Aktt
____ (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
un
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
Si
F(A)
tiene
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
rango
rango,
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
el
frecuencias,
espectro
tomando
del
una
proceso
razn
de
X(t)
est
muestreo
acotado
apropiada,
en
se
las
puede
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,
podemos
deducir que:
X(t)
co<t<o;
78
E__
mismo
E
E
u
u
u
<
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
>
La
para IAl
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
~ A,
espectrales
del
311
X(t)
un
proceso
debilmente
estacionario
eltAcis(A)
= 5
B
79
es
sena
Por hiptesis
u
u
u
que
de esta funcin.
eAAt
u
u
de
D(dA)
funcin
este
de
periodica,
u
u
u
u
la
tal
que
su
u
u
u
u
u
u
<
U~X(t)}~ U(X(u)]>
< X(t
s),X(s
X(t), X(u)
= <
>
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
hm U(Y)
00
00
por
es
M(X)
el
espacio
un operador
de
lineal
Hilbert
sobre este
Un
filtro
lineal
F,
en
si
mismo;
cumpliendo
es
una
transformacin
lineal
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
entonces los
u
u
u
TEOREMA 31111
Ademas,
lineal
si
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
80
F (x0
Nota
la
funcin
T(A)EL
se
la
llama
son
isomorfos.
funcin
de
Demostracin
Sabemos que
F (X(O.
a>
L (2,a,P
)jeL(O.a~P).
L (R,E,F
2
Puesto que
(x(o
T(A)dS(A,a>)
= 5
a>)]
=5
eIALT(A:ds(A,w).
H
Para
ello,
un
Cauchy T (A),
puesto
que
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>)
[g
g(A)dS(A,a>),
51 endo
fi
fi
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),
00
Por tanto
=
5g(A)dS(A,a>)
hm
TI~~*
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
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
T(A)dS(A,w)
TI
TI
Como
kEKrl
00
rl~~*
hm
hm
TI
00
okCKrl
una
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
u
u
u
u
u
~ g/ 51g(A:I2dA
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
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
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
filtros;
justificandose
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
frecuencias
espectrales
u
u
representacin
ms
representar,
frecuencias
de
emisin de
la
mediente el
proceso estacionario
relevantes,
de
dichos
procesos.
energa
X(t).
de
otra
seal,
Dedicamos
el
que
se
captulo
las
mide
IV
de
filtros
amplios,
especiales
de
ruidos
blancos;
que
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
densidad
propiedades.
espectral
de
Conviene destacar
procesos
la
de
estimadores
presentacin
naturales.
de
las
El
discretos,
analizando
modificacin de dichos
estimadores
apartado
propiedades
sus
7 est dedicado al
muestrales
de
los
estudio
estimadores
84
u
u
u
u
u
u
u
u
u
de dichos
continuos,
procesos.
El
mediante
intervalo
muestras
razn
observaciones
de
muestreo es
que deben
cumplir
la
ventana
espectral,
estimadores
para obtener
completan algunos de
los
la
destinados
longitud
de
frecuencias.
los
eleccin
registros
de
los
tamao
que es desconocida.
estos aspectos,
parmetros
de
muestral
los
En
especialmente
la
ventana,
la
intervalos
de
tcnicas de preblanqueo
prefiltrado y el
Se finaliza el captulo con el apartado 12,
destinado a exponer
u
u
El
discreto.
trmino filtro
Su principal
tiempo discreto.
Se
digital
significa
un filtro
en tiempo
pretendidos
u
u
lineal
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
00
[422]
se
C e
-IA.3
;
<
A ~
uu
2iz
B(A) 2dA
__
-17
Por tanto,
u
u
E(A)2dA
como
<
co,
tiene una
Si
los
pesos
de
fuerte
CI
<
los filtros
entonces
satisfacen la
el
filtro
condicin,
tiene
una
algo mas
funcin
de
.3-00
u
u
u
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
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
u
u
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
00
A(2)
.3
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
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
st;
E1
siendo
el
inverso
de
E,
=-00
entonces
A(A)
~(B)
es
el
filtro
lineal,
con
funcin
de
transferencia
Y(t)
A(B)X(t).
Y(t)1~
EEu( t) Y(t)]
es E[u(t)
17
ideal Y(tY
k>t-1
E~f
eAt[ANt(A)
A(A)]Zx(dA)
F(dA).
[ik=~-N
lineal
con
entrada X(t)
= 5
e At C(A)Z (dA)
= 5
At
Z(dA),
funcin de
transferencia
-IT
t=1
con Av
despus
[4
1]/2
~por
la
217v
N
multiplicando
s u
5~j~jJ
funcin
de
transferencia
C(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
c(t);
O;
con
media
comn E[r(t)]
o y
[431]
X(t)
donde
constantes
son
reales.
ac(t
enteros
En
j);
no
negativos
general,
se
O;
1;
dice
2...
los
que
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
ver
La versin
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
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
u
u
No obstante
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
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)
b~(t
= 2
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.
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
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
[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
[4-3-21]
~dX(t
___Cke(t
k)
donde
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
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
con
a2
/2
d eIAk
j0
<
co,
aeIAk
.3=-co
.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
del proceso
X(t) es igual a:
f (A)
OCkeAk
A(A)I 2
.3=0
Sean
co
<
<
o,
X(t)
equivale
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
funcin de Y(t);
(A)/f (A)
xv
realisticamente,
filtro
en
lineal
ambos procesos
la funcin de transferencia
E(A)
aproximar
E[X(t)
siendo x(t)
de
filtro
lineales
tiempo
Por
dado
tanto,
X(t
u),
t,
solo
de
algn u ~ O;
disponemos
que
u)
Y(s),
esto es
L~(Y(t))]
t.
lineal
engendrado
{Y(s)/s
93
t}
resuelve
el
u) sobre el
problema.
El
u
u
L
filto
donde
es el
u
u
u
u
u
PL~
=
Li
El filtro
de filtrage,
<
<
o}
u)
sobre el
y P es la proyeccin sobre el
t}.
envezdesobreY(t).
Su
(A)/f (A),
xl,
y la salida es
(dA)
X (t )=fe
-17
Si
Y(t)
tiene
una
mviles,
con
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
u
u
u
u
C1eIA.3;
j=o
eIA<t+IocA)z (dA)
= IT
-it
donde D(A)
C(A)E(A).
d(t+uj)
.3
00
t}
EE{c(s)s
t},
la
solucin
al
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.
dj
=
.30
Li
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
[441]
X(t)
Acos(A t
c(t).
1=1
influencia sobre
valor de
X(t),
que
representa
un proceso de
El
conjunto <A
1
. . .~
<~
1
>
las
A,
...A
fases
>
representa la
<A
..
>
frecuencia de emisin,
las
amplitudes
de
los
distintos armnicos.
podemos operar
X(t)
[Acos~cosAt
Asen~senAt]
e(t)
=T_ [AcosAt
BsenAt]
c(t).
Dadas 4 observaciones X
X,
...X
de un proceso estocstico,
N
R}
;{A}
donde a
95
que
Supuesto
conocido,
mediante tcnicas de
podemos
estimar
el
resto
de
parmetros
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
no hace facil la
resolucin de
cuando se
las
ecuaciones
m
1
m
2
supone
son de la forma:
m
2itJ
N
...
1,
enteros;
2,
.
se
entonces
facilita
notablemente
la
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
q < [4/2]
Vp,
Vq enteros.
<
[N/2]
<
[N/21
O; p
N par
96
N/2;
u
u
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
BsenAt].cosAt
~;]
Cov(A~
las frecuencias
y que:
u
u
uu
u
[AcosAt
ZhcosAtcosAt
t.
Se
puede
estimaciones,
. .
2k
..A
son desconocidas.
desarrollar
un
proceso
iterativo
y E
1
~1
1)
para
mejorar
las
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
(~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
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,
y se coloca E.C.M.
A,
se
sustituye en
*
E.C.M. (A,
A ).
A,... A ];
k
3
no se puede hallar tal A.
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
1 (A)
{A(A)}
t4443
A(A)
{B(A)}
2
y E(A)
definida para
1
N
N siendo
XcosAt,
XsenAt,
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
A(A)
2N
yB(A)=
2,
2N
B.
tun
de dibujar m versus
2rnit
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
los
periodograma
una
[N/2]
buscar
es
...
jj
se pueden aplicar
la
los
resultados.
TEOREMA.4-41.
aleatorias
2o~
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
E(s)
X(t)X(t
podemos
escribir
el
t=1
R(S)cos SA.
I (A)
5z <NI)
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)
N1
2 (NO/2
sen 2
sen (6/2)
5- <N1)
loo
(1
Is
N
cos sO.
A >1
2
A)J
Aunque
se
observen en
el
periodograma una
serie
de
picos,
no
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
nos proporciona
),
la
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
TEOREMA 441-1.S
[
r
F (z)
Ii
L
La
/21
)/a~.
N~
-z/21
funcin
de
distribucin
de
la
v.a.
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
prctica es desconocido.
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,
frente a
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
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
1 .
es cierta,
es:
E
5 (z)
a y decide -1
si
tal que
,
y fi
si
bajo
la hiptesis de que
>
a
m
2ir
Whittle
suficientemente espaciadas,
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)
frecuencias
o s m s
del
[~];
modelo
en otro caso,
1
Llamando S
prximas
al
las verdaderas
conjunto
A
<r)
donde 1
ni
IK/2]
Z
es el
[441), estn
que
<r>
(A
1 N (A ni
TEOREMA
4-413
distribucin de 5 r
Rosenblatt
(Grenander,
La
funcin de
Fq (z) = 1
1957)
(r l)Jj=1
j(n
jz)1
siendo
el
es:
mayor entero
j)
menor que hz .
distribucin
se
La
u
u
u
u
E
el modelo
nmero de trminos
aplicar
el citado modelo.
estimacin
espectros
de
discretos.
las
frecuencias
Para
facilitar
modelo es:
103
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
conteniendo
mT
observaciones
cada
grupo.
Para
el
ssimo
(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
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
tendremos la aproximacin
104
u
u
1
u
u
u
tang
B/Aj
Si
y E
A)SmT
(mod. 2iz)
2
evaluamos
y dibujamos
~
5
(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.
<A(A)>2
<E(A)>2
=
t=1
siendo
AX (A)
~ X
cos At
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)
u
u
tcnica
de
optimizacin
local
el
gradiente.
Dicha
tcnica
siguiente proceso:
105
es
que
utilizamos
en
el
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
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
Si UCA )
ko
N
ko
0,
>
evaluariamos
1 (A)
ko
2sN
en
los
puntos
MA +t
. . .
para
u
u
u
u
u
u
u
u
Cuando
k
~
UCA kO,
se
evalua
1 (A)
en
los
puntos
___
A=A -t
para
N Q~~>
N
El
decir
es
La optimizacin
en los puntos MO,
optimizacin local,
y un valor
un mximo
extremo del
intervalo
[ir,n]
en el
relativo
dos mximos relativos,
el
106
un
u
u
u
u
u
u
uu
u
u
u
u
u
uu
u
u3
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],
Todo
proceso
estacionario
discreto
integrable,
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
puro,
comn
Adems
{D(t)}~
es
un
proceso
determinstico
que:
logh(A)dA
>
~;
hecho
que
>
c.s.;
en todo el
-IT
intervalo
it,
ir).
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
lo expuesto,
X(t) =
[451]
a)2
~.
<
j)
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
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
R(n)cosAn,
1 (A) = 2
n-
(A)
=
H
A
1(A)
se
4iz
se tiene que
(N-1)
1 N (A)
E[I(A)]
=
(N-I )
E[R(n)]cosAn
108
(1
nl
N 3~n,cosn
n=(N1)
R(n)cosAn = h(A)
ri= <141)
Frmula
que
dice
que
para
cada
A,
1 (A)
es
un
estimador
La
frmula
previa
se
puede
obtener
tambin
por
el
siguiente
procedimiento
Sabemos que
h(e)cosnede.
IT
R(n) =
.ir
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)
se concluye que:
14
[455]
EJjI(A)]
.1
h(6)F N (e
A)de = h(A)
o(
log
-IT
A)
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
14
2,/A)!2
(z;MZAJ
y,
como consecuencia
E F~A)
1
J
IT
=
F$2 ~
F(e
Ale
(14+1)
<6Ada
14
A)E[dB2
(6421
-it
=1
ir
E 14 (e
A)h(6)de
-IT
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,
110
____
____
____
las frmulas
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
u
su
comportamiento
es
extremadamente
errtico,
debido
los
siguientes hechos:
1)
Como funcin de A,
>
[451]
o,
X(t) =
a~e(t
j)
es
claro que
T(A) =
~j
a = ~
siendo
5 (A)
5 (A)
los
procesos
de
incrementos
ortogonales
Nx
(A)
T(A)t ~I
NC
(A),
T(A)I
e
2ir
ir 5
5~,
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
a2
NC
(A),
(1955).
Para
precisar
esta
aproximacin,
enunciamos
seguidamente
una
TEOREMA 4521
(Priestley)
Sea X(t) un
o,
[451]. Si
entonces
~,
E[I~(A)Ij
= 0(l/N)
uniformemente
son independientes y
en
A.
E[e(t)~]
Adems,
< o,,
si
las
variables
entonces
__________
TEOREMA 452-2
(PRIESTLEY)
Sea
[ectr]
<
~,y
= a
o,
~
laIInIa
<
~,
por
= 0,
a> 0. Entonces:
Mx
(A)
1~
1
2ITh (A)
x
NC
(A)
IR (A)
14
teorema previo,
(2irk/M)/2ITh( 2~kj}; k = 0;
1;
2;
. . .
1H12]
O y k
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),
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) =
1/&r4
2
6/a
sen (4
2
sen (6/2)
[i
~IT
F(A
A)
F(A
A)}
con dominio
ir
s A s
it
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)
Siendo
e = [E(e~)-3] y 4>(A) =
En particular,
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)
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
de frecuencias espreas.
u
u
u
u
u
u
Es
sorprendente
la
inconsistencia
de
(A)
como estimador
de
Mx
las autocovarianzas
R(n) en el calculo
(A);
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
autocovarianzas muestrales,
aunque
la
varianza del
el efecto acumulativo de
1
Una
u
u
u
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
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
El
u
u
u
u
u
como
estimador
frmula:
[462]
h (A)
h (A)
o
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
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
1
~
~(~){+r
5
r,z-(N1)
ir
r(ONAe)de
siendo
-IT
W(e)
(n
n=- <14-1)
*
Como vimos,
Mx
aunque la
integral
(A)
N(6)(AO)dO
= 5
-IT
la ponderacin de
la autocovarlanza
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
tener
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
debido
1).
Mx
un
f1
-~
v(n)cos no
(141)
ir
lag window) y a
ventana espectral.
{~
11
A(S)
si
S~ 5M
~
> M
1
2it
cos nO
5-M
sen M
-1.2
sen(6/2)
[ D(O)
M
117
exp( iSO)
aD(6
(1
2a)D (6)
aD(e
VENTANA DE TUKEY-HAMMING
{~
54
A(S)
0,46 cos(ITS/M)
si SI
VI
sX
SI
Su ventana
>
VENTANA DE TUKEY-HANNING
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
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
->
3M
(115)2
sen(nS/M
irS/M
cos (irS/M)
Mo
11
W(e)
35
IX
si
le ~ ir/Si
si
IAI>ir/M
2 es:
Su ventana retardo
*
IR (5)
A (5)
A (5)
R (5)
sugirieron utilizar
________pSI
4
con o<p<1
+
plSI
120
u
u
u
u
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)
tal que
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
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
24
h2(O)W
e){W(A
14(A
e)
14 (A
14
e) de
-IT
>
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
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)]
W2(O)dO
-IT
o,
+
11
(0 it)h a (A)
A
ZA~ (S)}
1>
h(A)}
O
VA
*A.
1
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
hm
11
K (u)du
o,
o,
y adems
coy {h(A, ), h(A)}] 0;
VA
hm
*A
1
o,
Sea
5(A)
= E
[A(A)
h(h)]
el
sesgo
del
estimador
h (A).
14
{h(B)
h(A)} VI
14(A
e)de
log 4
{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
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.
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,
~
1 =
que
(N/Mr)~>oo.
5 (A),
Tomando lmites,
se observa que el
cuando
lim
I1K(u)1
v~4o
~~uI~J
o,
en la expresin anterior de
ya que
14
tienden
cero,
segn
tiende
cero
0(51),
en
A,
uniformemente
No
>
o,
<U>51
rfl~ R(r)erA,
1 y1
que
mayor
~1
-iyA
1JIR(~)e~
H(A)
h(6)dG,
Mt
ti~~> (A).
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
muestral 4.
funcin fija,
acotada
El I(4>)VI(o
A
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
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
-n
= A
I(O)d(6)
-IT
~:
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)
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
3}
acotada
es
claro
que
2AWodo
o
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}]
Los valores de a
se calculan de tablas.
mx
o5A5it
IT
2
N
<1)
siendo A
(a)
y a el nivel de significacin
Un estimador
natural
de
E (A)
es
FI (A)/ S~,
+
donde S~ denota
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>
muestra
el intervalo
<
aleatoria
ordenada de
[0,1]; la distribucin de
La distribucin emprica de
4(x)
es
Cm>
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
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
[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
Si
(z)
es
X(t)
X(t),
de
u
u
sobre
que
nos
iA
a
B(e
)
permite describir un algoritmo
h
resultado
= Y(t)
(A) = h (A) /
de la densidad espectral.
interactivo
para
Dicho algoritmo se
__
Paso 2.
u
u
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
Modificar A 14 (5)
en
4-7-1
por tcnicas de
129
de
tal
forma que
se minimice
el
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
diferencias
Y(t)
= X(t)
j=1
~ h><(A),
El
B1(eiA)
It
en
el
paso
del
algoritmo,
se
puede
los valores de
A,
estimando
parmetros
regresin
los
adecundolos
habituales.
los
autorregresivos
En ambos
casos,
es
por
h~(A)~
procedimientos
conveniente
ir
y
de
modificando
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
[ySl conviene
lmites
es
procesos
pendiente
para
de
gran
inters,
autorregresivos
investigaciones
La diferencia
para
sobre
futuras,
el
como
proceso
estimar
130
ver
la
u
u
u
u
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
~;
discreto
una
muestra
14
rl ~X(t)
j(xt
rl)
xJ s ~
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)
U
U
un
proceso
integrable y
podemos
estacionario,
con funcin de
muestrear
de
parmetro
continuo
densidad espectral
(observar),
el
proceso
h(A).
X(t)
cada
cuadrado
Suponiendo que
tt
unidades.
X(t).
Para
resolver
adecuadamente
este
problema
debemos
u
u
La
forma
matemtica
de
la
ventana
2)
131
u_
retardo
A~ (r),
de
su
u
u
3)
El
valor de
tt,
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
X(t)
{~
etAdz (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
frecuencias
Este
[itAt.
hecho
se
IT/At].
debe
que
en
ha
representacin
espectral
del
u
u
u
u
u
las. funciones
conjunta,
iAt
,
[A,2Ituttzlt
ya
132
___
__
que
contribuyen
de
forma
del proceso
hy(A)
th~IA
2k171
1
Yf
IT
IAl ~ KV
si
It
Si
IAl
resulta
Ao ;
que
existe
>
que
h (A)
x
razn de muestreo At
~IT
siendo
IT
posible,
es
-.~
la meyor
para
= O
siempre que la
razn de muestreo
A la frecuencia
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
i,
de
flj
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.
Llamando
V(A)
var(h(A)J
ses(A)
= E{A(A)
ti(A)}.
Parzen
El
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
EMCP(A)
F.4-varlAcA)11
L~JJ
A (O ~ it)L[K(u)duS
es (A)
RP (A)
Ya]j~f
K2
(u)du
}ita
<r>
K<r>
51
51<> (A)
tenemos que:
_______
[u<r> (A)] r
u
u
u
ti
1~
(A)
__
5=o,
SI
R(S)e
funcin u
(A).
E.M.C.P~(A)
frmula
u
u
u
U.o,~J
(r~a~
134
u
u
u
U
Una
ruido,
tercera medida
de precisin,
S4RIA(A)
u
u
epgrafe
previo
se
deduce
Ahora bien u
seal
al
por la frmula
que
la
cantidad
u <r> (A)
afecta
como de EMCP(A).
y por
relacionando
anchura de banda
esta cantidad
dos
A1
ti(A)1
= A2
concepto
fsico
<
<
con el
de
la
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~
trmino de
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
cuando
se
utiliza
un
nucheo en
la
= 0(1/Si r
O(m/N) y Sesgo(h(A)
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.
E[h(A)]
11
ti(o)VI(A
o)dO
2ff
1A. h(O)do
14
>
lA
Al,
y A
y 51 es suficientemente pequeo
12
y A
se
U
U
U
mezclan
conjuntamente
resolubidad en
la
A2
estimacin de ti(A),
mediante h(A),
A 1 ~ 51. Este fenmeno va unido al
ptica
otras
ramas
de
la
fsica,
que
(por ejemplo
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
(O)
estrecha,
lo que
si
la anchura de
14
definir adecuadamente
consecuencia,
se
el
obtiene
concepto de
que
haya
anchura de ventana,
varias
definiciones
de
como
dicho
(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
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
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
(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,
donde r
es el mayor
entero para el
cual eh
finito y no nulo.
U
U
AV
u
U
u
u
u
cuya
C{ ~r
K(r>
2V6
{K(r>}
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
fijo,
no
se
tanto
si
elegimos
51
puede
obtener
constante,
nos
simultaneamente
bajos
la varianza y al
pequeo
para
tener
anchura de ventana.
una
varianza
pequea,
Este hecho
u
u
principio
de
incertidumbre
de
estimacin
espectral
como:
La
E INTERVALOS DE FRECUENCIA
1)
u
u
U
139
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
(prescrito) de resolucin,
varios picos;
A
<
1
1;
la estrategia
estimulacin tenga
determinando despus
un
para obtener
por ejemplo
en
las frecuencias A 1
A 2,
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
banda,
ventana
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
<
<
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)
V(A)
a ti(A)
REa
ISes(A)I
ti(A)
evaluada por:
411U)
(A)
ri ~
LK2udul2
<rl1
____
_________
51r
[u
(A)]
K<r>
(A)
hm
{ ~~}
existe,
siendo
ti
<rl (A)
<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
<r)
(A)
inferior,
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,
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
se obtiene
RE (A)
51
~
AV
A~
AV
A
~12
rIM
aw
=
{RP(A)
651
~{
AV
A
}2}2
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
Si conocemos
este es fijo,
u
u
u
no podemos
conjuntamente
y a
la
estimar
ti(A)
de
tal
la serie temporal y
forma
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
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).
~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,
La
parte
espectral
U
U
U
U
es
mas
dificil
de
estimar
las frecuencias,
de
una
funcin de
muy afilados.
En
densidad
esos valores de
la constante 51,
h(O)VI(A
O)do
entonces h(A)
-IT
independientemente de W
u
u
W(o)dO
1-IT,
(O),
IT]
consideraciones,
el
mtodo
de preblanqueo,
Si
llamamos
Y(t)
a(k)X(t
k),
ha
relacin
entre
las
It
Si
IH(A)I
donde FI(A)
= ~
It
a(k)eAI<
blanco,
tendriamos que
ti (A)
FI(A)? 2 h (A)
y por tanto
143
___
___
____
____
____________________
FI(A)Iocti I (A),
x
ruido
u
u
cuestin que
u
E
nos
informa
sobre
la
dificultad
de
elegir
un
filtro
adecuado.
si h (A)
debe suceder
que {a(k)}
largas,
hecho que
kCZ
no puede ser bien evaluado con los datos X(t), a menos que se disponga
u
u
h x (A)
FI
O)do
Eh valor esperado de
ti(A)
se
E[h(A)]
117E[;,x; (O)lVIii(A
h(A)W(A
-IT
No
obstante
O[(logN)/N]~
eh
sesgo
debido
al
periodograma
que
es
del
orden
u
u
u
144
).
No obstante,
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
hX
t1,2,
tt
(fader)
...N
datos ventana.
espectral
de
X(t),
se
reemplaza
el
periodograma
VIYct)
= ~ 1/
fi
(o)
por
14, xx
hX]eAt
siendo
R
cuando
= 1
Vt
d (MI
FI =
2it
14
Para ver el
coincide
con 1
(O).
14, Xx
suponemos
que E(X )
iAt
= O
dZ(A)
-it
d(A)
H(6
-IT
= 717
)12E[dZ(A)a]
fi(OA
717
2h(A)dA
FIO
A)1
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
5~ <141>
siendo Ih
para
= 1,
ti
IH(6)I 2
s}/4) y 14(4>) es
= F
(o),
Fourier de VI (4>).
14
~ sea positiva.
1;
. .
2;
4-12
4.
ponderada
truncado de la figura 1.
t = O;
ELECCIONES DE LA VENTANA
u
u
de
= ~(t);
por
VI (A
N
6).
Si
consideramos
el
periodograma
u
u
u
u
u
u
e
>1
Fig.
146
observamos
u
u
que
tiene
un
lbulo
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
E[h(A)]
contribucin
que
de
los
afecta
Ejjh(A)]~
para
fuera del
lbulo principal,
contribuir ah valor de
(leakage).
tomar
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)
de
M=
u
u
u
u
E{A(A)
h(A)}dA
147
A)
a
[r.ixliA&x>ti(A) I}] dA
ti(A)I
>
ej
Ve
O,
>
la
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
f
-
K2(u)du
1
512 r
o,
Kr}{ u<rkA>}ar
<r>
se define como
=
m_
siendo
50l~r
r el
mayor entero
para
el
cual
el
orden
r.
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)
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,
CK
{5K2(o)dO}.{502K(o)dO}
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)
u
u
u
u
es
constante
E[(X(t
ti)
J(X(t)
p(ti).
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).
de
segundo
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
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
-
4>T4>)~14>T[4>0
Y]
AY
o)(o
0) = AIAT
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
proceso Y(t)
3
U
)-t-
[i
entonces el
estacionario.
2)
la
transformacin
[
B~] [xt]
= Y(t).
a Y(t)
en un proceso
estacionario.
3)
Si X(t)
es periodica
4)
(2r+ i)(x(t
r)
2r
. .
X(t)
Y(t)
2r
X(t
Su).
__
u
3
u
u
u
1,
se puede eliminar
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
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,
U
U
transformadas
de Fourier.
5.2.
BIVARIANTE. PROPIEDADES.
Sea
la
serie
de
tiempo
bivarante
observada
{X (t),X (t)>
1
U
U
3
3
3
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
152
funcin
y
de
segundo
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
(u)
xx
EF(X(t)g)(X(t+u)ji)l
LZaaaJ
22
x x (u)
12
y(u)
La
2xx (u)
funcin
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
(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,.
diferentes
quiere
estudiar
posibles
ha
interaccin
de
medida
escalas
entre
dos
diferentes
procesos
con
varianzas,
es
(u)
12
_____________
12
(u)
______
(0)-y
(0)
22
1)
p(u) = 1
que muestra que la variable
y(t)
=
a
2-) pju)
(u)
la funcin de covarianza.
5.4.
En
lineal y X(t)
continuos,
sea
X (t)
la
entrada
para
un
sistema
h(uPX (tu)du
2(t)
154
u
Si
y(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
tiene la expresin
2 12~~
(u)
_____________
donde y
(O) se obtiene de
siendo u
22~~
0. En procesos discretos,
= o,
r=O
hrXit~r+Z(t)
ti ~
(kr);
0~1;2,
r=O
2 2
o,
(k)
o,
tihy
(k+rs)+Y
(k);
kO~~1;2,
o
_
5.5.
(O) ~
(O)
u
U
155
U
U
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
varianzas a
y
a2
2
(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
ti
(u)
~X(t)
11
1(u)
(u)
*2(t)
X (t)
ti
22
(u)
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
decir
u
U
U
156
u
U
E[2(t)~
Las
2(t)]
= O;
Vt,t
i =
1;2,
1,2
(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
U
U
expresiones
respuesta
impulso
bivariante
anteriores
Id
u
u
posible
con
una
generar
funcin
ajustando
un
de
la
modelo
funcin
aleatorio
covarianza
cruzada
es decir
E[Z
5.6. PRoCEso
El
proceso
ti
Id
(u)
cr(tt)
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
que
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
(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
tiene
la propiedad de
que
como
autorregresivo
se
de
defini
primer
en
el
orden
captulo
univariante,
tercero
es
decir,
el
proceso
un
proceso
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
discreto el
est
dado por:
=a
u
u
u
u
u
X
X
a
2t
+a
21
+a
lt1
+2
+2
22
-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
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
ti
.41-]
Yxx(u)
xx
y solamente
la
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
-T/2
12
-T
-T/2
siendo
jiT/2
1,2.
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
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
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
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~~
(T-ufl/2
21j+K(t]kdt
U2+UI) .2(vt
Haciendo el cambio vt
r, t
T/a
1/2-u
1/2
1/2u
11
-1/2
u
u
u
u
u
u
u
U
162
-T/2
Regln
>
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
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
amplitudes
A1
A2
diferentes
fases
4> 1
4>2
respectivamente.
captulo anterior,
es:
a
C
xx
II
X(f)
T
______
i=1,2.
cruzado
U
U
u
u
cf)
X (f)X
C
(f)
xx
164
u
donde el asterisco,
u
u
u
seales reales
con
= A1
X (t);
1
1,2
y E
positiva
impar.
de Fourier
son
Cf)
lE
(f)e
transformadas
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
12
(f)
F (f)F (f)
(f)
A (f)~A (f)/T
12
El
espectro
cruzado
muestra
(f)
puede
escribirse
como
eh
la
12
las
serie,
componentes,
se
frecuencia,
asocia
en
con
otras
para
un caso
(f)
particular
amplitudes
grandes o
series.
2(f)
es
de
frecuencia
pequeas
una
para
funcin
en
la
una
misma
positiva
de
U
U
expresin
alternativa
para
165
el
espectro
cruzado,
dado
por
u
u
u
U
iF
C
(f)
Cf)
(f)e
la suma de
una parte
12
= 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
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.
(f)
12
(f) = A
12
cos
12
Cf)
mide
la
122
covarianza
de
las
una
es
12
componentes
(f) = A
(f) sen F
12
mide la
covarianza de las
(f)
12
La
transformada de Fourier de la
funcin de covarianza
decir,
que
la
funcin de
autocovarianza
cruzada
muestra
el
*
C2 cf) =
2llf(tt
x (f) Txa (f)
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
la transformada de Fourier de
la
(u)
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
U
U
(L(f)iQ(f))e i2flfudf
(f)cos 2flfudf
impar de f.
Haciendo u
= O
Q
12(f)sen 2flfu df
se tiene que
c
(O)
L(f)df
O da la descomposicin en funcin de
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
(u)
y se verifica que
(u)
12
(u) =
5.8.
U
dos
ric(u)
la]
(u)
12
siendo q12(u)
u
u
u
=
12
[c~u~
c(u)]
proceso
aleatorio
estacionario
bivariante.
Se defini anteriormente el
coespectro.
Para hacer
esta estimacin,
se define el
estimador
del
o,
u
u
u
Cuando T-w;
(~
IyIjYxx(u)
168
i2rlfu du
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,
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
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]]
(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
EA
y
= E[B]
= O
=
ni
Var [A1]
Coy [A. 8]
Sumando,
varfjn]
1,2
Coy
[A. A] =0
Coy [A1 8]
Cov[E.R]
Cov[E.A]
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
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
es:
A 212 (f)
~
C(f)2
= L
212
12(f)
2~ =
1(f)3{
c(fYc(f)
IZ2(f)
u
u
independientes,
se
4A2 (f)
2
y (f)
12
=
a-
22
a
1
2C
_
(f
11
variable aleatoria
_____
_____
,2C
(f)
22
1
~a-
Entonces:
E[Y2(f)]
E[aPE[b]
E[Y~(f)]
64
ab
ha
tiene que
U
U
a y b independientes que
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
ser A
rango
arctang
de
:~a~;~
arctang
~2:iI:i~2
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
5.9.2.
MUESTRA.
1!)
U
U
Para un proceso no
frecuencia armnica f
Normal
de ruido blanco
y la
ni
E[L2(f)]
= A2(f)
= O
E[Qjf)]
= (f)
= O
(f),
11
(f);
22
(f),
12
u
U
U
incorrelado
174
f
2
u
u
u
14 K
04
<>
a
+a-{W ()+W (+)
u
u
u
u
u
U
U
u
u
<a>
04
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
11T(f
sen flt(f +f
2
1
2
-_____________
HT(f +f
1
en
el
caso
K 4<1)
continuo.
2
2
1/T
sen TIT(f f
Nsen TTA(f +f
1
K 4<2)
son
ruido blanco
respectivamente,
de
f1
la
f,
longitud
del
recorrido
T,
entonces
el
estimador
5.10.
2t.
It
=2
at
at
Entonces
y
(K)
[z.z]
= O;
VK
2
2
A 12 (f)+q 12
175
cf)
it.
u
U
Esto implica que el espectro amplitud cruzado es siempre nulo y
espectro
fase
es
indeterminado,
uniformemente en el rango
(-11/2,11/2),
aunque
est
por lo que
distribuido
la diferencia media
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
=
u
u
(f)
a
A
12
(3o- 2
:i
4>(f)
= O
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,
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
u
U
r la (f)
E
(f)
11
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
(f)
cf)
i4>
cf)
H(f) = 0(f) e i4>(f)
12
Las expresiones para ganancia 0(f) y fase
12
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
{J
i22(u)
cf)
Cf)
4>(f)
(f)
12
(u)
(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
Al
argumento de
llama
espectro
coherente cuadrado.
Cuando E
(f)
la
= O,
22
de salida es
multiplicado por el
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
________________
1 2 (f) E (f)
1+(E
_____________________
22 (f)/G
Esta
igualdad
muestra
que
la
coherencia
cuadrado
es
pequea,
es pequeo
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)
(u)
(v)h
(v+u)dv
+ a-2
= a-
1.:
12
(v)h
22
(v+u)dv
E 12 Cf)
De
aqu se
2~
a 1 FI 11 Cf) FI 21 (f)
ha
a, 212
FI Cf) fi 22 Cf)
estimacin
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
u
u
u
u
i,J
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
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
aumentar
espectro cruzado
correccin o
el
recorrido
muestra aumenta,
T,
la
por lo
del
varianza
que
es
hacer una
cruzado,
utilizando
espectral
w(u)c(u) e~i2flfudu
180
del
necesario
el mtodo de ventana.
Cci>
estimador
u
u
siendo w(u) la longitud de ventana.
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)
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)]
ri
U
U
L12J
de donde,
EIC(f)
Ti
~}~o, L.
sen flTg
.~
tITg
(fg) dg
12
la
muy pequea,
y C 12 Cf) es
un estimador
la ventana espectral es
insesgado de E 12 (f).
La media
E[C(f)]
u
u
w(u)(l
14(g) E
-Y-jr
(fg) dg
(u)ei2nfu du
12
cr>
12
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
(f-g)dg
@ Cf)
12
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
T
12
(f) es
ventana
aproximadamente
espectral,
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
(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
la
covarianza
MT,
estimador
corregido
se
obtiene
I/T,
12
(f)
L 12 (f)
12
(f)
~ cf)
u
u
u
F(f)
arc tang
E 12 (f)
2
12
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
aunque A 12 (f);
sesgo que se
por
2]
22
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]
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
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
2T
a~
121
K2
12
Si X
y X
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
varjvi]
(i
K~
2J
u
U
Var[K]
resultados
anteriores
o
o
Coy [,K2]
Los
muestran
que
la
varianza
de
estos
En general,
es uno,
fase
Las propiedades de
cruzada
(incontrolada)
muestra
del
mejor
los
estimadores de
pueden
conocerse
espectro
185
los espectros
amplitud y
mediante
influencia
coherencia
K2J
12
Coy
u
u
propiedades siguientes:
U
U
por
la
la
influencia
u
u
5.13.
frecuencia
U
U
U
U
U
U
h(u)e i2flfu
~11 ~
donde C
12
(f)
entrada y
es el estimador
la salida,
y ~E (f) es
el
estimador
la
entrada.
El
estimador
de
h(u),
funcin
respuesta
impulso,
se
obtiene
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)
ecuacin
(uv)dv;
integral
transformada de Fourier:
U
U
estimando
de hCu)
obtenida
mtodos espectrales a
la
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
12
Cf)
11
donde
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
Cf)
A
=
Cf)
corregidos
La estimacin
de
la
12
asrctangC1>(~~
funcin
respuesta
(f)
frecuencia
por
otro
lado
es
u
U
U
u
u
187
RIRLIOGRAFIA
AKAIKE,
FI.
C1964)
response
functions.
Ann.
Inst.
Statist.
Math.
Suppl.
III,
15,
517.
AKAIKE,
1-1.
(1967)
Some
problems
cross-spectral method.
AKAIKE,
FI.
C1969b)
Power
FI.
C1973)
Gaussian
(Ed.
in
the apphication
of the
Inst.
saximum
autoregressive
likelihood
moving
407419.
identification
average
modeis
of
Eiometrika,
60,
255265.
ALI,
51.51.
(1977)
Analysis of
autoregressive moving
MM.
(1978)
Corrections
to
average
models:
64.
anahysis
of
autoregressive
moving
and KAWATA, T.
(1968)
T.14.
Estimation of Parameters of
T.W.
modeis
Vol.
(1977)
in the
domains.
moving
The Ann.
of
average
Statist.
5, nR5.
ANDIRIETTI,
F. and CANEGALLO,
0.
(1984)
Acc.
Lincei Rend.
LXXVI fasc. 4.
ANDRIETTI,
F.
estimate
(1986)
of
Evbaluation
indirect
power,
LXXX,
L.
fasc.
(1966)
of
the
spectrum:
Att.
Acc.
variance
of
Application
particular
to
spectral
s.VIII
6.
Random
Power
Series
Statistical
Lab.
RM159,
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
to time series
BENDAT,
iS.
and
A.G.
Ser.
(1980)
8, 19.
Engineering
Apphications
of
0.
(1967)
Limitation
of
Fourier Analysis
J.
Mathem.
Mecti. 17.
BIRBAUM, A.
R.P.
Math. J.
BOCFINER,
5.
15.
and CHANDIRASEKI-IARA4,
Duke
G.E.P.
and
19.
K.
(1949)
Fourier Transforms
Ann.
JENKI4S,
0.51.
(1976)
Time
Series
Anahysis:
(1968)
CHATFIELD,
C.
Probability Addison-Wesley.
(1975)
Ttie
analysis
of
time
series,
theory
and
(1961) On sorne
classe of
nonstationary processes
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)
Analysis
are
M.R.
and NIONTINGALE,
analysis
lEE.
Processes
J.M.
(1972)
Proceeding
189
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
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
5.
HARTLEY,
Oliver
joint
in
Statistical
HANNAN,
and
methods
NR.
Theory
Cambdrige.
and YATES,
Agricultural
GOOD51AN,
Press,
to
Introduction
(1969)
University
FISCHER, IRA.
introduction
Applications.
FISI-IIIAN,
An
considerations
the
analysis
of
spectral
analysis
of
3.
PIRIESTLEY,
518.
(1957)
in
Ser.
Crossspectral
B.
The
19.
analysis and
the
estimation of
In serles
analysis.
Spectral
analysis
Wiley,
New York.
JENKINS,
0.51.
and
VIATTS,
D.C.
(1968)
and
its
Proc.
Hoy
DA.
Soc.
JUIRY,
(1978)
London,
El.
T.
Autoregressive processes.
A. 360.
John Wiley.
KAWATA,
NonLinear.
New York.
(1972)
Fourier analysis
in
probabihity
theory
Academic
51.G.
(1946)
Charles-Criffin Vol.
The
avanced
II, London.
190
theory
of
statistics
KOOPMANS,
L.FI.
E.
and
SETEVENS
apphications
PAGANO, 51.
Ann.
(1974)
C.F.
Rey.
(1977)
Spectral
Biophys. Bioeng.
A.
(1965)
processes
PARZEN,
E.
and
its
analysis
Probabihity,
1.
randon
variables
and
stocastic
Mc CrawHill.
(1957)
Cm
consistent estimates
of
ttie spectral
density
28.
PARZEN,
E.
PARZEN,
E.
(1963)
PARZEN,
E.
(Kristinahah, Ed. ).
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
M.B.
(1963)
The spectrum of
PRIESTLEY, 51.8.
T.
(1982)
On the
GR.
inference
and
9.
its applications.
CFI.
detectability
(1979)
of
Influence
small
signals
of
in
data
white
window.
noise
Stiape
Bul.
on
Labor.
Li.
(1962)
The
Foundations
of
Statistical
Inference.
FIE.
and KEDEM,
8.
(1989)
Higher
order
Crossings
Spectral
ON Informat. Ttior.
FI.
(1985)
Vol.
IResolution
36 n- 2.
bias
errors
191
in
spectral
measurements,
density,
IV.
Time
SCHMIDT,
fi.
(1985)
blas
errors
in
spectral
FI.
(1985)
frequency
Resolution
response
Apphication
to
and
bias
firstorder
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
density,
measurements,
(white
errors
General
347362.
coherence
order
in
function
systems
1:
347362.
errors
coherence
density,
Standford.WHITTLE,
Linear
Dept. of
P.
Least-Squares
and
(1963)
Methods
0.14.
function
(1973)
for an
The
behaviour
integrated moving
60, 235.
192
of
the
average
sample
autocorrelation
process.
Biometrika,