Beruflich Dokumente
Kultur Dokumente
"
Contenido
Funci$n de densidad espectral %efinici$n &elaci$n con la transformada de Fourier Propiedades Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales Funcion de densidad espectral cru'ada Estimacion de la funcion de densidad espectral %ensidad espectral de al(unos procesos estocsticos )eneraci$n de reali'aciones artificiales
En el dominio del tiempo* un proceso estocstico +ueda caracteri'ado si conocemos la funci$n de medias ,X -t. / la funci$n de autocorrelaci$n RX -0 . -o la funci$n de autocovarian'as.. 1os procesos estocsticos estacionarios tienen propiedades mu/ importantes cuando se anali'an en el dominio de la frecuencia. Un proceso estocstico +ueda caracteri'ado en el dominio de la frecuencia mediante la funci$n de densidad espectral* +ue es la transformada de Fourier de RX -0 ..
1a descripci$n en el dominio de la frecuencia de una se2al determinista x -t. viene dado por la transformada de Fourier X -3. -/ por tanto* tam4i5n por el espectro* 6X -3.6 .. Sin em4ar(o* no siempre es posi4le calcular la
transformada de Fourier de una se2al aleatoria. 1a funci$n de densidad espectral si se puede calcular.
#
Para +ue una funci$n f -t. ten(a transformada de Fourier se tiene +ue cumplir 1. 1a funci$n es a4solutamente inte(ra4le r
+7
97
6f -t.6dt 8 7
Para procesos estacionarios* la funci$n de autocorrelaci$n se puede poner como@ RX -0 . A E -X -t.X -t B 0 .. 1os procesos estocsticos estacionarios deCan de estar correlacionados para valores mu/ (randes de 0 * esto es
0 <7 R X
lim
-0 . A E -X -t..E -X -t B 0 .. A ,
Si la media del proceso es distinta de cero* se le resta la media / por tanto cumple +ue lim R -0 . A ! X
0 <7
Por tanto
r
97
6RX -0 .6d 0 8 7
1ue(o la funci$n de autocorrelaci$n de los procesos estocsticos estacionarios -con media cero. tiene transformada de Fourier.
Definicin
Sea :X -t.; un proceso estocstico estacionario. 1a funci$n de densidad espectral de :X -t.;* +ue se escri4e como SX -3.* se " r
7
S -3. A
E
r
.e
97
RX -0
9i 30
d0
RX -0
.A
7 97
SX -3.ei 30 d
1as ecuaciones anteriores se conocen tam4i5n como las ecuaciones de Fiener-GincHin en Honor a los matemticos Ior4ert Fiener / AleJsandr GHincHin. Como la funci$n de autocorrelaci$n caracteri'a al proceso estocstico en el dominio del tiempo* la funci$n de densidad espectral caracteri'a al proceso en el dominio de la frecuencia.
Anlisis de procesos estocsticos en el dominio de la frecuencia Funci$n de densidad espectral &elaci$n con la transformada de Fourier
Si estamos tra4aCando con el proceso estoctico :X -t.; / con la Transformada de Fourier -T.F..* serLa desea4le +ue la funci$n de densidad espectral estuviese definida a partir de la T.F. de :X -t.;
X " - .
T .F .
Xt
r -3. A E
X -t.e9i 3t dt
Sin em4ar(o* si el proceso estocstico es estacionario* te$ricamente r 7 X -t. se eMtiende desde 97 Hasta B7* / por tanto 97 6X -t.6dt no
es finita* por lo +ue en principio no se puede Hacer la T.F. de X -t..
97
X -f * T . A "
A E 97
X -t.e9i 3t dt
X -t.e9i
Eft
dt
Anlisis de procesos estocsticos en el dominio de la frecuencia Funci$n de densidad espectral &elaci$n con la transformada de Fourier
. A E -X -f * T .X -f * T
= AE r
T ! T
..
O X - t. e
9i Eft
dt
r
!
X -s.e
+i Efs
ds
= AE
r T
!
T !
X - t. X - s . e
9i Ef (t9s)
ds dt
1a re(i$n de inte(raci$n se muestra en la fi(ura si(uiente -a.. Si definimos 0 A t 9 s* la nueva rea de inte(raci$n es -4.. E -f * T .6 . A E
r T
O X -t.X -t 9 0 .e9i
t ! t 9T
Ef 0
d 0 dt
Anlisis de procesos estocsticos en el dominio de la frecuencia Funci$n de densidad espectral &elaci$n con la transformada de Fourier
t
!
E -X -t.X -t 9 0 .. e9i
t 9T
Ef 0
d 0 dt
A
T
r r A
!
t t 9T
RX -0
.e9i
Ef 0
d 0 dt
Como el inte(rando no depende de t* inte(ramos primero en t / lue(o en 0 . Qa/ dos re(iones de inte(raci$n* como se o4serva en -c.@
para 0 -9T * !. t -!* 0 B T .R 0 -!* T . t -0* T ..
S
Anlisis de procesos estocsticos en el dominio de la frecuencia Funci$n de densidad espectral &elaci$n con la transformada de Fourier
E -6X -f * T .6
A
r A A r
T
t+ 0
= r
9T !
RX -0 .e
9 i Ef 0
! 9i Ef 0
dt d 0 B
! T
RX -0 .e
9i
0
dt
d0
r
9T
RX -0 .e
Ef 0 -0 B T .d 0 B RX -0 .e9i Ef 0 -0 9 T .d 0
!
r
9T
RX -0 .e9i
Ef 0
-T 9 60 6.d 0
1a inte(ral anterior va a infinito cuando T < 7. %ividimos por T para +ue esto no ocurra@ A " E -6X -f * T .6 .
R -0 .e "
X
9i E f 0
T
9T
60 6
d0
T
r
Para T (rande
T
lim <7
T E -6X -f * T .6 . A
"
7
RX -0
.e 9 i
Ef 0
97
d 0 A S X -f .
"!
Anlisis de procesos estocsticos en el dominio de la frecuencia Funci$n de densidad espectral &elaci$n con la transformada de Fourier
Teorema
Sea :X -t.; un proceso estocstico estacionario. 1a funci$n de densidad espectral de :X -t.; se puede eMpresar como@ " SX -f . ATlim E -6X -f * T .6 . <7
X
T
S -3. A lim
"
E -6X -3* T .6
T <7
ET
A (randes ras(os* lo +ue +uiere decir el teorema anterior es +ue* para un proceso estocstico estacionario* el espectro de amplitudes del proceso se calcula como la media de los espectros de amplitudes de las diferentes reali'aciones / se denomina funcin de densidad espectral -como una se2al aleatoria no tiene transformada de Fourier Ha/ +ue dividir por T / calcular el lLmite.. El espectro de amplitudes tam4i5n se conoce como
periodo(rama. Pero el periodo(rama se suele representar en funci$n del periodo* no de la frecuencia -T A "Uf ..
""
Anlisis de procesos estocsticos en el dominio de la frecuencia Funci$n de densidad espectral &elaci$n con la transformada de Fourier
Va vimos un resultado similar en el tema de Fourier@ la Transformada de Fourier de la correlaci$n de dos funciones es i(ual al producto de la conCu(ada de la Transformada de Fourier de la primera funci$n / la Transformada de Fourier de la se(unda funci$n. y -t. A
7
r
97
x -0 .h-t B 0 .d 0
TF
Y -f . A H -f .X
-f .
Cuando h-t. A x -t.* la correlaci$n se conoce como autocorrelaci$n de x -t.. Entonces se tiene y -t. A x -0 .x -t B 0 .d 0 r
97 7 TF
Y -f . A X -f .X
-f . A 6X -f .6
1a correlaci$n anterior es entre dos funciones deterministas. En el caso de funciones aleatorias* tenemos +ue tomar esperan'as / dividir por T lim " E -Y -f .. A lim
"
E -6X -f .6 . A S -f . T <7 T
T <7
"
Propiedades
1a funci$n de densidad espectral refleCa el contenido en frecuencias del proceso estocstico* como se desprende de la relaci$n entre la funci$n de densidad espectral / la transformada de Fourier. Por tanto* di4uCando la funci$n de densidad espectral podemos o4servar +u5 frecuencias son las ms importantes. SimetrLa SX -93. A SX -3.
Se 4asa en el HecHo de +ue 6X -3* T .6 es simetrico.
1a funci$n de densidad espectral es positiva para todo 3. El rea definida por la funci$n de densidad espectral es i(ual al valor cuadrtico medio del proceso estocstico -+ue es constante por definici$n de estacionaridad.@ -3.e r 7 t .. A RX -!. A E SX
d3A
7 97
SX
-3.d
3
97 "#
W X A
r
97
SX -3.d 3
X X
X
7 97
SX -f .df
X A
97
Estas relaciones son importantLsimas. Por eCemplo* permiten compro4ar si est 4ien calculada la funci$n de
es decir* el rea 4aCo la funci$n de densidad espectral -/a sea en radUs o Q'. es i(ual a la varian'a del proceso.
X X
densidad espectral. Tam4ien se utili'an para conocer las unidades de SX -3.. * Si U son las unidades de X (t) * las unidades de S (3) son U2U(rad Us)R *
las unidades de S (f ) son U2U(Hz
).
"?
Por eCemplo* si estamos tra4aCando con aceleraciones* la funcion de densidad espectral se mide en -mUs . U-rad Us. o en -mUs . UHz.
. A ESX -3.
97 7
r SX -3.d 3 XX
97
SX -3.
Edf
97
Si las frecuencias ne(ativas son suprimidas* la funci$n de densidad espectral tiene +ue multiplicarse por dos para +ue se si(a conservando el rea.
GX -3.
SX -3.
3Y!!38 !
"D
Se defi ne n por t a nto 4 posi bl es represe ntaciones de l a d e nsi dad espect ral
Sx(w) Sx (/)
{e)
(a) Gx(w) 2
-----'!'=---
!
Gx( f)
fo
fo=?,;
-d.
-4.
(a) es conoci do como de nsi da d espectral bi l ite ral (two-si ded). (b) es conoci do como de nsi da d espectral u n i l itera l (one-sid ed).
16
Antes de la lle(ada de los ordenadores* los espectros se calcula4an simulando las funciones mediante se2ales el5ctricas. 1a ener(La de una se2al x -t. se define como@
EA
6x -t.6
97
dt
"r
Ai
-t. potencia
1a ener(La total / la potencia media disipadas en la resistencia son@ r 7 r 6i -t.6dt -Fatios. EA 6i -t.6dt -Julios.* P A lim "
T <7 97
T !
"N
Se definen los si(uientes espectros@ 1. Espectro de ener(La. Sea una se2al x (t) con ener(ia finita* esto es*
E= r 27 6x (t)6 dt 8 7
97
Por tanto* se cumple la condici$n fundamental para +ue eMista la transformada de Fourier. El espectro se calcula como@ " 2 E Se conoce tam4i5n como densidad espectral de ener(La. X (3)
6X (3)6
puede calcular su transformada de Fourier. Para calcular el espectro co(emos la se2al entre ! / T /@ " 6X (3* T )6 X (3) = lim
T <7
ET
%e4ido a la semeCan'a de esta f$rmula con la densidad espectral* a SX (3) tam4i5n se conoce como densidad espectral
de potencia.
"P
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
Para estos procesos* las ecuaciones de Fiener-GincHin se suelen escri4ir como S -f . A [-h. A r
h=9NU +" "U
[-h.e9i S -f .ei
9"U Efh
Efh
9"U \ f \ "U
df * h A !* ]"* ] * . . .
Es decir* transformada de Fourier en tiempo discreto -%TFT.@ los datos son discretos* [-h. A :[-9 N B ".* ^ ^ ^ * [-9".* [-!.* [-".* [- N .;*
pero la
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
Va vimos +ue la %TFT se definLa -para datos con tiempo normali'ado* es decir* _t A ".
N9"
X -3. A
k
k=!
xk e9i 3k X
E i 3k
x A
" r
d3
-3.e
En estas f$rmulas* k A !* "* . . . * 9 E "* / 3 est definida en cual+uier intervalo de lon(itud E `!* Ea* `9 * E a. Si utili'amos frecuencias lineales* 3 A Ef * d 3 A Edf * `9 E * E a 9< `9 " * " a -el intervalo de inte(raci$n es cual+uier intervalo de lon(itud uno.* lue(o
N9"
X -f . A xk A r
k=!
"
xk e9i
Efk
X -f .ei
Efk
" 9
df
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
-!* X .
X
w
Su funci$n de autocovarian'a es -
si h A !
! si h UA !
Sw -f
.
h=9NU +"
[w
w 9i Efh
-h.e
AX
9"U \ f \ "U
A
w
G -f . A X
! \ f \ "U
1ue(o todas las frecuencias tienen la misma potencia o son i(ualmente importantes -i(ual +ue la lu' 4lanca.. El ruido 4lanco eMcita todas las frecuencias por i(ual.
"
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
lim
.A
"
"
d$nde " -f * T . +uiere decir la transformada de Fourier de una se2al de ruido 4lanco !k de lon(itud T -si la se2al se eMtiende de 97
Sw -f lim "
T <7
.AX
w
E -" -f * T ." -f * T .. A X
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
1a ecuaci$n de un proceso estocstico MA-+. es@ " t9" t9 q t 9q t x A! Bb! Bb! B^^^B b ! *
w
! -!* X
Eqf
6*
9i Eqf
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
Para poder pro4ar la f$rmula anterior* Ha/ +ue utili'ar las si(uientes propiedades de la transformada de Fourier@
k k
1inealidad
k
z A ax B #y
T .F .
$ -f . A aX -f . B #Y -f .
. .
x e
T .F .
X -f .
9i Efm
k 9m
TF
X -f .
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
T.
" -f * T . B ^ ^ ^ B b q e 9 i
Eqf .
Eqf
" -f *
Ef
" -f * T .
" -f
* T . A " B b"e9i
Ef
Eqf
*T.
-f * T . A " B b"e9i
"
"
Ef
B ^ ^ ^ B bq e9i
Eqf
" -f * T ." -f
*T.
"
E `X -f * T .X A
" "
"
"B b"e
"
-f * T .a A 9i Ef B b e 9i ?Ef B ^ ^ ^ B b e q
9i Ef
9i Eqf
" "
lim
"
E ` " -f * T ."
-f * T .a
Bb
e 9i ?Ef B ^ ^ ^ B bq e
9i Eqf
"B b"e
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
" t9"
w
! -!* X
.
6" 9 c"e
Xw
9i Ef
9c e
9i ?Ef
6 X
w
9^^^9
cq e
9i Epf
9"U \ f \ "U
G x -f
.
6" 9 c"e
9i E f
9i ?Ef 9i 9c e 9 ^ ^ ^ 9 cq e Epf
6
! \ f \ "U
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
X -f * T . A c"e9i
X -f * T . B ^ ^ ^ B c p e 9 i Ef
9c e
Epf
X -f * T . B " -f * T . 9i Eqf
" -f * T .
9i ?Ef
9 ^ ^ ^ 9 cq e
-f * T .
-f * T . A
X -f * T .X "
-f * T . A
-" 9 c"e
9i Ef
9c 9 ^ ^ ^ 9 cq e "e-f * T . -f * T . 9c e
9i ?Ef
9i Eqf
6" 9 c"e
9i Ef
9i ?Ef
9 ^ ^ ^ 9 cq e
9i Eqf
lim
X A
T <7
T .X T
6" 9 c"e9i
Ef
9 ^ ^ ^ 9 cq e9i
Eqf
6" 9 c"e
9i Ef
9c e
W 9i ?Ef
9 ^ ^ ^ 9 cq e
9i Eqf
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
Ejemplo
w
A !t B !t9"*
!t -!*
A ".
X
Para un proceso MA-". xt
w
. A X 6" B b"e9i
A X A X
Ef
-" B b"e9i Ef .-" B b"ei Ef . -" B b B b"-ei Ef B e9i Ef .. w " A X -" B b B b" cos- Ef ..* ! \ f \ "U
"
Anlisis de procesos estocsticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocsticos lineales
t9"
"! P
S -f. `U
M M
UQ'a
K ?
! 9!.D
9!.?
9!.#
9!.
9!."
! f -Q'.
!."
!.
!.#
!.?
!.D
) -f. `U
M M
UQ'a
K ?
! 9!.D
9!.?
9!.#
9!.
9!."
! f -Q'.
!."
!.
!.#
!.?
!.D
Sean X -t.* Y -t. dos procesos estocasticos estacionarios. Se define la funci$n de correlaci$n cru'ada como RXY -0 RYX -0
1a funci$n de densidad espectral cru'ada se define como la transformada de Fourier de la funci$n de correlaci$n cru'ada. Por tanto Ha/ dos de densidad espectral cru'ada "r 7 S -3. A RXY -0 . 9i 30 XY d0 E
S
YX
-3. A
" r E
97 7
RYX -0
.e
97
9i 30
d0
#!
Propiedades
.A
RYX -0
.A
97 7
3 3
97
XY
1as funciones de densidad espectral cru'ada toman valores compleCos. Si X -t. e Y -t. son procesos estasticos con valores reales YX S -3. A S -3. Sea $ -T . suma de dos procesos estocasticos
-3.
-3* T * & . A
"
ET &
6Xm-3* T .6
m="
Evidentemente* esta estimaci$n ser meCor si disponemos de mucHas reali'aciones -& ff.. En (eneral* la lon(itud de las reali'aciones T de4e
Pero tenemos +ue adaptar las f$rmulas anteriores a se2ales discretas. Sean I valores discretos de g-t.* xk A x -k _t.* k A !* "* . . . *
"
N9"
1a T.F. de xk
Xn A N9"
j j=!
n=!
xk e9i
EnkUN
n A !* "* . . . *
O
9"
i EmnUN
6Xn 6 A XnXn
xe xj xm e
N9"
m=!
xme
* n A !* "* . . . * 9"
N9" N9"
9i E(j9m)nUN
j=! m=!
6Xn 6 A
N9" N9"
j=! m=!
RX --' 9 m._t.e9i
E(j9m)nUN
n A !* "* . . . *
9"
h E -
(N9")+r
N9" N9"
h h
9i ErnUN
6Xn6
A hr =9(N9")
s=!
_ t .e
r ="
R X -r
s=r
n A !* "* . . . * 9 " 1a suma correspondiente a s tiene +ue reali'arse primero por+ue est eMpresada en t5rminos de r . 1a suma es E Para E -
6Xn 6 A
N9"
"9
r =9(N9")
6r 6
RX -r _t.e
9i ErnUN
suficientemente (randes
6Xn 6 A
h
N9" r =9(N9")
RX -r _t.e
9i ErnUN
9i ErnUN
N9"
R X -r
_ t .e
_t
n A !* "* . . . *
9"
h
#?
r =9(N9")
.A
r RX -0
97
. 9i
Ef 0
d0
lue(o
.
E
6Xn 6
A
_t
%espeCand o
SX -fn .* n A !* "* . . . *
9"
SX -fn.
A _ t E -6 X 6 * n A !* "* . . . * 9 "
.
/ en rad Us
E_t E
S -3 . A
n . 6X 6 * n A !* "* . . . * 9 "
#D
iasndonos en estas f$rmulas* la funci$n de densidad espectral discreta se puede estimar como S e
X
-fn . A
E _t
e-
6Xn 6 * n A !* "* . . . *
9"
e-
"
6X
n A !* "* . . . *
9"
_t
-fn . A
&
9"
-fn . A _t
&
M m="
6Xmn6 *
n A !* "* . . . *
#K
-fn . A _t
&
9"
es decir* se o4tiene el mismo resultado. Pero lo importante de este m5todo es +ue podemos calcular la media / la varian'a del estimador
1a media del estimador de la funci$n de densidad espectral es@ 7 S -fn . U e E S X -fn . A SX -fn . B ( k) " _f X
k
k="
-_f .
- k B ".- k .=
jj
k SX -fn .
SX -fn .*
n A !* "* . . . *
9"
S X -f n .
-SX -fn *
A estimador.
..
n A !* "* . . . *
9"
&
1as f$rmulas descritas en los apartados anteriores se utili'an para estimar la funci$n de densidad espectral de un proceso estocstico estacionario. Sin em4ar(o* a menudo s$lo disponemos de una reali'aci$n / tenemos +ue considerar el proceso estocstico como er($dico. 1a estimaci$n en este caso serLa@
S e _t
-f . A X n
6 Xn 6
n A !* "* . . . *
9"
Esta estimaci$n es mu/ mala. Por eCemplo* su varian'a es el cuadrado de la funci$n estimada@ (ar
U e
Findodin( consiste en tomar se(mentos de la se2al* calcular el espectro de cada se(mento / lue(o Hacer la media. Al dividir la se2al en se(mentos* disminu/e la resoluci$n en frecuencias del espectro* es decir* la separaci$n entre las frecuencias aumenta. Si la se2al ori(inal est muestreada con _t / tiene ! puntos* / cada se(mento tiene " puntos@ = ( ) ori(inal@ Frecuencia de I/+uist@ f * Se2al nq0 "U t R frecuencias@ = nU(N t) f = "U(N t). f n0 0 n0 0 = ( ) Frecuencia de I/+uist@ f * Se(mentos@ nq1 "U t R frecuencias@ = nU(N t) f = "U(N t). f n1 1 = n1 1 * Por tanto* fnq0 fnq1 * fn0 8 fn1 . 1os se(mentos se o4tienen multiplicando la se2al ori(inal por una funci$n de peso o ventana. Cada ventana introduce un error en la %FT denominado leaka*e. >entanas Ha4ituales@ rectan(ular* Qammin(* Qannin(*
!stimacin param"trica
1os m5todos no param5tricos no imponen nin(una condici$n a las se2ales* salvo +ue sean estacionarias. Si asumimos +ue el proceso estocstico se aCusta a un modelo matemtico entonces tenemos estimaci$n param5trica. Iosotros s$lo vamos a estudiar el modelo A&-p.. Si los datos se aCustan a un modelo A&-p.
xt
1 2 q e9i 2Epf 62 Por lo tanto* si estimamos el modelo A&-p. a partir de los datos
xt e e e A c "xt9" B c xt9 B ^ ^ ^ B c p xt9p B !et * !et -!* Xe .
! \ f \ "U
?!
Ejemplo
w
xt A !t B !t9"* !t -!*
t A "* * #* . . . * * A "!!!!*
A ".
X
_t A !*" s
Estimar su funci$n de densidad espectral. Va conocLamos su funci$n de densidad espectral te$rica Gx -f . A X -" B b B b" cos- Ef ..* ! \
w "
f \ "U
Como conocemos _t* lo ideal es +ue la funcion de densidad espectral est5 definida en ! \ f \ fnq A "U- _t. ! \ f \ "U ! \ f \ fnq
A "U- _t.
1ue(o Hemos dividido las frecuencias por _t. Como el rea 4aCo la funci$n de densidad espectral se tiene +ue conservar* multiplicamos Gx
n
por _t.
_t e E -6X
6 .* n A !* "* . . . * U
?"
) -f. `U
UQ'a
".D " !.D !
) -f. `U
UQ'a
".D
M "
M M
" !.D !
" f -Q'.
" f -Q'.
)
"!!
-f. `U
M
UQ'a
".D " !.D !
) -f. `U
UQ'a
".D
"s
" !.D
"
-f. `U
UQ'a
" f -Q'.
FelcH
".D
-f. `U
UQ'a
".D " !.D !
A&
" !.D !
" f -Q'.
" f -Q'.
Anlisis de procesos estocsticos en el dominio de la frecuencia %ensidad espectral de al(unos procesos estocsticos
?#
xk A
Xn e
i EnkUN
manera +ue verifi+uen la primera ecuaci$n* podemos calcular una reali'aci$n xk -utili'ando la lltima ecuaci$n. con la funci$n de densidad espectral 4uscada.
??
En (eneral* de la teorLa de la transformada de Fourier discreta sa4emos +ue los Xn son compleCos Xn E -6Xn 6
A +n B i%n
n
6Xn6 A +n B
%n . A E -+ . B E -% .
n
Como estamos tra4aCando con procesos estocsticos de media cero* se cumple +ue E -+n. A !* E -%n. A ! En efecto " Xn A
N9"
N9"
N9"
"
k
k =!
xk
9i EnkUN
A
"
"
x sin- Enk U .
k=!
Tomando esperan'as
N9"
E -Xn.
E - xk
"
k =!
cos- Enk U . 9 i
k=!
-%n. A !.
A ! E -+n . A !* E
?D
. A (ar -+n .*
E -% . A (ar -%n.
E -6Xn6 Si tomamos +n
A A
E G -3 _t . E _t G -3
X X n
entonces se cumple
%n
_t E
E -6X 6 . A
_t
-3 . B G
n
E E
-3 . _t
X
A G -3 .
n
?K
N91
tam4i5n es real
= N 91 X N x "O O
N9" 1 x e9i Ek =
cos(Ek)
N
Por tanto tomamos
2
k k=0
k=0
k
(3
XN
!* X2
NE G
2 N
n como se Ha indicado. 1os t5rminos entre n son compleCos conCu(ados de 5stos. Si I X es impar@ = * 0 si(ue siendo la media X0 !.
= + "/n= N9"
2
N91
se calculan (enerando A
N+1
/B
/n= N9"
son
xk A ifft-Xn ..
?N
"!! M
t
! 9"!!! "!! !! #!! ?!! D!! t -s. Metodo FelcH por defecto de matla4 K!! N!!
)
M
"! ! ! "! ! #! ?! D! d -radUs. Metodo FelcH con ventanas Qammin( de D!! datos* solapadas el NDm K!
! )
M
?P