Espectral Del Oleaje

UNIVERSIDAD DE LAS PALMAS
DE G R A N C A N A R I A
\
Departamento de Fsica
MTODOS
DE
ANLISIS ESPECTRAL
DEL OLEAJE
Estudio Comparativo
Germn Rodrguez Rodrguez

Departamento de Fsica
Universidad de Las Palmas de Gran Canaria
.-"'i
Prlogo
Esta memoria es presentada por Germn Rodrguez Rodrguez, en el Departamento

de Fsica de la Universidad de Las Palmas de Gran Canaria, con la finalidad de
alcanzar el reconocimiento de su suficiencia investigadora, requisito para optar al
grado de Doctor.
En este trabajo se presenta un estudio comparativo entre las diferentes
metodologas utilizadas comnmente en el anlisis de series temporales de oleaje.
Evidentemente, las conclusiones obtenidas a partir de este estudio son extensibles a
cualquier otro rea de la ciencia, en el que sea necesario estudiar fenmenos con un
comportamiento estocstico y cuya interpretacin en el dominio frecuencia! resulte
adecuada. Son ejemplos conocidos, la ptica, la Acstica, el estudio de ondas
en plasmas, la Ingeniera de las comunicaciones, la Geofsica y la Meteorologa, la
Econoroa, etc.
Su contenido se desarrolla en dos captulos. En el primero de ellos se presentan
los fundamentos y las metodologas de anlisis espectral de seales aleatorias, para
los diferentes mtodos de estimacin espectral considerados en el trabajo, haciendo
especial nfasis en las especificidades de los procedimientos del clculo automtico,
as como en los mritos e inconvenientes o limitaciones que cada una de estas
tcnicas presenta. En el segundo captulo, se presentan los resultados del estudio
comparativo. En l se contrastan las caractersticas de los diversos mtodos de
anlisis espectral empleados. Para ello se utilizan registros de oleaje real y series
temporales simuladas, partiendo de modelos espectrales tericos de oleaje.
Germn Rodrguez Rodrguez

Las Palmas de G.C., Abril de 1995
ndice Temtico
1 Mtodos de Anlisis Espectral 1

1.1 Introduccin 1
1.2 Idea fundamental del anlisis espectral 1
1.3 Modelo Lineal de Oleaje 2
1.4 Mtodos para la estimacin del espectro 8
1.4.1 Mtodos Clsicos 9
1.4.2 Mtodos Paramtricos 10
1.5 Tcnicas para el clculo automtico del espectro 10
1.5.1 Mtodo de Blackman-Tukey 10
1.5.2 Transformada Discreta de Fourier 15
1.5.3 Mtodo de Mxima Entropa 30
2 Estudio Comparativo 47
2.1 Estudios comparativos previos 49
2.2 Anlisis comparativo 56
2.2.1 Caractersticas del anlisis 57
2.2.2 Anlisis de registros simulados 59
2.2.3 Anlisis de registros reales 78
2.3 Discusin de los resultados 116
A Referencias 123
Lista de Figuras
1.1 Modelo lineal de Oleaje Direccional. (Pierson. et.al 1955) 4

1.2 Modelo lineal de Oleaje Escalar 7
1.3 Suavizado del Periodograma segn el procedimiento de Daniell . . . 23
1.4 Diagrama de flujo para el mtodo de Daniell 24
1.5 Suavizado del Periodograma mediante el mtodo de Barttlet 26
1.6 Diagrama de flujo para el mtodo de Bartlett 27
1.7 Mtodo de Welch para suavizar el Periodograma. Parte I 31
1.8 Mtodo de Welch para suavizar el Periodograma. Parte II 32
1.9 Diagrama de flujo para el mtodo de Welch 33
2.1 Espectros de un registro de oleaje (Lago Michigan) obtenidos

mediante los mtodos B-T y FFT, Edge & Liu (1970) 51
2.2 (a)Sinusoide truncada (b)Espectro MEM (c)Espectro FFT (Ulrich,1972) 52
2.3 (a) Espectro verdadero; (b) Espectro MEM; (c) Espectro B-T sin
ventana; (d) Espectro B-T con ventana, (Ables, 1974) 53
2.4 (a)Serie temporal (b)Espectros MEM y FFT (Ulrich y Clayton, 1976) 55
2.5 Definicin de la frecuencia de pico segn el mtodo de Delft 57
2.6 Espectro P-M y serie simulada 62
2.7 Espectros serie ETADSA-PM 63
2.8 Espectros (a)B-T, (b)FFT-D, (c)FFT-B, (d)FFT-W, (e)MEM . . . . 64
2.9 Espectro J y serie simulada 65
2.10 Espectros serie ETADSA-J 66
2.12 Espectro 0-H y serie simulada 68
2.13 Espectros serie ETADSA-0 & H 69
2.15 Serie ETADSAll-l-Ruido blanco y Espectros MEM 72
2.16 Espectros B-T para la serie ETADSAIH-Ruido blanco 73
m
IV
2.17 Espectros FFT-D parala serie ETADSAll+Ruido blanco 74

2.18 Espectros FFT-B para la serie ETADSAIH-Ruido blanco 75
2.19 Espectros FFT-W para la serie ETADSAll+Ruido blanco 76
2.20 Espectros serie C-05-22/06/93 79
2.21 Espectros (a)B-T, (b)FFT-D, c)FFT-B, (d)FFT-W, (e)MEM . . . 80
2.41 Espectros (a)B-T, (b)FFT-D, c)FFT-B, (d)FFT-W, (e)MEM . . .100
2.51 Espectros (a)B-T, (b)FFT-D, c)FFT-B, (d)FFT-W, (e)MEM 110
chaptersection
2.53 Espectros (a)B-T. (b)FFT-D. (c)FFT-B, (d)FFT-W, (e)MEM . . ' . . 112

2.54 Espectros serie C-00-23/06/9.3 113
2.55 Espectros (a)B-T. (b)FFT-D. (c)FFT-B. (d)FFT-W, (e)MEM . . . . 114
2.56 Espectros serie 22-22/06/93 (N=5r2),(a)B-T, (b)FFT-D, (c)FFT-B . 117
2.57 Espectros serie 22-22/06/93 (N=512),(a)FFT-W, (b)MEM 118
2.58 Espectros serie 22-22/06/93 (N=4096),{a)B-T, (b)FFT-D, (c)FFT-B 119
2.59 Espectros serie 22-22/06/93 (N=4096),(a)FFT-W, (b)MEM 120
Captulo 1
Mtodos de Anlisis Espectral
1.1 Introduccin
Ltis tcnicas de anlisis en el dominio frecuencial reciben, en general, el nombre de
tcnicas de anlisis espectral y sus fundamentos bsicos pertenecen al denominado
anlisis de Fourier. As, dada una serie temporal discreta, T){t), utilizando la
transformada de Fourier, es posible transferir la informacin contenida en dicha
serie al dominio de las frecuencias, donde, por lo general, suele resultar ms efectiva
la caracterizacin estadstica del fenmeno aleatorio analizado.
La varianza de un proceso es una medida de la dispersin de las observaciones
respecto a su nivel medio. En este sentido, la varianza proporciona una medida de
la intensidad de las fluctuaciones del proceso sobre su nivel medio y por tanto,
de su contenido energtico. El anlisis espectral nos permite descomponer la
varianza total en bandas de frecuencia en las cuales la contribucin de la varianza
es estadsticamente significativa. Para ello se admite, que la varianza total del
proceso es el resultado de la superposicin de numerosas contribuciones mutuamente
independientes, cada una de ellas con una frecuencia arbitraria. De este modo,
podemos realizar una descomposicin espectral, en trminos de amplitudes y fases,
en funcin de la frecuencia.
1.2 Idea fundamental del anlisis espectral

La idea bsica sobre la que se apoya el anlisis espectral puede resumirse brevemente
de la siguiente manera. Sea una funcin T]{t) que puede ser expresada como
combinacin lineal de un conjunto de funciones /3i{t). Esto es,
1
7/() = 5:r/3.()
Definimos entonces un conjunto de cantidades, en trminos de F, que de alguna

manera nos indiquen la importancia relativa de cada /9, para generar 7j(), mediante
una combinacin lineal. Es decir, el anlisis espectral consiste en descomponer
fenmenos, de mayor o menor complejidad, en constituyentes elementales y conocer
cual es la contribucin de cada uno de ellos al proceso. De esta forma podremos
obtener un mayor conocimiento de la estructura y la evolucin temporal (espacial)
del sistema (Fsico, Qumico, Biolgico, etc.), de cuya observacin se ha obtenido la
muestra T){t).
Las funciones Si sern del tipo seno y coseno, y los valores de F,- vendrn
representados por las amplitudes correspondientes a tales funciones.
1.3 Modelo Lineal de Oleaje

La idea anterior fue inicialmente aplicada a estudios de oleaje por Pierson y Marks
(1952), Pierson (1955), quienes aceptando que las oscilaciones del nivel medio del
mar (MWL), con respecto a su posicin de equilibrio, en un punto de coordenadas
{x,y) en funcin del tiempo, al paso de una onda progresiva puede describirse como,
r]{x,y,t) = A eos /v'(a;cos^ + ysenO) ut + ^p (1.1)
donde A representa la amplitud, K el mdulo del vector nmero de onda, u la

frecuencia angular, p el ngulo de fase y ^ la direccin de propagacin de la onda
progresiva respecto al eje positivo de las x. Entonces, asumiendo que la superficie
libre del mar puede considerarse como el resultado de la superposicin lineal
de infinitas ondas cosenoidales con diferentes amplitudes, frecuencias, fases y
direcciones de propagacin, tal como se muestra en la figura (1.1), las fluctuaciones
del MWL podrn ser modelizadas matemticamente por la expresin
r}{x,y,i) = / A{u,9)cos[K{xeos9 + ysend) - ut-\-ip{u>,0)] dudo

-T O
T OO
+ / / B{u, 6)sen [K{x eos 9 + ysenO) - ut-\- (^(w, 0)] dud9

-ir O
donde A{UJ,0) y B{LJ,6) son los coeficientes complejos de Fourier y los signos
de integracin representan en realidad "pseudo-integraes" (Longuet-Higgins,1957).
Esta ecuacin puede expresarse en forma discreta, sin prdida de generalidad , como
7?(l, y, o = X ] 1 3 ^ ' " " ^^^ (^^""^ ^ ^ ^ " + KmysenOn - 2T: fmt + ^mn) (1-2)
m=l n=l
siendo / la frecuencia lineal, mientras que A^n y V'mn representan la amplitud

(coeficientes complejos de Fourier) y la fase de las componentes, con frecuencias y
direcciones comprendidas respectivamente en los rangos
Um , fm + A / ) y [On , ^ + Afl)
El nmero de ondas Km puede obtenerse a partir de fm, mediante la relacin de

dispersin para aguas profundas
K=^2lll (1.3,
9
donde g es la aceleracin debida a la fuerza gravitatoria.
De la expresin (1.2) se deduce que la sobreelevacin de la superficie del mar en un
punto fijo, de coordenadas {XQ, yo), puede ser representada mediante
OO
T){t)= J2 ^rn eos {2nfm t + fm) (1-4)

m=l
donde
Am = yjAm+Alm (1-5)
<fim = arctan ( - ^ ) (1.6)

^cm
mientras que
Acm = Yl ^ " '^^^ l^^^^ ^^ ^ " + Kmysendn + fmn] (1-7)

n=l
.J^
Jt V
A
Figura 1.1: Modelo lineal de Oleaje Direccional, (Pierson, et.al 1955)

Asm = X^ AmnSen [li'mX CCS On + limySenOn + Vmn] (1.8)

n=l
donde Acm y A^m (coeficientes coseno y seno de Fourier) son variables aleatorias,
con distribucin de probabilidad Normal. Luego, segn el teorema central del lmite,
Am ser una variable aleatoria gobernada probabiL'sticamente por una distribucin
de Rayleigh (Longuet-Higgins, 1952).
El valor de A^j^/2 es la energa del oleaje (dividida por pg, donde p es la densidad
del agua de mar), en los rangos (fm , fm + A / ) y (^ , 0n + ^0).
Se define el espectro direccional del oleaje, S{f,ff), como la densidad de

energa expresada en funcin de la frecuencia y de la direccin. Por tanto,
S{fm,0n)^fmÔr,
representar la energa esperada en el rango de frecuencias y direcciones antes

especificado. Es decir,
S{fm,en)^fmAen = ^ ^ ^ (1.9)
donde E[ ] es el operador esperanza matemtica.
La funcin de densidad espectral de un proceso aleatorio puede definirse slo

en funcin de la frecuencia, integrando sobre todo el rango de direcciones. En tal
caso, dicha funcin recibe generalmente el nombre de espectro unidimensional,
y toma la siguiente expresin:
5(/)A/ = ^ ^ (1.10)
que segn lo visto anteriormente, puede expresarse como la suma de las componentes
energticas con respecto a la direccin,
s(f)Af=Y:^^^ (1-11)
n=l '^
por lo que, la relacin entre el espectro direccional y el espectro unidimensional ser,

M t o d o s de Anlisis E s p e c t r a l
2T
s{f) = Jsif,e)de (1.12)
Para la determinacin del espectro de frecuencias, de un proceso aleatorio

estacionario, es suficiente con disponer de un nico registro. Sin embargo,
para estimar el espectro direccional es necesaria mucha ms informacin y el
procesamiento de dicha informacin es bastante ms complejo. Por ello, en la
mayora de los casos, en la representacin de ri{t) en forma de series de Fourier dada
por la ecuacin (1.4), las amplitudes de las diferentes componentes frecuenciales no
suelen expresarse en funcin de S{f ,6),
Am = ^J2S{f ,e)AfA9 (1.13)
de forma que
OO TV
T}{t) = I yj2S{f ,e)AfAecos{Kxcose + KysenO - 27r/ + <^) (1.14)

o -ir
sino en funcin de S(f),
Am = yj2S{f)Af (1.15)
expresndose T)(t) como
7?() = y ^ 2 5 ( / ) A / c o s ( 2 7 r / + <^) (1.16)
o bien, en forma discreta
r){t) = ^ 2 5 ( / ) A / c o s ( 2 7 r / ^ + cpm) (1.17)

m=l
Obteniendo de esta manera, un modelo de oleaje unidireccional.
Fsicamente, con sta restriccin hemos perdido toda informacin respecto a

la direccin de propagacin, de los diferentes trenes de ondas que alcanzan el punto
de medida. De ste modo, el modelo original, grficamente descrito por la figura

(1.1), se ha transformado en uno mucho ms simple, ilustrado en la figura (1.2). Es
decir, hemos reducido la representacin de los desplazamientos verticales del MWL, a
una simple superposicin de ondas cosenoidales, para obtener una funcin irregular,
variable en el tiempo y con un contenido energtico igual al del proceso real, pero
sin discernir entre las diferentes direcciones con que dicha energa se aproxima, al
punto donde se analiza el fenmeno.
Figura 1.2: Modelo lineal de Oleaje Escalar

1.4 Mtodos para la estimacin del espectro

Puesto que las seales que deseamos analizar presentan fluctuaciones aleatorias, no
es posible aplicar directamente los mtodos del anlisis de Fourier. Es, por tanto,
necesario adoptar dichcis tcnicas desde un punto de vista estadstico, utilizando
para ello promedios caractersticos de la seal aleatoria. En particular, la funcin
de autocorrelacin, es un momento estadstico que permite caracterizar una seal
aleatoria en el dominio del tiempo y que, para un proceso aleatorio estacionario,
viene definida por:
T
i(r) = l i m i fri{tUt + T)dt (1.18)
T-*oo 1 J
O
Su transformada de Fourier representa la funcin de densidad espectral, cuya
expresin es:
oo
G(/)= R{T)ex'p{-i2irfr)dT (1.19)

oo
Teniendo en cuenta que tanto R{T) como G{f) son funciones par, podemos expresar
la siguiente relacin, conocida como teorema de Wiener-Kintchine:
S{f) = 4 RT)cos{2TrfT)dT
o
(1.20)
oo
R{T) = J S{f)cos(2irfT)df
o
Donde S{f) representa la funcin de densidad espectral unilateral. Es decir, aquella
en la que solo se consideran frecuencias positivas, que son las nicas que poseen
significado fsico.
El teorema de Wiener(1930) y Kintchine(1934) constituye el fundamento
bsico de la metodologa propuesta por Blackman y Tukey (1959) para realizar
el clculo del espectro, mediante la transformada de Fourier de la funcin de
autocorrelacin.
Schuster(1897) describi una tcnica para la obtencin del espectro, mediante
la transformada discreta de Fourier de una serie de valores numricos. Este
1.4 Mtodos para la estimacin del espectro
procedimiento, conocido como mtodo del Periodograma, conlleva un' elevado

nmero de operaciones aritmticas, por lo que, aunque fue propuesto con
anterioridad aJ mtodo de B-T, no goz de popularidad entre los cientficos que
precisaban del anlisis espectral hasta bien entrados los aos sesenta. A mitad de
esta dcada, la tcnica del periodograma lleg a alcanzar un papel predominante
frente a la B-T, debido a los avances tecnolgicos en el campo de la informtica
y al desarrollo del algoritmo de computacin propuesto por Cooley y Tukey
(1965), conocido como la Transformada Rpida de Fourier (FFT) y que
reduce significativamente el tiempo de computacin necesario para el clculo de
la transformada de Fourier de series largas de datos.
A principios de los aos setenta, aproximadamente, comienza a surgir con gran

fuerza, una forma innovadora en el anlisis espectral de series temporales y
espaciales de datos aleatorios. Estas tcnicas, cuyo origen radica fundamentalmente
en los trabajos realizados por los cientficos Americanos J.P.Burg (1967,1968)
y Parzen (1968,1969), se distinguen esencialmente de las denominadas tcnicas
convencionales en que stas, a diferencia de las primeras, tratan de ajustar las
series de datos disponibles, mediante un conjunto de parmetros, a modelos del
tipo Autorregresivo ( A R ) , de Medias Mviles ( M A ) o modelos mixtos ( A R M A ) .
Es por este motivo que dichas tcnicas reciben frecuentemente la denominacin de
Mtodos Paramtricos.
1.4.1 M t o d o s Clsicos
La funcin de densidad espectral puede estimarse, segn lo visto anteriormente,

considerando el Teorema de Wiener-Khintchine, es decir, como la transformada de
Fourier de la funcin de autocorrelacin:
oo
5 ( / ) = 4 /"i2(r)exp(-27r/r)ir />0;r>0 (1.21)

o
o bien, directamente a partir de la definicin de la funcin de densidad espectral, es
decir:
5(/) = lim I I Xif) |2 (1.22)

i oo i
siendo X{f) los coeficientes complejos de Fourier que se obtienen mediante la

transformada de Fourier de r]{t),
10 Mtodos de Anlisis Espectral
Xif) = r]{t)e<-'^''^'Ut (1.23)

co
Estos dos procedimientos reciben, generalmente, los nombres de Blackman-

Tukeyy Transformada Discreta de Fouriero Feriodograma, respectivamente. Ambas
tcnicas son denominadas en comn como, Mtodos Clsicos o Convencionales, en
contraste con los llamados procedimientos Modernos o Paramtricos.
1.4.2 M t o d o s Paramtricos
Las nuevas tcnicas de anlisis espectral estn basadas en la caracterizacin de los

procesos estocsticos mediante el ajuste de modelos lineales, autorregresivos (AR),
de media mvil (MA) o combinaciones de ambos ( A R M A ) .
Una magnfica exposicin de estos mtodos se puede encontrar en el artculo
de revisin de Kay y Marple (1981), as como en los libros publicados por ambos
autores, S.L.Marple (1987) y S.M.Kay (1988). Centraremos aqu nuestra atencin,
en la descripcin de los mtodos de clculo de la funcin de densidad espectral
para los modelos AR, haciendo especial nfasis en el procedimiento denominado de
Mxima Entropa, por ser ste el mtodo que con mayor frecuencia y xito se
ha empleado hasta el momento en el anlisis espectral de registros de oleaje, Holm
y Hovem (1979), Pea, et al.(1980), Borgman (1985), Caldern y Marn (1986),
Rodrguez (1992), Rodrguez et al. (1992), etc.
1.5 Tcnicas para el clculo automtico del espectro

Consideremos una serie temporal de elevaciones de la superficie libre del mar,
T]{t), de media nida. Admitamos, adems, que dicha serie es representativa de un
proceso estacionario y ergdico. A continuacin describimos de modo esquemtico,
y haciendo hincapi en los aspectos computacionales, las diferentes tcnicas que
emplearemos para estimar la funcin de densidad espectral de diclia serie.
1.5.1 M t o d o de B l a c k m a n - T u k e y
Puesto que la media del proceso considerado es nula, las funciones de autocovarianza
y autocorrelacin sern equivalentes. Adems, por haber considerado un proceso
ergdico, podremos escribir
RT) = lirn^^ J rj{t)rjit + r)dt (1.24)

o
expresin que para un registro de longitud finita tomar la forma
T
tir) = ^ J V{t)r){t + T)dt (1.25)
o
donde R{T) representa una estimacin de la funcin de autocorrelacin y no la
verdadera funcin, puesto que adems de haber eliminado el operador esperanza
matemtica, admitiendo la hiptesis de ergodicidad, estamos calculando el valor de
dicha funcin a partir de un registro de longitud finita T. Es decir, no podemos
utilizar ni si quiera, una realizacin completa del proceso {rjit)], de forma que
los valores que obtengamos para cada r, sern simplemente estimaciones del valor
real, que presentarn una cierta varianza con respecto al verdadero valor de dicho
parmetro.
Con frecuencia, suele emplearse una expresin ligeramente diferente para el
estimador de la funcin de autocorrelacin de un proceso ergdico dada por
r-T
R{T) = ^ ; ^ J iit)r]it + T)dt (1.26)
o
Estimadores de la funcin de autocorrelacin
Al definir un estimador de la funcin de autocorrelacin, es importante tener presente

la relacin existente entre dicha funcin y la funcin de densidad espectral, dada por
el teorema de Wiener-Khintchine, de modo que la ecuacin empleada para discretizar
R{T), verifique dicha relacin.
Estimador Insesgado
Sea una serie temporal discreta, ?(n), de longitud finita T en la cual los datos han
sido muestreados a intervalos regulares de tiempo, At. Para obtener numricamente
la funcin de autocorrelacin a partir de estos datos, Blackman y Tukey (1958)
proponen la siguiente expresin
, N-K-l
Riir) = ^^t_^ E r,itnHtn + T)At (1.27)
n=0
eliminando At se puede escribir
N-k-l
(1.28)
N -k n-O
donde
A; = 0.1,2, ,M
siendo jV el nmero de datos de la serie y M el nmero de Lags, es decir, el mximo

valor que toma k.
Este estimador presenta la propiedad de ser insesgado, es decir, su esperanza
matemtica coincide con el valor real del parmetro poblacional que se desea conocer,
R{T).
Estimador sesgado
En lugar de discretizar la expresin (1.26), Akaike (1964) propone hacerlo con la

ecuacin (1.25), obteniendo
^2(^)=7FT7 E litnHtn + r)At (1.29)

NAt n=0
Procediendo de igual manera que con el estimador RI{T), se puede escribir
N-k-l
Mr) = M^Ât) = R2{k) = ^ VnVn+k (1.30)
N n=0
Luego, la nica diferencia entre el estimador Ri{k) y el R2k) es el factor de

normalizacin, que mientras en el primero vara con k, en el segundo permanece
constante. Este estimador presenta el inconveniente de ser sesgado para valores
finitos de N, es decir, su esperanza matemtica no coincide con el valor real del
parmetro poblacional, R{T).
Densidad Espectral
Anteriormente se demostr que la funcin de densidad espectral de un proceso

ergdico puede expresarse, en trminos de la funcin de autocorrelacin mediante la
igualdad:
oo
5 ( / ) = 4 / i?(T)cos(27r/r)rfr O < / < oo (1.31)
Empleando la regla trapezoidal para aproximar la integracin anterior se tiene,
^ R(Tn)cosi2TvfmTn) + (r_i)cos(27r/^r_i) / \
S(fm)=4 2^ [Tn - Tn-l)
n=0
que para registros equiespaciados, en los cuales (r - r_i) se reduce a
(r - r_i) = Ai
se verifica
A/-1
S{fm) = 2At R{0) + 2 ^ ^ ( n A / ) c o s ( 2 ; r / n A 0 + ^(A/)cos(27r/,MA0
n=l
(1.32)
donde M es el nmero mximo de Lags.
La frecuencia del espectro correspondiente a cada lag viene dada por
m (1.33)
fm =
2A/M
donde se han considerado las restricciones impuestas, sobre la resolucin frecuencial,
por la longitud finita del registro, T , y la frecuencia de muestreo empleada, 1/A.
Estas restricciones tienen su explicacin terica en el Teorema del Muestreo y se
expresan analticamente, tal como ya hemos comentado, mediante la frecuencia de
Nyquist
1
fN =
2A
de forma que si para valores dados de M y Ai la resolucin frecuencial viene dada
por
A/ =
MAt
la frecuencia mxima resoluble ser
fmax = MAf =
2A
de donde
A/ =
2AA
por lo que
m
/ = mA/ =
2AtM
Incluyendo esta restriccin en la ecuacin (1.32), se puede escribir
M-l
5 ( m A / ) = 2A RO) + 2 ^ (nA) eos ( ^ ) + R{M) eos / " (1.34)
n=l \ M J VM
O bien, teniendo encuenta que
para m par
Tn-K\
(1.35)
-1 para m impar
es decir,
eos teUr-
\M
) = (-ir
luego
<M-1
SimAf) = 2A (0) + 2( ^ ( n A ) c o s ( ^ n +(-l)'"^(M) (1.36)
. n=l
para
n = 0,1.2,---,A y m = 0,1,2,- , M
Obviamente, si consideramos el teorema de Wiener-Kintchine. la funcin de

autocorrelacin de T]{t) podr ser obtenida como la transformada de Fourier de
Sif)
R{T) = S{f)cos2TrfTdf O < r < oo (1.37)
Empleando la regla de integracin trapezoidal para discretizar esta ecuacin se tiene.
1
R(nAt) = 5(0) + 2 ' ' 5 ( m A / ) c o s ( = ) U ( - i r 5 ( M )
4MAt
(1.38)
para
n = 0,1,2,---,M m = 0,l,2,---,A
Puede demostrarse (ver p.ej. Rodrguez, 1993) que las estimaciones espectrales
obtenidas mediante la expresin (1.38) poseen una elevada varianza, siendo necesario
emplear algn mtodo de suavizado que reduzca esta alta variabilidad estadstica.
El procedimiento normalmente seguido para obtener tal fin es el empleo de ventanas,
bien en el dominio de los desfases temporales, bien en el dominio frecuencial.
1.5.2 T r a n s f o r m a d a D i s c r e t a de Fourier
La funcin de densidad espectral definida previamente como
S{f) = lim - I X(/) p (1.39)

rôo 1
donde X{f) son los coeficientes complejos de Fourier, puede estimarse directamente
a partir de la serie temporal r}{t), mediante la transformada de Fourier de sta, sin
necesidad de obtener la funcin de autocorrelacin. La transformada de Fourier de
una serie temporal discreta puede expresarse como
A'(/) = E^(0^~"''^'^' (1-40)
La estimacin del espectro as obtenida recibe normalmente el nombre de

Periodograma.
Estimacin del Periodograma
Considerando una serie temporal discreta, constituida por N puntos muestreados en

intervalos de tiempo equidistantes Ai
viU) = Vn = r?(nA) n = 0,1,2, , A^ - 1
podremos limitar el rango de variacin de la sumatoria entre O y N-1, de forma que

para una frecuencia dada se tendr
iV-l
X{fm) = Ai E T/(<)e-2'^^'"'" (1.41)
n=0
para
m = 0,l,2,---,Af-1 y n = 0,1,2,- ,7V - 1
donde
tn = nAt y fm- mAf
siendo A / la resolucin frecuencial obtenida al realizar la transformada de T](t). Es

decir, A / representa la separacin entre las frecuencias asociadas a cada dos valores
de X{fm) consecutivos.
Para una serie temporal de duracin T = iVA, la relacin entre la resolucin
frecuencial y el intervalo de muestreo viene dada por
NAt
de forma que
^ , ^ ... 'Iirmn
^~jmtn = 2-mnAfAt = -
por lo que la Transformada Discreta de Fourier para 7/() se podr escribir como
Xifm) = Ai j ; T ^ j e - ^ - - ^ ^ " ^ ' (1.42)

n=0
O bien
N-l
X(U = Ai 5 ^ T ? ( / ) e ( " ' ' ^ ) (1.43)
n=0
donde cada valor de /, vendr dado por
m
^'" ~ iv ^^^^ m = 0,l,2, ,iV-l
Sin embargo, no ser necesario realizar el clculo de los coeficientes complejos
de Fourier hasta el punto N-l puesto que, debido a las propiedades matemticas
intrnsecas a la transformada de Fourier, se verifica la siguiente relacin de simetra
X{U = Xifrn-N) (1.44)

Luego, solamente ser preciso especificar X{fm) para valores de m comprendidos
entre O y iV/2.
Ademas, para un periodo de muestreo Ai, la frecuencia mxima que puede ser
resuelta viene dada por la frecuencia de Nyquist, /A^,
Jmax ^ . . = JN
Es decir, el valor mximo que puede tomar m en fm vendr determinado por
NAt 2At ""''^- 2

En otras palabras, para m igual a N/2 se tiene el valor de la frecuencia mxima
resoluble, JN
f - f - ^V2 _ 1 _ ,
Esto es, el valor mximo de m debe ser, como ya se haba apuntado,,i\72, de forma
que con los valores de X{f) asociados a las frecuencias pertenecientes al rango
O < / m < /iV
obtendremos toda la informacin que nuestro intervalo de muestreo Ai nos permite.

Por otra parte, considerando la relacin de Euler, el trmino exponencial de la
transformada discreta de Fourier se puede escribir como
g(-27rmn/Ar) ^ cos(27rmn/iV) - sen{27rmn/N)
Es decir, los coeficientes complejos de Fourier pueden ser descompuestos en una

parte real (S) y otra imaginaria (G), tal como sigue
Xif) = ^[Xif)]-iQ[Xif)] (1.45)
donde
?[X(/TO)] = A 2 j ^n (ôs ( j ' Transformada Coseno (1-46)
[X(/m)] = Ai ^ ?n-sen j * Transformada Seno (1-47)
Es decir,
iV-1 N-l
2nmn 271 mn
X{m) = eos N
iAt Y, nn sen (1.48)
n=0
N
n=0
que escrito en forma ms compacta es
Entonces, segn la definicin dada para la funcin de densidad espectral
5 ( / ) = lim -\X(f)f
y teniendo en cuenta que
podremos obtener una estimacin de la funcin de densidad espectral, considerando

que el registro analizado es de longitud finita, mediante
S{U = I I X(fm) P (1.49)

expresando X{fm) en funcin de las transformadas seno y coseno y extrayendo como
factor comn el valor Ai. se tiene
para
m
f^ = J^t ' "^ = 0 ' 1 ' 2 ' '^/2
Los trminos Sm e 9 ^ se pueden obtener directamente a partir de sus definiciones,

es decir,
5[X(/^)] = A/X:\nC0.(^)
^[X{fm)] = Ai ^ v^seni]
n=0 \ ly /
Sin embargo, este proceso requiere un tiempo de computacin muy elevado,

principalmente para valores altos de N. Sin embargo, estas expresiones pueden
ser resueltas empleando el algoritmo de la " Transformada Rpida de Fourier'\ que
permite reducir sustancialmente el nmero de multiplicaciones involucradas en la
resolucin de las expresiones anteriores, consiguindose as una reduccin drstica
en el tiempo de computacin necesario.
Suavizado del Periodograma
El anlisis de las propiedades estadsticas de los coeficientes de Fourier revela

que stos presentan una elevada varianza respecto a su valor medio. De esta
forma, el espectro "crudo''' obtenido directamente a partir de los mismos, no puede
proporcionarnos resultados estadsticamente significativos.
La forma ms elemental de reducir la variabilidad de las estimaciones
espectrales es emplear el operador ""promedi". Los promedios para suavizar lis
estimaciones espectrales pueden ser:
1. Promedio de diferentes estimaciones para la misma frecuencia.
2. Promedio de las estimaciones centradas alrededor de una frecuencia dada.
Para obtener varias estimaciones espectrales para la misma frecuencia, a partir

de una serie temporal discreta, se debe subdividir la secuencia de observaciones en
segmentos de menor tamao. Automticamente, sto da lugar a una disminucin
en la resolucin frecuencial.
Al promediar estimaciones alrededor de una frecuencia dada, stas deben ser
estadsticamente independientes entre s para que el promedio sea fructfero. Si el
espectro vara rpidamente sobre dichas frecuencias, el promedio generar un sesgo
significativo.
Los promedios tipo (1) corresponden al denominado mtodo de Bartlett,
(Bartlett, 1948). Este mtodo fue modificado posteriormente por Welch, (Welch,
1967). Los promedios tipo (2) constituyen el mtodo de suavizado propuesto por
Daniell, (Daniell, 1946).
Mtodo de Daniell
El mtodo propuesto por Daniell (1946) es ,probablemente, el primero y ms

bsico de los estimadores del periodograma suavizado. Este mtodo consiste en
realizar un promedio, uniformemente ponderado, de un nmero determinado de
estimaciones adyacentes del espectro "crudo", admitiendo que stas son mutuamente
independientes y que la funcin de densidad espectral S{f), vara lentamente con la
frecuencia. De esta forma, es posible suavizar las fluctuaciones rpidas que presenta
el periodograma.
Para una serie temporal T){t) de N datos equiespaciados temporalmente en Ai,
{'?(0),?(l), ,?(A^-l)}
se obtienen N/2 estimaciones espectrales en el intervalo O < / t < /AT,
{s(fo),S{fi),S(f2), J/N)}
donde /o corresponde a la frecuencia / = 0 y /;v representa la frecuencia de Nyquist.

La frecuencia / t vendr dada por
fk =
NAt
donde
k = 0,1,3,
' 2
La estimacin S{fk), asociada a la frecuencia /., puede ser suavizada mediante el
promedio de las m estimaciones anteriores y posteriores y ella misma. Esto es,
Sifk-m) + Sifk-m+l) + + Sih) + + Sifk+m-l) + S(fk+m)

Sifk) =
2m4-l
Por tanto, la funcin de densidad espectral estimada ser
1 "*
(1.51)
j=-m
de este modo, el nmero de estimaciones espectrales que se obtienen es,
N
2(2m+l)
correspondientes a las frecuencias
fk =
2m + j=-m
Los argumentos dados anteriormente para el clculo de S{fic), deben ser modificados
al determinar las estimaciones correspondientes a las frecuencias / = O y / = ^^ En
este caso, dado que S{f) es una funcin par, que estimada ms all de /o y / , se
repite como una imagen especular, los valores de S{fk) a cada lado de la frecuencia
central sern los mismos. Entonces, para A- = 0,
1
5(0) 5(0) + 2 ^ 5 ( / , + , )
2m + 1 j=\
y para fk = ^^= /^vys,
1
S{fN/2) = S{N/2) + 2j2S{h-j)
2m+ 1 3=1
La generalizacin de ste mtodo se puede entender como la aplicacin de un
filtro de pLso bajo, con funcin de respuesta H{f), al "nit; espectr'\ (Marple, 1987).
Esto es, el periodograma suavizado mediante el mtodo de Daniell puede expresarse
como la convolucin del "rai" espectro con un filtro de paso bajo
5(/) = 5 ( / ) * ^ ( / )
Las ideas fundamentales de ste mtodo pueden visualizarse en la figura (1.3). En
la figura (1.4) se ilustra un esquema del algoritmo de clculo del espectro, suavizado
mediante el mtodo de Daniell.
Mtodo de Bartlett
Dadas K variables aleatorias incorrelacionadas,
Xi,X2, ,XK
cada una de ellas con media n y varianza c^, su media aritmtica
X1 + X2 + + XK
K
tendr el mismo valor medio, /i, mientrcis que su varianza ser a^ K. Este hecho
sugiere que la varianza de las estimaciones espectrales del periodograma se puede
reducir, en un factor 7v', dividiendo la serie de datos observada.
rj{t) = r]{nAt) = rjn n = 0,l, ,N-l

en K segmentos con M datos cada uno y promediando sus correspondientes
periodogramas.
Este tipo de estimador para reducir la varianza del periodograma se debe a
Bartlett (1948), quien propuso para tal fin, subdividir la muestra de N puntos en
K segmentos, cada uno de ellos con M puntos, de forma que
HMII : ancs im.)
C ' It W * M M Itt tu t** to tn Itt (M U< t40 tSt

rctn^w (ng.)
V O.OOai ! f m
IL.
I.
J
cf* .><
WU:
.jc.xf
iliWiMi
Ja tjs
!!
.40 . S.M
J^-
ta^Mlr* nnn m a * )
M-I tf 0.01*5 v fO
U l Ta. ( M W W M Iwnn St
U -
U -
,,J-
l,a.
..i
f.*-
L-
0^-
UH
I
i J . J . !,.>,.f, > , , . , .
.M ^M a.fs Lff illa 0.13 OJO . a.4S a.4s AJO
Figura 1.3: Suavizado del Periodograma segn el procedimiento de Daniell

Inicio
'î]{nAt); n = 0 , l , - - - , i V - 1.
N-l
Ji -i2Trnm A
X{h) ÂtZ r]{nAt)ei^)

n=0
sih) = Ai l'^'(A-)l^
2m + 1
Si No
Sih) = 2m+l
2^ 5(A) + 2E^(A-,) 5(A) 2m+l E 5(A+,)
j=i j=-m
S{f)
Figura 1.4: Diagrama de flujo para el mtodo de Daniel!

N = K.M
Es decir, la muestra rf^t) se fracciona en los siguientes A' segmentos,
% ( 0 = /o, ?!, , 77(A/-i)

/ i ( ) = f/A/, '7M+1, , ri(2M-\)
V{K-l){i) = V{K-l)Mi'n(K-l)M+-l, ^V{KM-1) .
que en forma compacta expresaremos como
r)j{l) = r]{I^.JM]
donde
7= 0,1,2,---,M-l
\ J = 0,1,2,---,A'-1
A continuacin, se estima el periodograma para cada uno de los K segmentos,
mediante la expresin,
M-\
(1.52)
7=0
Por ltimo, promediamos los periodogramas correspondientes a cada segmento, para

obtener la funcin de densidad espectral suavizada,
SU) = 1 [5o(/) + Sîf) + + S^K-i){f)]

o bien.
(1.53)
j=o
La figura (1.5) ilustra grficamente este procedimiento, mientras que en la figura

(1.6) se presenta un esquema del algoritmo de computacin.
o 14 lU llt
Sll> I JTapaetro 5 U * M T W
H Sil
xj
te
Jv^^
. 9,1* KM
.1
?
WH
i 1

:w LM iw ti
mn
tat
(BM)
LM - *J

mM
I ll.
&M
I
flifo &ii LM .U Olio
W s f 04a
"*]
"?
hJ\
S 1
X
o J
^^r
XM ' LM &f ILM iLn LU <LJ
(J
Figura 1.5: Suavizado del Periodograma mediante el mtodo de Barttlet

Inicio
4){nAt); n = 0,l,---,N -ly
y~iry
M = ^
J=0
r]j = j]{I+JM)
7 = 0,1,2,---,A/-l
M-l
Sf) = W
J = J+1
A'-l .
sif) = 1E Sjif)
J=0
'
Sif)
Figura 1.6: Diagrama de flujo para el mtodo de Bartlett

En este mtodo se admite que el valor de R(T), en cada, segmento, es

despreciable para valores de r mayores que A/, De esta forma, es razonable
admitir que los periodogramas asociados a cada segmento son estadsticamente
independientes entre s.
Mtodo de Welch
Welcli (1967) propuso una modificacin del mtodo de Bartlett, que bsicamente
consiste en aplicar una ventana de datos, diferente de la rectangular, a los diversos
segmentos en los que se subdivide la serie original, y permitir adems que tales
segmentos puedan solaparse. El objetivo que se persigue al utilizar las ventanas de
datos es el de reducir el sesgo de las estimaciones, minimizando el efecto leakage,
aunque sto provoque un ligero descenso de la resolucin frecuencial. El permitir el
solapamiento de los segmentos tiene como fin el aumentar el nmero de segmentos o,
lo que es equivalente, de periodogramas a promediar, para as conseguir una mayor
reduccin de la varianza de las estimaciones espectrales.
La aplicacin de estas mejoras, conjuntamente con la eficiencia computacional
del algoritmo FFT, han permitido que el mtodo de Welch se halla convertido en el
procedimiento de estimacin espectral ms frecuentemente usado en la actualidad.
El mtodo de Welch puede ser descrito tal como sigue. Sea un registro de N datos,
r}{t)
{'?(0),7(l), ,rj{N-l)]
Al dividir T{) en K segmentos, de M datos cada uno, solapados en una cantidad
{S = M D), donde D representa el desplazamiento entre segmentos adyacentes, el
comienzo de la segunda secuencia se localiza en la ordenada D, la tercera secuencia
en 2D y as sucesivamente, hasta alcanzar la posicin N M 1, origen de la ultima
secuencia a analizar. De esta forma, los K segmentos pueden expresarse como,
Voit) = %, ?i, , ?7(A/-i)

^ i ( 0 = VD,'nD+i-, ,VD+M--I)
?2(0 = ^2D, ?2D+l, , %D+(A/-1)
^(A--l)(*) - '?(A'-l)D,'/(/\-l)D+l7 ,V{K-\)D+{M-1) ,

1.5 Tcnicas para el clculo automtico del espectro ^29
o bien, en forma c o m p a c t a
rjj{I) = rîI + JD)
donde
I = 0,l,2,---,M - 1
1 J = 0,1,2,---,A'-1
siendo JD el origen de la J-esima secuencia. Es decir, la diferencia entre el nmero
de datos por segmento y el de los datos solapados,
JD = J{M - S)
Para un M y un 5 dados, el nmero de subseries que se obtiene, a partir de un

registro de N datos, viene dado por la parte entera de
N -S
K = INT
.M - S.
o teniendo en cuenta que la cantidad de desplazamiento D es
N - M +D
{D = M - S) K = INT
D
la expresin de los diferentes segmentos ponderados mediante la ventana de datos
sera
nj{I) = w{I)-r{I + JD)
y el espectro correspondiente a cada uno de ellos,
1
SAf) = \Xj{fW
UMAt ' '^"' '
o< /<
- ' - 2A
donde Xj{f) es la transformada discreta de Fourier del segmento J-simo,
M-\
XJU) = AtY: w{l)njil)e^-''-^^'''^
1=0
y y es un factor de correcin, introducido para soslayar la reduccin de energa
(varianza) en la subserie al aplicarle la ventana, de datos.
Una vez calculados los periodogramas correspondientes a cada una de las K

subseries, se realiza el promedio de stos, obtenindose el estimador espectral de
Welch,
s^''\f) = TE SAf) (1.54)

^'.=0
Este procedimiento se ilustra esquemticamente en las figuras (1.7) y (1.8), y en la

figura (1.9) se muestra un diagrama de flujo, con los pasos principales a seguir en el
proceso de computacin.
1.5.3 M t o d o de M x i m a E n t r o p a
Los mtodos no-paramtricos vistos anteriormente (BT y FFT) precisan de registros

de datos largos para poder obtener la resolucin frecuencial que se requiere en muchcis
aplicaciones. Adems, estos mtodos presentan el problema del "leakage^'' inherente
a los registros de longitud finita. Con frecuencia, el efecto del leakage enmascara
seales dbiles que estn presentes en los datos.
La limitacin bsica de los mtodos no-paramtricos, es la hiptesis impL'cita
de que las estimaciones de la funcin de autocorrelacin, ( m A ) , es cero para
m> N. Esta suposicin limita severamente la resolucin frecuencial y la calidad de
la estimacin de la funcin de densidad espectral obtenida. Por otro lado, la hiptesis
impL'cita en la estimacin del periodograma es que los registros son peridicos, de
periodo NAt. Ninguna de estas dos hiptesis es en absoluto realista.
Los denominados mtodos paramtricos no requieren tales hiptesis. En
realidad, estos mtodos extrapolan los valores de la funcin de autocorrelacin para
lags m > N. La extrapolacin es posible si tenemos alguna informacin a priori de
como se han generado los datos. En tal caso, se puede construir un modelo, para la
generacin de la seal, con un nmero de parmetros que pueden estimarse a partir
de los datos observados. Mediante el modelo y los parmetros estimados, podemos
calcular la funcin de densidad espectral correspondiente al modelo seleccionado
para caracterizar el proceso.
l04lW^4'^
f^MM^ I ' I I ' I

tu tu tu U4 Ut
t-
t U 4 U t u t u t u U4 t u
tmrJ
Figura 1.7: Mtodo de Welch para suavizar el Periodograma. Parte I

Myntt iliiKi t
'
I
cr tssr .wal
|H
i-
i ?L
al ' '.i*
0.r ^ ' xs=" ..&^
(;
*M M> AN &M AM &
f qitetrv prom*c(iaiio
>;
uso .M (Lf* CfS

/rteumeia fffsj
Figura 1.8: Mtodo de Welch para suavizar el Periodograma. Parte II

f Inicio j
^rj(nAt); n = 0,1,- ,iV - 1
ZEJI7
D = M-S; K = INT N-M+D
D
A/-1
z^ = 7 E Mi)Y
1=0
J =0
r]j{I) = r{I + JM); O< / < M - 1
7/j(/) = w{I) rjil + JD)
SJU)=m 1=0
No
7 = 7+ 1
Si
SU) = 1 ' E ' SJU)

J=0
''
SU)
Figura 1.9: Diagrama de flujo para el mtodo de Welcii

En consecuencia, este procedimiento elimina la necesidad de ventanas y

la hiptesis de que la funcin de autocorrelacin es cero para m > N. Por
ello, los mtodos de estimacin de la funcin de densidad espectral paramtricos,
proporcionan una mejor resolucin frecuencial que los mtodos no-paramtricos y
evitan el problema del "leakage".
Los mtodos paramtricos se basan, en general, en modelizar la serie temporal ri{t)
como la salida de un filtro lineal. Como caso particular, los procesos AR, MA y
ARMA pueden considerarse generados a partir de un ruido blanco, mediante un
filtro lineal:
Filtro lineal i rt 1
rP{B) * [Vt]
En general, el proceso de filtrado adquiere la forma
rit = ^{B)wt = (1 - ipiB - ^2^2 )wt
donde 0(5) es un operador polinmico, denominado funcin de transferencia del

filtro. En el caso particular de los procesos AR, MA y ARMA, las funciones
de transferencia del filtro se denotarn respectivamente por: <^~^(5), 0{B) y
cl>-HB)9{B)
Luego, un proceso AR(p) podr expresarse como
Vt = 4>\'nt-\ + 4>2-nt-2 + + <t>pm-p + '^t
donde {<jl>,} es conjunto de constantes y {wt} un ruido blanco. Entonces,
<t){B)rft = Wt
rjt = (t>-\B)wt
El trmino
cpiB) = 1 - <l>iB - 4>2B'' cppB^
es un operador autoregresivo de orden p y 5 es el operador de desplazamiento

inverso.
En general, los diferentes modelos paramtricos considerados pueden escribirse
como
Proceso lineal general rjt %l^{B)wt
Proceso A R (p(B)r]t Wt => T]t = 4>~^(B)wt
Proceso M A ^ ^ = wt => rjt = 6{B)wt
Proceso A R M A 4>iB)rit = e{B)wt ^ m = ^Wt
Expresando la funcin de transferencia del filtro mediante la transformada z, en

lugar del operador desplazamiento inverso, se tendr para un proceso ARMA la
siguiente funcin de transferencia
Hiz) = f g = - ^ , (1.55)
siendo la ecuacin lineal en diferencias correspondiente
P 9
n{t) = Tl{nAt) = T]n = -Y^ akTJn-k + ^ bkWn-k (1.56)
donde Wn es la secuencia de entrada al sistema lineal, mientras que los datos

observados, Tjm representan la secuencia de salida. Los coeficientes a/.- y bk son
los parmetros del modelo (o coeficientes del filtro).
En la estimacin de la funcin de densidad espectral, la secuencia de datos de
entrada no es observable. Sin embargo, si los datos observados se caracterizan
como un proceso aleatorio estacionario, entonces la secuencia de entrada tambin
es considerada como un proceso aleatorio estacionario. En tal caso la funcin de

densidad espectral del registro de datos viene dada por
Sr,if) = \Hif)\'SM) (1-57)

donde Swif) es la funcin de densidad espectral de la secuencia de entrada y H{f)
es la respuesta frecuencial del modelo.
Dado que nuestro objetivo es estimar la funcin de densidad espectral 5,,(/),
ser conveniente admitir que la secuencia de entrada, u?, es un "ruido blanco''' de
media nula y con autocorrelacin
RUT) = Rn,{mAt) = RJm) = a^(m) (1.58)
donde a^ es la varianza del ruido blanco. Esto es,
< = E [wl
Luego, la funcin de densidad espectral de los datos observados ser simplemente
Sr,if) = crl \Hifr mf)\'

= KTTTTT^ (1-59)
\Aif)\'
Segn este procedimiento, la estimacin de la funcin de densidad espectral consiste
esencialmente en dos pasos:
1. Dada la secuencia de datos,
{r]{n)} ; O < n < A^ - 1
se calculan los parmetros del modelo, {cfc} y {bk}.
2. Entonces, se determina la estimacin de la funcin de densidad espectral a

partir de dichos parmetros, mediante (1.57).
De los tres modelos lineales vistos, el modelo AR es, con mucho, el ms ampliamente
utilizado. El motivo es doble. Primero, el modelo AR es apropiado para representar
espectros con picos estrechos. Segundo, el modelo AR da lugar a ecuaciones lineales
muy simples para la estimacin de los parmetros AR, {uk}.
Sin embargo, el modelo MA, por lo general, requiere muchos ms coeficientes
para reperesentar un espectro estrecho, motivo por el cual es empleado con menor
frecuencia en las estimaciones espectrales.
Dado que el modelo ARMA combina polos y ceros, presenta una mayor
eficacia, desde el punto de vista del nmero de parmetros del modelo, para
representar el espectro de un proceso aleatorio. Sin embargo, la estimacin de los
parmetros resulta bastante ms compleja.
Por otro lado, teorema de Cramer-Wold, (Cramer, 1946), afirma que existe
un nico modelo AR para la representacin del proceso % Dt- Esto es. cualquier
proceso estacionario con su parte determinista eliminada (incluyendo el valor medio)
puede ser representado por un modelo AR, o de modo ms general, por un modelo
ARMA. Una expresin anloga de este teorema es:
Todo proceso ARMA o MA puede ser representado unvocamente mediante un

modelo AR de orden infinito, y cualquier proceso ARMA o AR puede
representarse por un modelo AM de orden infinito.
En consecuencia, la eleccin del tipo de modelo a emplear, se reduce a seleccionar

el modelo que requiere un menor nmero de parmetros y cuyo clculo sea lo ms
sencillo posible.
Estimacin de los parmetros A R
La estimacin de los coeficientes de un modelo AR puede realizarse, a partir del

las ecuaciones de Yule-Walker, mediante diversos mtodos. Los dos ms utilizados
son el mtodo de Yule-Walker y el mtodo de Burg. La diferencia esencial entre
ambos es la forma de estimar la secuencia de autocorrelacin de la serie temporal
observada.
En el mtodo de Yule-Walker, la secuencia de autocorrelacin se obtiene de
forma independiente, utilizando el estimador sesgado (1.30), para luego resolver
las ecuaciones de Yule-Walker. El estimador sesgado da lugar a una matriz de
autocorrelacin semidefinida positiva. Sin embargo, el uso de dicho estimador
implica admitir que los datos fuera del intervalo de observacin son cero, suposicin
que claramente viola el principio de mxima entropa.
Para soslayar este inconveniente, Burg (1967,1968) propone minimizar directamente
la varianza del error de prediccin (potencia del error de prediccin o varianza del
ruido blanco). El error de prediccin es considerado como la suma de las varianzas
de las predicciones de error directa e inversa. La minimizacin del error en ambos
predictores conjuntamente, conduce a la obtencin de un operador de prediccin
de error de mnimo desfase, e imph'citamente a la estimacin de una secuencia de
38 M t o d o s de Anlisis E s p e c t r a l
autocorrelacin semidefinida positiva (Smylie et al., 1973). De este raodo se elimina

la necesidad de conocer a priori la funcin de autocorrelacin. Para una discusin
detallada de estos mtodos, (ver, p.ej., Rodrguez, 1993).
Estimacin espectral MEM
El mtodo de Burg para la estimacin espectral se denomina frecuentemente

como mtodo de mxima entropa (MEM), criterio empleado por Burg
(1967,1968,1975) como base para la modelizacin AR en la estimacin paramtrica
del espectro.
Burg consider el problema de como realizar la mejor extrapolacin de la funcin
de autocorrelacin Rn{m), para valores de m > p, a partir de la secuencia
R,j{m) ; -p < m < p
de modo que la secuencia de autocorrelacin completa fuese semidefinida positiva.

Puesto que existe un nmero infinito de extrapolaciones posibles, Burg postul que
la extrapolacin deba ser hecha en base a la maximinizacin de la incertidumbre
(entropa o aleatoriedad), en el sentido que el espectro del proceso Sr,{f) sea el ms
plano de todos los posibles espectros, con la secuencia de autocorrelacin dada.
Considerando que la entropa por muestra de un proceso Gaussiano, que
consideramos de media nula, es proporcional a la integral
H= J logSr,{f)df (1.60)
-JN
Burg, utilizando los multiplicadores de Lagrange, encontr que sometida a las (p+1)
restricciones
IN IN
J Sr,if)z"'df = I 5^(/)e'2'-^'"^'// = Rr,{mAt) ; O < m <p (1.61)

-JN -JN
es decir, bajo la condicin de que 5^(/) debe ser consistente con la secuencia de
autocorrelacin conocida.
el mximo de dicha integral es el proceso AR(p) para el cual la secuencia de
autocorrelacin dada, R,^{m), est relacionada con los parmetros AR mediante
la ecuacin
1.5 Tcnicas p a r a el clculo a u t o m t i c o del e s p e c t r o 39
P
- ^ akRr,{m - k) ; m >O
-ff(m) = < - E akRnim - k) + crl, ; m =O (1.62)

k=l
[ R;{-m) ; m <O
Expresando Sr,{f) en trminos de la funcin de autocorrelacin, en la integral (1.60),

se tiene la igualdad
IN
J2 R{mAt)e-'^''f"'^'df (1.63)
-N
cuya maximizacin, mediante los multiplicadores de Lagrange, da lugar al siguiente

problema de variaciones
IN
log5,(/) - A (5(/)e'2'^^'"^' - R{mAt)) df = 0 (1.64)
-N 1- mszp
donde los multiplicadores Lagrangianos se determinan imponiendo las restricciones

dadas por (1.61).
La solucin al problema de variaciones anterior, conduce a la expresin de la funcin
de densidad espectral bilateral de mxima entropa (Smylie, et al., 197.3), dada por
Ata?.
sru) 1 + p(m)e-'2'^/'"^
; \f\<fN (1.65)
m=l
Puesto que 5,,(/) es una funcin par, para un proceso real la expresin anterior toma
la forma
sru) N 1 + p(m)e-'2^/'^*
; 0<f<fN (1.66)
m=l
Algoritmo de computacin MEM
Dada una serie tempord, y(nA), que representa una realizacin finita de un proceso
estocstico {T]{t)} Gaussiano y de media nula,
77(nA) = 7? ; 1 < n < A''
la estimacin de la funcin de densidad espectral de mxima entropa

correspondiente, conlleva el ajuste de un modelo AR a la serie T]n.
Al ajustar un modelo AR de orden p a dicho proceso, el clculo de los coeficientes
{cm}, implica resolver el sistema de ecuaciones dado, en forma matricial, por
Rr,{0) Rr,{-1) R-p) 1

Rr,{l) RM
2r,(-P+1)
Rr,{p-l) Rniv-2) O
i2,(0)
La resolucin de ste sistema de ecuaciones, mediante el mtodo propuesto por Burg
(1967, 1968), puede realizarse de la siguiente manera:
1. Inicializacin de la varianza muestral de prediccin de error
Para el orden A/ = 0, se tiene que
E(0) 1 = -
2
Luego,
p 2 _
Zvi
n=l
N
2. Inicializacin de los errores de prediccin directa e inversa
fo(") = Vn , fo(^) = ^n
l<n< N
3. Estimacin recursiva de los errores de prediccin directo e inverso
d/(") = îi-iin - 1) + KM^-iin)
M + l<n< N
4. Estimacin del coeficiente de reflexin
2 E ej_,iny^_,in-l)
MM) = KM = n-M+l
N
E H/-i("))' + (4-i("-i))'
n=M+l
M + l<n< N
5. Estimacin de la varianza del error de prediccin
PM = ^M = ^M-i ( l - -''A/J
6. Clculo de los coeficientes del modelo
Mim) = M-iim) + KM aM-\{M - m)
O < m < M = Mopt = p
donde, para m = 0,
M(0) = 1
7. Estimacin de la funcin de densidad espectral
al
s....U) =
N 1 + Y. p(m)e-'2'^/'"^'
0<f<fN
O< m < p
Mritos y demritos del mtodo de Burg
A continuacin comentamos las principales ventajas que el mtodo de Burg presenta,

frente a los mtodos convencionales, para la estimacin espectral de un proceso
aleatorio, as como los problemas ms importantes que presenta dicha tcnica.
Los mtodos convencionales requieren del uso de ventanas (temporales, de

desfase o espectrales) para reducir el efecto del "leakag"' y como consecuencia, existe
una perdida de resolucin frecuencial. Adems, ya se ha comentado en captulos
anteriores que existen fuertes discrepancias sobre la utilidad de las ventanas. Uno
de los motivos principales que originan tales discrepancias, es que las ventanas
modifican los datos originales sin tener en cuenta las caractersticas del proceso
aleatorio. Es decir, no existe ningn tipo de relacin o dependencia entre las
propiedades de las series y las de las ventanas aplicadas. De ste modo, puede
ocurrir que las conclusiones obtenidas sean errneas. As, por ejemplo, ciertos
picos presentes en el espectro estimado, pueden tener su origen en un efecto de
"/ea/fcajre" generado por los lbulos laterales de la ventana, y no reflejar la estructura
del espectro verdadero. Los problemas generados por el uso de las ventanas resultan
particularmente importantes, si la cantidad de datos disponibles es tan limitada,
con respecto a los requerimientos de estabilidad de las estimaciones espectrales,
que no exista una ventana capaz de ofrecer la resolucin necesaria para resolver las
componentes presentes en la serie analizada.
Por otra parte, se deben emplear registros de datos suficientemente largos para
obtener estimaciones con una estabilidad estadstica aceptable. Por ello, con
frecuencia, se suelen analizar registros de duracin entre 20 y 30 minutos. En
el contexto de la estacionareidad, stas longitudes de registro son bastante
cuestionables y pueden restringir enormemente, en caso de no verificarse dicha
hiptesis, la utilidad de los datos disponibles. Por otro lado, stos mtodos necesitan
la utilizacin de algn proceso de suavizado (medias mviles ponderadas, promedio
de las estimaciones obtenidas al segmentar la serie original, etc.), con lo cual la
resolucin frecuencial disminuye y el sesgo de las estimaciones se incrementa.
El mtodo MEM posee la ventaja de no precisar el uso de ventanas que modifiquen
la serie original, puesto que la extrapolacin de la funcin de autocorrelacin

maximizando la entropa evita las discontinuidades en los extremos, y por tanto el
problema del " leakage^. Segn Lacoss (1971), es como si al determinar la estimacin
espectral correspondiente a una frecuencia dada, el mtodo se autoajustase para que
sta no sea afectada por las estimaciones asociadas a otras frecuencias. Es decir, se
podra pensar en una ventana hipottica que se autoadapta al espectro de la seal
analizada. Esta particular interpretacin es la que induce a dicho autor a denominar
al mtodo MEM como mtodo adaptativo de anlisis espectral.
El mtodo de mxima entropa tampoco requiere procedimientos de suavizado
para disminuir la varianza de las estimaciones. Una propiedad extremadamente
importante del estimador MEM es su naturaleza ^'ptimamente suavizadd\ Ulrich h
Clayton (1976). La razn de sta caracterstica es que el espectro estimado mediante
el mtodo MEM, es el espectro del proceso, siendo la serie analizada una realizacin
del mismo. El periodograma suavizado es el espectro de la realizacin.
Por otra parte, la extrapolacin de mxima entropa de la funcin de autocorrelacin
da lugar a una funcin de densidad espectral (1.66) que es una funcin continua de
la frecuencia, proporcionando as una mejora sustancial de la resolucin frecuencial.
Sin embargo, el mtodo de Burg tambin posee algunos inconvenientes.
1. El principal problema del mtodo MEM es la seleccin del orden del modelo
AR a ajustar. La dificultad en la eleccin de ciertos parmetros, para obtener
una estimacin espectral aceptable, es un mal comn a todas las tcnicas de
anlisis espectral (Gutowski, et al., 1978).
2. El mtodo exhibe un desdoblamiento de lineas espectrales para relaciones

seal-ruido elevadas (ver Fougere et al., 1976). Es decir, que el espectro de
77(71) puede tener un* nico pico apuntado, pero el mtodo de Burg puede dar
lugar a dos o ms picos muy prximos entre s.
3. Para rdenes del modelo muy altos, el mtodo tambin introduce picos falsos.
4. Para seales sinusoidales con un elevado nivel de ruido, el mtodo de Burg

es sensible a la fase inicial de una sinusoide, especialmente en registros de
datos cortos. Esta sensibilidad se manifiesta como un desplazamiento de la
frecuencia respecto de la verdadera frecuencia, dando lugar a un sesgo en las
frecuencias que depende de la fase.
Para ms detalles sobre estas limitaciones ver, por ejemplo, Chen y Stegen
(1974), Ulrich y Clayton (1976), Fougere et al. (1976), Kay y Marple(1979), Swingler
(1979a, 1980) y Thorvaldsen (1981).
Seleccin del Orden del modelo
La seleccin del orden del modelo AR, p, es una parte importante en el proceso de
modelizacin. Si la seal analizada es parte de un proceso AR puro de orden p, todos
los coeficientes ajt, para k > p son iguales a cero, existiendo una nica solucin para el
orden del modelo exacto, (Papoulis, 1981). Por otro lado, la mayora de los procesos
reales, incluyendo las series temporales de los desplazamientos de la superficie libre
del mar, no son procesos AR puros. Luego, los coeficientes AR nunca sern cero
para cualquier orden, p, y en consecuencia no existe una solucin nica para el orden
del modelo.
La seleccin del orden ptimo de un modelo no-AR es un problema difcil, que
debe ser considerado de diferente manera para cada aplicacin. Esta es una de las
principales desventajas de los mtodos de anlisis espectral no-paramtricos.
La mayora de los criterios propuestos, para estimar el orden de un modelo
lineal, estn bzâdos en la minimizacin de la varianza del error de prediccin, a^,.
Sin embargo, para un proceso no-AR o un proceso AR con "ruido" el error de
prediccin decrese montonamente al aumentar el orden del modelo (Kay, 1988).
Por otra parte, en la prctica, se trabaja con registros de datos de longitud finita
de modo que la eleccin de un orden elevado (prximo al tamao de la muestra)
conduce a un incremento del error en la estimacin de los parmetros del modelo.
En consecuencia, existe un compromiso entre:
1. Un orden bajo para el modelo AR con un elevado error de prediccin
2. Un orden alto con estimaciones de los parmetros A R poco fiables
En general, los criterios basados en la varianza de la prediccin de error incluyen un

trmino que considera la disminucin del error de prediccin y otro para el aumento
del error en la estimacin de los parmetros del modelo. El valor del orden del
modelo que minimiza el criterio es aceptado como valor ptimo.
Algunos de los criterios ms conocidos para estimar el orden del modelo son
(ver, p.ej., Rodrguez, 1993):
1. Criterio de Error Final de Prediccin-(FPE)

2. Criterio de Informacin de Akaike-(AIC)
3. Criterio de la Funcin de Transferencia Autorregresiva-(CAT)
4. Criterio de los coeficientes de correlacin parcial-(PCC)
Los resultados experimentales obtenidos por diversos autores, indican que la

seleccin del orden del modelo, empleando los criterios arriba mencionados, no ofrece
resultados definitivos. As, por ejemplo, Ulrich y Bishop (1975), Jones (1976), y
Berryman (1978), encuentran que el criterio {FPE)p tiende a infraestimar el orden
del modelo. Kashyap (1980), demostr que el criterio {AIC)p es estadsticamente
inconsistente cuando el nmero de datos de la serie tiende a infinito.
Otros autores (p.e., Gangopadhyay et al, 1988; Holm & Hovem, 1979) han estudiado
las caractersticas del anlisis espectral AR, para series temporales oceangraficas,
obteniendo que los criterios basados en la varianza del error de prediccin, CT,
infraestiman el orden del proceso.
La ausencia de criterios analticos, para aplicaciones con procesos AR no puros,
puede entenderse si consideramos que el objetivo final de la modelizacin es evaluar
la funcin de densidad espectral y por tanto, no existe un nico modelo AR que
pueda representar el espectro. As, en la mayora de las aplicaciones la eleccin del
orden del modelo es parcialmente subjetiva.
De los criterios descritos anteriormente, el que quizas posea mayor aceptacin
es el FPE (Landers y Lacoss, 1977; Haykin y Kesler, 1983). Sin embargo, aunque
es evidente que dichos criterios proporcionan una cierta ayuda en la determinacin
del orden, el valor de p suele obtenerse de forma emprica. As, por ejemplo, Holm
y Hovem (1979), obtienen buenos resultados, al ajustar series temporales de oleaje
a modelos AR de dimensin entre 15 y 30. Holm y Overvik (1981) encuentran
que p debe tener un valor superior a 10-15. Caldern y Marn (1986), obtienen
al estimar espectros unimodales, valores de p prximos a 12, mientras que para
espectros bimodaJes el valor de p debe estar alrededor de 30. Egozcue (1986), estima
adecuado un valor de p igual a 15, para espectros unimodales tipo JONSWAP. Nieto
(1991), obtiene ajustes adecuados para espectros bimodales, al compararlos con los
resultados obtenidos va FFT, con p = 18. Rodrguez (1992), obtiene resultados
vlidos para la estimacin de espectros unimodales y bimodales con valores de p
prximos a 25.
Captulo 2
Estudio Comparativo
Durante mucho tiempo el anlisis espectral de series temporales se realiz, casi

exclusivamente, empleando la tcnica desarrollada por Blackman S Tukey (1959).
Sin embargo, desde que Cooley y Tukey (1965) implementaron el algoritmo de la
FFT, haciendo factible de ste modo la estimacin del espectro mediante el mtodo
propuesto por Schuster (1898), es decir, calculando directamente los coeficientes
complejos de Fourier de la serie temporal (Periodograma), ste procedimiento pas
a ser el ms empleado, dada su eficiencia computacional.
Estos mtodos, denominados convencionales, requieren del uso de ventanas
(temporales, de desfase o espectrales) para reducir el efecto del "leakag" y como
consecuencia, existe una perdida de resolucin frecuencia!. Adems, ya se ha
comentado en captulos anteriores que existen fuertes discrepancias sobre la utilidad
de las ventanas. Uno de los motivos principales que originan tales discrepancias, es
que las ventanas modifican los datos originales sin tener en cuenta las caractersticas
del proceso aleatorio. Es decir, no existe ningn tipo de relacin o dependencia
entre las propiedades de las series y las de las ventanas aplicadas. De ste modo,
puede ocurrir que las conclusiones obtenidas sean errneas. As, por ejemplo, ciertos
picos presentes en el espectro estimado, pueden tener su origen en un efecto de
^leakage" generado por los lbulos laterales de la ventana, y no reflejar la estructura
del espectro verdadero. Los problemas generados por el uso de las ventanas resultan
particularmente importantes, si la cantidad de datos disponibles es tan limitada,
con respecto a los requerimientos de estabilidad de las estimaciones espectrales,
que no exista una ventana capaz de ofrecer la resolucin necesaria para resolver las
componentes presentes en la serie analizada.
Por otra parte, se deben emplear registros de datos suficientemente largos para
48 Estudio Comparativo
obtener estimaciones con una estabilidad estadstica aceptable. 'Por ello, con
frecuencia, se suelen analizar registros de duracin entre 20 y 30 minutos. En
el contexto de la estacionariedad, stas longitudes de registro son bastante
cuestionables y pueden restringir enormemente, en caso de no verificarse dicha
hiptesis, la utilidad de los datos disponibles. Por otro lado, stos mtodos necesitan
la utilizacin de algn proceso de suavizado (medias mviles ponderadas, promedio
de las estimaciones obtenidas al segmentar la serie original, etc.), con lo cual la
resolucin frecuencia! disminuye y el sesgo de las estimaciones se incrementa.
El mtodo MEM posee la ventaja de no precisar el uso de ventanas que modifiquen
la serie original, puesto que la extrapolacin de la funcin de autocorrelacin
maximizando la entropa evita las discontinuidades en los extremos y, por tanto, el
problema del Ûeakage". Segn Lacoss (1971), es como si al determinar la estimacin
espectral correspondiente a una frecuencia dada, el mtodo se autoajustase para que
sta no sea afectada por las estimaciones asociadas a otras frecuencias. Es decir, se
podra pensar en una ventana hipottica que se autoadapta al espectro de la seal
analizada. Esta particular interpretacin es la que induce a dicho autor a denominar
al mtodo MEM como mtodo adaptativo de anlisis espectral.
El mtodo de mxima entropa tampoco requiere procedimientos de suavizado
para disminuir la varianza de las estimaciones. Una propiedad extremadamente
importante del estimador MEM es su naturaleza ^^ptimamente suavizada", Ulrich &
Clayton (1976). La razn de sta caracterstica es que el espectro estimado mediante
el mtodo MEM, es el espectro del proceso, siendo la serie analizada una realizacin
del mismo. El periodograma suavizado es el espectro de la realizacin.
Por otra parte, la extrapolacin de mxima entropa de la funcin de autocorrelacin
da lugar a una funcin de densidad espectral que proporciona una mejora sustancial
de la resolucin frecuencial.
Una vez descritos los diferentes mtodos de anlisis espectral objeto de estudio
en este trabajo, as como sus principales propiedades, procederemos a realizar un
estudio comparativo entre los mismos. En primer lugar, se exponen las conclusiones
de otros estudios de este tipo, con el objetivo de poder contrastar los resultados
obtenidos en la seccin (2.2).
2.1 Estudios comparativos previos

En esta seccin se citan y revisan las conclusiones de algunos trabajos realizados
por diversos autores, que comparan las caractersticas de los mtodos tradicionales,
as como los resultados obtenidos por otros autores al contrastar las propiedades de
las tcnicas convencionales con las del mtodo de mxima Entropa (MEM), (Burg,
1967-1968).
Jenkins & Watts (1968) se inclinan por el uso del mtodo B-T, debido a la
importancia de la funcin de autocorrelacin, obtenida como paso intermedio.
Sin embargo, Bingham, et al. (1969), demuestran que dicha funcin puede
obtenerse con mayor rapidez empleando la FFT.
Hinich & Clay (1968) contrastaron los dos mtodos clsicos de anlisis
espectral (Blackman k. Tukey y FFT), llegando a la conclusin de que ambos
mtodos generan estimaciones espectrales asintticamente insesgadas, con la
condicin de que el nmero de datos y el nmero de lags, cuando se emplea
la funcin de autocorrelacin, tiendan a infinito. Adems, considerando que
las ordenadas de la funcin de densidad espectral, obtenidas aplicando la
transformada discreta de Fourier a la serie temporal, son filtradas (es decir,
convolucionadas) con la ventana espectral (Kernel) de Fejer
sen'îNirAtf)
Nsen'îwAtf) ^ ' '
mientras que las obtenidas mediante el mtodo de la autocorrelacin son
filtradas con la ventana espectral (Kernel) de Dirichlet
sen({Tn+ l)wAt
;- m = nmero de lags (2.2)
senirAif) ^ ^ '
demuestran que puesto que la ventana espectral de Fejer se atena ms
rpidamente que la de Dirichlet, las estimaciones obtenidas mediante el mtodo
F F T poseen menor cantidad de leakage. Por otro lado, observan que el mtodo
directo aplicado a series de media nula proporciona una estimacin de la
densidad espectral tambin nula para la frecuencia cero. Sin embargo, en
el procedimiento que emplea la funcin de autocorrelacin puede no ocurrir
as, ya que la integral de dicha funcin sobre todos los lags empleados no es
necesariamente cero.
Edge &: Liu (1970) muestran, mediante el anlisis de datos experimentales,

que ambos procedimientos dan lugar a resultados similares, aunque para
espectros con una fuerte pendiente de caida, en las frecuencias superiores a
la frecuencia de pico, el mtodo de la FFT presenta una mayor cantidad de
leakage. Estos autores llegan a tal conclusin al comparar el comportamiento,
en dicho rango de frecuencias, del espectro de registros de oleaje obtenidos
por ambos procedimientos, con una recta de pendiente 5, seleccionando
los parmetros que controlan la varianza de las estimaciones, de modo que
sta sea equivalente en ambos procedimientos, tal como se ilustra en la figura
(2.1). Este procedimiento admite como vlida la denominada hiptesis de
Phillips(1958), segn la cual el espectro del oleaje en la regin de altas
frecuencias debe atenuarse de forma proporcional a f~^. Sin embargo,
existen nmeros autores, entre ellos Phillips (1985) y Liu(1989), que ponen
de manifiesto un comportamiento ms prximo a / ' " ' en dicha zona. De ste
modo, la interpretacin de sus resultados debe ser al contrario, es decir, el
procedimiento que presenta una mayor cantidad de leakage es el B-T, tal como
hablan obtenido Hinich & Clay (1968).
En funcin de los resultados obtenidos, Edge & Liu (1970) sugieren que el
mtodo B-T es ms efectivo que la FFT para calcular el espectro de series
temporales cortas, mientras que para series temporales largas el mtodo FFT
es mucho ms eficiente.
Rikiishi (1976) realiza una comparacin numrica y analtica de los mtodos

convencionales y obtiene nuevamente que los resultados de ambas tcnicas son
equivalentes. La nica diferencia entre ambos, se encuentra en las ventanas
espectrales, de modo que las ventanas espectrales del mtodo FFT son ms
efectivas que las del mtodo B-T, puesto que las primeras no dan lugar a
estimaciones espectrales negativas y su banda de influencia en el dominio
frecuencia! es limitada.
Con respecto a la economa en tiempo de computacin, aunque generalmente
el mtodo directo es ms eficiente, en el caso de registros largos, analizados
empleando pocos lags, el mtodo B-T resulta ms econmico.
Proakis & Manolakis (1988) comparan el mtodo B-T con los

procedimientos de Bartlett y Welch para la estimacin del espectro va FFT y
concluyen que las tcnicas B-T. y Welch presentan propiedades superiores a la
B-T
FFT
\ \
\ \
\ \
i . 40 , \ 20
i
I0-'
ai os 10 ai 05 10
{ f
Figura 2.1: Espectros de un registro de oleaje (Lago Michigan) obtenidos mediante

los mtodos B-T y FFT, Edge k Liu (1970)
propuesta por Bartlett. Childers (1978) apunta que el mejor de los mtodos
directos (FFT) es el propuesto por Welch.
Ulrich (1972), analiza las caractersticas del espectro de una seal sinusoidal
truncada a la cual se ha aadido un determinado porcentaje de ruido blanco.
Tal como se ilustra en las figuras (2.2-a,b,c), donde se muestra la seal
sinusoidal de frecuencia IHz, con fase inicial cero y truncada en un ciclo
(2.2-a), correspondiente a 21 datos, el mtodo MEM (2.2-b) proporciona
una estimacin de una calidad enormemente mayor que la ofrecida por el
mtodo FFT (2.2-c). Adems, el periodograma provoca un desplazamiento
de la frecuencia de pico hacia frecuencias ms bajas. Efecto que se acenta al
introducir un desplazamiento en la fase de la seal analizada. Sin embargo,
MEM no se ve afectado por este desplazamiento de fase.
Lacoss, (1971) compara el mtodo B-T, aplicando la ventana espectral de

Bartlett, y el mtodo MEM, obteniendo que te ltimo es ms eficiente,
particularmente cuando el proceso analizado posee dos picos estrechos,
prximos entre s, que deben ser resueltos.
il
I I I
1.2
t.o l.t M J
rWULIÎ IHi>
Figura 2.2: (a)Sinusoide truncada (b)Espectro MEM (c)Espectro FFT (Ulrich,1972)
Ables (1974) realiz el anlisis experinaental de una seal con espectro

conocido (fig. 2.3-a) empleando los mtodos B-T y MEM. La seal posee
tres picos espectrales con forma gaussiana y amplitudes relativas (5 : 10 : 1).
El mtodo B-T es aplicado sin ventana espectral (fig. 2.3-c) y adems con la
ventana espectral "campana cosenoidar (fig. 2.3-d), con la cual se logra una
disminucin del efecto leakage inversamente proporcional a
(/ - fof
donde /o es la frecuencia sobre la que se centra la ventana y / representa la
frecuencia hasta la cual llega el efecto de dispersin de la varianza.
Wn = 1 + eos Trn
El nmero de /ags empleado es M = 15. Al aplicar el mtodo MEM (fig. 2.3-b)

se utiliza el mismo nmero de lags (coeficientes AR). Los resultados obtenidos
muestran una clara superioridad del mtodo MEM tanto en resolucin como
en la supresin del leakage.
Cheng & Stegen (1974) analizan el esprectro de seales sinusoidales, con

un cierto nivel de ruido, mediante los mtodos convencionales v el MEM. Al
K
a: Ui
u n 1
A/ O
o /U 1 0.
o.
JL FREOUENCY
L
FREOUENCY
c bl
u

o - O
a. Q.
FREQUENCY FREQUENCY
Figura 2.3: (a) Espectro verdadero; (b) Espectro MEM; (c) Espectro B-T sin
ventana; (d) Espectro B-T con ventana, (Ables, 1974)
contrario que Ulrich (1972), observan que el desplazamiento de la frecuencia de

pico es similar para los diferentes mtodos, dependiendo ste de la fase inicial y
de la longitud de la seal analizada. El desplazamiento de la frecuencia de pico
es sustancial para sinusoides cortas y disminuye gradualmente al aumentar el
nmero de datos. La resolucin espectral es muy superior al utilizar el mtodo
MEM.
Kaveh & Gooper (1976) obtienen que, mientras la resolucin del mtodo
B-T es independiente del nivel de ruido presente en la serie, la resolucin del
estimador MEM depende fuertemente de la relacin seal/ruido. Por otro
lado, la resolucin en MEM es muy superior a la de B-T.
La varianza de ambos estimadores es similar, cuando en el procedimiento B-T
se aplica una ventana espectral con un punto de truncamiento igual al nmero
de coeficientes AR empleado en MEM. Tambin los tiempos de computacin
son similares en ambos mtodos.
Ulrich & Clayton (1976) analizan la curva de intensidad de luz de un quasar

(fig. 2.4-a) utilizando los estimadores MEM y FFT (suavizado con un promedio
sobre 3 y 5 estimaciones adyacentes). Estudios previos, realizados con el
mtodo FFT, hablan detectado una periodicidad de 10 aos en el proceso. Sin
embargo, el anlisis mediante MEM (fig. 2.4-b) no refleja dicha periodicidad,
motivo por el cual Ulrich y Clayton consideran que sta falsa periodicidad es
fruto de una mala interpretacin, inducida por el mtodo de anlisis empleado.
Haimov et al., (1993) realizan un estudio sobre la modelizacin del oleaje

mediante modelos AR y su relacin con las tcnicas de teledeccin. Analizando
registros de oleaje de diferente longitud obtienen que, bajo condiciones
meteorolgicas estacionarias, los resultados proporcionados por el mtodo de la
FFT^ y el mtodo MEM son similares, para registros de duracin superior a los
10 minutos. Para registros de duracin inferior el mtodo FFT no es aplicable
desde el punto de vista prctico, debido a la elevada inestabilidad estadstica de
las estimaciones espectrales resultantes. Sin embargo, el mtodo MEM permite
realizar adecuadamente el anlisis de registros de duracin mucho menor (p.ej.
2 min.).
En consecuencia, el mtodo MEM ofrece la posibilidad de realizar de un modo
eficiente el anlisis espectral de registros de corta duracin, como los que deben
^Procedimiento de Welch con la ventana de datos de Hanning y el 25% de solapamiento
ser considerados al estudiar el oleaje en condiciones meteorolgicas de rpida

variabilidad, de forma que se cumpla la hiptesis de estacionareidad, implcita
en todos los mtodos de anlisis espectral descritos en ste trabajo, o bien en
el caso de registros incompletos que generalmente suelen ser rechazados (p.ej.
por fallo en el sistema de recogida de datos, por existir segmentos con un
elevado nivel de ruido, etc).
1 B
1
\
' ^*'^
I
1 -V'.i'
'n
I
"^M
i1
\
\ ^^V-<-^'V/-w^-^' ""
-
100 200
-
1
(oaTS/iool ^'^-^, MCM
0 0.9 10 >.s :; 2S
CTCLCS/noO 0*TS
Figura 2.4: (a)Serie temporal (b)Espectros MEM y FFT (Ulrich y Clayton, 1976)
2.2 Anlisis comparativo

Con el fin de comparar las caractersticas de las diferentes tcnicas de anlisis
espectral desarrolladas en el presente trabajo, es decir.
1. Mtodo Blackman & Tukey => [B-T]
(a) - Procedimiento de Daniell = > [FFT - D]

2. Mtodo FFT < (b) - Procedimiento de Bartlett = ^ [FFT - B]
(c) - Procedimiento de Welch = ^ [FFT - W]
. 3. Mtodo de Mxima Entropa => [MEM]
analizamos diferentes registros de oleaje, tanto simulados como reales, y estudiamos

el comportamiento de los momentos espectrales
nin-^ rS{f)df ; para n = 0 , 1 , 2 , 4 , - 1 (2.3)

o
dada su importancia en la determinacin de otros muchos parmetros espectrales,
tales como los diferentes periodos espectrales, parmetros de anchura de banda
y apuntamiento espectral,etc. Adems, se estudia la variabilidad de la altura de
ola significativa y la frecuencia de pico, dos parmetros fundamentales desde el
punto de vista prctico. Para ello, definiremos ambos parmetros siguiendo los
criterios dados por el grupo de trabajo sobre generacin y anlisis del oleaje, de
la Asociacin Internacional para Investigaciones Hidrulicas (lAHR), "List of Sea-
State parameters" (1990). Estas son:
Altura de ola significativa;
Una vez estimado el momento espectral, respecto a / = 0, de orden cero.
mo = Jsif)df (2.4)
o
determinaremos la altura de ola significativa, aceptando como vlida la distribucin
de Rayleigh para las alturas de ola. Esto es
Hmo = "^yAo (2.5)

2.2 Anlisis c o m p a r a t i v o 57
i
Mteu

]

a i1V /,! i/.

CM
.r-.r CH r
Figura 2.5: Definicin de la frecuencia de pico segn el mtodo de Delft.
Frecuencia de pico;
Dada la frecuencia de pico /p como la coordenada correspondiente al mximo

valor de las densidades espectrales obtenidas, S{fp), estimaremos la frecuencia de
pico mediante el mtodo de Delft. Es decir
hsim
f - ^ (2.6)
JPD ,
h{f)df
h
Expresin que define el centroide de la banda espectral centrada en /p y limitada
por Icis frecuencias inferior y superior a /p, asociadas a los primeros valores de 5 ( / )
que interceptan a la funcin de densidad espectral en el umbral definido por el 80%
de 5(/p), tal como se muestra en la figura (2.5).
2.2.1 C a r a c t e r s t i c a s del anlisis
El anlisis espectral de los registros de oleaje, simulados y reales, se realiza tratando

que las estimaciones obtenidas mediante las diferentes tcnicas posean estabilidad
estadstica y resolucin fracuencial similares aunque, con frecuencia, resulte dificil
alcanzar un compromiso ptimo entre ambas caractersticas.
Las series registradas por la Red Exterior de Medida y Registro de Oleaje (REMRO)
poseen, normalmente, 5120 datos digitalizados con una frecuencia de muestreo de
2H2. Sin embargo, dada su duracin, T K 43mzn., por lo general-, emplearemos

tan slo 2048 datos, con el fin de evitar posibles problemas de estacionareidad de la
sene.
Siguiendo la recomendacin de Tucker (1992,1993), utilizamos un valor de A /
O.OO5/2 dado que esta resolucin parece bastante adecuada para resolver los rasgos
del pico en un espectro tipo JONSWAP.
Esta resolucin se obtendr, para los diferentes mtodos, seleccionando los
parmetros que controlan dicha caracterstica como sigue
1. Mtodo B-T
N = 2048
M = N/10 w 204
1 0.0049^2
A/ 2MM
2. Mtodo FFT-D
N = 2048
{2m + 1) = 5
2m+l 0.0049^
A/ =
3. Mtodo FFT-B
A^ = 2048
N/Segm. = 512
4. Mtodo FFT-W
2048
N/Segm. 512
1 0.004^,
A/ N/Segm.At
5. Mtodo MEM
TV 2048
N.Estim. 200
1
A/ N/Estim.
= 0.005^^
2.2.2 Anlisis de registros simulados

La simulacin de los registros de oleaje se realiza aplicando el mtodo DSA (Tuah &
Hudspeth, 1982), por poseer la propiedad de que los espectros reconstruidos a partir
de la serie simulada, deben ser muy parecidos al espectro de partida. De este modo,
se pueden contrastar las caractersticas de los diferentes procedimientos espectrales
empleados.
Se generan tres registros tomando como espectros de partida los modelos espectrales
de Pierson k Moskowitz (1964), JONSWAP (Hasselmann et al., 1974) y Ochi &
Hubble (1976), que denotaremos respectivamente por P M , J y O H . Las expresiones
analticas de dichos modelos son:
Espectro Pierson-Moskowitz
(2.7)
donde
a = Parmetro de Phillips (0.0081)

g = Aceleracin gravitatoria (9.80665[m/^])
fp = Frecuencia de pico [Hz]
Espectro JONSWAP
(2.8)
donde
Factor de intensificacin de pico

<y = ojyj < fp) Parmetro de anclio de pico (lateral izquierdo)
(y = o-6(/ > /p) Parmetro de ancho de pico (lateral derecho)
Espectro Ochi-Hubble
(4A_, + l)(27r/p,)'
4
S() = I
J=l
r(A,) (2x/)(''^.+i) exp 4 )(W
(2.9)
donde
Hsi = Altura significativa para el espectro de bajas frecuencias

Frecuencia de pico para el espectro de bajas frecuencias
Al = Parmetro de apuntamiento para el espectro de bajas frecuencias
Hs2 = Altura significativa para el espectro de altas frecuencias
JP2 = Frecuencia de pico para el espectro de altas frecuencias
A2 = Parmetro de apuntamiento para el espectro de altas frecuencias
Registros simulados sin Ruido Blanco
A continuacin se muestran los '''espectros de partida", las series generadas y

las funciones de densidad espectral obtenidas mediante las diferentes tcnicas de
computacin utilizadas. Adems, se dan los valores de los momentos espectrales, la
altura de ola significativa y la frecuencia de pico, en funcin del mtodo empleado.
El mtodo de simulacin empleado en este trabajo es conocido como mtodo
de las fases aleatorias (Miles & Funke, 1988), o tambin como mtodo de amplitudes
espectrales deterministas (Tuah & Hudspeth, 1982). En este mtodo de simulacin
de oleaje se admite que el perfil de la superficie libre del mar puede expresarse como:
N/2
r]{t) = AnCos(2Trfnt + 0n) (2.10)
71=1
donde N representa el nmero de datos de la serie que se desea simular. Las

frecuencias / estn densamente distribuidas en el rango [0,oo) y las amplitudes An
vienen determinadas por el espectro de partida seleccionado mediante la igualdad:
An = y 2 5 ( / ) A / ;n = l , 2 , - - - , A 7 2
de modo que la ecuacin anterior puede ser escrita, como:
Ar/2
rjit) = y 2 5 ( / n ) A / c o 5 ( 2 7 r / + <^) (2.11)
n=l
Las frecuencias utilizadas vienen definidas por el incremento frecuencial. A / ,

determinado por la frecuencia mxima, o de corte, fe, para la que consideramos que
el espectro posee un contenido energtico significativo, y cuyo valor mximo queda
fijado por la frecuencia de Nyquist. La naturaleza estocstica del proceso es incluida
a travs de los ngulos de fase, ^ , admitiendo que stos estn uniformemente
distribuidos en el intervalo [0,27r]. Los valores de <z!> pueden obtenerse utilizando
alguna de las numerosas rutinas existentes para generar nmeros "pseudoaleatorios''\
uniformemente distribuidos en [0,1] (Ugrin,1991), y que pueden ser fcilmente
transformados a {/[0,27r] (Morgan, 1984).
Esta metodologa presenta la caracterstica de que el espectro obtenido a partir
de la serie temporal simulada reproduce con bastante apro.ximacin el espectro de
partida.
tu tst uo
Tiempo (rntg.)
T4 TSM til
Titmpo (m*g.)
Figura 2.6: Espectro P-M y serie simulada

tftttrm a-T
itpirm rrr-t
Mtftrm rrr-t
pMra rrr-w
Figura 2.7: Espectros serie ETADSA-PM
SIMULACIN : DSA ESPECTRO : P-M
Q- = 0.0081 ; /p = 0.1 \H,\
Parmetros
Estadstico M t o d o s de Anlisis
Espectrales
B &: T FFT-D FFT-B FFT-W MEM
mo \rn}\ 1.0002 1.0002 1.0049 1.0151 1.0012

mi [m^/.s] 0.1294 0.1304 0.1452 0.1401 0.1301
xa.2 [m^/^] 0.0196 0.0198 0.0273 0.0223 0.0202
m 4 [77z^/s'*] 0.0011 0.0011 0.0044 0.0012 0.0017
m_l [m^] 8.6104 8.4992 7.9651 8.0846 8.8371
fp [^.] 0.1029 0.1025 0.1064 0.1094 0.1005
fpn [^^] 0.1008 0.1026 0.1137 0.1068 0.0987

Hs [m] 4.0014 4.0014 4.0014 4.0014 4.0014
Hmo ['"] 4.0004 4.0003 4.0099 4.0302 4.0023
fmmmmmtmfmm
Figura 2.8: Espectros (a)B-T, (b)FFT-D, (c)FFT-B, (d)FFT-W, (e)MEM

I I I I I I I f^-^fn^^'^r'yi l i l i l I ^'.y^.T^^.^p'T^.^.'r i i i
C4 IM lU til Xte a*4 441 sil STt
Tittnpo (ng.)
riendo (tg.)
Figura 2.9: Espectro J y serie simulada

m - aMotf : , tMnt
j c xj : m. ^ O.VT : m, c a.n
-i=M3
JL
- -
t-
iM ' ' ct' ' .! . *-U -'* tJtw

fl lili (tm)
Figura 2.10: Espectros serie ETADSA-J
SIMULACIN : DSA ESPECTRO : JONSWAP
a = 0.0081 ; /p = 0.0976 \H^] ; 7 = 3.3 ; cTa = 0.07 ; a^ = 0.09
Parmetros
Estadstico Mtodos de Anlisis
Espectrales
mo [m^] 1.6771 1.6767 1.6920 1.6500 1.6827

mi [m?ls\ 0.1964 0.1971 0.2144 0.1986 0.1971
m2 [m?ls^] 0.0264 0.0265 0.0360 0.0272 0.0268
m4 [m? 1 s^] 0.0012 0.0012 0.0061 0.0012 0.0016
m_l [vi^s] 15.5203 15.4346 14.9829 14.7838 15.8573
fp [Hz] 0.0978 0.0977 0.1016 0.1016 0.0980
W [^^'] 0.0968 0.0979 0.0984 0.0984 0.0968
Hs [7n] 5.1807 5.1807 5.1807 5.1807 5.1807
Hnio ["] 5.1801 5.1795 5.2030 5.1380 5.1888
*- JMIIIII - r mu #n--^
ita. i^m m 4M . A fc /ta^ 1 lili . 4
im
h
tm- M* i _ , ^
-X
* *
1 ,
AHatlM * MNflMMa
5" ^ * nC-1II
i.
s ;
In

^ w- ;
'1/\I
7 \
f-
//.\\ '_ M- ./"\>
'..^
//#' /' ^^îu--...
* #
A.M &M
*ipii>i frr^*
Uf. Hm. 4Ut%ftm "
^ /
?.
; ;
m-
l
-.
L*~ ' j
i>M tM <LM .W Jit LM UW ir^î it
M d aatri M

StU: MTABSUI
M4 6U
ttz xss ato
Tiampo (ng.)
Titmpo (ttg.)
Figura 2.12: Espectro 0-H y serie simulada

Mtpmt^m O-M
, M,^mlS : /..majtS : KtJ

Mmie ! /,,ma.it : ]^.e
*im>i -r
n-
<yii rrr-
P> jrijr
i.
g .
14
-
Figura 2.13: Espectros serie ETADSA-0 & H
SIMULACIN : DSA ESPECTRO: OCHI-HUBBLE
Hsi = 2.5 ; Hs2 = 2.0 ; /pi = 0.05 ; fp2 = 0.12 ; Ai = 2.5 ; A2 = 2.0
Parmetros
Espectrales
B & T FFT-D FFT-B FFT-W MEM
mo [m2] 0.6407 0.6395 0.7445 0.8954 0.6047
mi [m'^/s] 0.0558 0.0561 0.1161 0.1854 0.0539
m2 [m'^/s^] 0.0065 0.0064 0.0436 0.0898 0.0066
m4 [m^/'*] 0.0005 0.0003 0.0217 0.0494 0.0008
m_l [m'^] 9.4419 9.0996 8.5939 9.7571 8.7751
fp [^.] 0.0490 0.0537 0.0625 0.0625 0.0503
W [^--] 0.0494 0.0496 0.0574 0.0574 0.0519

Hs [ni] 3.2022 3.2022 3.2022 3.2022 3.2022
Hnio ["^] 3.2018 3.1989 3.4514 3.7851 3.1105

tîii ^
' C U I X ^ - M f li,l:4
U i >*^ f ^C'
*t'
i-.
1-M
.7'A*
mv
m * .fc Ji ai* J
*> -
<flftj / / p f - c j i f v a j
^ o^ t ft^^n 1 vc^
.

', li 1 ><.! ^ M I M I ;
L

m \
<
^ H
1^^;;^
M &( .* A &A fllM
C ^ i i^'NLU f W K C J
iPM* mm ^mm
i-
' " ' " '""t
Figura. 2.14: Espectros (a)B-T, (b)FFT-D, (c)FFT-B, (d)FFT-W, (e)MEM

De los resultados anteriores se podra inferir que los mtodos B-T y FFT-D,
son los que mejores resultados proporcionan. Sin embargo, aunque parece obvio a
la vista de las grficas (2.8 y 2.14), correspondientes a las simulaciones generadas a
partir de los modelos espectrales P-M y 0-H, y de los valores de los parmetros
estimados mediante dichos mtodos, debe notarse que el nmero de datos por
segmento empleado en los procedimientos FFT-B y FFT-W es de 256 (T 2mm.).
Un valor realmente bajo para poder discernir la estructura frecuencial del proceso
simulado. Este hecho queda de manifiesto al observar la grfica (2.11), y los valores
de los parmetros estimados a partir de los espectros en ella representados. En
este caso se han utilizado 512 datos por segmento, de forma que a pesar de haber
reducido a la mitad el nmero de grados de libertad (estabilidad estadstica) de las
estimaciones, los resultados para los mtodos FFT-B y FFT-W experimentan una
mejora notable.
Es por este motivo que los mtodos de suavizado mediante promedios de la densidad
espectral asociada a una misma frecuencia (Bartlett y Welch), slo son aconsejados
cuando la longitud de la serie analizada es lo suficientemente grande como para poder
usar un nmero de segmentos tal que, permita obtener estimaciones espectrales
con una estabilidad estadstica aceptable y, al mismo tiempo, la longitud de cada
segmento posibilite la extraccin de los rasgos fundamentales del proceso analizado.
Respecto al mtodo MEM, es posible observar que, aunque los valores de los
diferentes parmetros no difieren sustancialmente de los obtenidos mediante B-T y
FFT-D, la fisonoma del espectro s que se aparta notablemente de la del espectro
de partida. Este fenmeno tiene una explicacin bien sencilla. Un filtro AR intenta
modelizar un proceso aleatorio considerando que la entrada al modelo es un ruido
blanco. Sin embargo, las seales sintetizadas mediante el mtodo DSA, no son ms
que una simple superposicin lineal de un nmero ms o menos elevado de sinusoides.
Es decir, las seales anteriormente analizadas son totalmente deterministas. A pesar
de ello, se observa que el mtodo es capaz de resolver los detalles del proceso simulado
con bastante exactitud. Vase el espectro MEM calculado para la serie simulada a
partir de un modelo 0-H.
Para verificar este hecho, a continuacin aadimos a la serie simulada con un espectro
J, un ruido blanco Gaussiano, de media nula, y estimaremos el espectro de la serie
resultante mediante los distintos mtodos de anlisis.
tmiK Mtatmsi * Jhrf^ I
i.
Figura 2.15: Serie ETADSAll+R.uido blanco y Espectros MEM

Strii: Mtmdmlt * Kvma
M-T
M-
'><*
rm)
SmiK Mltntt * JlwM*

Mtpmtn M-T
Mu. 4* 1 ^ tu
-H
C)
StiK ttutmtt * JlHMa

Mtpttn M-T
M. 4m Ufm > M
miin jwrsnr
Figura 2.16: Espectros B-T para la serie ETADSAll+R.uido blanco

Strit: < U 4 M > ( JtMMo

tmfmctro m-B
ttftttn MMSWtr
- rrr-a

'^. SOTte MIammIt * JtwMo > l i w

Jiytli XT-4
t
4ta. * MOmilwni >iL
":
i m t i jontw
r
-:
"
.( <>( Je
Figura, 2.17: Espectros FFT-D para la serie ETADSAll+Ruido blanco

Str*: ttmsmll * u U s 4(aM

ttpBiiro rrr-B
I il.irn[i <y>fi ii^ r
Xcrte XIMtoafr 4- JIuM M a i M
Mipmtn m-B
#tai * 4a*</OTtMnte tS
:
-

L
"
('
1w *IM .( . M JU JM
*;
C a i t e Mtmtmil * JtMU* M a m
Figura 2.18: Espectros FFT-B para la serie ETADSAll+Ruido blanco

Etptctro rrr-r
joMstur
M^mtn rrt-W
riÂo I r^
SiU: timmtt * uM*

MtpmUm m-W
Ha. tMlm/t.'tS$ : Satt^mU
' S t r i c Mtmdaatl * MMO M B M *

n- tfttra m-W
Ha. 4mim/mag.BttM : Sal^ 'TU
-:
/\ Mtfmtn MHsnr
1\ Mtfttat rrr~w
? '
hm. 11
M-
M
" / \
-
X^JLS-^^
.( .!
('*)
Figura. 2.19: Espectros FFT-W para la serie ETADSAll+Ruido blanco

Registros simulados con un Ruido Blanco
En las figuras (2.15-2.19) se ilustran los espectros obtenidos mediante los diferentes
mtodos, al aadir un ruido blanco a la serie simulada partiendo de un modelo
espectral JONSWAP.
Los resultados mostrados en la figura (2.15), ponen de manifiesto una mejora
sustancial en la estimacin de la funcin de densidad espectral, mediante el mtodo
MEM. De modo que para un orden del modelo p = 20, el espectro de partida y el
estimado empleando este prodedimiento son prcticamente indistinguibles. Adems,
las variaciones que sufre el espectro estimado, con una ligera modificacin del orden
del modelo seleccionado, son muy leves.
Las figuras (2.16) y (2.17), muestran claramente como los mtodos B-T
y FFT-D experimentan cambios importantes al disminuir el nmero de lags y
de estimaciones promediadas, respectivamente. Es decir, al reducir la resolucin
espectral, incrementando la estabilidad estadstica, las estimaciones B-T y FFT-D
aparecen cada vez ms suavizadas, alejndose progresivamente de la estructura del
espectro de partida. En el caso particular del mtodo FFT-D, al promediar bloques
de 9 estimaciones espectrales adyacentes, los resultados continan proporcionando
un ajuste realmente satisfactorio, aunque la resolucin espectral se ha reducido en
un orden de magnitud, aproximadamente, respecto del "raw''^ espectro.
Con respecto a los mtodos FFT-B (fig. 2.18) y FFT-W (fig. 2.19), se
aprecia un comportamiento anlogo al comentado en la seccin anterior. Es decir,
al disminuir el nmero de datos por segmento la bondad de los ajustes disminuye de
manera significativa. As, mientras para segmentos de duracin T 4.2 minutos, con
lo cual se obtienen 4 segmentos para FFT-B y 5 para FFT-W (25% de solapamiento),
los resultados son bastante aceptables, a pesar de la lgica inestabilidad de las
estimaciones, para segmentos de duracin T 1 minuto (16 y 20 segmentos
respectivamente) estos mtodos son incapaces de resolver la estructura frecuencial
del proceso, generando resultados ciertamente absurdos.
2.2.3 Anlisis de registros reales

En este apartado se analizan 18 series que corresponden a la boya de La Corua,
registradas el da 22/06/1993, con una cadencia de muestreo de 1 hora. Cada una de
ellas posee una duracin de 43 minutos, aproximadamente, y han sido digitalizadas
con una frecuencia de 2 H^.
A continuacin se presentan los valores de los parmetros ya indicados, para

cada registro, as como la representacin grfica de los espectros correspondientes
a cada mtodo, acompaada de los intervalos de confianza asociados a un nivel de
probabilidad del 90%.
En las estimaciones obtenidas mediante el procedimiento de mxima entropa no ha
sido posible introducir los intervalos de confianza, dado el escaso desarrollo del tema.
Baggeroer (1976), obtuvo una expresin analtica de los intervalos de confianza para
los espectros MEM, pero la complejidad de los resultados hace que stos sean de
poca utilidad, desde el punto de vista prctico. Newton y Pagano (1984) han logrado
obtener los intervalos de confianza para la funcin de densidad espectral de un
proceso AR(p) Gaussiano, pero los mtodos AR y MEM son iguales tan slo en
situaciones muy especiales.
Conjuntamente con los espectros individuales, correspondientes a cada mtodo, se
muestran en una nica grfica los espectros obtenidos con las cinco tcnicas, con la
intencin de facilitar la comparacin entre los mismos.
Los parmetros seleccionados, en la aplicacin de cada mtodo, se especifican en la
figura correspondiente.
TaJ como se coment con anterioridad, se emplean solamente 2048 datos de los 5120
que posee cada serie, con el fin de evitar posibles problemas de estacionareidad. Sin
embargo, para un registro, de entre los 18 analizados, se han estimado las funciones
de densidad espectral empleando adems los valores de A'^ = 512 y N = 4096, para
poder describir el efecto de la longitud del registro sobre dichas estimaciones y la
validez relativa de cada mtodo, en funcin de este parmetro.
Al igual que en los ejemplos anteriores, en el mtodo B-T se emplea la ventana
espectral de Parzen, mientras que en el mtodo FFT-W se emplea una ventana de
datos Cosenoidal truncada para reducir los efectos de leakage.
StriK C-e5-ti/0S/93
1.75- H m t04a
tJO*
Mf^ B-T
V Uttm* m-D
' Httam rrr-B
IM- ir<Mt* rrr-v
s Mmimm MMM
VI I
'u..: Vi'i
S 1 :
.7<- T'l
/ "
m *
e.M-
', v. i^k i
CLM-
Jfil
.>0 .M .M Ltf OJO
mmlmMm)
Figura 2.20: Espectros serie C-05-22/06/9.3
BOYA : LA CORUA HORA: 05:00 FECHA : 22-06-1993
Parmetros
Estadstico M e t o d o s d e Anal isis
Espectrales
mo [m^] 0.0573 0.0573 0.0576 0.0566 0.0573

mi l'T^/s] 0.0099 0.0100 0.0103 0.0101 0.0099
m2 [m'^/s'^] 0.0020 0.0020 0.0022 0.0021 0.0020
m4 [m^/s'*] 0.0001 0.0001 0.0002 0.0002 0.0001
m_i [m'^s] 0.6640 0.3605 0.3554 0.3505 0.3634
fp [H.] 0.1373 0.1416 0.1406 0.1406 0.1365
fpn [H^] 0.1376 0.1396 0.1411 0.1416 0.1348
Hs [m] 0.9575 0.9.575 0.9575 0.9575 0.9575
Hnio ["^] 0.9574 0.9574 0.9603 0.9519 0.9577
J*pv C-m-Mg/9t/B9
H ja
- ^ imii g - r ^
T *
i
h
1 \
r-
;
% i^^<.
Lm LW Lf ftj* ftM &Jf aiW A4 ti w
*MB c-m-at/m/n
H m a94
"i.
'"i
i.1 I' ' I
>
r C-M-M/W/U
4-
j
*
I
MtfB J K I f
ti W kM .!
/v
yLl<
"-*-^.-,
iL LM LM Af L4* * .<
Figura 2.21: Espectros (a)B-T, (b)FFT-D, (c)FFT-B, (d)FFT-W, (e)MEAl

STim: C-C6-tl/0/$3
1^- N m 204
h Mtmtm t-T
<.' I i aria rrr-o
" ntmm rrr-B
Jf mttam rrr-w
i/.-

1.0-

M-
M Uw._^ ,..
o.te
J n 0.1*
Figura 2.22: Espectros serie C-06-22/06/93

CM
BOYA: LA CORUA HORA: 06:00 FECHA: 22-06-1993
Parmetros
Espectrales
mo [m^] 0.0591 0.0591 0.0598 0.0620 0.0592
mj [m?/s] 0.0099 0.0100 0.0106 0.0106 0.0099
m2 [m^/^] 0.0019 0.0019 0.0023 0.0021 0.0019
m4 [m'^/s'*] 0.0001 0.0001 0.0003 0.0002 0.0001
m_i [m'^s] 0.3858 0.3828 0.3783 0.3948 0.3846
fp [H.] 0.1373 0.1367 0.1445 0.1367 0.1325
fpn [H,] 0.1353 0.1357 0.1401 0.1359 0.1329
Hs [m] 0.9732 0.9732 0.9732 0.9732 0.9732
Hnio ['] 0.9728 0.9726 0.9784 0.9957 0.9730
M B r-M-t/w/u rtor r-M-tt/M/M

f Mt
- 1
1 # M4

$ H 1
n
II **Mfc ^ ^ g ,
'~~* ''1
i II
.. 1 1
1

;',

n
11
f- f<
/i.
' 1*
M>
AW LM &J a AM AM &r
OTte e^m-MM/m/n r C-M-O/Mr/W

1 0 MW
M

* - ^ M M l a fPr-
* ~ * 4MUW 4 * a^^lHHB
*
r
11
T
11

S'\
'M\
- m
ii)iU<
M 1 J .
ii'wn;>.
., f* -TOlft^^tV M!*,
LM AJ a. . Aif mm Jm a i * kr* ii Lf af*
J M B e->-4(/Mi/*>
- JMt
r "
#'
!
A
J^
UI* LM a Af< J* ^ aJM a l t Jm a Ju
Figura 2.23: Espectros (a)B-T. (b)FFT-D. (c)FFT-B, (d)FFT-W, (e)MEM

5rw.- C~e7-tt/0S/9a
f.74 - H - M04a
1
< M-r
Matm^ rrr--
tM- ~ retad /rr-ii
1.1.00
Mv jri r / T - r
ifciate JUJr
i TA'I'
a.7'-
/I] I
LM'J l'\ w-,
A' ' 1 ^ ji 1
.u^
0.1 0 0.1 OJIO OJt aj

mnmmmim (Mm)
BOYA : LA CORUA HORA: 07:00 FECHA : 22-06-1993
Parmetros
Estadstico Meto d o s d e A n l i s i s
Espectrales
mo [m^] 0.0527 0.0527 0.0530 0.0572 0.0527
mi \vn}s\ 0.0091 0.0090 0.0095 0.0102 0.0091
m2 [m^/^] 0.0018 0.0018 0.0020 0.0022 0.0018
m4 \m'^s^\ 0.0001 0.0001 0.0002 0.0003 0.0001
m_i [m^s] 0.3326 0.3294 0.3256 0.3538 0.3321
fp \^z\ 0.1422 0.1367 0.1445 0.1367 0.1406
fpn [^^] 0.1384 0.1354 0.1423 0.1361 0.1393

Hs [m] 0.9183 0.9183 0.9183 0.9183 0.9183
Hmo ["^] 0.9179 0.9179 0.9206 0.9570 0.9181
: c-mr-tt/m/u
1
1
1
1
5
1 II
t 1
I t
> 1
II 1
>
art M ftJ* *f J* LM .
,1
Af
- V A ' **
J* LM U flLM . . .
MHK C-n-tM/m/H r C-r-2t/M/b
y*
>m<ti,i
Af* Afi ** AM *t LM LW &* *M AJ Af . aja . <L Ib
<)
MW e-^f~t/9/9
giM^ rrr-
liiKi / r r - r
* ibM LW .M

t.oe-
swTiit: c-oB-ti/oe/aa
t.TB -
H m 04B
I'
JO-
Htfâ t-T
m
.t.O^
i
/r 'li^l
ntmm rrr-D
Mttmm rrr~a
Mmtm f/T-W
MHm^ mu
Krsi // *^
000-
l\ Vk k
ejt-
n^-AiA
\^ sv'-^ VI S<^C^4*A^ - - ^
.M o.tt
<m,)
BOYA : LA CORUA HORA: 08:00 FECHA: 22-06-1993
Parmetros
Estadstico M t o d o s d e Anlisis
Espectrales
mo \vr?\ 0.0613 0.0613 0.0659 0.0596 0.0613

mj \r)T?ls\ 0.0108 0.0108 0.0137 0.0113 0.0108
m2 \rn^ls^\ 0.0022 0.0022 0.0041 0.0027 0.0022
m4 \m^s^\ 0.0002 0.0002 0.0013 0.0005 0.0002
m_i [m^s] 0.3817 0.3787 0.3962 0.3576 0.3803
p [^.] 0.1422 0.1416 0.1523 0.1523 0.1446
fpn [^-'] 0.1406 0.1403 0.1510 0.1467 0.1411

Hs [m] 0.9904 0.9904 0.9904 0.9904 0.9904
Hmo \m\ 0.9904 0.9904 1.0269 0.9769 0.9906
<wMr C - W ^ ^ / W / U Mwrtii e - M - I f / M /
' iV M I ' - MM
1
4- 4- t
i*a^*-r
f rm ItlK^l * III^WII
11 î
1 '(
1-
H
;
1 t
kA
f'
1^
f'
.\
^ ^^Ûrf! rsi..M .,
ai M LM H .W <LW Af AJ* tLJM t ^ fti aj* iLj i atj . LM LM # .44
fV; C - W - U / N / W
iMa*rr-*
; II
i.}
ftj Jf AM ftM
'%'
AJ
"'iCL'"' .!".1J"*i'
A
^.
&M Jf ILtf
! r-M-n/M/u
ILM afi tM AJ . A4f iL .M
Figura 2.27: Espectros (a.)B-T, (b)FFT-D, (c)FFT-B, (d)FFT-W, (e)MEM

1
rw.- C-e-I2/0e/93
N m t04
i ifateato M-T
M*i rn-D
m
/'5 M
//'.? 'V
- ^
Mttu*i rrr-w
mm*ta tan
0.0-
0.1 0 Jl AU Ll Ltf OJIO
BOYA: LA CORUA HORA: 09:00 FECHA : 22-06-1993
Parmetros
Estadstico M e t o dos de Anal isis
Espectrales
mo [m^] 0.0704 0.0703 0.0713 0.0756 0.0704

mj [rri^ls] 0.0117 0.0118 0.0126 0.0131 0.0117
m2 [m^ls^] 0.0022 0.0022 0.0027 0.0027 0.0022
m4 [ni?ls'^] 0.0001 0.0001 0.0004 0.0003 0.0001
m_i [ni^s] 0.4550 0.4518 0.4.500 0.4784 0.4545
fp [H.] 0.1471 0.1465 0.1484 0.1445 0.1406
fpn [^^] 0.1404 0.1445 0.1415 0.1433 0.1408
Hs [m] 1.0613 1.0613 1.0613 1.0613 1.0613
Hmo ['] 1.0610 1.0609 1.0684 1.0997 1.0612
, C-t-U/M/U
c-m-Mt/f/u
r
* j
*M *M t.n
wttr e~m-u^t/n
- m m msi
AJ*
jM^jfur
MM-
>4-
A
tJ-
/\
// \^^-^
A-
JW
* f ,lt LM ^ j* mM M Am u 1

Srrit: C-tO-t/OS/93
K - t04S
- Mfa B-T
- niam rrr-B
- ntma rrr-B
- Maima rfT-W
MU
OJO
Parmetros
Espectrales
mo [m^] 0.0572 0.0572 0.0579 0.0623 0.0572

mj [rn^/s] 0.0099 0.0100 0.0106 0.0110 0.0099
m2 [m'^/s^] 0.0020 0.0020 0.0023 0.0022 0.0020
1X14 [m'^/s'*] 0.0002 0.0002 0.0003 0.0002 0.0001
m_l [m'^s] 0.3616 0.3587 0.3577 0.3848 0.3598
p [H.] 0.1471 0.1465 0.1484 0.1484 0.1406
fpn m 0.1426 0.1449 0.1489 0.1470 0.1389
Hs [m] 0.9567 0.9567 0.9567 0.9567 0.9567
Hmo [in] 0.9565 0.9563 0.9622 0.9983 0.9567
r e-M-a/m/MS 4L-
twrt! C-l-U/t/U
K m MM
1
1
aj
fi
JL- - - ^ i * #Tr-#
1 i)
S l<
S
1,1^ t
f j - t)lll
1
'Tr V
i ^ i ^ ^ j ^ ^
> c-r*-4t/H|/u CH; C'l-U/H/tS
MMlMI*nia
&M a. &M M & &M
4J- kvttr V-l-/ai/s

J J M f
4-
AJ-
-.**"'
? -*-jiita*iir
ix^
^"1
M -
f^'
A
J-
biw LM
/
&> /v
*t
"^
.Cf UC lUf JC b ^
Jw

Srte; C-tt-lt/Oe/83
3.0- H t4
J
X.6- Mmimm M'T
Ma rrr-0
(Ma rrr-w
i t
lK y 1
-:
f.-
0^-
&0-
9.tt
Parmetros
Estadstico M t o d o s d e Anal isis
Espectrales
mo [m^] 0.0729 0.0729 0.0775 0.0733 0.0730

mi [m'^/s] 0.0119 0.0120 0.0152 0.0129 0.0119
m2 [m'^/s^] 0.0022 0.0023 0.0044 0.0025 0.0022
m4 [m'^/s'*] 0.0002 0.0002 0.0015 0.0002 0.0002
m_i [m'^s] 0.4842 0.4802 0.4947 0.4998 0.4929
fp [H.] 0.1422 0.1465 0.1484 0.1484 0.1446
pn [^^-] 0.140.3 0.14.50 0.1477 0.14.34 0.1428

Hs [m] 1.0807 1.0807 1.0807 1.0807 1.0807
Hnio ['] 1.0801 1.0801 1.11.37 1.1120 1.0804
"i
HK C-II-U/M/VI

JV M

f-
1
rrr-i

i i - i. I
. s\.
9-
'

.'s;
''I'
1-
M J> &fa
^ \
.M LM AM .M aiaf a.M * u 1 ILO >.U,_-!/
l a
m &M
liw> .
*
SJso
ILM
OMK c-ti-ti/m/a MK C-tl-U//*S
i.
,'>;;.
< i * \ ir
. *M &f* * l <
ib^ *8>i<nii
!>
M, C,..<,/M/M
JV M *
r-
iM>.at>
?
A..
g<J
.,
1'
*
,/ \
W iW f* 9.94 Lt *M tJt IM tM M ijW

XO-r
1 Seria: C-1t-tZ/0t/B3
N m t04t
' (1
Mttam M-T
t.e- iftmm rrr-D
"" Mttm rrr~B
ifctorfo rrr-w
- Haf HMM
'lu,:
s
m
1.0-
1%
Af-
^; ' ^
o.to O.S e.3o
BOYA : L A CORUA HORA: 12:00 FECHA: 22-06-1993
Parmetros
Espectrales
mo [m?] 0.0748 0.0748 0.0751 0.0779 0.0748

mi [rr^/s] 0.0124 0.0124 0.0128 0.0132 0.0124
m2 [m?ls^] 0.0024 0.0025 0.0026 0.0026 0.0024
m4 [ni^ls^] 0.0002 0.0002 0.0003 0.0003 0.0002
m_i [rn^s] 0.4990 0.4945 0.4868 0.5068 0.4974
fp [H.] 0.1324 0.1367 0.1406 0.1406 0.1325
fpn [Hz] 0.1327 0.1349 0.1390 0.1389 0.1330

Hs [m] 1.0940 1.0940 1.0940 1.0940 1.0940
Hmo [m] 1.0940 1.0939 1.0963 1.1165 1.0943
' JM C--l|/M/U jOTter e-tM-Ml/M/3

n m fea

* - IWlMlt * IWÎW
1
i-
J- ,,
' x
1
'A'
ri
1-
^^ \
J
H Jf a a.M iUH .M *M AM >m * 4 i

m sM ftf* af . ILM &S0
c-tt'U/m/â
0 m S04S
' mamm rrr-r
9.9 9M *.t U Afl Al J< & A4I &*
p c--^â

Snim: C-13-tZ/0e/93
xa- H m t04a
Z.5- jrad* B-T

.
A] 1 irta^ /'rr-A
111 Mfo rrr-w
fiO- |J\l Uttm* KMU
t
5M- \\\ VV
Vil U

lI 'll| vil
VA I
>.
/' 1 W A
/ '1 Vf ti
A^-
Jv ^
.> .! Jt9 9Jt JO
miuinri. r;
Parmetros
Espectrales
mo [m^] 0.0642 0.0641 0.0655 0.0645 0.0642

mj [m? 1 s] 0.0109 0.0110 0.0120 0.0113 0.0109
m2 [m^ls^] 0.0022 0.0022 0.0030 0.0024 0.0022
m4 [m?ls'^] 0.0002 0.0002 0.0007 0.0003 0.0002
m_i [m'^s] 0.4552 0.4209 0.4182 0.4129 0.4242
fp [^.] 0.1373 0.1367 0.1367 0.1367 0.1325
fpn [H,] 0.1331 0.1353 0.1360 0.1359 0.1330
Hs [m] 1.0135 1.0135 1.0135 1.0135 1.0135
Hmo ['] 1.0133 1.0129 1.0234 1.0159 1.0136
T c-it-Mt/m/u ' 0 m M
1
t' 1
^ Milite FTT-P
^' II - - llWllil HflMWIl
1, "
II
. 11
,'ll

JV U* .! *M AM
1-

%m aM a. 1
Ai^.^^
.if & HM CLM
MtHl C-IM'U/M/U
H m aa
;
"1
? '
'
s
;;
< i:!
LM a &> M JbM &r llf &M
Me C-l-tM/m/n
Moa
1
'
! A
. & Al*
/V^
Af< . .M *4*
Figura 2.37: Espectros (a)B-T. (b)FFT-D, (c)FFT-B, (d)FFT-W, (e)MEM

( Sra.- C-14-U/09/B3
; 'i\ N m t04
1
.eo-1 1,
il
Uf M-T
jfcto* rrr-D
0.7S- ~ ~ Mttma rrr-B
ni r ' uim4m rrr-w
Umtm MMM
iKVI'Vr
s i.
mejU-
f IV. I
1 r v /i
ejs- Yn\/Aj^N /r.
JiJ
'<^*'Â-*g^ / ^ i
. 0. .40
Parmetros
Espectrales
mo [m?] 0.0431 0.0430 0.0435 0.0414 0.0431

mj [w?ls] 0.0078 0.0079 0.0083 0.0079 0.0078
m2 [rn^ls^] 0.0017 0.0018 0.0020 0.0020 0.0017
m4 [m?ls'*] 0.0002 0.0002 0.0003 0.0004 0.0002
m_l [m^5] 0.2733 0.2699 0.2687 0.2563 0.2729
fp [Hz] 0.1422 0.1465 0.1484 0.1523 0.1285
fpn [-ff^] 0.1352 0.1455 0.1383 0.1399 0.1287

Hs [7n] 0.8304 0.8304 0.8304 0.8304 0.8304
Hmo ["] 0.8305 0.8298 0.8346 0.8134 0.8307

: t-14-a/m/n
-taris B-r
IM *M J* Ctf J* ILW
f.'4Nai>mii if I
*M &f* & AM
SJ- C-t-'MM/m/B
A- K JMt
AJi-
i" *i k * JOr
*#.f
I.**'
.T-
A
V s^--^
U -
H'
/
*4 W .W &f
&( "^^ LU AJt MM &C MW

IJU
STI C-1S-ZX/09/93
N M t04t
Maa M-T
- Hmlum rTT-t
Mtma rrr-B
- Mta rrr-w
CJO
Parmetros
Estadstico Meto dos de Anal isis
Espectrales
B &T FFT-D FFT-B FFT-W MEM
mo [m^] 0.0546 0.0546 0.0548 0.0534 0.0547

mj [m'^/s] 0.0103 0.0103 0.0106 0.0104 0.0103
m2 [m'^/s^] 0.0025 0.0025 0.0026 0.0026 0.0025
m4 [m'^/s'^] 0.0003 0.0004 0.0004 0.0004 0.0003
m_i [m'^s] 0.3398 0.3363 0.3312 0.3216 0.3384
fp [H.] 0.1373 0.1416 0.1406 0.1406 0.1285
fpn [Hz] 0.1351 0.1347 0.1390 0.1389 0.1272
Hs [m] 0.9355 0.9355 0.9355 0.9355 0.9355
Hmo [m] 0.9351 0.9345 0.9361 0.9242 0.9353
: c-fi-u/m/9a
JU.
*OT jm & &I jm m k fUf ilM 9.m
i- L
&M &f &M
vM r-i-u/M(^ti
***' # JMt f <
&
SJt-
i J t a M * JOV
Xzm-
^
$jm-
AS-
mim AM Att f hW LU J JM M L4I Jw
Figura 2.41: Espectros (a.)B-T, (b)FFT-D, (c)FFT-B, (d)FFT-W, (e)A4EM

STK C-tt~tt/et/B3
tas-
K m Z04
Mft a-T
1.7S-,
K'1 Mtu* rrr-t
umim rrr~a
Uf KMM
/ \ 1 '"l
s \ / l\W
0.7S-_ 1 MJ M
y ' tW
ajB' ^Y51^ X.
0.40- J
0. r .>5 OJO OM
BOYA : LA CORUA HORA: 16:00 FECHA: 22-06-1993
Parmetros
Espectrales
mo [m?] 0.0652 0.0651 0.0662 0.0660 0.0652

mj [m?ls\ 0.0120 0.0121 0.0129 0.0124 0.0120
m2 [m?ls^] 0.0027 0.0027 0.0032 0.0028 0.0027
m4 [w?ls^] 0.0003 0.0003 0.0005 0.0003 0.0003
m_i [m^s] 0.4063 0.4001 0.3969 0.3993 0.4052
fp [H.] 0.1422 0.1465 0.1445 0.1406 0.1325
fpn [^^] 0.1377 0.1422 0.1435 0.1439 0.1328

Hs [m] 1.0214 1.0214 1.0214 1.0214 1.0214
Hmo ['"] 1.0210 1.0206 1.0288 1.0274 1.0213
MK c-tt-Mt/m/u r e-f-Mt/M/n
J> M
fl-
- gifc<i * - r
i'1
..
t'

f'
/ ^ :e
A. Art aj aM
Me e--t/Ml/9 *: e-f-a/m/ti
< f r r - r
MU>M-k<>*<4>l
AM J * .M LM AM ftj A A< &
K - JIM
^j B
Figura 2.43: Espectros (a)B-T, (b)FFT-D, (c)FFT-B. (d)FFT-W, (e)MEM

Stri*: C-t7-tt/0e/93
H > t04a
- MHaa B-T
~ iittm* rrr-t
- Mtta rrr-B
- tod* rrr-r
- *Mto jcur
(Mt)
Parmetros
Estadstico M e t o d o s d e Anal isis
Espectrales
mo [m^] 0.0647 0.0647 0.0650 0.0673 0.0647

mi [m^/s] 0.0127 0.0127 0.0133 0.0133 0.0127
m2 [m'^/s^] 0.0031 0.0031 0.0034 0.0032 0.0030
m4 [m^/s^] 0.0003 0.0003 0.0005 0.0004 0.0004
m_i [m'^s] 0.3878 0.3835 0.3768 0.3931 0.3859
fp [^--] 0.1373 0.1416 0.1406 0.1406 0.1325
fpn [^^-1 0.1329 0.1354 0.1372 0.1362 0.1294

Hs [77] 1.0174 1.0174 1.0174 1.0174 1.0174
Hmo [m] 1.0174 1.0173 1.0197 1.0374 1.0176
MB c-n-tM/m/n
'^'f'l^ -0
&) m.1
Figura 2.45: Espectros (a)B-T, (b)FFT-D, (c)FFT-B. (d)FFT-W. (e)MEM

sni; c-iB-zz/oe/aa
i.re- hU S m M04a
I.SO-
Mttam B-T
Mtmm rrr-B
1JU- ~ uttmm rrr-B
Mata* rrr-w
.1.00-
I ll
"I
1 f\\
o.n-
nil 1 ' >iM A
//(I 1 1
OJtO-
h'j (
OJ'-_
o.ie o.it OM OM OJO
Parmetros
Espectrales

mo [m^] 0.0679 0.0679 0.0681 0.0656 0.0679
mj [m'^/s] 0.0124 0.0124 0.0129 0.0124 0.0124
m 2 [n^/5^] 0.0027 0.0028 0.0030 0.0029 0.0027
m4 [m'^/s'^] 0.0003 0.0003 0.0004 0.0004 0.0003
m_i [m'^s] 0.4257 0.4222 0.4162 0.3991 0.4251
fp [^.] 0.1324 0.1367 0.1367 0.1367 0.1285
fpn [^-'] 0.1302 0.1310 0.1322 0.1331 0.1268

Hs [7n] 1.0423 1.0423 1.0423 1.0423 1.0423
Hnio [m] 1.0421 1.0421 1.04.38 1.0244 1.0424
t- m c-it-tM/m/n J.J- Me e-f-Mt/m/n

Jt-
K m MU
&' 1
K M
f
AJ< <J-
l>
4L< 4L-
nkM i-r Su
"- MnUM i i i V f i I I
Sin
*HI|
U 1
'llti
A'
AM-
ES-
,
U -
!.;
i
t \ t
'' m "',
ms-
/V_ * ^ -.""'
'M-
Jr...:r>:)a9=
p: r - f - U / 4 / * 9
. M B CWM-û/M/aj
r K'f'-aM/m/n
&' jr jMf
A4-
4J$'
?" ^mt)ttiam
5^
A-
' ' -
A
' -
*<- V\
"J W ^M .rf i A
>
M UC tLM ftai C4 t^t uH

: Sirim: C-tl-XZ/06/n
1.76- N <M
t.t-
lmimd Frr-D
US- if ^ rrr-B
Mttaa m-W
Mmtm MMM
'.o:
S
:r5- *Jj M)
11 i|
a- !
oas-
j
0.1 0
fc
a.> o-M
/IIIMIII (M)
o-H .M
Parmetros
Espectrales
mo [m^] 0.0672 0.0671 0.0678 0.0682 0.0672

mj [rn?ls\ 0.0120 0.0120 0.0127 0.0126 0.0120
m2 [m^/s^] 0.0026 0.0026 0.0030 0.0028 0.0026
m4 [vi^/s^] 0.0002 0.0002 0.0005 0.0003 0.0002
m_i [ni^s] 0.4269 0.4227 0.4178 0.4191 0.4258
fp [^.] 0.1324 0.1318 0.1328 0.1367 0.1245
fpn [^^-] 0.1301 0.1331 0.1334 0.1350 0.1250

Hs [m] 1.0369 1.0369 1.0369 1.0369 1.0369
Hmo ["^] 1.0368 1.0.360 1.0412 1.0443 1.0370
M9rm e-Mt~U/m/9i
:] MMB e-ti-Mi/m/u 4J'
1
" M
a j - a^' II
^ * *** *-y
&' II
rrtJSStr;;,.
r i
^"i
i" ,
u- (' A;-",
1.1 i>
m''' (
J' ''Vsjv^^/ ,,
.ff .! ftJH ftJf ftJ .M .* *.<
C-f-tVMt/U : C-fl-If/M/U
IMi
..
L
L Jf ftlf f & n *f j
Mar e^l-tt^Û
**'\ - <M*
MM-
I N M .
-7
' *
^
. ,
* j '
Alm .w
/
* i
V\ '
.M iit ' LM 4 ii &4 UM iu
t->
Figura. 2.49: Espectros (a)B-T. (b)FFT-D, (c)FFT-B. (d)FFT-W, (e)MEM

Stria: C-U-Zt/oe/93
K m t04a
- Mttam M-T
- malm^m rrT-0
- Mttmu rrr-B
- Mifa rrr-r
- MtU MtM
BOYA : LA CORUA HORA : 22:00 FECHA : 22-06-1993
Parmetros
Espectrales
mo [m?] 0.0725 0.0724 0.0743 0.0687 0.0725

mi [rn^ls] 0.0127 0.0128 0.0138 0.0125 0.0126
ni2 [rr^ls^] 0.0026 0.0026 0.0032 0.0028 0.0025
m4 [m?/s'^] 0.0002 0.0002 0.0005 0.0003 0.0002
m_i [m?s\ 0.4604 0.4565 0.4597 0.4237 0.4603
fp [H=] 0.1324 0.1318 0.1328 0.1328 0.1285
fpn \H,] 0.1303 0.1303 0.1324 0.1340 0.1289
Hs [m] 1.0770 1.0770 1.0770 1.0770 1.0770
Hnio [m] 1.0768 1.0766 1.0996 1.0482 1.0771
lio Estudio Comparativo
(to C-tM-tt^t/t r C-tM-M/m/3

K Mf
- - iiiii r r r - f
- - i m i < nn>Mm
i'
, 1
9-

1 \
t-
iw 1S
J''î^
*! aif *J Uf AJ* AJf a IM i
AM J *
U
nnr c-u-u/tt/n
1 1
U> <LM LM k a &M -T L"
t'
a^W

'
;
# K
JK *
f-
m cw
.* *r a ILM LM LM Cdt *Jw
Figura. 2.51: Espectros (a)B-T, (b)FFT-D, (c)FFT-B, (d)FFT-W, (e)MEM

Sn.- C-X3-U/0/93
H m 104
<.-
m Mfiaa B-T
- - Mmku FFT-O
f^- 1 /iV'li 1 mmtmt rrr-B
Mtma rFT-W
i l/' Wr - ^ Mmfm MMM
iJ - i r vt
a- %
fj
f
'
'^1(
lT>^
^

' . ^ ^
e. rs oJ i OJO
*" .
Parmetros
Espectrales
mo [m^] 0.0731 0.0731 0.0754 0.0741 0.0731

mi [m^/s] 0.0124 0.0125 0.0142 0.0131 0.0124
m2 [m^/s^] 0.0024 0.0025 0.0036 0.0027 0.0024
14 [m'^/s'^] 0.0002 0.0002 0.0008 0.0003 0.0002
m_i [m'^s] 0.4728 0.4717 0.4725 0.4641 0.4714
fp [H.] 0.1373 0.1367 0.1406 0.1406 0.1325
fpn [^-'] 0.1349 0.1347 0.1375 0.1390 0.1295

Hs [m] 1.0815 1.0815 1.0815 1.0815 1.0815
Hmo ["^] 1.0814 1.0814 1.0985 1.0888 1.0817
; e-ii-U/M/t tnK c-u-tVM/W
! ^ ^ ** fW-
,1
a- 1 '
1'
('
1
u um a t.a t .M AL
af *M AJv
r r - f i 1 f 111
M
1
*. .
r C-O-O/M/U
lll
.''\^'''.''. ;(4^v.
ii^-^
iri; l l a l l i I
u*
IbM M Al* *M Jf AM AM AJf LOf U*
..rt. c . . a / M .
%-i .M>
<'
MO.
f

t-
Jw m
JIV^^
ir*
. IkW A ' ' i * ' LAC ' ' i M i


Strii c-00-u/oa/n
- - Mmlme r/T-D
<M*)
BOYA: L A CORUA HORA: 00:00 FECHA: 23-06-1993
Parmetros
Espectrales
mo [m?] 0.0964 0.0964 0.0965 0.0972 0.0965

mi [rn^/s] 0.0162 0.0162 0.0168 0.0168 0.0162
m2 [rn^ls^] 0.0031 0.0031 0.0034 0.0033 0.0030
1x14 [m?ls'^] 0.0002 0.0002 0.0003 0.0003 0.0002
m_i [m^s] 0.6213 0.6169 0.6041 0.6099 0.6198
h \H.] 0.1422 0.1416 0.1445 0.1445 0.1406
fpn [H.] 0.1378 0.1400 0.1434 0.1432 0.1387
Hs [m] 1.2426 1.2426 1.2426 1.2426 1.2426
Hmo [m] 1.2420 1.2419 1.2425 1.2473 1.2424
t OTM.- C - * - < 4 / / U
tc m t/m/u
*' /f m < M f
91
t0-
^ ^ ~ ift* ' PT-P
^ $' - - - U M A I M * MtflMMS
't t
U
S'
Ce ill
#
'ii
*
a-
' i''
t'<
\
t-
!
J\ c
r\
M tit .t mm .r* nu AJ* &4 .f
t c-m-ta/m/Bt MK e-t-ti/m/u
r i ' i i ii ii III I I
jm kM *M AJ Ai
l I I -r
MMttm rrt-t
rrr-w

BOYA: LA CORUA HORA: 22:00 FECHA: 22-06-1993 TV = 512
Parmetros
Estadstico M e t o dos d e Anlisis
Espectrales
mo [m^] 0.1013 0.1011 0.0464 0.0502 0.1014

mi [m'^/s] 0.0173 0.0177 0.0280 0.0280 0.0173
m2 [m^/s'^] 0.0035 0.0035 0.0203 0.0195 0.034
14 [m^/5'*] 0.0003 0.0003 0.0133 0.0120 0.002
m_i [m'^s] 0.6689 0.6329 0.1317 0.1689 0.6541
fp [H.] 0.1373 0.1367 0.6406 0.6406 0.1285
fpn [^^] 0.1287 0.1341 0.6374 0.6383 0.1294
Hs [m] 1.2739 1.2739 1.2739 1.2739 1.2739
Hmo [w] 1.2729 1.2721 0.8613 0.8959 1.2739
BOYA: LA CORUA HORA: 22:00 FECHA: 22-06-1993 iV = 4096
Parmetros
Espectrales
mo [m^] 0.0740 0.0740 0.0762 0.0741 0.0740
mi [m'^/s] 0.0130 0.0130 0.0144 0.0139 0.0130
m2 [m^/5^] 0.0026 0.0026 0.0035 0.0033 0.0026
m4 [m^/s'*] 0.0002 0.0002 0.0006 0.0006 0.0002
m_i [m^s] 0.4674 0.4653 0.4670 0.4532 0.4670
fp [^.] 0.1296 0.1318 0.1328 0.1338 0.1325
fpn [H.] 0.1301 0.1303 0.1323 0.1338 0.1310
Hs [m] 1.0883 1.0883 1.0883 1.0883 1.0883
Hmo ['"] 1.0881 1.0880 1.1039 1.0887 1.0883
116 E s t u d i o Comparativo
2.3 Discusin de los resultados

De los resultados obtenidos para los registros simulados a partir de un modelo
espectral P-M (figuras 2.7 y 2.8), J (fig. 2.10 y 2.11), O&H (fig. 2.13 y 2.14)
puede inferirse que todos los mtodos utilizados dan resultados similares para los
parmetros estadstico espectrales.
En el caso particular del espectro inicial P-M, la frecuencia de pico es /p = 0.1[Hz],
y los valores tericos de mo y -H^mo? obtenidos mediante la integracin analtica de
la funcin de densidad espectral terica son:
mo = 0.9996[m2] ^ jj^^ ^ 3.999[7??,]
Luego, el mejor de los resultados para Hmo se obtiene con FFT-D, mientras que
MEM proporciona el valor m^s prximo para fp.
A pesar de la similitud de los resultados, debe notarse que los mtodos FFT-B y
FFT-W provocan ligeras desviaciones de los parmetros obtenidos, respecto al resto
a los proporcionados por lo dems procedimientos.
En cuanto a la forma del espectro, el mtodo MEM ofrece el peor de los ajustes,
mientras que ste es prcticamente perfecto para B-T y FFT-D.
Resultados semejantes se obtienen para el espectro simulado con un modelo espectral
JONSWAP. Sin embargo, en este caso es de resaltar la mejora experimentada por
los mtodos FFT-B y FFT-W. Esta mejora es, sin duda, debida al aumento del
nmero de puntos por segmento. De este modo, el ajuste con el modelo terico es
bastante satisfactorio, en especial en el caso del procedimiento FFT-W, donde los
valores de la densidad espectral quedan siempre dentro de los intervalos de confianza,
estimados para un nivel de probabilidad del 90%.
El sesgo comentado en el anlisis del registro P-M mediante FFT-B y FFT-W,
vuelve a repetirse con el registro 0-H, donde nuevamente se han empleado 256
puntos por segmento. Adems, en este ejemplo, los mtodos B-T y FFT-D ya no
ofrecen el ajuste casi perfecto que muestran en los dos casos anteriores, mientras que
el mtodo MEM ha mejorado significativamente en este aspecto, proporcionando un
ajuste con una bondad similar a la dada por dichas tcnicas. Este hecho se debe
a la mayor anchura de banda del espectro de partida. Es decir, al mayor rango de
frecuencias contenido en el registro, dando lugar a una mayor "aleatoriedad" del
registro simulado, hecho que puede observar al comparar las series simuladas con los
tres modelos espectrales (figs. 2.6. 2.9 y 2.12).
SH.- C-U-it/Ot/ta
M > ; v* - Bl
4.-
Mttodo B-T
...
$a-
tM-
L<-
a. M LM ik Of .< & lias mjt IL4* a< .J*

fraeuaneia (Bu)
4LC- SrriK C-XZ-U/09/93

K m Bit ftm*1) ' 6
4^-
irla4a / T T - *
-: i
''^'i
f^:
Llle a( , LM aj tJU JO LW tiO & Uw

/Vteuaneia ^/Tc^
*M- StrlK C'tt-U/M/t

H til 11/Sfm.m tu
Mttao m-B
'*;
^T
. .f .r* JL ajii ju .M <LU . . *.

/yeuneia CAs^
Figura 2.56: Espectros serie 22-22/06/93 (N=5r2),(a.)B-T, (b)FFT-D, (c)FFT-B

. Stri*.- C-t-lZ/OS/a
44 H = StZ : N/5*9m.= IZB
4.- Sola^ 15
Mttodc rrr-w
1/1
M-
l.-
J-
4-
a. M .M Af0 .ft jo US CJO J6 lL4t Q.M Ktt
/ y t m i l meta (Hm)
4Lf STK C~U-U/09/B3
K B B1Z ; p m ts
": 1
^^-i
irtta^ jor
lo
'<';
'*:
î
J^--V_^
, *M Alt CM JS LU tje ijf L .M t ut
Figura 2.57: Espectros serie 22-22/06/93 (N=512),(a)FFT-W. (b)MEM

2.3 Discusin de los r e s u l t a d o s 119
4.S- Sari*.- C-2t-tX/0e/9a

N s 4 0 S . V * = 40S
4.0-
xs-
Mtloo B-T
-?": LvmiXn 4 ttmfiaaxMO.
h.i M
1 1
t 1
5i :
' *
VI '
'i f(V/\'.
OJ- 7 1' >

.^.-^
e.M AM 7 ^^=^
.IQ 0.IM .Jt JS
fWcucnoia (HM)
JO OM 9.49
SWTU: c-it-tt/oe/aa
M m 40H : N/Stpm.* Bit
Mtto rrr-B
lumia* a manfimnMa
I I 1 ^ !
aso oas 0.S0 0.40

A'ncucneia (iix)
Figura 2.58: Espectros serie 22-22/06/93 (N=4096),(a)B-T, (b)FFT-D, (c)FFT-B

S.0 Strie: C-22-22/0e/9S

4.S- N = 4096 : N/Sagm.* SI2
4.0- Solap: 25
a.5
Mtodo FFT-W
intitea dt eonfiatiMa
1.0
0.S
0.0 'I' I 11 i-n'-T-^^ I I I I I I I f I 1 I f

***" M I I
0M> 0.05 0.10 O.X0 OJU 0.40 0.M 0.40 e.< 0.M
/ V a e u c n e t a (Hz)
SOTM: C-X2-Z2/0e/aa
M B 4088 ; p * 2S
4.0
-VJLO
Motad MEM
^^^T^"^! I ^1 I I I I I I I I I I I I I I I I T ^ ^ ^ ^ W ^ ^ ^
0.00 O.Off 0.>0 0.>5 0.tO OJU 0.30 0.35 0.40 0.4S 0.50
Froeumeia (Ha)
Figura 2.59: Espectros serie 22-22/06/93 (N=4096),(a)FFT-W. (b)MEM

Tal como se comento en la seccin 2.2.2, la adicin de un ruido blanco a l'is seales
simuladas, hacen que los resultados proporcionados por el mtodo MEM mejoren
sustancialmente. De esta forma, tanto los valores de los parmetros, como la bondad
del ajuste con el modelo espectral son casi perfectos. Adems, se debe resaltar, que
la modificacin del orden del modelo AR ajustado no produce, sobre los resultados,
un efecto tan significativo como ocurre con el resto de los procedimientos de clculo.
Un simple anlisis visual de los espectros obtenidos para los 18 registros de oleaje
real estudiados, pone de manifiesto que los mtodos de anlisis espectral directos, es
decir, FFT-D, FFT-B y FFT-W, muestran una mayor variabilidad estadstica que
la presentada por las tcnicas B-T y MEM.
En cuanto a los resultados numricos, se puede destacar la similitud de los valores
obtenidos mediante los procedimientos B-T, FFT-D y MEM, mientras que los
resultados que ofrecen FFT-B y FFT-W, se apartan ligeramente de los estimados
por los anteriores, dada la escasa longitud de los registros.
Para confirmar este fenmeno, se ha realizado un anlisis ms exhaustivo de uno
de las series temporales (22:00/22-06-93), empleando para ello diferentes longitudes
de registro. En las figuras (2.56) y (2.57) se muestran los resultados para un valor
de iV = 512, observndose la inviabilidad de los mtodos FFT-B y FFT-W, en tal
caso. Sin embargo, tanto los valores obtenidos para los parmetros estadsticos
como la fisonoma del espectro, en relacin a la obtenida mediante el resto de
los procedimientos, experimenta una notable mejora, al aumentar la longitud del
registro hasta N = 4096, figuras (2.58) y (2.59).
Se debe resaltar la similitud existente entre los resultados proporcionados por los
mtodos B-T y MEM, siendo este ltimo capaz de detectar un pico secundario o
una meseta, alb' donde existe, (vanse, por ejemplo, las figuras 2.21, 2.29, 2.31, 2.39
y 2.45), sin resaltar posibles "falsos picos" que pueden detectarse mediante los otros
mtodos analizados.
Por otra parte, los mtodos B-T y MEM, no parecen sobrestimar los valores de
la densidad espectral, efecto este de gran importancia al determinar parmetros
como Qp (parmetro de Goda), (Tucker, 1991). Adems, debido a la "suavidad"
de los espectros obtenidos, estas tcnicas (B-T y MEM) posibilitan la aplicacin de
mtodos de ajuste no lineal a espectros tericos, con mucha mayor eficiencia que los
obtenidos va FFT, principalmente el mtodo MEM (Rodrguez y Jimnez, 1994).
De todo lo anteriormente comentado, se puede concluir que los mtodos B-T, FFT-
D y MEM, ofrecen mejores resultados que los procedimientos FFT-B y FFT-W,
cuando se emplean longitudes de registro que no hagan dudar obre la validez

de la hiptesis de estacionaridad, admitida intrnsecamente en todas las tcnicas
de anlisis estudiadas. Sin embargo, al ampliar la duracin de los registros, los
resultados proporcionados por los diferentes mtodos son muy similares.
Luego, dada la eficiencia computacional y las virtudes estadsticas de los mtodos
FFT-B y FFT-W, debidas stas ltimas a que en dichos procedimientos, las
estimaciones espectrales se obtienen mediante el promedio de diferentes valores de
la densidad espectral, asociada a una frecuencia dada, sera de gran importancia
el desarrollo de un estudio que permitiese conocer, con un nivel de confianza
significativo, si las las caractersticas del oleaje, en las distintas pocas del ao y
en diferentes puntos del litoral espaol, permiten la ampliacin de la longitud de los
registros, hasta intervalos de tiempo superiores a los aproximadamente 20 minutos,
utilizados en la mayora de los estudios de oleaje a corto plazo.
Respecto al mtodo MEM, es de vital importancia el llegar a deducir una expresin
para los lmites de confianza, que permitan conocer, de forma efectiva desde el punto
de vista prctico, la variabilidad estadstica de las estimaciones obtenidas.
Apndice A
Referencias
123
Referencias
[1] Ables, J.G., (1974),

''''Mximum entropy spectral analysis^, Astron. Astrophys. Suppl. Series, Vol.
15, pp. 383-393.
[2] Akaike, H., (1969),

^Power spectrum estimation through autoregressive model fitting", Ann. Inst.
Statist. Math., Vol. 21, pp. 407-419.
[3] Baggeroer, A . B . , (1976),

" Confidence intervals for regression (MEM) s])ctral estimates", IEEE Trans.
Information Theory, Vol. IT-22(5), pp. 534-545.
[4] Bartlett, M.S., (1948),

^Smoothing periodograms from time series with continuous spectra", Nature,
Vol. 161, pp. 686-687.
[5] Berryman, J.G., (1978),

" Choice of operator length for mximum entropy spectral analysis''\
Geophysics, Vol. 43, pp. 1384-1391.
[6] Bingham, C , M . D . Godfrey, and J.W. Tukey, (1967),

''''Modern techniques of power spectrum estimation''\ IEEE Trans. Audio and
Electroacoust., vol. AU-15, pp. 56-66.
[7] Blackman,R.B. and Tukey, J.W^. (1959),

" The measurement of Power S])ctra from the point of view of comunications
Engineering''\ Dover Publ., New York.
[8] B o r g m a n , L . E . , (1985),
^^Mximum-Entropy and Data-Adaptative procedures in the investigation of
124
125
Ocean Waves", en Mximum Entropy and Bayesian Methods rti inverse

problems, pp. 429-442, Eds. Smith and Grandy.
[9] Burg, R , (1967),

"Mximum Entropy spectral analysis", Proc. 37th Meeting of the society of
exploration Geophysicists.
[10] Burg, R , (1968),

'M new analysis technique for time series analysis", NATO advanced study
Inst. on signal processing with emphasis on Underwater Acoustics, Enschede,
The Netherlands.
[11] Burg, R , (1975),

''''Mximum Entropy Spectral Analysis'\ Ph.D. Dissertation, Department of
Geophysics. Standford University, Standford, California.
[12] Caldern J.A. and Marn A.L., (1986),

''''Mximum Entropy Spectral Estimation for Wind Waves", Procc. Int. Conf.
on Coastal Engineering, pp. 3-16.
[13] Chen, W . Y . and Stegen, G.R., (1974),

"Experiments with mximum entropy power spectra of sinusoids''\ J. Geophys.
Res., Vol. 79, pp. 3019-3022.
[14] Childers, D . G . , (1978),

"Modern Spectrum Analysis- Introduction", Ed. D.G.Childers, pp. 1-4.
[15] Cramer, H., (1946),

"Mathematical methods of statistics", Princeton Univ. Press, New Jersey.
[16] Cooley,J.W. and Tukey,J.W., (1965),

'Mn Algorithm for the Machine Calculation of Complex Fourier Series", Math.
Comput., Vol. 19, pp. 297-301.
[17] Daniel! (1946),

" Discussio7i of: On the theoretical specification and sampling properties of
autocorrelated time series", J. Roy. Stat. Soc, Ser. B, Vol. 8, pp. 88-90.
[18] Edge, B.L. and Liu, R C , (1970),

" Com]xiring power sKCtru computed hy Blackman-Tiikey and Fast Fourier
Transform" Water Resources Research, Vol. 6(6), pp.1601-1610.
Referencias
126 Referencias
[19] Egozcue, J.J., (1986),

^^ Temas de procesos estocsticos y anlisis es)ectraT\ Publicacin N.15,
Programa de Clima Martimo, M.O.P.T., Madrid.
[20] Fougere, P., Zawalic, E. and Radoski, H., (1976),

^ Spontaneous Une splitting in mximum entropy power spectrum analysis",
Phys. Earth, Planet. Int., Vol. 12, pp. 201-207.
[21] Gangopadhyay, A., Cornillon, P., and Jackson, L., (1988),

"AiUoregressive modelling for tlie spectral analysis of oceanographic data", J.
Geophys. Res., Vol. 94(C11), pp. 16215-16226.
[22] Gutowski, P.R., Robinson, E., and Trietel, S., (1978),

"Spectral stimation: fact or fiction", IEEE Trans. Geosc. Elect., Vol. GE-16,
pp. 80-84.
[23] Haimov, S., Hesany, V. and Moore, R., (1993),

"Autoregressive modeling for ocean wave - Radar modulation transfer
functior\ J. Geophys. Res. , Vol. 98(C5), pp. 8517-8529.
[24] Hasselmann, K. et al., (1973),

" Measurements of wind wave growth and Swell decay during the Joint North
Sea Wave Project (JONSWAP/\ Deutsches Hydrogr. Zeitschrift, Ser. A, No.
12.
[25] Haykin,S., (1983),

"Nonlinear Methods of Spectral Analysis", Springer-Verlag, New York.
[26] Hinnich, M.J. and Clay, C.S., (1968),

" The application of the discrete Fourier transform in the stimation of power
spectra, coherence and bispectra of geophysical data", Rev. Geophys., Vol. 6(3),
pp. 347-363
[27] Holm, S. and Hovem, J., (1979),

" Estimation of Scalar Ocean Wave Spectra by the Mximum Entropy Method",
IEEE Journal on Ocean Engineering, Vol. OE-4(3), pp. 76-83.
[28] Holm, S. and Overvik, (1981),

" Some applications of mximum entropy spectral estimations to ocean waves
and linear systems i'esponse in loaves". Appl. Ocean Res., Vol. 3(4), pp. 154-
162.
Referencias
127
[29] l A H R Working group on wave generation and analysis, (1980),

''"'List of Sea-State Parameters", J. Waterw. Port, Coast. Ocean Eng., Vol.
115(6), pp. 793-808.
[30] Jenkins,G.M. and Watts,D.G, (1968),

"Spectral Analysis and its Applications", Holden-Day, San Francisco,
California.
[31] Jones, R.H., (1976),

""Autoregressive order selectior\ Geophysics, Vol. 41, pp. 771-773.
[32] Kaveh, M. and Cooper, G.R., (1976),

"An empirical investigation of the properfies of the Autoregressive spectral
estimator'\ IEEE Trans. Inf. Theory, Vol. IT-22, pp. 313-323.
[33] Kay,S.M. and Marple, S.L., (1979),

"Sources and remedies for spectral Une splitting in autoregressive spectrum
analysis", Proc. IEEE Int. Conf. Acoust. Speech Signal Process., pp.151-154.
[34] Kay, S.M. and Marple, S.L., (1981),

"Spectrum Analysis - A modern perspective", Proc. IEEE, Vol. 69, pp. 1380-
1419.
[35] Kay,S.M., (1988),

"Modern Spectral Estimation: Theory and Application", Prentice-Hall,
Englewood Cliffs, New Jersey.
[36] Kashyap, R.L., (1980),

" Inconsistency of the AIC rule for estimating the order of autoregressive
models", IEEE Trans. Aut. Control, Vol. AC-25, pp. 996-998.
[37] Khintchine, A.J. (1934),

"Korrelationstheorie der Stationren Stochastschen Prozesse", Math. Ann.,
Vol. 109, pp. 604-615.
[38] Lacoss, R . T . , (1971),

"Data adaptive spectral analysis methods", Geophysics, Vol. 36, pp. 661-675.
[39] Landers, T.E. and Lacoss, R.T., (1977),

"Some geophysical applications of autoregressive spectral estimates", IEEE
Trans.. Vol. GE-15(1), pp. 26-32.
Referencias
128 Referencias
[40] Liu, R , (1989),

"On the slope of the equilibrhtm range in the frequency spectrum of ivind
waves", J. of Geophysical Research, Vol. 94, pp. 5017-5023.
[41] Longuet-Higgins, M.S.,(1952),

"On the statistical distribution of the wave heights of sea waves", J. Marine
Res., Vol. 2, pp. 245-266.
[42] Longuet-Higgins, M.S., (1957),

" The statistical analysis of a random moving surface", Proc. Roy. Soc. London,
Ser.A, Vol. 249, pp. 321-387.
[43] Marple,S.L., (1987),

^''Digital Espectral Analysis: with applications^\ Prentice-Hall, Englewood
ClifFs, New Jersey.
[44] Miles y Funke, (1988),

''''Numerical comparison of wave sinthesis methods", Proc. Int. Conf. Coastal
Eng.
[4.5] Morgan, B.J., (1984),

"Elements of simulatior\ Chapman & Hall.
[46] N e w t o n , H.J. and Pagano, M., (1984),

^^Simultaneous confidence bands for aiitoregresive spectrd'\ Biometrika, Vol.
71, pp. 197-202.
[47] N i e t o , J . C , (1991),
''''Anlisis espectral de registros de oleaje por procedimientos alternativos al
algoritmo FFT\ Publicacin N.42, Programa de Clima Martimo, M.O.P.T.,
Madrid.
[48] Ochi, M. and Hubble, E., (1976),

"On six-parameter wave spectra^\ Proc 15th Int. Conf. Coastal Eng., pp. 301-
328.
[49] Papoulis, A., (1981),

"Mximum entropy and sjjectral estimniion: A review'\ IEEE Trans. Acoust.
Speech Signal processing, Vol. ASSP-29(6), pp. 1176-1186.
Referencias
129
[50] Parzen, E. (1968),

"Mltiple time series modeling", Tecli. Rept. 12, Stanford University.
[51] Parzen, E. (1969),

''"'Mltiple time series modeling. Multivariate Analysis", en P.R. Krishnaiah
(Ed.), Academic Press, New York.
[52] Pea, H.G., Plaisted, Ocampo y Nava, (1980),

"Estimacin espectral de ondas ocenicas por Mxima Entropa", Geofsica
Internacional, Vol.l9, No.2, pp. 145-166.
[53] Phillips, O.M., (1958),

"The equilibrium range in the spectrum of wind-generated ocean waves", J.
Fluid Mech., Vol. 4, pp. 426-4.34.
[54] Phillips, O.M., (1985),

"Spectral and statistical properties of the equilibrium, range in wind-generated
gravity waves", J. Fluid Mech., Vol. 156, pp. 505-531.
[55] Pierson, W . J . , (1955),

" Wind generated gravity waves", Adv. Geophys., Vol. 2, pp. 93-177.
[56] Pierson, W . J . and Marks, W . , (1952),

" The power spectrum analysis of ocean wave records", Trans. Amer. Geophys.
Union, Vol. 33(6), pp. 834-844.
[57] Pierson, W . J . and Moskowitz, L., (1964),

"A proposed spectral form for fully developed wind seas based on the similarity
theory of S.A. Kitaigorodsky", J. Geophys. Res., Vol.69, pp. 5181-5190.
[58] Proakis, J.G. and Manolakis, D.G., (1988),

" Introduction to Digital Signal Processing", Mcmillaii Publishing Com., New
York.
[59] Rikiishi, K., (1976),

" Methods of computing the power spectrum for equally spaced time series of
finite lenght", J. Applied Meteorology, Vol. 15, pp. 1102-1110.
[60] R o d r g u e z , G . R . (1992),
"Spectral and Statistical characteristics of Wind Waves off Canary Islands",
Civil Engineering in the Oceans V, pp. 622-636., College Station, Texas, U.S.A.
Referencias
130 Referencias
[61] Rodrguez, G.R., (1993),

"Mtodos de anlisis espectral (Oleaje Escalar)", Convenio de Colaboracin
ULPGC-CEDEX(CEPYC), 408 pags.
[62] Rodrguez, G.R., Grisola, D . and Mederos, M., (1992),

" On the statistical variability of some spectral Bandwidth and nonlinearity
parameters of wind generated gravity waves", Proc. 6th lAHR Int. Conf. on
Stochastic Hydraulics, pp. 353-360.
[63] Rodrguez, G.R., Martnez, A. and Alejo, M., (1992),

'M contrast between the JONSWAP and Wallops spectral models, and a study
on the accuracy of several methods to fii the JONSWAP moder, Presented in
the 23th Int. Conf. on Coastal Eng., Venice (Libro de resmenes).
[64] Rodrguez, G.R. y Jimnez, J.Q., (1994),

" About the range of validity of different spectral models for wind-generated
gravity waves", Proc. Coastal Dynamics' 94, pp. 755-769.
[65] Schuster,A., (1898),

" On the Investigation of hidden periodicities with application to a supposed
26-day period of meteorological phenomena", Terr. Mag. Atmos. Elect., Vol. 3,
pp. 13-41.
[66] Smyle, D.E, Clarke, G.K. and Ulrich, T.J., (1973),

"Analysis of irregularities in the earth's rotatior\ Methods in computational
physics, Vol. 13, pp. 391-430.
[67] Swingler, D . N . , (1979),

"A comparison between Burg's mximum entropy method and a nonrecursive
technique for the spectral analysis of deterministic signis", J. Geophys. Res.,
Vol. 84, pp. 679
[68] Swingler, D . N . , (1980),

" Frequency errors in MEM processing", IEEE Trans. Acoust. Speech Signa!
processing, Vol. ASSP-28, pp. 257-259.
[69] Thorvaldsen, T.A., (1981),

"A comparison of the least square method and the Burg method for
autoregressive s])ctral analysis", IEEE Trans. Antennas Propag., Vol. AP-29,
pp. 675-679.
Refereiicia^
131
[70] Tuah, M. and Hudspeth, R.T., (1982),

" Comparisons of numerical random sea simulations'\ J. Waterways, Port,
Coastal and Ocean Eng., Vol. 108(4), pp. 569-584.
[71] Tucker, M. J., (1991),

" Waves in Ocean Engineering: measurement, analysis, interpretation.", Ellis
Horwood Limited, England.
[72] Tucker, M.J., (1992),

"Recommended standard for wave data sampling and real-time processing",
Rept. No. 3.14/186, E&P Forum.
[73] Tucker, M.J., (1993),

''''Recommended standard for wave data sampling and near-real-time
processing'\ Ocean Engineering, Vol. 29, pp. 459-474.
[74] Ugrin, G., (1991),

"Stochastic investigations of Pseudo-Random number generators", Computing,
Vol. 46, pp. 53-65.
[75] Ulrich, T.J., (1972),

^Mximum entropy power spectrum of truncated sinusoids'\ J. Geophys. Res.,
Vol. 77, pp. 1396-1400.
[76] Ulrich, T.J. and Bishop, T.N., (1975),

^^Mximum entropy spectral analysis and autoregressive decomposition", Rev.
Geophys., Vol. 13, pp. 183-200.
[77] Ulrich, T.J. and Clayton, R . W . , (1976),

''"'Time series modelling and mximum entropy'^ Phys. Earth Planet. nter.,
Vol. 12, pp. 188-200.
[78] Welch,P.D., (1967),

" The use of Fast Fourier Transform for the Estimation of Power Spectra: A
method based on time averaging over short, modified periodograms.^\ IEEE
Trans. Audio and Electroacoust., Vol. AU-15, pp. 70-73.
[79] Wiener, N . , (1930),

''' Generalized Harmonio Analysis", Acta Math., Vol. 55, pp. 117-258.
Referencias

Espectral Del Oleaje

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Espectral Del Oleaje

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD DE LAS PALMAS

Germn Rodrguez Rodrguez

Esta memoria es presentada por Germn Rodrguez Rodrguez, en el Departamento

Germn Rodrguez Rodrguez

1 Mtodos de Anlisis Espectral 1

1.1 Modelo lineal de Oleaje Direccional. (Pierson. et.al 1955) 4

2.1 Espectros de un registro de oleaje (Lago Michigan) obtenidos

2.17 Espectros FFT-D parala serie ETADSAll+Ruido blanco 74

2.53 Espectros (a)B-T. (b)FFT-D. (c)FFT-B, (d)FFT-W, (e)MEM . . ' . . 112

Mtodos de Anlisis Espectral

1.2 Idea fundamental del anlisis espectral

Definimos entonces un conjunto de cantidades, en trminos de F, que de alguna

1.3 Modelo Lineal de Oleaje

r]{x,y,t) = A eos /v'(a;cos^ + ysenO) ut + ^p (1.1)

donde A representa la amplitud, K el mdulo del vector nmero de onda, u la

r}{x,y,i) = / A{u,9)cos[K{xeos9 + ysend) - ut-\-ip{u>,0)] dudo

+ / / B{u, 6)sen [K{x eos 9 + ysenO) - ut-\- (^(w, 0)] dud9

siendo / la frecuencia lineal, mientras que A^n y V'mn representan la amplitud

El nmero de ondas Km puede obtenerse a partir de fm, mediante la relacin de

T){t)= J2 ^rn eos {2nfm t + fm) (1-4)

<fim = arctan ( - ^ ) (1.6)

Acm = Yl ^ " '^^^ l^^^^ ^^ ^ " + Kmysendn + fmn] (1-7)

Figura 1.1: Modelo lineal de Oleaje Direccional, (Pierson, et.al 1955)

Asm = X^ AmnSen [li'mX CCS On + limySenOn + Vmn] (1.8)

Se define el espectro direccional del oleaje, S{f,ff), como la densidad de

representar la energa esperada en el rango de frecuencias y direcciones antes

donde E[ ] es el operador esperanza matemtica.

La funcin de densidad espectral de un proceso aleatorio puede definirse slo

por lo que, la relacin entre el espectro direccional y el espectro unidimensional ser,

s{f) = Jsif,e)de (1.12)

Para la determinacin del espectro de frecuencias, de un proceso aleatorio

Am = ^J2S{f ,e)AfA9 (1.13)

T}{t) = I yj2S{f ,e)AfAecos{Kxcose + KysenO - 27r/ + <^) (1.14)

sino en funcin de S(f),

expresndose T)(t) como

7?() = y ^ 2 5 ( / ) A / c o s ( 2 7 r / + <^) (1.16)

o bien, en forma discreta

r){t) = ^ 2 5 ( / ) A / c o s ( 2 7 r / ^ + cpm) (1.17)

Obteniendo de esta manera, un modelo de oleaje unidireccional.

Fsicamente, con sta restriccin hemos perdido toda informacin respecto a

de medida. De ste modo, el modelo original, grficamente descrito por la figura

Figura 1.2: Modelo lineal de Oleaje Escalar

1.4 Mtodos para la estimacin del espectro

G(/)= R{T)ex'p{-i2irfr)dT (1.19)

procedimiento, conocido como mtodo del Periodograma, conlleva un' elevado

A principios de los aos setenta, aproximadamente, comienza a surgir con gran

La funcin de densidad espectral puede estimarse, segn lo visto anteriormente,

5 ( / ) = 4 /"i2(r)exp(-27r/r)ir />0;r>0 (1.21)

5(/) = lim I I Xif) |2 (1.22)

siendo X{f) los coeficientes complejos de Fourier que se obtienen mediante la

Xif) = r]{t)e<-'^''^'Ut (1.23)

Estos dos procedimientos reciben, generalmente, los nombres de Blackman-

Las nuevas tcnicas de anlisis espectral estn basadas en la caracterizacin de los

1.5 Tcnicas para el clculo automtico del espectro

RT) = lirn^^ J rj{t)rjit + r)dt (1.24)

Estimadores de la funcin de autocorrelacin

Al definir un estimador de la funcin de autocorrelacin, es importante tener presente

eliminando At se puede escribir

siendo jV el nmero de datos de la serie y M el nmero de Lags, es decir, el mximo

En lugar de discretizar la expresin (1.26), Akaike (1964) propone hacerlo con la

^2(^)=7FT7 E litnHtn + r)At (1.29)

Procediendo de igual manera que con el estimador RI{T), se puede escribir

Luego, la nica diferencia entre el estimador Ri{k) y el R2k) es el factor de

Anteriormente se demostr que la funcin de densidad espectral de un proceso