Beruflich Dokumente
Kultur Dokumente
DE G R A N C A N A R I A
\
Departamento de Fsica
MTODOS
DE
ANLISIS ESPECTRAL
DEL OLEAJE
Estudio Comparativo
.-"'i
Prlogo
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
m
IV
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
Mtodos de Anlisis Espectral
7/() = 5:r/3.()
T OO
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
Um , fm + A / ) y [On , ^ + Afl)
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
Am = yjAm+Alm (1-5)
mientras que
.J^
Jt V
A
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).
S{fm,0n)^fm^Or,
S{fm,en)^fmAen = ^ ^ ^ (1.9)
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 '^
2T
de forma que
OO TV
Am = yj2S{f)Af (1.15)
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
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
1.4.1 M t o d o s Clsicos
oo
1.4.2 M t o d o s Paramtricos
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
1.5 Tcnicas para el clculo automtico del espectro 11
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
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
12 Mtodos de Anlisis Espectral
N-k-l
(1.28)
N -k n-O
donde
A; = 0.1,2, ,M
Estimador sesgado
N-k-l
Mr) = M^^At) = R2{k) = ^ VnVn+k (1.30)
N n=0
Densidad Espectral
oo
5 ( / ) = 4 / i?(T)cos(27r/r)rfr O < / < oo (1.31)
^ R(Tn)cosi2TvfmTn) + (r_i)cos(27r/^r_i) / \
S(fm)=4 2^ [Tn - Tn-l)
n=0
(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
14 Mtodos de Anlisis Espectral
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
1.5 Tcnicas para el clculo automtico del espectro 15
n = 0,1.2,---,A y m = 0,1,2,- , M
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
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
16 Mtodos de Anlisis Espectral
iV-l
X{fm) = Ai E T/(<)e-2'^^'"'" (1.41)
n=0
para
donde
NAt
de forma que
1.5 Tcnicas para el clculo automtico del espectro 17
^ , ^ ... 'Iirmn
^~jmtn = 2-mnAfAt = -
por lo que la Transformada Discreta de Fourier para 7/() se podr escribir como
O bien
N-l
X(U = Ai 5 ^ T ? ( / ) e ( " ' ' ^ ) (1.43)
n=0
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
Jmax ^ . . = JN
f - f - ^V2 _ 1 _ ,
18 Mtodos de Anlisis Espectral
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
donde
Es decir,
iV-1 N-l
2nmn 271 mn
X{m) = eos N
iAt Y, nn sen (1.48)
n=0
N
n=0
5 ( / ) = lim -\X(f)f
1.5 Tcnicas para el clculo automtico del espectro 19
para
m
f^ = J^t ' "^ = 0 ' 1 ' 2 ' '^/2
5[X(/^)] = A/X:\nC0.(^)
^[X{fm)] = Ai ^ v^seni]
n=0 \ ly /
Mtodo de Daniell
{'?(0),?(l), ,?(A^-l)}
1.5 Tcnicas para el clculo automtico del espectro 21
{s(fo),S{fi),S(f2), J/N)}
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,
1 "*
(1.51)
j=-m
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,
22 Mtodos de Anlisis Espectral
1
5(0) 5(0) + 2 ^ 5 ( / , + , )
2m + 1 j=\
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
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.
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
Inicio
'^i]{nAt); n = 0 , l , - - - , i V - 1.
N-l
Ji -i2Trnm A
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)
N = K.M
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
(1.53)
j=o
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
Inicio
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)
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,
o bien, en forma c o m p a c t a
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)
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
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.
30 Mtodos de Anlisis Espectral
1.5.3 M t o d o de M x i m a E n t r o p a
l04lW^4'^
t-
t U 4 U t u t u t u U4 t u
tmrJ
Myntt iliiKi t
'
I
cr tssr .wal
|H
i-
i ?L
al ' '.i*
0.r ^ ' xs=" ..&^
(;
f qitetrv prom*c(iaiio
>;
f Inicio j
ZEJI7
D = M-S; K = INT N-M+D
D
A/-1
z^ = 7 E Mi)Y
1=0
J =0
SJU)=m 1=0
No
7 = 7+ 1
Si
''
SU)
Filtro lineal i rt 1
rP{B) * [Vt]
<t){B)rft = Wt
1.5 Tcnicas para el clculo automtico del espectro 35
rjt = (t>-\B)wt
El trmino
cpiB) = 1 - <l>iB - 4>2B'' cppB^
Hiz) = f g = - ^ , (1.55)
P 9
n{t) = Tl{nAt) = T]n = -Y^ akTJn-k + ^ bkWn-k (1.56)
< = E [wl
Luego, la funcin de densidad espectral de los datos observados ser simplemente
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.
1.5 Tcnicas para el clculo automtico del espectro 37
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:
H= J logSr,{f)df (1.60)
-JN
Burg, utilizando los multiplicadores de Lagrange, encontr que sometida a las (p+1)
restricciones
IN IN
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
[ R;{-m) ; m <O
IN
J2 R{mAt)e-'^''f"'^'df (1.63)
-N
IN
log5,(/) - A (5(/)e'2'^^'"^' - R{mAt)) df = 0 (1.64)
-N 1- mszp
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
40 Mtodos de Anlisis Espectral
Dada una serie tempord, y(nA), que representa una realizacin finita de un proceso
estocstico {T]{t)} Gaussiano y de media nula,
E(0) 1 = -
2
Luego,
p 2 _
Zvi
n=l
N
1.5 Tcnicas para el clculo automtico del espectro 41
fo(") = Vn , fo(^) = ^n
l<n< N
M + l<n< N
2 E ej_,iny^_,in-l)
MM) = KM = n-M+l
N
E H/-i("))' + (4-i("-i))'
n=M+l
42 Mtodos de Anlisis Espectral
M + l<n< N
PM = ^M = ^M-i ( l - -''A/J
donde, para m = 0,
M(0) = 1
al
s....U) =
N 1 + Y. p(m)e-'2'^/'"^'
1.5 Tcnicas para el clculo automtico del espectro 43
0<f<fN
O< m < p
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).
3. Para rdenes del modelo muy altos, el mtodo tambin introduce picos falsos.
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).
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 bz^ados 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:
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 ^Ueakage". 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 49
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'^iNirAtf)
Nsen'^iwAtf) ^ ' '
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.
50 Estudio Comparativo
B-T
FFT
\ \
\ \
\ \
i . 40 , \ 20
i
I0-'
ai os 10 ai 05 10
{ f
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.
il
I I I
1.2
t.o l.t M J
rWULI^I IHi>
(/ - 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
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)
54 Estudio Comparativo
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.
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)
56 Estudio Comparativo
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
i
Mteu
]
Frecuencia de pico;
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).
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
2.2 Anlisis c o m p a r a t i v o 59
5. Mtodo MEM
TV 2048
N.Estim. 200
1
A/ N/Estim.
= 0.005^^
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
Espectro JONSWAP
(2.8)
donde
Espectro Ochi-Hubble
(4A_, + l)(27r/p,)'
4
S() = I
J=l
r(A,) (2x/)(''^.+i) exp 4 )(W
(2.9)
donde
N/2
r]{t) = AnCos(2Trfnt + 0n) (2.10)
71=1
An = y 2 5 ( / ) A / ;n = l , 2 , - - - , A 7 2
Ar/2
rjit) = y 2 5 ( / n ) A / c o 5 ( 2 7 r / + <^) (2.11)
n=l
tu tst uo
Tiempo (rntg.)
T4 TSM til
Titmpo (m*g.)
tftttrm a-T
itpirm rrr-t
Mtftrm rrr-t
pMra rrr-w
Parmetros
Estadstico M t o d o s de Anlisis
Espectrales
B &: T FFT-D FFT-B FFT-W MEM
fmmmmmtmfmm
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.)
m - aMotf : , tMnt
j c xj : m. ^ O.VT : m, c a.n
-i=M3
JL
- -
t-
Parmetros
Estadstico Mtodos de Anlisis
Espectrales
B &: T FFT-D FFT-B FFT-W MEM
*- 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- ./"\>
'..^
//#' /' ^^^iu--...
* #
A.M &M
*ipii>i frr^*
^ /
?.
; ;
m-
l
-.
L*~ ' j
M d aatri M
StU: MTABSUI
M4 6U
ttz xss ato
Tiampo (ng.)
Titmpo (ttg.)
Mtpmt^m O-M
*im>i -r
n-
<yii rrr-
P> jrijr
i.
g .
14
-
Hsi = 2.5 ; Hs2 = 2.0 ; /pi = 0.05 ; fp2 = 0.12 ; Ai = 2.5 ; A2 = 2.0
Parmetros
Estadstico Mtodos de Anlisis
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
t^iii ^
' 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-
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.
72 Estudio Comparativo
i.
M-T
M-
'><*
rm)
-H
C)
miin jwrsnr
ttftttn MMSWtr
- rrr-a
":
i m t i jontw
r
-:
"
.( <>( Je
Mipmtn m-B
#tai * 4a*</OTtMnte tS
:
-
L
"
('
1w *IM .( . M JU JM
*;
C a i t e Mtmtmil * JtMU* M a m
Etptctro rrr-r
joMstur
M^mtn rrt-W
ri^Ao I r^
-
X^JLS-^^
.( .!
('*)
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.
78 Estudio Comparativo
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)
Parmetros
Estadstico M e t o d o s d e Anal isis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
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* * .<
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*
Parmetros
Estadstico M t o d o s de Anlisis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
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
82 Estudio Comparativo
$ 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
* - ^ 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
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^
Parmetros
Estadstico Meto d o s d e A n l i s i s
Espectrales
B & T FFT-D FFT-B FFT-W MEM
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
: 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 . . .
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-
Htf^a 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,)
Parmetros
Estadstico M t o d o s d e Anlisis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
<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 ^i
1 '(
1-
H
;
1 t
kA
f'
1^
f'
.\
^ ^^^Urf! 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
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
Parmetros
Estadstico M e t o dos de Anal isis
Espectrales
B &: T FFT-D FFT-B FFT-W MEM
, 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
Estadstico M t o d o s de Anlisis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
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 ^ ^
MMlMI*nia
&M a. &M M & &M
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
B & T FFT-D FFT-B FFT-W MEM
"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
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
Parmetros
Estadstico M t o d o s de Anlisis
Espectrales
* - IWlMlt * IW^IW
1
i-
J- ,,
' x
1
'A'
ri
1-
^^ \
J
c-tt'U/m/^a
0 m S04S
p c--^^a
Snim: C-13-tZ/0e/93
xa- H m t04a
Parmetros
Estadstico M t o d o s de Anlisis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
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*
( 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
'<^*'^A-*g^ / ^ i
. 0. .40
Parmetros
Estadstico M t o d o s de Anlisis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
: 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
: c-fi-u/m/9a
JU.
i- L
vM r-i-u/M(^ti
&
SJt-
i J t a M * JOV
Xzm-
^
$jm-
AS-
STK C-tt~tt/et/B3
tas-
K m Z04
Mft a-T
1.7S-,
K'1 Mtu* rrr-t
umim rrr~a
Uf KMM
/ \ 1 '"l
s \ / l\W
0.7S-_ 1 MJ M
y ' tW
ajB' ^Y51^ X.
0.40- J
0. r .>5 OJO OM
Parmetros
Estadstico M t o d o s de Anlisis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
MK c-tt-Mt/m/u r e-f-Mt/M/n
J> M
fl-
- gifc<i * - r
i'1
..
t'
f'
/ ^ :e
A. Art aj aM
Me e--t/Ml/9 *: e-f-a/m/ti
< f r r - r
MU>M-k<>*<4>l
AM J * .M LM AM ftj A A< &
K - JIM
^j B
Stri*: C-t7-tt/0e/93
H > t04a
- MHaa B-T
~ iittm* rrr-t
- Mtta rrr-B
- tod* rrr-r
- *Mto jcur
(Mt)
Parmetros
Estadstico M e t o d o s d e Anal isis
Espectrales
B &: T FFT-D FFT-B FFT-W MEM
MB c-n-tM/m/n
'^'f'l^ -0
&) m.1
sni; c-iB-zz/oe/aa
i.re- hU S m M04a
I.SO-
Mttam B-T
Mtmm rrr-B
1JU- ~ uttmm rrr-B
Mata* rrr-w
.1.00-
I ll
"I
1 f\\
o.n-
nil 1 ' >iM A
//(I 1 1
OJtO-
h'j (
OJ'-_
Parmetros
Estadstico Mtodos de Anlisis
Espectrales
'llti
A'
AM-
ES-
,
U -
!.;
i
t \ t
'' m "',
ms-
/V_ * ^ -.""'
'M-
Jr...:r>:)a9=
p: r - f - U / 4 / * 9
. M B CWM-^u/M/aj
r K'f'-aM/m/n
&' jr jMf
A4-
4J$'
?" ^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
Estadstico M t o d o s de Anlisis
Espectrales
B &T FFT-D FFT-B FFT-W MEM
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^^U
**'\ - <M*
MM-
I N M .
-7
' *
^
. ,
* j '
Alm .w
/
* i
V\ '
.M iit ' LM 4 ii &4 UM iu
t->
Stria: C-U-Zt/oe/93
K m t04a
- Mttam M-T
- malm^m rrT-0
- Mttmu rrr-B
- Mifa rrr-r
- MtU MtM
Parmetros
Estadstico M t o d o s d e Anlisis
Espectrales
B &T FFT-D FFT-B FFT-W MEM
- - iiiii r r r - f
- - i m i < nn>Mm
i'
, 1
9-
1 \
t-
iw 1S
J''^i^
*! aif *J Uf AJ* AJf a IM i
AM J *
U
nnr c-u-u/tt/n
1 1
t'
a^W
'
;
# K
JK *
f-
m cw
.* *r a ILM LM LM Cdt *Jw
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
Estadstico M t o d o s de Anlisis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
! ^ ^ ** 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*)
Parmetros
Estadstico M t o d o s de Anlisis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
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\
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
Parmetros
Estadstico M e t o dos d e Anlisis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
Parmetros
Estadstico M t o d o s d e Anlisis
Espectrales
B & T FFT-D FFT-B FFT-W MEM
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
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).
2.3 Discusin de los resultados 117
SH.- C-U-it/Ot/ta
M > ; v* - Bl
4.-
Mttodo B-T
...
$a-
tM-
L<-
irla4a / T T - *
-: i
''^'i
f^:
Mttao m-B
'*;
^T
. 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)
K B B1Z ; p m ts
": 1
^^-i
irtta^ jor
lo
'<';
'*:
^i
J^--V_^
, *M Alt CM JS LU tje ijf L .M t ut
xs-
Mtloo B-T
-?": LvmiXn 4 ttmfiaaxMO.
h.i M
1 1
t 1
5i :
' *
VI '
'i f(V/\'.
SWTU: c-it-tt/oe/aa
M m 40H : N/Stpm.* Bit
Mtto rrr-B
lumia* a manfimnMa
I I 1 ^ !
4.0- Solap: 25
a.5
Mtodo FFT-W
intitea dt eonfiatiMa
1.0
0.S
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)
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,
122 Estudio Comparativo
Referencias
123
Referencias
[8] B o r g m a n , L . E . , (1985),
^^Mximum-Entropy and Data-Adaptative procedures in the investigation of
124
125
Referencias
126 Referencias
Referencias
127
Referencias
128 Referencias
[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.
Referencias
129
[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
Refereiicia^
131
Referencias