Análisis de procesos estocásticos en el dominio de

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Análisis de procesos estocásticos en el dominio de"

Transcripción

1 Análisis de procesos estocásticos en el dominio de la frecuencia F. Javier Cara ETSII-UPM Curso

2 Contenido Función de densidad espectral Definición Relación con la transformada de Fourier Propiedades Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales Funcion de densidad espectral cruzada Estimacion de la funcion de densidad espectral Densidad espectral de algunos procesos estocásticos Generación de realizaciones artificiales 2

3 Función de densidad espectral Función de densidad espectral En el dominio del tiempo, un proceso estocástico queda caracterizado si conocemos la función de medias µ X (t) y la función de autocorrelación R X (τ) (o la función de autocovarianzas). Los procesos estocásticos estacionarios tienen propiedades muy importantes cuando se analizan en el dominio de la frecuencia. Un proceso estocástico queda caracterizado en el dominio de la frecuencia mediante la función de densidad espectral, que es la transformada de Fourier de R X (τ). La descripción en el dominio de la frecuencia de una señal determinista x(t) viene dado por la transformada de Fourier X(ω) (y por tanto, también por el espectro, X(ω) 2 ). Sin embargo, no siempre es posible calcular la transformada de Fourier de una señal aleatoria. La función de densidad espectral si se puede calcular. 3

4 Función de densidad espectral Para que una función f(t) tenga transformada de Fourier se tiene que cumplir. La función es absolutamente integrable + f(t) dt < 2. Cualquier discontinuidad de f(t) es finita. Sea {X(t)} un proceso estocástico. En principio, todos los procesos estocásticos que vamos a considerar no tienen discontinuidades infinitas. Para que se cumpla la primera propiedad se tiene que dar que X(t) 0 cuando t y t. Esto no pasa en los procesos estocáticos! Por tanto, no podemos calcular la transformada de Fourier de X(t). Vamos a calcular la transformada de Fourier de la función de autocorrelación, que es la que nos sirve para caracterizar el proceso estocástico en el dominio del tiempo. 4

5 Función de densidad espectral Para procesos estacionarios, la función de autocorrelación se puede poner como: R X (τ) = E(X(t)X(t +τ)) Los procesos estocásticos estacionarios dejan de estar correlacionados para valores muy grandes de τ, esto es lim τ R X(τ) = E(X(t))E(X(t +τ)) = µ 2 X Si la media del proceso es distinta de cero, se le resta la media y por tanto cumple que lim τ R X(τ) = 0 Por tanto R X (τ) dτ < Luego la función de autocorrelación de los procesos estocásticos estacionarios (con media cero) tiene transformada de Fourier. 5

6 Función de densidad espectral Definición Definición Sea {X(t)} un proceso estocástico estacionario. La función de densidad espectral de {X(t)}, que se escribe como S X (ω), se define como la transformada de Fourier de la función de autocorrelación: S X (ω) = 2π R X (τ) = R X (τ)e iωτ dτ S X (ω)e iωτ dω Las ecuaciones anteriores se conocen también como las ecuaciones de Wiener-Kinchin en honor a los matemáticos Norbert Wiener y Aleksandr Khinchin. Como la función de autocorrelación caracteriza al proceso estocástico en el dominio del tiempo, la función de densidad espectral caracteriza al proceso en el dominio de la frecuencia. 6

7 Función de densidad espectral Relación con la transformada de Fourier Relación con la transformada de Fourier de X(t) Si estamos trabajando con el proceso estocático {X(t)} y con la Transformada de Fourier (T.F.), sería deseable que la función de densidad espectral estuviese definida a partir de la T.F. de {X(t)} X(t) T.F. X(ω) = 2π X(t)e iωt dt Sin embargo, si el proceso estocástico es estacionario, teóricamente X(t) se extiende desde hasta +, y por tanto X(t) dt no es finita, por lo que en principio no se puede hacer la T.F. de X(t). Para resolver este problema vamos a considerar X(t) en el intervalo (0, T), y hacemos cero en el resto. Ahora si está definida la T.F. X(f, T) = T X(t)e iωt dt = X(t)e i2πft dt 2π 0 Vamos a trabajar con f en lugar de con ω para evitar el factor 2π. 7

8 Función de densidad espectral Relación con la transformada de Fourier La media de X(f, T) 2 para cada frecuencia f se calcula como E( X(f, T) 2 ) = E(X(f, T)X (f, T)) ( T = E X(t)e i2πft dt 0 ( T = E T 0 0 T 0 ) X(s)e +i2πfs ds ) X(t)X(s)e i2πf(t s) ds dt La región de integración se muestra en la figura siguiente (a). Si definimos τ = t s, la nueva área de integración es (b). ( T ) t E( X(f, T) 2 ) = E X(t)X(t τ)e i2πfτ dτ dt 0 t T 8

9 Función de densidad espectral Relación con la transformada de Fourier Si intercambiamos el orden de integración y tomamos la esperanza dentro: E( X(f, T) 2 ) = = T t 0 t T T t 0 t T E (X(t)X(t τ)) e i2πfτ dτ dt R X (τ)e i2πfτ dτ dt Como el integrando no depende de t, integramos primero en t y luego en τ. Hay dos regiones de integración, como se observa en (c): para τ ( T, 0) t (0,τ + T); τ (0, T) t (τ, T). 9

10 Función de densidad espectral Relación con la transformada de Fourier E( X(f, T) 2 ) = = = = 0 T 0 T T T R X (τ)e i2πfτ ( t+τ R X (τ)e i2πfτ (τ + T)dτ + R X (τ)e i2πfτ (T τ )dτ 0 ) ( T ) T dt dτ + R X (τ)e i2πfτ dt dτ 0 τ T 0 R X (τ)e i2πfτ (τ T)dτ La integral anterior va a infinito cuando T. Dividimos por T para que esto no ocurra: T ( T E( X(f, T) 2 ) = R X (τ)e i2πfτ τ ) dτ T Para T grande T lim T T E( X(f, T) 2 ) = R X (τ)e i2πfτ dτ = S X (f) 0

11 Análisis de procesos estocásticos en el dominio de la frecuencia Función de densidad espectral Relación con la transformada de Fourier Teorema Sea {X(t)} un proceso estocástico estacionario. La función de densidad espectral de {X(t)} se puede expresar como: S X (f) = lim T T E( X(f, T) 2 ) S X (ω) = lim T 2πT E( X(ω, T) 2 ) A grandes rasgos, lo que quiere decir el teorema anterior es que, para un proceso estocástico estacionario, el espectro de amplitudes del proceso se calcula como la media de los espectros de amplitudes de las diferentes realizaciones y se denomina función de densidad espectral (como una señal aleatoria no tiene transformada de Fourier hay que dividir por T y calcular el límite). El espectro de amplitudes también se conoce como periodograma. Pero el periodograma se suele representar en función del periodo, no de la frecuencia (T = /f ).

12 2 Análisis de procesos estocásticos en el dominio de la frecuencia Función de densidad espectral Relación con la transformada de Fourier Ya vimos un resultado similar en el tema de Fourier: la Transformada de Fourier de la correlación de dos funciones es igual al producto de la conjugada de la Transformada de Fourier de la primera función y la Transformada de Fourier de la segunda función. y(t) = x(τ)h(t +τ)dτ TF Y(f) = H(f)X (f) Cuando h(t) = x(t), la correlación se conoce como autocorrelación de x(t). Entonces se tiene y(t) = x(τ)x(t +τ)dτ TF Y(f) = X(f)X (f) = X(f) 2 La correlación anterior es entre dos funciones deterministas. En el caso de funciones aleatorias, tenemos que tomar esperanzas y dividir por T lim E(Y(f)) = lim T T T T E( X(f) 2 ) = S x (f)

13 3 Análisis de procesos estocásticos en el dominio de la frecuencia Función de densidad espectral Propiedades Propiedades La función de densidad espectral refleja el contenido en frecuencias del proceso estocástico, como se desprende de la relación entre la función de densidad espectral y la transformada de Fourier. Por tanto, dibujando la función de densidad espectral podemos observar qué frecuencias son las más importantes. Simetría S X ( ω) = S X (ω) Se basa en el hecho de que X(ω, T) es simetrico. La función de densidad espectral es positiva para todo ω. El área definida por la función de densidad espectral es igual al valor cuadrático medio del proceso estocástico (que es constante por definición de estacionaridad): R X (0) = E(X 2 (t)) = S X (ω)e 0 dω = S X (ω)dω

14 Función de densidad espectral Propiedades Luego el valor cuadrático medio ψx 2 = S X (ω)dω Como la media del proceso estocástico es cero: σx 2 = S X (ω)dω y de igual manera σx 2 = S X (f)df es decir, el área bajo la función de densidad espectral (ya sea en rad/s o Hz) es igual a la varianza del proceso. Estas relaciones son importantísimas. Por ejemplo, permiten comprobar si está bien calculada la función de densidad espectral. Tambien se utilizan para conocer las unidades de S X (ω). * Si U son las unidades de X(t) * las unidades de S X (ω) son U 2 /(rad/s); * las unidades de S X (f) son U 2 /(Hz). Por ejemplo, si estamos trabajando con aceleraciones, la funcion de densidad espectral se mide en (m/s 2 ) 2 /(rad/s) o en (m/s 2 ) 2 /Hz. 4

15 5 Análisis de procesos estocásticos en el dominio de la frecuencia Función de densidad espectral Propiedades Para cambiar de unidades de radianes por segundo a hertzios: En efecto, ω = 2πf dω = 2πdf σ 2 X = S X (f) = 2πS X (ω) S X (f)df σx 2 = S X (ω)dω σx 2 = S X (ω)2πdf Si las frecuencias negativas son suprimidas, la función de densidad espectral tiene que multiplicarse por dos para que se siga conservando el área. { 2SX (ω) ω 0 G X (ω) = 0 ω < 0

16 6 Análisis de procesos estocásticos en el dominio de la frecuencia Función de densidad espectral Propiedades Se definen por tanto 4 posibles representaciones de la densidad espectral (a) es conocido como densidad espectral biliteral (two-sided). (b) es conocido como densidad espectral uniliteral (one-sided).

17 Función de densidad espectral Propiedades Función de densidad espectral de potencia (PSD) Antes de la llegada de los ordenadores, los espectros se calculaban simulando las funciones mediante señales eléctricas. La energía de una señal x(t) se define como: E = x(t) 2 dt La potencia media de una señal x(t) entre 0 y T se define como: P = lim T T T 0 x(t) 2 dt Las definiciones anteriores provienen de las señales eléctricas: si v(t), i(t) y R son potencial, intensidad y resistencia respectivamente: p(t) = v(t)i(t) = i 2 (t) potencia instantánea por ohmio R La energía total y la potencia media disipadas en la resistencia son: E = i 2 (t) dt (Julios), P = lim T T T 0 i 2 (t) dt (Watios) 7

18 8 Análisis de procesos estocásticos en el dominio de la frecuencia Función de densidad espectral Propiedades Se definen los siguientes espectros:. Espectro de energía. Sea una señal x(t) con energia finita, esto es, E = x(t) 2 dt < Por tanto, se cumple la condición fundamental para que exista la transformada de Fourier. El espectro se calcula como: Θ X (ω) = 2π X(ω) 2 Se conoce también como densidad espectral de energía. 2. Espectro de potencia. Si la señal x(t) no tiene energía finita no se puede calcular su transformada de Fourier. Para calcular el espectro cogemos la señal entre 0 y T y: Φ X (ω) = lim T 2πT X(ω,T) 2 Debido a la semejanza de esta fórmula con la densidad espectral, a S X (ω) también se conoce como densidad espectral de potencia.

19 Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales En en dominio del tiempo hemos estudiado los siguientes modelos estocásticos lineales: Proceso de Ruido blanco. Proceso MA(q). Proceso AR(p). Para estos procesos, las ecuaciones de Wiener-Kinchin se suelen escribir como S(f) = γ(h) = N/2 h= N/2+ /2 /2 γ(h)e i2πfh, /2 f /2 S(f)e i2πfh df, h = 0,±,±2,... Es decir, transformada de Fourier en tiempo discreto (DTFT): los datos son discretos, γ(h) = {γ( N 2 + ),,γ( ),γ(0),γ(),γ(n 2 )}, pero la funcion de densidad espectral se define continua. 9

20 20 Análisis de procesos estocásticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales Ya vimos que la DTFT se definía (para datos con tiempo normalizado, es decir, t = ) X(ω) = N k=0 x k = 2π x k e iωk 2π X(ω)e iωk dω En estas fórmulas, k = 0,,..., N, y ω está definida en cualquier intervalo de longitud 2π [0, 2π], [ π 2, π 2 ]. Si utilizamos frecuencias lineales, ω = 2πf, dω = 2πdf, [ π 2, π 2 ] [ 2, 2 ] (el intervalo de integración es cualquier intervalo de longitud uno), luego X(f) = x k = N k=0 2 2 x k e i2πfk X(f)e i2πfk df

21 Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales Densidad espectral del ruido blanco El ruido blanco se define como w t N(0,σ 2 w ) Su función de autocovarianza es Luego S w (f) = N/2 h= N/2+ γ w (h) = { σ 2 w si h = 0 0 si h 0 Si trabajamos sólo con frecuencias positivas γ w (h)e i2πfh = σ 2 w, /2 f /2 G w (f) = 2σ 2 w, 0 f /2 Luego todas las frecuencias tienen la misma potencia o son igualmente importantes (igual que la luz blanca). El ruido blanco excita todas las frecuencias por igual. 2

22 22 Análisis de procesos estocásticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales Pero hemos visto que la densidad espectral también se escribe como S W (f) = lim T T E( W(f, T) 2 ) = lim T T E(W(f, T)W(f, T) ) dónde W(f, T) quiere decir la transformada de Fourier de una señal de ruido blanco w k de longitud T (si la señal se extiende de hasta + no tiene transformada de Fourier!). Pero hemos visto que S w (f) = σ 2 w lim T T E(W(f, T)W(f, T) ) = σw 2 Esta propiedad la vamos a utilizar en los apartados siguientes.

23 23 Análisis de procesos estocásticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales Densidad espectral de un proceso MA(q) La ecuación de un proceso estocástico MA(q) es: x t = w t +θ w t +θ 2 w t 2 + +θ q w t q, w t N(0,σw) 2 La función de densidad espectral de un proceso MA(q) es S x (f) = σw +θ 2 e i2πf +θ 2 e i4πf + +θ q e i2πqf 2, /2 f /2 G x (f) = 2σw +θ 2 e i2πf +θ 2 e i4πf + +θ q e i2πqf 2, 0 f /2

24 24 Análisis de procesos estocásticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales Para poder probar la fórmula anterior, hay que utilizar las siguientes propiedades de la transformada de Fourier: Linealidad z k = ax k + by k T.F. Z(f) = ax(f)+by(f) Despalzamiento en el tiempo (time shifting) x k T.F. X(f) x k m T.F. e i2πfm X(f) es decir, si la T.F. de x k es X(f), entonces la transformada de Fourier de x k m es e i2πfm X(f).

25 25 Análisis de procesos estocásticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales MA(q) x k = w k +θ w k +θ 2 w k 2 + +θ q w k q La transformada de Fourier de x k es X(f, T) = W(f, T)+θ e i2πf W(f, T)+ +θ q e i2πqf W(f, T) X(f, T) = ( +θ e i2πf +θ 2 e i4πf + +θ q e i2πqf) W(f, T) y el complejo conjugado X (f, T) = ( +θ e i2πf +θ 2 e i4πf + +θ q e i2πqf) W (f, T) Por tanto X(f, T)X (f, T) = +θ e i2πf + +θ q e i2πqf 2 W(f, T)W (f, T) Tomando esperanzas y el limite S x (f) = lim T T E [X(f, T)X (f, T)] = = +θ e i2πf +θ 2 e i4πf + +θ q e i2πqf 2 lim T = +θ e i2πf +θ 2 e i4πf + +θ q e i2πqf 2 σ 2 W T E [W(f, T)W (f, T)]

26 26 Análisis de procesos estocásticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales Densidad espectral de un proceso AR(p) La ecuación de un proceso estocástico AR(p) es: x t = φ x t +φ 2 x t 2 + +φ p x t p + w t, w t N(0,σ 2 w) La función de densidad espectral de un proceso AR(p) es S x (f) = σw 2 φ e i2πf φ 2 e i4πf φ q e i2πpf 2, /2 f /2 G x (f) = 2σw 2 φ e i2πf φ 2 e i4πf φ q e i2πpf 2, 0 f /2

27 Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales AR(p) x k = φ x k +φ 2 x k 2 + +φ p x k p + w k La tranformada de Fourier de x k es X(f, T) = φ e i2πf X(f, T)+ +φ p e i2πpf X(f, T)+W(f, T) W(f, T) X(f, T) = ( φ e i2πf φ 2 e i4πf φ q e i2πqf ) y el complejo conjugado X (f, T) = W (f, T) ( φ e i2πf φ 2 e i4πf φ q e i2πqf ) X(f, T)X W(f, T)W (f, T) (f, T) = φ e i2πf φ 2 e i4πf φ q e i2πqf 2 Tomando esperanzas y el limite S x (f) = lim T T E [X(f, T)X (f, T)] = lim T T E [W(f, T)W (f, T)] φ e i2πf φ q e i2πqf 2 = σ 2 W φ e i2πf φ 2 e i4πf φ q e i2πqf 2 27

28 28 Análisis de procesos estocásticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales Ejemplo Dibujar la función de densidad espectral del proceso MA() definido por x t = w t + w t, w t N(0,σ 2 w = ) Para un proceso MA() x t = w t +θ w t = (+θ B)w t = θ(b)w t con función de densidad espectral G x (f) = 2σw 2 +θ e i2πf 2 = 2σw(+θ 2 e i2πf )(+θ e i2πf ) = 2σw(+θ 2 2 +θ (e i2πf + e i2πf )) = 2σw 2 (+θ2 + 2θ cos(2πf)), 0 f /2

29 29 Análisis de procesos estocásticos en el dominio de la frecuencia Aplicacion. Funcion de densidad espectral de modelos estocásticos lineales 0 Funcion de densidad espectral de x t = w t + w t 8 S x (f) [U x 2 /Hz] f (Hz) 0 Funcion de densidad espectral unilateral 8 G x (f) [U x 2 /Hz] f (Hz)

30 Funcion de densidad espectral cruzada Funcion de densidad espectral cruzada Sea X(t) un proceso estocastico estacionario. La función de autocorrelación se definió como R XX (τ) = E[X(t)X(t +τ)] Sean X(t), Y(t) dos procesos estocasticos estacionarios. Se define la función de correlación cruzada como R XY (τ) = E[X(t)Y(t +τ)] R YX (τ) = E[X(t +τ)y(t)] La función de densidad espectral cruzada se define como la transformada de Fourier de la función de correlación cruzada. Por tanto hay dos de densidad espectral cruzada S XY (ω) = 2π S YX (ω) = 2π R XY (τ)e iωτ dτ R YX (τ)e iωτ dτ 30

31 Funcion de densidad espectral cruzada Propiedades Las funciones de correlación se obtienen haciendo la transformada de Fourier inversa R XY (τ) = R YX (τ) = S XY (ω)e iωτ dω S YX (ω)e iωτ dω Las funciones de densidad espectral cruzada toman valores complejos. Si X(t) e Y(t) son procesos estasticos con valores reales S XY (ω) = S YX(ω) Sea Z(T) suma de dos procesos estocasticos Entonces se cumple Z(t) = ax(t)+by(t) S ZZ (ω) = a 2 S XX (ω)+abs XY (ω)+abs YX (ω)+b 2 S YY (ω) 3

32 Estimacion de la funcion de densidad espectral Estimación no paramétrica. Método general. La estimacion puede ser: No paramétrica. Paramétrica. Se ajusta un modelo matemático a los datos. Para definir la estimación no paramétrica, vamos a utilizar la definición de la función de densidad espectral a partir de la T.F.: S X (ω) = lim T 2πT E( X(ω, T) 2 ) Si se tienen M realizaciones del proceso estocástico. Ŝ X (ω, T, M) = 2πT M M X m (ω, T) 2 m= Evidentemente, esta estimación será mejor si disponemos de muchas realizaciones (M >>). En general, la longitud de las realizaciones T debe ser suficiente para que la función de autocorrelación converga a cero. 32

33 Estimacion de la funcion de densidad espectral Pero tenemos que adaptar las fórmulas anteriores a señales discretas. Sean N valores discretos de X(t), x k = x(k t), k = 0,,..., N La T.F. de x k X n = j=0 N n=0 x k e i2πnk/n, n = 0,,..., N El cuadrado del módulo de X n es ( N N ) X n 2 = X n Xn = x j e i2πjn/n x m e i2πmn/n m=0 N N = x j x m e i2π(j m)n/n, n = 0,,..., N j=0 m=0 El valor esperado de esta cantidad es: E ( X n 2) = N N R X ((j m) t)e i2π(j m)n/n, n = 0,,..., N j=0 m=0 La doble suma se simplifica considerando el cambio de variables r = j m, j = s 33

34 Estimacion de la funcion de densidad espectral E ( X n 2) = 0 r= (N ) (N )+r s=0 n = 0,,..., N r= (N ) + N r= N R X (r t)e i2πrn/n, La suma correspondiente a s tiene que realizarse primero porque está expresada en términos de r. La suma es E ( X n 2) N ( = N r ) R X (r t)e i2πrn/n N Para N suficientemente grandes E ( X n 2) = N = N t N r= (N ) N r= (N ) s=r R X (r t)e i2πrn/n R X (r t)e i2πrn/n t, n = 0,,..., N 34

35 35 Análisis de procesos estocásticos en el dominio de la frecuencia Estimacion de la funcion de densidad espectral La suma en la segunda expresión es una aproximación a la función de densidad espectral: S X (f) = R X (τ)e i2πfτ dτ luego E ( X n 2) = N t S X(f n ), n = 0,,..., N Despejando S X (f n ) = t N E ( X n 2), n = 0,,...,N y en rad/s S X (ω n ) = t 2πN E ( X n 2), n = 0,,...,N

36 36 Análisis de procesos estocásticos en el dominio de la frecuencia Estimacion de la funcion de densidad espectral Basándonos en estas fórmulas, la función de densidad espectral discreta se puede estimar como Ŝ X (f n ) = t N Ê ( X n 2), n = 0,,..., N Si tenemos M realizaciones del proceso estocástico, la estimación de la esperanza es Ê ( X n 2) = M X mn 2, n = 0,,...,N M por lo que finalmente Ŝ X (f n ) = t MN m= M X mn 2, n = 0,,...,N m= y la función de densidad espectral unilateral Ĝ X (f n ) = 2 t M X mn 2, n = 0,,..., N MN 2 m=

37 Estimacion de la funcion de densidad espectral Estimación por máxima verosimilitud Si estimamos por máxima verosimilitud, el estimador obtenido es: Ŝ X (f n ) = t NM M X mn 2, n = 0,,...,N m= es decir, se obtiene el mismo resultado. Pero lo importante de este método es que podemos calcular la media y la varianza del estimador La media del estimador de la función de densidad espectral es: ) E (ŜX (f n ) = S X (f n )+ k= (2k + )(2k)! ( f 2 ) 2k S (2k) X (f n) S X (f n )+ ( f)2 24 S X (f n), n = 0,,..., N La varianza del estimador de la función de densidad espectral es: ) Var (ŜX (f n ) = (S X(f n )) 2, n = 0,,...,N M es decir, cuanto mayor es S X (f n ), mayor es la varianza del estimador. 37

38 38 Análisis de procesos estocásticos en el dominio de la frecuencia Estimacion de la funcion de densidad espectral Aspectos prácticos de la estimación de la densidad espect. Las fórmulas descritas en los apartados anteriores se utilizan para estimar la función de densidad espectral de un proceso estocástico estacionario. Sin embargo, a menudo sólo disponemos de una realización y tenemos que considerar el proceso estocástico como ergódico. La estimación en este caso sería: Ŝ X (f n ) = t N X n 2, n = 0,,...,N Esta estimación es muy mala. Por ejemplo, su varianza es el cuadrado de la función estimada: ) Var (ŜX (f n ) = (S X (f n )) 2 Para mejorar la estimación considerando sólo una realización aplicamos windowing.

39 39 Análisis de procesos estocásticos en el dominio de la frecuencia Estimacion de la funcion de densidad espectral Windowing consiste en tomar segmentos de la señal, calcular el espectro de cada segmento y luego hacer la media. Al dividir la señal en segmentos, disminuye la resolución en frecuencias del espectro, es decir, la separación entre las frecuencias aumenta. Si la señal original está muestreada con t y tiene N 0 puntos, y cada segmento tiene N puntos: * Señal original: Frecuencia de Nyquist: f nq0 = /(2 t); frecuencias: f n0 = n/(n 0 t) f n0 = /(N 0 t). * Segmentos: Frecuencia de Nyquist: f nq = /(2 t); frecuencias: f n = n/(n t) f n = /(N t). * Por tanto, f nq0 = f nq, f n0 < f n. Los segmentos se obtienen multiplicando la señal original por una función de peso o ventana. Cada ventana introduce un error en la DFT denominado leakage. Ventanas habituales: rectangular, Hamming, Hanning, Barlett, Chebyshev,... Para aumentar el número de medias a la hora de estimar E ( X n 2) se utiliza el solapado de las ventanas Método de Welch.

40 Estimacion de la funcion de densidad espectral Estimación paramétrica Los métodos no paramétricos no imponen ninguna condición a las señales, salvo que sean estacionarias. Si asumimos que el proceso estocástico se ajusta a un modelo matemático entonces tenemos estimación paramétrica. Nosotros sólo vamos a estudiar el modelo AR(p). Si los datos se ajustan a un modelo AR(p) x t = φ x t +φ 2 x t 2 + +φ p x t p + w t, w t N(0,σ 2 w ) entonces el espectro será G x(f) = 2σw 2 φ e i2πf φ 2e i4πf φ qe i2πpf 2, 0 f /2 Por lo tanto, si estimamos el modelo AR(p) a partir de los datos x t = ˆφ x t + ˆφ 2 x t ˆφ p x t p + ŵ t, ŵ t N(0,ˆσ 2 w ) la estimación de la función de densidad espectral será 2ˆσ w 2 Ĝ x (f) = ˆφ e i2πf ˆφ 2 e i4πf ˆφ q e i2πpf 2, 0 f /2 40

41 Estimacion de la funcion de densidad espectral Ejemplo Sea el proceso MA() definido por { xt = w t + w t, w t N(0,σ 2 w = ) t =, 2, 3,..., N, N = 0000, t = 0, s Estimar su función de densidad espectral. Ya conocíamos su función de densidad espectral teórica G x (f) = 2σ 2 w (+θ2 + 2θ cos(2πf)), 0 f /2 Como conocemos t, lo ideal es que la funcion de densidad espectral esté definida en 0 f f nq = /(2 t) 0 f /2 0 f f nq = /(2 t) Luego hemos dividido las frecuencias por t. Como el área bajo la función de densidad espectral se tiene que conservar, multiplicamos G x por t. La estimación se lleva a cabo con la fórmula Ĝ X (f n ) = 2 t N Ê( X n 2 ), n = 0,,..., N/2 4

42 42 Análisis de procesos estocásticos en el dominio de la frecuencia Estimacion de la funcion de densidad espectral 2 Funcion de densidad espectral teorica 2 Estimacion con una realizacion G x (f) [U x 2 /Hz] G (f) [U x 2 /Hz] f (Hz) Estimacion con 00 realizaciones f (Hz) Estimacion con una realizacion dividida en 0 segmentos 2 G 00 (f) [U x 2 /Hz] G s (f) [U x 2 /Hz] f (Hz) Estimacion con Welch de matlab f (Hz) Estimacion parametrica con un AR(20) 2 G Welch (f) [U x 2 /Hz] f (Hz) G AR (f) [U x 2 /Hz] f (Hz)

43 43 Análisis de procesos estocásticos en el dominio de la frecuencia Densidad espectral de algunos procesos estocásticos Densidad espectral de algunos procesos estocásticos

44 Generación de realizaciones artificiales Generación de realizaciones artificiales Si se conoce la función de densidad espectral de un proceso estacionario, se pueden calcular realizaciones del proceso estocástico que verifiquen dicha función de densidad espectral. Estas realizaciones artificiales se pueden utilizar para carcular la respuesta del sistema en el tiempo. Sea un proceso estocástico {X(t)} del que conocemos su función de densidad espectral unilateral discreta, G X (ω n ). Sabemos que G x (ω n ) = t Nπ E( X n 2 ) X n = N N k=0 x k e i2πnk/n N x k = X n e i2πnk/n n=0 por tanto, si generamos los X n de manera que verifiquen la primera ecuación, podemos calcular una realización x k (utilizando la última ecuación) con la función de densidad espectral buscada. 44

45 Generación de realizaciones artificiales En general, de la teoría de la transformada de Fourier discreta sabemos que los X n son complejos X n = A n + ib n X n 2 = A 2 n + B 2 n E( X n 2 ) = E(A 2 n )+E(B2 n ) Como estamos trabajando con procesos estocásticos de media cero, se cumple que E(A n ) = 0, E(B n ) = 0 En efecto X n = N N k=0 x k e i2πnk/n = Tomando esperanzas E(X n ) = N k=0 N k=0 N x k N cos(2πnk/n) i E(x k ) N N cos(2πnk/n) i k=0 k=0 x k N sin(2πnk/n) E(x k ) N sin(2πnk/n) Como el proceso tiene media cero E(x k ) = 0 E(A n ) = 0, E(B n ) = 0. 45

46 46 Análisis de procesos estocásticos en el dominio de la frecuencia Generación de realizaciones artificiales Por tanto se cumple que Si tomamos entonces se cumple t Nπ E( X n 2 ) = t Nπ E(A 2 n ) = Var(A n), E(B 2 n ) = Var(B n) E( X n 2 ) = Var(A n )+Var(B n ) ( A n N 0,σ 2 = Nπ ) 2 t G X(ω n ) ( B n N 0,σ 2 = Nπ 2 t G X(ω n ) ( Nπ 2 t G X(ω n )+ Nπ ) 2 t G X(ω n ) = G x (ω n ) Y obtenemos la función de densidad espectral buscada. )

47 Generación de realizaciones artificiales Hay que tener en cuenta las propiedades de la transf. de Fourier discreta: Si N es par: * X 0 es real, en concreto es la media X 0 = N N k=0 x k. Como trabajamos con procesos estocásticos de mecia cero, X 0 = 0. * X N/2 también es real X N = N x k e iπk = N x k cos(πk) 2 N N k=0 k=0 Por tanto tomamos ( 2 X N N 0,σ 2 = Nπ ) 2 t G X(ω N) 2 * Los términos entre n = y n = N se calculan generando An y 2 B n como se ha indicado. Los términos entre n = N + y n = N 2 son complejos conjugados de éstos. Si N es impar: * X 0 sigue siendo la media X 0 = 0. * Los términos entre n = y n = N se calculan generando A 2 n y B n como se ha indicado. Los términos entre n = N+ y n = N son 2 complejos conjugados de éstos. Una vez que tengamos calculados los X n x k = ifft(x n ). 47

48 48 Análisis de procesos estocásticos en el dominio de la frecuencia Generación de realizaciones artificiales 20 Funcion de densidad espectral dada G w (rad/s) Realizacion generada 00 x t t (s) Metodo Welch por defecto de matlab 20 G x w (rad/s) Metodo Welch con ventanas Hamming de 500 datos, solapadas el 75% 20 G x w (rad/s)

Análisis de Fourier. Análisis de Fourier. F. Javier Cara ETSII-UPM. Curso 2012-2013

Análisis de Fourier. Análisis de Fourier. F. Javier Cara ETSII-UPM. Curso 2012-2013 F. Javier Cara ETSII-UPM Curso 1-13 1 Contenido periódicas. Serie de Fourier. periódicas. Serie de Fourier compleja Espectro no periódicas. Serie de Fourier. no periódicas. Transformada de Fourier. Catalogo

Más detalles

Análisis de procesos estocásticos en el dominio del tiempo

Análisis de procesos estocásticos en el dominio del tiempo Análisis de procesos estocásticos en el dominio del tiempo F. Javier Cara ETSII-UPM Curso 2012-2013 1 Contenido Introducción Procesos estocásticos Variables aleatorias Una variable aleatoria Dos variables

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 3 (Análisis espectral) 2015 Dominio temporal vs. dominio de frecuencias Son dos enfoques para encarar el análisis de las series temporales, aparentemente

Más detalles

Convolución y Convolución Discreta Definición de convolución Cuando hemos aplicado, en el apartado anterior, una función ventana o hemos muestreado una función dada, implícitamente hemos estado efectuando

Más detalles

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7) Caracterización de las fuentes y formación de escalas de tiempo Rec. UIT-R TF.538-3 1 RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

Más detalles

Introducción a la Teoría del Procesamiento Digital de Señales de Audio

Introducción a la Teoría del Procesamiento Digital de Señales de Audio Introducción a la Teoría del Procesamiento Digital de Señales de Audio Transformada de Fourier Discreta Resumen Propiedades de la Transformada de Fourier Linealidad Comportamiento de la fase Naturaleza

Más detalles

Procesos de Media Móvil y ARMA

Procesos de Media Móvil y ARMA Capítulo 4 Procesos de Media Móvil y ARMA Los procesos AR no pueden representar series de memoria muy corta, donde el valor actual de la serie sólo está correlado con un número pequeño de valores anteriores

Más detalles

Equipos analizadores de señal. - Introducción - Analizadores de Fourier - Analizadores de espectros heterodinos

Equipos analizadores de señal. - Introducción - Analizadores de Fourier - Analizadores de espectros heterodinos - Introducción - Analizadores de Fourier - Analizadores de espectros heterodinos Introducción El análisis del espectro de colores es una forma de análisis de componentes frecuenciales que para el caso

Más detalles

Series y Transformada de Fourier

Series y Transformada de Fourier Series y Transformada de Fourier Series de Fourier Transformada de Fourier Series de Fourier Las series de Fourier describen señales periódicas como una combinación de señales armónicas (sinusoides). Con

Más detalles

3. Señales sísmicas y Ruido

3. Señales sísmicas y Ruido 3. Señales sísmicas y Ruido Una fuente importante de información de la estructura de la Tierra es obtenida de los datos del movimiento del suelo. La interpretación de estos datos necesita un buen conocimiento

Más detalles

Análisis espectral de señales periódicas con FFT

Análisis espectral de señales periódicas con FFT Análisis espectral de señales periódicas con FFT 1 Contenido 7.1 Introducción a la Transformada Discreta de Fourier 3-3 7.2 Uso de la Transformada Discreta de Fourier 3-5 7.3 Método de uso de la FFT 3-8

Más detalles

SEÑALES Y ESPECTROS SEÑALES Y ESPECTROS 1

SEÑALES Y ESPECTROS SEÑALES Y ESPECTROS 1 SEÑALES Y ESPECTROS INTRODUCCIÓN. TERMINOLOGÍA USADA EN TRANSMISIÓN DE DATOS. FRECUENCIA, ESPECTRO Y ANCHO DE BANDA. DESARROLLO EN SERIE DE FOURIER PARA SEÑALES PERIÓDICAS. TRANSFORMADA DE FOURIER PARA

Más detalles

Clases 8 y 9: Detección de una señal con ruido. Eytan Modiano. Departamento de aeronáutica y astronáutica

Clases 8 y 9: Detección de una señal con ruido. Eytan Modiano. Departamento de aeronáutica y astronáutica Clases 8 y 9: Detección de una señal con ruido Departamento de aeronáutica y astronáutica Slide 1 Ruido en los sistemas de comunicación S(t) Canal r(t) r(t) = S(t) + n(t) n(t) El ruido es la señal adicional

Más detalles

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer

Más detalles

Representación de señales de audio

Representación de señales de audio Representación de señales de audio Emilia Gómez Gutiérrez Síntesi i Processament del So I Departament de Sonologia Escola Superior de Musica de Catalunya Curso 2009-2010 emilia.gomez@esmuc.cat 28 de septiembre

Más detalles

3. LA DFT Y FFT PARA EL ANÁLISIS FRECUENCIAL. Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e

3. LA DFT Y FFT PARA EL ANÁLISIS FRECUENCIAL. Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e 3. LA DFT Y FFT PARA EL AÁLISIS FRECUECIAL Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e invariantes en el tiempo), es la transformada de Fourier. Esta representación

Más detalles

LABORATORIO DE SEÑALES Y SISTEMAS PRACTICA 1

LABORATORIO DE SEÑALES Y SISTEMAS PRACTICA 1 LABORATORIO DE SEÑALES Y SISTEMAS PRACTICA CURSO 005-006 PRÁCTICA SEÑALES Y SISTEMAS CONTINUOS Las presente practica trata distintos aspectos de las señales y los sistemas en tiempo continuo. Los diferentes

Más detalles

2.6. La integral de convolución

2.6. La integral de convolución 2.6. La integral de convolución 141 2.6. La integral de convolución La convolución entre dos funciones es un concepto físico importante en muchas ramas de la ciencia. Sin embargo, como sucede con muchas

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

Capítulo 6 Filtrado en el Dominio de la Frecuencia

Capítulo 6 Filtrado en el Dominio de la Frecuencia Capítulo 6 Filtrado en el Dominio de la Frecuencia...39 6. Método en el Dominio de la Frecuencia...39 6. Filtros Espaciales en la frecuencia...40 6.. Convolución Lineal y la Transformada Discreta de Fourier...45

Más detalles

Tecnología de las Comunicaciones

Tecnología de las Comunicaciones Tema 3. El dominio de la frecuencia. Aspectos teórico-prácticos para la construcción de un cañón de energía bioetérea Francisco Sivianes Castillo Departamento de Tecnología Electrónica Escuela Técnica

Más detalles

Tema 7: Procesos Estoca sticos

Tema 7: Procesos Estoca sticos Tema 7: Procesos Estoca sticos Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Definición 2 Caracterización Estadística 3 Estadísticos 4 Estacionariedad 5 Ergodicidad 6 Densidad Espectral de Potencia

Más detalles

TRANSMISIÓN DIGITAL EN BANDA BASE. E. T. S. de Ingenieros de Telecomunicación Universidad de Valladolid.

TRANSMISIÓN DIGITAL EN BANDA BASE. E. T. S. de Ingenieros de Telecomunicación Universidad de Valladolid. TRANSMISIÓN DIGITAL EN BANDA BASE. Marcos Martín Fernández E. T. S. de Ingenieros de Telecomunicación Universidad de Valladolid. CONTENIDOS INDICE. DE FIGURAS VII 1. ELEMENTOS DE UN SISTEMA BINARIO EN

Más detalles

www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve

www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Autor: José Arturo Barreto M.A. Páginas web: www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Correo electrónico: josearturobarreto@yahoo.com Aplicación de la Transformada de Laplace y las ecuaciones

Más detalles

Integrales y ejemplos de aplicación

Integrales y ejemplos de aplicación Integrales y ejemplos de aplicación I. PROPÓSITO DE ESTOS APUNTES Estas notas tienen como finalidad darle al lector una breve introducción a la noción de integral. De ninguna manera se pretende seguir

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

Análisis Espectral 1: Transformada Corta de Fourier y Ventanas

Análisis Espectral 1: Transformada Corta de Fourier y Ventanas Análisis Espectral : Transformada Corta de Fourier y Ventanas Juan-Pablo Cáceres CCRMA Stanford University Agosto, 7 Contenidos Análisis de Señales de la Vida Real Windowing Transformada Corta de Fourier

Más detalles

Última modificación: 1 de agosto de 2010. www.coimbraweb.com

Última modificación: 1 de agosto de 2010. www.coimbraweb.com Contenido DOMINIOS DEL TIEMPO Y DE LA FRECUENCIA 1.- Señales analógicas y digitales. 2.- Señales analógicas periódicas. 3.- Representación en los dominios del tiempo y de la frecuencia. 4.- Análisis de

Más detalles

TRANSFORMADA DE LAPLACE

TRANSFORMADA DE LAPLACE TRANSFORMADA DE LAPLACE DEFINICION La transformada de Laplace es una ecuación integral que involucra para el caso específico del desarrollo de circuitos, las señales en el dominio del tiempo y de la frecuencia,

Más detalles

3.1. FUNCIÓN SINUSOIDAL

3.1. FUNCIÓN SINUSOIDAL 11 ÍNDICE INTRODUCCIÓN 13 CIRCUITOS DE CORRIENTE CONTINUA 19 Corriente eléctrica. Ecuación de continuidad. Primera ley de Kirchhoff. Ley de Ohm. Ley de Joule. Fuerza electromotriz. Segunda ley de Kirchhoff.

Más detalles

Introducción a la Teoría del Procesamiento Digital de Señales de Audio

Introducción a la Teoría del Procesamiento Digital de Señales de Audio Introducción a la Teoría del Procesamiento Digital de Señales de Audio Transformada de Fourier Resumen el análisis de Fourier es un conjunto de técnicas matemáticas basadas en descomponer una señal en

Más detalles

Movimiento oscilatorio

Movimiento oscilatorio Capítulo 13 Ondas 1 Movimiento oscilatorio El movimiento armónico simple ocurre cuando la fuerza recuperadora es proporcional al desplazamiento con respecto del equilibrio x: F = kx k se denomina constante

Más detalles

Teoría de la Comunicación

Teoría de la Comunicación Teoría de la Comunicación Enero 2009 Realice cada ejercicio en hojas separadas. No se permite uso de teléfono móvil. Escriba su nombre en todas las hojas. Indique claramente el apartado al que está respondiendo.

Más detalles

Practica 5: Ventanas espectrales

Practica 5: Ventanas espectrales 1 Practica 5: Ventanas espectrales 2 1. Objetivos El objetivo principal es mostrar un amplio número de ventanas y una forma sencilla de caracterizarlas, así como la comparación de sus propiedades. 2. Ventanas

Más detalles

Complementos de matemáticas. Curso 2004-2005

Complementos de matemáticas. Curso 2004-2005 Univ. de Alcalá de Henares Ingeniería Técnica Industrial Complementos de matemáticas. Curso 004-005 Colección de ejercicios del tema 1 Las soluciones aparecen en color azul, y si disponéis de la posibilidad

Más detalles

ANALISIS MATEMATICO II Grupo Ciencias 2015

ANALISIS MATEMATICO II Grupo Ciencias 2015 ANALISIS MATEMATICO II Grupo Ciencias 05 Práctica : Geometría Analítica: Vectores, Rectas y Planos A. Vectores Hasta el 9 de marzo. Sean v = (0,, ) y w = (,, 4) dos vectores de IR 3. (a) Obtener el coseno

Más detalles

APLICACIONES DE LAS SERIES DE FOURIER

APLICACIONES DE LAS SERIES DE FOURIER APLICACIONES DE LAS SERIES DE FOURIER Renato Álvarez Nodarse 1. Resolución de EDPs 1.1. La ecuación de ondas En este apartado vamos a usar las series de Fourier para resolver la ecuación de ondas unidimensional

Más detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones

Más detalles

Introducción a la Teoría del Procesamiento Digital de Señales de Audio

Introducción a la Teoría del Procesamiento Digital de Señales de Audio Introducción a la Teoría del Procesamiento Digital de Señales de Audio Transformada de Fourier Discreta Resumen Respuesta en frecuencia de un sistema Convolución a través del dominio de la frecuencia Convolución

Más detalles

D. REALIZACIÓN DE LA PRÁCTICA Y PRESENTACIÓN DE RESULTADOS

D. REALIZACIÓN DE LA PRÁCTICA Y PRESENTACIÓN DE RESULTADOS 22 Laboratorio de Tratamiento Digital de Señales D. REALIZACIÓN DE LA PRÁCTICA Y PRESENTACIÓN DE RESULTADOS 1. DISEÑO DE FILTROS IIR 1.1 Diseño de filtros IIR empleando prototipos analógicos En este apartado

Más detalles

72 2. Análisis de Fourier

72 2. Análisis de Fourier 72 2. Análisis de Fourier Un objeto matemático relacionado con las series es la transformada, introducida por Fourier al estudiar la conducción del calor en una barra de longitud infinita. Se ha aplicado

Más detalles

Límites y Continuidad de funciones

Límites y Continuidad de funciones CAPITULO Límites y Continuidad de funciones Licda. Elsie Hernández Saborío Instituto Tecnológico de Costa Rica Escuela de Matemática Revista digital Matemática, educación e internet (www.cidse.itcr.ac.cr)

Más detalles

Ortogonalidad y Series de Fourier

Ortogonalidad y Series de Fourier Capítulo 4 Ortogonalidad y Series de Fourier El adjetivo ortogonal proviene del griego orthos (recto) y gonia (ángulo). Este denota entonces la perpendicularidad entre dos elementos: dos calles que se

Más detalles

CAPITULO 5. Corriente alterna 1. ANÁLISIS DE IMPEDANCIAS Y ÁNGULOS DE FASE EN CIRCUITOS, RL Y RLC SERIE.

CAPITULO 5. Corriente alterna 1. ANÁLISIS DE IMPEDANCIAS Y ÁNGULOS DE FASE EN CIRCUITOS, RL Y RLC SERIE. CAPITULO 5 Corriente alterna 1. ANÁLISIS DE IMPEDANCIAS Y ÁNGULOS DE FASE EN CIRCUITOS, RL Y RLC SERIE. Inductor o bobina Un inductor o bobina es un elemento que se opone a los cambios de variación de

Más detalles

PROCESAMIENTO DIGITAL DE SEÑALES

PROCESAMIENTO DIGITAL DE SEÑALES BIBLIOGRAFÍA PROCESAMIENTO DIGITAL DE SEÑALES 1. Oppenheim, A.V., and R.W. Schafer. Discrete-Time Signal Processing. Englewood Cliffs, NJ: Prentice Hall, 1989. 2. Parks, T.W., and C.S. Burrus. Digital

Más detalles

Procesamiento Digital de Señal

Procesamiento Digital de Señal Procesamiento Digital de Señal ema 4: Análisis de Fourier en tiempo discreto ransformada de Fourier en tiempo discreto (DF) Serie de Fourier en tiempo discreto (DFS) ransformada de Fourier Discreta (DF)

Más detalles

CONVOCATORIA 2016 GUÍA DE ESTUDIO PARA PRUEBA DE ADMISIÓN DE MATEMÁTICAS

CONVOCATORIA 2016 GUÍA DE ESTUDIO PARA PRUEBA DE ADMISIÓN DE MATEMÁTICAS CONVOCATORIA 2016 GUÍA DE ESTUDIO PARA PRUEBA DE ADMISIÓN DE MATEMÁTICAS Guía de Estudio para examen de Admisión de Matemáticas CONTENIDO PRESENTACIÓN... 3 I. ARITMÉTICA... 4 1. OPERACIONES CON FRACCIONES...

Más detalles

Métodos Numéricos: Resumen y ejemplos Tema 4: Resolución aproximada de EDO s

Métodos Numéricos: Resumen y ejemplos Tema 4: Resolución aproximada de EDO s Métodos Numéricos: Resumen y ejemplos Tema 4: Resolución aproximada de EDO s Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Marzo 2008, versión

Más detalles

Comunicaciones Digitales - Ejercicios Tema 3

Comunicaciones Digitales - Ejercicios Tema 3 Comunicaciones Digitales - Ejercicios Tema 3 007. 1. Considere el diagrama de rejilla para un canal discreto equivalente genérico con 4 coeficientes no nulos (memoria K p = 3) y una constelación -PAM.

Más detalles

Teoría de Sistemas y Señales

Teoría de Sistemas y Señales Universidad Nacional de Rosario Facultad de Ciencias Exactas, Ingeniería y Agrimensura Escuela de Ingeniería Electrónica Teoría de Sistemas y Señales Trabajo Práctico Nº 3 Análisis Frecuencial de Señales

Más detalles

Tema 3. Problemas de valores iniciales. 3.1. Teoremas de existencia y unicidad

Tema 3. Problemas de valores iniciales. 3.1. Teoremas de existencia y unicidad Tema 3 Problemas de valores iniciales 3.1. Teoremas de existencia y unicidad Estudiaremos las soluciones aproximadas y su error para funciones escalares, sin que ésto no pueda extenderse para funciones

Más detalles

Análisis de Sistemas Lineales: segunda parte

Análisis de Sistemas Lineales: segunda parte UCV, Facultad de Ingeniería, Escuela de Ingeniería Eléctrica. Análisis de Sistemas Lineales: segunda parte Ebert Brea 7 de marzo de 204 Contenido. Análisis de sistemas en el plano S 2. Análisis de sistemas

Más detalles

[c] Qué energía mecánica posee el sistema muelle-masa? Y si la masa fuese 2 y la constante 2K?.

[c] Qué energía mecánica posee el sistema muelle-masa? Y si la masa fuese 2 y la constante 2K?. Actividad 1 La figura representa un péndulo horizontal de resorte. La masa del bloque vale M y la constante elástica del resorte K. No hay rozamientos. Inicialmente el muelle está sin deformar. [a] Si

Más detalles

Transformada de Fourier

Transformada de Fourier Transformada de Fourier Transformada Inversa de Fourier Estas ecuaciones existen si f(x) es continua e integrable y si F(u) es integrable (casi siempre se cumplen en la práctica). Espectro de Fourier La

Más detalles

TEMA 3: CONTINUIDAD DE FUNCIONES

TEMA 3: CONTINUIDAD DE FUNCIONES TEMA 3: CONTINUIDAD DE FUNCIONES. Valor Absoluto Trabajaremos en el campo de los números reales, R. Para el estudio de las propiedades de las funciones necesitamos el concepto de valor absoluto de un número

Más detalles

Ecuaciones e Inecuaciones

Ecuaciones e Inecuaciones 5 Ecuaciones e Inecuaciones Objetivos En esta quincena aprenderás a: Resolver ecuaciones de primer y segundo grado. Resolver ecuaciones bicuadradas y factorizadas. Identificar y resolver inecuaciones de

Más detalles

Repaso de matrices, determinantes y sistemas de ecuaciones lineales

Repaso de matrices, determinantes y sistemas de ecuaciones lineales Tema 1 Repaso de matrices, determinantes y sistemas de ecuaciones lineales Comenzamos este primer tema con un problema de motivación. Problema: El aire puro está compuesto esencialmente por un 78 por ciento

Más detalles

Conversión Analógica-a-Digital

Conversión Analógica-a-Digital Conversión Analógica-a-Digital OBJEIVOS: Comprender la conversión de señales analógicas a digitales, analizando las modificaciones que se producen con este proceso. Fundamentalmente, las "réplicas" en

Más detalles

2.1.5 Teoremas sobre derivadas

2.1.5 Teoremas sobre derivadas si x < 0. f(x) = x si x 0 x o = 0 Teoremas sobre derivadas 9 2. f(x) = x 3, x o = 3 a. Determine si f es continua en x o. b. Halle f +(x o ) y f (x o ). c. Determine si f es derivable en x o. d. Haga la

Más detalles

Resolución de ecuaciones lineales. En general para resolver una ecuación lineal o de primer grado debemos seguir los siguientes pasos:

Resolución de ecuaciones lineales. En general para resolver una ecuación lineal o de primer grado debemos seguir los siguientes pasos: Resolución de ecuaciones lineales En general para resolver una ecuación lineal o de primer grado debemos seguir los siguientes pasos: 1º Quitar paréntesis. Si un paréntesis tiene el signo menos delante,

Más detalles

Vibraciones aleatorias en sistemas con un grado de libertad

Vibraciones aleatorias en sistemas con un grado de libertad Vibraciones aleatorias en sistemas con un grado de libertad F. Javier Cara ETSII-UPM Curso 212-213 1 Contenido Señales y sistemas Cálculo de la respuesta mediante la ecuación diferencial Cálculo de la

Más detalles

UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.

UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado

Más detalles

Capítulo 2 Números Reales

Capítulo 2 Números Reales Introducción Capítulo Números Reales La idea de número aparece en la historia del hombre ligada a la necesidad de contar objetos, animales, etc. Para lograr este objetivo, usaron los dedos, guijarros,

Más detalles

Apunte 2 - Procesamiento de señales

Apunte 2 - Procesamiento de señales Apunte 2 - Procesamiento de señales Este apunte está constituido por extractos de algunos textos sobre procesamiento de señales, principalmente, aunque no exclusivamente, el de Proakis y Manolakis. Para

Más detalles

9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES

9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES 9. INTRODUCCIÓN A DISTRIBU- CIONES MULTIVARIANTES Objetivo Introducir la idea de la distribución conjunta de dos variables discretas. Generalizar las ideas del tema 2. Introducir la distribución normal

Más detalles

Introducción a la difusión en el tratamiento de imágenes

Introducción a la difusión en el tratamiento de imágenes 2 Introducción a la difusión en el tratamiento de imágenes Guillermo Gallego La idea que motiva el estudio de la difusión anisótropa en el tratamiento de imágenes es la búsqueda de métodos de suavizamiento

Más detalles

Ecuaciones Diferenciales Tema 2. Trasformada de Laplace

Ecuaciones Diferenciales Tema 2. Trasformada de Laplace Ecuaciones Diferenciales Tema 2. Trasformada de Laplace Ester Simó Mezquita Matemática Aplicada IV 1 1. Transformada de Laplace de una función admisible 2. Propiedades básicas de la transformada de Laplace

Más detalles

OSCILACIONES ARMÓNICAS

OSCILACIONES ARMÓNICAS Tema 5 OSCILACIONES ARMÓNICAS 5.1. Introducción. 5.. Movimiento armónico simple (MAS). 5.3. Cinemática y dinámica del MAS. 5.4. Fuerza y energía en el MAS. 5.5. Péndulo simple. MAS y movimiento circular

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

Universidad de Las Palmas de Gran Canaria MÁSTER EN SISTEMAS INTELIGENTES Y APLICACIONES NUMÉRICAS EN INGENIERÍA. Autora: Cristina Freire Obregón

Universidad de Las Palmas de Gran Canaria MÁSTER EN SISTEMAS INTELIGENTES Y APLICACIONES NUMÉRICAS EN INGENIERÍA. Autora: Cristina Freire Obregón Universidad de Las Palmas de Gran Canaria MÁSTER EN SISTEMAS INTELIGENTES Y APLICACIONES NUMÉRICAS EN INGENIERÍA Implementación y validación del método mejorado de descomposición en el dominio de la frecuencia

Más detalles

Página 1 de 16 TRANSFORMADA DE FOURIER Y EL ALGORITMO FFT INTRODUCCION

Página 1 de 16 TRANSFORMADA DE FOURIER Y EL ALGORITMO FFT INTRODUCCION Página 1 de 16 FCEFy Universidad acional de Cordoba ITRODUCCIO El estudio de las señales cotidianas en el dominio de la frecuencia nos proporciona un conocimiento de las características frecuenciales de

Más detalles

Laboratorio de Señales y Comunicaciones (LSC) 3 er curso, Ingeniería de Telecomunicación. Curso 2005 2006. (1 sesión)

Laboratorio de Señales y Comunicaciones (LSC) 3 er curso, Ingeniería de Telecomunicación. Curso 2005 2006. (1 sesión) Transmisión Digital en Banda Base PRÁCTICA 8 (1 sesión) Laboratorio Señales y Comunicaciones (LSC) 3 er curso, Ingeniería Telecomunicación Curso 2005 2006 Javier Ramos, Fernando Díaz María y David Luengo

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Universidad de Cádiz Departamento de Matemáticas MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Tema 3 Ecuaciones y sistemas. Inecuaciones Elaborado por la Profesora Doctora

Más detalles

1. Producto escalar, métrica y norma asociada

1. Producto escalar, métrica y norma asociada 1. asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores o puntos de R n, indistintamente, como x = (x 1,..., x n ) = n x i e i i=1 donde e i son los vectores de la

Más detalles

82 2. Análisis de Fourier. Fig. 2.9. Área de los lóbulos de la función sinc( ). 2/a dx+ +

82 2. Análisis de Fourier. Fig. 2.9. Área de los lóbulos de la función sinc( ). 2/a dx+ + 82 2. Análisis de Fourier Fig. 2.9. Área de los lóbulos de la función sinc( ). sen(πax)/(πn) para (n )/a x n/a. Entonces sen(πax) /a 0 πax dx sen(πax) 2/a π dx+ sen(πax) 2π dx+ + 0 /a = n/a π sen(πax)

Más detalles

Números Reales DESIGUALDADES DESIGUALDADES. Solución de desigualdades. 2x + 4 < 6x +1 6x + 3 8x 7 x 2 > 3x 2 5x + 8. INECUACIONES o DESIGUALDADES

Números Reales DESIGUALDADES DESIGUALDADES. Solución de desigualdades. 2x + 4 < 6x +1 6x + 3 8x 7 x 2 > 3x 2 5x + 8. INECUACIONES o DESIGUALDADES Números Reales INECUACIONES o DESIGUALDADES DESIGUALDADES Una desigualdad en una variable es una expresión donde se establece una relación entre dos cantidades. Las relaciones de orden son: ,, Ejemplos:

Más detalles

Análisis Dinámico: Integración

Análisis Dinámico: Integración Análisis Dinámico: Integración Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj Análisis Dinámico: Integración 1 / 57 Integración indefinida

Más detalles

9. MATRICES 189 9.1. DEFINICIÓN Y NOTACIONES... 189 9.2. OPERACIONES CON MATRICES... 190 9.3. MATRICES CUADRADAS... 192 9.3.1.

9. MATRICES 189 9.1. DEFINICIÓN Y NOTACIONES... 189 9.2. OPERACIONES CON MATRICES... 190 9.3. MATRICES CUADRADAS... 192 9.3.1. ÍNDICE 9. MATRICES 189 9.1. DEFINICIÓN Y NOTACIONES....................... 189 9.2. OPERACIONES CON MATRICES..................... 190 9.3. MATRICES CUADRADAS.......................... 192 9.3.1. Matrices

Más detalles

a < b y se lee "a es menor que b" (desigualdad estricta) a > b y se lee "a es mayor que b" (desigualdad estricta)

a < b y se lee a es menor que b (desigualdad estricta) a > b y se lee a es mayor que b (desigualdad estricta) Desigualdades Dadas dos rectas que se cortan, llamadas ejes (rectangulares si son perpendiculares, y oblicuos en caso contrario), un punto puede situarse conociendo las distancias del mismo a los ejes,

Más detalles

1.4.- D E S I G U A L D A D E S

1.4.- D E S I G U A L D A D E S 1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y

Más detalles

5. Modulaciones Binarias: Teoría y simulación en LabVIEW

5. Modulaciones Binarias: Teoría y simulación en LabVIEW OpenStax-CNX module: m35717 1 5. Modulaciones Binarias: Teoría y simulación en LabVIEW Mariangela Mezoa Translated By: Mariangela Mezoa This work is produced by OpenStax-CNX and licensed under the Creative

Más detalles

INTERVALOS, DESIGUALDADES Y VALOR ABSOLUTO

INTERVALOS, DESIGUALDADES Y VALOR ABSOLUTO INTERVALOS, DESIGUALDADES Y VALOR ABSOLUTO INTERVALOS Los Intervalos son una herramienta matemática que se utiliza para delimitar un conjunto determinado de números reales. Por ejemplo el intervalo [-5,3]

Más detalles

Ejemplos y problemas resueltos de análisis complejo (2014-15)

Ejemplos y problemas resueltos de análisis complejo (2014-15) Variable Compleja I (3 o de Matemáticas y 4 o de Doble Titulación) Ejemplos y problemas resueltos de análisis complejo (04-5) Teoremas de Cauchy En estos apuntes, la palabra dominio significa, como es

Más detalles

Ecuaciones de segundo grado

Ecuaciones de segundo grado 3 Ecuaciones de segundo grado Objetivos En esta quincena aprenderás a: Identificar las soluciones de una ecuación. Reconocer y obtener ecuaciones equivalentes. Resolver ecuaciones de primer grado Resolver

Más detalles

2.1 Sistemas discretos en tiempo. 2.1.1 Sistemas lineales. 2.1.2 Sistemas invariantes en tiempo

2.1 Sistemas discretos en tiempo. 2.1.1 Sistemas lineales. 2.1.2 Sistemas invariantes en tiempo 2.1 stemas discretos en tiempo Un sistema discreto en el tiempo se define matemáticamente como la transformación o el operador que traza una secuencia de entrada con valores x[n], en una secuencia de salida

Más detalles

(A) Primer parcial. si 1 x 1; x 3 si x>1. (B) Segundo parcial

(A) Primer parcial. si 1 x 1; x 3 si x>1. (B) Segundo parcial CÁLCULO DIFERENCIAL E INTEGRAL I EVALUACIÓN GLOBAL E700 1) x 5 > 1. A) Primer parcial ) Sean las funciones ft) t +,gy) y 4&hw) w. Encontrar f/h, g f, f g y sus dominios. ) Graficar la función x + six

Más detalles

Señales y Análisis de Fourier

Señales y Análisis de Fourier 2 Señales y Análisis de Fourier En esta práctica se pretende revisar parte de la materia del tema 2 de la asignatura desde la perspectiva de un entorno de cálculo numérico y simulación por ordenador. El

Más detalles

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian

Más detalles

Tema 3: Producto escalar

Tema 3: Producto escalar Tema 3: Producto escalar 1 Definición de producto escalar Un producto escalar en un R-espacio vectorial V es una operación en la que se operan vectores y el resultado es un número real, y que verifica

Más detalles

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)

Más detalles

Tema 1 Generalidades sobre Ecuaciones Diferenciales Ordinarias (E.D.O.)

Tema 1 Generalidades sobre Ecuaciones Diferenciales Ordinarias (E.D.O.) Tema 1 Generalidades sobre Ecuaciones Diferenciales Ordinarias (E.D.O.) 1.1 Definiciones Se llama ecuación diferencial a toda ecuación que contiene las derivadas de una o más variables dependientes respecto

Más detalles

Problemas de Complementos de Matemáticas. Curso 01/02

Problemas de Complementos de Matemáticas. Curso 01/02 Problemas de Complementos de Matemáticas. Curso /2.- Resolver las E.D.O. lineales de primer orden siguientes y los problemas de condiciones x + 3x/t = 6t 2 x + 3x = 3t 2 e 3t t 4 x + 2t 3 x = tx + (tx

Más detalles

4. Se considera la función f(x) =. Se pide:

4. Se considera la función f(x) =. Se pide: Propuesta A 1. Queremos realizar una inversión en dos tipos de acciones con las siguientes condiciones: Lo invertido en las acciones de tipo A no puede superar los 10000 euros. Lo invertido en las acciones

Más detalles

Biblioteca Virtual Ejercicios Resueltos

Biblioteca Virtual Ejercicios Resueltos EJERCICIO 13 13 V a l o r n u m é r i c o Valor numérico de expresiones compuestas P r o c e d i m i e n t o 1. Se reemplaza cada letra por su valor numérico 2. Se efectúan las operaciones indicadas Hallar

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

Se llama dominio de una función f(x) a todos los valores de x para los que f(x) existe. El dominio se denota como Dom(f)

Se llama dominio de una función f(x) a todos los valores de x para los que f(x) existe. El dominio se denota como Dom(f) MATEMÁTICAS EJERCICIOS RESUELTOS DE FUNCIONES FUNCIONES A. Introducción teórica A.1. Definición de función A.. Dominio y recorrido de una función, f() A.. Crecimiento y decrecimiento de una función en

Más detalles

Tema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor

Tema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

TEMA II TRANSFORMADAS DE LAPLACE. FUNCIONES DE TRANSFERENCIA. 2.1.-Introducción. 2.2.-Transformada de Laplace. 2.3.-Transformada Inversa de Laplace.

TEMA II TRANSFORMADAS DE LAPLACE. FUNCIONES DE TRANSFERENCIA. 2.1.-Introducción. 2.2.-Transformada de Laplace. 2.3.-Transformada Inversa de Laplace. TEMA II TRANSFORMADAS DE LAPLACE. FUNCIONES DE TRANSFERENCIA 2.1.-Introducción. 2.2.-Transformada de Laplace. 2.3.-Transformada Inversa de Laplace. 2.4.-Análisis de Circuitos en el dominio de Laplace.

Más detalles