Análisis de procesos estocásticos en el dominio de
|
|
- María Rosa Palma Aguirre
- hace 8 años
- Vistas:
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
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 detallesConvolución 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 detallesAnálisis 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 detallesSeries 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 detallesProcesos 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 detallesTratamiento 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 detallesComplementos 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 detalles1.4.- 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 detallesAnálisis 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 detallesTecnología 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 detallesCovarianza 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 detalles1. 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 detallesCAPÍTULO III. FUNCIONES
CAPÍTULO III LÍMITES DE FUNCIONES SECCIONES A Definición de límite y propiedades básicas B Infinitésimos Infinitésimos equivalentes C Límites infinitos Asíntotas D Ejercicios propuestos 85 A DEFINICIÓN
Más detallesEcuaciones 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 detallesUNIDAD 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 detallesRepresentación 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 detallesSEÑALES 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 detallesIntroducción 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 detalles1. 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 detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detalles4º ESO 1. ECUAC. 2º GRADO Y UNA INCÓGNITA
4º ESO 1. ECUAC. 2º GRADO Y UNA INCÓGNITA Una ecuación con una incógnita es de segundo grado si el exponente de la incógnita es dos. Ecuaciones de segundo grado con una incógnita son: Esta última ecuación
Más detallesLos polinomios. Un polinomio es una expresión algebraica con una única letra, llamada variable. Ejemplo: 9x 6 3x 4 + x 6 polinomio de variable x
Los polinomios Los polinomios Un polinomio es una expresión algebraica con una única letra, llamada variable. Ejemplo: 9x 6 3x 4 + x 6 polinomio de variable x Elementos de un polinomio Los términos: cada
Más detallesTema 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, o más abreviadamente: f ( x)
TEMA 5: 1. CONCEPTO DE FUNCIÓN Observa los siguientes ejemplos: El precio de una llamada telefónica depende de su duración. El consumo de gasolina de un coche depende de la velocidad del mismo. La factura
Más detallesESTIMACIÓN. 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 detallesLÍMITES Y CONTINUIDAD DE FUNCIONES
Capítulo 9 LÍMITES Y CONTINUIDAD DE FUNCIONES 9.. Introducción El concepto de ite en Matemáticas tiene el sentido de lugar hacia el que se dirige una función en un determinado punto o en el infinito. Veamos
Más detallesEcuaciones 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 detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detallesCaracterísticas de funciones que son inversas de otras
Características de funciones que son inversas de otras Si f es una función inyectiva, llamamos función inversa de f y se representa por f 1 al conjunto. f 1 = a, b b, a f} Es decir, f 1 (x, y) = { x =
Más detallesUNIDAD 1. LOS NÚMEROS ENTEROS.
UNIDAD 1. LOS NÚMEROS ENTEROS. Al final deberás haber aprendido... Interpretar y expresar números enteros. Representar números enteros en la recta numérica. Comparar y ordenar números enteros. Realizar
Más detallesIntroducción 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 detallesÚltima 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 detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detalles3.1. 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 detallesMATEMÁTICAS 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 Representación gráfica de funciones reales de una variable real Elaborado
Más detallesFunciones de varias variables
Funciones de varias variables Derivadas parciales. El concepto de función derivable no se puede extender de una forma sencilla para funciones de varias variables. Aquí se emplea el concepto de diferencial
Más detallesProfr. Efraín Soto Apolinar. Función Inversa
Función Inversa Una función es una relación entre dos variables, de manera que para cada valor de la variable independiente eiste a lo más un único valor asignado a la variable independiente por la función.
Más detallesTema 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 detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesTRANSFORMADA 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 detallesa < 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 detallesTema 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 detallesIntegrales 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 detallesDivisibilidad y números primos
Divisibilidad y números primos Divisibilidad En muchos problemas es necesario saber si el reparto de varios elementos en diferentes grupos se puede hacer equitativamente, es decir, si el número de elementos
Más detallesDescomposición factorial de polinomios
Descomposición factorial de polinomios Contenidos del tema Introducción Sacar factor común Productos notables Fórmula de la ecuación de segundo grado Método de Ruffini y Teorema del Resto Combinación de
Más detallesLÍMITES Y CONTINUIDAD
UNIDAD 5 LÍMITES Y CONTINUIDAD Páginas 0 y Describe las siguientes ramas: a) f () b) f () no eiste c) f () d) f () + e) f () f) f () + g) f () h) f () no eiste; f () 0 i) f () + f () + j) f () 5 4 f ()
Más detallesINSTITUTO VALLADOLID PREPARATORIA página 9
INSTITUTO VALLADOLID PREPARATORIA página 9 página 10 FACTORIZACIÓN CONCEPTO Para entender el concepto teórico de este tema, es necesario recordar lo que se mencionó en la página referente al nombre que
Más detallesAnálisis 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 detallesTema 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 detallesTema 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 detallesTema 07. LÍMITES Y CONTINUIDAD DE FUNCIONES
Tema 07 LÍMITES Y CONTINUIDAD DE FUNCIONES Límite de una función en un punto Vamos a estudiar el comportamiento de las funciones f ( ) g ( ) ENT[ ] h ( ) i ( ) en el punto Para ello, damos a valores próimos
Más detallesDefinición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una
Más detallesEcuaciones 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 detalles3. 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 detalles2.2 Transformada de Laplace y Transformada. 2.2.1 Definiciones. 2.2.1.1 Transformada de Laplace
2.2 Transformada de Laplace y Transformada 2.2.1 Definiciones 2.2.1.1 Transformada de Laplace Dada una función de los reales en los reales, Existe una función denominada Transformada de Laplace que toma
Más detallesDefinición de vectores
Definición de vectores Un vector es todo segmento de recta dirigido en el espacio. Cada vector posee unas características que son: Origen: O también denominado Punto de aplicación. Es el punto exacto sobre
Más detallesPROGRAMACIÓN LINEAL. 8.1. Introducción. 8.2. Inecuaciones lineales con 2 variables
Capítulo 8 PROGRAMACIÓN LINEAL 8.1. Introducción La programación lineal es una técnica matemática relativamente reciente (siglo XX), que consiste en una serie de métodos y procedimientos que permiten resolver
Más detalles(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 detallesQué son los monomios?
Qué son los monomios? Recordemos qué es una expresión algebraica. Definición Una expresión algebraica es aquella en la que se utilizan letras, números y signos de operaciones. Si se observan las siguientes
Más detallesLección 9: Polinomios
LECCIÓN 9 c) (8 + ) j) [ 9.56 ( 9.56)] 8 q) (a x b) d) ( 5) 4 k) (6z) r) [k 0 (k 5 k )] e) (. 0.) l) (y z) s) (v u ) 4 f) ( 5) + ( 4) m) (c d) 7 t) (p + q) g) (0 x 0.) n) (g 7 g ) Lección 9: Polinomios
Más detallesBiblioteca 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 detallesEjemplos 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 detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detallesEjemplo: Resolvemos Sin solución. O siempre es positiva o siempre es negativa. Damos un valor cualquiera Siempre + D(f) =
T1 Dominios, Límites, Asíntotas, Derivadas y Representación Gráfica. 1.1 Dominios de funciones: Polinómicas: D( = La X puede tomar cualquier valor entre Ejemplos: D( = Función racional: es el cociente
Más detallesMáster Universitario en Profesorado
Máster Universitario en Profesorado Complementos para la formación disciplinar en Tecnología y procesos industriales Aspectos básicos de la Tecnología Eléctrica Contenido (II) SEGUNDA PARTE: corriente
Más detallesPractica 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 detalles1. Definición 2. Operaciones con funciones
1. Definición 2. Operaciones con funciones 3. Estudio de una función: Suma y diferencia Producto Cociente Composición de funciones Función reciproca (inversa) Dominio Recorrido Puntos de corte Signo de
Más detallesCap. 24 La Ley de Gauss
Cap. 24 La Ley de Gauss Una misma ley física enunciada desde diferentes puntos de vista Coulomb Gauss Son equivalentes Pero ambas tienen situaciones para las cuales son superiores que la otra Aquí hay
Más detalles3.1 DEFINICIÓN. Figura Nº 1. Vector
3.1 DEFINICIÓN Un vector (A) una magnitud física caracterizable mediante un módulo y una dirección (u orientación) en el espacio. Todo vector debe tener un origen marcado (M) con un punto y un final marcado
Más detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
INECUACIONES NOTA IMPORTANTE: El signo de desigualdad de una inecuación puede ser,, < o >. Para las cuestiones teóricas que se desarrollan en esta unidad únicamente se utilizará la desigualdad >, siendo
Más detallesMATEMÁTICAS 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 4 La recta en el plano Elaborado por la Profesora Doctora María Teresa
Más detallesRECOMENDACIÓN 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 detallesFunción exponencial y Logaritmos
Eje temático: Álgebra y funciones Contenidos: Función exponencial y Logaritmos Nivel: 4 Medio Función exponencial y Logaritmos 1. Funciones exponenciales Existen numerosos fenómenos que se rigen por leyes
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detallesMatemáticas I: Hoja 3 Espacios vectoriales y subespacios vectoriales
Matemáticas I: Hoa 3 Espacios vectoriales y subespacios vectoriales Eercicio 1. Demostrar que los vectores v 1, v 2, v 3, v 4 expresados en la base canónica forman una base. Dar las coordenadas del vector
Más detallesSISTEMAS DE ECUACIONES LINEALES
SISTEMAS DE ECUACIONES LINEALES INTRODUCCIÓN En el presente documento se explican detalladamente dos importantes temas: 1. Descomposición LU. 2. Método de Gauss-Seidel. Se trata de dos importantes herramientas
Más detallesColegio Las Tablas Tarea de verano Matemáticas 3º ESO
Colegio Las Tablas Tarea de verano Matemáticas º ESO Nombre: C o l e g i o L a s T a b l a s Tarea de verano Matemáticas º ESO Resolver la siguiente ecuación: 5 5 6 Multiplicando por el mcm(,,6) = 6 y
Más detallesComunicaciones 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 detallesPROBLEMAS DE ELECTRÓNICA ANALÓGICA (Transistores C.C.)
PROLEMAS E ELECTRÓNCA ANALÓGCA (Transistores C.C.) Escuela Politécnica Superior Profesor. arío García Rodríguez ..- En el circuito de la figura si α. 98 y E.7 oltios, calcular el valor de la resistencia
Más detallesCifras significativas e incertidumbre en las mediciones
Unidades de medición Cifras significativas e incertidumbre en las mediciones Todas las mediciones constan de una unidad que nos indica lo que fue medido y un número que indica cuántas de esas unidades
Más detalles6. VECTORES Y COORDENADAS
6. VECTORES Y COORDENADAS Página 1 Traslaciones. Vectores Sistema de referencia. Coordenadas. Punto medio de un segmento Ecuaciones de rectas. Paralelismo. Distancias Página 2 1. TRASLACIONES. VECTORES
Más detallesTema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice
Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice 1 Polinomios Dedicaremos este apartado al repaso de los polinomios. Se define R[x] ={a 0 + a 1 x + a 2 x 2 +... +
Más detallesEcuaciones de primer grado con dos incógnitas
Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad
Más detallesRESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES
RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES 1 La ecuación 2x - 3 = 0 se llama ecuación lineal de una variable. Obviamente sólo tiene una solución. La ecuación -3x + 2y = 7 se llama ecuación lineal de
Más detallesSOLUCIONES A LOS EJERCICIOS DE LA UNIDAD
Pág. Página 9 PRACTICA Sistemas lineales Comprueba si el par (, ) es solución de alguno de los siguientes sistemas: x + y 5 a) x y x y 5 x + y 8 El par (, ) es solución de un sistema si al sustituir x
Más detallesTEMA 10 FUNCIONES ELEMENTALES MATEMÁTICAS I 1º Bach. 1
TEMA 10 FUNCIONES ELEMENTALES MATEMÁTICAS I 1º Bach. 1 TEMA 10 - FUNCIONES ELEMENTALES 10.1 CONCEPTO DE FUNCIÓN DEFINICIÓN : f es una función de R en R si a cada número real, x Dom, le hace corresponder
Más detallesLímite de una función
Límite de una función Idea intuitiva de límite El límite de la función f(x) en el punto x 0, es el valor al que se acercan las imágenes (las y) cuando los originales (las x) se acercan al valor x 0. Es
Más detallesUna desigualdad se obtiene al escribir dos expresiones numéricas o algebraicas relacionadas con alguno de los símbolos
MATEMÁTICAS BÁSICAS DESIGUALDADES DESIGUALDADES DE PRIMER GRADO EN UNA VARIABLE La epresión a b significa que "a" no es igual a "b ". Según los valores particulares de a de b, puede tenerse a > b, que
Más detallesOPERACIONES EN RÉGIMEN DE COMPUESTA
OPERACIONES EN RÉGIMEN DE COMPUESTA Las operaciones en régimen de compuesta se caracterizan porque los intereses, a diferencia de lo que ocurre en régimen de simple, a medida que se van generando pasan
Más detallesAXIOMAS DE CUERPO (CAMPO) DE LOS NÚMEROS REALES
AXIOMASDECUERPO(CAMPO) DELOSNÚMEROSREALES Ejemplo: 6 INECUACIONES 15 VA11) x y x y. VA12) x y x y. Las demostraciones de muchas de estas propiedades son evidentes de la definición. Otras se demostrarán
Más detallesAplicaciones lineales continuas
Lección 13 Aplicaciones lineales continuas Como preparación para el cálculo diferencial, estudiamos la continuidad de las aplicaciones lineales entre espacios normados. En primer lugar probamos que todas
Más detallesAlvaro 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 detallesMovimiento a través de una. José San Martín
Movimiento a través de una curva José San Martín 1. Introducción Una vez definida la curva sobre la cual queremos movernos, el siguiente paso es definir ese movimiento. Este movimiento se realiza mediante
Más detallesPor ejemplo convertir el número 131 en binario se realiza lo siguiente: Ahora para convertir de un binario a decimal se hace lo siguiente:
Como convertir números binarios a decimales y viceversa El sistema binario es un sistema de numeración en el que los números se representan utilizando 0 y 1. Es el que se utiliza en los ordenadores, pues
Más detallesT.3 ESTIMACIÓN PUNTUAL
T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan
Más detallesCajón de Ciencias. Ejercicios resueltos de Movimiento rectilíneo uniforme
Ejercicios resueltos de Movimiento rectilíneo uniforme 1) Pasar de unidades las siguientes velocidades: a) de 36 km/h a m/s b) de 10 m/s a km/h c) de 30 km/min a cm/s d) de 50 m/min a km/h 2) Un móvil
Más detallesLlamamos potencia a todo producto de factores iguales. Por ejemplo: 3 4 = 3 3 3 3
1. NÚMEROS NATURALES POTENCIAS DE UN NÚMERO NATURAL Llamamos potencia a todo producto de factores iguales. Por ejemplo: 3 4 = 3 3 3 3 El factor que se repite es la base, y el número de veces que se repite
Más detallesSe 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 detallesTema 4 Funciones elementales Matemáticas CCSSI 1º Bachillerato 1
Tema 4 Funciones elementales Matemáticas CCSSI 1º Bachillerato 1 TEMA 4 - FUNCIONES ELEMENTALES 4.1 CONCEPTO DE FUNCIÓN DEFINICIÓN : Una función real de variable real es una aplicación de un subconjunto
Más detalles