Equation Section 2

2. Ejemplos de Anlisis Espectral

Equation Section 1
Equation Section 2 _________________________________________________ 1
2. Ejemplos de Anlisis Espectral _____________________________________ 1
2.1. Introduccin ________________________________________________________ 2
2.1.1. Variable aleatoria ___________________________________________________ 2
se genera la serie ... ______________________________________________________ 3
2.1.2. Funcin de Densidad ________________________________________________ 3
2.1.3. Funcin Distribucin ________________________________________________ 4
2.1.4. Probabilidad Condicional _____________________________________________ 4
2.1.5. Esperanza. ________________________________________________________ 4
2.1.6. Momentos ________________________________________________________ 5
2.1.7. Varianza __________________________________________________________ 6
2.1.8. Tipos de Distribucin________________________________________________ 6
2.1.9. Correlacin _______________________________________________________ 7
2.1.10. Covarianza _______________________________________________________ 9
2.2. Proceso Aleatorio ___________________________________________________ 12
2.2.1. Funcin de Densidad _______________________________________________ 13
2.2.2. Funciones de Distribucin ___________________________________________ 15
2.2.3. Esperanza de un Proceso Estocstico ___________________________________ 17
2.2.4. Autocorrelacin___________________________________________________ 18
2.2.5. Autocovarianza____________________________________________________ 19
2.2.6. Correlacin Cruzada________________________________________________ 22
2.2.7. Covarianza Cruzada_________________________________________________ 22
2.2.8. Proceso Estacionario _______________________________________________ 24
2.2.9. Secuencias Estocsticas _____________________________________________ 24
2.2.10. Continuidad _____________________________________________________ 24
2.2.11. Diferenciacin___________________________________________________ 24
2.2.12. Integracin______________________________________________________ 24
2.2.13. Proceso Estocstico Discreto _______________________________________ 24
2.3. Procesos Estocsticos Ergdicos _______________________________________ 24
2.4. Procesos Especiales __________________________________________________ 24
2.5. Proceso de Markov__________________________________________________ 24
2.6. Ejemplo de Sistema Continuo en Variables de Estado_____________________ 24

1
2.1. Introduccin

2.1.1. Variable aleatoria

Se genera las siguientes variables aleatorias
x y z de distribucin gaussiana e incorreladas,
y de distribucin gaussiana y correlada co x
n=2^13;

x=randn(1,n)+3;

z=randn(1,n)+4;

y=zeros(1,n);

m=50;

for i =1:n-m

y(i)=mean(x(i:i+m-1));

end

plot([x(1:100)' y(1:100)']); grid

0
0 20 40 60 80 100

2
se genera la serie ...

2.1.2. Funcin de Densidad

[fx,kx]=hist(x,50);

fx=fx/sum(fx);

[fy,ky]=hist(y,50);

fy=fy/sum(fy);

plot(kx,fx,'b',ky,fy,'r');grid

0.09

0.08

0.07

0.06

0.05

0.04

0.03

0.02

0.01

0
-2 -1 0 1 2 3 4 5 6 7

3
la densidad de x es mas aplanada por tener mayor dispersin

2.1.3. Funcin Distribucin

Fx=cumsum(fx);

Fy=cumsum(fy);

plot(kx,Fx,'b',ky,Fy,'r');grid

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
-2 -1 0 1 2 3 4 5 6 7

2.1.4. Probabilidad Condicional

2.1.5. Esperanza.

E ( x , k 1 ) = f x ( k 1 , ) d = m( k 1 ) [2.1]
-

mx=mean(x);

4
my=mean(y);

[mean(x) fx*kx' mean(y) fy*ky']

ans =

3.0072 3.0069 3.0055 3.0061

2.1.6. Momentos

E X n = x n f X ( x ) dx
b
[2.2]
a

El momento de segundo orden (n=2) es el valor medio cuadrtico de X.

Ex=fx*(kx.^2)';

Ey=fy*(ky.^2)';

[Ex Ey]

ans =

10.0150 9.2366

momentos centrados

E ( X m X ) = (x m ) f X ( x ) dx
n b n
[2.3]
a
X

Ex1=fx*(kx-mx)';

Ex2=fx*((kx-mx).^2)';

Ey1=fy*(ky-my)';

Ey2=fy*((ky-my).^2)';

[Ex1 Ex2 Ey1 Ey2]

ans =

-0.0003 0.9734 0.0005 0.2002

5
 el momento de segundo orden de x es mayor que el de y. Esto se debe a la mayor
dispersin de sus valores

2.1.7. Varianza
[cov(x) fx*((kx-mx).^2)' std(x)

cov(y) fy*((ky-my).^2)' std(y)]

ans =

0.9719 0.9734 0.9859

0.1999 0.2002 0.4470

y tiene menos varianza que x.

2.1.8. Tipos de Distribucin

fnx=1/std(x)/(2*pi)^.5*exp(-(kx-mx).^2/2/(std(x)^2));

fnx=fnx/sum(fnx);

plot(kx,fnx,kx,fx);grid

0.07

0.06

0.05

0.04

0.03

0.02

0.01

0
-2 -1 0 1 2 3 4 5 6 7

6
 Una variable aleatoria (escalar) se dice que tiene una distribucin Gaussiana o
Normal si su funcin de densidad de probabilidad est dada por:

1 ( x mX )2
pX ( x ) = exp [2.4]
X 2 2 2X

Es fcil de probar que los momentos de orden n, con n 3 , quedan unvocamente

determinados por los momentos de primer y segundo orden, o sea el valor medio m X y la
varianza 2X .

2.1.9. Correlacin

Un momento conjunto de gran importancia es la correlacin definida por E [X Y ]

que corresponde a i = k = 1 en

E [ XY ] = xyf X ,Y ( x, y ) dxdy
b b
[2.5]
a a

crxx=xcorr(x,x);

crxz=xcorr(x,z);

crxy=xcorr(x,y);

plot([crxx' crxy' crxz']);grid

7
 4
x 10
14

12

10

-2
0 0.5 1 1.5 2
4
x 10

haciendo una ampliacin del origen,

plot([crxx(9900:10100)' crxy(9900:10100)' crxz(9900:10100)']);grid

5
x 10
1.25

1.2

1.15

1.1

1.05

0.95

0.9

0.85
0 50 100 150 200 250

8
 el producto de los valores medios de x e y es 9
el producto de los valores medios de x y z es 12

2.1.10. Covarianza

Las correlaciones entre las variables centradas E [X E [X ]] e E [Y E [Y ]] se

denomina covarianza de X e Y, y se denota:

r XY (j,k)=cov X jYk = E ( X j - m Xj ) (Yk - mYk )

[2.6]
= ( x - m Xj ) ( y - mYk ) f(X,Y,j,k) dx,dy

llamando mX = E [ X ] y mY = E [Y ] resulta:

r XY (j,k)=cov X jYk = E X jYk mXj mYk [2.7]

Se dice que dos variables aleatorias X e Y estn no correlacionadas si y slo si su

covarianza es cero, i.e.

r XY (j,k)= 0 [2.8]

Se define de igual manera la Autocorrelacin para una nica variable.

rX (j,k)= cov X j = E ( X j - m Xj )
2

[2.9]
= ( x - m Xj ) f(X,j,k) dx
2 2

cvxx=xcorr(x-mean(x),x-mean(x));

cvxz=xcorr(x-mean(x),z-mean(z));

cvxy=xcorr(x-mean(x),y-mean(y));

9
plot([-9:11],cvxx(9991:10011));grid

10000

8000

6000

4000

2000

-2000
-10 -5 0 5 10 15

plot([-9:11],cvxy(9991:10011));grid

10
 2000

1500

1000

500

-500
-10 -5 0 5 10 15

plot([-9:11],cvxz(9991:10011));grid

200

150

100

50

-50

-100

-150
-10 -5 0 5 10 15

La autocorrelacin x solo tiene un pico en k=0

11
 La correlacin entre x e y tiene valores entre 0 y 5 por la forma en que se ha
generado y .
La correlacin entre x y z es prcticamente nula ya que no estn relacionadas.
2.2. Proceso Aleatorio
Los procesos varan en el tiempo. Se definen procesos con n realizaciones y m
muestras temporales

m=100;

n=1000;

x=randn(m,n)+3;

den=[1 -.94];

num=sum(den);

y=filter(num,den,x);

plot(y(:,1:10)); grid

3.5

2.5

1.5

0.5

0
0 20 40 60 80 100

Respuesta al impulso del filtro

12
imp=zeros(m,1);

imp(1)=1000;

rimp=filter(num,den,imp);

plot(rimp); grid

70

60

50

40

30

20

10

0
0 20 40 60 80 100

Para cada instante de tiempo se tiene una variable aleatoria.

2.2.1. Funcin de Densidad

nb=50;

[fx,kx]=hist(x',nb);

mesh([1:m],[1:nb],fx)

13
nb=50;

[fy,ky]=hist(y',nb);

waterfall([1:m],[1:nb],fy)

500

400

300

200

100

0
60
100
40 80
60
20 40
20
0 0

14
 2.2.2. Funciones de Distribucin
Para conocer un proceso estocstico se necesitara saber la funcin de distribucin
de probabilidades en todo instante condicionada a los tiempos anteriores y posteriores. Es
decir:

FX ( X (t1 ) , X ( t2 ) ,L X ( tn ) , t1 , t2 ,L ,t n ) = P ( X ( t1 ) xt1, X ( t 2 ) xt 2, L X ( tn ) xtn ) [2.10]

para todo tiempo t y todo n

Esto en la prctica es imposible obtener por lo que se definen las funciones de
distribucin de primer y segundo orden. La funcin de distribucin de primer orden
corresponde a la distribucin de la variable en un tiempo dado

FX ( X (t0 ) , t0 ) = P ( X ( t0 ) xt 0 ) [2.11]

Si se quieren relacionar dos tiempos se utiliza la distribucin de segundo orden

FX ( X (t1 ) , X ( t2 ) , t1 , t2 ) = P ( X ( t1 ) xt1, X ( t 2 ) xt 2 ) [2.12]

Fx=cumsum(fx);

Fy=cumsum(fy);

mesh([1:m],[1:nb],Fx)

15
mesh([1:m],[1:nb],Fy)

16
 2.2.3. Esperanza de un Proceso Estocstico

Para un proceso aleatorio X (t ) se define la media de X (t ) como el valor esperado

de la variable aleatoria obtenida observando el proceso en algn tiempo t, o sea:
+
m X ( t ) = E x ( t ) = xf X (t ) ( x ) dx [2.13]

mx=mean(x');

plot([mx kx'*fx/n]);grid

3.1

3.05

2.95

2.9

2.85
0 50 100 150 200

my=mean(y');

plot([my' (ky'*fy/n)']);grid

17
 3.5

2.5

1.5

0.5

0
0 20 40 60 80 100

2.2.4. Autocorrelacin

La funcin de autocorrelacin del proceso X (t ) se define como el valor esperado

del producto de las variables aleatorias X (t1 ) y X (t2 ) en los instantes t1 y t2
respectivamente, es decir:
+ +
RX (t 1, t2 ) = E X ( t1 ) X ( t2 ) = x1 x2 f X (t1 ) X (t2 ) ( x1 , x2 )dx1dx2 [2.14]

A fin de simplificar la simulacin se considerar solo una fila de la matriz de

autocorrelacin

crxx=[];

for i=1:m

crxx(i,:)=xcorr(x(1,:),x(i,:));

end

mesh([1:m],[1:1999],crxx')

18
2.2.5. Autocovarianza

La funcin de autocovarianza del proceso estocstico X (t ) se define como:

C X ( t1 , t2 ) = E ( X (t1 ) mX (t1 ) )( X (t2 ) mX (t2 ) ) = R X ( t1 , t2 ) mX (t1 )mX (t2 ) [2.15]

cvxx=[];

for i=1:m

cvxx(i,:)=xcorr(x(1,:)-mean(x(1,:)),x(i,:)-mean(x(i,:)));

end

mesh([1:m],[1:1999],cvxx')

19
cvyy=[];

for i=1:m

cvyy(i,:)=xcorr(y(1,:)-mean(y(1,:)),y(i,:)-mean(y(i,:)));

end

mesh([1:m],[1:1999],cvyy')

20
21
 2.2.6. Correlacin Cruzada

Para el caso ms general de tener dos procesos aleatorios X (t ) e Y (t ) con

funciones de auto correlacin RX ( t1, t2 ) y RY ( t1 , t2 ) respectivamente, se definen las dos
funciones de correlacin cruzada:

RXY (t1 , t2 ) = E X ( t1 ) Y ( t 2 )
[2.16]
RYX ( t1, t2 ) = E Y (t1 ) X (t 2 )

cvxx=[];

for i=1:m

cvxx(i,:)=xcorr(x(1,:)-mean(x(1,:)),x(i,:)-mean(x(i,:)));

end

mesh([1:m],[1:1999],cvxx')

Las propiedades de correlacin de los dos procesos se pueden representar entonces

en forma matricial, definiendo la matriz de correlacin de los procesos aleatorios X (t ) e
Y (t ) como:

R (t , t ) R XY ( t1, t2 )
R ( t1, t2 ) = X 1 2 [2.17]
RYX ( t1 , t2 ) RY ( t1 , t2 )

2.2.7. Covarianza Cruzada

De igual modo, para dos procesos estocsticos se define la funcin de covarianza
cruzada como:

C XY ( t1, t2 ) = E ( X (t1 ) m X ( t1 ) )(Y (t2 ) mY ( t2 ) ) = R XY ( t1, t2 ) mX (t1 ) mY ( t2 ) [2.18]

cvxy=[];

for i=1:m

cvxy(i,:)=xcorr(x(1,:)-mean(x(1,:)),y(i,:)-mean(y(i,:)));

end

mesh([1:m],[1:1999],cvxy')

22
Se puede comparar la covarianza cruzada con la respuesta impulsional
plot([cvxy(:,1000) rimp]);grid

70

60

50

40

30

20

10

-10
0 20 40 60 80 100

23
 2.2.8. Proceso Estacionario

2.2.9. Secuencias Estocsticas

2.2.10. Continuidad

2.2.11. Diferenciacin

2.2.12. Integracin

2.2.13. Proceso Estocstico Discreto

2.3. Procesos Estocsticos Ergdicos
2.4. Procesos Especiales
2.5. Proceso de Markov
2.6. Ejemplo de Sistema Continuo en Variables de Estado
Movimiento Browniano por agitacin trmica de partculas en una dimensin

d 2x dx
m 2
+c = f [2.19]
dt dt
se puede demostrar que si la masa es relativamente grande, para x y t se puede
considerar el choque como elstico y en ese caso f es ruido blanco.

x1 = x
dx [2.20]
x2 =
dt

dx1
dt 0 1 x1 0
= +
c 1 f
[2.21]
dx2 0 m x2 m
dt

usando la ecuacin diferencial estocstica,

dx2 = c m x2dt + 1 m fdt [2.22]

fdt es el impilso que recibe la partcula por lo que se puede asociar a un proceso de
Wiener.
La media,
dmx (t )
= Amx (t ) [2.23]
dt

24
dPx (t)
= APx ( t) + Px (t ) AT + Rx 1 [2.24]
dt
Rx ( s, t ) = ( s, t) Px ( t) [2.25]

mx (0) = 0 mx (t ) = 0 t [2.26]

dx1 0 1 x 0
= + 1 dW
1
dx 0 c x dt [2.27]
2
m 2 m

clculo de la matriz de transicin

m ct
1 1 exp
t 0 1 c m
(t ) = exp
c dt =
[2.28]

m ct
0 0
0 exp
m
la matriz de covarianza,

dP1 dP2
0 0 0
dt =
dt 0 1 P1 P2 P1 P2 0
+ + r
dP3 0 c m P2 P3 P2 P3 1 c m 0
[2.29]
dP2 m2
dt dt

La matriz de la derecha es la matriz de covarianza de un proceso de Wiener

dP1
= 2 P1
dt
dP2
= c P2 + P3 [2.30]
dt m
dP3 r
= 2 c P3 + 2
dt m m
dx dP (0)
se supone para t=0, x=0 y que = cte , 3 =0
dt dt
P1 (0) = 0 covarianza de la posicin

P2 (0) = 0 covarianza de la posicin y la velocidad

r
P3 (0) =
2mc
la ley de conservacin de energa trmica dice

25
1 1
kT = mE x22 [2.31]
2 2
1 1 r
kT = m [2.32]
2 2 2mc
r = 2kTc [2.33]

reemplazando resulta

P1 (t) = 2
kT
c
m
(
t c 1 e
ct
m
) [2.34]

P2 ( t) =
kT 1 e ct m [2.35]
c

kT
P3 (t ) = [2.36]
m
la correlacin ser
m c ( s t)
r11 ( s, t ) = P1 (t) + 1 e m
P2 (t )
c
[2.37]
kT c ( s t) m
r22 ( s, t ) = e
m

26