Documentos de Académico
Documentos de Profesional
Documentos de Cultura
f ( x 1, t 1 ; x 2, t 2 xm, tm )=
F ( x 1,t 1, x 2, t 2 xm, tm )
(4 )
x 1, x 2, . xm
Una clase importante de procesos para los cuales la descripcin (1) se puede
simplificar en gran medida es la de procesos difusivos de Markov. Tales
procesos pueden ser especificados completamente por densidades
condicionales del tipo
f ( x 1, t 1x 2, t 2 )
que expresan la probabilidad de que el proceso pase por el estado x 2 en el
instante t2 dado que se hallaba en el estado x1 en el instante t1. Esta nocin
ha permitido el desarrollo de la teora de ecuaciones diferenciales estocsticas.
En muchos casos, sin embargo, aun la determinacin de tales funciones de
probabilidad condicional resulta difcil y solamente es posible estimar algunos
momentos del vector de respuesta, dados por
k1
k2
kn
k ( X ; t ) = x1 x2 x n f ( x ,t ) dx
Donde k es un multi-indice que denota las potencias de las variables del vector
k =[k 1, k 2 ..]
y k es la suma de sus elementos,
|k|=k 1+k 2+ .
Dichos momentos constituyen, obviamente, una descripcin probabilista del
proceso ms pobre que las densidades. El grado ms bajo de la jerarqua de
informacin ocurre cuando solo se dispone de los momentos probabilistas de
primero y segundo ordene (k= 1; 2). pero, si el proceso es Gaussiano (es decir,
si las densidades marginales y conjuntas obedecen la ley normal), tal
Descripcin es equivalente a la densidad de probabilidad, debido a que la ley
Gaussiana puede ser especificada completamente por los dos primeros
momentos (Papoulis 1991). Si el proceso no es Gaussiano, la informacin de
primer y segundo orden es, de todas formas, relevante para la descripcin
aproximada de caractersticas del proceso tales como mximos esperados,
sobrepaso de umbrales,etc.
G ( w ) dw
w
w S u2(w )
( s , p)
0
1
G ( w )=
w(
)
4 vs
2
Vs=
v
1exp (2 vw)
Por otra parte, (s; p) es una funcin que relaciona el valor mximo probable de
la velocidad con su desviacin estndar. Es, por tanto, un valor dependiente de
la probabilidad de alcanzar ese mximo, p, y de la duracin que toma el
sistema en alcanzar la fase estacionaria, s:
4 Vsln (ln
w
( lnp
))
1exp
ws
lnp
2 ln
( s , p )=
Modelos estacionarios
Las primeras propuestas de modelos estocsticos de la accin smica
consideraban que para el anlisis estructural ser suficiente utilizar solamente
la parte ms fuerte de un acelerograma, correspondiente a las ondas de corte,
que normalmente son mayores en amplitud que las de compresin y las
superficiales. Consiguientemente, esta porcin se describir como un proceso
estacionario
Esta consideracin se basaba en gran medida en registros como el de Imperial
Valley - El Centro (1940) (figura 2) en el que puede observarse una parte
inicial ascendente, un intervalo corto subsiguiente de grandes amplitudes
t= t2 - t1 y en consecuencia
{ X ( t 2 )(t 2) }
{X ( t 1 ) (t 1)}
( t 1,t 2 )=E
( t 1 )=E [ X ( ti ) ] i=1,2
se reduce a
( t 1, t 2 ) =Rx ( t ) 2 (9)
x
para t = t2 -t1.
La exigente condicin, mencionada anteriormente, para considerar un proceso
como estacionario en sentido estricto puede ser relajada para dar lugar a los
procesos estacionarios en sentido dbil. Estos se definen por las condiciones
siguientes: (a) los momentos de primer y segundo ordenes son constantes y (b)
la funcin de auto-correlacin depende solamente del retraso temporal, como
en la ecuacin (5). Como los procesos estacionarios en sentido estricto
cumplen estas condiciones, puede decirse que la estacioneidad en sentido
dbil no implica la estacioneidad en sentido fuerte. La nica excepcin la
constituyen los procesos Gaussianos, por estar definidos completamente por
los momentos de los dos primeros rdenes.
Modelos no estacionarios
00
X ( t )= e iwt dZ (w)
00
Sx ( w , t )=[ ( w ,t ) ]2 Sy (w)
donde S es la densidad espectral de potencia de un proceso asociado Y (t) es
una funcin oscilatoria suave (en general, compleja) que controla la evolucin
del proceso tanto en amplitud como en frecuencia. Esta ecuacin es la base de
la representacin espectral de procesos no estacionarios propuesta por
Priestley
oo
X ( t )= ( w , t)eiwt dz(w)
oo
( w ,t )= (t)
Por lo cual controla nicamente la amplitud del proceso. La densidad espectral
evolutiva se reduce
Sx ( w , t )= ( t ) Sy (w)
Otro enfoque para la descripcin espectral de procesos no estacionarios se
debe a Bendat y Piersol (1971) quienes proponen describir el proceso por
medio de la funcin local de auto correlacin
( 2 ) X (t + 2t )
X t
Rx ( t )=E
Una densidad espectral de potencia dependiente del tiempo puede derivarse
como la transformada de Fourier
00
1
Sx ( w , t )=
e iwt Rx ( t ) dt
2 00
Se ha observado, sin embargo, que en el anterior modelo no siempre se
respeta la no negatividad que por definicin debe tener el espectro de potencia
(Priestley 1981).
GA ( w , t ) = ( t ) Gm(w)
RUIDO BLANCO
Un importante proceso estocastico estacionario es el ruido blanco, W(t), que
puede definirse como un proceso que tiene una densidad espectral constante
sobre todo el eje de frecuencias, es decir,
Sw ( w )=const
lo que significa que a cada frecuencia se asocia una cantidad igual de energa
(lo que explica el termino \blanco"). La funcion de autocorrelacion se obtiene
por transformacin de Fourier, o sea
Rw=2 Sw(t)
Donde () es la funcin delta de Dirac. El significado de esta ecuacin es que
cualquier valor del proceso se correlaciona nicamente con su mismo. Si,
adems, el ruido es Gaussiano, este es completamente independiente de los
valores prximo o previo. Esta es, por supuesto, una situacin altamente
idealizada que es imposible encontrar en el mundo fsico. No obstante, el
proceso de ruido blanco es muy til en derivaciones tericas y el anlisis
practico de vibraciones
aleatorias y sus realizaciones se pueden simular por medio del algoritmo
siguiente (Clough y Penzien 1993; Nigam y Narayanan 1994):
1. Generar un conjunto de nmeros aleatorios con distribucin uniforme
fx1; x2; : : :xn en el rango [0; 1].
2. Hacer la transformacin
L [ x ,t ] =w(t)
Donde L[] es el operador matemtico del filtro. La segunda tcnica se basa en
la di-densidad espectral de potencia del proceso, SX(). Las realizaciones
pueden ser generadas por el algoritmo (Shinozuka 1987): disponibilidad de una
expresin matemtica o emprica de la funcin de
M
w=
Wmax
M
x ( t )= Zj cos ( wjt+ j)
j=1
2x =
1
Z 2j
2x = Sx ( w ) dw
00
Zj=2 Sx(wj) w
Puede demostrarse que la funcin de densidad de las seales x(t) obtenidas
por este mtodo tiende a la del proceso X(t) (Shinozuka 1987).
Sx ( wj ) w exp ( i j) xexp(iwjt)
2
M
j=1
x ( t )=R
que indica que x(t) puede calcularse como la parte real de la transformada
discreta de Fourier del conjunto complejo
2 Sx (wj) exp ( i j)
Sx ( w , t )= ( t , w )2 Sy (w)
M
1t
t
a ( t )=a ( t )+C 0+C
c 2( )
s
s
( )
()
C0
300
900
630 b 0
C 1 =( 1800 5760 4200 ) b 1
C 2 1890 6300 4725 b 2
s
k3
bk=s
v ( t )t k+1 dt
0
K=0.1.2
Donde v(t) es la velocidad correspondiente a a(t).
Las integrales se pueden evaluar numricamente, bajo el supuesto de que la
aceleracin a(t) varia linealmente entre dos instantes de tiempo consecutivos.
Nombre:
Diego Quiroga Moreno
Cochabamba - Bolivia