Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas AED 2005 06 Web PDF
Notas AED 2005 06 Web PDF
NOTAS de
ANLISIS
ESPECTRAL DE
DATOS
Jess J. Fuensalida
Instituto de Astrofsica de Canarias
ADVERTENCIA
NDICE
1.- INTRODUCCIN
2
f (t ) = a 0 + (a n cos n b t + bn sen n b t ) si b (2.1)
n =1 T
en donde
f ( ) 1 d 1
f ( ) d siendo b t
a0 = = (2.2)
2
1 d
f ( ) cos n d 1
f ( ) cos n d
an = = (2.3)
cos n d
2
f ( )sen n d 1
f ( )sen n d
bn = = (2.4)
sen n d
2
2nx 2nx
f ( x) = a0 + a n cos + bn sen
n =1 T T
+T
1 2
f ( x ) dx
T T
a0 =
2
Anlisis Espectral de Datos 6/48 Universidad de La Laguna
+T 2
1 2nx
an = f ( x ) cos dx
T T 2 T
2
+T 2
1 2nx
bn = f ( x ) sen dx
T T 2 T
2
a) f(x) est definida y sea uniforme excepto, como mucho, en un nmero finito de
puntos en ]-T/2,T/2[.
b) f(x) sea peridica fuera de ]-T/2,T/2[ con periodo T.
c) f(x) y f '(x) son cuasicontinuas en ]-T/2,T/2[.
Las condiciones (a), (b) y (c) exigidas a f(x) son suficientes, pero no necesarias, aunque
generalmente se cumplen en la prctica.
a ( ) = a n ( n b )
0
b( ) = bn ( n b )
1
f
c u a
i ii iii
Para expresar esta funcin como serie de Fourier, aplicaramos las expresiones 2.2, 2.3
y 2.4. Dado que la funcin se repite cada periodo, extendemos las integrales entre + y -
:
f ( ) 1 d 1
f ( ) d = 0
a0 = =
2
1 d
f ( ) cos n d 1
f ( ) cos n d
an = =
cos n d
2
2 + 2 +
= 1 cosn d + + 1 cosn d + 1 cosn d
1
1
443 1
442
2
442443 +12 442443
i ii iii
siendo cada trmino i, ii, y iii correspondiente a las partes indicadas en la fig. 2.3.1.
= 1
{ 1
n [sen n ]
2
+ 1
n [sen n ]+
2
2
1n [sen n ]+ 2
+
}
= 2
n
{ sen( n 2 ) + sen n 2 } = n2 {2 sen n 2 }
Anlisis Espectral de Datos 8/48 Universidad de La Laguna
f ( )sen n d 1
f ( )sen n d
bn = =
sen n d
2
2 + 2 +
= 1 1 sen n d + + 1 sen n d + 1 sen n d
1 2
442 443 1 442443 +12 442443
i ii iii
= 1
{ 1
n [cos n ]
2
+ 1
n [cos n ]+
2
2
1n [cos n ]+ 2
+
}
= 2
n
{ cos( n 2 ) + cos n 2 } = 0
Es decir, bn = 0.
Luego,
fcua= 4/ (cos bt - 1/3 cos 3bt + 1/5 cos 5bt - 1/7 cos 7bt + 1/9 cos 9bt - ...)
En las figuras 2.3.2a y 2.3.2b, se muestran los resultados con diferentes harmnicos. Se
puede apreciar que las amplitudes de los harmnicos de mayor orden son menores y sin
embargo son las encargadas de ajustar los saltos bruscos, es decir, cuanto ms saltos
bruscos tenga la seal, mayor composicin en altas frecuencias tendr.
0
0 0,05 0,1 0,15
-0,5
-1
-1,5
tiem po (s)
Fig. 2.3.2a.- Comparacin de una onda cuadrada con el desarrollo de Fourier hasta el
harmnico 5.
Instituto de Astrofsica de Canarias 9/48 Jess J. Fuensalida
-1
-1,5
tiem po (s)
Fig. 2.3.2b.- Comparacin de una onda cuadrada con el desarrollo de Fourier hasta el
harmnico 9.
1,5
Amplitud
0,5
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160
-0,5
Frecuencia (Hz)
f c u a
i ii
f ( ) cos n d 1
f ( ) cos n d
an = =
cos n d
2
+
0
= 1 cos n d + + 1 cos n d
1
= 1
{ 1
n
[sen n ]0 + 1
n
[sen n ]0+ }
= 1
n
{ sen 0 + sen ( n ) + sen n sen 0} = 0
Es decir, an = 0.
f ( )sen n d 1
f ( )sen n d
bn = =
sen n d
2
+
0
= 1 1 sen n d + + 1 sen n d
0
= 1
{+ 1
n [cos n ]0 1n [cos n ]0
+
}
= 1
n
{cos 0 cos( n ) cos n + cos 0} = n2 {1 cos n }
Instituto de Astrofsica de Canarias 11/48 Jess J. Fuensalida
Hay que resaltar que no son iguales a los an del caso par.
2.4.- Ortogonalidad.
f ( ) g ( ) d = 0
1
en el intervalo (1, 2)
+T / 2
cos t sen t dt = ?
T / 2
b b
+ +
sen 2 1
cos sen d = d = [cos 2 ] = 0
+
2 4
+ +
+ + +
= [sen ]
+ 2
3
[
sen 3 ] +
=0
Es decir, sen y cos son ortogonales as como sen y sen2 y tambin cos y cos2. Y
as se puede extender entre sen n y cos m y sen k y cos l n,m,k,l N.
NOTA: Dos funciones f() y g() son ortonormales si y solo si, adems de ser
ortogonales, cumplen:
2 2
[ f ( )] d = [g ( )] d = 1
2 2
1 1
+T
2
T
cos n b x dx =
2
T
2
2
+T
2
T
sen n b x dx =
2
T
2
2
Como hemos visto en el apartado 2.4 que cos nbt y sen nbt son ortogonales, podemos
representar an cos nbt + bn sen nbt a modo de vectores.
Por lo tanto,
bn = c n sen n cn
bn
n
a n = c n cos n
n
y entonces, la suma de cada orden,
an
a n cos n b t + bn sen n b t = c n cos n b t cos n + c n sen n b t sen n
= c n cos(n b t n )
Instituto de Astrofsica de Canarias 13/48 Jess J. Fuensalida
c n = a n2 + bn2
bn b
tg n = , , n = arctg n
an an
f (t ) = a0 + c n cos(n b t n )
n =1
bn = c n cos n
a n = c n sen n
= c n sen(n b t + n )
Y, como ms arriba,
c n = a n2 + bn2
an a
tg n = , , n = arctg n
bn bn
f (t ) = a 0 + c n sen(n b t + n )
n =1
En las figuras 2.5.1a y b mostramos las representaciones para dos casos de valores an y
bn.
Anlisis Espectral de Datos 14/48 Universidad de La Laguna
0,5
0
0 0,05 0,1 0,15
-0,5
-1
-1,5
tiem po (s)
0,5
0
0 0,05 0,1 0,15
-0,5
-1
-1,5
tiem po (s)
En las grficas 2.5.1 obtenemos la suma a partir de un coseno y seno con diferentes
amplitudes. Podemos apreciar como la distancia en radianes desde el mximo de la
resultante al mximo de la componente coseno y la distancia de la resultante al
mximo de la componente seno.
bn 1
n = arctg = arctg = rad
an 1 4
an 1
n = arctg = arctg = rad
bn 1 4
Instituto de Astrofsica de Canarias 15/48 Jess J. Fuensalida
c n = a n2 + bn2 = 2
bn 0.4142
n = arctg = arctg = rad
an 1 8
an 1 3
n = arctg = arctg = rad
bn 0.4142 8
+T 2
1 2
Pf =
T [ f ( x)] dx
T
2
2
1
+T
2
a 0 + (a n cos n b x + bn sen n b x) dx
Pf =
T
T n =1
14444244443
2 n
+T +T 2 +T
0
1 2 1 2 1 2
= a 02 dx + ( n ) dx + 2a 0 ( n )dx
T T 2 T T n =1 T T n =1
142 4
3 142 4 42444 3 142 4 42444 3
i ii iii
a02
+T
1 2
+T
1 2
1
sen cos = [sen( ) + sen( + )] entonces,
2
+T
1 1 2
= a n bm [sen(m n) b x + sen(m + n) b x ] dx = 0
T 2 T 2
1
cos cos = [cos( ) + cos( + )] entonces,
2
+T
1 1 2
= a n a m [cos(n m) b x + cos(n + m) b x ] dx
T 2 T 2
=0 Si mn (ortogonales)
+T
1 1 2 1 a n2
= a n2 [1 + cos 2n b x ] dx = T Si m=n
T 2 T 2 T 2
1
sen sen = [cos( ) cos( + )] entonces,
2
+T
1 1 2
= bn bm [cos(n m) b x cos(n + m) b x ] dx
T 2 T 2
Instituto de Astrofsica de Canarias 17/48 Jess J. Fuensalida
=0 Si mn (ortogonales)
+T
1 21 2 1 bn2
= bn [1 cos 2n b x ] dx = T Si m=n
T 2 T 2 T 2
a2 b2
( )
1 1
Pf = a 02 + n + n = a 02 + a n2 + bn2 = a 02 + c n2
n =1 2 2 2 n =1 2 n =1
Como hemos visto en el apartado 2.4 y en ste ms arriba, la potencia media de cada
componente con amplitud 1 es 1/2. Por lo tanto, la potencia media de f(x) es la suma
de la potencia de cada componente, ms la potencia de la componente continua
(TEOREMA DE PARSEVAL de series de Fourier).
cos = 1
2
[e i
+ e i ]
[
sen = i 12 e i e i ]
luego,
a n i n b x a n i n b x
a n cos n b x = e + e
2 2
bn i n b x b i n b x
bn sen n b x = i e +i n e
2 2
Por lo tanto,
a n ibn i n b x a n + ibn i n b x
f (x ) = a 0 + + = dne b
in x
e e (3.1)
n =1 2 n =1 2 n =
siendo,
d 0 = a0
a n ibn
dn =
2
a n + ibn
d n = = d n* (* conjugada)
2
a n ibn
dn =
2
11
+T / 2 +T / 2
1
2 T 2 T/ 2
= f ( x ) cos n b x dx i f ( x ) sen n b x dx
T
2 T / 2
Instituto de Astrofsica de Canarias 19/48 Jess J. Fuensalida
+T / 2
1
=
T f ( x) [cos n
T / 2
b x i sen n b x ] dx
+T / 2
1 i n b x
=
T f ( x)
T / 2
e dx (3.2)
Expresin que es vlida para valor entero n, es decir, positivo, negativo o cero.
Queda claro, por tanto, que los coeficientes dn son complejos, por lo que,
1
dn = a n2 + bn2
2
bn
arg(d n ) = arctg
an
cn = 2 d n
n = arg(d n )
= (n + 1) b n b
Es decir,
2
= b =
T
Pero, podemos considerar una funcin no-peridicas como una peridica con un T = .
Luego, si T 0. (3.3)
+T / 2
1 i n b x
dn =
T f ( x)
T / 2
e dx en
+T / 2
1
f (x ) = dn e
i n b x i n b x i n b x
n =
=
n = T
f ( x)
T / 2
e dx e
1 b 1
= =
T 2 2
+T / 2
1
f (x ) = f ( x)
i n b x i n b x
e dx e (3.4)
2 n = T / 2
+ +
1
f (x ) =
i x i x
2 f ( x)
e dx e d
1442443
F ( )
+
1 i x
f ( x) =
2 F ( )
e d
+
i x
F ( ) = f ( x)
e dx
Instituto de Astrofsica de Canarias 21/48 Jess J. Fuensalida
+
1 i x
f ( x) =
2 F ( )
e d
Las condiciones suficientes (no necesarias) para que las integrales se cumplan son:
a) f(x) est definida y sea uniforme excepto, como mucho, en un nmero finito de
puntos.
b) f(x) y f '(x) son cuasicontinuas.
1
c) f(x) se reemplace por [ f ( x + 0) + f ( x 0)] , si x es un punto de discontinuidad.
2
+
d)
f ( x) dx converja. Es decir, f(x) sea absolutamente integrable en (-, +).
+ +
1
f (x ) =
i x i x
2 f ( x)
e dx e d
1442443
F ( )
+
i x
F ( ) = f ( x)
e dx
+
1 i x
f ( x) =
2 F ( )
e d
Anlisis Espectral de Datos 22/48 Universidad de La Laguna
+
i 2 u x
F (u ) = f ( x)
e dx
+
i 2 u x
f ( x) = F (u)
e du
III) A partir de la opcin (I), algunos autores (Mathews & Walker, 1970, p.102), por
razones de simetra en las expresiones, definen,
+
1 i x
F ( ) =
2 f ( x)
e dx
+
1 i x
f ( x) =
2 F ( )
e d
12
2 +
i 2 r s
F (r ) = f (s ) e ds
(2 )(11) 2
12
2 +
i 2 r s
f (s ) = F (r )e ds
(2 )(1+1) 2
donde,
1 2 Campo
0 -1 Fsica Cuntica
1 1 Matemticas e Ingeniera de Sistemas
1 -1 Estadstica
-1 -1 Fsica Clsica
0 2 Procesamiento de Seal y ptica
Instituto de Astrofsica de Canarias 23/48 Jess J. Fuensalida
+ + +
i 2 u x
F (u ) =
f ( x) e dx =
f ( x) cos 2 u x dx i f ( x)
sen 2 u x dx
el trmino del coseno transforma la parte par de la funcin, mientras que el trmino del
seno transforma la parte impar de la funcin.
f(x) F(u)
Real y Par Real y Par
Real e Impar Imaginario e Impar
Imaginario y Par Imaginario y Par
Complejo y Par Complejo y Par
Complejo e Impar Complejo e Impar
Real y Asimtrico Complejo y Hermtico
Imaginario y Asimtrico Complejo y Antihermtico
Real y Par + Imaginario e Impar Real
Real e Impar + Imaginario y Par Imaginario
Par Par
Impar Impar
NOTA:
C(-u) = C* (u)
C(-u) = - C* (u)
Por otra parte, F(u) ser, generalmente, una funcin compleja. Como hemos visto en el
apartado 3.1, la potencia que contribuye cada frecuencia es el mdulo cuadrado. Por
tanto, llamaremos ESPECTRO DE POTENCIAS de f(x) a |F(u)|2 . Es decir, como ya
vimos en los apartados 2.5 y 2.6, la fase no desarrolla potencia.
Si F() = F [f(t)]
[ ] 1
F f (a t ) = a F ( / a ) a
Si F(u) = F [f(x)]
F [ f ( x a )] = e
i 2 ( a ) u
F (u )
Si F(u) = F [f(x)]
Instituto de Astrofsica de Canarias 25/48 Jess J. Fuensalida
F [ f ( x)] = i 2 u F (u )
F [ f ( x ) ] = 4 u F (u )
2 2
Y consecuentemente,
F [f (n
( x) ] = (i 2 u )
n
F (u )
A cos 2uox A
2
[ (u u o ) + (u + u o )]
Coseno Dos deltas reales (par)
A sen 2uox A
2 i[ (u + u o ) (u u o )]
Seno Dos deltas imaginarias (impar)
A ei 2 uo x A[ (u u o )]
Seno + coseno Una delta en la frecuencia
0 , , x < L 2AL sinc(2 uL)
A 2 L (x ) = A , , L < x < L
0 ,, x > L
Funcin pulso centrado en el origen y ancho 2L Sinc (1er cero en 1/2L)
Anlisis Espectral de Datos 26/48 Universidad de La Laguna
x2 1 u2
A 1
1
, , =
2
2
e Ae
2 u2
, , u =
2 2.345 2
( Ancho a mitad de altura)
Gaussiana Gaussiana
x u
2 1 2 1
,, u =
Ae
2 u
u +
2
2
2
Exponenciales en modo par Lorentziana
para x < 0 1 1
E(x)= 10 ,,,, (u ) +
para x > 0 2 i 2 u
Escaln (Heaviside)
+
1 +
n
(x nxo ) xo
u xo
n = n =
Peine (tren de deltas) Peine (tren de deltas)
Adviertan que,
+
F (0) = f ( x)
dx
f ( x) dx
F (0)
we
= +
f (0)
F (u )
du
+
i 2 t
H ( ) =
f (t ) g (t ) e dt
g (t )
644 47 4 44 8
+
+
i 2 t i 2 t
=
f (t ) G ( ) e
d e
dt
+ +
i 2 ( ) t
=
f (t )G ( ) e d dt
+
+ i 2 ( ) t
= G ( ) f (t ) e
dt d
+
= G ( ) F ( ) d (1)
+ +
i 2 t
F ( ) G ( ) e d =
f ( s ) g ( t s ) ds
(2)
144 42 4 44 3
Se denomina CONVOLUCIN de f por g.
Y se representa por f g
Anlisis Espectral de Datos 28/48 Universidad de La Laguna
O lo que es igual:
+
f(t) g(t) = f ( s ) g [ ( s t ) ] ds
Es decir, los valores de la funcin convolucin es el resultado del producto de f(t) por
g(t), cuando g(t), una vez girada respecto al eje de ordenadas, corre el eje de abscisas.
F [f(t) g(t)]
f (t) = F -1
(4)
G()
a) Conmutativa
f g = g f (4.5)
b) Asociativa
f ( g h ) = (f g ) h (4.6)
c) Distributiva
f (g + h)= f g +f h (4.7)
Instituto de Astrofsica de Canarias 29/48 Jess J. Fuensalida
F [f g h]=F G H (4.8)
F [f ( g h )]=F ( G H ) (4.9)
i ( )
F ( ) = F ( ) e
+
i ( ( )+ 2 t )
f (t ) = F ( ) e d
*
+
i ( ) i 2 ( t )
=
F ( ) e e d
+
i ( ) i 2 t
f (t ) = F ( ) e e d
*
F*()
f*(-t) = F -1
[F*()]. (4.10)
Anlisis Espectral de Datos 30/48 Universidad de La Laguna
si f(t) = F -1
[F()]
y g(t) = F -1
[G()]
Por otra parte, sabemos por la expresin 2-4.1 y por el apartado 4.3 que,
p ( s ) q (t s ) ds
F -1
[Q () P ()] =
+
p (t s ) q ( s ) ds
F -1
[G () F*()] = F -1
[G ()] F -1
[F*()]
g(t) f *(-t)
+
= g (s) f ( s t ) ds
*
s = k+t, t = s-k
+
= g (k + t ) f ( k ) dk
*
(4.11)
O lo que es igual:
+ *
F [f(t) k g(t)] = F f ( s ) g ( s + t ) ds
* (4.12)
F [f(t) k g(t)] =F () G()
+ +
i 2 ux
f ( x) g ( x) e dx = G( ) F (u ) d
+ +
f ( x) g ( x) dx = G ( ) F ( ) d
+ +
f ( x) g ( x) dx = ( ) G( ) d
*
F
+ +
[ f ( x )]
2 2
dx = F (u ) du
Es decir, como era de esperar, la energa en los dos dominios tiene que ser igual.
1
Tambin se conoce como teorema de Plancherel (1885-1967), ya que lo demostr de forma ms general.
En tal caso, habitualmente se reserva el nombre de Parseval (1755-1836), que lo expuso con anterioridad,
para los casos ms particulares de funciones peridicas.
Anlisis Espectral de Datos 32/48 Universidad de La Laguna
+ +
f ( x) g ( x) dx = F (u) G (u ) du
* *
+ *
Se denomina AUTOCORRELACIN de f.
f ( s ) f ( s + t ) ds Y lo representaremos por f k f
De modo que,
*
F [f(t) k f(t)] =F () F() = |F() |2
que se conoce como (4.13)
Teorema de Wiener-Khinchin
f * ( s ) f ( s + x ) ds
(x) = (4.14)
+
f * ( s ) f ( s ) ds
f ( x) k f * ( x)dx
F (0)
2
wa =
=
[ f ( x) k f * ( x) ]
x =0
+
F (u)
2
du
+ +
f ( x)dx f
*
( x)dx
=
+
f ( x)
f * ( x)dx
Anlisis Espectral de Datos 34/48 Jess J. Fuensalida
Universidad de La Laguna Instituto de Astrofsica de Canarias
Llegados a este punto, nos irrumpe una pregunta, cul debera ser el intervalo de
muestreo requerido para que la serie de muestras defina totalmente la funcin original?.
La respuesta ms simple sera que el intervalo de muestreo fuera tan pequeo como
fuera posible. Aun asumiendo la vacuidad de la contestacin, subyace que debe existir
un cierto intervalo crtico para el cual la serie de datos aloje toda la informacin.
Adelantamos que, de existir ese valor, el uso de intervalos menores no proporcionaran
ms informacin que la obtenida con aquel, y, si al contrario, usamos un intervalo de
muestreo mayor, la informacin extrada falseara la funcin verdadera. La eleccin de
un intervalo de muestreo menor que el crtico, implica la necesidad y el consumo de
mayores recursos, tanto en las prestaciones de la instrumentacin para lograrlo como
para el almacenamiento y transmisin.
1+0.75*Cos20
1+1*Cos40
4 (1+1*Cos 40) +(1+ 0.75*Cos20)
3.5
2.5
1.5
0.5
0
0 0.05 0.1 0.15
tiem po (s)
3+0.75*Cos20
(1+1*Cos 40) +(1+ 0.75*Cos20)
4
3.5
2.5
1.5
0.5
0
0 0.025 0.05 0.075 0.1 0.125 0.15 0.175
tiem po (s)
2+1.75*Cos20
(1+1*Cos 40) +(1+ 0.75*Cos20)
4
3.5
2.5
1.5
0.5
0
0 0.017 0.033 0.05 0.067 0.083 0.1 0.117 0.133 0.15 0.167
tiem po (s)
4
Original
an 3.5 30 Hz = 1/ (2*0.01666 s) con 0.01666
con 0.025
3 3
20 Hz = 1/ (2*0.025 s) 40 Hz = 1/ (2*0.0125 s)
2.5
2
2
2
1.75
1.5
1 0.75 1
0.75
0.5
0
0 10 20 30 40 50
Frecuencia (Hz)
En la figura 4, apreciamos que, aunque la frecuencia del coseno resultante con los
intervalos de muestreo de 0.01666 s. y 0.025 s. es la misma, la amplitud y la
componente continua son distintas. En ambos casos se detecta una sola componente,
cuando la funcin original est compuesta por dos diferentes. Se seala tambin las
frecuencias (flechas) que corresponden a los lmites impuestos por los intervalos
usados. Aunque este punto se discutir ms profundamente en el siguiente apartado,
advertimos que los valores de las amplitudes detectadas en caso, son la suma de las
amplitudes de la funcin original a cada lado referido a la frecuencia lmite
correspondiente. Por ejemplo, en el caso de 0.025 s, la componente continua es la suma
de la original ms la amplitud en 40 Hz de la original. De igual forma, en el caso de
0.01666 s, la componente continua es igual que la original pero la amplitud en 20 Hz
(1.75) es la suma de la amplitud en 20 Hz y en 40 Hz de la original.
Para un cierto intervalo de muestreo , la frecuencia mxima que puede ser registrada es
1
N = , y se denomina frecuencia de Nyquist.
2
Anlisis Espectral de Datos 38/48 Universidad de La Laguna
+
D [ f (t ), ] = f (t ) (t n )
F F F
+
1 n
F {D [ f (t ), ]} = F ( )
1
De modo que si F()=F[f(t)], y = entonces,
2 M
F()
F{D[f(t),]}
-1/ 1/
N 1
DN [ f (t ), ] = f (t ) (t n )
n =0
N 1
= f (n ) (t n )
n =0
+N /2 m
D [ f (t ), ] e
i 2 n
dm = N
N
N
n= N / 2
+N / 2
1 m
f (n ) e
i 2 n
dm = N
N n= N / 2
N 1 mn
1
F (m ) = f (n ) e
i 2
N
N n =0
Supongamos, por simplicidad, que N sea un nmero par. Entonces, podemos escribir,
N2 1 m (2 n )
N
1
m ( 2 n +1)
1 2
F (m ) = f (2n ) + f (2n + 1)
i 2 i 2
N n =0 e N
n =0
e N
Anlisis Espectral de Datos 40/48 Universidad de La Laguna
Observemos que, {f(2n)}n es la seleccin de los datos que ocupar una posicin par de la
sucesin {f(n)}n y los {f(2n+1)}n , los que ocupan una posicin impar. Entonces,
N
1
N
1
1 1 2 mn m
1 2 mn
F (m ) = ( ) e 2 e N ( )
i 2 i 2 i 2
2 N n =0
f 2 n N + N f 2 n + 1 e 2 N
2 4424443
14 142 444244443
n =0
F p(m ) F i(m )
Es decir,
1 m
F (m) = Fp (m ) + e N Fi (m )
i 2
2
donde Fp(m) es la Transformada de Fourier de la parte de la sucesin {f(n)}n que ocupan
una posicin par (n par, incluyendo n=0). Y Fi(m), lo mismo para los n impar.
Con esta expresin slo obtenemos la mitad de los datos de la transformada completa.
As, si aplicamos esta frmula a los restantes m+N/2 rdenes, tenemos,
N 1 m
F m + = Fp (m ) e N Fi (m )
i 2
2 2
El proceso se puede repetir en cascada. Este concepto es la base del algoritmo Cooley &
Tukey (1965), fundamento de todas las rutinas de clculo de la transformada rpida de
Fourier.
f(x)
x
nN (x-n xo)
xo
x
p(x)
x
p
N
P [ f ( x), x 0 , p ] = [ f ( x) p ( x)] ( x nx 0 )
n
N
m
F {P [ f ( x), x0 , p ]} = [F (u ) P (u )] u
m x0
Anlisis Espectral de Datos 42/48 Jess J. Fuensalida
Universidad de La Laguna Instituto de Astrofsica de Canarias
f (t ) P(t )
< f (t ) >= t
para una distribucin discreta (1)
P(t )
t
< f (t ) >=
f (t ) P(t )dt para una distribucin continua (2)
P(t )dt
Instituto de Astrofsica de Canarias 43/48 Jess J. Fuensalida
i 2 h g
(h ) =< e >
1 2 1 3 k
e = 1+ + + + ... = < < +
2! 3! k =0 k!
( i 2 h g ) k
(h ) =< > < g < +
k =0 k!
g
k
( i 2 h ) k
P( g )dg
(h ) = +
k =0 k!
P( g )dg
1
En el campo de la Estadstica, habitualmente se utiliza la convencin 1=1, y 2=-1 en la definicin de
la Transformada de Fourier (ver Apart. 3.3). Esta eleccin conlleva distintas constantes en algunas
expresiones deducidas de la funcin caracterstica, por ejemplo en los momentos. Para ms detalles ver el
Apndice 6-A, al final del captulo.
Anlisis Espectral de Datos 44/48 Universidad de La Laguna
g
k
P( g )dg
< gk > =
+
P( g )dg
Es corriente usar el smbolo k <g >. Si g toma valores discretos, toma la expresin,
k
g k
n Pn
<g > = k n =
+
P
n =
n
( i 2 h ) k
(h ) = k
k =0 k!
Ahora bien, siguiendo el Apart. 3.7, como (h) es la transformada de Fourier de P(g),
entonces,
F 1
[ (h)] = i 2
'
g P( g )
aplicando sucesivamente,
F 1
[ (k
]
(h) = (i 2 g ) k P ( g )
[
( k (h) = F (i 2 g ) k P( g ) ]
+
i 2 h g
( k (h) = (i 2 ) k g
k
P( g ) e dg
para h=0,
+
( k (0) = (i 2 ) k g
k
P( g ) dg
y como,
+
(0) = P( g )
dg
k
1 ( k (0)
k < g k > =
i 2 (0)
(g )
k
P( g )dg
mk =
+
P( g )dg
entonces, m1=0.
k
k
mk = (1) k l l k1l si 0=1
l =0 l
Los momentos centrales son, por tanto, los momentos tomados alrededor de la media
(momento de orden 1). Si se toman alrededor de cualquier valor go ser,
mk ( g 0 ) =< ( g g 0 ) k >
A veces es til expresar las derivadas del logaritmo neperiano ln (h) en funcin de los
momentos centrales (la primera derivada es directamente proporcional a la media, ).
Las 7 primeras derivadas son,
1 1
ln (h) = (i 2 h) [ln (h)] ( i 2 h) 2 [ln (h)] (i 2 h) 3 [ln ( h)]
(1 (2 (3
h =0
+ h=0
+ h=0
+ ...
2 3!
P ( B | A) = P( B)
Por lo tanto,
P ( AB ) = P ( A) P ( B )
i 2 h gT i 2 h g1 i 2 h g 2
g (h ) =< e >=< e e >
T
Como los valores de g1(t) y g2(t) son independientes1 tambin lo sern las exponenciales
respectivas, entonces,
i 2 h g1 i 2 h g 2
g (h ) =< e >< e >
T
Por lo tanto,
g + g (h ) = g (h ) g (h )
1 2 1 2
Pg + g ( g ) = Pg ( g ) Pg ( g )
1 2 1 2
h =0
=
1
1
(i 2 )
2 1
g ( h) g ( h)
2
1 2 h =0
[ ]
(2
1
g21 + g 2 = ln g1 + g 2 ( h )
(i 2 ) 2 h =0
1
Si dos variables aleatorias z1 y z2 son independientes entonces, (z1-<z1>) y (z2-<z2>) son ortogonales, es
decir, la covarianza entre z1 y z2 es igual a cero (cuidado, no siempre cuando la covarianza es cero implica
que las variables son independientes): <(z1-<z1>)(z2-<z2>)>=0 <z1 z2>=<z1><z2>
Instituto de Astrofsica de Canarias 49/48
48 Jess J. Fuensalida
g21 + g 2 =
1 g1 g1 g1(
( 2 (h) (h) (1 (h) )2
+ 2 2
(
(g2 (h) g (h) (g1 (h)
2
2
)
2
(i 2 ) 2
g ( h) 2
g ( h)
1 2 h =0
1 n
gi < gi >
gS =
n i =1 i