Está en la página 1de 24

Sistemas lineales

Un sistema es lineal (L) si satisface el principio de superposicin, que engloba las


propiedades de proporcionalidad o escalado y aditividad. Que sea proporcional
significa que cuando la entrada de un sistema es multiplicada por un factor, la salida
del sistema tambin ser multiplicada por el mismo factor. Por otro lado, que un
sistema sea aditivo significa que si la entrada es el resultado de la suma de dos
entradas, la salida ser la resultante de la suma de las salidas que produciran cada
una de esas entradas individualmente.

Propiedad de proporcionalidad

Si
Propiedad de aditividad

Principio de linealidad o de superposicin proporcional

Matemticamente, si y1(t), y2(t), ... yn(t) son las salidas del sistema para las
entradas x1(t), x2(t), ... xn(t) y a1, a2, ... an son constantes complejas, el sistema es
lineal si:

En un sistema lineal, si la entrada es nula, la salida tambin ha de serlo. Un


sistema incrementalmente lineal es aquel que, sin verificar la ltima condicin,
responde linealmente a los cambios en la entrada.
Por ejemplo, y(t) = 2x(t) + 2 no es lineal puesto que y(t) 0 para x(t) = 0, pero s
es incrementalmente lineal.
Invariabilidad
Un sistema es invariante con el tiempo si su comportamiento y sus
caractersticas son fijas. Esto significa que los parmetros del sistema no van
cambiando a travs del tiempo y que por lo tanto, una misma entrada nos dar el
mismo resultado en cualquier momento (ya sea ahora o despus).

Matemticamente, un sistema es invariante con el tiempo si un desplazamiento


temporal en la entrada x(t-t0) ocasiona un desplazamiento temporal en la
salida y(t-t0).

LTI
La combinacin mediante el principio de superposicin de ambas
propiedades confiere a los sistemas la caracterstica LTI.

Principio de Superposicin con LTI

Una caracterstica muy importante y til de este tipo de sistemas reside en


que se puede calcular la salida del mismo ante cualquier seal mediante
la convolucin, es decir, descomponiendo la entrada en un tren de impulsos
que sern multiplicados por la respuesta al impulso del sistema y sumados.
Sistemas LTI en Serie/Paralelo

Hablando en general, el trmino proceso aleatorio se emplea en relacin con


procesos fsicos que estn parcial o completamente controlados por cierta clase
mecanismo de azar. Se aplica a series de tiradas sucesivas de una moneda, a
medidas repetidas de la calidad del producto de un fabricante sacado de una lnea
de montaje, a las vibraciones de las alas de los aviones, al ruidos en seales de
radio y a otros muchos fenmenos. Los que caracteriza estos procesos es su
dependencia del tiempo, es decir, el hecho de que ciertos sucesos se presenten o
no (segn sus posibilidades) a intervalos regulares de tiempo o en un intervalo
continuo del mismo.
En esta seccin trataremos de procesos que se desarrollan en un intervalo continuo
de tiempo, tales como la presencia de imperfecciones en la fabricacin continua de
piezas de telas, la medida de radiaciones con un control Geiger, la llegada de
llamadas telefnicas a un panel de comunicacin o el paso de automviles por un
punto de control electrnicos. La distribucin de Poisson, descrita en la seccin, nos
da una teora matemtica apropiada para muchos de estos problemas. Variamos a
generalizar las hiptesis hechas en aquella seccin; para ello consideramos que se
estudian ciertos sucesos y que la probabilidad de que ocurran en un intervalo de
tiempo muy pequeo. Supondremos, adems, que la probabilidad de que se
presenten ms de una vez el suceso de un intervalo de longitud es igual a cero, que
ocurre, o no, el suceso durante el intervalo no depende de lo que haya pasado antes
del instante.

Trayectoria aleatoria

Varias aplicaciones importantes de la teora de la probabilidad estn basadas en las


siguientes interpretaciones de la distribucin binmicas. Supongamos que un punto
arranca del origen y se mueve a lo largo del eje por desplazamiento unitarios
originados por saltos sucesivos a la izquierda o la derecha. Para un salto
determinado hay una probabilidad de que sea a la derecha y de que sea a la
izquierda, y se supone que los saltos sucesivos son independientes nos interesa
ahora la probabilidad del que el punto este por unidades a la derecha del origen al
cabo del salto. Evidentemente, para que haya unidades a la derecha del origen
despus de pruebas de haber habido casos favorables ms que en casos
desfavorables es decir, debe haber saltos a la derecha y a la izquierda.

Paseo aleatorio simple

El paseo aleatorio simple puede considerarse como un modelo de juego repetido.


Concretamente, imagine que empieza un juego con euros y hace sucesivas
apuestas de un euro en cada apuesta tiene una posibilidad de ganar un euro y una
posibilidad de perder un euro de forma que si es la cantidad de dinero que tiene por
el momento a la que nos referimos en adelante con su fortuna a tiempo entonces
mientras que puede ser segn gane o pierda la segunda apuesta.

La caminata aleatoria o paseo aleatorio o camino aleatorio, abreviado en ingls


como RW (Random Walks), es una formalizacin matemtica de la trayectoria que
resulta de hacer sucesivos pasos aleatorios. Por ejemplo, la ruta trazada por una
molcula mientras viaja por un lquido o un gas, el camino que sigue un animal en su
bsqueda de comida, el precio de una accin fluctuante y la situacin financiera de
un jugador pueden tratarse como una caminata aleatoria. El trmino caminata
aleatoria fue introducido por Karl Pearsonen 1905.1 Los resultados del estudio de las
caminatas aleatorias han sido aplicados a muchos campos como la computacin,
la fsica, la qumica, la ecologa, la biologa, la psicologa o
la economa.2 3 4 5 6 7 8 9 En particular en este ltimo campo la teora del paseo
aleatorio de Burton G. Malkiel en su obra Un paseo aleatorio por Wall Street se
fundamenta en la hiptesis de los mercados eficientes, desarrollado en tres formas o
hiptesis. En fsica el modelo ha servido, por ejemplo, para modelar el camino
seguido por una molcula que viaja a travs de un lquido o un gas (movimiento
browniano). En ecologa, se emplea para modelar los movimientos de un animal de
pastoreo, etc. Varios tipos diferentes de caminos aleatorios son de inters. A
menudo, los caminos aleatorios se suponen que son cadenas de Mrkov o proceso
de Mrkov, pero otros caminos ms complicados tambin son de inters. Algunos
caminos aleatorios se dan en grafos finitos, otros en la recta, en el plano, o en
dimensiones mayores, mientras algunos caminos aleatorios se dan en grupos.

En su forma ms general, las caminatas aleatorias son cualquier proceso


aleatorio donde la posicin de una partcula en cierto instante depende solo de su
posicin en algn instante previo y alguna variable aleatoria que determina su
subsecuente direccin y la longitud de paso. Los caminos aleatorios tambin varan
con respecto al tiempo. Casos especficos o lmites de estos incluyen la caminata de
un borracho, el vuelo de Lvy y el movimiento browniano. Los paseos aleatorios
estn relacionados con los modelos de difusin y son un tema fundamental en la
discusin de los procesos de Mrkov. Varias propiedades de los paseos aleatorios
incluyen distribuciones dispersas, tiempos de primer cruce y rutas de encuentro.
En el estudio de la teora general de las caminatas aleatorias, aparece con bastante
frecuencia que el espacio donde se requiere realizar la caminata, puede ser
modelado como cierto grafo. La situacin usual es como sigue: Dado un

grafo {\displaystyle G} y comenzando en uno de sus vrtices, seleccionamos de


alguna manera al azar uno de sus vecinos y nos movemos a ste; entonces
nosotros seleccionamos un vecino de este ltimo vrtice y nos movemos de nuevo,
etc. La sucesin aleatoria de vrtices obtenidos de esta forma es una caminata

aleatoria sobre el grafo {\displaystyle G} . La teora relacionada con caminatas


aleatorias se desarrolla en el marco general de la teora de los procesos
estocsticos, ms exactamente con la relacionada con las cadenas de Mrkov, y no
solo eso; no hay mucha diferencia entre la teora de las caminatas aleatorias en
grafos y la teora de las cadenas de Mrkov finitas ya que cada cadena de Mrkov
de estas, puede ser vista como una caminata aleatoria sobre cierto grafo dirigido. De
manera similar, las cadenas de Mrkov reversibles pueden ser vistas como
caminatas aleatorias en grafos no dirigidos, y las cadenas de Mrkov simtricas,
como caminatas aleatorias en grafos regulares.
Caminatas aleatorias en grafos surgen en muchos modelos en matemticas y en
fsica. De hecho, sta es una de esas nociones que empiezan a aparecer en todas
partes una vez se empieza a buscarlas. Por ejemplo, considere la disposicin de una
baraja de cartas, construya un grafo cuyos vrtices sean todas las permutaciones de
las cartas de la baraja de tal manera que dos permutaciones son adyacentes si y
solo si una se obtiene a partir de la otra cambiando la posicin de dos de las cartas.
Barajar el mazo de cartas, corresponde a una caminata aleatoria en este grafo.10
Recientemente caminatas aleatorias en grafos ms generales, aunque finitos, han
recibido mayor atencin, y los aspectos estudiados son ms cuantitativos: cunto se
debe caminar hasta llegar a la posicin inicial, hasta llegar a un vrtice dado o hasta
pasar por todos los vrtices del grafo. Las caminatas aleatorias tambin estn
relacionadas con otras ramas de la teora de grafos; propiedades bsicas de las
caminatas aleatorias son determinadas por el espectro del grafo y tambin por la
resistencia elctrica de la red asociada de manera natural con ste; es por esto que
gran parte de la terminologa correspondiente a tales caminatas se da en trminos
de la teora de redes elctricas lo cual resulta ser bastante til dado que es posible
extrapolar resultados de tal teora a la de caminatas aleatorias en grafos y viceversa.
Todas esas conexiones son fructferas y dan tanto herramientas para el estudio
como oportunidades para encontrar nuevas aplicaciones.

Supongamos que trazamos una marca a cierta distancia del origen del paseo.
Cuntas veces cruzar el paseo aleatorio tal marca? La solucin es el siguiente
teorema (que extiende lo anterior): para cualquier paseo aleatorio unidimensional,
cada punto del dominio de definicin de una funcin ser casi seguramente cruzado
un nmero infinito de veces. (En dos dimensiones el resultado anlogo dice que
cualquier lnea ser cruzada un nmero infinito de veces). Este problema tiene
diversos nombres: el problema de cruce de niveles, el problema de recurrencia o el
problema de la ruina del apostador. El origen de este ltimo nombre es el siguiente:
si un jugador con una cantidad finita de dinero juega a un juego no sesgado contra
una banca con infinito dinero, siempre termina perdiendo. La cantidad de dinero del
jugador efectuar un paseo aleatorio segn vaya ganando o perdiendo, y siempre,
en algn momento, alcanzar el 0 y el juego terminar.

Aplicaciones
Algunas aplicaciones del camino aleatorio son:

En gentica de poblaciones, el camino aleatorio describe las propiedades


estadsticas de la deriva gentica.
En fsica, los caminos aleatorios son utilizados como modelos simplificados
del movimiento browniano y difusin tales como el movimiento aleatorio de
las molculas en lquidos y gases. Vase, por ejemplo, la agregacin limitada por
difusin. Adems, los caminos aleatorios y algunos de los caminos que
interactan consigo mismos juegan un papel en la teora cuntica de campos.
En biologa matemtica, los caminos aleatorios son utilizados para describir los
movimientos individuales de los animales, para apoyar empricamente los
procesos de biodifusin, y en ocasiones para desarrollar la dinmica de
poblaciones.
En otros campos de las matemticas, el camino aleatorio se utiliza para calcular
las soluciones de la ecuacin de Laplace, para estimar la media armnica, y para
varias construcciones en el anlisis y la combinatoria.
En informtica, los caminos aleatorios son utilizados para estimar el tamao de
la Web. En la World Wide Web conference-2006, Bar-Yossef et al. public sus
descubrimientos y algoritmos para lo mismo.
En el procesamiento de imgenes, los caminos aleatorios son utilizados para
determinar las etiquetas (es decir, "objeto" o "fondo") para asociarlas con cada
pxel. Este algoritmo se suele denominar como algoritmo de segmentacin del
camino aleatorio.
Las variables aleatorias de los ejemplos 4.1, 4.2 y 4.3 son tpicas de las tres
variables ms bsicas

Tipos de variables aleatorias que nos interesan.

Las variables aleatorias discretas tienen una cdf que es una funcin de escalera
derecha continua

De x, con saltos en un conjunto de puntos contable La variable aleatoria en

El cdf de un discreto Variable aleatoria es la suma de las probabilidades de los


resultados menos de x y

Puede escribirse como la suma ponderada de las funciones escalonadas de la


unidad como en el Ejemplo 4.1:

Donde el pmf da la magnitud de los saltos en el cdf. Nosotros Ver que el pmf se
puede obtener de la cdf y viceversa.

Una variable aleatoria continua se define como una variable aleatoria cuyo. Es
continua en todas partes, y que, adems, es lo suficientemente suave que puede ser
Escrito como una integral de alguna funcin no negativa f (x):

(4.6)

Seccin 4.1 Funcin de distribucin acumulativa 147

Las variables aleatorias tienen para todo x. Cada posible resultado tiene probabilidad

cero! Una consecuencia inmediata es que el pmf no puede utilizarse para


caracterizar las probabilidades

De X.A comparacin de las ecuaciones. (4.5) y (4.6) sugieren cmo podemos


proceder a caracterizar

Variables aleatorias continuas. Para variables aleatorias discretas, (Eq. 4.5),


calculamos

Probabilidades como sumaciones de masas de probabilidad en puntos discretos.


Para aleatorio continuo

Variables (Eq. 4.6), calculamos las probabilidades como integrales de "densidades


de probabilidad"

Sobre los intervalos de la lnea real.


Una variable aleatoria de tipo mixto es una variable aleatoria con un cdf que tiene
saltos

En un conjunto de puntos contable pero que tambin aumenta continuamente en

Menos un intervalo de valores de x. El cdf para estas variables aleatorias tiene la


forma

Donde y es la cdf de una variable aleatoria discreta y es la cdf

De una variable aleatoria continua. La variable aleatoria del Ejemplo 4.3 es de tipo
mixto.

Las variables aleatorias de tipo mixto se pueden ver como producidas por una
variable de dos pasos

Proceso: Se arroja una moneda; Si el resultado de la tirada es cabezas, una variable


aleatoria discreta

Se genera de otra manera, se genera una variable aleatoria continua

de acuerdo a

4.1.2 Punto fino: propiedades limitantes de cdf

Las propiedades (ii), (iii), (v) y (vii) requieren la propiedad de continuidad de la


probabilidad

Funcin descrita en la Seccin 2.9. Por ejemplo, para la propiedad (ii), consideramos
la secuencia

De eventos que aumenta para incluir todo el espacio muestral S cuando n se


aproxima

Es decir, todos los resultados conducen a un valor de X menor que el infinito. La


continuidad

Propiedad de la funcin de probabilidad (Corolario 8) implica que:

Para la propiedad (iii), tomamos la secuencia que disminuye al conjunto vaco Es


decir, ningn resultado conduce a un valor de X menor que Para la propiedad (v),
tomamos la secuencia de eventos que disminuye a Desde la derecha:

Por ltimo, para la propiedad (vii), tomamos la secuencia de eventos, que Disminuye
desde la izquierda.

Proceso estocstico
En estadstica, y especficamente en la teora de la probabilidad, un proceso
estocstico es un concepto matemtico que sirve para tratar con magnitudes
aleatorias que varan con el tiempo, o ms exactamente para caracterizar una
sucesin de variables aleatorias(estocsticas) que evolucionan en funcin de otra
variable, generalmente el tiempo. Cada una de las variables aleatorias del proceso
tiene su propia funcin de distribucin de probabilidad y pueden o no,
estar correlacionadas entre ellas.
Cada variable o conjunto de variables sometidas a influencias o
efectos aleatorios constituye un proceso estocstico. Un proceso

estocstico puede entenderse como una familia uniparamtrica de variables


aleatorias indexadas mediante el tiempo t. Los procesos estocsticos permiten tratar
procesos dinmicos en los que hay cierta aleatoriedad.
Casos especiales

Proceso estacionario: Un proceso es estacionario en sentido estricto si la funcin


de distribucin conjunta de cualquier subconjunto de variables es constante
respecto a un desplazamiento en el tiempo. Se dice que un proceso es
estacionario en sentido amplio (o dbilmente estacionario) cuando se verifica
que:

1. La media terica es independiente del tiempo; y


2. Las autocovarianzas de orden s slo vienen afectadas por el lapso de
tiempo transcurrido entre los dos periodos y no dependen del tiempo.

Proceso homogneo: variables aleatorias independientes e idnticamente


distribuidas. Son proceso donde el dominio tiene cierta simetra y las
distribuciones de probabilidad finito-dimensionales tienen la misma simetra.
Un caso especial incluye a los procesos estacionarios, tambin llamados
procesos homogneos en el tiempo.
Proceso de Mrkov: Aquellos procesos discretos en que la evolucin slo
depende del estado actual y no de los anteriores.
Procesos de tiempo discreto
Proceso de Bernoulli son procesos discretos en los que el nmero de
eventos viene dado por una distribucin binomial.
Proceso de Galton-Watson: es un tipo de proceso de Markov con
ramificacin.
Procesos de tiempo continuo:
Proceso de Gauss: Proceso continuo en el que toda combinacin lineal
de variables es una variable de distribucin normal.
Proceso de Mrkov continuo
Proceso de Gauss-Mrkov: Son procesos, al mismo tiempo, de Gauss
y de Mrkov
Proceso de Feller: son procesos estocsticos que toman valores
sobre espacios de operadores de algn espacio funcional.
Proceso de Lvy: son procesos homogneos de Markov de "tiempo
continuo" que generalizan el paseo aleatorio que usualmente se
define como de "tiempo discreto".
Proceso de Poisson, es caso particular de proceso de Lvy donde
el tiempo transcurrido entre saltos sigue una distribucin
exponencial y, por tanto, el nmero de eventos en un intervalo
viene dado por una distribucin de Poisson.
Proceso de Wiener, el incremento de la varible entre dos instantes
tiene una distribucin gaussiana y, por tanto, adems de
un proceso de Lvy es un proceso de Gauss simultneamente.
Proceso doblemente estocstico, es un tipo de modelo estocstico
usado para modelar ciertas series temporales, en el que los
parmetros que dan las distribuciones tambin varan aleatoriamente
(de ah el trmino de doblemente estocstico).
Proceso de Cox es un proceso doblemente estocstico que
generaliza el proceso de Poisson, donde el parmetro de
intensidad vara aleatoriamente.
Proceso estocstico continuo, es un tipo de proceso estocstico de
tiempo continuo en que las trayectorias son adems caminos continuos.
En trminos simples, una variable aleatoria es una funcin que va del espacio
muestral a los reales ; es decir, Sin embargo, esta definicin carece
de ciertos atributos importantes y se requiere una formulacin ms precisa.

Supongamos entonces un espacio de probabilidad . Un elemento


aleatorio en un espacio medible es una funcin medible que va del espacio
de probabilidad al espacio medible:
,

donde

As las cosas, una variable aleatoria es simplemente un caso particular de un


elemento aleatorio en el que el conjunto de llegada son los reales (dotados con
la -lgebra de Borel ). Es decir,
.

Ahora, un proceso estocstico en los reales es una familia de variables


aleatorias , indexadas en el conjunto , donde cada est
definida en el mismo espacio de probabilidad . Algunos ejemplos caen bien:
1. Una variable aleatoria es un caso particular de un proceso estocstico, tal
vez el ms sencillo, en el que est compuesto por un nico elemento,
digamos .
2. Un vctor aleatorio tambin es un proceso estocstico en el
cual .
3. Si , entonces es sencillamente una sucesin (infinita) de variables
aleatorias.
4. Si , entonces es un proceso estocstico continuo en el tiempo,
como es el caso del movimiento browniano (cuya descripcin matemtica es
obra de Einstein en el primero de sus tres grandes artculos en 1905).
5. Si , entonces es un campo aleatorio discreto.
Otros ejemplos adicionales pueden encontrarse en las notas del curso de procesos
estocsticos de Cosma Shalizi. Ntese que los tres primeros casos son comunes en
la prctica de la probabilidad y la estadstica desde etapas tempranas. Las variables
aleatorias son el objeto bsico de estudio de la probabilidad, los vectores aleatorios
(sucesiones finitas) son comunes en la inferencia estadstica y las propiedades
asintticas se construyen con sucesiones infinitas de variables aleatorias.

Teora de la probabilidad.

Probabilidad es una palabra de origen latn (probabiltas),es una palabra que permite
resaltar la caracteriza de un hechoque puede ocurrir o resultar de manera verosmil.
Adems seencarga de evaluar para obtener la mediacin de lafrecuencia con la cual
es posible obtener un resultado en elmarco de un procedimiento de carcter
aleatorio. Porconsecuencia, a la probabilidad se la define como la raznentre la
cantidad de casos prsperos y las cantidades decuestiones posibles. La probabilidad
de un resultado serepresenta con un numero entre 0 y 1, inclusive los dosvalores. La
probabilidad de 0 indica que el resultado esnegativo o jams existi; mientras tanto,
la probabilidad 1indica que el resultado ocurri o que siempre ocurrir; esdecir, si un
experimento tienen posibles resultados, y m deellos se consideran propicios, la
probabilidad de un sucesofavorable es

m/n.

[2]

Los conceptos de probabilidad se emplean en anlisisestadstico, por ejemplo


cuando se juega casino, o cuandoestamos frente a la ruleta francesa, incluso est
presente enlos juegos de dados, es decir no sabemos cul es la probabilidad de
sacar 9 al lanzar dos dados?

Procesos estocsticos.
Se denomina proceso estocstico a aquel en el que serepresentan todos y cada uno
de los pasos necesarios pararealizar una actividad, al igual que las formas y
maneras enque cada uno de los pasos puede ser llevado a efecto sujeto asus
respectivas probabilidades, en otras palabras es
un proceso en el cual se involucran probabilidades. Existen,otras definiciones para
un proceso estocstico, y son muyacertadas en sus enunciados, por ejemplo si se
muestra unconjunto para demostrar la definicin, se dice que un procesoestocstico
es una coleccin de variables aleatorias {X (t)} t T, con , en donde t es el
parmetro que se asociaal tiempo y X (t) representa el estado del proceso en
elinstante t.; por lo tanto, para cada instante tendremos unavariable aleatoria distinta
representada porX (t), por lo cual
un proceso estocstico puede interpretarse como una sucesinde variables
aleatorias

cuyas caractersticas pueden variar alo largo del tiempo.Un ejemplo de procesos
estocsticos se produce cuandoobservamos solo unos pocos valores de t con la cual
es posible obtener una imagen similar la imagen inicialmente colocada

Ejemplos de los diferentes tipos de procesos estocsticos.


Densidad del espectro de potencia

En matemticas y en fsica, la Densidad Espectral (Spectral Density) de una seal


es una funcin matemtica que nos informa de cmo est distribuida la potencia o
la energa (segn el caso) de dicha seal sobre las distintas frecuencias de las que
est formada, es decir, su espectro.

La definicin matemtica de la Densidad Espectral (DE) es diferente dependiendo de


si se trata de seales definidas en energa, en cuyo caso hablamos de Densidad
Espectral de Energa (DEE), o en potencia, en cuyo caso hablamos de Densidad
Espectral de Potencia(DEP).

Aunque la densidad espectral no es exactamente lo mismo que el espectro de una


seal, a veces ambos trminos se usan indistintamente, lo cual, en rigor, es
incorrecto.

Un problema muy comn y con grandes aplicaciones prcticas en procesado de


seal es el de estimar la densidad espectral de potencia de una seal aleatoria
estacionaria. Decimos "estimar" puesto que, como la seal es un proceso
estocstico (estacionario) dada la naturaleza estocstica del mismo no es posible
determinar con absoluta precisin su DEP a no ser que dispongamos de un registro
de seal infinito, lo cual no es posible.
Las tcnicas de estimacin se dividen en dos grandes grupos:

No Paramtricas. Estn basadas siempre de una u otra forma en el clculo


del periodograma. Calcular la transformada de fourier (en un ordenador es
la DFT) de un registro de seal para estimar su espectro es un ejemplo de
tcnica no paramtrica.
Paramtricas. Consisten en suponer un determinado modelo para el proceso
estocstico (modelos AR, MA, ARMA, etc) y en la estimacin de los parmetros
de estos modelos mediante tcnicas de prediccin lineal (filtrado lineal ptimo) u
otros mtodos.
Acerca de los procesos estocsticos no estacionarios
La DE slo est matemticamente bien definida en el caso de seales con una
funcin de autocorrelacin estacionaria, i.e, que no dependa de la posicin de las
variables aleatorias que componen el proceso sino slo de la distancia entre ellas.
Es decir, la DE slo est bien definida para el caso de seales deterministas y
seales aleatorias estacionarias.
Un proceso aleatorio no estacionario que es estacionario a trozos se llama cuasi-
estacionario y es posible definir la DEP en cada uno de estos trozos. Para estimar la
DEP en este tipo de procesos lo normal es usar un mtodo de estimacin espectral
paramtrico adaptativo (por ejemplo mediante un modelo AR y el algoritmo LMS
para identificar el modelo AR).
Aplicaciones

Intuitivamente, la Densidad Espectral sirve para identificar periodicidades


escondidas en una funcin de variable continua o de variable discreta (secuencia
de nmeros)
Estimar la entropa de un proceso aleatorio (las seales deterministas
obviamente no tienen entropa). Cuanto ms plana es la DEP de una seal
aleatoria, ms entropa contiene. Una seal aleatoria cuya DEP sea
perfectamente plana se llama ruido blanco, no contiene redundancia y por tanto
no puede ser comprimida (sin prdidas).
Una vez conocida su entropa, comprimir con o sin prdidas una seal de audio o
vdeo (codecs FLAC/MP3/OGG, DIVX/THEORA/etc) o restaurar sus propiedades
Proporciona informacin muy valiosa sobre la dinmica interna de muchos
sistemas fsicos. Sirve para identificar elementos o compuestos qumicos
(espectroscopia). Tambin sirve para la identificacin de modelos matemticos
lineales en teora de control
Un proceso aleatorio es una coleccin de seales en tiempo discreto, por
tanto, no podemos calcular la transformada de Fourier del proceso en s
mismo. Pero podemos obtener una representacin del proceso en el dominio
de la frecuencia si expresamos la transformada de Fourier en trminos de un
promedio del conjunto de realizaciones.
La secuencia de autocorrelacin de un proceso estacionario en sentido
amplio (WSS) proporciona una descripcin en el dominio del tiempo del
momento de segundo orden del proceso. Como rx(k) es una secuencia
determinista, podemos calcular la transformada de Fourier en tiempo discreto,


Esta expresin determina el espectro de potencia o densidad espectral
de potencia del proceso. Conocido el espectro de potencia, podemos obtener
la secuencia de autocorrelacin mediante la transformada inversa:


Por tanto, el espectro de potencia proporciona una descripcin en el
dominio de la frecuencia del momento de segundo orden del proceso.
En ocasiones puede resultar conveniente utilizar la transformada-z en lugar
de la transformada de Fourier en tiempo discreto,


A Px(z) tambin se le denomina espectro de potencia de x(n).
A continuacin se enumeran las propiedades del espectro de potencia.

1.- Simetra. Puesto que la secuencia de autocorrelacin de un


proceso aleatorio WSS posee simetra conjugada, el espectro de
potencia es una funcin real de w. Si el proceso es real, la secuencia
de autocorrelacin es real y par, lo que implica que el espectro de
potencia es real y par.
El espectro de potencia de un proceso aleatorio WSS x(n) es
real, Px(ejw) = Px*(ejw), y Px(z) satisface la condicin de simetra

Si x(n) es real, entonces el espectro de potencia es par, Px(ejw) =


Px(e-jw), lo que implica

2.- Positividad. El espectro de pontencia de un proceso aleatorio WSS


es no negativo

3.- Potencia total. La potencia de un proceso aleatorio WSS de media


cero es proporcional al rea bajo la curva de densidad espectral de
potencia

4.- Propiedad de autovalores. Los autovalores de la matriz de


autocorrelacin de dimensiones N x N de un proceso aleatorio WSS de
media cero estn limitados por los valores mximo y mnimo del
espectro de potencia,

El espectro de potencia tambin puede relacionarse con el promedio de


magnitudes de Fourier al cuadrado, |X(ejw|2. Consideramos

(Ec. 1)
que es proporcional al cuadrado de la magnitud de la transformada de
Fourier en tiempo discreto de 2N + 1 muestras de una realizacin dada de un
proceso aleatorio. Puesto que, para cada frecuencia w, PN(ejw) es una
variable aleatoria, si tomamos el valor esperado obtenemos

(Ec. 2)
Con la sustitucin k = n - m, tenemos

(Ec.
3)
Suponiendo que la secuencia de autocorrelacin decae a cero lo
suficientemente rpido para considerar

(Ec. 4)
podemos tomar el lmite de Ec. 3 con N tendiendo a infinito, y
(Ec. 5)
Combinando Ec. 1 y Ec. 5 obtenemos

La potencia de una seal est asociada al cuadrado del valor de la misma en cada
instante. De acuerdo con ello, la potencia media estar asociada a la media
cuadrtica. Por eso, la potencia media de una seal peridica se define mediante la
media cuadrtica:

(30)

que resulta ser la suma de los cuadrados de los coeficientes del desarrollo en forma
compleja. Para representar la potencia de la seal, distinguiendo el contenido de los
distintos armnicos de la misma se emplea normalmente el espectro de potencia o
densidad espectral de potencia, que se representa como se muestra en la figura 11.
Sus unidades sern las del cuadrado de las unidades de la seal representada.

Figura 11

Igual que se hace con el espectro de amplitud, teniendo en cuenta que las
frecuencias negativas tienen poco sentido, el espectro de potencia puede
representarse slo en la parte positiva de las frecuencias. En ese caso, para que la
suma de todos ellos sea igual a la potencia media, debe representarse el doble de
los valores del espectro anterior, excepto el armnico de frecuencia nula, que se
mantendr igual. Con ello se obtiene una representacin como la de la figura 12.
Puede comprobarse que la media cuadrtica de la seal ser la suma de todos los
valores representados.
Se ha visto que la DFT (o la FFT) de una seal real es un nmero complejo,
teniendo una parte real y una parte imaginaria. La potencia en cada componente de
la frecuencia representada por la DFT/FFT puede obtenerse haciendo al cuadrado la
magnitud de esa frecuencia. De este modo, la potencia en el k-gesimo componente

de la frecuencia (el elemento nmero k de la DFT/FFT) viene dada por . El


grfico que muestra la potencia en cada uno de los componentes de la frecuencia se
llama potencia espectral. Como la DFT/FFT de una seal real es simtrico, la
potencia en frecuencias positivas de (sin incluir DC y componentes de
Nyquist). La potencia total en DC y componentes de Nyquist (suponiendo que N es

par) es y , respectivamente.

Prdida de informacin de fase

Como la potencia se obtiene del cuadrado de la magnitud de la DTF/FFT, la


potencial espectral es siempre real y la informacin de la fase se pierde siempre. Si
queremos informacin de la fase, debemos usar DFT/FFT, que nos da una salida
compleja.

Se puede usar la potencia espectral en aplicaciones donde no necesitamos


informacin de la fase. Por ejemplo, para calcular la potencia del harmnico en una
seal.

Los mtodos de Fourier de anlisis deseales dan algunas valiosas perspectivas


sobre la transmisin de seales a travs de sistemas de comunicaciones

Y La Transformada de Fourier puede verse como la representacin en trminos de


una suma infinita de exponenciales complejos.

La potencia normalizada de una forma de onda se relacionar ahora con su


descripcin
en el dominio de la frecuencia mediante el uso de una funcin llamada densi
dad espectral de potencia (PSD, por sus siglas en ingls: power spectral density). La
PSD es muy til para describir la manera en que el contenido de potencia de las
seales y el ruido es afectado por filtros y otros dispositivos en los sistemas de
comunicacin. En la ecuacin (2-42) la densidad espectral de energa (ESD, por sus
siglas en ingls: energy spectral density) se defini en trminos de la magnitud
elevada al cuadrado de la transformada de Fourier de la forma de onda. La PSD se
definir de la misma manera.
La PSD es ms til que la ESD puesto que en la solucin de problemas de
comunicacin por lo general se utilizan modelos de potencia.

En primer lugar, se define la versin truncada de la forma de onda mediante:

Con la ecuacin (2-13) se obtiene la potencia normalizada promedio

Con el uso del teorema de Parseval la ecuacin (2-14) se vuelve

donde . El integrando de la integral del lado derecho tiene


unidades de watts/ hertz (o de volts2/hertz o amperes2/hertz, como se considere
apropiado) y se define como la PSD.

Definicin: La densidad espectral de potencia (PSD) de una forma de onda de


potencia determinstica es:
donde tiene unidades de watts por hertz.

Obsrvese que la PSD siempre es una funcin de frecuencia no negativa real.


Adems, la PSD no es sensible al espectro de fase de w(t) porque aqulla se pierde
debido a la operacin de valor absoluto utilizada en la ecuacin (2-66). De acuerdo
con la ecuacin
(2-65), la potencia promedio normalizada es:

Es decir, el rea bajo la funcin PSD es la potencia promedio normalizada.

Funcin de Autocorrelacin:

Tambin se puede definir una funcin relacionada llamada autocorrelacin, R()


Definicin. La autocorrelacin de una forma de onda real (fsica) es:

Adems, se puede demostrar que la PSD y la funcin de autocorrelacin son pares


de transformadas de Fourier.

donde . ste es el teorema de Wienner-Khintchine.

En resumen, la PSD se puede evaluar con cualesquiera de los dos mtodos


siguientes:

1. Evaluacin directa con la definicin, (2-66).18

2. Evaluacin indirecta mediante la evaluacin en primer lugar de la funcin d


e autocorrelacin y en seguida de la transformada de
Fourier, .

Adems, la potencia normalizada total promedio de la forma de onda w(t) se evala


con cualesquiera de las cuatro tcnicas siguientes

En la clase anterior desarrollamos las caractersticas de un proceso estocastico


desde el dominio temporal. Recordemos que parabamos el tiempo en distintos
instantes, t1, t2, . . . , tk, lo que daba lugar a distintas variables aleatorias Xt1 , Xt2 , .
. . , Xtk . Despues se introdujo el concepto de estacionariedad (las propiedades
estadsticas se mantienen en el tiempo) y una de sus acepciones menos exigente
es la que asume que la media se mantiene constante en cualquier instante que
paremos el proceso y la funcion de autocorrelacion solo depende de la distancia
de tiempo entre los instantes y no de cuales sean estos instantes. Vimos que se
podan caracterizar algunos procesos estocasticos unicamente a traves de las
propiedades de la funcion de autocorrelacion. En este tema incorporaremos el
analisis desde el punto de vista de la frecuencia o, tambien denominado, analisis
espectral. En muchas ocasiones son dos enfoques que analizan una misma
realidad, pero tambien veremos que las tecnicas propias de cada enfoque son
complementarias. La descripcion espectral de una onda determinstica se obtiene
mediante la transformada de Fourier. El caso aleatorio es similar aunque requiere
alguna precaucion teorica. Es importante senalar que la frecuencia suele
denotarse con la letra . Esta notacion la hemos usado nosotros para denotar las
ocurrencias elementales del azar, es decir, los elementos del espacio muestral .
Ahora bien, tambien se indico en el tema 1 que un proceso estocastico se denota
Xt y una realizacion del mismo x(t). Si consideramos distintas realizaciones, basta
con distinguirlas mediante subndices y, as, podemos prescindir de escribir
explcitamente el suceso que determina cada realizacion. En definitiva, es un
smbolo que queda libre para ser utilizado con otros fines. En este tema lo
volveremos a retomar para representar la frecuencia (como es habitual en los textos
de teora de la senal). 2 Espectro de densidad de potencia y sus propiedades Una
senal determinista x(t) podra entenderse como un proceso estocastico
degenerado, en el sentido de que el azar, con probabilidad 1, va a generar esa
realizacin.
Algunos definiciones de ruido y otros tpicos La presencia de ruido en la emisin de
seales constituye el ejemplo paradigmtico de proceso estocstico en
telecomunicaciones. Ruido blanco Una realizacin de un proceso estocstico
estacionario en sentido amplio, se denomina ruido blanco cuando el espectro de la
densidad de potencia del proceso es constante para cualquier frecuencia.

Ruido blanco

El nombre de ruido blanco procede de que, al igual que la luz blanca, contiene todas
las frecuencias de luz en su espectro. Desde el punto de vista del dominio del
tiempo, el ruido blanco se denomina as porque su funcion de autocorrelacion
queda en blanco. Un ruido blanco no es realista ya que tiene una potencia media
infinita PXX = , no obstante en la practica aparecen otros ruidos semejantes al
blanco.

Es una seal aleatoria (proceso estocstico) que se caracteriza por el hecho de que
sus valores de seal en dos tiempos diferentes no guardan correlacin estadstica.
Como consecuencia de ello, su densidad espectral de potencia (PSD, siglas en
ingls de power spectral density) es una constante, es decir, su grfica es
plana.1 Esto significa que la seal contiene todas las frecuencias y todas ellas
muestran la misma potencia. Igual fenmeno ocurre con la luz blanca, de all la
denominacin.
Ruido blanco - Ruido aleatorio que posee la misma densidad espectral de potencia a
lo largo de toda la banda de frecuencias. Dado que la luz blanca es aquella que
contiene todas las frecuencias del espectro visible, el ruido blanco deriva su nombre
de contener tambin todas las frecuencias, pero de sonido.
El ruido blanco es una seal no correlativa, es decir, en el eje del tiempo la seal
toma valores sin ninguna relacin unos con otros. Cuando se dice que tiene una
densidad espectral de potencia plana, con un ancho de banda tericamente infinito,
es que en un grfica espectral de frecuencia tras haber realizado una
descomposicin espectral de Fourier, en el dominio de la frecuencia veramos todas
los componentes con la misma amplitud, haciendo el efecto de una lnea continua
paralela al eje horizontal.
Si la PSD no es plana, entonces se dice que el ruido est "coloreado"
(correlacionado). Segn la forma que tenga la grfica de la PSD del ruido, se
definen diferentes colores.
Algunas aplicaciones

Procesamiento de seal
En general, el ruido blanco tiene muchas aplicaciones en procesado de seales:

Sirve para determinar la funcin de transferencia de cualquier sistema lineal e


invariante con el tiempo (LTI, Linear Time Invariant). Por ejemplo, en acstica
arquitectnica la funcin de transferencia se usa para medir el aislamiento
acstico y la reverberacin de la sala.
En sntesis de audio (msica electrnica) se usa para sintetizar el sonido de
instrumentos de percusin, o los fonemas sordos: /s/, /t/, /f/, etc.
Tambin se puede usar para mejorar las propiedades de convergencia de
ciertos algoritmos de filtrado adaptativo mediante la inyeccin de una pequea
seal de ruido blanco en algn punto del sistema.
Generacin de nmeros aleatorios
El ruido blanco generado por ciertos procesos fsicos naturales o artificiales se usa
como base para la generacin de nmeros aleatorios de calidad, puesto que es,
como ya se ha dicho, una fuente de entropa.
Uso en vehculos de emergencia
Algunos vehculos de emergencia lo usan debido a que es fcil distinguirlo del ruido
de fondo y no queda enmascarado por el eco, por lo que es ms fcil su localizacin
espacial.
Uso en los seres humanos
El ruido blanco puede usarse para desorientar a personas antes de
un interrogatorio y como tcnica de privacin sensorial.
Por otra parte, el ruido blanco de baja intensidad puede favorecer la relajacin y
el sueo (vase insomnio). En tiendas especializadas pueden adquirirse discos
compactos con largas secuencias de ruido blanco, as como aparatos
electromecnicos que hacen uso del principio del ruido blanco para "enmascarar" los
ruidos repentinos y molestos.
El ruido blanco se puede ensamblar dentro de aparatos elctricos, que son
distribuidos como aparatos para poder conciliar el sueo, ya que emite una
frecuencia de onda, que hace que nuestro cerebro se relaje, adems de conseguir
enmascarar ruidos perniciosos. No olvidemos que intensidades de sonido por
encima de los 60 decibelios pueden ser perjudiciales para la salud. El ruido blanco
tambin se ha utilizado para camuflar ronquidos y con xito para personas
con tinnitus. En ambientes de trabajo el ruido blanco es usado para que
determinadas conversaciones no sean escuchadas, manteniendo as la
confidencialidad.

Ruido termal: Es el generado por la agitacion termica de electrones en cualquier


conductor electrico. Este ruido tiene un espectro de potencia constante hasta
frecuencias muy altas y, entonces, decrece.

Ruido blanco Limitado a bandas

Son ruidos cuyo espectro de potencia es constante en una banda finita de


frecuencias y cero en el resto.

Ruido coloreado
Se denomina de esta manera a cualquier ruido que no sea blanco, es decir, a
aquellos cuya funcin espectro de potencia no sea constante.

El periodograma se calcula dividiendo la seal en un nmero determinado de


segmentos, posiblemente traslapados, y evaluando la transformada de Fourier en
cada uno de estos segmentos. Sobre dos segmentos de datos sucesivas se toma un
desplazamiento de D puntos. Cada segmento consta de N puntos de longitud, en
donde la i-sima secuencia viene dada por la expresin ( ) ( ); 0,1,..., 1 (3) i x n x n iD
n N = + = El traslapamiento entre dos segmentos consecutivos xi(n) y xi+1(n) es de
N-D puntos. Si se permite un traslape del 50%, como es el propuesto por Welch, el
nmero de secciones K de longitud L es K NL = 2 / 1 (4) De esta forma se
mantiene la resolucin comparado con el mtodo sin traslape ya que la longitud de
la secuencia no vara. Adems al doblar el nmero de periodogramas que van a
promediarse se reduce la varianza. El espectro final se toma del promedio de los
diferentes espectros obtenidos sobre los segmentos. La resolucin en frecuencia del
espectro es aproximadamente 1/NTs, donde N es el nmero de muestras por
segmento. Al tomar un segmento pequeo (es decir, reducir N) se aumenta el
nmero de segmentos para promediar y por tanto se aumenta el suavizado en el
espectro estimado; se reduce a la vez la resolucin en frecuencia. El traslape
asociado al periodograma calculado va mtodo de Welch ayuda a mejorar
notablemente la correlacin de los datos, mejorando sus propiedades estadsticas y
por ende, mejorando la confiabilidad de la estimacin.

La regin objetivo dentro de los procedimientos de estimulacin profunda en


pacientes de Parkinson normalmente es el ncleo subtalmico (STN). Esta zona se
alcanza mediante la insercin de un microelectrodo de registro y estimulacin a
travs de una trayectoria planeada previa a la ciruga. Esta trayectoria alcanza
diferentes zonas cerebrales, siendo las anteriores al STN la zona talmica y la zona
incerta. La zona posterior al STN, la substancia nigra (SN), determina el fin de la
zona subtalmica y es normalmente la regin indicadora de la llegada al objetivo [6].
La deteccin exacta de estas zonas permite al cirujano concluir la zona sobre la cual
se debe hacer la estimulacin. Existen diferentes criterios electrofisiolgicos para
distinguir entre estas zonas. Especficamente, el STN presenta un incremento en la
actividad neuronal de fondo, un incremento en la rata de disparo de las neuronas (35
~ 50 Hz) y por tanto, una mayor densidad de espigas por unidad de tiempo. El
criterio para distinguir la SN radica en la disminucin de la actividad elctrica de
fondo y la presencia de disparos regulares de espigas de alta frecuencia.

La deteccin de zonas cerebrales propuesta en este trabajo se enfoca en el


procesamiento digital de seales a partir del anlisis de los periodogramas de las
diferentes zonas a fin de detectar patrones propios de cada regin. Estos patrones,
que bien pueden ser vistos como momentos estadsticos, caracterizan cada zona y
permiten identificar la regin cerebral en la cual se encuentra el microelectrodo. Se
realizaron pruebas sobre regiones STN y SN en dos grupos de seales diferentes.
En las figuras 2.a y 2.b pueden observarse seales tpicas de las diferentes zonas.

Sobre el conjunto de registros originales se aplicaron tcnicas de pre-procesamiento


a fin de crear dos grupos de seales. Esto se hace con el fin de analizar las
propiedades de estas seales descritas anteriormente: el ruido de fondo y la
actividad neuronal propia de cada zona. Para uno de los grupos se removi el ruido
de fondo y se mantuvo solamente la actividad de los disparos (trenes de espigas).
Una muestra de trenes de espigas en seal de STN puede verse en la figura 3.a.
Para el otro grupo, al contrario, se detectaron las espigas y se removieron a fin de
dejar la actividad neuronal de fondo.

La densidad espectral de potencia es un una funcin real positiva de una variable de


frecuencia asociada con un proceso estocstico o una funcin determinstica del
tiempo que tiene unidades de potencia por Hz. Se puede ver como una grfica en el
dominio de la frecuencia de potencia por unidad de Hz contra frecuencia. As,
mientras que el espectro de potencia se encarga de calcular el rea bajo la curva de
la seal por medio de la transformada de Fourier, la densidad espectral de potencia
asigna unidades de potencia a cada unidad de frecuencia, exaltando periodicidades.
Medir el espectro de potencia de una seal en el tiempo responde a la pregunta en
cules componentes de frecuencia est contenida la potencia de la seal?. La
medida es la distribucin de valores de potencia como una funcin de la frecuencia
donde la potencia es considerada como el promedio de la seal. En el dominio de
la frecuencia, esto es el cuadrado de la magnitud de la FFT.
Bibliografa

https://es.wikipedia.org/wiki/Camino_aleatorio
https://estocasticos.wordpress.com/2014/11/12/variables-aleatorias-
elementos-aleatorios-y-procesos-estocasticos/
https://es.wikipedia.org/wiki/Densidad_espectral
http://physionet.cps.unizar.es/~eduardo/docencia/tds/librohtml/powspec.htm
http://www.ehu.eus/procesadoinsvirtual/T3_potencia%20espectral1.html
ftp://ftp.unavarra.es/pub/estadistica/Master%20TECOM/clase5/teoria5.pdf
https://es.wikipedia.org/wiki/Sistema_LTI