Estadística y Procesos Estocásticos

Tema 6: Procesos Estacionarios: Análisis

Espectral

Grado en Ingeniería en Tecnologías de la Telecomunicación

Procesos armónicos

2 / 21
Procesos armónicos
Ya hemos visto que un Proceso Armónico es un proceso estocástico de la
forma:

X (t) = ∑ Ak ⋅ cos (ωk t + φk )

k=1

donde:

Las amplitudes A son constantes.

k

Las frecuencias ω son también constantes

k

Las fases φ , φ , … , φ son variables aleatorias independientes e

1 2 n

idénticamente distribuidas, con distribución Uniforme en [0, 2π]

3 / 21
Ejemplo: Superposición de 500 armónicos

500

X (t) = ∑ Ak ⋅ cos (ωk t + φk )

k=1

4 / 21
Procesos armónicos
Hemos visto también que para la k-esima componente armónica del proceso,
Xk (t) = Ak cos (ωk t + φk ), se tiene que:

E [Xk (t)] = 0 ∀t.

2
A
k
Cov (Xk (t) , Xk (t + τ )) = cosωk τ ∀t
2

2
A
2 k
σ = V ar (Xk (t)) = ∀t
k 2

5 / 21
Procesos armónicos
Como consecuencia, un proceso armónico construido como superposición
(suma finita) de componentes armónicas:
n

X (t) = ∑ Ak ⋅ cos (ωk t + φk )

k=1

cumple que:

1. E [X (t)] = 0 ∀t

2
n A
1. R(τ )
k
= Cov (X (t) , X (t + τ )) = ∑ cosωk τ
k=1 2

2
n A n
2 2
1. R(0)
k
= σ = V ar (X (t)) = ∑ = ∑ σ
X k=1 2 k=1 k

6 / 21
Procesos armónicos
La expresión:

2 2
σ = V ar (X (t)) = ∑ σ
X k

k=1

Ak
implica que σk2 =
2
es la contribución del armónico X k (t) = Ak cos(ωk t + φ) a
la varianza total del proceso X(t):

Frecuencia ω1 ω2 ... ωn

2 2 2
A A An
Contribución 1 2
...
2 2 2

Si interpretamos el proceso X(t) como una señal la varianza σ del proceso 2

puede interpretarse como la potencia de la señal, y σ como la contribución

2

del armónico X (t) a dicha potencia.

k

7 / 21
Ejemplo: Procesos armónicos: superposición de 5 armónicos

X (t) = 5cos (0.25t + φ1 ) + 3cos (0.5t + φ2 ) + cos (0.8t + φ3 ) +

+4cos (0.3t + φ4 ) + 2cos (0.6t + φ5 )

¿Cuál es la contribución de cada armónico a la varianza del proceso

(potencia de la señal)?
8 / 21
Ejemplo: Procesos armónicos: superposición de 5 armónicos
X (t) = 5cos (0.25t + φ1 ) + 4cos (0.3t + φ4 ) + 3cos (0.5t + φ2 ) + 2cos (0.6t + φ5 ) + cos (0.8t + φ3 )

En este ejemplo, la contribución de cada armónico ( ω ) a la varianza total del

k

proceso sería:

Frecuencia 0.25 0.30 0.50 0.60 0.80

Contribución (σ ) 2

k
12.50 8.00 4.50 2.00 0.50
Contribución (en
0.45 0.29 0.16 0.07 0.02
proporción)

9 / 21
Ejemplo: Procesos armónicos: superposición de 5 armónicos

Nótese que esta figura es muy similar a la función de probabilidad de una

variable aleatoria discreta.

En lugar de representar la probabilidad que corresponde a cada valor de

la variable, cada barra representa la parte de la potencia total (varianza)
que corresponde a cada armónico (frecuencia)

10 / 21
Densidad espectral

11 / 21
Teorema de representación espectral
Un proceso armónico es, en general, de la forma:
n

X (t) = ∑ Ak ⋅ cos (ωk t + φk )

k=1

Teorema de representación espectral: Bajo ciertas condiciones, un

proceso estacionario puede expresarse como:

X (t) = ∫ A (ω) cos ωt ⋅ dZ (ω)

−π

donde dZ(ω) expresa la forma en que contribuyen al proceso las frecuencias

en el intervalo [ω, ω + dω]

La luz blanca es un ejemplo de superposición no numerable de armónicos que

recorren todas las frecuencias del intervalo [−π, π] con amplitud A(ω)
constante.
12 / 21
Función de densidad espectral
Recordemos que dada una variable aleatoria X con función de densidad
f (x):

P (a < X ≤ b) = ∫ f (x) dx
a

Si X(t) es un proceso estacionario que puede considerarse como una

superposición continua de armónicos con frecuencias en [α, β], la función
de densidad espectral es una función que permite obtener la
contribución de las frecuencias del rango [ω , ω ] a la varianza del proceso
1 2

(potencia de la señal) mediante:

ω2

∫ f (ω) dω
ω1

¿Como calculamos f (ω) ?

13 / 21
Función de densidad espectral
Sea {X (t) , t ∈ Z} un proceso estacionario que verifica:

∑ |R (τ )| < ∞
τ

Entonces la función de densidad espectral es:

∞
1
−iωτ
f (ω) = ∑ R (τ ) ⋅ e ; −π ⩽ ω ⩽ π
2π
τ =−∞

14 / 21
Función de densidad espectral
La función de densidad espectral es convergente:
∞ ∞
1 1
−iωτ
∣f (ω) ∣≤ ∑ ∣R (τ ) ⋅ e ∣= ∑ ∣R (τ ) ∣< ∞
2π 2π
τ =−∞ τ =−∞

La función de densidad espectral toma valores reales ( f (ω) ∈ R ∀ω ): en

iωt −iωt
e +e
efecto, teniendo en cuenta que cos (ωt) =
2
y que R(−τ ) = R(τ ):

∞ ∞
1 1
−iωτ −iωτ iωτ
f (ω) = ∑ R (τ ) ⋅ e = (R (0) + ∑ (R (τ ) ⋅ e + R (−τ ) ⋅ e ))
2π 2π
τ =−∞ τ =1

∞
1
= (R (0) + 2 ∑ R (τ ) ⋅ cos ωτ )
2π
τ =1

15 / 21
Función de densidad espectral
La función de autocovarianza puede calcularse a partir de la función de
densidad espectral mediante:
π

−iωτ
R (τ ) = ∫ e f (ω) dω , τ ∈ Z
−π

Por tanto, para τ = 0 :

π

2
R (0) = σ = ∫ f (ω) dω
X
−π

En consecuencia, la contribución de las frecuencias de un intervalo [ω , ω ]

1 2

(banda de frecuencias) a la varianza del proceso (potencia de la señal) es,

tal como esperábamos:
ω2

∫ f (ω) dω
ω1

16 / 21
Algunos espectros especiales: Ruido blanco
Para el ruido blanco:

2
σε si τ = 0
R (τ ) = {
0 si τ ≠ 0

Por tanto:
2
1 σ
−iωτ X
f (ω) = ∑ R (τ ) ⋅ e = ; −π ⩽ ω ⩽ π
2π 2π
τ

Esta función es constante, lo que significa que todas las frecuencias

realizan la misma aportación a la potencia de la señal; esto es lo que
ocurre con la luz blanca, de ahí el nombre del proceso.

17 / 21
Algunos espectros especiales: proceso AR(1)
Sea X(t) un proceso AR(1) con parámetro a, esto es, X(t) = aX(t − 1) + e(t).

Su función de autocovarianza es: R (τ ) = a

|τ |
⋅ σ
2
X
; τ ∈ Z

Su función de densidad espectral es entonces:

2 ∞ 2 ∞ ∞
σ σ τ τ
X −iωτ |τ | X −iω iω
f (ω) = ∑ e a = (∑ (ae ) + ∑ (ae ) ) =
2π 2π
τ =−∞ τ =0 τ =1

2 2 2
iω
σ 1 ae σ (1 − a )
X X
= ( + ) =
−iω iω 2
2π 1 − ae 1 − ae 2π (1 − 2a cos ω + a )

18 / 21
Algunos espectros especiales: proceso AR(1)

19 / 21
Algunos espectros especiales: proceso AR(1)

20 / 21
Algunos espectros especiales: proceso AR(1)

21 / 21