Análisis de series

Tema 5

Itziar Aretxaga
Métodos espectrales: convolución
Sea s(t) una señal función de la variable t y r(t) una función de respuesta.
Se define la operación convolución de r con s

(r  s ) j  k   M / 21 s j  k rk
M /2
r  s   s (t   )r ( )d


El efecto de la convolución es la suavización de la función señal y su

contaminación para un t dado con señal proveniente de t adyacentes.

(Figuras de Press et al. “Numerical Recipes”)

Métodos espectrales: correlación
♦ La correlación entre dos señales g(t), h(t) viene dada por

DCF( g , h) j  k 0 g j  k hk
N 1
CF( g , h)(t )   g (t   )h( )d


donde CF denota correlation function y DCF discrete correlation function.

Cuando las señales son funciones del tiempo, t se denomina retraso (lag en
inglés)
♦ La autocorrelación se define, de forma análoga, como ACF( g )  CF( g , g )
donde ACF denota autocorrelation function.
La ACF se suele emplear para encontrar períodos.

(Figuras de Peterson 2001 en “The Starburst-AGN-Connection”, World Scientific)

Métodos espectrales: correlación
♦ La correlación entre dos señales g(t), h(t) viene dada por

DCF( g , h) j  k 0 g j  k hk
N 1
CF( g , h)(t )   g (t   )h( )d


donde CF denota correlation function y DCF discrete correlation function.

Cuando las señales son funciones del tiempo, t se denomina retraso (lag en
inglés)
♦ La autocorrelación se define, de forma análoga, como ACF( g )  CF( g , g )
donde ACF denota autocorrelation function.
La ACF se suele emplear para encontrar períodos.

(Figuras de Peterson 2001 en “The Starburst-AGN-Connection”, World Scientific)

Métodos espectrales: correlación
♦ La correlación entre dos señales g(t), h(t) viene dada por

DCF( g , h) j  k 0 g j  k hk
N 1
CF( g , h)(t )   g (t   )h( )d


donde CF denota correlation function y DCF discrete correlation function.

Cuando las señales son funciones del tiempo, t se denomina retraso (lag en
inglés)
♦ La autocorrelación se define, de forma análoga, como ACF( g )  CF( g , g )
donde ACF denota autocorrelation function.
La ACF se suele emplear para encontrar períodos.

(Figuras de Peterson 2001 en “The Starburst-AGN-Connection”, World Scientific)

Métodos espectrales: correlación

Ejemplo: medida de dispersión de

velocidades del triplete del calcio por
medio de CCF
Métodos espectrales: función de estructura
Se define la función de estructura de una señal s(t), como
1 t
   SF(t )   s(t  t )  s (t )
2
  d
2
SF(t )  s (t  )  s ( )
t 0

donde SF denote structure function.

SF da cuenta del incremento de la variacia como función de t, es decir, mide
la escala de t en la que se produce la variancia máxima (Simoneti et al....???)

(Figuras de Cid Fernandes et al. 1997 MNRAS289, 318)

Métodos espectrales: función de estructura
Ejemplo: SF como promedio de una pobación de
fuentes (Aretxaga et al. 1997, MNRAS, 286, 271)
Métodos espectrales: espectro de potencias
Se define la potencia de una señal s(t) a una frecuencia ν, como
2
P ( )  S ( )       donde
N 1
1
s e
  2i t k
S ( )  FT( s (t ))   dt s (t )e  2i t S ( )  DFT( s (t ))  k
 N k 0

donde FT denota Fourier transform. Alternativamente, la potencia también se

2 2 2
define como P( )  S ( )  S ( )  2 S ( ) 0   
El espectro de potencias mide la contribución a la variancia de una cierta
frecuencia ν.

Ejemplo: espectro de potencias de corrimientos Doppler en el sol. Medida de periodos

(Wentzel 1989)
Métodos espectrales: espectro de potencias
Ejemplo: espectro de potencias de la
curva de luz en LE (0.05-2keV) y ME
(2-10keV) de NGC4051 medida por
ROSAT (Papadakis & Lawrence 1995,
MNRAS, 272, 161)

ruido blanco
Métodos espectrales: espectro de potencias
♦ Ruido blanco (white noise), es un espectro de potencias plano, con igual
potencia por cada intervalo de frecuencia (Hz). Ejemplos de procesos que
crean ruidos blancos son los proceso poissonianos no correlacionados (shot
noise), o el ruido térmico en circuitos electrónicos (ruido de Johnson).
♦ Ruido rosa o ruido 1/f (flicker noise, ruido de exceso), está caracterizado
por una potencia constante por cada década de frecuencia. Es inherente a
muchos sistemas de eléctricos, asociado a variaciones en la resistencia. Por
lo tanto, es algo a tener en cuenta al diseñar observaciones, por ejemplo
con bolómetros. También aparece frecuentemente en la naturaleza: la
velocidad de las corrientes marinas, el flujo de los granos en un reloj de
arena, la potencia de una pieza musical, ...

♦ Ruido rojo o ruido 1/f2

(Horowitz & Hill, 1980, “The Art of Electronics”, Cambridge University Press)
 Transformadas de Fourier

La transformación de Fourier (FT) convierte funciones del espacio temporal o

espacial al espacio de frecuencias temporales o espaciales. Esta
transformación simplifica el cálculo de los métodos espectrales.

transformada H ( )  FT(h)   dt h(t )e  2i t


antitransformada h(t )  FT ( H )   d H ( )e  2i t
1


En Física se utiliza

la frecuencia expresada

en rad/s en vez de en ciclos/s,
ω=2πν H ( )   dt H (t )e i t h(t )   d H ( )e i t

♦ Propiedades
si h(t) es real → H(−ν) = H*(ν)
imaginario → H(−ν) = −H*(ν)
par → H(−ν) = H(ν)
impar → H(−ν) = −H(ν)
real y par → H(ν) es real y par
real e impar → H(ν) es imaginario e impar
imaginario y par → H(ν) es real y par
imaginario e impar → H(ν) es real e impar
 Transformadas de Fourier

♦ Propiedades: 1 
1
escalaje FT(h(at ))  H ( / a ) , FT h t / b    H (b )

a b 
corrimiento FT h(t  t0 )   H ( )e 2i t 0

, FT h(t )e 
2i 0 t
 H (   0 )

teorema de convolución: FT g  h   G ( ) H ( )

teorema de correlación: FT CF( g , h)   G ( ) H * ( )

teorema de Wiener-Khinchin: FT ACF( g )   G ( )

2

 
 dt h(t )   d H ( )
2 2
teorema de Parseval:
 
 Transformadas de Fourier discretas (DFT)

Sea una señal s(t) medida a intervalos equidistantes de frecuencia 1/Δ:

sn=s(nΔ) donde n=...,−3,−2,−1,0,1,2,3,...
1
Se define la frecuencia crítica de Nyquist como  c  2 donde S(ν)=0 para
|ν|≥νc

♦ Teorema de muestreo: si una función continua s(t), evaluada a intervalos

equidistantes Δ, está acotada en su ancho de banda (S(ν)=0 para |ν|≥νc),
entonces la función está completamente determinada por su muestra sn.

sin 2 c (t  n)
s (t )    sn
n    (t  n)

Si la función no se evalua con una frecuencia mayor que la frecuencia de

Nyquist, entonces ocurre el engorroso problema de la creación de
sobrenombres (aliasing)
 Transformadas de Fourier discretas (DFT)

Recomendación: examínese la FT cerca de los valores correspondientes a

la frecuencia crítica de Nyquist. Si la FT no se aproxima a 0,
probablemente existan contribuciones de frecuencias que se han doblado
dentro del ancho de banda. (Press et al. “Numerical Recipes”)
 Transformadas de Fourier discretas (DFT)
Ejemplo de creación de sobrenombres: sinusoide de frecuencia mayor que 1/2T, con
muestras tomadas a intervalos T.
x(t )  sin 2 0t pq
donde 0  y p es entero y q es fracción.
2T
pq
x(t )  sin 2 kT  sin pk cos qk  cospk sin qk  cospk sin qk
2T 0
q
• si p es par cos pk  1 k y la señal queda x(k )  sin qk  sin 2 kT  sin 2 0t
2T
entonces x(k )  (1) sin qk  cos k sin qk   sin(k  qk ) 
k
• si p es impar cos pk  (1) k
  sin k (1  q)   sin 2  1  q kT   sin 2 ( F  0 )t
 2T 2T 

Para ν0=1025 Hz y T=0.005 s : F=1/2T = 100 Hz, p=10, q=0.25 ν´0=25 Hz

10F 11F

8F 9F

6F 7F

4F 5F

2F 3F

0 F=1/2T
0.25F
 Transformadas de Fourier discretas (DFT)
Método de Danielson-Lanczos para el cálculo de transformadas rápidas de
Fourier (FFT)

Se basa en que una DFT de tamaño N puede reescribirse como dos DFT de
tamaño N/2, la primera formada por los datos pares, y la segunda por los
impares. N 1 N / 2 1 N / 2 1
H n   hk e  2ikn / N   2k
h e  2in ( 2 k ) / N
  2k 1
h e  2in ( 2 k 1) / N

k 0 k 0 k 0

  h
N / 2 1 N / 2 1


n
 h2 k e  2ink /( N / 2 )  e 2i / N e  2ink /( N / 2 )  H ne  W n H no
2 k 1
k 0
   k 0
W n
Así se puede ir descomponiendo a DFT de menor complejidad, con N/4,
eoeeo...oee
N/8, N/16, ... Hasta llegar a 1 H n  hk para algún k.

El algoritmo para encontrar qué k es:

1. reviértase el diseño de e y o
2. hágase e=0, o=1
3. k = número resultante en base binaria

Existen otros algoritmos para calcular FFT

(Press et al. “Numerical Recipes”)

 Convolución y deconvolución

(r  s ) j  k   M / 21 s j  k rk
M /2
r  s   s (t   )r ( )d


• Teorema de convolución FT(r  s )  R ( ) S ( )

• Teorema de convolución discreta:

Si sj es una señal periódica, de periodo N, completamente determinada
s0, ..., sN−1 y r es una función de respuesta de impulso infinito (no 0 sólo
en −M/2 ≤ k ≤M/2, intervalo menor que N), entonces:
DFT(r  s ) n  Rn S n
 Convolución y deconvolución
• Cálculos con funciones no periódicas: se introducen artificialmente 0s
al final de la función de señal s, tantos como número de índices positivos o
negativos en r. Esto impide la contaminación de frecuencias con tiempos
que toma como periódicos.

(Press et al. “Numerical Recipes”)

 Correlación y autocorrelación

DCF( g , h) j  k 0 g j  k hk
N 1
CF( g , h)(t )   g (t   )h( )d


• Teorema de correlación CF( g , h)  G ( ) H * ( )

*
• Teorema de correlación discreta: DCF( g , h) j  Gn H n
Si sj es una señal periódica, de periodo N, completamente determinada
s0, ..., sN−1 y r es una función de respuesta de impulso infinito (no 0 sólo
en −M/2 ≤ k ≤M/2, intervalo menor que N), entonces:
 Espectro de potencias: periodograma
Sea una señal s(t) evaluada en intervalos equidistantes, su transformada
de Fourier discreta viene dada por
N 1
S n   sk e  2ink / N , n  0,..., N  1
k 0

y su periodograma en N/2+1 frecuencias viene definido por

1 2
P ( 0 )  S 0
N2
1
 2
P ( j )  2 S j  S N  j
N
2
 , j  1,2,..., ( N / 2  1)

1 2
P ( c )  P ( N / 2 )  2 S N / 2
N

donde νj se define sólo para frecuencias positivas o cero:

j j
j   2 c , j  0,..., N / 2
N N

Por el teorema de Parseval, vemos que la suma de los N/2+1 valores del
periodograma dan la amplitud media cuadrada de sk.

(Press et al. “Numerical Recipes”)

 Espectro de potencias: periodograma
P(νj) es un promedio de P(ν) sobre una ventana estrecha (W) centrada en
νj. Si definimos s como la diferencia de frecuencias en casillas
2
j  sin s 
W (s)  2  sin(s / N ) 
N  
lo que implica un derrame (leakage) de una frecuencia a otra
 Espectro de potencias: periodograma
El periodograma no se vuelve más preciso si N aumenta: la desviación
estándar es siempre 100% del valor del periodograma, independiente de N.
• Métodos para aumentar la precisión:
1. producir un periodograma con N grande y sumar los valores de
frecuencias adyacentes. No promediar.
2. dividir los datos en k segmentos de 2M puntos consecutivos. Calcular
FFT de cada segmento, y promediarlo para obtener k puntos del
periodograma. La desviación estándar será así √k.
• Ventanas para disminuir el derrame:
1 2
P ( 0 )  S0
Wss

P ( j ) 
1
Wss

2
S j  SN j
2
 , j  1,2,..., ( N / 2  1)

1 2
P ( c )  P ( N / 2 )  SN / 2 
Wss jN /2
1  Bartlett
N 1  N /2
Wss  N  W j2 donde W j   1 / 21  cos(2j / N ) Hann
j 0   j  N / 2 2
1    We lch
  N /2 
(Press et al. “Numerical Recipes”)
Espectro de potencias: periodograma

(Press et al. “Numerical Recipes”)

 Espectro de potencias: periodograma

(http://members.optushome.com.au/emikulic/sound/window/)
 Espectro de potencias: periodograma
♦ Periodograma normalizado de Lomb-Scargle para series evaluadas de
forma no equidistante hj=h(tj) , j=1,...,N . Se define la media y la variancia
(h ,  2 )
de forma estándar
En función de la frecuencia angular ω≡2πν>0 :

PN ( ) 
 j  
  (h  h ) cos  (t   ) 2  (h  h ) sin  (t   )
1  j j

j j j  
2

 
2 2 
  j
cos 2
 (t j   )  j
sin 2
 (t j   ) 
 sin 2t j
donde τ viene definido por tan 2 
j

 j cos 2t j
Habitualmente hj contiene señal y ruido. Para calcular la significancia de un
pico, se toman M frecuencias independientes. La probabilidadz M
de que
ninguna dé una valor más alto que z es P ( z )  1  (a  e ) , de forma
que un valor pequeño tiene una alta significancia. M depende del número
de frecuencias definidas por la muestra:
M≈N si están aproximadamente espaciadas
M≈N si son aleatorias
M≠N si los puntos están acumulados en alguna zona de t. Si es así se
debe realizar un Monte Carlo para calcular M (ejem. Horne & Baliunas 1986, ApJ,
302, 757).

(Press et al. “Numerical Recipes”)

 Espectro de potencias: periodograma
♦ Periodograma normalizado de Lomb-Scargle

(Press et al. “Numerical Recipes”)