Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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 / 21 s j k rk
M /2
r s s (t )r ( )d
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, ...
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 2i t 0
, FT h(t )e
2i 0 t
H ( 0 )
dt h(t ) d H ( )
2 2
teorema de Parseval:
Transformadas de Fourier discretas (DFT)
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 2ikn / N 2k
h e 2in ( 2 k ) / N
2k 1
h e 2in ( 2 k 1) / N
k 0 k 0 k 0
h
N / 2 1 N / 2 1
n
h2 k e 2ink /( N / 2 ) e 2i / N e 2ink /( 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.
1 2
P ( c ) P ( N / 2 ) 2 S N / 2
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.
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 jN /2
1 Bartlett
N 1 N /2
Wss N W j2 donde W j 1 / 21 cos(2j / N ) Hann
j 0 j N / 2 2
1 We lch
N /2
(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 2t j
donde τ viene definido por tan 2
j
j cos 2t j
Habitualmente hj contiene señal y ruido. Para calcular la significancia de un
pico, se toman M frecuencias independientes. La probabilidadz 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).