You are on page 1of 48

Curso: 2005-06

Universidad de La Laguna

NOTAS de

ANLISIS
ESPECTRAL DE
DATOS
Jess J. Fuensalida
Instituto de Astrofsica de Canarias

Una introduccin al anlisis de Fourier experimental

Universidad de La Laguna

2/48

Curso: 2005-06

ADVERTENCIA
Estas Notas no deben considerarse como la materia nica del
curso. De hecho, su contenido es parcial respecto al programa de
la asignatura, aunque refleja una parte considerable del temario.
Ha de entenderse como una herramienta de aclaracin y consulta,
ya que en algunos apartados extiende conceptos (muy
especialmente en el Cap. 6), adems del soporte de las figuras.

Universidad de La Laguna

3/48

Curso: 2005-06

NDICE
1.- INTRODUCCIN
2.- SERIES DE FOURIER
2.1.- Descomposicin de Fourier de una funcin
peridica
2.2.- Representacin en frecuencias
2.3.- Aplicacin a una onda cuadrada
2.4.- Ortogonalidad
2.5.- Representacin mdulo y fase
2.6.- Potencia media de una funcin

5/48
5/48
6/48
6/48
11/48
12/48
15/48

3.- INTEGRAL DE FOURIER


3.1.- Anotacin compleja
3.2.- Descomposicin de Fourier de una funcin noperidica
3.3.- Transformada de Fourier
3.4.- Propiedades de simetra
3.5.- Teorema de escalado
3.6.- Teorema de desplazamiento
3.7.- Teorema de la derivada
3.8.- Catlogo de transformadas de funciones
relevantes

18/48
18/48

4.- CONVOLUCIN Y CORRELACIN


4.1.- Convolucin y deconvolucin (sin ruido)
4.2.- Propiedades de la convolucin
4.3.- Correlacin cruzada
4.4.- Teorema de Parseval

27/48
27/48
28/48
29/48
31/48

19/48
20/48
23/48
24/48
24/48
24/48
25/48

Universidad de La Laguna

4/48

Curso: 2005-06

4.5.- Funcin de autocorrelacin


5.- TRANSFORMADA DISCRETA DE FOURIER
5.1.- Muestreo de una seal
5.2.- Transformada de Fourier discreta (DFT)
5.3.- Transformada rpida de Fourier (FFT)
5.4.- Efecto de pxel
6.- ESTADSTICA CON TRANSFORMADA DE
FOURIER. RUIDO
6.1.- Probabilidad y parmetros (introduccin)
6.2.- Esperanza estadstica
6.3.- Funcin caracterstica y momentos
6.4.- Momentos centrales
6.5.- Probabilidad condicional e independencia
estadstica
6.6.- Distribucin de una suma de variables aleatorias
independientes
6.7.- Teorema del lmite central

32/48
34/48
34/48
38/48
39/48
40/48
42/48
42/48
42/48
43/48
45/48
46/48
46/48
48/48

Anlisis Espectral de Datos

Jess J. Fuensalida

5/48

Instituto de Astrofsica de Canarias

Universidad de La Laguna

2.- SERIES DE FOURIER


2.1.- Descomposicin de Fourier de una funcin peridica.
Sea f(x) una funcin peridica de periodo T. sta se puede desarrollar en base a cosenos
y senos de la siguiente forma:

f (t ) = a 0 + (a n cos n b t + bn sen n b t )

si b

n =1

2
T

(2.1)

en donde

a0 =

f ( ) 1 d

1 d

1
=
2

f ( ) d

siendo b t

(2.2)

an =

f ( ) cos n d

cos

n d

f ( ) cos n d

(2.3)

bn =

f ( )sen n d

sen

n d

f ( )sen n d

(2.4)

Al trmino ao se le denomina componente continua o d.c. (direct current)


habitualmente en ingeniera.
Un desarrollo expresado de esta forma se conoce como desarrollo en serie de Fourier.
Se puede apreciar que los sucesivos trminos del desarrollo estn fijados por frecuencias
mltiplos de b, que se denominan harmnicos de b y a los trminos de orden n=1, es
decir los de b se llama harmnico fundamental.
Las expresiones anteriores pueden tambin escribirse de forma ms general como
2nx
2nx

f ( x) = a0 + a n cos
+ bn sen

T
T
n =1

+T

1 2
a0 =
f ( x ) dx
T T
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
donde x puede representar la variable espacio o tiempo.
Este desarrollo en serie converge a f(x) si se cumplen las condiciones de Dirichlet:
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.

2.2.- Representacin en frecuencias.


Una vez expresada la funcin f(t) como serie de Fourier segn el apartado anterior,
dicha funcin puede quedar absolutamente representada con los coeficientes an y bn.
stos pueden ser considerados como una funcin discreta respecto a la variable =nb.
Es decir, los coeficientes an pueden ser representados por la funcin a(nb) y los bn
como b(nb). Por tanto, f(t) quedara representada por estas funciones expresadas de la
siguiente forma:

a ( ) = a n ( n b )
0

b( ) = bn ( n b )
1

Es decir, un conjunto de deltas de Dirac equidistantes con un intervalo b.

2.3.- Aplicacin a una onda cuadrada.


Una onda cuadrada es una funcin peridica respecto al tiempo o espacio
unidimensional que toma dos valores diferentes alternativamente y de igual duracin.
En la fig. 2.3.1, se representa una onda cuadrada de amplitud la unidad, es decir, alterna
entre los valores 1 y -1, respecto a =bt de modo que el periodo es 2 rad.

Jess J. Fuensalida

7/48

Instituto de Astrofsica de Canarias

c u a

ii

iii

Fig. 2.3.1.- Onda cuadrada de amplitud 1 y periodo 2 rad.


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

a0 =

1 d

1
=
2

f ( ) d = 0

ya que en un periodo, la parte positiva es idntica que la negativa. Es decir, la


componente d.c. es nula, porque oscila alrededor de y=0. Si lo hiciera para y=c, c R
constante, sera a0=c.

an =

f ( ) cos n d

cos

n d

f ( ) cos n d

+ 2
+

2
1

= 1 cosn d + + 1 cosn d + 1 cosn d

2
443 1
442443 +12 442443
442
i
ii
iii

siendo cada trmino i, ii, y iii correspondiente a las partes indicadas en la fig. 2.3.1.

2
n

1
n

[sen n ]

1
n

[sen n ]+

2
2

1n [sen n ]+ 2

{ sen( n 2 ) + sen n 2 } = n2 {2 sen n 2 }

8/48

Anlisis Espectral de Datos

Universidad de La Laguna

Por tanto, los primeros valores son


a 0 = 0, a1 = 4 , a 2 = 0, a3 = 13 4 , a 4 = 0, a5 =

1 4
5

, ...

Para los coeficientes bn,

bn =

f ( )sen n d

sen

n d

f ( )sen n d

+ 2
+
2

= 1 1 sen n d + + 1 sen n d + 1 sen n d


1

2
443 1
442443 +12 442443
442
i
ii
iii

2
n

1
n

[cos n ]

1
n

[cos n ]+

2
2

1n [cos n ]+ 2
+

{ 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.
Serie de Fourier de Onda Cuadrada (f=10 Hz)
Cuadrada
Sum(1..5)

1,5

Cos1

Cos3

0,5

Cos5

0
-0,5

0,05

0,1

0,15

-1
-1,5
tiem po (s)

Fig. 2.3.2a.- Comparacin de una onda cuadrada con el desarrollo de Fourier hasta el
harmnico 5.

Jess J. Fuensalida

9/48

Instituto de Astrofsica de Canarias

Serie de Fourier de Onda Cuadrada (f=10 Hz)


Cuadrada
Sum(1..9)

1,5

Cos1

Cos3

0,5

Cos5
Cos7

0
-0,5

0,05

0,1

0,15

Cos9

-1
-1,5
tiem po (s)

Fig. 2.3.2b.- Comparacin de una onda cuadrada con el desarrollo de Fourier hasta el
harmnico 9.

Composicin en Frecuencias de Onda


Cuadrada

Amplitud

1,5
1

0,5
0
0

10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160

-0,5
Frecuencia (Hz)

Fig. 2.3.3.- Composicin en frecuencias de un onda cuadrada.


Sin embargo, si tratamos el caso de la misma funcin pero desplazada respecto al Y
(Fig. 2.3.4), podemos advertir que los valores de los coeficientes de la serie de Fourier
cambian.

10/48

Anlisis Espectral de Datos

Universidad de La Laguna

c u a

ii

Fig.2.3.4.- Onda cuadrada desplazada respecto al eje Y


Siguiendo la fig. 2.3.4,

an =

f ( ) cos n d

cos

n d

f ( ) cos n d

= 1 cos n d + + 1 cos n d
0

1
n

[sen n ]0

1
n

1
n

[sen n ]0+ }

{ sen 0 + sen ( n ) + sen n sen 0} = 0

Es decir, an = 0.
Para los coeficientes bn,

bn =

f ( )sen n d

sen

n d

f ( )sen n d

+
0

= 1 1 sen n d + + 1 sen n d
0

{+

1
n

1
n

[cos n ]0

1n [cos n ]0

{cos 0 cos( n ) cos n + cos 0} = n2 {1 cos n }

Instituto de Astrofsica de Canarias

11/48

Por tanto, los primeros valores son


b1 = 4 , b2 = 0, b3 = 13 4 , b4 = 0, b5 =

1 4
5

Jess J. Fuensalida

, ...

Hay que resaltar que no son iguales a los an del caso par.
Se puede generalizar de este ejemplo que si la funcin es par, el desarrollo de Fourier
no contendr componentes impares, es decir, los trminos de senos sern nulos,
como es el caso de la fig. 2.3.1. Y, si la funcin es impar, el desarrollo de Fourier no
contendr componentes pares, es decir, los trminos de cosenos sern nulos, como
es el caso de la fig. 2.3.4. Adems, se aprecia que para una funcin determinada
expresada como par, los coeficientes an no son iguales a los bn de la funcin expresada
como impar.

2.4.- Ortogonalidad.
Se dice que 2 funciones, f() y g() son ortogonales si y solo si
2

f ( ) g ( ) d = 0

en el intervalo (1, 2)

Esto quiere decir que f() no contiene componentes de g(), y viceversa.


Las funciones sinusoidales de diferentes frecuencias pueden formar una base ortogonal
en intervalo (1, 1+).
Son ortogonales cos n y sen m?
+T / 2

cos t sen t dt = ?
b

T / 2
+

cos sen d =

sen 2
1
+
d = [cos 2 ] = 0
2
4

sen 2 = 2 sen cos

sen sen 2 d = 2 sen

cos d =

2
sen 3
3

cos 2 = cos 2 sen 2


cos 2 = 1 2 sen 2
cos 2 = 1 sen 2

=0

12/48

Anlisis Espectral de Datos


+

cos cos 2 d = cos d 2 sen

= [sen ]
+

2
sen 3
3

Universidad de La Laguna

cos d

=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

[ f ( )] d = [g ( )] d = 1

sen n y cos m no son ortonormales porque,


+T

cos

+T

n b x dx =

T
2

n b x dx =

T
2

sen

(Ver apartado 2.6)

2.5.- Representacin mdulo y fase.


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

bn

a n = c n cos n

cn
n
n

y entonces, la suma de cada orden,


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 )

an

Instituto de Astrofsica de Canarias

13/48

Jess J. Fuensalida

Y del grfico obtenemos,


c n = a n2 + bn2
tg n =

bn
b
, , n = arctg n
an
an

Con lo que, el desarrollo de Fourier podemos expresarlo,

f (t ) = a0 + c n cos(n b t n )
n =1

De forma similar, podemos obtener una expresin respecto a n.


bn = c n cos n
a n = c n sen n
a n cos n b t + bn sen n b t = c n sen n cos n b t + c n cos n sen n b t

= c n sen(n b t + n )
Y, como ms arriba,
c n = a n2 + bn2
tg n =

an
a
, , n = arctg n
bn
bn

De esta forma, el desarrollo de Fourier queda,

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.

14/48

Anlisis Espectral de Datos

Universidad de La Laguna

Desfase de coseno + seno (f=10 Hz)


1*Seno
1*Cos

1,5

1*Cos + 1*Seno

1
0,5
0
-0,5

0,05

0,1

0,15

-1
-1,5
tiem po (s)

Fig. 2.5.1a.- Resultante de una cierta componente con n=n=/4.


Ocurre cuando an = bn.
Desfase de coseno + seno (f=10 Hz)
0,4142*Seno
1*Cos

1,5

1*Cos + 0,4142*Seno

1
0,5
0
-0,5

0,05

0,1

0,15

-1
-1,5
tiem po (s)

Fig. 2.5.1b.- Resultante de una componente con n=/8 y n=3/8.

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.
Para el caso mostrado en 2.5.1a, calculamos,

n = arctg

bn
1
= arctg = rad
1 4
an

n = arctg

an
1
= arctg = rad
1 4
bn

Jess J. Fuensalida

15/48

Instituto de Astrofsica de Canarias

c n = a n2 + bn2 = 2

que se puede comprobar en la grfica.


Para el caso mostrado en 2.5.1b, calculamos,

n = arctg

bn
0.4142
= arctg
= rad
1
8
an

n = arctg

an
1
3
= arctg
=
rad
0.4142
8
bn

c n = a n2 + bn2 = 1 + 0.4142 2 = 1.0824

que se puede comprobar en la grfica.

2.6.- Potencia media de una funcin


La potencia media que desarrolla la funcin f(x) (recordamos que a lo largo del curso
utilizaremos indistintamente la variable x y t como variable independiente, excepto en
ejemplos especficos) a lo largo de un periodo se define,

1
Pf =
T

+T

[ f ( x)] dx

Si usamos el desarrollo en an y bn,


1
Pf =
T

a 0 + (a n cos n b x + bn sen n b x) dx

14444244443
T
n =1
2
n

+T

+T

+T

+T

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

a02

ii

iii

De desarrollar ii aparecern trminos del tipo:


+T

(I)

2
1
a n bm cos n b x sen m b x dx
T
T
2

Anlisis Espectral de Datos

16/48

Universidad de La Laguna

+T

(II)

2
1
a n a m cos n b x cos m b x dx
T
T
2

+T

(III)

2
1
bn bm sen n b x sen m b x dx
T
T
2

Calculemos cada uno de estos trminos,


(I)

Si tenemos en cuenta que


sen cos =

1
[sen( ) + sen( + )]
2

entonces,

+T

1
1 2
= a n bm [sen(m n) b x + sen(m + n) b x ] dx = 0
T
2 T 2

cada integral de los senos es =0, tanto para mn


como para m=n.
(II)

Si tenemos en cuenta que


cos cos =

1
[cos( ) + cos( + )]
2

entonces,

+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
T
T 2
2 T 2

(III)

Si m=n

Si tenemos en cuenta que


sen sen =
+T

1
[cos( ) cos( + )]
2

entonces,

1
1 2
= bn bm [cos(n m) b x cos(n + m) b x ] dx
T
2 T 2

Jess J. Fuensalida

17/48

Instituto de Astrofsica de Canarias

=0

Si mn (ortogonales)
+T

1 21 2
1 bn2
= bn [1 cos 2n b x ] dx =
T
T
T 2
2 T 2

Si m=n

Por lo tanto, la POTENCIA MEDIA:

a2 b2
1
1
Pf = a 02 + n + n = a 02 + a n2 + bn2 = a 02 + c n2
2
2 n =1
2 n =1
n =1 2

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).
De este resultado, podemos atisbar el inters de una representacin de la potencia en
funcin de la frecuencia con lo que apreciaremos fcilmente la contribucin de cada
harmnico a la potencia de la funcin completa. A esta representacin se denomina
ESPECTRO DE POTENCIAS, que se tratar con ms detalle en el prximo captulo.

Anlisis Espectral de Datos

18/48

Jess J. Fuensalida
Instituto de Astrofsica de Canarias

Universidad de La Laguna

3.- INTEGRAL DE FOURIER


3.1.- Anotacin compleja
Sabemos que,

cos =

1
2

[e

+ e i

sen = i 12 e i e i

luego,
a n cos n b x =

a n i n b x a n i n b x
e
+
e
2
2

bn sen n b x = i

bn i n b x
b i n b x
e
+i n e
2
2

Por lo tanto,

a n ibn i n b x a n + ibn i n b x
in x
e
+
e
= dne b
2
2
n =1
n =1
n =

f (x ) = a 0 +
siendo,
d 0 = a0
dn =

a n ibn
2

d n =

a n + ibn
= d n* (* conjugada)
2

Entonces, podemos expresar estos coeficientes:


dn =

a n ibn
2

+T / 2
+T / 2

11
1
=

f
(
x
)
cos
n

x
dx
i
f
(
x
)
sen
n

x
dx

b
b

T
2 T 2 T/ 2
2 T / 2

(3.1)

Instituto de Astrofsica de Canarias

1
=
T

+T / 2

1
T

+T / 2

f ( x) [cos n

Jess J. Fuensalida

19/48

x i sen n b x ] dx

T / 2

f ( x)

i n b x

(3.2)

dx

T / 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,

dn =

1
a n2 + bn2
2

arg(d n ) = arctg

bn
an

Los dn se pueden relacionar con la representacin mdulo y fase:


cn = 2 d n

n = arg(d n )

3.2.- Descomposicin de Fourier de una funcin no-peridica


En el desarrollo de Fourier de una funcin peridica, el intervalo de frecuencias entre
trminos consecutivos es,
= (n + 1) b n b
Es decir,
= b =

2
T

Pero, podemos considerar una funcin no-peridicas como una peridica con un T = .
Luego, si T 0.

(3.3)

Por lo tanto, ya no tiene sentido hablar de una distribucin discreta de componentes


sino continua.
Sustituyendo (3.2) en (3.1), es decir,

20/48

Anlisis Espectral de Datos


1
dn =
T

+T / 2

f (x ) =

f ( x)

i n b x

Universidad de La Laguna

en

dx

T / 2

dn e

i n b x

n =

n = T

+T / 2

f ( x)

i n b x

dx e

i n b x

T / 2

pero, como hemos visto antes,


1 b
1
=
=

T 2 2
Luego, la expresin anterior quedara,
f (x ) =

1
2

+T / 2

f ( x)

i n b x

dx e

i n b x

(3.4)

n = T / 2

Si ahora, como mencionamos al principio, consideramos que es una variable


continua, es decir, 0 ,
nb , es decir, una variable continua. Y,

d
Con esto, (3.4) quedara como,
f (x ) =

1
2

i x

f ( x)

e
dx e

1442443

i x

F ( )

1
f ( x) =
2

F ( )

i x

3.3.- Transformada de Fourier.


Las expresiones obtenidas en el apartado anterior,
F ( ) =

f ( x)

i x

dx

21/48

Instituto de Astrofsica de Canarias

1
f ( x) =
2

F ( )

i x

Jess J. Fuensalida

se denominan ecuaciones integrales de Fourier.


F() es la transformada de Fourier de f(x),
y f(x) es la transformada inversa de Fourier de F().

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 (-, +).

En la definicin de las integrales, existe una controversia, o falta de acuerdo, en la


eleccin de la constante. Est claro que, al aplicar sucesivamente la Transformada de
Fourier y la transformada inversa de Fourier, debera resultar la funcin original f(x). Es
decir,
1
2

f (x ) =

i x

f ( x)

e
dx e

1442443

i x

F ( )

Pero, dependiendo de las variables utilizadas, la constante a multiplicar ser diferente


para que resultado vuelva a ser f(x). Veamos TRES posibles formas:
I)

La utilizada hasta ahora.

F ( ) =

f ( x)

i x

dx

1
f ( x) =
2

F ( )

i x

22/48

Anlisis Espectral de Datos

II)

Si utilizamos la frecuencia, = 2 u d = 2 du. NOTA: utilizaremos la


letra u para indicar la variable conjugada de x, es decir la frecuencia
espacial. Recordad que la variable conjugada de t es .
+

F (u ) =

Universidad de La Laguna

f ( x)

i 2 u x

dx

f ( x) =

F (u)

i 2 u x

du

III)

A partir de la opcin (I), algunos autores (Mathews & Walker, 1970, p.102), por
razones de simetra en las expresiones, definen,

1
F ( ) =
2
f ( x) =

1
2

f ( x)

i x

dx

i x

F ( )

Realmente, en cada campo de la Ciencia se han venido utilizando definiciones de la


Transformada de Fourier con ligeras diferencias, lo que provoca algunos inconvenientes
al consultar textos de distintas disciplinas. Obliga, indudablemente, a una atencin ms
vigilante. Englobando las distintas convenciones, y si suponemos que r es la variable
conjugada de la variable s en dominio de medida, se pueden expresar como,
12

2
F (r ) =
(2 )(11) 2
12

2
f (s ) =
(2 )(1+1) 2

i 2 r s

f (s ) e

i 2 r s

F (r )e

ds

ds

donde,

0
1
1
-1
0

-1
1
-1
-1
2

Campo
Fsica Cuntica
Matemticas e Ingeniera de Sistemas
Estadstica
Fsica Clsica
Procesamiento de Seal y ptica

Instituto de Astrofsica de Canarias

Jess J. Fuensalida

23/48

La eleccin (I) corresponde a 1 =1 y 2 =1. La (II) se obtiene con 1 =0 y 2 =2, y


ser la que usaremos habitualmente desde ahora para la transformada de Fourier y
la transformada inversa.

3.4.- Propiedades de simetra.


Como hemos visto,
+

F (u ) =

f ( x) e

i 2 u x

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 e Impar
Imaginario y Par
Complejo y Par
Complejo e Impar
Real y Asimtrico
Imaginario y Asimtrico
Real y Par + Imaginario e Impar
Real e Impar + Imaginario y Par
Par
Impar

Real y Par
Imaginario e Impar
Imaginario y Par
Complejo y Par
Complejo e Impar
Complejo y Hermtico
Complejo y Antihermtico
Real
Imaginario
Par
Impar

ATENCIN: La relacin que se indica en la tabla tambin se cumple de la columna


derecha hacia la izquierda. Es decir que, por ejemplo, si f(x) (DOMINIO DE MEDIDA)
es imaginaria e impar, entonces F(u) (DOMINIO DE FRECUENCIAS) ser real e
impar.

NOTA:
Hermtico

(C funcin compleja):

24/48

Anlisis Espectral de Datos

Universidad de La Laguna

C(-u) = C* (u)
a) Parte real par, Re[C(-u)] = Re[C(u)]
b) Parte imaginaria impar, Im[C(-u)] = -Im[C(u)]
(C funcin compleja):

Antihermtico

C(-u) = - C* (u)
a) Parte real impar, Re[C(-u)] = - Re[C(u)]
b) Parte imaginaria par, Im[C(-u)] = Im[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.

3.5.- Teorema de escalado.


Si

F() = F [f(t)]

F f (a t ) = a F ( / a )

Es decir, si estiramos una funcin en un dominio, se encoge en el otro. Y viceversa.

3.6.- Teorema de desplazamiento.


Si

F(u) = F [f(x)]

F [ f ( x a )] = e

i 2 ( a ) u

F (u )

Es decir, una traslacin de la funcin (desplazamiento) en un dominio, conlleva la


existencia de una fase lineal en la transformada de la funcin.

3.7.- Teorema de la derivada.


Si

F(u) = F [f(x)]

Instituto de Astrofsica de Canarias

Jess J. Fuensalida

25/48

F [ f ( x)] = i 2 u F (u )

Es decir, la derivada de la funcin en el dominio transformado correspondiente, adems


de multiplicar por una recta con pendiente 2, produce un intercambio de las partes real
e imaginaria.
Aplicando dos veces este teorema, obtenemos,
2
2
F [ f ( x ) ] = 4 u F (u )

Y consecuentemente,

[f

(n

( x) ] = (i 2 u )

F (u )

3.8.- Catlogo de transformadas de funciones relevantes

F(u) = F [f (x)]

f(x)
(x)

Delta en el origen

A cos 2uox

Constante

A
2

[ (u u o ) + (u + u o )]

Coseno

A sen 2uox
Seno

Dos deltas reales (par)

A
2

i[ (u + u o ) (u u o )]
Dos deltas imaginarias (impar)

A ei 2 uo x

A[ (u u o )]

Seno + coseno

Una delta en la frecuencia

0 , , x < L

A 2 L (x ) = A , , L < x < L
0 ,, x > L

2AL sinc(2 uL)

Funcin pulso centrado en el origen y ancho 2L

Sinc (1er cero en 1/2L)

26/48

Anlisis Espectral de Datos

A
e
2

1
2

x2

, , =

Universidad de La Laguna

2.345

Ae

1 u2
2 u2

( Ancho a mitad de altura)


Gaussiana

Ae

1
2

Gaussiana

1
2
,, u =
2
2
2 u
u +

2
1

Exponenciales en modo par

para x < 0

para x > 0

E(x)= 10 ,,,,

, , u =

Lorentziana

1
1
(u ) +
2
i 2 u

Escaln (Heaviside)

1
xo

(x nxo )

n =

Peine (tren de deltas)

n =

n
xo

Peine (tren de deltas)

Adviertan que,
+

F (0) =

f ( x)

dx

y por tanto, si max[f(x)]=f(0), el ancho equivalente we, es,


+

we

f ( x)

f (0)

dx
=

F (0)
+

F (u )

du

Se usa habitualmente con funciones de pico, como la gaussiana o la funcin sinc.

Jess J. Fuensalida

27/48

Anlisis Espectral de Datos

Instituto de Astrofsica de Canarias

Universidad de La Laguna

4.- CONVOLUCIN Y CORRELACIN


4.1.- Convolucin y deconvolucin (sin ruido)
Si F [f(t)]=F() y F [g(t)]=G() entonces
Cul ser la F [f(t) g(t)] ?
Sea h(t) f(t) g(t) y F [h(t)]=H() .
Definicin de Transformada de Fourier

H ( ) =

f (t ) g (t ) e

i 2 t

dt

g (t )
644
47
4 44
8
+
i 2 t

i 2 t
f (t ) G ( ) e
d e
dt

f (t )G ( ) e

i 2 ( ) t

d dt

i 2 ( ) t
G
(

)
dt d
f (t ) e

= G ( ) F ( ) d

(1)

De igual forma, es fcil ver que:


+

F ( ) G ( ) e

i 2 t

d =

f ( s ) g ( t s ) ds
144
42 4 44
3

Se denomina CONVOLUCIN de f por g.


Y se representa por f g

(2)

28/48

Anlisis Espectral de Datos

Universidad de La Laguna

O lo que es igual:

F [f(t) g(t)]=F() G()

(3)

Para interpretar la operacin de convolucin habra que tener en cuenta que,

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.
En algunos procesos experimentales se conoce g(t) (o f(t) ) y se puede medir f(t)
g(t) , de modo que se puede obtener f(t) :

F [f(t) g(t)]
f (t) = F

-1

(4)

G()

A esta operacin se le llama DECONVOLUCIN. En presencia de ruido este proceso


es mucho ms complicado requiriendo siempre una etapa de filtrado y, por ello, se ver
en el apartado 7.6.

4.2.- Propiedades de la convolucin


La funcin de convolucin cumple las siguientes propiedades:
a)

b)

c)

Conmutativa
f g = g f

(4.5)

f ( g h ) = (f g ) h

(4.6)

f (g + h)= f g +f h

(4.7)

Asociativa

Distributiva

Jess J. Fuensalida

29/48

Instituto de Astrofsica de Canarias

Adems cumple las siguientes relaciones:


F [f g h]=F G H

(4.8)

F [f ( g h )]=F ( G H )

(4.9)

4.3.- Correlacin cruzada


Una funcin similar a la convolucin, aunque con implicaciones diferentes es la funcin
correlacin cruzada. Antes de tratarla, veamos, primeramente, qu es la transformada de
f *, si f(t) = F -1 [F()].
Por la definicin de transformada de Fourier,
+

i 2 t

f (t ) = F ( ) e

d =

i ( ( )+ 2 t )

F ( ) e

i ( )

F ( ) = F ( ) e
+

f (t ) =
*

i ( ( )+ 2 t )

F ( ) e

i ( )

F ( ) e
+

f (t ) =
*

i 2 ( t )

i ( )

F ( ) e

i 2 t

F*()

f*(-t) = F

-1

[F*()].

(4.10)

30/48

Anlisis Espectral de Datos

-1

Cul ser, entonces, la F

Universidad de La Laguna

[G () F*()] ?
si

f(t) = F

-1

[F()]

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

-1

[Q () P ()] =

p (t s ) q ( s ) ds

Entonces, siguiendo la pregunta anterior,

-1

[G () F*()] = F

-1

[G ()] F

-1

[F*()]
f *(-t)

g(t)

g (s) f

( s t ) ds

s = k+t, t = s-k

g (k + t ) f

( k ) dk

Cualquiera de estas 2 integrales se denomina CORRELACIN CRUZADA de f con g.


Y se representa por f k g

(4.11)

Jess J. Fuensalida

31/48

Instituto de Astrofsica de Canarias

O lo que es igual:

+ *

f
(
s
)
g
(
s
t
)
ds

F [f(t) k g(t)] = F

F [f(t) k g(t)] =F () G()

(4.12)

Tngase en cuenta que f y g pueden ser complejas.

4.4.- Teorema de Parseval 1


Siguiendo la expresin (1-4.1) del apartado anterior,
+

i 2 ux

f ( x) g ( x) e

dx = G( ) F (u ) d

que se debe cumplir tambin para u = 0 , es decir,


+

f ( x) g ( x) dx = G ( ) F ( ) d

Si f(x) es real F(u) es hermtico, o sea, F(- ) = F* ( ).


+

f ( x) g ( x) dx =

*
F
( ) G( ) d

que es el Teorema de Parseval.


Y si adems es el caso que f(x) = g(x)
+

[ f ( x )]

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.

32/48

Anlisis Espectral de Datos

Universidad de La Laguna

Para el caso general de funciones complejas en los dos dominios,


+

f ( x) g

+
*

( x) dx =

F (u) G

(u ) du

4.5.- Funcin de autocorrelacin


Se llama funcin de autocorrelacin de f(t) a la correlacin cruzada consigo misma. Es
decir f = g, entonces

+ *

f
(
s
)
f
(
s
t
)
ds

Se denomina AUTOCORRELACIN de f.
Y lo representaremos por f k f

De modo que,
*

F [f(t) k f(t)] =F () F() = |F() |2


que se conoce como
Teorema de Wiener-Khinchin

(4.13)

Es decir, la Transformada de Fourier de la Funcin de Autocorrelacin de una


cierta funcin es igual al Espectro de Potencias de la misma.

Tambin se utiliza como funcin de autocorrelacin normalizada la siguiente definicin:


+

f * ( s ) f ( s + x ) ds

(x) =

(4.14)
+

De modo que,

(0) = 1

f * ( s ) f ( s ) ds

Jess J. Fuensalida

33/48

Instituto de Astrofsica de Canarias

El ancho equivalente de la autocorrelacin wa (Apart. 3.8) es,


+

wa =

f ( x)

k f * ( x)dx

[ f ( x) k

f * ( x)

x =0

F (0)

F (u)

du

f ( x)dx f
+

f ( x)

( x)dx

f * ( x)dx

Anlisis Espectral de Datos


Universidad de La Laguna

34/48

Jess J. Fuensalida
Instituto de Astrofsica de Canarias

5.- TRANSFORMADA DISCRETA DE


FOURIER
5.1.- Muestreo de una seal
En la actualidad es muy poco corriente el tratamiento de la informacin en forma
analgica. Una parte fundamental de la experimentacin cientfica es el procesamiento
de los datos, que se hace en forma digital, nica viable utilizando ordenadores. Adems,
una vez transformada la informacin en forma digital, sta se almacena y transfiere
mucho ms eficientemente.
El primer paso en este proceso es muestrear la funcin que alberga la informacin, es
decir, seleccionar algunos valores de la funcin, de los infinitos posible, separados un
intervalo constante de la variable independiente. Por tanto, obtendremos un conjunto
de valores discretos de la funcin.
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.
Cuntas muestras necesitaramos conocer en un periodo de un coseno para que fuera
posible reconocerle como tal? Parece claro que menos de 2 muestras equidistantes en un
periodo nos llevara a confundir la amplitud y el periodo verdadero del coseno.
Estudiemos, de un modo prctico, el comportamiento de varios intervalos de muestreo
aplicados a una funcin simple. En la Fig. 1, se representa, en color rojo, la suma de dos
cosenos de frecuencia de 20 Hz y 40 Hz. Utilizaremos esta funcin para estudiar el
efecto del intervalo de muestreo. En la figura 2 se sealan con lneas verticales las
posiciones correspondientes a las muestras de la funcin con un intervalo de 0.025 s.
Apreciamos que la funcin continua que ajusta a estos valores es un coseno de amplitud
0.75 y frecuencia 20 Hz con una continua de 3.

Jess J. Fuensalida

35/48

Instituto de Astrofsica de Canarias

1+0.75*Cos20
1+1*Cos40
(1+1*Cos 40) +(1+ 0.75*Cos20)

4
3.5
3
2.5
2
1.5
1
0.5
0
0

0.05

0.1
tiem po (s)

0.15

Fig. 1.- Generacin de una funcin simple (en rojo)


para estudiar el efecto del intervalo de muestreo,
como suma de 2 cosenos (en azul y verde).

3+0.75*Cos20
(1+1*Cos 40) +(1+ 0.75*Cos20)

4
3.5
3
2.5
2
1.5
1
0.5
0
0

0.025

0.05

0.075
0.1
tiem po (s)

0.125

0.15

0.175

Fig. 2.- Ajuste (curva en azul) a las muestras de la


funcin (en rojo) con un intervalo de 0.025 s.
Corresponde a un coseno de amplitud 0.75, frecuencia
20 Hz y componente continua de 3.

Anlisis Espectral de Datos

36/48

Universidad de La Laguna

En la figura 3 encontramos que el mejor ajuste de una funcin continua es tambin un


coseno de 20 Hz pero con una amplitud de 1.75 y componente continua de 2. Nos
percatamos as que slo para intervalos menores que 0.0125 (lneas verticales de la
figura 1) queda definida la funcin original (en rojo).

2+1.75*Cos20
(1+1*Cos 40) +(1+ 0.75*Cos20)

4
3.5
3
2.5
2
1.5
1
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)

Fig. 3.- Como en la figura 2 pero con un intervalo de


0.01666 s.

Teorema del muestreo (o de Nyquist-Shannon).- Sea f(t) una funcin de

banda limitada, es decir, cumple que F [f (t)]=F () = 0 para | | > M . Entonces f(t)
est unvocamente determinada (sera totalmente reconstruida) por las muestras de la
funcin f(n ), n = 0, 1, 2, ... siempre que

m > 2 M donde m = 1/ , que se denomina frecuencia de muestreo.


Es decir, el intervalo de muestreo tiene que ser el inverso de 2 veces la frecuencia
mxima M.

Instituto de Astrofsica de Canarias

Jess J. Fuensalida

37/48

A partir de los ejemplos expuestos en este apartado, resaltemos algunos resultados


donde subyacen consecuencias valiosas de aplicacin general. Para simplificar,
consideramos una representacin de los coeficientes an , ya que las funciones utilizadas
son cosenos.

an

30 Hz = 1/ (2*0.01666 s)

3.5

Original
con 0.01666
con 0.025

40 Hz = 1/ (2*0.0125 s)

20 Hz = 1/ (2*0.025 s)

2.5

2
2

1.75

1.5
1

0.75
0.75

0.5
0
0

10

20
30
Frecuencia (Hz)

40

50

Fig. 4.- Representacin de las amplitudes an de las


componentes de la funcin original y de los resultados de
muestrearla con diferentes intervalos. Se indica tambin los
lmites de frecuencia fijados en cada caso por el intervalo de
muestreo.
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

38/48

Anlisis Espectral de Datos

Universidad de La Laguna

5.2.- Transformada de Fourier discreta (DFT)


Tratemos ahora el caso de la transformada de Fourier de una funcin discreta.
Asumimos en este trmino el concepto de una funcin muestreada equidistantemente.
Llamaremos D [ f (t ), ] a la funcin resultante de muestrear la funcin f(t) con un
intervalo de muestreo . Es decir,
+

D [ f (t ), ] = f (t ) (t n )

F {D [ f (t ), ]} = F ( )
De modo que si F()=F[f(t)], y =

1
2 M

entonces,
F()

F{D[f(t),]}

-1/

1/

Donde la parte en lnea discontinua se repite desde - hasta + en intervalos de 1/. De


modo que, F{D[f(t),]} es una funcin peridica y continua. Ntese la justificacin del
teorema de muestreo explicado en el apartado 5.1 y, por tanto, el efecto de Aliasing si
1
>
.
2 M
El muestreo de una funcin no puede ser de extensin infinita. Es decir, la toma de
datos siempre se producir en un tiempo finito. Llamaremos DN [ f (t ), ] la funcin
discreta en el sentido anterior con N datos. Es decir,

Jess J. Fuensalida

39/48

Instituto de Astrofsica de Canarias

N 1

DN [ f (t ), ] = f (t ) (t n )
n =0

N 1

= f (n ) (t n )
n =0

La transformada de Fourier F{DN[f(t),]} es una funcin discreta de N datos


separados por el intervalo de frecuencia 1/N.

dm =
N

+N /2

D [ f (t ), ] e

i 2

n= N / 2

m
n
N

que no depende de , luego es una sucesin de N datos segn el orden m,

1
dm =
N

+N / 2

f (n ) e

i 2

m
n
N

n= N / 2

donde f (n) es la sucesin de N datos segn el orden n. Es decir, la transformada de


Fourier discreta (DFT), se puede obtener numricamente como una sucesin de datos
sin considerar, durante los clculos, la variable independiente. El tiempo consumido por
2
un ordenador para el clculo de una DFT es proporcional a N .

5.3.- Transformada Rpida de Fourier (FFT)


Para mantener la consistencia en la nomenclatura, denominaremos {F(m)}m a la
sucesin de valores que corresponden a la transformada de Fourier numrica de la
sucesin de datos {f(n)}n , que representa a la funcin original f(t). Por tanto,

1
F (m ) =
N

N 1

f (n ) e

i 2

mn
N

n =0

Supongamos, por simplicidad, que N sea un nmero par. Entonces, podemos escribir,

N2 1
1
F (m ) = f (2n )
N n =0

i 2

m (2 n )
N

N
1
2

+ f (2n + 1)
n =0

i 2

m ( 2 n +1)
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
N

1
1
mn
mn
m
2
2

1 1
1
i 2
i 2
i 2
N +
N
N
(
)
(
)
F (m ) =
f
n
f
n
2
2
1
+

e 2 e N
e 2
2 N n =0
n =0
2 4424443
2 444244443
14
14

F p(m )
F i(m )

Es decir,
m
1
i 2

F (m) = Fp (m ) + e N Fi (m )
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,
m
N 1
i 2

F m + = Fp (m ) e N Fi (m )
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.

5.4.- Efecto de pxel


Hasta ahora, hemos considerado el muestreo de una funcin como el resultado de
multiplicar por una funcin tren de deltas, espaciadas por un cierto intervalo constante.
Sin embargo, en realidad el proceso es una integracin de la funcin en un entorno de la
posicin de cada delta. Al ancho de ese entorno se le llama pxel (picture element).
Supongamos que la respuesta de cada pxel la podemos representar por una nica
funcin p(x).

Instituto de Astrofsica de Canarias

Jess J. Fuensalida

41/48

f(x)

nN (x-n xo)

xo

p(x)

x
p
Si llamamos P [f(x),xo,p] a la funcin resultante de muestrear la funcin f(x) con un
intervalo de muestreo xo y tamao de pxel p,
N

P [ f ( x), x 0 , p ] = [ f ( x) p ( x)] ( x nx 0 )
n

Y el efecto en la transformada de Fourier se deduce de la expresin,

m
F {P [ f ( x), x0 , p ]} = [F (u ) P (u )] u
x0
m

Anlisis Espectral de Datos

Jess J. Fuensalida

42/48

Instituto de Astrofsica de Canarias

Universidad de La Laguna

6.- ESTADSTICA con Transformada de


FOURIER. RUIDO
6.1.- Probabilidad y parmetros (introduccin)
Supongamos una funcin g(t) que vara aleatoriamente con el tiempo. Si hacemos una
representacin de la cantidad de veces que la funcin toma cada valor especfico g,
obtenemos otra funcin P(g) que se denomina distribucin de probabilidades. Si
P( g )
hacemos +
100 , lo tendramos en tanto por ciento (%).
P( g )dg

Otros nombres usados son: distribucin de frecuencias estadsticas, ley de


probabilidad, funcin de densidad de probabilidad y funcin de distribucin. La
cantidad P(g)dg es la frecuencia estadstica relativa o probabilidad con la que la
funcin g(t) toma valores entre g y g+dg.

6.2.- Esperanza estadstica


Se define la esperanza estadstica de una funcin f(t), E[f(t)] = <f(t)>, con una
distribucin P(t) de la variable t, a las expresiones,

<

f (t ) P(t )
f (t ) >=
P(t )
t

para una distribucin discreta

(1)

para una distribucin continua

(2)

< f (t ) >=

f (t ) P(t )dt
P(t )dt

Jess J. Fuensalida

43/48

Instituto de Astrofsica de Canarias

6.3.- Funcin caracterstica y momentos


La funcin (h), resultante de hacer la transformada de Fourier de P(g), se denomina
funcin caracterstica1 asociada a la distribucin de probabilidad P(g). Es decir, segn
la definicin (convencin) asumida en este curso (Apart. 3.3),

(h ) =

i 2 h g

P( g ) e

dg

Por lo tanto, tambin podemos expresarlo en trminos de una esperanza estadstica,

(h ) =<

i 2 h g

>

Utilizando la exponencial en forma de serie de Taylor,

= 1+ +

1 2 1 3
k
+ + ... =
2!
3!
k =0 k!

< < +

entonces (recordemos que 0!=1),


(h ) =<

( i 2 h g ) k

k!

k =0

>

< g < +

La esperanza estadstica de una suma de funciones es la suma de las esperanzas de cada


trmino si la variable estadstica es la misma, es decir si la distribucin de probabilidad
es la misma. Por lo tanto, aplicando la definicin de esperanza estadstica,
+

(h ) =

( i 2 h ) k

k =0

k!

P( g )dg

P( g )dg

Se designa momento de orden k de g(t) a la esperanza estadstica de las


correspondientes potencias de la variable estadstica g. Por lo tanto,

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.
1

44/48

Anlisis Espectral de Datos

Universidad de La Laguna

< gk > =

P( g )dg

P( g )dg

Es corriente usar el smbolo k <g >. Si g toma valores discretos, toma la expresin,
k

<g > =
k

k
n

n =
+

Pn

n =

El momento de orden 1, se denomina media de la distribucin, 1 =<g>.


Esto implica que podemos expresar la funcin caracterstica en funcin de sus
momentos. Esto es,

(h ) =

( i 2 h ) k

k =0

k!

Ahora bien, siguiendo el Apart. 3.7, como (h) es la transformada de Fourier de P(g),
entonces,

[ (h)] = i 2
'

g P( g )

aplicando sucesivamente,

(k

(h) = (i 2 g ) k P ( g )

( k (h) = F (i 2 g ) k P( g )
( k (h) = (i 2 ) k

i 2 h g

P( g )

para h=0,
( k (0) = (i 2 ) k

P( g ) dg

y como,
+

(0) =

P( g )

los momentos estadsticos se pueden expresar,

dg

dg

Jess J. Fuensalida

45/48

Instituto de Astrofsica de Canarias

1
k < g k > =
i 2

( k (0)

(0)

6.4.- Momentos centrales


Se llama momento central de orden k, mk, de la variable aleatoria g, a la siguiente
esperanza estadstica,
mk =< ( g < g >) k >
luego,
+

mk =

(g )

P( g )dg

P( g )dg

entonces, m1=0.
El momento central de orden 2, m2, es la varianza 2,

2 m2 =< ( g < g >) 2 >=< g 2 > < g > 2


Es decir,

2 m2 = 2 2
En general, los momentos centrales en forma de serie son,

k
mk = (1) k l l k1l
l =0 l
k

si 0=1

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,

[ln (h)] h=0 = (i

2 )

[ln (h)] h=0 = (i

2 ) 2 m2

(1

(2

46/48

Anlisis Espectral de Datos

[ln (h)] h=0 = (i

2 ) 3 m3

[ln (h)] h=0 = (i

2 ) 4 m4 3m22

[ln (h)] h=0 = (i

2 ) 5 [m5 10m3 m2 ]

[ln (h)] h=0 = (i

2 ) 6 m6 15m4 m2 10m32 + 30m23

(3

(4

(5

[
(7
[ln (h)] h=0 = (i 2 ) [m
(6

Universidad de La Laguna

]
]

21m5 m2 35m4 m3 + 210m3 m22

De modo que, se puede obtener el ln (h) en funcin de los momentos centrales


sustituyendo las derivadas anteriores en el desarrollo de Taylor alrededor de h=0,
ln (h) = (i 2 h) [ln (h)]

(1
h =0

1
( i 2 h) 2 [ln (h)]
2

(2
h=0

1
(i 2 h) 3 [ln ( h)]
3!

(3
h=0

+ ...

6.5.- Probabilidad condicional e independencia estadstica


Consideremos que en un experimento se produce un suceso A con una probabilidad
P(A) y nos preguntamos por la probabilidad de otro suceso B una vez conocido el
suceso A, es decir la probabilidad condicional de B conocido A, P(BA).

P ( B | A) =

P( A I B)
P( A)

Teorema de Bayes: Si P(A)


y P(B) no son cero,
P ( B | A) P ( A) = P ( A | B ) P ( B )

P(AB) es la probabilidad conjunta de A y B o, denotado de otra forma, P(AB).


Si A y B son estadsticamente independientes

P ( B | A) = P( B)
Por lo tanto,

P ( AB ) = P ( A) P ( B )

6.6.- Distribucin de una suma de variables aleatorias


independientes
Sean 2 funciones g1(t) y g2(t) (variables aleatorias) que toman valores
independientemente con distribuciones P1(g1) y P2(g2). Cul es la distribucin y los
momentos de la variable suma gT =g1+g2?

47
48/48

Anlisis Espectral de Datos

Universidad de La Laguna

Como g1 y g2 toman valores en el mismo dominio, escribiremos P1(g) y P2(g). Segn el


Apart. 6.3, la funcin caracterstica de gT es,

g (h ) =<
T

i 2 h gT

i 2 h g1

>=<

i 2 h g 2

>

Como los valores de g1(t) y g2(t) son independientes1 tambin lo sern las exponenciales
respectivas, entonces,
i 2 h g1

g (h ) =<

><

i 2 h g 2

>

Por lo tanto,

g + g (h ) = g (h ) g (h )
1

Como la funcin caracterstica es la transformada de Fourier de la respectiva


distribucin de probabilidad, la correspondiente a la suma de las variables ser la
convolucin entre las distribuciones de cada variable individual,

Pg + g ( g ) = Pg ( g ) Pg ( g )
1

A partir de esto, podemos obtener fcilmente los primeros momentos ms utilizados.


Cul es la media de la variable suma, g1+g2?
Hemos visto en el apartado anterior 6.4 que, y como g

1+ g2

g1 + g 2

1
ln g + g (h)
=
1 2
(i 2 )

g1+ g 2

(1
h =0

(h ) = g1 (h ) g2 (h ) ,

(g1 (h) g (h) + g (h) (g1 (h)


1
2
1
2
1

=
(i 2 )
g ( h) g ( h)

1
2

h =0

(g1 (0)
(g1 (0)
1
1
1 +
2
=
(i 2 ) g (0) (i 2 ) g (0)
1
2
14442444
3 14442444
3

g1

g2

De forma similar podemos obtener la varianza de la suma de 2 variables independientes.

g21 + g 2 =

(2
1
ln

(
h
)
g1 + g 2
h =0
(i 2 ) 2

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>

g21 + g 2

g21 + g 2

Jess J. Fuensalida

48
49/48

Instituto de Astrofsica de Canarias

( 2 (h) (h) (1 (h)


g1
g1
1
g1
=
2
2
g ( h)
(i 2 )
1

2
(g2 (h) g (h) (g1 (h)
2
2
2

+
2

g ( h)
2
h =0

( 2 (0) (1 (0) 2
( 2 (0) (1 (0) 2
g
g
1
1
1 +
g2

1
g2
=

2
2
(i 2 ) g (0) g (0) (i 2 ) g (0) g (0)
1
2

1
2
144444
42444444
3 144444
42444444
3

2g

2g

6.7.- Teorema del lmite central


Si g1, g2, ..., gn son variables aleatorias con distribuciones de probabilidad Pi(g), no
necesariamente idnticas, con medias <g1>, <g2>, ..., <gn> y con varianzas 12, 22, ...,
n2 y si componemos la nueva variable aleatoria,
1

n i =1

gS =

gi < gi >

cada trmino del sumatorio es una variable de =0 y =1 y, por tanto gS tiene S =0 y


S =1.
Entonces, bajo ciertas condiciones,

lim PS ( g ) =

1
n

Condiciones suficientes:
g2
S

Es decir, la distribucin PS(g) de la variable gS tiende a


una gaussiana cuando el nmero de variables es
suficientemente grande.

Deben existir 2 nmeros


p y q tal que,

i2 > p > 0

< gi < gi > >


3

i
< q

Fijmonos que gS es la suma de variables, por lo tanto, su distribucin de probabilidad


ser la convolucin de las distribuciones de cada trmino del sumatorio. Al incrementar
n, la convolucin mutua de las distribuciones se acerca a una gaussiana.