8/17/2019 Clase 03 Estocastico
1/50
8/17/2019 Clase 03 Estocastico
2/50
2
8/17/2019 Clase 03 Estocastico
3/50
3
1.1. Introducción
Las perturbaciones son unas de las razones de la existencia de la teoría de control.
Sin perturbaciones no habría necesidad de realimentación.
Limitan el ancho de banda y comportamiento de un sistema.
Midiendo perturbaciones se pueden detectar malfuncionamiento de los sistemas,Hay dos formas básicas de modelizar una perturbación: la determinística o clásica
y la estadística.
8/17/2019 Clase 03 Estocastico
4/50
4
1.2. Reducción del efecto de las Perturbaciones
reducción en la fuente
realimentación local
control en adelanto
predicción
- Reducción en la fuente
Ejemplos
- reducción de variaciones en una concentración utilizando un mezclador eficiente
- reducción de fricción usando buenos rodamientos
- cambiar de posición los sensores para evitar perturbaciones
- modificar la electrónica del sensor
- cambiar sensor para obtener mejor respuesta- cambiar el muestreo del sistema para tener mejor modelo.
8/17/2019 Clase 03 Estocastico
5/50
5
- Realimentación local
Es necesario poder medir una variable que esté influida por la perturbación ycercana a la misma.
y
Realimentación
local
Perturbación
u
Generalmente no se necesita gran precisión en el lazo interno.
Un regulador con alta ganancia es suficiente.
Ejemplos:
- variación de presión en válvulas. Se introduce un regulador de presión.
- variación de temperatura. Se estabiliza la fuente.
- realimentación en las fuentes eléctricas.
8/17/2019 Clase 03 Estocastico
6/50
6
- Control en Avance
y
G(q)
Hw
u
Hff
Perturbación
Proceso
Una forma obvia es
w ff
H H G
= − [1.1]
Si no es estable se puede aproximar a algo estable
Muchas veces es un modelo estático
Se usa en perturbaciones de carga
8/17/2019 Clase 03 Estocastico
7/50
7
- PredicciónLa perturbación no es medible
Se controla en avance con una predicción en base a alguna medición.
No es necesario predecir la perturbación sino el efecto que ella causa en el
proceso.Es importante tener un modelo
8/17/2019 Clase 03 Estocastico
8/50
8
1.3. Modelo de Perturbaciones
Un caso típico de modelización son las perturbaciones que puede tener una planta,ya sea por una imprecisión en la medición, la aparición de una carga o variación propiade la planta.
- Perturbación de carga: carga mecánica de un motor, olas en un barco, etc. Son
generalmente lentas o de bajas frecuencias.
- Error de medición: puede ser un error estático de calibración o con componentesde alta frecuencia muy importantes. Una solución habitual es filtrar esta señalcon el consiguiente retardo de la misma.
- Variación de Parámetros: debidas a una variación del punto de trabajo o aderivas del propio sistema.
El último tipo de perturbación se estudia como un cambio en el modelo de la planta en cambio los dos primeros se pueden modelizar como una dinámica adicionalal sistema original.
8/17/2019 Clase 03 Estocastico
9/50
9
0 5 10 15 20 25 30-0.5
0
0.5
1
1.5
0 5 10 15 20 25 30-0.5
0
0.5
1
1.5
0 5 10 15 20 25 300
5
10
15
20
25
0 20 40 60 80 100-1.5
-1
-0.5
0
0.5
1
1.5
Figura 1-1. Cuatro tipos diferentes de perturbaciones: de corta duración, cargaconstante, deriva y periódica
Estas perturbaciones se podrían pensar como la respuesta impulsional de unsistema Gn
Gn
Gp
Planta
PerturbaciónImpulso
Entrada Salida
Gn Gp
Planta
PerturbaciónImpulso Salida
Figura 1-2. Diagrama de bloques de una perturbación y su efecto sobre la planta
8/17/2019 Clase 03 Estocastico
10/50
10
Las perturbaciones que serán materia de estudio en este trabajo no se podránrepresentar determinísticamente, serán de la forma,
0 5 10 15 20 25 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 5 10 15 20 25 30-1.5
-1
-0.5
0
0.5
1
1.5
Figura 1-3. Perturbaciones de tipo estadístico
Las perturbaciones se pueden estudiar como entrada salida o como variables deestado.
8/17/2019 Clase 03 Estocastico
11/50
11
1.4. Perturbaciones Determísticas a Tramos
Predicción de un Escalón
/ˆkT mT kT kT y y+ = [1.2]
Este predictor tiene un error de predicción ˆkT kT y yε = − en los instantes
( )0, , , 1t T m T = − Predicción de una Rampa
( )( )
( ) ( )
/ 1
1
ˆ
1
kT mT kT kT kT k T
kT k T
y y m y y
m y my
+ −
−
= + − =
= + −
[1.3]
este predictor tiene un error en los instantes , ,t T mT =
Estos dos modelos no son muy adecuados como perturbación.
Las perturbaciones son difíciles de predecir
Una forma de hacerlas más realistas es como en la figura siguiente donde laaparición de las perturbaciones es aleatorio
8/17/2019 Clase 03 Estocastico
12/50
12
8/17/2019 Clase 03 Estocastico
13/50
13
1.4.1. Modelo en Espacio de estado
1k k k
k k
x x v
y Cx
+ = Φ +
= [1.4]
se supone que la salida es escalar y el sistema es observable.
La entrada se supone cero excepto en determinados puntos.
Si se puede medir la salida, se puede predecir el estado mientras la entrada es nula.
El estado se puede calcular en base a la matriz de observabilidad
[ ]1
1 1
T
k n o k n k x W y y
−
− + − +=
[1.5]
La predicción a m pasos será
[ ]1 1/ 1ˆ T m n
k m k o k n k x W y y+ − −
+ − += Φ [1.6]
es una combinación lineal de n valores de la salida o sea
( )* 1/ˆk m k k x P q y−+ = [1.7]
con P polinomio de orden n-1
8/17/2019 Clase 03 Estocastico
14/50
14
Se puede usar una forma recursiva de cálculo
[ ]/ 1/ 1 1/ 1ˆ ˆ ˆk k k k k k k x x K y C x− − − −= Φ + − Φ [1.8]
/ /ˆ ˆm
k m k k k x x+ = Φ [1.9]
8/17/2019 Clase 03 Estocastico
15/50
15
1.4.2. Modelo Entrada-Salida
ya que se puede expresar como un polinomio se hace
( )
( )k k C q
y w A q
= [1.10]
donde w es cero excepto en ciertos instantes espaciados en un número mayor al grado(A+m)
Si se define F y G tal que cumplan
( ) ( ) ( ) ( )1m z C z A z F z G z − = + [1.11]
se puede demostrar que un predictor a m pasos es
( ) ( )/ˆk m k k C q y qG q y+ = [1.12]
8/17/2019 Clase 03 Estocastico
16/50
16
1.5. Perturbaciones estocásticas
Variable aleatoria: magnitud caracterizada estadísticamente.
Proceso estocástico es una variable estocástica que varía en el tiempo.
La variable estadística depende de dos parámetros: la realización y la muestratemporal.
Ejemplo proceso determinístico con valor inicial aleatorio.
Este proceso es llamado proceso estocástico completamente determinístico ya quese puede predecir completamente.
0 5 10 15 20 25 300
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 20 40 60 80 1000
0.5
1
1.5
2
2.5
3
3.5
8/17/2019 Clase 03 Estocastico
17/50
17
- Función de Distribución.
( ) ( ) X x P X x= ≤ [1.13]
) X
X
(- = 0 F
( ) = 1 F
∞
∞ [1.14]
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
8/17/2019 Clase 03 Estocastico
18/50
18
- Función Densidad.
( ) ( ) X
X
dF x f x
dx= [1.15]
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
( ) ( )
2
11 2
x
X x
x X x f x dx≤ ≤ = ∫ [1.16]
- Esperanza.
1 1 1 x
-
( x , ) = ( , ) d = m( ) f k k k ξ ξ ξ
∞
∞∫ [1.17]
( ) = ( E )∑ ∑ [1.18]
8/17/2019 Clase 03 Estocastico
19/50
19
- Momentos
( )b
n n
X a
X x f x dx = ∫ [1.19]
momentos centrados
( ) ( ) ( )bn n
X X X
a
X m x m f x dx − = −
∫ [1.20]
- Varianza
[ ] ( ) ( ) ( )2 22 var
b
X X X X a
X E X m x m f x dxσ = = − = − ∫ [1.21]
- Correlación
[ ] ( ), ,b b
X Y a a
XY xyf x y dxdy= ∫ ∫ [1.22]
ortogonales
[ ] 0 E XY = [1.23]
8/17/2019 Clase 03 Estocastico
20/50
20
- Covarianza
( )( )
( ) ( )
XY Xj Yk j k j k
Xj Yk
(j,k)= cov X Y = E X - Y -m mr
= x - y - f(X,Y, j,k) dx,dym m
∫ ∫ [1.24]
llamando [ ] X m E X = y [ ]Y m E Y = resulta:
XY j k j k Xj Yk (j,k)= cov X Y = E X Y m mr − [1.25]
no correlacionadas
0 XY (j,k)=r [1.26]
Autocorrelación
( )
( )
2
2 2
Xj X j j
Xj
r (j,k)= cov X = E X - m
= x - f(X, j,k) dxm
∫ ∫
[1.27]
8/17/2019 Clase 03 Estocastico
21/50
21
- Densidad Espectral Cruzada
( ) ( )1
2 jk
xy XY
k
r k e ω ω φ π
∞−
=−∞
= ∑ [1.28]
( ) ( ) jk xy xyr k e d π
ω
π φ ω ω
−= ∫ [1.29]
la función
( )2
1
2 xy d ω
ω φ ω ω ∫ [1.30]
es la potencia de la señal en una banda [ ]1 2,ω ω
Si tiene algún pico significa que existe una componente periódica
8/17/2019 Clase 03 Estocastico
22/50
22
0 1000 2000 3000 4000 5000 6000
-15
-10
-5
0
5
10
15
5000 6000 7000 8000 9000 10000
-6
-4
-2
0
2
4
6
8
10
12x 10
4
100
101
102
103
104
10-2
100
102
104
106
108
.99,
0 1000 2000 3000 4000 5000 6000-1.5
-1
-0.5
0
0.5
1
1.5
5000 6000 7000 8000 9000 10000-6
-4
-2
0
2
4
6
8
10
12x 10
4
100
101
102
103
104
10-1
100
101
102
103
104
105
.3
8/17/2019 Clase 03 Estocastico
23/50
23
1.6. Procesos Especiales
1.6.1. Procesos Estocástico Discreto
Son procesos en donde la aleatoriedad interviene en algunos instantes de tiempo
0 5 10 15 20-1.5
-1
-0.5
0
0.5
1
1.5
0 5 10 15 200
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.6.2. Procesos Estacionario
Un proceso aleatorio ( ) X t se dice estacionario, si ( ) ( ) X t x es independiente de t
y por lo tanto:
( ) X X m t m t = ∀ [1.31]
Para un proceso estacionario, la función de autocorrelación depende sólo de ladiferencia 1t - 2t , es decir:
( ) ( )1 2 1 2 1 2, , X X t t R t t t t = − ∀ [1.32]
8/17/2019 Clase 03 Estocastico
24/50
24
Si los procesos aleatorios ( )t e ( )Y t son cada uno estacionarios y además son
conjuntamente estacionarios, entonces la matriz de correlación puede escribirse como:
( ) ( ) ( )
( ) ( ) X XY
YX Y
R R R
R R
τ τ τ
τ τ
=
[1.33]
donde 1 2t t τ = − aquí las propiedades estadísticas no dependen del tiempo en sí sino de la distancia
entre muestras temporales.
- Propiedades
i.
( ) ( )
( ) ( )
T
XY YX
T
X X
R R
R R
τ τ
τ τ
= −
= − [1.34]
ii. ( )0 0 X R ≥ [1.35]
iii. ( ) ( ) ( )2 0 0 XY X Y R R Rτ ≤ [1.36]
iv. ( ) ( )0 X X R Rτ ≤ [1.37]
8/17/2019 Clase 03 Estocastico
25/50
25
1.6.3. Procesos Independientes
Se debe cumplir que para todo instante de tiempo,
[ ] [ ]1 1 2 21
( ) , ( ) ( ) ( )n
n n i i i
i
P X t x X t x X t x P X t x=
≤ ≤ ≤ = ≤∏ [1.38]
se podría expresar en función de la densidad o distribución.
Si se trata de dos procesos X e Y se dice que son independientes si
[ ]
[ ] [ ]
1 1 1 1
1 1 1 1
( ) , , ( ) , ( ) , , ( )
( ) , , ( ) ( ) , , ( )
n n n n
n n n n
P X t x X t x Y t y Y t y
X t x X t x P Y t y Y t y
≤ ≤ ≤ ≤ =
= ≤ ≤ ≤ ≤
[1.39]
1.6.4. Procesos Incorrelados
Un proceso es incorrelado consigo mismo cuando
[ ] [ ]( , ) ( ) ( ) ,T
X t E X t E X t t τ τ = ∀ [1.40]
Un proceso independiente es incorrelado. No siempre ocurre al revés.Dos procesos son incorrelados si
[ ] [ ]( , ) ( ) ( ) ,T
XY t E X t E Y t t τ τ = ∀ [1.41]
8/17/2019 Clase 03 Estocastico
26/50
26
1.6.5. Proceso Blanco
Si un proceso tiene una distribución Gaussiana, es estacionario e independiente sedenomina proceso blanco
k x es totalmente independiente de j x ∀ k ≠ j
,k x
δ
secuencia de elementos independientes
La media es nula
covarianza
2
2
= 0
r( ) = 0 0
( ) =2
τ σ
τ τ
σ φ ω ω
π
∀ ≠
∀
[1.42]
La mayoría de los procesos estacionarios pueden generarse a partir del filtrado del
ruido blanco. Es como el impulso de los sistemas deterministas.
8/17/2019 Clase 03 Estocastico
27/50
27
1.6.6. Procesos Estocásticos Ergódicos
Para un proceso estocástico es posible calcular la media temporal de cadarealización como sigue:
( ) ( )1
2
T
X T
m T x t dt T −
= ∫ [1.43]
Esta media es obviamente una variable aleatoria que depende del intervalo deobservación T t T − ≤ ≤ .
Si se calcula la correlación promediada temporalmente, para cada realización,
1
( ) lim ( ) ( )2
T
T T x t x t dt T τ τ →∞ −= +∫
[1.44]
que constituye un proceso estocástico.
Sería de mucha utilidad que la media temporal coincida con la media del procesoestudiado así como su correlación. De este modo bastaría con conocer una solarealización para conocer todo el proceso.
8/17/2019 Clase 03 Estocastico
28/50
28
Un proceso aleatorio se dice ergódico si se verifican las siguientes condiciones:
i. ( )lím X X T
m T m→∞
=
ii. ( )lim var 0 X T
m T →∞
=
iii. ( ) ( )lím , X X T
R T Rτ τ →∞
=
iv. ( )lím var , 0 X T
R T τ →∞
=
En este caso se puede substituir el cálculo de la esperanza por la integral1
lim ( )2
T
T T x t dt T →∞
−∫
8/17/2019 Clase 03 Estocastico
29/50
29
1.6.7. Proceso de Wiener
Se dice que un proceso x es un proceso de Wiener si el proceso ( ) ( ) z x t x τ = − esen realidad una variable aleatoria independiente. Además se debe cumplir que
i. [ ( )] 0 x t =
ii. (0) 0 x = iii. la varianza de z es proporcional a la diferencia de triempos:
( ) 2( ) ( ) ( ) ( ) R z R x t x t τ σ τ = − = −
8/17/2019 Clase 03 Estocastico
30/50
30
1.6.8. Proceso de Markov
Un proceso estocástico se dice de Markov de primer orden si la probabilidadcondicionada de un elemento solo depende de su valor anterior es decir
1 2 1[ | , ........] [ | ]k k k k k p x x x p x x− − −= [1.45]
o sea1k k k x ax fv+ = + [1.46]
el valor futuro de x solo depende de su valor actual y de v.
Si v es ruido blanco genera una proceso de Markov.
Si x depende de valores anteriores se puede hacer lo siguiente
1 1 1
2 1 21 2
0 1 0k k k
k k
x xv
x xa a f
+
+
= +
[1.47]
lo que matricialmente resulta1k k k x Ax Fv+ = + [1.48]
8/17/2019 Clase 03 Estocastico
31/50
31
1.7. Modelo ARMA
Una perturbación estocástica se puede modelar como generada por ruido blanco
1 1 1 1k k n k n k k n k n y a y a y e c e c e− − − −+ + + = + + + [1.49]
8/17/2019 Clase 03 Estocastico
32/50
32
1.8. Modelo en Variables de Estado
sea el sistema
1k k k x x v+ = Φ + [1.50]
con 1k k k x x v+ = Φ + [1.51]
con v ruido blanco. Su valor medio es1k k m m+ = Φ [1.52]
y la covarianza
( ) ( ),r k k P k τ τ + = Φ [1.53]
con
( ) ( )cov k k k x x= [1.54]
y dada por la siguiente fórmula
( ) ( ) 11 T k P k R+ = Φ Φ + [1.55]
Nota 1: Si v es Gaussiana, el proceso estocástico queda definido por su media y sucovarianza
8/17/2019 Clase 03 Estocastico
33/50
33
Nota 2: si el sistema tiene una salida
ym Cm= [1.56]
T
yy xxr Cr C = [1.57]
y la covarianza cruzada
yx xxr Cr = [1.58]
Nota 3: la ecuación [1.55] parece una función de Lyapunov
Nota 4: la covarianza P representa la incertidumbre en el estado.( ) T P k Φ Φ representa la propagación debida a la dinámica y 1 es la covarianza del
ruido.
8/17/2019 Clase 03 Estocastico
34/50
34
Ejemplo 1. Sistema de Primer Orden
1k k k x ax v+ = + [1.59]
1r cov de v. 0r cov inicial de x.
{ }k k m E x= [1.60]
1k k m am+ = [1.61]
0
0k k
k m a m−= [1.62]
21 1k k a P r + = + [1.63]
( ) ( )00 220 12
11
k k k k
k
aa r r a
−− −= +−
[1.64]
( ) ( ), l k xr l k a P k l k −= ≥ [1.65]
( ) ( ), k l
x
r l k a P l l k −= < [1.66]
si 1a < y 0k → −∞entonces
0k m → [1.67]
8/17/2019 Clase 03 Estocastico
35/50
35
12
1k
r P
a
→
−
[1.68]
( ) 1 2, 1 xr a
r k k a
τ
τ + →−
[1.69]
se convierte en estacionario ya que m es constante y la covarianza solo depende de
la distancia entre muestras.Si el filtro tuviese ganancia unitaria
12
1
1k a
r a
−→
− [1.70]
en la figura se ve cómo varía la varianza en función de a .
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0.5
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
Si se introduce una salida de la forma
8/17/2019 Clase 03 Estocastico
36/50
36
k k k y x e= + [1.71]
siendo 2r cov de e, resulta:
( )
12 2
1 2
01
01
y
r r
ar
r a
a
τ
τ
τ
τ
+ = −
=
≠ −
[1.72]
y el espectro
( ) ( )( )
1 1
2 2 2
1 1
2 2 1 2 cos y j j
r r r r
a ae a e aω ω ω φ
π π ω −
= + = +
+ −− −
[1.73]
8/17/2019 Clase 03 Estocastico
37/50
37
1.9. Modelo de Entrada Salida
0
k
k k n n n k n
n n
y g u g u∞
− −=−∞ =
= =∑ ∑ [1.74]
( ) { } { }
( )
0 0
0
y k n k n n k n
n n
n u
n
m k E y E g u g E u
g m k n
∞ ∞
− −
= =∞
=
= = =
= −
∑ ∑
∑ [1.75]
( ) ( )0
k y n k n u
n
y m k g u m k n∞
−
=
− = − − ∑ [1.76]
el valor medio de la entrada se propaga a la salida
Se puede considerar, por simplicidad, nulo.
8/17/2019 Clase 03 Estocastico
38/50
38
( ) { } { }
( )
0 0 0 0
0 0
T T T
y k k n k n l k l n k n k l l n l n l
T
n u l
n l
r E y y E g u g u g E u u g
g r l n g
τ τ τ τ
τ
∞ ∞ ∞ ∞
+ + − − + − −= = = =
∞ ∞
= =
= = = =
= + −
∑ ∑ ∑∑∑∑
[1.77]
( ) { } { }
( )
0 0
0
T T T yu k k n k n k n k n k
n n
n u
n
r E y u E g u u g E u u
g r n
τ τ τ τ
τ
∞ ∞
+ + − + −= =
∞
=
= = = =
= −
∑ ∑
∑ [1.78]
( ) ( ) ( )12
jn
y yy y
n
r n e ω φ ω φ ω π
∞−
=−∞
= = ∑ [1.79]
8/17/2019 Clase 03 Estocastico
39/50
39
( ) ( )
( ) ( )
( )
( )
0 0
0 0
0 0
1
21
2
1
2
jn T
y k u l
n k l
j n l k jk jl T
k u l
k n l
j n l k jk jl T
k u l k n l
e g r n l k g
e g e r n l k e g
e g e r n l k e h
ω
ω ω ω
ω ω ω
φ ω π
π
π
∞ ∞ ∞−
=−∞ = =
∞ ∞ ∞− + −−
= =−∞ =
∞ ∞ ∞− + −−
= =−∞ =
= + −
= + −
= + −
∑ ∑∑
∑ ∑ ∑
∑ ∑ ∑
[1.80]
introduciendo la respuesta impulsional
( )0
n
n
n
G z z g ∞
−
=
= ∑ [1.81]
( ) ( ) ( ) ( ) j T j y uG e G eω ω φ ω φ ω −= [1.82]
de igual modo
8/17/2019 Clase 03 Estocastico
40/50
40
( ) ( )
( )
( )( ) ( )
0
0
1
21
2
1
2
jn
yu yu
n
jn
k u
n k
jk jn
k uk n
j
u
e r n
e g r n k
e g e r n
G e
ω
ω
ω ω
ω
φ ω π
π
π
φ ω
∞−
=−∞
∞ ∞−
=−∞ =
∞ ∞− −
= =−∞
=
= −
=
=
∑
∑ ∑
∑ ∑
[1.83]
Filtrado de Procesos Estacionarios
Sea la entrada estacionaria.Si el sistema es estable, la salida también es estacionaria con valor medio
( )1 y um H m= [1.84]
espectro
( ) ( ) ( ) ( ) j T j y u H e H eω ω φ ω φ ω −= [1.85]
y espectro cruzado
8/17/2019 Clase 03 Estocastico
41/50
41
( ) ( ) ( ) j yu u H e ω φ ω φ ω = [1.86]
Nota 1: el valor ( ) j H e ω es la amplitud de la respuesta a un seno de frecuencia ω .El valor de la densidad espectral de la salida es el producto de la ganancia en potencia
( )2
j H e ω y la densidad espectral de la entrada ( )uφ ω .
Nota 2: Según [1.86], la densidad espectral cruzada es igual a la respuesta enfrecuencia cuando la entrada es ruido blanco.
8/17/2019 Clase 03 Estocastico
42/50
42
Ejemplo 2. Espectro de un sistema de Primer Orden
sea el sistema
( ) ( )
( )
1 X z H z
U z z a= =
− [1.87]
excitado por ruido blanco con densidad espectral
( ) 12ur
φ ω π
= [1.88]
( ) ( ) ( )
( )( )
( )
1
1
12
21
2
1
2 1 2 cos
j T j
x
j j
r H e H e
r
e a e a
r
a a
ω ω
ω ω
φ ω
π
π
π ω
−
−
=
=− −
=
+ −
[1.89]
si la salida es
k k k y x e= + [1.90]
8/17/2019 Clase 03 Estocastico
43/50
43
el espectro será
( )( )
12 2
1
2 1 2 cos y
r r
a aφ ω
π ω
= +
+ − [1.91]
comparar con ejemplo anterior
8/17/2019 Clase 03 Estocastico
44/50
44
1.10. Factorización Espectral
Se verá cómo una señal puede ser generada a partir del ruido blanco.
En general ( ) j H e ω es racional y su densidad espectral también lo será.
Haciendo j z e ω = la función siguiente resulta
( ) ( ) ( ) ( ) ( )1 j T j T H e H e F z H z H z ω ω − −= = [1.92]
Los ceros y los polos de F son simétricos con respecto al círculo unidad.
Plano Z
Im
Re
Es posible encontrar un H con todos sus polos estables.
8/17/2019 Clase 03 Estocastico
45/50
45
Ejemplo 3. Factorización Espectral
Dado una densidad espectral racional ( )φ ω , existe un sistema lineal con funciónde transferencia
( ) ( )
( )
B z H z
A z = [1.93]
tal que, su respuesta al ruido blanco es un proceso estacionario con densidadespectral ( )φ ω .
Las raíces de ( ) z están dentro del círculo unidad y las de ( ) z están dentro o
sobre el círculo unidad. Nota 1: todo proceso estacionario puede ser pensado como un sistema lineal
estable excitado con ruido blanco (un proceso ARMA).
Nota 2: lo que se hace en la práctica es encontrar ( )φ ω y luego buscar el sistema
que lo representa de acuerdo al teorema. Nota 3: generalmente se asume que ( ) B z `tiene sus raíces dentro del círculo
unidad para que su inversa sea estable.
8/17/2019 Clase 03 Estocastico
46/50
46
Sistema de Primer Orden
( )( )( )
( ) ( )( )( )
2 11 2 21
2 1 1
11 1
2 2 j
y
z e z e
r r a r a z z r r
z a z a z a z aω ω
φ ω π π
−
− −
= =
+ + − += + =
− − − −
[1.94]
hay que factorizar el numerador
( )( ) ( ) ( )2 1 2 11 2 21 z b z b r r a r a z z λ − −− − = + + − + [1.95]
igualando por potencias
( ) ( )0 2 2 21 21 2
2
1 1 z b r r a
z b r a
λ
λ
+ = + +
=
[1.96]
despejando resulta una raíz en
( ) ( ) ( )2 221 2 1 2 1 2
2
1 1 1
2
r r a r r a r r ab
r a
+ + − + + + −
= [1.97]
la otra raíz es espejo de esta y está fuera del círculo unidad.
La variable λ resulta
8/17/2019 Clase 03 Estocastico
47/50
47
( ) ( ) ( )2 22 21 2 1 2 1 21
1 1 1
2
r r a r r a r r aλ = + + + + + + −
[1.98]
1.11. Innovación
De lo visto anteriormente un proceso estocástico estacionario puede representarsecomo
k
k k n n
n
y h e−=−∞
= ∑ [1.99]
con e ruido blanco.
Como H es racional y con inversa estable, se puede escribir lo contrariok
k k n n
n
e g y−=−∞
= ∑ [1.100]
reemplazando,
8/17/2019 Clase 03 Estocastico
48/50
48
1
1 1
1 0 1
1 0 1
k
k k n n
n
k
k n n k
n
k k
k n n l l k
n l
y h e
h e h e
h g y h e
+
+ + −
=−∞
+ − +=−∞
+ − − +=−∞ =−∞
=
= +
= +
∑
∑
∑ ∑
[1.101]
la salida y tiene dos términos, uno que depende de sus valores anteriores y otro
0 1k h e + que contiene información nueva, no contenida en el pasado.
El proceso estocástico { }k e se denomina innovación del proceso { }k y
El término
1
k k
k n n l l
n l
h g y+ − −=−∞ =−∞∑ ∑ [1.102]
es la mejor estimación cuadrática media de la salida 1k y + (se verá más adelante)
8/17/2019 Clase 03 Estocastico
49/50
49
Sistema de Primer Orden
( )( )
12 2
1
2 1 2 cos y
r r
a aφ ω
π ω
= +
+ −
[1.103]
( )
( )( )( )( )
12
12 y
z b z b
z a z a
λ
φ ω π
−
−
− −
= − − [1.104]
este proceso puede ser generado filtrando ruido blanco con
( ) z b
H z
z a
−=
−
[1.105]
la relación entrada salida es
1 1k k k k y ay e be+ += + − [1.106]
donde e es ruido blanco con varianza 2λ
8/17/2019 Clase 03 Estocastico
50/50
50
1.12. Referencias
1. Åström, Karl J.: Computer Controlled Systems. Theory and Design, Prentice Hall – 1984
2. Haykin, Simon: Communication Systems, John Wiley & Sons, Inc., New York. -1994
3. Papoulis