Mapa mental
1.4 ANÁLISIS DE DATOS ALEATORIOS

Contenido del mapa
1.4 ANÁLISIS DE DATOS ALEATORIOS
El análisis de datos aleatorios implica consideraciones diferentes a los datos deterministas. Dado que no se puede escribir una ecuación matemática explícita para las historias temporales producidas por un fenómeno aleatorio, se requiere un enfoque estadístico para definir las propiedades descriptivas de los datos.
- A pesar de ello, existen relaciones de entrada/salida bien definidas para los datos aleatorios, cruciales en diversas aplicaciones.
- SIN EMBARGO
- En tales aplicaciones, es fundamental comprender y controlar los errores estadísticos asociados a las propiedades de los datos calculados y a las relaciones de entrada/salida.
- SIN EMBARGO
- A pesar de ello, existen relaciones de entrada/salida bien definidas para los datos aleatorios, cruciales en diversas aplicaciones.
1.4.1 Propiedades descriptivas básicas
- Las propiedades estadísticas básicas de importancia para describir registros aleatorios estacionarios únicos aleatorios son:
- 1. La media y los valores cuadráticos medios.
- 2. Funciones de densidad de probabilidad.
- 3. Funciones de autocorrelación.
- 4. Funciones de densidad autoespectral.
- En concreto, la función de densidad autoespectral de salida de la Figura 1.17 se descompone para mostrar qué parte de este espectro de salida en cualquier frecuencia se debe a cualquier entrada condicionada a otras entradas en un orden prescrito.
- 4. Funciones de densidad autoespectral.
- 3. Funciones de autocorrelación.
- 2. Funciones de densidad de probabilidad.
- 1. La media y los valores cuadráticos medios.
- En la Figura 1.11 se muestran cuatro historias temporales típicas de una onda sinusoidal, una onda sinusoidal más ruido aleatorio, un ruido aleatorio de banda estrecha y un ruido aleatorio de banda ancha.
- Figura 1.11 Cuatro historias temporales especiales. (a) Onda sinusoidal. (b) Onda sinusoidal más ruido aleatorio. (c) Ruido banda estrecha. (d) Ruido aleatorio de banda ancha.
- Las tres primeras funciones miden propiedades fundamentales compartidas por el par de registros en los dominios de la amplitud, el tiempo o la frecuencia.
- A partir del conocimiento de la función de densidad espectral cruzada entre el par de registros, así como de sus funciones de densidad autoespectral individuales, se pueden calcular funciones lineales teóricas de respuesta en frecuencia (factores de ganancia y factores de fase) entre los dos registros.
- En este caso, los dos registros se tratan como un problema de una sola entrada y una sola salida.
- Las aplicaciones típicas de las funciones de densidad espectral incluyen:
- 1. Determinación de las propiedades del sistema a partir de los datos de entrada y salida.
- 2. Predicción de datos de salida a partir de datos de entrada y propiedades del sistema.
- 3. Identificación de los datos de entrada a partir de los datos de salida y las propiedades del sistema.
- 4. Especificaciones de datos dinámicos para programas de prueba.
- 5. Identificación de las fuentes de energía y ruido.
- 6. Predicción lineal y filtrado óptimos.
- 5. Identificación de las fuentes de energía y ruido.
- 4. Especificaciones de datos dinámicos para programas de prueba.
- 3. Identificación de los datos de entrada a partir de los datos de salida y las propiedades del sistema.
- 2. Predicción de datos de salida a partir de datos de entrada y propiedades del sistema.
- 1. Determinación de las propiedades del sistema a partir de los datos de entrada y salida.
- A partir del conocimiento de la función de densidad espectral cruzada entre el par de registros, así como de sus funciones de densidad autoespectral individuales, se pueden calcular funciones lineales teóricas de respuesta en frecuencia (factores de ganancia y factores de fase) entre los dos registros.
- Las tres primeras funciones miden propiedades fundamentales compartidas por el par de registros en los dominios de la amplitud, el tiempo o la frecuencia.
- Para pares de registros aleatorios de dos procesos aleatorios estacionarios diferentes, las propiedades estadísticas conjuntas de importancia son:
- 1. Las funciones de densidad de probabilidad conjuntas.
- 2. Funciones de correlación cruzada.
- 3. Funciones de densidad espectral cruzada.
- 4. Funciones de respuesta en frecuencia.
- 5. Funciones de coherencia.
- La función de coherencia es una medida de la precisión del modelo lineal de entrada/salida supuesto y también puede calcularse a partir de las funciones de densidad autoespectral y de densidad espectral cruzada medidas.
- Figura 1.11 Cuatro historias temporales especiales. (a) Onda sinusoidal. (b) Onda sinusoidal más ruido aleatorio. (c) Ruido banda estrecha. (d) Ruido aleatorio de banda ancha.
- Los gráficos teóricos de sus funciones de densidad de probabilidad, funciones de autocorrelación y funciones de densidad autoespectral se muestran en las figuras 1.12, 1.13 y 1.14, respectivamente.
- Figura 1.12 Gráficos de función de densidad de probabilidad. (a) Onda sinusoidal. (b) Onda sinusoidal más ruido aleatorio. (c) Ruido aleatorio de banda estrecha. (d) Ruido aleatorio de banda ancha.
- Figura 1.13 Gráficos de la función de autocorrelación. (a) Onda sinusoidal. (b) Onda sinusoidal más ruido aleatorio. (c) Ruido aleatorio de banda estrecha. (d) Ruido aleatorio de banda ancha.
- Figura 1.14 Gráficos de función de densidad autoespectral. (a) Onda sinusoidal. (b) Onda sinusoidal más ruido aleatorio. (c) Ruido aleatorio de banda estrecha. (d) Ruido aleatorio de banda ancha.
- Las aplicaciones comunes de las funciones de densidad y distribución de probabilidad, más allá de una descripción probabilística básica de los valores de los datos, incluyen:
- 1. Evaluación de la normalidad.
- 2. Detección de errores en la adquisición de datos.
- 3. Indicación de efectos no lineales.
- 4. Análisis de valores extremos.
- 3. Indicación de efectos no lineales.
- 2. Detección de errores en la adquisición de datos.
- 1. Evaluación de la normalidad.
- Las principales aplicaciones de las mediciones de correlación incluyen :
- 1. Detección de periodicidades.
- 2. Predicción de señales en ruido.
- 3. Medición de retardos temporales.
- 4. Localización de fuentes perturbadoras.
- 5. Identificación de trayectorias y velocidades de propagación.
- 4. Localización de fuentes perturbadoras.
- 3. Medición de retardos temporales.
- 2. Predicción de señales en ruido.
- 1. Detección de periodicidades.
- Las propiedades estadísticas básicas de importancia para describir registros aleatorios estacionarios únicos aleatorios son:
1.4.2 Relaciones entrada/salida
- Los casos de entrada/salida de interés común pueden considerarse normalmente combinaciones de uno o varios de los siguientes modelos de sistemas lineales:
- 1. Modelo de entrada/salida única.
- 2. Modelo de entrada única/salida múltiple.
- 3. Modelo de entrada múltiple/simple salida.
- 4. Modelo de múltiples entradas y múltiples salidas.
- Requieren la definición y la interpretación adecuada de funciones de coherencia múltiple y funciones de coherencia parcial.
- Estas situaciones generales pueden considerarse combinaciones de un conjunto de modelos de entradas múltiples/salidas únicas para un conjunto dado de entradas estacionarias y para diferentes sistemas lineales de parámetros constantes, como se muestra en la figura 1.17.
- Figura 1.17 Sistema de múltiples entradas/simple salida con ruido de salida.
- Estas situaciones generales pueden considerarse combinaciones de un conjunto de modelos de entradas múltiples/salidas únicas para un conjunto dado de entradas estacionarias y para diferentes sistemas lineales de parámetros constantes, como se muestra en la figura 1.17.
- Requieren la definición y la interpretación adecuada de funciones de coherencia múltiple y funciones de coherencia parcial.
- 4. Modelo de múltiples entradas y múltiples salidas.
- La figura 1.16 muestra un modelo de entrada única/salida múltiple que es una extensión simple de la figura 1.15.
- Donde una entrada x(t) produce muchas salidas yi(t), i = 1, 2, 3,..... Toda salida yi(t) es el resultado del paso de x(t) por un sistema lineal de parámetro constante descrito por la función de respuesta en frecuencia Hxi(f). función de respuesta en frecuencia Hxi(f).
- Figura 1.16 Sistema de una entrada/múltiple salida con ruido de salida.
- Donde una entrada x(t) produce muchas salidas yi(t), i = 1, 2, 3,..... Toda salida yi(t) es el resultado del paso de x(t) por un sistema lineal de parámetro constante descrito por la función de respuesta en frecuencia Hxi(f). función de respuesta en frecuencia Hxi(f).
- 3. Modelo de entrada múltiple/simple salida.
- En la figura 1.15 se muestra un modelo sencillo de una entrada y una salida.
- Aquí, x(t) e y (t) son los registros aleatorios estacionarios de entrada y salida medidos, y n(t) es el ruido de salida extraño no medido. La cantidad Hxy(f) es la función de respuesta en frecuencia de un sistema lineal de parámetro constante entre x(t) e y(t).
- Figura 1.15 Sistema de una entrada y una salida con ruido de salida.
- Aquí, x(t) e y (t) son los registros aleatorios estacionarios de entrada y salida medidos, y n(t) es el ruido de salida extraño no medido. La cantidad Hxy(f) es la función de respuesta en frecuencia de un sistema lineal de parámetro constante entre x(t) e y(t).
- Para un modelo bien definido de una sola entrada y una sola salida en el que los datos son estacionarios, el sistema es lineal y tiene parámetros constantes, y no hay ruido extraño ni en el punto de entrada ni en el de salida, la función de coherencia ordinaria será idénticamente unitaria para todas las frecuencias.
- Cualquier desviación de estas condiciones ideales hará que la función de coherencia sea inferior a la unidad.
- EN LA PRÁCTICA
- Las funciones de coherencia medidas serán a menudo inferiores a la unidad y son importantes para determinar la confianza estadística en las mediciones de la función de respuesta en frecuencia.
- 2. Modelo de entrada única/salida múltiple.
- En todos los casos, puede haber uno o más caminos de transmisión paralelos con diferentes retardos de tiempo entre cada punto de entrada y punto de salida. En los casos de entradas múltiples, las distintas entradas pueden estar o no correlacionadas entre sí.
- 1. Modelo de entrada/salida única.
- Los casos de entrada/salida de interés común pueden considerarse normalmente combinaciones de uno o varios de los siguientes modelos de sistemas lineales:
1.4.3 Criterios de análisis de errores
- Sea un símbolo de sombrero (^) sobre una cantidad f, es decir, f^, una estimación de esta cantidad. La cantidad f^ será una estimación de f basada en un intervalo de tiempo finito o en un número finito de puntos de muestreo.
- Conceptualmente, supongamos que f^ puede estimarse muchas veces repitiendo un experimento o algún programa de medida. Entonces, el valor esperado de f^, denotado por E[f^], es algo que se puede estimar. Por ejemplo, si un experimento se repite muchas veces para resultados f^i, i = 1, 2, ..., N, entonces:
- Este valor esperado puede o no ser igual al valor real f. Si lo es, se dice que la estimación f^ es insesgada.
- EN CASO CONTRARIO
- Se dice que está sesgada. El sesgo de la estimación, denominado b[f^], es igual al valor esperado de la estimación menos el valor real, es decir:
- Conceptualmente, supongamos que f^ puede estimarse muchas veces repitiendo un experimento o algún programa de medida. Entonces, el valor esperado de f^, denotado por E[f^], es algo que se puede estimar. Por ejemplo, si un experimento se repite muchas veces para resultados f^i, i = 1, 2, ..., N, entonces:
- La figura 1.18 ilustra el significado del error de sesgo (sistemático) y del error de varianza (aleatorio) para el caso de probar dos pistolas para una posible compra disparando cada una de ellas a un blanco.
- En la figura 1.18(a), la pistola A tiene un error de sesgo grande y un error de varianza pequeño.
- En la figura 1.18(b), la pistola B tiene un error de sesgo pequeño pero un error de varianza grande.
- Como se muestra, la pistola A nunca dará en el blanco, mientras que la pistola B lo hará ocasionalmente.
- SIN EMBARGO
- La mayoría de la gente preferiría comprar la pistola A porque el error de sesgo puede eliminarse (suponiendo que uno sepa que está presente) ajustando las miras de la pistola, pero el error aleatorio no puede eliminarse. Por lo tanto, el arma A ofrece la posibilidad de un error cuadrático medio menor.
- SIN EMBARGO
- Una última cantidad importante es el error rms normalizado de la estimación, denotado por e[f^].
- Este error es una cantidad adimensional igual a la raíz cuadrada del error cuadrático medio dividido por el valor real (que se supone, por supuesto, diferente de cero).
- SIMBÓLICAMENTE
- EN LA PRÁCTICA
- Hay que intentar que el error rms normalizado sea lo más pequeño posible. Esto ayudará a garantizar que una estimación arbitraria f^ se aproxime al verdadero valor f.
- EN LA PRÁCTICA
- SIMBÓLICAMENTE
- Este error es una cantidad adimensional igual a la raíz cuadrada del error cuadrático medio dividido por el valor real (que se supone, por supuesto, diferente de cero).
- Sea un símbolo de sombrero (^) sobre una cantidad f, es decir, f^, una estimación de esta cantidad. La cantidad f^ será una estimación de f basada en un intervalo de tiempo finito o en un número finito de puntos de muestreo.
1.4.4 Procedimientos de análisis de datos
- Problemas de adquisición de datos, incluida la recogida, el almacenamiento, la conversión y la cualificación de los datos. Se describen los pasos generales para el análisis adecuado de datos de registros individuales y múltiples, según sea necesario para diferentes aplicaciones.
- Las técnicas de análisis de datos digitales incluyen procedimientos computacionales para realizar la eliminación de tendencias, el filtrado digital, las series de Fourier y las transformadas rápidas de Fourier en datos de series temporales discretas que representan registros de muestras de datos aleatorios estacionarios (ergódicos).
- Se desarrollan fórmulas digitales para calcular estimaciones de funciones de densidad de probabilidad, funciones de correlación y funciones de densidad espectral para registros individuales y para registros conjuntos asociados.
- Las técnicas de análisis de datos digitales incluyen procedimientos computacionales para realizar la eliminación de tendencias, el filtrado digital, las series de Fourier y las transformadas rápidas de Fourier en datos de series temporales discretas que representan registros de muestras de datos aleatorios estacionarios (ergódicos).
- Problemas de adquisición de datos, incluida la recogida, el almacenamiento, la conversión y la cualificación de los datos. Se describen los pasos generales para el análisis adecuado de datos de registros individuales y múltiples, según sea necesario para diferentes aplicaciones.
Imágenes y archivos del mapa
Información
- Descripción
- Ingeniería Mapa Mental sobre 1.4 ANÁLISIS DE DATOS ALEATORIOS, creado por AIXA NATHALI LOPEZ SILVA el 12/05/2024.
- Creado por
- AIXA NATHALI LOPEZ SILVA
- Visitas
- 0
- Valoración








