SISTEMAS LINEALES CON PERTURBACIONES ESTOCASTICAS
El motivo principal de la exposición de los conceptos establecidos
en los párrafos precedentes es poder analizar un sistema
lineal sometido a perturbaciones estocásticas. Nuestro
interés se centrará en la búsqueda de ecuaciones
deterministas de los parámetros estadísticos asociados
a las variables estocásticas del sistema.
Cuando un sistema lineal es excitado con señales de naturaleza
estocástica, su función de transferencia puede
calcularse determinando las funciones de autocorrelación
de la entrada y la de correlación cruzada entre la entrada
y la salida. Para el caso de un sistema multivariable excitado
por una señal estocástica de la forma:
\( v^T = (v_1, v_2 , ... , v_s)\)
todas las posibles funciones de correlación de las variables
que constituyen v como la correspondiente a dos variables \( v_i(t)
\; y \; v_j(t) \) se definen por :
\( E[v_i(t) \; v_j(t)] = \sigma^2\qquad\qquad (62) \)
que es la llamada matriz de covarianzas.
Si las funciones temporales que componen v son estadísticamente
independientes la matriz anterior será diagonal.
Podemos examinar como se comportan los sistemas lineales multivariables
influenciados por señales estocásticas. Para ello
consideremos el sistema lineal definido por:
\( x(n+1) = A·x(n) + B·w(n)\qquad\qquad (63) \)
donde A es una matriz de transición nxn , B es una matriz
nxm, x(n) es el vector de estado n-dimensional, y w(n) es un vector
m-dimensional aleatorio que supondremos de media nula y covarianza
Q.
Si suponemos que el estado inicial, x(1) y la secuencia de entrada
son estadísticas ticamente independientes :
\( E[x(1)\quad w^T(n)] = 0\qquad\qquad (64) \)
podemos obtener la ecuación de evolución de la matriz
de covarianza del sistema, definida como :
\( E[x(n)\quad x^T(n)] = X(n) \)
Para ello transponemos la ecuación (63):
\(x^T(n+1) = x^T(n)·A^T + w^T(n)·B^T\qquad\qquad
(65) \)
Y multiplicando esta ecuación por la izquierda con (63):
\( \begin{array}{l}
x(n+1)·x^T(n+1) =\\\\= A·x(n)·x^T(n)·A^T
+ B·w(n)·w^T(n)·B^T + \\ \\
+ B·w(n)·x^T(n)·A^T + A·x(n)·w^T(n)·B^T\quad
(66)
\end{array} \)
Tomando valores esperados en la ecuación (66) resulta:
\( X(n+1) = A·X(n)·A^T + B·Q·B^T\qquad\qquad
(67)\)
Ya que hemos supuesto el vector de entrada y el estado del sistema
son estadísticamente independientes.
La expresión (67) se conoce como "la ecuación
de covarianza lineal" y puede ser resuelta recursivamente
si se conoce la covarianza de las condiciones iniciales.