Proc Est - ParteII

DECOM-FEEC-UNICAMP IE-509 Processos Estocsticos para Engenharia
PARTE II
PROBABILIDADE E PROCESSOS ALEATRIOS
1. Introduo
Termo Aleatrio: usado para descrever variaes errticas e imprevisveis
de um sinal observado.
Sinais em sistemas de comunicaes aleatrios
Sinal recebido :
componente de informao (ex.: sinal de voz)
componente de interferncia aleatria (ex.: ondas eletromagnticas
de outros sistemas de comunicaes)
rudo recebido (ex.: rudo trmico)
Caractersticas estatsticas de sinais aleatrios Teoria da Probabilidade
2. Teoria da Probabilidade
Experimento Aleatrio:
o experimento pode ser repetido sob condies idnticas,
o resultado sempre imprevisvel,
para um grande nmero de ensaios, os resultados exibem um padro
mdio, isto , uma regularidade estatstica.
Exemplo: Jogar uma moeda no polarizada
Resultados possveis: cara ou coroa
Freqncia Relativa
Evento A:um dos possveis resultados de um experimento aleatrio
n
a
nmero de vezes que o evento A ocorre em n experimentos
freqncia relativa do evento A =
Regularidade estatstica: se para qualquer seqncia de n ensaios, a
freqncia relativa n
a
/n converge para um mesmo limite quando n se torna
grande.
Probabilidade do evento A ocorrer:
n
n
a
( )
|
\
|
=

n
n
A P
a
n
lim
Axiomas da Probabilidade:
Experimento Espao
Resultados Pontos
Cada resultado associamos a um ponto amostra s
k
.
Todos os pontos amostra formam o espao amostral S.
Evento: um ponto amostra ou um conjunto de pontos amostra.
s
1
s
2
s
3
s
n
s
4
Espao Amostral
Evento
Ponto amostra
Exemplo: Jogar um dado
1 2 3 4 5 6
espao amostral unidimensional
Espao amostral (evento certo) = {1, 2, 3, 4, 5, 6}
Evento elementar nmero 6 = {6}
Evento nmero par = {2, 4, 6}
Evento nmero maior que 6 = { } (evento impossvel)
Sistema Probabilstico consiste de:
Um espao amostral S de eventos elementares,
Uma classe E de eventos que um subconjunto de S,
Uma probabilidade P(.) associada a cada evento A na classe E que
possui as seguintes propriedades:
P(S) = 1
0 P(A) 1
Se A+B a unio de dois eventos mutuamente
exclusivos na classe E, ento P(A + B) = P(A) + P(B).
Propriedades Elementares da Probabilidade:
1)
2) Se m eventos mutuamente exclusivos A
1
, A
2
, , A
m
possuem a
propriedade A
1
+ A
2
+ + A
m
= S , ento:
P(A
1
) + P(A
2
) + + P(A
m
) = 1
Obs.: Quando os m eventos so equiprovveis, temos: P(A
i
) = 1/m.
3) Quando os eventos A e B no so mutuamente exclusivos, ento a
probabilidade do evento unio de A com B igual a:
P(A + B) = P(A) + P(B) P(AB)
( ) ( ) A P A P = 1
P(AB) a probabilidade conjunta de A e B :
onde n
AB
= n de vezes que os eventos A e B ocorrem simultaneamente em n
realizaes.
P(AB) = 0 eventos mutuamente exclusivos.
( )
|
\
|
=

n
n
AB P
AB
n
lim
A B
P(A + B) = P(A) + P(B) P(AB)
P(AB)
A B
Probabilidade Condicional
P(B/A) = probabilidade do evento B ocorrer dado que o evento A ocorreu:
n
AB
= nmero de vezes em que os eventos A e B ocorrem simultaneamente
em n ensaios.
n
A
= o nmero de vezes que o evento A ocorre em n ensaios.
n
AB
/n
A
1 representa a freqncia relativa do evento B dado que A ocorreu.
Ento, para n grande temos:
Ento podemos re-escrever P(B/A) como:
De forma similar, obtemos:
( )
( )
( ) A P
AB P
A B P = /
( )
( )
( )
( )
( ) A P
AB P
n n
n n
n n
n n
n
n
A B P
A
n
AB
n
A
AB
n
A
AB
n
= =
|
|
\
|
=
|
|
\
|
=

lim
lim
lim lim /
( ) ( ) ( ) A P A B P AB P / =
( ) ( ) ( ) B P B A P AB P / =
Regra de Bayes:
para P(A) 0.
Note que se P(B/A) = P(B), ento
P(AB) = P(A)P(B)
logo P(A/B) = P(A).
( )
( ) ( )
( ) A P
B P B A P
A B P
/
/ =
EXEMPLO: Canal Binrio Simtrico
Probabilidades a priori de se enviar 0 ou 1:
A
0
= 0 P(A
0
) = p
0
A
1
= 1 P(A
1
) = p
1
Probabilidades condicionais de erro:
P(B
1
/A
0
): Probabilidade de receber 1 dado que o 0 foi enviado
P(B
0
/A
1
): Probabilidade de receber 0 dado que o 1 foi enviado
A
0
A
1
B
0
B
1
1-p
1-p
p
p
P(B
1
/A
0
) = P(B
0
/A
1
) = p
Fonte
binria
0
1
Probabilidades a posteriori:
P(A
0
/B
0
): probabilidade do 0 ter sido enviado dado que o 0 foi recebido
P(A
1
/B
1
): probabilidade do 1 ter sido enviado dado que o 1 foi recebido
P(B
0
/A
0
) + P(B
1
/A
0
) = 1
Ento,
P(B
0
/A
0
) = 1 p
De modo similar:
P(B
1
/A
1
) = 1 p
A
0
A
1
B
0
B
1
1-p
p
Assim, podemos deduzir que:
a) A probabilidade de receber o 0 dada por:
P(B
0
) = P(B
0
/A
0
)P(A
0
) + P(B
0
/A
1
)P(A
1
) = (1 p)p
0
+ pp
1
b) A probabilidade de receber o 1 dada por:
P(B
1
) = P(B
1
/A
0
)P(A
0
) + P(B
1
/A
1
)P(A
1
) = pp
0
+ (1 p)p
1
Portanto, utilizando a regra de Bayes, obtemos:
( )
( ) ( )
( )
( )
( )
1 0
0
0
0 0 0
0 0
1
1 /
/
pp p p
p p
B P
A P A B P
B A P
+
= =
( )
( ) ( )
( )
( )
( )
1 0
1
1
1 1 1
1 1
1
1 /
/
p p pp
p p
B P
A P A B P
B A P
+
= =
3. VARIVEIS ALEATRIAS
Varivel Experimento
Valor da varivel Resultado do experimento
Assim, se o resultado do experimento s a varivel aleatria denotada
X(s) ou simplesmente X.
Exemplo: Jogar um dado
Evento: mostrar os k pontos da face quando o dado jogado
k = 1, 2, 3, 4, 5, 6
Funo X(k) = k varivel aleatria (discreta)
Uma varivel aleatria X dita discreta se ela assume somente um nmero
finito de valores em um intervalo de observao finito.
Se a varivel aleatria X puder assumir qualquer valor em um intervalo de
observao finito, ela chamada de uma varivel aleatria contnua.
Exemplo: Varivel aleatria X que representa uma tenso de rudo contnua.
X(k)
k
Definio probabilstica de varivel aleatria:
X = varivel aleatria
P(X x) = probabilidade do evento X x, para um dado valor x.
Funo cumulativa ou funo distribuio da varivel aleatria:
F
X
(x) = P(X x)
Propriedades:
1. 0 F
X
(x) 1,
2. F
X
(x
1
) F
X
(x
2
) para x
1
x
2
(montona no decrescente).
Note que F
X
() = 1 evento certo
F
X
() = 0 evento impossvel
( ) ( ) x F
dx
d
x f
X X
=
Funo densidade de probabilidade:
O nome funo densidade vem do fato de que, se x
1
< X x
2
, ento
Assim,
ou seja, a funo densidade de probabilidade sempre uma funo no-
negativa com a rea total sob a sua curva igual a 1.
( ) ( ) ( ) ( ) ( ) ( )
= = = <
2
1
1 2 1 2 2 1
x
x
X X X
dx x f x F x F x X P x X P x X x P
( ) 1 =

dx x f
X
c
P(X c)
c
Exemplo: Distribuio uniforme
Considere a varivel X definida por:
onde b > a.
Uma varivel aleatria X com a funo densidade de probabilidade acima
denominada uniformemente distribuda.
( )
=
fora 0

1
b x a
a b
x f
X
x b a
1/(b - a)
f
X
(x)
x b a
1
F
X
(x)
( )
>

<
=
b x
b x a
a b
a x
a x
x F
X
1

0
Duas variveis aleatrias X e Y:
Funo distribuio conjunta:
Funo densidade de probabilidade conjunta:
Assim,
A funo distribuio da varivel X pode ser obtida fazendo:
Diferenciando ambos os lados da F
X
(x) acima com relao a x, obtemos
( ) ( ) y Y x X P y x F
Y X
= , ,
,
( )
( )
y x
y x F
y x f
Y X
Y X

=
,
,
,
2
,
( ) 1 ,
,
=

d d f
Y X
( ) ( )

=
x
Y X X
d d f x F ,
,
( ) ( )

= d x f x f
Y X X
,
,
Anlise similar vale para f
Y
(y).
f
X
(x) e f
Y
(y) so denominadas de densidades de probabilidade marginais.
Suponha que X e Y sejam variveis aleatrias contnuas com funo
densidade de probabilidade conjunta igual a f
X,Y
(x,y).
A funo densidade de probabilidade condicional de Y dado que X = x
definida por:
desde que a densidade de probabilidade marginal f
X
(x) > 0.
( )
( )
( ) x f
y x f
x X y f
X
Y X
Y
,
/
,
= =
f
Y
(y/X=x)
y
x x
f
X,Y
(x,y)
Note que, se as variveis aleatrias X e Y forem estatisticamente
independentes, o conhecimento do resultado de X no afeta a distribuio de
Y, isto ,
Nesta condio, podemos expressar a funo densidade de probabilidade
conjunta como:
( ) ( ) y f x X y f
Y Y
= = /
( ) ( ) ( ) y f x f y x f
Y X Y X
= ,
,
Mdias estatsticas:
A mdia ou valor esperado da varivel X definida por:
onde E[ ] denota o operador expectativa.
A mdia ou valor esperado de uma funo g(X) definida por:
[ ] ( )

= = dx x xf X E m
X X
( ) [ ] ( ) ( )

= dx x f x g X g E
X
Para o caso especial, onde g(X) = X
n
, obtemos o n-simo momento da
distribuio de probabilidade da varivel aleatria X, isto ,
Valor quadrtico mdio, quando n = 2:
[ ] ( )

= dx x f x X E
X
n n
[ ] ( )

= dx x f x X E
X
2 2
Momentos Centrais so os momentos das diferena entre a varivel X e sua
mdia m
X
:
Varincia para n = 2:
Desvio padro:
Var(X) uma medida da disperso da varivel X.
A varincia essencialmente restringe a largura efetiva da funo densidade
de probabilidade de uma varivel aleatria X em torno da sua mdia m
X
.
( ) [ ] ( ) ( )

= dx x f m x m X E
X
n
X
n
X
[ ] ( ) [ ] ( ) ( )

= = = dx x f m x m X E X Var
X X X
X
2 2 2
X

Desigualdade de Chebyshev:
= nmero positivo.
Portanto, a mdia e a varincia de uma varivel aleatria d uma descrio
parcial de sua distribuio de probabilidade.
( )
2
2

X
X
m X P
O operador E [ ] linear, isto , o valor esperado da soma de duas variveis
igual a soma dos valores esperados individuais.
Ento, podemos expandir E [(X m
X
)
2
] usando a linearidade de E [ ] :
Portanto, se m
X
= 0 Var[X] = E[X
2
].
( ) [ ] [ ] [ ] [ ]
2 2 2 2 2 2
2 2
X
X
X
X X
X
m m X E X E m Xm X E m X E + = + = =
[ ]
2 2 2
X X
m X E =
Funo Caracterstica da distribuio de probabilidade da varivel aleatria X:
onde v um nmero real.
A funo caracterstica uma mdia estatstica que pode ser considerada como
a transformada de Fourier (a menos do sinal na exponencial) da funo
densidade de probabilidade f
X
(x).
Como v x desempenham o mesmo papel de 2f t, podemos deduzir que:
( ) ( ) [ ] ( ) ( )

= = dx jvx x f jvX E v
X X
exp exp
( ) ( ) ( )
= dv jvx v x f
X X
exp
2
1
( ) ( ) ( )

= dt ft j t x f X 2 exp
Transformada de Fourier:
Exemplo: Mdia e varincia de X com distribuio uniforme.
Funo densidade de probabilidade:
mdia:
m
X
portanto a mdia aritmtica de seus limites a e b.
valor quadrtico mdio de X:
varincia de X:
( )
=
fora 0

1
b x a
a b
x f
X
[ ] ( )
( )
( ) a b
a b
a b
dx
a b
x
dx x xf X E m
b
a
X X
+ =
= = =

2
1
2
2 2
[ ]
( )
( )
2 2
3 3 2
2
3
1
3
a ab b
a b
a b
dx
a b
x
X E
b
a
+ + =
[ ] ( ) ( ) ( )
2
2
2 2 2 2 2
12
1
2
1
3
1
a b a b a ab b m X E
X X
=
(
+ + + = =
x b a
1/(b - a)
f
X
(x)
Exemplo: Soma de duas variveis aleatrias independentes X e Y:
funo caracterstica de Z:
como X e Y so estatisticamente independentes, temos:
por analogia com a anlise de Fourier (produto em freqncia convoluo
no tempo), temos que a funo densidade de probabilidade de Z dada por:
( ) ( ) ( ) [ ] ( ) ( ) [ ] jvY jvX E Y X jv E v
Z
exp exp exp = + =
( ) ( ) [ ] ( ) [ ] ( ) ( ) v v jvY E jvX E v
Y X Z
= = exp exp
( ) ( ) ( )

= d f z f z f
Y X Z
Y X Z + =
Momentos conjuntos
Variveis aleatrias: X e Y.
Momentos conjuntos = valor esperado de X
j
Y
k
, onde j e k so inteiros
positivos:
quando j = k = 1 correlao = E[XY].
Covarincia de X e Y :
[ ] ( )

= dxdy y x f y x Y X E
XY
k j k j
,
X e Y so incorrelatas se e somente se Cov[XY] = 0.
X e Y so ortogonais se e somente se E[XY] = 0.
Cov[XY] = E[(X m
x
)(Y m
y
)] = E[XY] m
X
m
Y
Prova: Cov[XY] = E[XY] m
X
m
Y
Cov[XY] = E[(X m
X
)(Y m
Y
)]
= E[XY m
X
Y Xm
Y
+ m
X
m
Y
]
= E[XY] m
X
E[Y] E[X]m
Y
+ m
X
m
Y
= E[XY] m
X
m
Y
m
X
m
Y
+ m
X
m
Y
= E[XY] m
X
m
Y
Seja
X
e
Y
o desvios padro de X e Y, respectivamente. A covarincia de
X e Y normalizada em relao a
X
Y
denominada de coeficiente de
correlao de X e Y:
[ ]
Y X
XY
XY Cov

=
Exemplo: Z = varivel aleatria uniformemente distribuda dada por:
Seja X = Z e Y = Z
2
, ento Y e X no so estatisticamente independentes.
X e Y so incorrelatas ?
Mdia de X:
Mdia de Y:
As variveis aleatrias X e Y so incorrelatas mesmo embora elas no sejam
estatisticamente independentes.
( )

=
fora 0
1 1
2
1
z
z f
Z
z 1 -1
f
Z
(z)
1/2
[ ] [ ] 0
2
1
1
1
= = =
dz z Z E X E
[ ] [ ]
3
1
2
1
1
1
2 2
= = =
dz z Z E Y E
[ ] ( ) [ ] [ ] 0
2
1
3
1
3
1
0
1
1
3
= = =
(
\
|
=
dz z X E XY E Y X E XY Cov
0
4. Distribuio Gaussiana
Varivel aleatria gaussiana: muito utilizada em comunicaes.
Varivel aleatria gaussiana X de mdia m
X
e desvio padro
X
possui funo
densidade de probabilidade dada por:
Prova de que f
X
(x) uma funo densidade de probabilidade:
1) f
X
(x) 0
2)
onde (mudana de varivel).
( )
( )
(
(

=
2
2
2
exp
2
1
X
X
X
X
m x
x f

( )
( )
[ ] 1 exp
2
exp
2
1
2
2
2
= =
(
(

dt t dx
m x
dx x f
X
X
X
X
X
X
m x
t

=
2
x m
X
f
X
(x)
X
A funo distribuio da varivel aleatria gaussiana X dada por:
F
X
(x) pode ser calculada para um dado valor de x especfico atravs de tabelas
da funo erro que definida por:
erf(0) = 0
erf() = 1
( )
( )
(
(

=
x
X
X
X
X
d
m
x F
2
2
2
exp
2
1
( ) ( )
=
u
dz z u
0
2
exp
2
erf
F
X
(x)
0,5
1,0
x m
X
u
1
-1
erf(u)
0,5
-0,5
-4 -2 2 4
Usando a simetria de f
X
(x) e utilizando uma simples mudana de varivel,
obtemos:
( )
(
|
|
\
|
+ =
X
x
X
m x
x F
2
erf 1
2
1
Exemplo: Desejamos obter a probabilidade da varivel aleatria gaussiana X
se encontrar dentro do intervalo m
X
k
X
< X m
X
+ k
X
, k = constante
Propriedade: erf(u) = erf(u)
Para k = 3:
( ) ( ) ( )
|
\
|
=
(
\
|

|
\
|
=
+ = + <
2
erf
2
erf
2
erf
2
1

k
k k
k m F k m F k m X k m P
X X X X X X X X X X
( ) 997 , 0
2
3
erf 3 3 =
|
\
|
= + <
X X X X
m X m P
Funo complementar da funo erro:
Relao entre as funes erro: erfc(u) = 1 erf(u).
Funo erro:
( ) ( )
=
u
dz z u
2
exp
2
erfc
( ) ( )
=
u
dz z u
0
2
exp
2
erf
1
-1
erf(u)
0,5
-0,5
-4 -2 2 4 u
1
-1
erfc(u)
0,5
-0,5
4 2 -2 -4
u
TEOREMA DO LIMITE CENTRAL
Seja X
1
, X
2
, , X
n
, um conjunto de variveis aleatrias que satisfaz as
seguintes exigncias:
a) X
k
so estatisticamente independentes (k = 1, 2, n),
b) Todas as variveis X
k
possuem a mesma funo densidade de
probabilidade,
c) Existe a mdia e a varincia para cada X
k
.
Define-se uma nova varivel aleatria Y:
=
=
n
k
k
X Y
1
Ento, o teorema do limite central diz que a varivel aleatria normalizada:
se aproxima de uma varivel aleatria gaussiana com mdia zero e varincia
unitria medida que o nmero n de variveis aleatrias X
1
, X
2
, , X
n
,
aumenta.
Note que
[ ]
Y
Y E Y
Z
=
[ ] [ ]
=
=
n
k
k
X E Y E
1
[ ]
=
= =
n
k
X
Y
k
Y Var
1
2 2
Exemplo: Soma de n variveis aleatrias uniformemente distribudas
Logo,
Ento,
=
=
n
k
k
X Y
1
( )

=
fora 0
1 1

2 a
x
a
a
x f
k
k X
k
x
k
1/a -1/a
f
Xk
(x
k
)
a/2
12
0
2
2
a
m
k
k
X
X
=
=
12
0
2
2
na
m
Y
Y
= =
5. Transformao de variveis aleatrias
Problema: Determinar a funo densidade de probabilidade de uma varivel
aleatria Y que obtida por uma transformao um-para-um de uma dada
varivel aleatria X.
Caso mais simples: Y uma funo diferencivel montona crescente g de X:
Y = g(X)
Neste caso, temos
onde h a transformao inversa h(y) = g
1
(y).
( ) ( ) ( ) ( ) ( ) ( ) y h F y h X P y Y P y F
X Y
= = =
x x = h(y)
y = g(x)
Y
Supondo que X possua uma funo densidade de probabilidade f
X
(x)
conhecida, ento:
Diferenciando ambos os lados com relao a varivel y, obtemos
Supondo agora que g uma funo diferencivel montona decrescente com
sua inversa igual a h, podemos escrever que
Diferenciando, temos
onde a dh/dy negativa nesta expresso.
( ) ( )
( )

=
y h
X Y
dx x f y F
( ) ( ) ( )
dy
dh
y h f y f
X Y
=
( ) ( )
( )
=
y h
X Y
dx x f y F
( ) ( ) ( )
dy
dh
y h f y f
X Y
=
Assim, podemos expressar as duas equaes de funo densidade de
probabilidade (PDF) em uma nica frmula:
para uma funo diferencivel um-para-um de uma dada varivel aleatria.
( ) ( ) ( )
dy
dh
y h f y f
X Y
=
Exemplo: Transformao de lei quadrtica
Y = X
2
X gaussiana com mdia 0 e varincia =
PDF de Y = ?
assim,
Alm disso, a transformao inversa no possui valor nico, pois
Assim, valores positivos e negativos de x contribuem para y.
Suponha que desejamos a probabilidade de Y y, onde y 0, ento
2
X
y
x
y y
Y
( ) 0 0 < = y y Y P
( ) 0 0 < = y y F
Y
( ) y y h x = =
( ) ( ) ( ) ( )
( ) ( )

=
= =
y
X
y
X
dx x f dx x f
y X P y X P y X y P y Y P

( ) ( ) ( ) [ ] y f y f
y
y f
X X Y
+ =
2
1
Diferenciando em relao a y ambos os lados da expresso anterior, obtemos
Note que
assim, obtemos
( )
|
|
\
|

=
2
2
2
exp
2
1
X
x
X
x
x f
( )
( ) 0 0
0
2
exp
2
1
2
< =
|
|
\
|

=
y y f
y
y
y
y f
Y
X
x
Y
y
f
Y
(y)
0
A funo densidade de probabilidade acima conhecida como funo
densidade chi-quadrada quando ela escrita em funo da varivel
2
= y.
6. PROCESSOS ALEATRIOS
Anlise estatstica de sistemas de comunicaes caracterizao de sinais
aleatrios, tais como: sinais de voz, TV, dados digitais e rudo eltrico.
Propriedades destes sinais aleatrios:
so funes do tempo, definidas sobre um intervalo.
antes de realizar o experimento, no possvel descrever com exatido
a forma de onda que vai ser observada.
Portanto, na descrio de sinais aleatrios, cada ponto amostra do espao
amostral funo do tempo.
Um processo aleatrio X(t) um ensemble de funes no tempo com uma
regra probabilstica que relaciona uma probabilidade a um evento significativo
associado com uma observao de uma destas funes.
Funes amostra: {x
1
(t), x
2
(t), , x
n
(t)}
x
1
(t)
t
x
2
(t)
t
x
n
(t)
t
s
1
s
2
s
n
Espao Amostral S
P(s
1
)
P(s
2
)
P(s
n
)
t
1
t
2
Instante t
1
:
cada ponto s
j
do espao amostral S tem associado um nmero x
j
(t
1
) e
uma probabilidade P(s
j
).
a coleo de nmeros x
1
(t
1
), x
2
(t
1
), , x
n
(t
1
) forma uma varivel
aleatria denotada por X(t
1
).
Instante t
2
:
cada ponto s
j
tem associado um nmero x
j
(t
2
) e uma probabilidade
P(s
j
).
a coleo de nmeros x
1
(t
2
), x
2
(t
2
), , x
n
(t
2
) forma uma varivel
aleatria denotada por X(t
2
).
Varivel aleatria: resultado de um experimento mapeado em um nmero.
Processo aleatrio: resultado mapeado em uma onda que funo do
tempo.
Vetores aleatrios obtidos a partir de processos aleatrios:
Processo aleatrio X(t) nmero infinito de variveis aleatrias, uma para
cada instante de tempo t (- < t < ).
= funo distribuio da varivel aleatria X(t
1
).
X(t
1
) = varivel aleatria obtida pela observao do processo aleatrio X(t)
no tempo t
1
.
Ento, para k instantes de tempo t
1
, t
2
, ..., t
k
, pode-se definir k variveis
aleatrias X(t
1
), X(t
2
), ..., X(t
k
), respectivamente.
Assim, pode-se definir a funo distribuio conjunta como sendo:
( )
( )
1
1
x F
t X
( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
k k k t X t X t X
x t X x t X x t X P x x x F
k
= , , , , , ,
2 2 1 1 2 1 , , ,
2 1
L L
L
Notao mais conveniente: Vetorial
Vetor de variveis aleatrias:
Vetor de resultados das variveis aleatrias:
Notao para a funo distribuio conjunta: F
X(t)
(x)
Para um dado ponto amostra s
j
, as componentes do vetor X(t) representam
os valores da funo amostra x
j
(t) observada nos tempos t
1
, t
2
, ..., t
k
.
( )
( )
( )
( )
(
(
(
(
=
k
t X
t X
t X
M
2
1
t X
(
(
(
(
=
k
x
x
x
M
2
1
x
A funo densidade de probabilidade conjunta do vetor aleatrio X(t) dada por:
Esta funo sempre no negativa, com o volume sob ela igual a 1.
( )
( )
( )
( ) x x
t X t X
F
x x x
f
k
k

=
L
2 1
Exemplo: Probabilidade de uma onda x(t) de um processo X(t) passar por k
janelas.
Desejamos a probabilidade do evento conjunto: A = {a
i
< X(t
i
) < b
i
}, i = 1, 2, ..., k.
Se conhecemos a funo densidade de probabilidade conjunta, temos:
t
t
k
t
2
t
1
b
1
a
1
b
2
a
2
b
k
a
k
x(t)
( )
( )
( )

=
1
1
2
2
2 1
b
a
b
a
b
a
k
k
k
dx dx dx f A P L L x
t X
7. ESTACIONARIDADE:
Um processo aleatrio X(t) dito estritamente estacionrio se a funo
densidade de probabilidade conjunta f
X(t)
(x) for invariante a deslocamentos da
origem do tempo, isto ,
para todo conjunto de instantes {t
i
}, i = 1, 2, ..., k e qualquer deslocamento T.
Processos aleatrios estacionrios so freqentemente encontrados na prtica.
Muitas de suas propriedades so comumente descritas pelo primeiro e
segundo momentos.
( )
( )
( )
( ) x x
T t X t X +
= f f
Exemplo: Processo aleatrio estritamente estacionrio X(t).
A probabilidade de um conjunto de funes amostra passar pelas janelas da
primeira figura igual a probabilidade de um conjunto de funes amostra
passar pelas janelas deslocadas no tempo da segunda figura.
No necessrio que os conjuntos de funes amostras sejam iguais.
t
t
k
t
2
t
1
b
1
a
1
b
2
a
2
b
k
a
k
t
t
k
+T t
2
+T t
1
+T
b
1
a
1
b
2
a
2
b
k
a
k
8. MDIA, FUNO DE CORRELAO E FUNO COVARINCIA
Distribuio de probabilidade de processos aleatrios difcil de encontrar!!!
Descrio parcial do processo aleatrio: mdia, funo de autocorrelao e
funo de autocovarincia.
Seja X(t) um processo aleatrio estritamente estacionrio e seja X(t
k
) uma
varivel aleatria obtida pela observao de X(t) no instante t
k
.
Ento define-se:
Mdia de X(t):
m
X
= E[X(t
k
)] = cte para qualquer t
k
.
Notao simplificada: m
X
= E[X(t)] = cte para um valor fixo de t.
Funo de autocorrelao de X(t):
R
X
(t
k
t
j
) = E[X(t
k
)X(t
j
)] para qualquer t
k
e t
j
ou
R
X
() = E[X(t)X(t-)] onde = t
k
- t
j
A funo de autocorrelao para processos estacionrios independente da
origem dos tempos.
X(t
k
) e X(t
j
) so v.a. obtidas do processo X(t) nos instantes t
k
e t
j
,
respectivamente.
Para um processo estacionrio, temos:
K
X
() = R
X
() (m
X
)
2
Se o processo possui mdia zero, ento K
X
() = R
X
() .
Descrio parcial de um processo aleatrio: mdia e funo de
autocorrelao.
Funo de Autocovarincia:
K
X
(t
k
t
j
) = E[(X(t
k
) m
X
)(X(t
j
) m
X
)] qualquer t
k
e t
j
Simplificando a notao:
K
X
() = E[(X(t) m
X
)(X(t - ) m
X
)]
Processo Aleatrio Estacionrio no Sentido Amplo:
Um processo aleatrio denominado estacionrio de sentido amplo (wide-
sense stationary - WSS) se ele no for estritamente estacionrio mas
satisfizer as seguintes trs condies:
1. A mdia do processo constante.
2. A funo de autocorrelao do processo independente
de um deslocamento da origem dos tempos.
3. A funo de autocorrelao para = 0 finita.
Propriedades da autocorrelao para processo estacionrio no sentido amplo:
a) R
X
() = R
X
(-)
b) R
X
(0) = E[X
2
(t)]
c) R
X
() R
X
(0)
Significado fsico da funo de autocorrelao:
R
X
() fornece um modo de descrever a interdependncia de duas
variveis aleatrias obtidas pela observao de um processo aleatrio
X(t) em instantes separados de segundos.
Quanto mais rpido X(t) varia no tempo mais rapidamente R
X
()
decresce de seu mximo R
X
(0) quando aumenta.
R
X
()
Processo aleatrio
com flutuao lenta
Processo aleatrio
com flutuao rpida
t
t
Flutuao lenta:
Flutuao rpida:
Tempo de Descorrelao
0
:
o tempo necessrio para que a magnitude da funo de autocorrelao R
X
()
de um processo aleatrio X(t) estacionrio no sentido amplo com mdia zero
caia para 1% de seu valor mximo R
X
(0).
Exemplo: Clculo da autocorrelao de uma onda senoidal com fase aleatria
A e f
c
so constantes e fase com distribuio uniforme:
( ) ( ) + = t f A t X
c
2 cos
( )
fora 0
2 0
2
1
f
Funo amostra do processo aleatrio:
Obs.: uma constante para cada funo amostra.
A funo de autocorrelao dada por:
( ) ( ) + = t f A t x
c
2 cos
( ) ( ) ( ) [ ] ( ) ( ) ( ) [ ] + + + = + = t f A t f A E t X t X E R
c c X
2 cos 2 cos
Aplicando a relao trigonomtrica:
cos(a)cos(b) = [cos(a + b)+cos(a - b)]/2.
resulta:
( ) ( ) ( ) [ ] ( ) [ ] ( ) [ ]
c c c X
f E
A
f t f E
A
t X t X E R 2 cos
2
2 2 4 cos
2
2 2
+ + + = + =
( ) ( ) ( )

c c c X
f
A
d f t f
A
R 2 cos
2 2
1
2 2 4 cos
2
2
2
0
2
+ + + =
= 0
( ) ( )
c X
f
A
R 2 cos
2
2
=
R
X
()
1/f
c
Exemplo: Onda binria aleatria
X(t): processo composto de uma seqncia aleatria de smbolos binrios 0 e 1
Funo amostra: x(t):
Assumimos que:
1 e 0 +A e A, respectivamente, de durao T segundos.
o instante t
d
de incio do primeiro pulso equiprovvel no intervalo [0, T].
Portanto, t
d
um valor amostra de uma varivel aleatria T
d
uniformemente distribuda com funo densidade de probabilidade:
t
t
d
T
-A
A
x(t)
( )

=
fora 0
0
1
T t
T
t f
d
d T
d
no intervalo de tempo (n -1)T < t t
d
< nT, onde n um inteiro, temos
que P(0) = P(1) +A e A so equiprovveis.
Ento, E[X(t)] = 0.
Funo de autocorrelao de X(t):
onde X(t
k
) e X(t
j
) so variveis aleatrias obtidas do processo X(t) nos instantes
t
k
e t
j
, respectivamente.
1 caso: | t
k
- t
j
| > T X(t
k
) e X(t
j
) ocorrem em intervalos de pulso diferentes e
so portanto independentes.
( ) ( ) ( ) [ ]
j k j k X
t X t X E t t R =
( ) ( ) [ ] ( ) [ ] ( ) [ ] 0 = =
j k j k
t X E t X E t X t X E
2 caso: | t
k
t
j
| < T X(t
k
) e X(t
j
) ocorrem no mesmo intervalo de pulso se e
somente se o atraso t
d
< T | t
k
t
j
|. Ento o valor esperado condicional dado
por:
Fazendo a mdia deste resultado para todos os valores de t
d
, obtemos:
Ento,
( ) ( ) [ ]
<
=
fora 0

2
j k d
d j k
t t T t A
t t X t X E
( ) ( ) [ ] ( )
|
|
\
|

= = =

T
t t
A dt
T
A dt t f A t X t X E
j k
t t T
d
t t T
d d T j k
j k j k
d
1
1
2
0
2
0
2
( )

<
|
|
\
|
=
T
T
T
A
R
X
0
1
2
R
X
()
T
A
2
-T 0
Problema:
difcil de se obter!!
( ) [ ]
( )
( )

= = dx x xf t X E m
t X X
( ) ( ) ( ) [ ]
( ) ( )
( )

= = dxdy y x xyf t X t X E R
t X t X X
,
( ) ( )

=
T
T
T
dt t x
T
t x
2
1
lim
( ) ( ) ( ) ( )

=
T
T
T
dt t x t x
T
t x t x
2
1
lim
MDIAS NO TEMPO E ERGODICIDADE:
Estimao de um processo aleatrio X(t) por:
mdia:
Autocorrelao:
Mdia no tempo :
onde x(t) uma funo amostra do processo X(t).
Autocorrelao no tempo:
Note que <x(t)> e <x(t)x(t )> so variveis aleatrias pois dependem de x(t).
Em geral, mdias de ensemble e no tempo no so iguais!!!
Processos Ergdicos
Um processo aleatrio X(t) denominado ergdico, na sua forma mais geral,
se todas as suas propriedades estatsticas puderem ser determinadas de uma
funo amostra representante de uma possvel realizao do processo.
Um processo aleatrio para ser ergdico necessrio que seja estritamente
estacionrio.
Entretanto, nem todo processo estacionrio ergdico.
Em geral, no se est interessado em todas as mdias de ensemble de um
processo aleatrio s mdia e funo autocorrelao definio de
ergodicidade em um sentido mais limitado.
Ergodicidade da Mdia:
mdia no tempo = mdia de ensemble
<x(t)> = m
X
Condio necessria e suficiente para um processo aleatrio ser ergdico
na mdia:
Ergodicidade na Funo de Autocorrelao:
autocorrelao no tempo = autocorrelao de ensemble
<x(t) x(t-)> = R
X
()
Condio necessria e suficiente para um processo aleatrio ser ergdico
na funo de autocorrelao:
( ) ( )
T dt t x t x
T
T
-T
quando 0
2
1
estimador do varincia
( )
T dt t x
T
T
-T
quando 0
2
1
estimador do varincia
Exemplo: Onda Senoidal com Fase Aleatria
Processo senoidal: X(t) = Acos(2f
c
t + )
A e f
c
= ctes e = uniformemente distribuda entre 0 e 2:
Mdia do processo aleatrio:
Funo de autocorrelao do processo aleatrio:
( )
fora 0
2 0
2
1
f
( ) ( ) ( ) 0 2 cos
2
2 cos
2
0
= +
= + =

d t f
A
d f t f A m
c c X
( ) ( ) =
c X
f
A
R 2 cos
2
2
Seja x(t) uma funo amostra do processo aleatrio, ento:
x(t) = A cos(2f
c
t + )
Mdia no tempo do processo :
Funo de autocorrelao no tempo do processo:
usando a relao trigonomtrica para produto de cossenos e integrando, obtemos
Assim, as mdias do ensemble e as mdias temporais do processo so idnticas,
portanto este processo ergdico na mdia e na funo de autocorrelao.
( ) ( )

= + =
T
T
c
T
dt t f A
T
t x 0 2 cos
2
1
lim
( ) ( ) ( ) ( ) ( )

+ + =
T
T
c c
T
dt t f A t f A
T
t x t x 2 cos 2 cos
2
1
lim
( ) ( ) ( ) =
c
f
A
t x t x 2 cos
2
2
Todos Processos Aleatrios
Estacionrios no sentido amplo
Estacionrios
Hierarquia dos Processos Aleatrios:
Ergdicos
Exemplo: Processo de Poisson
O conceito de pontos de Poisson pode ser especificado pelas seguintes
propriedades:
O nmero n(t
1
, t
2
) de pontos t
i
, no intervalo (t
1
, t
2
) de comprimento igual
a t = t
2
- t
1
uma varivel aleatria de Poisson com parmetros t:
Se os intervalos (t
1
, t
2
) e (t
3
, t
4
) no se sobrepem, ento as variveis
aleatrias n(t
1
, t
2
) e n(t
3
, t
4
) so independentes.
( ) [ ]
( )
!
,
2 1
k
t e
k t t P
k t

= = n
Usando os pontos t
i
, formamos o processo aleatrio:
X(t) = n(0, t)
Este um processo de estados discretos constitudo de uma famlia de funes
escada crescentes com descontinuidades nos pontos t
i
.
Para um t especfico, x(t) uma varivel aleatria de Poisson com parmetro t,
ento
X(t)
t
i
t
1
( ) [ ] t t E = X
E a sua autocorrelao :
ou de forma equivalente:
Prova: Para t
1
= t
2
, temos que
( )
+
+
=
2 1 2 1
2
1
2 1 2 1
2
2
2 1
para
para
,
t t t t t
t t t t t
t t R

( ) ( ) ( ) ( )
2 1 2 1 2 1 2 1 2 1
, min , t t u t t t u t t t t t Cov + = =
( ) [ ]
2 2 2
t t t E + = X
Como R(t
1
, t
2
) = R(t
2
, t
1
), basta provar a autocorrelao para t
1
< t
2
.
As variveis aleatrias X(t
1
) e X(t
2
) X(t
1
) so independentes pois os intervalos
(0, t
1
) e (t
1
, t
2
) no se sobrepem.
Alm disso, X(t
1
) e X(t
2
) X(t
1
) possuem distribuio de Poisson com
parmetros (t
1
) e (t
2
- t
1
), respectivamente. Assim,
Usando a identidade:
obtemos:
( ) ( ) ( ) ( ) [ ] ( ) [ ] ( ) ( ) [ ] ( )
1 2 1 1 2 1 1 2 1
t t t t X t X E t X E t X t X t X E = =
( ) ( ) ( ) ( ) ( ) ( ) [ ]
1 2 1 1 2 1
t X t X t X t X t X t X + =
( ) ( )
1 2 1
2
1
2
1 2 1
, t t t t t t t R + + =
De onde resulta:
( )
+
+
=
2 1 2 1
2
1
2 1 2 1
2
2
2 1
para
para
,
t t t t t
t t t t t
t t R

Caso no uniforme:
Se os pontos t
i
possuem uma densidade no uniforme (t), como em
ento os resultados ainda so vlidos se o produto (t
2
- t
1
) for trocado pela
integral de (t) de t
1
a t
2
.
Ento,
e
( ) [ ] ( )
=
t
d t X E
0

( ) ( ) ( )
2 1
0 0
2 1
1
2 1
t t dt t dt t t t R
t t
+ =

( ) [ ] ( )
( )
!
exp , em
2
1
2
1
2 1
k
dt t
dt t t t k P
k
t
t
t
t
(

Caminhada Aleatria (Random Walk)
um processo de Markov.
Possui muitas aplicaes em engenharia e fsica.
Suponha que um homem comece uma caminhada aleatria iniciando em um
dado ponto seguindo uma linha reta.
Com probabilidade p ele d um passo para a direita e alternativamente ele d
um passo a esquerda com probabilidade q = 1 p.
Cada passo tem comprimento l [m]
Cada passo completado em
s
[s]
Aps N passos, o homem est posicionado a X
d
(N) passos da origem.
Note que N X
d
(N) N.
Se X
d
(N) positiva, o homem est localizado direita da origem.
Se X
d
(N) negativa, o homem est localizado esquerda da origem.
A probabilidade da localizao do homem estar n passos da origem aps ele ter
dado N passos P[X
d
(N) = n], sendo N n N.
X
d
(N)
N
Os passos so dados de forma independente!
Portanto, a direo tomada no N-simo passo independente de X
d
(k), onde
0 k N1.
Assim,
P[X
d
(N+1) = X
d
(N) +1] = p
P[X
d
(N1) = X
d
(N) 1] = q = 1p
Seja R
n0
= n de passos para a direita e L
n0
= n de passos para a esquerda.
Isto colocar o homem a n passos da origem aps ele completar o total de N
passos (N n N). Ento,
R
n0
L
n0
= n
R
n0
+ L
n0
= N
Valores inteiros para R
n0
e L
n0
s existem se (Nn) e (N+n) forem pares.
Assim,
Aps dar um total de N passos, no possvel atingir n passos (para a direita
da origem) se os valores inteiros de R
n0
e L
n0
no existirem.
Se for possvel atingir n passos (para a direita da origem aps um total de N
passos), ento no possvel alcanar n 1 passos (para a direita da
origem).
2
0
n N
R
n
+
=
2
0
n N
L
n
=
Existem mltiplas seqncias de N passos, R
n0
para a direita e L
n0
para a
esquerda, que um indivduo pode dar para garantir que ele esteja a n passos
direita da origem. O nmero destas seqncias dado por
Esta quantidade representa o nmero de subconjuntos de tamanho R
n0
que
pode ser formado a partir de N objetos distintos. Estas seqncias so
eventos mutuamente exclusivos e equiprovveis. A probabilidade de cada
seqncia :
! !
!
0 no no n
L R
N
R
N
=
|
|
\
|
( )
no no
L R
no
q p R = especfica seqncia uma em direita a para passos P
( )
no no
L R
no
q p L = especfica seqncia uma em esquerda a para passos P
A probabilidade P[X
d
(N) = n] pode ento ser obtida utilizando Bernoulli:
( ) [ ]
= =
contrrio. caso 0
existirem e se
! !
!
P
0 0
0 0
n n
L R
no no d
L R q p
L R
N
n N X
n n
Dado n e N, se no houver soluo para R
n0
L
n0
= n e R
n0
+ L
n0
= N, isto ,
se R
n0
e L
n0
no existirem, ento no ser possvel chegar a n passos da
origem dando N passos e P[X
d
(N) = n] = 0.
Note que a equao acima exatamente a probabilidade de um indivduo dar
R
n0
passos direita dado que ele deu N passos independentes.
Generalizao para a origem diferente da posio 0:
Vamos assumir que um indivduo inicia sua caminhada aleatria a m passos
direita da origem.
Aps ele completar N passos independentes, temos a probabilidade de ele
estar a n passos direita da origem dado que ele iniciou a m passos a direita
da origem dada por P[X
d
(N) = n | X
d
(0) = m].
Seja = n m a quantidade que denota que a rede do indivduo cresce em
nmero de passos para a direita aps completar N passos.
R
nm
= n de passos para a direita que so necessrios para que o indivduo
inicie em m e termine em n passos para a direita da origem.
L
nm
= n de passos para a esquerda que so necessrios para que o indivduo
inicie em m e termine em n passos para a esquerda da origem.
Ento,
R
nm
- L
nm
=
R
nm
+ L
nm
= N
Logo,
Isto s vlido se || N e se (N - ) e (N + ) forem pares.
Caso contrrio, R
nm
e L
nm
no existem e no possvel iniciar em m, dar N
passos independentes e chegar em n passos para a direita da origem.
2
+
=
N
R
nm
2

=
N
L
nm
Supondo que R
nm
e L
nm
existem para algum n e m, ento no possvel ir de
m para n 1 passos em um total de N passos. Assim,
( ) ( ) [ ] ( )
= = =
contrrio. caso 0
existirem e se
! !
!
0 | P
nm nm
L R
nm nm d d
L R q p
R N R
N
m X n N X
nm nm
9. TRANSMISSO DE PROCESSO ALEATRIO POR FILTRO LINEAR
Filtro linear invariante no tempo:
X(t): processo aleatrio estacionrio no sentido amplo na entrada do filtro
Y(t): processo aleatrio na sada do filtro
Distribuio de probabilidade de Y(t) difcil de determinar, mesmo
conhecendo a distribuio de probabilidade de X(t) entre < t < .
Resposta
Impulsiva
h(t)
X(t) Y(t)
Obteno da mdia e da funo de autocorrelao de Y(t) em termos da
mdia e da funo de autocorrelao de X(t).
X(t) = estacionrio no sentido amplo.
Mdia de Y(t):
Se E[X(t)] for finita para todo t e o sistema for estvel, podemos escrever:
Quando X(t) WSS, a mdia constante = m
X
, ento:
onde H(0) a resposta em freqncia do sistema para f = 0.
( ) ( ) [ ] ( ) ( )
(
= =

d t X h E t Y E t m
Y
( ) ( ) ( ) [ ] ( ) ( )

= = d t m h d t X E h t m
X Y
( ) ( ) 0 H m d h m m
X X Y
= =

Funo de autocorrelao do processo aleatrio de sada Y(t):
Considerando que o sistema estvel e que E[X
2
(t)] finita, podemos re-
arranjar a expresso acima:
Quando X(t) WSS, temos = t u, assim
( ) ( ) ( ) [ ] ( ) ( ) ( ) ( )
(
= =

2 2 2 1 1 1
, d u X h d t X h E u Y t Y E u t R
Y
( ) ( ) ( ) ( ) ( )
( ) ( ) [ ] ( ) ( )

=
(
(
=
2 1 2 1 2 1
2 1 2 2 1 1

,
d d h h u X t X E
d d h u X h t X E u t R
Y
[ ]
2 1
, u t R
X
( ) [ ] ( ) ( )

+ =
2 1 2 1 2 1
d d h h R R
X Y
Como R
Y
(0) = E[Y
2
(t)], ento o valor quadrtico mdio do processo aleatrio
Y(t) de sada dado por:
Resumindo:
Para processos aleatrios WSS em sistemas lineares no domnio do tempo:
( ) ( ) [ ] ( ) ( ) ( ) constante 0
2 1 1 2 2 1
2
= = =

d d R h h t Y E R
X Y
h(t)
X(t)
R
X
()
Y(t)
R
Y
()
( ) [ ] ( ) ( )

+ =
2 1 2 1 2 1
d d h h R R
X Y
10. DENSIDADE ESPECTRAL DE POTNCIA:
Caracterizao de processos aleatrios WSS em sistemas lineares no domnio
da freqncia.
Resposta ao impulso de um sistema linear:
onde H(f) a funo de transferncia do sistema linear.
h(t) H(f)
X(t) Y(t)
( ) ( ) ( )

= df ft j f H t h 2 exp
( ) [ ] ( ) ( ) ( )
( ) ( ) ( ) ( )

=
=
2 1 1 2 2 1
2 1 1 2 2 1
2
2 exp

d d R h df f j f H
d d R h h t Y E
X
X
Substituindo h(
1
) na expresso do E[Y
2
(t)] , temos
( ) [ ] ( ) ( ) ( ) ( )

= df d d f j R h f H t Y E
X 2 1 1 1 2 2
2
2 exp
definindo =
2

1
, podemos reescrever a expresso acima como:
( ) [ ] ( ) ( ) ( ) ( ) ( )

= df d f j R d f j h f H t Y E
X
2 exp 2 exp
2 2 2
2
Assim,
onde S
X
(f) = densidade espectral de potncia ou o espectro de potncia de um
processo aleatrio X(t) estacionrio no sentido amplo.
Sistema linear invariante no tempo e estvel.
Processo aleatrio de entrada do sistema linear = WSS .
( ) [ ] ( ) ( ) ( ) ( ) ( )

= df d f j R d f j h f H t Y E
X
2 exp 2 exp
2 2 2
2
( ) f H
( ) f S
X
( ) [ ] ( ) ( )

= df f S f H t Y E
X
2 2
Propriedades da densidade espectral de potncia:
Densidade espectral de potncia de um processo aleatrio X(t) estacionrio
no sentido amplo (relaes de Einstein-Wiener-Kintchine):
Logo,
Propriedades:
a) b)
c) d)
( ) ( ) ( ) d f j R f S
X X
2 exp =

( ) ( ) ( )df f j f S R
X X
2 exp

=
( ) ( ) d R S
X X

= 0 ( ) [ ] ( )df f S t X E
X

=
2
( ) 0 f S
X
( ) ( ) f S f S
X X
=
Exemplo: Onda senoidal com fase aleatria com A e f
c
so constantes e fase
com distribuio uniforme:
Funo de autocorrelao:
Fazendo a transformada de Fourier da autocorrelao, temos:
rea total sob S
X
(f) = A
2
/2
( ) ( ) + = t f A t X
c
2 cos ( )
fora 0
2 0
2
1

f
( ) ( )
c X
f
A
R 2 cos
2
2
=
( ) ( ) ( ) [ ]
c c X
f f f f
A
f S + + =
4
2
f
( )
c
f f
A
+
4
2
( )
c
f f
A

4
2
S
X
(f)
f
c
-f
c
R
X
()
1/f
c
Exemplo: Onda binria aleatria
Funo de autocorrelao:
t
t
d
T
-A
A
x(t)
( )
< |
\
|

=
T
T
T
A
R
X
0
1
2
T
A
2
-T 0
R
X
()
Densidade Espectral de Potncia:
rea sob a curva S
X
(f) =
( ) ( ) ( ) ( )
( ) fT T A
d f j
T
A d f j R f S
T
T
X X
2 2
2
sinc
2 exp 1 2 exp
=
|
\
|
= =

1/T
S
X
(f)
f
0
A
2
T
-1/T 2/T 3/T -3/T -2/T
( )
2 2 2 2
1
sinc A
T
T A df fT T A = =

Generalizao:
Note que a densidade espectral de energia de um pulso retangular g(t) de
amplitude A e durao T dada por:
Assim,
Esta equao diz que, para uma onda binria aleatria com smbolos 0 e 1
representados por g(t) e g(t), respectivamente, a densidade espectral de
potncia S
X
(f) igual a densidade espectral de energia do pulso formatador do
smbolo g(t) dividido pela durao do smbolo T.
( ) ( ) fT T A f
g
2 2 2
sinc =
( )
( )
T
f
f S
g
X
=
Exemplo: Seqncias de comprimento mximo
Seqncias binrias geradas por um registrador de deslocamento com
realimentao e com perodo o mais longo possvel. So geradas por
polinmios primitivos (conexes = coeficientes do polinmio).
Nmero de memrias = 3, gera seqncia de comprimento = 2
3
1 = 7.
Se o nmero de memrias igual a m, gera seqncia de comprimento N = 2
m
- 1
1 1 1 0 1 1 0 0 1 1 0 0
0 0 1 1 11
0 111
0 1 0 1 0 1 1 1 0 1 1 1
1 1 00111 1 100111
0 0100111
0111
Estado inicial
t
Funo de autocorrelao de uma seqncia de mximo comprimento peridica
com perodo 7T:
Consideramos que 0 = +A e 1 = A
Funo de autocorrelao de uma seqncia de mximo comprimento peridica
com perodo NT, para valores de dentro do intervalo NT/2 NT/2, e dada
por:
( )
\
|

+
=
perodo do restante o para

1
1
2
2
N
A
T
NT
N
A
R
X
-T T
NT -NT
A
2
R
X
()
-A
2
/N
Caractersticas da funo de autocorrelao:
um valor de pico distinto
um natureza peridica
Seqncias mximas lineares = seqncias pseudo-aleatrias = seqncias
de pseudo-rudo (PN)
So adequadas para uso em sincronizao entre receptor e transmissor.
Seqncias mximas lineares possuem as seguintes propriedades:
n de 1s por perodo = n de 0s mais um,
em cada perodo, 1/2 das sadas consecutivas de mesmo tipo (1s ou
0s) so de comprimento 1, 1/4 so de comprimento 2, 1/8 so de
comprimento 3, etc.
a funo de autocorrelao possui apenas 2 valores para N .
= 0
()
A funo de autocorrelao consiste de um termo constante = A
2
/N mais um
trem de pulsos triangulares de amplitude mxima = A
2
, largura = 2T e perodo
= NT, no domnio de .
Ento, tomando a transformada de Fourier de R
X
(t) obtemos a densidade
espectral de potncia dada por:
( ) ( )
( )

=
|
\
|

|
\
|
|
\
| +
+ =
|
\
|

|
\
|
|
\
|
+ + =
0
2
2
2
2
2
2
2 2
sinc
1

sinc
1
1
n
n
n
X
NT
n
f
N
n
N
N
A f
N
A
NT
n
f
N
n
N N
A
f
N
A
f S

( )
\
|

+
=
perodo do restante o para

1
1
2
2
N
A
T
NT
N
A
R
X
1/T
S
X
(f)
f
0 -1/T 2/T -2/T
1/NT
Densidade espectral de potncia de uma seqncia binria de perodo igual a 7:
Densidade espectral de potncia de uma seqncia binria aleatria infinita
(N ):
1/T f
0 -1/T 2/T -2/T
S
X
(f)
A
2
T
Exemplo: Processo aleatrio X(t) estacionrio no sentido amplo modulado
onde a fase uma varivel aleatria uniformemente distribuda entre 0 e 2.
Autocorrelao de Y(t): ( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) ( ) [ ]
( )
( ) ( ) [ ]
( )
( )

c
X
c c c
X
c c
c c
Y
f
R
f t f f E
R
t f t f E t X t X E
t f t X t f t X E
t Y t Y E R
2 cos
2
2 2 4 cos 2 cos
2
2 cos 2 cos
2 cos 2 cos
=
+ + + =
+ + + + =
+ + + + =
+ =
Y(t) = X(t)cos(2f
c
t + )
Densidade espectral de potncia de Y(t):
( ) ( ) ( ) [ ]
c X c X Y
f f S f f S f S + + =
4
1
Transmisso de Processos Aleatrios por Sistemas Lineares:
Relao entre a autocorrelao de entrada e de sada:
Relao entre a densidade espectral de potncia de entrada e de sada:
h(t) H(f)
X(t)
R
X
(t)
S
X
(f)
Y(t)
R
Y
(t)
S
Y
(f)
( ) ( ) ( ) ( ) ( ) ( ) f S f H f S f H f H f S
X X Y
2 *
= =
( ) ( ) ( ) ( )

+ =
2 1 2 1 2 1
d d R h h R
X Y
11. FUNES DE CORRELAO CRUZADA:
no funo par em .
no possui mximo na origem ( = 0).
obedece a relao R
XY
() = R
YX
().
( ) ( ) ( ) [ ] = t Y t X E R
XY
( ) ( ) ( ) [ ] = t X t Y E R
YX
Exemplo: Processos aleatrios modulados em quadratura:
X
1
(t) = X(t)cos(2f
c
t + )
X
2
(t) = X(t)sen(2f
c
t + )
onde uma varivel aleatria uniformemente distribuda entre 0 e 2.
Correlao cruzada entre X
1
(t) e X
2
(t):
Para = 0: R
12
(0) = 0 X
1
(t) e X
2
(t) so ortogonais.
( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) ( ) [ ]
( )
( ) ( ) [ ]
( )
( )

c
X
c c c
X
c c
c c
f
R
f f t f E
R
t f t f E t X t X E
t f t X t f t X E
t X t X E R
2 sen
2
2 sen 2 2 4 sen
2
2 sen 2 cos
2 sen 2 cos
2 1 12
=
+ + =
+ + =
+ + =
=
Densidades espectrais cruzadas:
As funes densidade espectral de potncia cruzadas no so necessariamente
funes reais da freqncia, entretanto, como temos que:
R
XY
() = R
YX
()
a seguinte relao tambm vlida:
Portanto, a soma de S
XY
(f) com S
YX
(f) real.
( ) ( ) ( ) d f j R f S
XY XY
2 exp =

( ) ( ) ( ) d f j R f S
YX YX
2 exp =

( ) ( ) ( ) f S f S f S
YX YX XY

= =
Exemplo: Densidade espectral de potncia de Z(t) = X(t) + Y(t)
X(t) e Y(t): processos aleatrios com mdia zero e WSS.
Funo de autocorrelao de Z(t):
Aplicando a transformada de Fourier em ambos os lados, temos:
Quando X(t) e Y(t) so descorrelacionados S
XY
(f) = S
YX
(f) = 0, ento
( ) ( ) ( ) [ ] ( ) ( ) ( ) ( ) ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) ( ) ( )

Y YX XY X
Z
R R R R
t Y t Y E t X t Y E t Y t X E t X t X E
t Y t X t Y t X E t Z t Z E R
+ + + =
+ + + =
+ + = =
( ) ( ) ( ) ( ) ( ) f S f S f S f S f S
Y YX XY X Z
+ + + =
( ) ( ) ( ) f S f S f S
Y X Z
+ =
13. PROCESSO GAUSSIANO
Suponha a observao de um processo aleatrio X(t) por um intervalo que se
inicia em t = 0 e dura at t = T.
Suponha tambm que X(t) seja ponderada por uma funo g(t) e que este
resultado seja integrado sobre o intervalo de observao resultando em:
onde Y denominado de uma funcional linear de X(t).
O valor da varivel aleatria Y depende do curso da funo argumento g(t)X(t)
sobre o intervalo de observao de 0 a T.
( ) ( )
=
T
dt t X t g Y
0
Ento, uma funcional uma quantidade que depende do curso completo de uma
ou mais funes ao invs de um nmero discreto de variveis.
Assim, o domnio de uma funcional um conjunto de funes admissveis ao
invs de uma regio de um espao de coordenadas.
Se a funo de ponderao g(t) for tal que o valor quadrtico mdio da varivel
aleatria Y seja finito e se Y for uma varivel aleatria com distribuio
gaussiana para todo g(t) nesta classe de funes, ento X(t) denominado de
um processo gaussiano.
Em outras palavras, o processo X(t) um processo gaussiano se toda funcional
linear de X(t) for uma varivel aleatria gaussiana.
Quando um processo gaussiano X(t) amostrado no tempo t
i
, o resultado
uma varivel aleatria gaussiana X(t
i
).
Seja m(t
i
) a mdia e
2
(t
i
) a varincia de X(t
i
) , ento a funo densidade de
probabilidade de X(t
i
) dada por:
( )
( )
( )
( ) ( )
( )
(
(

=
i
i i
i
i t X
t
t m x
t
x f
i
2
2
2
exp
2
1

Processo gaussiano:
possui muitas propriedades que fazem os resultados analticos
possveis;
processos aleatrios produzidos por fenmenos naturais so
freqentemente gaussianos;
teorema do limite central fornece uma justificativa matemtica para o
uso de processo gaussiano como modelo para um grande nmero de
fenmenos fsicos.
Propriedades de um processo gaussiano:
1. Se um processo gaussiano X(t) aplicado na entrada de um filtro linear
estvel, ento o processo aleatrio Y(t) na sada tambm gaussiano.
Dem.:
onde T o tempo de observao da entrada X(t).
Assumimos que h(t) tal que o valor quadrtico mdio de Y(t) finito para
0 t < .
Para demonstrar que Y(t) gaussiana basta mostrar que que qualquer
funcional linear dela uma varivel aleatria gaussiana.
h(t) H(f)
X(t) Y(t)
( ) ( ) ( ) < =
t d X t h t Y
T
0
0

Define-se ento a v.a.:
Assim, Z deve ser uma v.a. gaussiana para toda funo g
Y
(t), tal que o valor
quadrtico mdio de Z seja finito. Fazendo:
obtemos:
Como X(t) um processo gaussiano, ento Z deve ser uma v.a. gaussiana
Y(t) tambm um processo gaussiano.
QED
( ) ( ) ( ) ( ) ( )

= =
T
Y Y
dt d X t h t g dt t Y t g Z
0 0 0

( ) ( ) ( )
=
0
dt t h t g g
Y

( ) ( )
=
T
dt t X t g Z
0
2. Seja um conjunto de variveis aleatrias ou amostras X(t
1
), X(t
2
), ..., X(t
n
) de
um processo gaussiano X(t), ento estas variveis aleatrias so
conjuntamente gaussianas, com a funo densidade de probabilidade
conjunta sendo completamente especificada pelos conjunto das mdias e
das funes de autocorrelao:
( )
( ) [ ]
i t X
t X E m
i
=
( ) ( ) ( ) [ ]
i k i k X
t X t X E t t R =
3. Se um processo gaussiano WSS, ento o processo tambm estacionrio
no sentido estrito.
4. Se o conjunto de variveis aleatrias ou amostras X(t
1
), X(t
2
), ..., X(t
n
) de um
processo gaussiano X(t), so incorrelatas, isto ,
ento estas v.a. so estatisticamente independentes.
( ) ( ) [ ] ( ) ( ) [ ] [ ] k i t m t X t m t X E
i X i k X k
= 0
14. Processo Aleatrio de Faixa Estreita
Receptor filtragem de faixa estreita para restringir o rudo.
Sinal na sada do filtro de faixa estreita: funo amostra de um processo
aleatrio de faixa estreita.
Forma cannica de representao do processo aleatrio de faixa estreita X(t)
centrado em uma freqncia f
c
:
X
I
(t) e X
Q
(t) = componentes em fase e em quadratura de X(t), respectivamente.
( ) ( ) ( ) ( ) ( ) t f t X t f t X t X
c Q c I
2 sen 2 cos =
filtro
rudo
sinal
f
f
c
Obteno de X
I
(t) e X
Q
(t) (a menos de um fator de escala):
f 0 f 2f
c
0 -2f
c
filtro
passa-baixas
cos(2f
c
t)
X
1
(t)
X(t)
X
I
(t)/2
filtro
passa-baixas
sen(2f
c
t)
X
2
(t) -X
Q
(t)/2
f f
c
-f
c
cos() = [exp(j) + exp(-j)]/2
sen () = [exp(j) - exp(-j)]/2j
Suponha que o processo aleatrio de faixa estreita X(t) tenha as seguintes
caractersticas:
1) a densidade espectral de potncia de X(t) satisfaz a condio:
S
X
(f) = 0 para | f | f
c
W e | f | f
c
+ W
2) o processo X(t) gaussiano com mdia zero e varincia
X
, a
caracterstica de mdia zero uma conseqncia direta do fato de X(t)
ser de faixa estreita.
2
f f
c
-f
c
S
X
(f)
2W
Propriedades dos processos aleatrios X
I
(t) e X
Q
(t):
1) A componente em fase X
I
(t) e a componente em quadratura X
Q
(t) de um
processo aleatrio X(t) so ambas processos aleatrios de faixa estreita.
I
Q
(t) de um
processo aleatrio X(t) possuem densidades espectrais de potncia
relacionada com a de X(t) como se segue:
( ) ( )
( ) ( )
< < + +
= =
fora 0
- W f W f f S f f S
f S f S
c X c X
X X
Q I
Prova:
Podemos extrair X
I
(t) e X
Q
(t) de X(t) como se segue:
Obtm-se X
1
(t) = X(t)cos(2f
c
t)
X
2
(t) = X(t)sen(2f
c
t)
onde as fases das duas portadoras foram feitas iguais a zero por convenincia.
filtro
passa-baixas
cos(2f
c
t)
X
1
(t)
X(t)
X
I
(t)/2
filtro
passa-baixas
sen(2f
c
t)
X
2
(t) -X
Q
(t)/2
X
1
(t) filtrado por um FPB de faixa igual a W, resultando em X
I
(f)/2.
X
2
(t) filtrado por um FPB de faixa igual a W, resultando em X
Q
(f)/2.
A densidade espectral de potncia do processo modulado X
1
(t) relacionada
com a do processo aleatrio de faixa estreita X(t) como se segue:
A parte que cai dentro da faixa de passagem do FPB no caminho superior da
figura define a densidade espectral de potncia de X(t)/2.
( ) ( ) ( ) [ ]
c X c X X
f f S f f S f S + + =
4
1
1
Assim, pode-se expressar a densidade espectral de potncia da componente
em fase como:
Usando o mesmo argumento desenvolvido acima podemos obter a densidade
espectral de potncia da componente em quadratura:
QED
( )
( ) ( )
< < + +
=
fora 0
- W f W f f S f f S
f S
c X c X
X
I
( )
( ) ( )
< < + +
=
fora 0
- W f W f f S f f S
f S
c X c X
X
Q
I
Q
(t)
possuem a mesma mdia e a mesma varincia do processo aleatrio
X(t) de faixa estreita.
Prova:
E[X(t)] = 0 E[X
1
(t)] = 0 e E[X
2
(t)] = 0 E[X
I
(t)] = 0 e E[X
Q
(t)] = 0 (verses
filtradas de X
1
(t) e X
2
(t)).
Como E[X(t)] = 0 varincia de X(t) = valor quadrtico mdio.
Como E[X
I
(t)] = E[X
Q
(t)] = 0 varincia = valor quadrtico mdio = rea total
sob a curva do espectro de potncia:
onde a varincia do processo X(t) de faixa estreita de mdia zero.
( ) ( ) [ ]
( ) ( )
2
2 2
X
W f
W f
c X
W f
W f
c X
W
W
c X c X
X X
c
c
c
c
Q I
df f f S df f f S
df f f S f f S

= + + =
+ + = =

2
X

Se o processo aleatrio de faixa estreita X(t) gaussiano X
I
(t) e X
Q
(t) so
incorrelatas e gaussianas X
I
(t) e X
Q
(t) so estatisticamente independentes.
Seja Y e Z variveis aleatrias obtidas observando os processos aleatrios
gaussianos X
I
(t) e X
Q
(t) em um tempo fixo t.
As funes densidade de probabilidade destas variveis aleatrias com mdia
zero e varincia so:
onde Y e Z so variveis aleatrias estatisticamente independentes.
( )
( )
(
(
=
(
(
=
2
2
2
2
2
exp
2
1
2
exp
2
1
X
X
Z
X
X
Y
z
z f
y
y f

2
X

Ento, a funo densidade de probabilidade conjunta de Y e Z dada por:
Outra importante implicao destas propriedades que podemos construir um
processo gaussiano de faixa estreita X(t) por meio do seguinte esquema:
( ) ( ) ( )
( )
(
(
+
= =
2
2 2
2
,
2
exp
2
1
,
X X
Z Y Z Y
z y
z f y f z y f

cos(2f
c
t)
X(t)
X
I
(t)/2
sen(2f
c
t)
X
Q
(t)/2
+
-
Processos gaussiano passa-baixas X
I
(t) e X
Q
(t) gerados por duas fontes
independentes.
X
I
(t) e X
Q
(t) possuem mdia zero e mesma varincia do processo X(t).
Os processos X
I
(t) e X
Q
(t) so modulados individualmente por um par de
portadoras senoidais em fase e em quadratura.
Os processos modulados resultantes so ento somados para produzir o
processo gaussiano de faixa estreita X(t) .
Exemplo: Processo ruidoso gaussiano branco
Densidade espectral de potncia = cte
Qualquer duas amostras so estatisticamente independentes.
Suposio: mdia = 0 e densidade espectral de potncia = N
0
/2.
Processo ruidoso filtrado por um filtro ideal de faixa estreita resultando em um
processo gaussiano de faixa estreita com mdia = 0 e densidade espectral de
potncia:
f
N
0
/2
S
X
(f)
f
N
0
/2
S
X
(f)
f
c
-f
c
2W
Caractersticas estatsticas das componentes em fase e em quadratura de X(t):
Seguindo o procedimento dado na propriedade 2 obtemos o espectro de
potncia da componente em fase X
I
(t) e da componente em quadratura X
Q
(t):
Assim, as varincias dos processos X(t), X
I
(t) e X
Q
(t) so idnticas e dadas por:
As mdias dos processos X(t), X
I
(t) e X
Q
(t) so idnticas e iguais a zero.
f
N
0
S
X
I
(f) = S
X
Q
(f)
0 -W W
W N
X 0
2
2 =
Ento, as funes densidade de probabilidade das variveis aleatrias Y e Z
obtidas pela observao de X
I
(t) e X
Q
(t) , respectivamente, em um tempo fixo
so dadas por:
( )
( )
(
(

=
(
(

=
W N
z
W N
z f
W N
y
W N
y f
Z
Y
0
2
0
0
2
0
4
exp
2
1
4
exp
2
1

15. Envoltria e Fase do Processo Aleatrio de Faixa Estreita
Processo aleatrio de faixa estreita X(t) pode ser representado pelas suas
componentes de envoltria e fase, isto ,
onde A(t) a envoltria e (t) a fase.
Relao com as componentes em fase X
I
(t) e em quadratura X
Q
(t) do processo
X(t):
( ) ( ) ( ) [ ] t t f t A t X
c
+ = 2 cos
( ) ( ) ( )
( )
( )
( )
(
=
+ =
t X
t X
t
t X t X t A
I
Q
Q I
arctan
2 2
Seja R e variveis aleatrias obtidas observando os processos aleatrios
A(t) e (t) , respectivamente, em um tempo fixo.
Seja Y e Z variveis aleatrias obtidas pela observao de X
I
(t) e X
Q
(t) ,
respectivamente, no mesmo tempo acima.
Relao entre as funes densidade de probabilidade de R e com as
funes densidade de probabilidade de Y e Z :
Funo densidade de probabilidade conjunta de Y e Z :
( ) ( ) ( )
( )
(
(
+
= =
2
2 2
2
,
2
exp
2
1
,
X X
Z Y Z Y
z y
z f y f z y f

A probabilidade conjunta da varivel aleatria Y estar entre y e y+dy e da
varivel aleatria Z estar entre z e z+dz dada por:
dz
dy
z
y
r
( )
( )
dydz
z y
dydz z y f
X X
Z Y
(
(
+
=
2
2 2
2
,
2
exp
2
1
,

Observando a figura abaixo, temos que:
y = r cos() e z = r sen()
r e so valores amostras das variveis aleatrias R e , respectivamente.
No caso limite, temos:
dydz = r drd
dr
rd
z
y
r
d
Ento, a probabilidade das variveis aleatrias R e estarem dentro da rea da
figura anterior dada por:
ou seja, a funo densidade de probabilidade conjunta de R e dada por:
Esta funo densidade de probabilidade independente de as variveis
aleatrias R e so estatisticamente independentes, portanto

drd
r r
X X
(
(
2
2
2
2
exp
2
( )
(
(
2
2
2
,
2
exp
2
,
X X
R
r r
r f

( ) ( ) ( )

= f r f r f
R R
,
,
Em particular, temos:
uniformemente distribuda:
Ento, a funo densidade de probabilidade de R fica:
A varivel aleatria que possui a funo densidade de probabilidade acima
denominada de varivel aleatria com distribuio Rayleigh.
( )
fora 0
2 0
2
1

f
( )
>
(
(
=
fora 0
0
2
-
exp
2
2
2
r
r r
r f
X X R

Para a convenincia na apresentao grfica, fazemos;
Assim, a distribuio de Rayleigh no formato padro fica:
( ) ( ) r f v f
r
v
R X V
X
=
=
( )
>
(
(
=
fora 0
0
2
-
exp
2
v
v
v
v f
V
f
V
(v)
v 3 2 1
0,2
0,4
0,6
0,8
O pico da distribuio de Rayleigh f
V
(v) ocorre para v = 1 e igual a 0,607.
Note que a distribuio de Rayleigh zero para valores negativos de v, pois a
funo envoltria s pode assumir valores positivos.

Proc Est - ParteII

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Proc Est - ParteII

Загружено:

Авторское право:

Доступные форматы

DECOM-FEEC-UNICAMP IE-509 Processos Estocsticos para Engenharia

DECOM-FEEC-UNICAMP IE-509 Processos Estocsticos para Engenharia

DECOM-FEEC-UNICAMP IE-509 Processos Estocsticos para Engenharia

DECOM-FEEC-UNICAMP IE-509 Processos Estocsticos para Engenharia

DECOM-FEEC-UNICAMP IE-509 Processos Estocsticos para Engenharia

DECOM-FEEC-UNICAMP IE-509 Processos Estocsticos para Engenharia

Вам также может понравиться