You are on page 1of 15

# Experimento 2

Processo Aleatrio

Pr Lab. Assignment
1. a. Considerando-se que a varivel aleatria siga o modelo uniforme discreto, tmse que:
P( = n) = , para n = 1, 2, 3, 4
O valor mdio do processo aleatrio X(, t) = cos(21000t + ), denotado por E
[X(, t)], dado por:
E [X(, t)] =

X(, t)P( = n)

## Deste modo obtm-se:

E [X(, t)] = cos(21000t + 1) P( = 1) + cos(21000t + 2) P( = 2) +
cos(21000t + 3) P( = 3) + cos(21000t + 4) P( = 4)
E [X(, t)] = cos(21000t + 0)
cos(21000t + )

+ cos(21000t + /2)

+ cos(21000t + 3/2)

## O cosseno da soma de dois arcos dado por:

cos (a + b) = cos(a)cos(b) - sen(a)sen(b)
possvel reescrever E [X(, t)] da seguinte forma:
E [X(, t)] = 0,25 {[cos(21000t)cos(0) - sen(21000t)sen(0)] +
[cos(21000t)cos((/2) - sen(21000t)sen(/2)] + [cos(21000t)cos() sen(21000t)sen()] + [cos(21000t )cos(3/2) - sen(21000t)sen(3/2)] }
E [X(, t)] = 0,25[cos(21000t) - sen(21000t) - cos(21000t) + sen(21000t)]
E [X(, t)] = 0
O valor mdio quadrtico do processo aleatrio X(, t) = cos(21000t + ),
denotado por E [X2(, t)], dado por:
E [X(, t)] =

X2(, t)P( = n)

## Logo, tem se:

E [X(, t)] = cos2(21000t + 1) P( = 1) + cos2(21000t + 2) P( = 2) +
cos2(21000t + 3) P( = 3) + cos2(21000t + 4) P( = 4)
E [X(, t)] = cos2(21000t + 0)
)

+ cos2(21000t + /2)

+ cos2(21000t +

+ cos2(21000t + 3/2)
Portanto:
E [X(, t)] = 0,25[cos(21000t + 0)cos(21000t + 0) +
cos(21000t + /2)cos(21000t + /2) + cos(21000t + ) cos(21000t + ) +
cos(21000t + 3/2) cos(21000t + 3/2)]

## E [X(, t)] = 0,25{[cos(21000t)cos(0) - sen(21000t)sen(0)].[cos(21000t)cos(0)

- sen(21000t)sen(0)] + [cos(21000t)cos(/2) sen(21000t)sen(/2)].[cos(21000t)cos(/2) - sen(21000t)sen(/2)] +
[cos(21000t)cos() - sen(21000t)sen()].[cos(21000t)cos() sen(21000t)sen()] + [cos(21000t)cos(3/2) sen(21000t)sen(3/2)].[cos(21000t)cos(3/2) - sen(21000t)sen(3/2)]}

sen2(21000t)}
E [X(, t)] = 0,5

RX(t + ,) = X(,

+ ) X(, )

## RX(t + ,) = cos(21000(t + ) + ) cos(21000t + )

RX(t + ,) = {cos(21000(t t + )) + cos(21000(t + t + ) + 2)}

## Como o primeiro termo no contm qualquer varivel aleatria, substitui-se sua

mdia, cos(21000(t t + )), pelo seu prprio valor, cos(21000(t t + )).
J o segundo termo uma funo de , de modo que sua mdia dada por:

cos(21000(t + t + ) + 2) =

cos(21000(t + t + ) + 2r) dr

cos(21000(t + t + ) + 2) = 0
RX(t + ,) = cos(21000(t t + ))

b. A medias temporais de X(, t) e X2(, t), denotadas por X(, )! "! e X(, )! ",!
respectivamente, so dadas por:
X(, )! "! =

cos(21000(t) + ) dt

X(, )! "! = 0
X(, )! "! =

cos(21000(t) + ) dt

X(, )! "! =

cos(21000(t)) dt

De onde obtm-se:
X(, )! "! = 0,5

## c. O sistema aleatrio em questo possui valor mdio nulo e uma funo de

autocorrelao que independe do deslocamento da origem do tempo. Conclui-se,
portanto, que este sistema do tipo estacionrio no sentido amplo, ou fracamente
estacionrio.

A funo de autocorrelao temporal de X(, t), denotada por RX(), dada por:
RX(t + ,) = lim*, -

*/
/*/

cos(21000t + )cos(21000(t + ) + ) dt

RX(t + ,) = cos(21000(t t + ))

## O sistema aleatrio X(, t) do tipo estacionrio no sentido amplo e ergdigo.

Procedimento:
A. Wide Sense Stationarity and Ergodicity
A.1 Gerar todas as quatro funes de exemplo do processo aleatrio X (,t),
descrita na questo 1 do pr-laboratrio. Exibir as primeiras 400 amostras de
Instrues:
>> x = realize ([0 pi/2 pi 3*pi/2]);
>> subplot (221), waveplot ( x(1,1:400));
>> subplot (222), waveplot ( x(2,1:400));
>> subplot (223), waveplot ( x(3,1:400));
>> subplot (224), waveplot ( x(4,1:400));
Logo, tem se a figura 1.1

Figura 1.1

A.2 Registre o valor de cada funo amostra de X (,t) para t = 0, 0,5, 1,25, 2,2,
3,4 ms. Para cada t, avaliar o valor mdio e o valor mdio quadrtico do
conjunto.

Tabela 1.1

0.0
1
0.0002478
-1
0.2478e-3
0.0
0.5

X (1,t)
X (2,t)
X (3,t)
X (4,t)
E[X (,t)]
E[X (1,t)]

0.5
-1
-1.8370e-16
1
3.062e-16
0.0
0.5

t [msec]
1.25
3.062e-16
-1
-4.2863e-16
1
0.0
0.5

2.2
0.3090
-0.9511
-0.3100
0.9511
0.0
0.5

3.4
-0.8090
-0.5878
0.8090
0.5878
0.0
0.5

## A.3 Usando a funo ecorr do MatLab foi determina a funo autocorrelao

Rx(t1 ,t2) para os valores de t1 e t2 mostrados na tabela 1.2:
Instrues:
>> ecorr (x,t1,t2);
Cada valor de t1 e t2 foi substitudo por seus respectivos valores da tabela 1.2.
Um exemplo de como os valores da 1 linha forma encontrados:
>> ecorr (x,0.0,0.0);
Autocorrelation E(x(0.000),x(0.000)] = 5.000000e-001.
>> ecorr (x,0.0,0.7);
Autocorrelation E(x(0.000),x(0.700)] = -1.545085e-001.
>> ecorr (x,0.0,1.9);
Autocorrelation E(x(0.000),x(1.900)] = 4.045085e-001.
>> ecorr (x,0.0,2.6);
Autocorrelation E(x(0.000),x(2.600)] = -4.045085e-001.

## A tabela 1.2 completa pode ser vista logo em seguida:

Tabela 1.2

t2

0.0

0.7

1.9

2.6

0.0

5.000000e-001

-1.545085e-001

4.045085e-001

-4.045085e-001

0.7
1.9

-1.545085e-001
4.045085e-001

5.000000e-001
1.545085e-001

1.545085e-001
5.000000e-001

4.045085e-001
-1.545085e-001

2.6

-4.045085e-001

4.045085e-001

-1.545085e-001

5.000000e-001

t1

A.4 Determine os valores mdios de tempo X (,t) e X (,t) para cada valor
de . Os valores esto registrados na tabela 1.3 :
Instrues:
>> [mean(x(1,:)) meansq(x(1,:))]
>> [mean(x(2,:)) meansq(x(2,:))]
>> [mean(x(3,:)) meansq(x(3,:))]
>> [mean(x(4,:)) meansq(x(4,:))]
Tabela 1.3

1
2
3
4

X (,t)
0.0
0.0
0.0
0.0

X (,t)
0.5
0.5
0.5
0.5

## A.5 Exibir a mdia de tempo das funes de autocorrelao de X (,t):

Instrues:
>> clf

>> acf(x(1,:),100);
Figura 1.2

## A.6 Gere um segundo processo randmico Y(, t) = cos(2*pi*1000*t+ ) onde

pi=3.1415 .Definido em termos dos valores discretos da varivel fase de tal

modo que =10 e =pi com igual probabilidade. Exibir ambas as realizaes de
Y(, t). Determinar o conjunto mdia e o valor mdio quadrtico em conjunto
t = 1ms t = 1.25ms.
Instrues:
>> y = realize([0, pi]);
>> subplot(212), waveplot(y(2,1:400));
>> subplot(211), waveplot(y(1,1:400));

Figura 1.3

## Mdia e desvio padro:

Tabela 1.4

y1
1
3.062e-16

y2
-1
-4,280e-16

E[X (,t)]
0
0

E[X (,t)]
0.5
0.5

B. Correlation
B.1 Gerar 1.000 registros, cada um descrevendo a idade, a altura e o peso de uma
pessoa entre as idades de 20 e 50.
Instruo:
>> a = person_d(1000);

B.2 Usando a matriz de dados a gerar diagramas de disperso que apresentam peso
vs idade altura e idade vs altura.
Instrues:
>> subplot(131),stat_plo(a,'weight','height');
>> subplot(132),stat_plo(a,'age','height');
>> subplot(133),stat_plo(a,'age','weight');

Figura 1.4

B.3 A relao estatstica entre a idade, altura e peso parmetros podem ser estudados
por meio desses diagramas de disperso. Para investigar mais esta relao, jogar um
jogo usando a funo do MatLab guess:
Instruo:
>> guess('age','height')
B.4 Jogue um jogo de duas escolhas em que voc tem a idade da pessoa e voc est
convidado a adivinhar a altura. Use o grfico idade vs altura para auxiliar na
resposta.
Instruo:
>> guess('age','height')

## Congratulations! you have a correct guess.

TOTAL SCORE:
Number of correct guesses = 1
Number of incorrect guesses = 0
To continue to play, hit RETURN. To terminate, type TERM = term
Qual o grfico que melhor lhe assistiu durante o jogo?
O grfico que melhor ajudou foi altura vs. peso.

C. Autocorrelation Function
C.1 Autocorrelao a medida da correlao de amostras do mesmo processo
aleatrio. Para estudar este conceito, considere um processo randmico T(t) que
representa a mdia das temperaturas ao longo do dia entre 1 de Junho e 31 de
Agosto.
Instrues:
>> clf

>> subplot(211),temperat

Figura 1.5

C.2 Repita o passo anterior para um discreto valorizado processo Gaussian branco B
(t), que representam o nmero de bebs nascidos na cidade de Toronto entre 1 de
Junho e 31 de Agosto.

Instruo:
>> subplot(212),new_born

Figura 1.6

Q2.5 Qual processo aleatrio tem maior correlao entre a sua amostragem
O processo que tem maior correlao entre a sua amostragem adjacente o
processo da temperatura.
C.3 Mostrar a temperatura e as formas de onda nova-nascidos e as funes de
autocorrelao normalizada T(t)-E[T(t)] e B(t)-E[B(t)].
Instrues:
>> clf, subplot(211), temperat(0)
>> figure(2),subplot(211), new_born(0)%

Figura 1.7

Figura 1.8

Q2.6 Que onda oscila mais rapidamente? Justifique as suas respostas observando os
resultados obtidos nas questes C.1 e C.2.
A forma de onda da figura 1.8 oscila mais bruscamente, pois a correlao entre
C.4 R(3) quantifica a correlao entre amostras do processo randmico que esto
separados por 3 unidades de tempo. Mea R(3) para a temperatura e recm-nascidos
e relacione esses valores com a resposta da questo Q.26.
Observando as figuras 2.6 e 2.7 no eixo ACF, para o valor de 3 na escala de tempo,
obtemos o seguinte: RT=0,6 e RB=0 .

## D. Autocorrelation Function and Power Spectral Density Function

D.1 Gerar 4.096 amostras de um processo aleatrio correlacionados Z(t) e mostrar a
forma onda resultante:
Instrues:
>> z= corr_seq(0.85, 4096, 3, 0 );
>> waveplot(z)

Figura 1.9

## D.2 Calcular e exibir a funo de autocorrelao Rz(t) e a funo de densidade

espectral de energia Sz(f) do processo aleatrio Z(t).
Instrues:
>> clf, subplot(211), acf(z)
>> subplot(212), psd(z)

Figura 1.10

## D.3 Avaliar a mdia e o valor mdio-quadrtico de Z(t) usando Rz(t):

E[Z(t)] = -0.0310
E[Z(t)] = 11.2530
D.4 Tambm determine o valor mdio quadrtico de Z (t) usando Sz(t). O valor mdio
quadrtico equivalente rea sob a funo PSD. Devido amostragem da forma de
onda na simulao do Matlab, o valor quadrtico mdio igual rea sob a funo PSD
multiplicada por um fator de escalonamento. O fator de escalonamento o nmero de
amostras de dados dividida pela frequncia de amostragem. Na presente experincia, o
valor do fator de escalonamento 0.04096.
E[Z(t)] = 11.2530 x 0.04096 = 0.46092288

E. White Noise
E.1 Gere 1.024 amostras de um processo gaussiano de rudo branco de mdia zero de
potncia da unidade. Use esta seqncia como entrada para uma blackbox, que
representa um filtro com largura de banda e ordem desconhecidas.
Instrues:
>> clf
>> wn = gauss(0,1,1024);
>> cn = blackbox(wn);

## E.2 Alimentar a sada da blackbox, a um filtro passa-faixa com banda de passagem

varivel.
Instruo:
>> spect_es(cn)
-----------------------------------------------------------------------FOR SPECTRAL ESTIMATION FREQUENCY RANGE SHOULD BE [ 0,
] Hz.
-----------------------------------------------------------------------Enter frequency range [FREQ_START, FREQ_STOP] [Hz] ..... = [0,5000]
Enter bandwidth for BPF [Hz] ........................... = 250
o PSD estimate at

## 125.00 [Hz] is 1.45e-08 [W].

o PSD estimate at

## 375.00 [Hz] is 2.89e-07 [W].

o PSD estimate at

## 625.00 [Hz] is 1.85e-06 [W].

o PSD estimate at

## 875.00 [Hz] is 2.14e-05 [W].

o PSD estimate at

## 1125.00 [Hz] is 1.46e-04 [W].

o PSD estimate at

## 1375.00 [Hz] is 5.42e-04 [W].

o PSD estimate at

## 1625.00 [Hz] is 9.08e-04 [W].

o PSD estimate at

## 1875.00 [Hz] is 7.14e-04 [W].

o PSD estimate at

## 2125.00 [Hz] is 1.59e-03 [W].

o PSD estimate at

## 2375.00 [Hz] is 1.48e-03 [W].

o PSD estimate at

## 2625.00 [Hz] is 6.04e-04 [W].

o PSD estimate at

## 2875.00 [Hz] is 9.17e-05 [W].

o PSD estimate at

## 3125.00 [Hz] is 4.72e-05 [W].

o PSD estimate at

## 3375.00 [Hz] is 2.07e-05 [W].

o PSD estimate at

## 3625.00 [Hz] is 5.91e-06 [W].

o PSD estimate at

## 3875.00 [Hz] is 2.32e-06 [W].

o PSD estimate at

## 4125.00 [Hz] is 6.35e-07 [W].

o PSD estimate at

## 4375.00 [Hz] is 1.24e-07 [W].

5000.00

o PSD estimate at

## 4625.00 [Hz] is 1.91e-08 [W].

o PSD estimate at

## SPECTRAL ESTIMATION process is complete

Hit any key to display the estimated magnitude spectrum.

Figura 1.11

## E.3 Plotar a sada da funo spect_est no Grfico 4.1. Comparar a preciso da

estimativa espectral que se aproxima da resposta em freqncia do blackbox sobrepondo
a funo PSD da sada blackbox:
Instruo:
>> hold on, psd(cn)

Figura 1.12