Академический Документы
Профессиональный Документы
Культура Документы
1-1
RA: 11026107
2-4
1. INTRODUO
A necessidade de extrao ou restaurao da informao contida em um sinal a
partir de uma verso corrompida do mesmo uma necessidade recorrente em
processamento de sinais. Tanto o problema de equalizao como o de separao cega
de fontes se encaixam neste contexto.
2-1
2-3
2-2
2-5
2. FUNDAMENTAO TERICA
3-2
3-1
Esperana
A esperana de uma varivel aleatria por definio a mdia de sua distribuio de
probabilidades. Sendo definida pelo smbolo E(x). Caso x seja uma varivel aleatria
discreta assumindo valores {x1,x2,x3,...} com probabilidade {p1,p2,p3, ...},
respectivamente, ento sua esperana dada pela frmula:
E(x) = xi p( xi ) ()
i=1
3-3
3-4
Desde que o somatrio seja bem definido. Caso E(x) seja finita, diz que x integrvel.
Correlao Cruzada
3-5
A medida de correlao entre duas variveis aleatrias x e y pode ser definida, como
sendo o quo forte um par de variveis esto relacionadas. A correlao entre duas
variveis distintas pode ser definida como:
4-5
()
4-1
() = E[x(t) x(t + )]
()
5-2
5-1
Imagine que voc est em uma sala onde duas pessoas esto falando
simultaneamente. Voc tem dois microfones fixados em dois locais distintos. Esse dois
microfones fornecem duas gravaes de sinais temporais, os quais podemos denotar
por X1(n) e X2(n) no instante n.
A figura 1 ilustra o problema citado para o caso de M misturas. Na figura 1 temos N
fontes independentes sendo tambm N o total de sinais recuperados. Denotamos a
matriz de mistura por A e a matriz de separao por W.
Cada uma das gravaes temporais fornecidas por cada microfone uma soma
ponderada dos sinais emitidos. Podemos expressar o vetor X(n) que contm as
observaes (amostras) de um total de M misturas (geralmente MN) pela equao:
X(n) = A . S(n) ()
6-1
Onde S(n) = [ S1(n), S2(n), S3(n), ... , SN(n) ] um conjunto com N fontes
independentes. De maneira geral, no caso de misturas instantneas, podemos
representar cada elemento do vetor de observaes X(n) como sendo :
X1 = A11S1 + A12S2 +...A1NSN
X2 = A21S1 + A22S2 +...A2NSN ()
.
.
.
XM = AM1S1 + AM2S2 +...AMNSN
()
sabemos que A. A-1 = I e que qualquer matriz T multiplicada pela identidade I resulta
na prpria matriz, ou seja, T. I = T, ento realizando as substituies necessrias,
chegamos na equao 7.
A chave para a estimativa do modelo ICA a busca da independncia entre os sinais.
Visto que as fontes so independentes e, se os sinais Y(n) tambm forem
independentes, garantimos que estes sinais sero iguais a S a menos de um ganho e de
uma ambiguidade de ordem. As restries impostas para isso so:
7-1
() = [ ()]
=1
7-2
7-3
()
onde
C = DP
()
p (x, y)
()
[p(x)p(y)]
7
8-1
A informao mtua entre duas variveis ser baixa quando elas forem fracamente
correlacionadas e, alta, na situao contrria. Essa grandeza sempre no-negativa e
vale zero se e somente se vigora uma condio de independncia. Assim, I(x,y) = 0
somente se x e y forem independentes.
Assim, tal medida se torna interessante para ser usada como critrio para separao
de fontes. De fato, a minimizao da informao mtua equivalente a maximizao
da soma das no-gaussianidades das estimativas, quando as estimativas so foradas a
serem descorrelacionadas. A restrio de descorrelao no de fato necessria, mas
simplifica consideravelmente o mtodo computacional empregado.
8-2
8-3
8-5
()
()
()
8-4
0.5
Fonte 2
9-1
-0.5
-1
-1
-0.5
0.5
1.5
Fonte 1
-1
-2
-3
-4
-2.5
-2
-1.5
-1
-0.5
0.5
1.5
2.5
Dados misturados
1.5
0.5
-0.5
-1
-1.5
-2
-2
-1.5
-1
-0.5
0.5
1.5
Branqueamento
10
2.2.2 Infomax
Um algoritmo bastante conhecido pela comunidade cientfica e estudado foi o
Infomax [16]. Ele baseado no conceito de maximizao da entropia dos sinais de
sada Y.
No houve necessidade de branqueamento do sinal de mistura observado, uma vez
que a convergncia ocorreu sem grandes esforos adicionais como veremos a seguir.
11-1
Para essa verso do Infomax, temos a atualizao da matriz W dada pela equao
abaixo:
W W + .{ [WT] -1 + E[(1 2Y ) XbT]} ()
11
W W + { I + E[ M tanh(Y)YT YYT] } ()
12-1
onde M = diag(m1, . . . ,mn) uma matriz diagonal tal que, idealmente, mi = 1 para
fontes super-gaussianas e mi = 1 para fontes sub-gaussianas. A adaptao dos
parmetros feita atravs da seguinte equao:
= sign(E{sech2(Yi)}E{Y2i } E{tanh(Yi)Yi}) ()
2.2.5 No-Gaussianidade
Outra forma de separarmos sinais misturados explorando o Teorema Central do
Limite, um resultado clssico na teoria da probabilidade, que mostra como a
distribuio de uma soma de variveis aleatrias independentes, que no sejam
gaussianas, tende em direo a distribuio gaussiana, sob certas condies. Assim, a
soma de duas variveis independentes normalmente tem uma distribuio que se
12
12-2
2.2.6 Curtose
definida como uma medida robusta de disperso que caracteriza o "achatamento"
da curva da funo de distribuio da varivel aleatria em relao a uma curva padro
ou curva normal. Pode ser positiva ou negativa. Variveis aleatrias que tem curtose
negativa so chamadas de sub-gaussianas, e aquelas com curtose positiva so
chamadas super-gaussianas.
A curtose de y classicamente definida como:
k(y) = E( 4 ) 3(E{ 2 })2 ()
()
onde um escalar.
Alm disso, um sinal gaussiano possui curtose nula. Sendo assim, podemos us-la
para medir a no gaussianidade de um sinal definindo o seguinte critrio:
13
mx | k(y)|
()
2.2.7 Negentropia
A negentropia se baseia no fato de que a entropia de uma varivel gaussiana maior
do que a entropia de todas as outras variveis aleatrias de mesma varincia. De fato,
isso mostra que a distribuio gaussiana a mais aleatria ou a menos estruturada
de todas as distribuies [11]. Entropia pequena para distribuies que so
claramente concentradas em certos valores. Assim, a negentropia pode ser definida
como:
J(y) = H(yGauss ) H(y) ()
Onde yGauss a varivel aleatria gaussiana de mesma matriz de covarincia que y.
Devido s propriedades salientadas, a negentropia sempre no negativa, e nula se e
somente se y for gaussiana. Visto que a estimao da entropia de uma varivel uma
tarefa computacionalmente difcil, necessrio se utilizar aproximaes de (23). Como
exemplo, uma aproximao possvel usar momentos de ordem superior:
J (y)
1
1
E(y 3 )2 + k(y)2 ()
12
48
14
14-1
Considere uma matriz A quadrada e compatvel com (4), com coeficientes aleatrios
uniformemente distribudos. Considere tambm que X(n) foi previamente prbranqueado como discutido na seo 2.2.1.
Assim, a equao de adaptao do algoritmo Fast-ICA dada por [2]:
W E{ Xb.g(WT. Xb)} E{g(WT. Xb)}W ()
Denotamos por g e g a derivada de primeira e segunda ordem, respectivamente da
funo g no-linear usada na equao 25. Alguns exemplos de funes bastante
usadas so:
g1(u) = tanh(a1.u)
g2(u) = u.exp(-u2/2)
onde 1 a1 2 uma constante adequada, muitas vezes tomada como a1 = 1 [8].
Na seo 3 de simulaes que ser mostrada a seguir, foi adotado g'(u)=tanh(u) e
g"(u)=sech2(u).
Em seguida, veremos como as tcnicas apresentadas aqui podem ser estendidas e
usadas no contexto de misturas convolutivas.
() = [ ( ) ( )]
(26)
=1 =0
para j=1,...,M, de maneira que o sinal recebido uma composio de sinais filtrados.
Aji um filtro FIR com ordem P-1. Cada escalar Aji(l) determina o quanto da fonte i
15
(27)
() = ()
=1
Aji(1), ... , Aji(P-1)] seja a resposta ao impulso de um filtro FIR (resposta ao impulso
finita) de comprimento P.
J a matriz separadora (ou matriz inversa) W similar a matriz A, porm contm
filtros Wij = [Wij(0), Wij(1), ... , Wij(Q-1)] separadores, de comprimento Q e tem
dimenso NxM. Depois de estimada a matriz, cada fonte recuperada Yi(n)
encontrada da seguinte forma:
() = [ () ( )]
(28)
=1 =0
A separao, neste caso, pode ser obtida atravs de um conjunto de filtros Wij de
maneira que a estimativa das fontes tambm resulta de um processo de filtragem.
16
Note pela figura 4 que o modelo de mistura, assim como o sistema separador, so
basicamente filtros com mltiplas entradas e mltiplas sadas (MIMO - Multiple Input
Multiple Output). Pode-se utilizar a notao matricial para representao do sistema,
assim como nas equaes 4 e 6, simplesmente alterando-se as matrizes A e W.
Existem vrios mtodos propostos na literatura que permitem estimar a matriz W
e/ou extrair as fontes conhecendo-se somente as misturas X(n) . Uma questo de
extrema relevncia diz respeito s condies sob as quais possvel inverter
perfeitamente o processo de mistura por meio de uma estrutura linear.
Matematicamente, queremos determinar sob quais condies possvel obter um
filtro W[z] tal que
W[z].A[z] = I
(29)
Esta condio conhecida no contexto de comunicaes como condio zeroforcing, e W[z] denominado equalizador zero-forcing [8].
No contexto de filtros MIMO, a condio de inversibilidade do sistema definida
atravs do posto da matriz A[z] [8].
Teorema 1: Seja A[z] uma matriz polinomial representada atravs da sua transformada
z A[z] = A(0) + A(0)z-1 + ... + A(P-1)z-P+1 . Existir uma matriz polinomial W[z] tal que
W[z]A[z] = I se somente se o posto de A[z] for completo, para qualquer valor de z na
circunferncia de raio unitrio, |z|=1.
O teorema assegura a existncia de uma matriz linear capaz de inverter a mistura. No
entanto, no garante que a estrutura possua resposta ao impulso finita, ou FIR,
tampouco que ser causal.
Em alguns casos possvel inverter um sistema MIMO-FIR com outra estrutura de
mesma natureza. De fato, isso ocorre para os casos enunciados no seguinte teorema,
que corresponde Identidade de Bezout [8].
Teorema 2: Seja A[z] uma matriz polinomial retangular, tal que o posto de A[z] seja
completo para qualquer z incluindo . Ento existe uma matriz polinomial
[] = ( )
(30)
=0
casos restritos, a condio expressa pelo teorema 2 quase sempre satisfeita [8]. O
mesmo, no entanto, no ocorre para o caso em que as matrizes so quadradas.
Neste trabalho, estudamos algumas tcnicas para separao de misturas
convolutivas no domnio temporal e tambm no domnio da frequncia. Tais mtodos
sero descritos a seguir.
() = ()
(32)
(33)
Com relao s etapas citadas acima, a operao (32) pode ser considerada como
branqueamento convencional, o que consiste da anlise de componentes principais e
18
1) W = E [ (W T ) ] 3W
19-1
(34)
2) W = ||W||
(35)
(36)
19
Tendo estimado W atravs de (34) e (35) ou (36) permite-se obter uma estimativa
de uma das fontes, a menos de um fator de escala e um fator de atraso. O vetor Yi(n)
extrado atravs da equao (37).
(n) = W () = ()
T
(37)
=1
onde W uma matriz composta por V entradas de coeficientes Wm que, juntos com
(32), resulta em uma combinao convolutiva Yi(n) das observaes.
Realizando tais procedimentos e considerando todas as suposies iniciais j
comentadas em tpicos anteriores desse trabalho, temos que rememorar que o
objetivo principal da tcnica BSS, no caso convolutivo, tipicamente estimar a
contribuio de todas as fontes em cada observao. Esse mtodo chamado de
Mtodo Baseado em Deflao, consiste em subtrair cada fonte recuperada das
misturas X(n) e rodar o algoritmo novamente, de forma a recuperar uma outra fonte,
diferente da primeira j identificada. Para isto, aps a recuperao da fonte,
precisamos identificar qual a contribuio do sinal Yj(n) em cada mistura Xi (n) . Os
filtros que permitem executar tal tarefa so chamados de filtros de colorao e
denotaremos por Cij(n) o filtro que representa a contribuio da i-sima fonte na jsima mistura.
A minimizao do erro mdio quadrtico resulta nos conhecidos filtros de Wiener
[10 ].
Cij = R1
j . rYj Xi
(38)
Assim sendo, caso N 1, existir mais fontes a serem recuperadas, ento as etapas
descritas nas equaes de 31 35 devem ser repetidas. Para facilitar, podemos
enumerar os passos a serem seguidos:
1) Identificar os vetores Yi(n) de uma fonte Si(n) a partir das observaes X(n).
2) Identifica-se os M filtros de colorao e aplica-os ao vetor Yj(n) a fim de
recuperar as contribuies de Si(n) em cada observao, isto , Xj(n).
3) Subtrai-se as contribuies de todas as observaes.
4) Seleciona-se N N 1. Caso N 1, retorna-se para o passo 1) a fim de extrair
a outra fonte.
21
O primeiro passo transformar cada um dos sinais Xj (n), j=1,...,M para o domnio
da frequncia Xj (,t), com = 0,..., -1 (onde w o ndice em frequncia e t o
ndice temporal de cada quadro), utilizando para tal a Transformada de Fourier de
Tempo-Curto (STFT em ingls).
O fluxo BSS no domnio da frequncia mostrado conforme denota a figura 5.
Usando a Transformada de Fourier de Tempo-Curto, os sinais observados no domnio
do tempo so transformados em sinais no domnio da frequncia atravs da operao
abaixo:
1
(, ) = ( + ) () /
(39)
=0
22-1
22-2
(40)
1
= (, ) /
(41)
=0
24-1
(42)
onde Bi() um vetor que compe a matriz de separao B(). A funo nolinear g(.) empregada pelo artigo foi g(u) = log(0.1+u) e g'(.) denota seu diferencial.
A fim de recuperar as fontes de forma satisfatria no domnio temporal, todas
indeterminaes, tanto de permutao quanto de escala, devem ser resolvidas antes
de aplicar a Transformada Inversa de Fourier em Tempo-Curto.
Mesmo realizando a operao de atualizao referente matriz de separao B()
(42), restar a ambiguidade.
A fim de sanar o problema de permutao, antes de mais nada deve-se considerar
alguns fatores. Quando aplica-se a Transformada de Fourier de Tempo-Curto, os
espectros do vetor de observao das fontes mudam ao longo da frequncia, o que
quer dizer que se as frequncias so muito estreitas, os espectros vizinhos dessas
frequncias tero alto grau de correlao. Alm disso, pode-se esperar que a matriz de
separao obtida pelo Fast-ICA nas frequncias adjacentes no sero muito diferentes
e portanto a ordem de recuperao tambm no.
Devido a isso, emprega-se para o clculo da matriz de separao para calcular a
frequncia atual. Inicia-se a matriz B() com valores aleatrios uniformemente
distribudos, comeando da frequncia mais baixa o e, para se calcular B(1),
inicializa-se a matriz com B(o), conforme ilustrado na figura 6 . Veja o resultado
obtida na frequncia anterior:
11 ()
=[
1 ()
1 ()
]
()
B
= B
1/
3 Resultados de Simulao
3.1
26-1
27
28
29
30
O que inferimos que o vetor Y1 a fonte recuperada de S2 , uma vez que a figura 12
deixa claro a existncia de uma forte correlao entre ambos.
Rodando o algoritmo mais uma vez para recuperar a segunda fonte, obtemos a figura
13 que mostra uma forte correlao entre S1 e, o prximo vetor Y2 , representado na
figura 13 pela denominao Y11.
Por fim, foi feita a ltima correlao, entre S2 e Y2 , a fim de certificarmos que a
recuperao de S1 ocorreu de forma satisfatria. A figura 14 abaixo, de fato, exibe um
padro grfico que denota baixo grau de correlao entre ambos.
31
(43)
32
A21=[ 1 3 ];
A22=[ 1 2 ];
Primeiramente, simulamos o Fast-ICA frequencial descrito na seo 2.4.1.
A aplicao da Transformada de Fourier de Tempo-Curto requer a escolha do
tamanho da janela deslizante a ser utilizada sobre o sinal. A janela aqui adotada foi do
tipo hanning de tamanho igual a 1024 com 50% de sobreposio. Isso nos fornece 512
frequncias e 350 amostras temporalmente diferentes. Em seguida, de posse das
matrizes com as informaes na base tempo-frequncia, branqueia-se os sinais de
mistura a fim de tornar os sinais descorrelacionados e obter covarincia nula.
A matriz de separao B() inicializada com valores distribudos uniformemente
e independentes, ao passo que a funo no-linear adotada para atualizao da matriz
foi g(u) = log( 0.1 + u).
O resultado grfico da simulao retratado pelas figuras 15 e 16 a seguir.
1
Estimativa Fonte 2
Fonte 2
0.8
Valores em amplitude
0.6
Zoom
0.4
0.2
0
-0.2
-0.4
-0.6
Medida de erro?
-0.8
-1
0.2
0.4
0.6
0.8
1
1.2
Num. amostras
1.4
1.6
1.8
2
5
x 10
33
1
Estimativa Fonte 1
Fonte 1
Valores em amplitude
0.5
-0.5
-1
-1.5
0.2
0.4
0.6
0.8
1
1.2
Num. amostras
1.4
1.6
1.8
2
5
x 10
[( ())2 ]
=
[( () ())2 ]
34
A fonte 1 pde ser estimada de forma satisfatria ainda que a figura 17 abaixo
mostre que os dois sinais, original e recuperado, no se sobrepe perfeitamente. A
reproduo sonora da fonte permite observar que o sinal foi separado com sucesso.
1
Estimativa Fonte 1
Fonte 1
Valores em amplitude
0.5
-0.5
-1
-1.5
0.5
1
1.5
Num. amostras
2.5
5
x 10
35
1
Estimativa Fonte 2
Fonte 2
Valores em amplitude
0.5
-0.5
-1
-1.5
0.5
1
1.5
Num. amostras
2.5
5
x 10
(44)
36
As figuras 19 e 20, 21 e 22 mostram os resultados obtidos com a aplicao do FastICA e Infomax frequenciais respectivamente.
1
Estimativa Fonte 1
Fonte 1
Valores em amplitude
0.5
-0.5
-1
-1.5
0.5
1
1.5
Num. amostras
2.5
5
x 10
37
1
Estimativa Fonte 2
Fonte 2
0.8
Valores em amplitude
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0.5
1
1.5
Num. amostras
2.5
5
x 10
1
Estimativa Fonte 2
Fonte 2
0.8
Valores em amplitude
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0.2
0.4
0.6
0.8
1
1.2
Num. amostras
1.4
1.6
1.8
2
5
x 10
38
1
Estimativa Fonte 1
Fonte 1
0.8
Valores em amplitude
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0.2
0.4
0.6
0.8
1
1.2
Num. amostras
1.4
1.6
1.8
2
5
x 10
Para finalizar essa etapa de simulaes utilizaremos uma matriz de mistura A com
um nmero ainda maior de elementos de atraso:
(45)
39
Infomax. Essa pequena diferena, ainda que sutil, foi mais acentuada do que as SIRs
para a estimativa de fonte 1. Vide tabela 1.
Com intuito de melhor mensurar os resultados obtidos com relao s SIRs obtidas
para o Fast-ICA e para o Infomax alm dos percentuais de variaes com relao a uma
mesma matriz de mistura, a tabela 1 foi construda.
Tabela 1: Valores correspondentes s SIRs dos algoritmos em frequncia
SIR1
SIR2
SIR1
SIR2
Fast-ICA
vs
Infomax
Fast-ICA
vs
Infomax
Equ. (43)
1.5708
1.6442
0.6344
0.5910
60%
64%
Equ. (44)
1.4079
0.6351
1.3217
0.6588
6,5%
4,5%
Equ. (45)
0.5981
1.1243
1.4214
1.2129
138%
7%
Com os valores dispostos na tabela 1 fica mais fcil visualizar que algoritmo
predomina em uma dada simulao. Na verdade, como variou-se apenas os padres
da matriz de mistura, teve-se ora melhor desempenho do Fast-ICA, ora melhor
desempenho do Infomax. Preponderantemente, se levarmos em conta as trs
simulaes realizadas, o Fast-ICA teve desempenho superior em 67% dos casos.
Considerando tambm a velocidade nas estimativas das fontes 1 e 2 aqui trabalhadas e
na qualidade sonora dessas estimativas, o Fast-ICA tambm sobressai com pequena
vantagem.
41
4. CONCLUSO
Neste trabalho, implementamos algumas tcnicas de separao de fontes para
misturas convolutivas tanto no domnio temporal como no domnio da frequncia,
aplicando-se a Transformada de Fourier de Tempo Curto.
No que tange o Fast-ICA , no domnio temporal, no foi possvel conseguir a
recuperao das duas fontes quando consideramos sinais de voz. Uma das fontes foi
recuperada corretamente, mas a segunda no. Acreditamos que ainda possa haver
algum problema na etapa de recolorao, o qual no foi possvel de se resolver no
perodo deste estudo. J considerando-se fontes aleatrias e independentes, o
desempenho do algoritmo foi bastante satisfatrio.
Com relao aos algoritmos no domnio da frequncia, Infomax e Fast-ICA
revisitados, tiveram melhor desempenho que o algoritmo testado no domnio
temporal. Como resultado das simulaes realizadas com sinais de voz, vimos que
difcil dizer qual dos dois possui um melhor desempenho, j que a situao se inverteu
dependendo da matriz de mistura utilizada. Por outro lado, importante observar que
o algoritmo Infomax no convergiu para todas as simulaes, conseguindo recuperar
as fontes corretamente em cerca de 60% das simulaes realizadas.
42
5. REFERNCIAS BIBLIOGRFICAS
[1] Johan Thomas, Yannick Deville, e Shahram Hosseini. Time-Domain Fast Fixed-Point
Algorithms for Convolutive ICA, IEEE SIGNAL PROCESSING LETTERS, VOL. 13, NO. 4,
APRIL 2006
[2] A. Hyvarinen and E. Oja, A fast fixed-point algorithm for independent component
analysis, Neural Comput., vol. 9, pp. 14831492, 1997.
[3] HYVARINEN, A. KARHUNEN, J. OJA, E. Independent component analysis. JohnWiley
& Sons, 2001.
Padronizar.
[4] HAYKIN, S. CHEN, Z. The cocktail party problem. Neural Computation, 17:18751902, 2005.
[5] DUARTE, L. T. Um estudo sobre separao cega de fontes e contribuies ao caso
de misturas no-lineares. Masters tesis, Universidade Estadual de Campinas
(UNICAMP), 2006.
[6] Smaragdis, Paris. Blind Separation of Convolved Mixtures in the Frequency
Domain. Machine Listening Group - MIT Media Laboratory - Cambridge, MA 02139,
USA.
[7] Xie, Peng and Grant, Steven L. A Fast and Efficient Frequency-Domain Method for
Convolutive Blind Source Separation. Dept. of Electrical and Computer Engineering Missouri University of Science and Technology - Rolla, MO 65409, USA.
[8] Suyama, Ricardo. Tese ( Doutorado) - Proposta de mtodos de separao cega de
fontes para misturas convolutivas e no-lineares. Departamento de Comunicaes
Universidade Estadual de Campinas SP 24 de agosto de 2007.
[9] A. Hyvarinen, Fast and robust fixed-point algorithms for independent component
analysis, IEEE Trans. Neural Netw., vol. 10, no. 3, pp. 626634, May 1999.
[10] S. V. Vaseghi, Advanced Digital Signal Processing and Noise Reduction. Chichester,
U.K.: Wiley, 2000.
[11] Oliveira da Silva, Alan Paulo. Tese ( Ps-graduao) - Uma implementao da
Anlise de Componentes Independentes em Plataforma de Hardware Reconfigurvel.
Departamento de Computao e Automao Universidade Federal do Rio Grande do
Norte RN junho de 2010.
Padronizar notao.
43
44
Notes
1-1
2-1
2-2
2-3
2-4
2-5
3-1
3-2
3-3
3-4
3-5
4-1
4-2
4-3
4-4
4-5
5-1
5-2
16/12/2014 07:44
Misturas
16/12/2014 07:44
Arranjos
16/12/2014 07:44
Tenses
16/12/2014 07:44
Explicar melhor.
16/12/2014 07:44
Dos
16/12/2014 07:44
Problemas
16/12/2014 07:44
Conjunta
16/12/2014 07:44
No foi definido.
16/12/2014 07:44
De
16/12/2014 07:44
Por que voc usou v.a.s contnuas aqui e discretas na definio de esperana?
16/12/2014 07:44
Notes
6-1
7-1
7-2
7-3
7-4
8-1
8-2
8-3
8-4
8-5
9-1
11-1
12-1
12-2
14-1
15-1
19-1
22-1
ii
16/12/2014 07:44
Sem pargrafo.
16/12/2014 07:44
Plural
16/12/2014 07:44
Plural.
16/12/2014 07:44
Talvez fosse interessante mostrar, passo a passo, a derivao de (8) a partir de (6),
16/12/2014 10:10
Na verdade, esta a definio de informao mtua. A expresso acima no a definio, mas uma
forma alternativa de se escrever essa grandeza.
16/12/2014 10:10
Por que?
16/12/2014 10:10
Referncias?
16/12/2014 10:10
Quais?
16/12/2014 10:10
???
16/12/2014 10:10
No foram definidas.
16/12/2014 10:10
Alterar notao.
16/12/2014 10:10
Notao!!!
Notes
22-2
24-1
26-1
iii
16/12/2014 10:10
Definir.
16/12/2014 10:10
Negrito.
16/12/2014 10:10
Qual?