Gaussian

Introducao aos Processos Estocasticos -
Processos Estocasticos Gaussianos

Eduardo M. A. M. Mendes
DELT - UFMG
Programa de Pos-Graduacao em Engenharia Eletrica
Universidade Federal de Minas Gerais
emmendes@cpdee.ufmg.br
Eduardo Mendes (DELT - UFMG Programa de P os-Graduacao em Engenharia Eletrica Universidade Federal de Minas Gerais emmendes@cpdee.ufmg.br) MACSIN 1 / 43
Introducao
Muito importante na pratica
1) Fisicamente justicavel pelo TLC.
2) Matematicamente manipulavel.
3) PDF conjunta de amostras N(,
2
).
4) Denida apenas por dois momentos.
a) Se os momentos podem ser estimados estimativa da pdf N(, ).
b) Se PA e WSS Estacionariedade.
5) A sada de um sistema linear cuja entrada e um PA gaussiano e
tambem um PA gaussiano.
Introducao (cont.)
Deni cao: Caso Discreto
X =
_
X
1
X
2
. . . X
N
_
T
N(, c)
A pdf e
p
X
(x) =
1
(2)
N
2
det
1
2
(c)e
1
2
(x)
T
c(x)
onde
= E
X
[x] =
E
X
1
(x
1
)
.
.
.
E
X
N
(x
N
)
c = E
X
(X E
X
[x])(X E
X
[x])
T
Var (X
1
) cov(X
1
, X
2
) . . . cov(X
1
, X
N
)
.
.
. Var (X
2
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
cov(X
N
, X
1
) . . . . . . Var (X
N
)
Introducao (cont.)
1) Somente os dois primeiros momentos e c.
2) Se VAs sao nao correlacionadas c e diagonal VAs independentes.
3) Y = G
..
MN, MN
X Y N(G, GCG
T
)
Exemplo: WGN denido IID com X[n] N(0,
2
) e X com dimensao K.
Introducao (cont.)
p
X
(x) =
K
i =1
p
X
[x
i
](X[x
i
])
=
K
i =1
1
2
2
e
1
2
2
X
2
[n
i
]
=
1
(2
2
)
K
2
e
1
2
2
x
T
x
=
1
(2)
K
2
det
1
2
(
2
I )
e
1
2
x
T
(
2
I )
1
x
ou simplesmente N(0,
2
I), rudo gaussiano branco (WGN).
Introducao (cont.)
Exemplo:
X[n] =
1
2
(U[n] + U[n 1])
onde U[n] e WGN com variancia
2
U
. Para mostrar que e um PA gaussiano
considere
K = 2, n
1
= 0, n
2
= 1
logo
_
X[0]
X[1]
_
. .
X
=
_
1
2
1
2
0
0
1
2
1
2
_
. .
G
_
_
U[1]
U[0]
U[1]
_
_
. .
U
ou X N(0, Gc
U
G
T
) = N(0,
2
U
GG
T
).
Para n
1
= n
0
e n
2
= n
0
+ 1
Introducao (cont.)
_
X[n
0
]
X[n
0
+ 1]
_
=
_
1
2
1
2
0
0
1
2
1
2
_
_
_
U[n
0
1]
U[n
0
]
U[n
0
+ 1]
_
_
que leva ao mesmo resultado.
Transforma cao Linear de U produz outro vetor aleatorio gaussiano, ou
seja, X[n] e um PA gaussiano.
U[n]
1
2
+
1
2
z
1
. .
Filtro Suavizador
X[n] =
1
2
U[n] +
1
2
U[n 1]
Por exemplo, se o ltro e realmente um suavizador
P(X[1] X[0] > 1) < P(U[1] U[0] > 1)
Introducao (cont.)
mas
P(U[1] U[0]) N(0, 2)
pois U[n] N(0, 1) e independente.
Logo
P(U[1] U[0]) = Q
_
1 0
2
_
= Q
_
1
2
_
= 0, 2398
Para encontrar P(X[1] X[0] > 1) seja y = X[1] X[0].
y =
_
1 1
. .
A
_
X[0]
X[1]
_
. .
X
N(AE[X], Ac
X
A
T
)
com AE[X] = 0 (X[n] tem media zero).
Var (Y) = Ac
X
A
T
=
_
1 1
c
X
_
1
1
_
Introducao (cont.)
mas
_
X[0]
X[1]
_
. .
X
=
_
1
2
1
2
0
0
1
2
1
2
_
. .
G
_
_
U[1]
U[0]
U[1]
_
_
. .
U
logo
c
X
= Gc
U
G
T
= G
2
U
I G
T
= GG
T
=
_
1
2
1
2
0
0
1
2
1
2
_
_
_
1
2
0
1
2
1
2
0
1
2
_
_
=
_
1
2
1
4
1
4
1
2
_
Introducao (cont.)
e
Var (Y) =
_
1 1
_
1
2
1
4
1
4
1
2
_ _
1
1
_
=
1
2
o que implica em Y N
_
0,
1
2
_
.
P(X[1] X[0] > 1) = P(Y > 1) = Q
_
_
1 0
_
1
2
_
_
= Q
_
2
_
= 0, 0786 < 0, 2398 = P(U[1] U[0])
Processo Wiener em Tempo Discreto
Movimento Browniano = Passeio Aleatorio com passos gaussianos
X[n] =
n
i =0
U[i ] n 0
onde U[n] e WGN com variancia
2
U
.
Figura 1: Realiza cao de Processo Wiener
Processo Wiener em Tempo Discreto (cont.)
Qualquer conjunto de amostras e uma transformacao linear de U[i ]s o
que resulta em um PA gaussiano.
A variancia e
Var (X[n]) = (n + 1)
2
U
ou seja, um processo nao-estacionario.
PA Gaussiano
Propriedades de um PA Gaussiano
1) Se as amostras sao nao-correlacionadas - independencia.
2) Se um PA Gaussiano e WSS - estacionario no sentido restrito
Transforma coes Lineares - Novos PAs Gaussianos podem ser denidos
como sada de ltros LTI com entradas gaussianas
Filtro MA
U[n]
1
2
+
1
2
z
1
X[n]
Filtro AR
U[n]
1
1 az
1
X[n]
X[n] = aX[n 1] + U[n] com |a| < 1
PA Gaussiano (cont.)
Filtro MA
U[n] 1 bz
1
X[n]
X[n] = U[n] bU[n 1]
Filtro ARMA
U[n]
1 bz
1
1 az
1
X[n]
X[n] = aX[n 1] + U[n] bU[n 1] com |a| < 1
ou na forma geral
1 b(1)z
1
b(2)z
2
b(q)z
q
1 a(1)z
1
a(2)z
2
a(p)z
p

PA Gaussiano (cont.)
X[n] =
p
k=1
a[k]X[n k] + U[n]
q
k=1
b[k]U[n k]
um ARMA(p,q), onde U[n] e WGN com variancia
2
U
.
Exemplos
Em geral assumimos que X[n] e gaussiano e WSS com media
X
e ACS
r
X
[k]
X[n]
..
Gaussiano WSS
H(f ) Y[n]
..
Gaussiano WSS
Y[n]
_

Y
=
X
H(0)
P
Y
(f ) = |H(f )|
2
P
X
(f )
Exemplo: ARMA
X
=
U
..
=0
H(0) = 0
P
X
(f ) = |H(F)|
2
P
U
(f )
= |H(e
j 2f
)|
2
2
U
=
2
U
1 b(1)e
2f
b(q)e
2fq
2
|1 a(1)e
2f
a(p)e
2fp
|
2
Exemplos (cont.)
Exemplo: Diferenciador - (remover o sinal DC)
X[n] 1 z
1
Y[n] = X[n] X[n 1]
onde X[n] e um PA WSS Gaussiano com
x
e r
X
[k]. Qual e a PDF de
Y =
_
Y[0]
Y[1]
_
?
Solu cao
Y
= E[Y[n]]
= E[X[n] X[n 1]]
=
X

X
= 0 (sem nvel DC)
Exemplos (cont.)
e
c
y
=
_
E[Y[0]Y[0]] E[Y[0]Y[1]]
E[Y[1]Y[0]] E[Y[1]Y[1]]
_
=
_
r
Y
[0] r
Y
[1]
r
Y
[1] r
Y
[0]
_
e WSS
Mas
P
Y
(f ) = |H(f )|
2
P
X
(f )
= H(f ) H
(f ) P
X
(f )
= (1 e
2f
)(1 e
2f
)P
X
(f )
= 2P
X
(f ) e
2f
P
X
(f ) e
2f
P
X
(f )
Exemplos (cont.)
Tomando a transformada de Fourier inversa
r
Y
[k] = 2r
X
[k] r
X
[k + 1] r
X
[k 1]
c
Y
=
_
r
Y
[0] r
Y
[1]
r
Y
[1] r
Y
[0]
_
=
_
2(r
X
[0] r
X
[1]) 2r
X
[1] r
X
[2] r
X
[0]
2r
X
[1] r
X
[2] r
X
[0] 2(r
X
[0] r
X
[1])
_
Logo a pdf conjunta e
P
Y[0],Y[1]
(y[0], y[1]) =
1
2
1
2
det
1
2
(c
Y
)
e
1
2
y
T
c
1
Y
y
Transformac oes Nao-Lineares
Em geral e difcil achar a pdf do PA Y[n] = X[n] +
1
2
X
2
[n] para
Y =
_
y[n
1
] y[n
2
] y[n
k
]
T
Se X[n] e gaussiano, podemos pelo menos achar os momentos de Y[n].
Exemplo:
E[Y[0]Y[1]] = E
__
X[0] +
1
2
X
2
[0]
_
_
X[1] +
1
2
X
2
[1]
__
= E [X[0]X[1]] +
1
2
E
_
X[0]X
2
[1]
+
1
2
E
_
X
2
[1]X[0]
+ E
_
X
2
[0]X
2
[1]
repare que o termo E

_
X
2
[0]X
2
[1]
e de 4
a
ordem!
Transformac oes Nao-Lineares (cont.)
Repare
E
1
1
X
2
2
X
N
N
1
1
X
2
2
X
N
N
p
X
1
,X
2
,...,X
N
(X
1
X
N
)dX
1
dX
N
que trata com uma pdf gaussiana multivariada, fun cao do 1
o
e 2
o
momentos.
Resultado Interessante: Se X =
_
X1 X
2
X
3
X
4
T
N(0, c), entao
E[X
1
X
2
X
3
X
4
] = E[X
1
X
2
]E[X
3
X
4
] +
E[X
1
X
3
]E[X
2
X
4
] + E[X
1
X
4
]E[X
2
X
3
]
Se X[n] e um PA Gaussiano com media zero
E[X[n
1
]X[n
2
]X[n
3
]X[n
4
]] = E[X[n
1
]X[n
2
]] E[X[n
3
]X[n
4
]] +
E[X[n
1
]X[n
3
]] E[X[n
2
]X[n
4
]] +
E[X[n
1
]X[n
4
]] E[X[n
2
]X[n
3
]]
so e preciso o segundo momento.
Se X[n] e tambem WSS
E[X[n
1
]X[n
2
]X[n
3
]X[n
4
]] = r
X
[n
2
n
1
] r
X
[n
4
n
3
] +
r
X
[n
3
n
1
] r
X
[n
4
n
2
] +
r
X
[n
4
n
1
] r
X
[n
3
n
2
]
Exemplo: Quadrado de um PA Gaussiano WSS
X[n] ( )
2
Y[n] = X
2
[n]
onde X[n] tem media zero.
Solu cao
E[Y[n]] = E[X
2
[n]] = r
X
[0] =
Y
E[Y[n]Y[n + k]] = E[X
2
[n] X
2
[n + k]]
= E[X[n]X[n]X[n + k]X[n + k]]
= r
X
[0] r
X
[0] + r
X
[k]r
X
[k] + r
X
[k] r
X
[k]
= r
2
X
[0] + 2r
2
X
[k] que nao depende de n
Y[n] e WSS com
Y
= r
X
[0]
r
Y
[k] = r
2
X
[0] + 2r
2
X
[k]
P
Y
(f ) = F{r
Y
[k]} = r
2
X
[0](f ) + 2 P
X
(f ) P
X
(f )
. .
1
2
1
2
P
X
(v)P
X
(tv)dv
Considere, agora, que X[n] e um PA MA, ou seja
X[n] =
1
2
(U[n] U[n 1]) com
2
U
= 1
Sabemos que
r
X
[k] =
1
2
[k] +
1
4
[k + 1] +
1
4
[k 1]
Logo
Y
= r
X
[0] =
1
2
r
Y
[k] = r
2
X
[0] + 2r
2
X
[k]
=
1
4
+ 2
_
1
2
[k] +
1
4
[k 1] +
1
4
[k + 1]
_
2
=
1
4
+
1
2
[k] +
1
8
[k 1] +
1
8
[k + 1]
P
Y
(f ) =
1
4
(t) +
1
2
+
1
8
_
e
2f
+ e
2f
_
=
1
4
(t) +
1
2
+
1
4
cos(2f )
. .
Comparar com a PSD de x
com |f |
1
2
Figura 2: Quadrado de um PA Gaussiano WSS
Processo Aleatorio Gaussiano em Tempo Contnuo
Considere
X(t) < t <
X(t) e gaussiano se
x =
_
x(t
1
), x(t 2), . . . , x(t
r
)
_
T
tem pdf gaussiana multivariada para todo k e todo {t
1
, . . . , t
k
}.
Exemplo: PA Wiener em Tempo Contnuo (Movimento Browniano)
X(t) =
_
t
0
U()d t 0
onde U(t) e WGN CT com r
U
() =
N
o
2
().
Processo Aleatorio Gaussiano em Tempo Contnuo (cont.)
Repare que os incrementos, por exemplo X(t
2
) X(t
1
), sao independentes
e estacionarios.
Se X(t) e gaussiano, precisamos provar que asoma nao-contavelde
VAS gaussianas e gaussiana.
Precisamos achar somente a media e a covariancia
E(X(t)) = E
__
t
0
U()d
_
=
_
t
0
E(U())d = 0
E(X(t
1
)X(t
2
)) = E
__
t
1
0
U(
1
)d
1
_
t
2
0
U(
2
)d
2
_
=
_
t
1
0
_
t
2
0
E (U(
1
) U(
2
))
. .
r
U
(
2
1
)=
N
o
2
(
2
1
)
d
1
d
2
=
N
o
2
_
t
1
0
__
t
2
0
(
2
1
)d
2
_
d
1
Para que o impulso dispare e preciso que t
2
seja maior do que t
1
. Logo
E (X(t
1
) X(t
2
)) =
N
o
2
_
t
1
0
d
1
=
N
o
2
t
1
para t
2
> t
1
e
E (X(t
1
) X(t
2
)) =
N
o
2
_
t
2
0
d
2
=
N
o
2
t
2
ou
E (X(t
1
) X(t
2
)) =
N
o
2
min(t
1
, t
2
)
O PA Wiener X(t) N
_
0,
N
o
2
t
_
e nao-estacionario.
Rayleigh Fading Sinusoid
Neste caso temos
Amplitude Aleatoria e
Fase Aleatoria
Exemplo: Senoide transmitida e recebida no destino a partir de caminhos
m ultiplos (Interferencia Construtiva e Destrutiva) - Multipath Fading.
Rayleigh Fading Sinusoid (cont.)
Figura 3: Exemplo de segmento de sinal num curto perodo de tempo
Considere o seguinte modelo para um perodo curto de tempo
X(t) = A
..
VA: A>0
cos(2F
0
t +
..
VA: 0<<2
)
Qual e a PDF para A e ?
X(t) = Acos()
. .
=U
cos(2F
o
t) Asen()
. .
=V
sen(2F
0
t)
= Ucos(2F
0
t) Vsen(2F
0
t)
Usando o TLC, podemos supor que
U N(0,
2
) e V N(0,
2
)
Repare que
E(U) = E(V) = 0 =E(X) = 0
ou seja, com U e V considerados independentes, X(t) e um PA Gaussiano
com media zero.
_
_
X(t
1
)
.
.
.
X(t
k
)
_
_
=
_
_
cos(2F
0
t
1
) sin(2F
0
t
1
)
.
.
.
.
.
.
cos(2F
0
t
k
) sin(2F
0
t
k
)
_
_
_
U
V
_
como U N(0,
2
) e V N(0,
2
) resulta em
_
U
V
_
com PDF Gaussiana
Multivariada.
X e uma transformacao de uma PDF Gaussiana Multivariada
com
A =
U
2
+ V
2
Rayleigh,
= arctan
_
U
V
_
U(0, 2)
Mas X(t) e WSS?
E(U) = E(V) =E(X(t)) = 0
e
E(X(t)X(t + )) = E ((Ucos(2F
0
t) Vsen(2F
0
t))
(Ucos(2F
0
(t + )) Vsen(2F
0
(t + ))))
= E(U
2
)cos(2F
0
t)cos(2F
0
(t + )) +
E(V
2
)sen(2F
0
t)sen(2F
0
(t + ))
=
2
cos(2F
0
t)cos(2F
0
(t + )) +
2
sen(2F
0
t)sen(2F
0
(t + ))
=
2
cos(2F
0
) que nao depende de t
logo X(t) e WSS.
E a PSD?
P
X
(F) = F{r
X
()} =

2
2
(F + F
0
) +

2
2
(F F
0
)
Processo Aleatorio Gaussiano Passa-Faixa
O procedimento anterior foi considerado por um tempo curto, mas com o
passar do tempo a amplitude de senoide muda, ou seja, o modelo seria
ainda melhor se considerassemos A e variando com o tempo.
x(t) = A(t)
..
modula cao em amplitude
cos(2F
0
t + (t)
..
modula cao em fase
)
onde x(t) e um processo aleatorio passa-faixa.
Usando a mesma ideia, temos
x(t) = A(t)cos((t))
. .
=U(t)
cos(2F
0
t) A(t)sen((t))
. .
=V(t)
sen(2F
0
t)
Supondo que U(t) e U(t) sao PAs Gaussianos e independentes um do
outro
p
U,V
= p
U
p
V
Processo Aleatorio Gaussiano Passa-Faixa (cont.)
Para que E(X(t)) = 0, precisamos assumir que E(U(t)) = 0 = E(V(t))
para todo t.
Para X(t) ser WSS, assumimos que U(t) e V(t) sao WSS e tem ACF
r
U
() = r
V
(), logo
r
X
() = E (X(t)X(t + ))
= E ((U(t)cos(2F
0
t) U(t)sen(2F
0
t))
(U(t + )cos(2F
0
(t + )) U(t + )sen(2F
0
(t + ))))
= r
U
()cos(2F
0
t)cos(2F
0
(t + )) +
r
V
()sen(2F
0
t)sen(2F
0
(t + ))
= r
U
()cos(2F
0
) considerando r
U
() = r
V
()
P
X
(f ) =
1
2
P
U
(F + F
0
) +
1
2
P
U
(F F
0
)
Figura 4: Modulacao
Considerando simetria P
U
(F) = P
V
(F) em torno do zero.
Figura 5: Modulacao
WGN Passa-Faixa
Figura 6: Filtro Passa-Faixa
P
U
(F) = P
V
(F) =
_
N
o
|F| <
W
2
0 |F| >
W
2
r
U
() = r
V
() = N
o
W
sen(W)
W
WGN Passa-Faixa (cont.)
Figura 7: Realizacoes de rudo
A(t) =
_
U
2
(t) + V
2
(t)
espera-se que o envelope seja nao-correlacionado para = t >
1
W
.

Gaussian

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Gaussian

Enviado por

Direitos autorais:

Formatos disponíveis

Introducao aos Processos Estocasticos -

Processos Estocasticos Gaussianos

repare que o termo E

Você também pode gostar