Escolar Documentos
Profissional Documentos
Cultura Documentos
c G. A. Barreto
Fundamentos de Processos Estocásticos
“O processamento de sinais mudou! Não estamos mais na era na
qual a informação na forma de sinais elétricos é processada por meio
de tradicionais dispositivos analógicos. Nós estamos solida e, para o
futuro previsível, irrevogavelmente, no âmago do processamento de
sinais digitais (amostrados ou discretos no tempo) aleatórios."
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Conteúdo da Apresentação
1 Definição de Processos Estocásticos
2 Funções de Autocovariância e de Covariância Cruzada
3 Funções de Autocorrelação e de Correlação Cruzada
4 Estacionariedade Forte/Fraca e Ergodicidade
5 Função Densidade Espectral de Potência
6 Periodograma e a Transformada Discreta de Fourier
7 Gráfico de Dispersão (lagplot)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Pré-Requisitos
1 Variáveis Aleatórias (Univariada/Multivariada)
2 Álgebra Linear e Cálculo Integral/Diferencial
3 Sinais e Sistemas (ou Processamento Digital de Sinais)
4 Noções de Matlab/Octave/Scilab
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Referências Importantes
c G. A. Barreto
Fundamentos de Processos Estocásticos
Parte I
c G. A. Barreto
Fundamentos de Processos Estocásticos
Análise Matemática de Sinais Probabilísticos
c G. A. Barreto
Fundamentos de Processos Estocásticos
Análise Matemática de Sinais Probabilísticos
Nomenclatura Matemática
Definição
Um processo estocástico no espaço paramétrico T é uma
família {X(w, t); t ∈ T, w ∈ Ω} de variáveis aleatórias
definidas no mesmo espaço amostral Ω.
c G. A. Barreto
Fundamentos de Processos Estocásticos
Análise Matemática de Sinais Probabilísticos
c G. A. Barreto
Fundamentos de Processos Estocásticos
Análise Matemática de Sinais Probabilísticos
c G. A. Barreto
Fundamentos de Processos Estocásticos
Análise Matemática de Sinais Probabilísticos
c G. A. Barreto
Fundamentos de Processos Estocásticos
Análise Matemática de Sinais Probabilísticos
c G. A. Barreto
Fundamentos de Processos Estocásticos
Análise Matemática de Sinais Probabilísticos
c G. A. Barreto
Fundamentos de Processos Estocásticos
Análise Matemática de Sinais Probabilísticos
c G. A. Barreto
Fundamentos de Processos Estocásticos
Análise Matemática de Sinais Probabilísticos
Observações
c G. A. Barreto
Fundamentos de Processos Estocásticos
Análise Matemática de Sinais Probabilísticos
Independência
c G. A. Barreto
Fundamentos de Processos Estocásticos
Caso 2 - Dois processos estocásticos quaisquer, {X(t)} e
{Y (t)} são independentes se a densidade conjunta de
qualquer combinação das variáveis aleatórias dos 2
processos pode ser escrita como produto das
densidades conjuntas individuais:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Média de um Processo Estocástico
Definição
Seja fXi (xi ) a PDF da variável aleatória X(ti ). Então, a média do
processo X(t) no instante ti é definida como
mX (ti ) = E[X(ti )]
Z ∞
= x(ti )fX(ti ) (x(ti ))dx(ti ) (5)
Z−∞
∞
= xi fXi (xi )dxi
−∞
em que xi ≡ x(ti ).
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Média de um Processo Estocástico
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Média de um Processo Estocástico
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Definição
A Função de Autocorrelação (FAC) de X(t) para dois instantes
R
de tempo t1 e t2 , t1 , t2 ∈ e t2 > t1 , é definida como:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Importante 1
Valores positivos indicam que quando a amplitude no instante
t1 tende a crescer, a amplitude no instante t2 tende a crescer
também.
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Importante 2
Valores elevados da FAC para dois instantes quaisquer t1 e t2
indicam a presença de componentes de baixa freqüência no
sinal.
⋆ Quando o sinal é predominantemente de baixa freqüência as
amplitudes consecutivas X(t1 ) e X(t2 ) possuem valores muito
parecidos.
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação
1.5
X(t )
X(t ) 2
1 1
0.5
Amplitude do Sinal
−0.5
−1
−1.5
0 10 20 30 40 50 60 70 80 90 100
t t
1 2 tempo
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação
1.5
X(t1)
0.5
Amplitude do Sinal
−0.5 X(t2)
−1
−1.5
0 10 20 30 40 50 60 70 80 90 100
t1 t
2 tempo
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Comentário Importante
A interpretação da FAC em termos do conteúdo harmônico de um
sinal será muito útil mais adiante quando formos definir o conceito
de função densidade espectral de potência.
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocovariância
Definição
Seja fX1 X2 (x1 , x2 ) a PDF conjunta do sinal X(t) nos instantes t1
e t2 . Então a Função de Autocovariância (FACV) de X(t)
nestes dois instantes de tempo é definida como:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocovariância
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocovariância
Definição
Seja fXi (xi ) a PDF do sinal X(t) no instante ti . Então a
Variância (FACV) de X(t) neste instante é definida como:
2
σX (ti ) = E[(x(ti ) − mX (ti ))2 ],
Z ∞
= (xi − mX (ti ))2 fXi (xi )dxi (10)
−∞
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Valor quadrático médio
Definição
Considere que o sinal X(t) tem média nula. Então, o valor
quadrático médio de X(t) é definido como:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função Coeficiente de Autocorrelação
Definição
Seja CX (t1 , t2 ), σX (t1 ) e σX (t1 ), respectivamente, a FACV e as
variâncias do sinal X(t) para os instantes t1 e t2 . Então, a FCAC
de X(t) é dada por
CX (t1 , t2 )
ρX (t1 , t2 ) = , (12)
σX (t1 )σX (t2 )
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-1)
Definição
Um processo estocástico é fortemente estacionário ou estacionário
no sentido estrito se, e somente se, todas as FDPs de ordem k ≥ 1
forem invariantes sob uma translação do tempo τ ∈ . R
Assim, um processo estocástico é fortemente estacionário se, para
todo k e para todo τ :
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-2)
Observações Importantes - 1
A condição de estacionariedade forte é um requisito bastante
severo, pois exige que todas as FDPs associadas sejam
invariantes no tempo.
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-3)
Observações Importantes - 2
Quando a condição acima só é válida para 1 ≤ r ≤ k, diz-se
que o processo estocástico X(t) é estacionário de ordem r.
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-4)
Observações Importantes - 2
Para um processo fracamente estacionário as seguintes condições
são válidas:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-5)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-6)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-7)
0.5
Amplitude do Sinal
−0.5
−1
−1.5
0 100 200 300 400 500 600 700 800 900 1000
tempo
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-8)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-9)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-10)
2.5
2
Amplitude do Sinal
1.5
0.5
−0.5
−1
−1.5
0 100 200 300 400 500 600 700 800 900 1000
tempo
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-11)
1.5
1
Amplitude do Sinal
0.5
−0.5
−1
−1.5
−2
−2.5
0 100 200 300 400 500 600 700 800 900 1000
tempo
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-12)
0.5
Amplitude do Sinal
−0.5
−1
−1.5
0 100 200 300 400 500 600 700 800 900 1000
tempo
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-13)
CX (τ )
ρX (t1 , t2 ) = ρX (τ ) = 2 (17)
σX
2 são constantes.
em que mX e σX
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-14)
RX (τ ) = E[X(t)X(t + τ )] (18)
ou
RX (τ ) = E[X(t − τ )X(t)] (19)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-15)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estacionariedade de um Processo Estocástico (cont.-16)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico
Definição
Um processo estocástico é ergódico, se seus momentos
estatísticos, calculados ao longo de várias realizações do processo,
forem equivalentes aos momentos temporais, calculados a partir de
uma única realização do processo.
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-1)
Definição
Um processo é ergódico na média, se e somente se:
Z ∞
E[X(ti )] = xi fXi (xi )dxi
−∞
1 k
(sinal contínuo)
R
k 0 x(t)dt, k → ∞
≡ (20)
1 Pk
i=1 x(ti ), k → ∞ (sinal amostrado)
k
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-2)
Definição
Um processo é ergódico na variância, se e somente se:
Z ∞
V ar[X(ti )] = (xi − µX )2 fXi (xi )dxi
−∞
1 k
− µX )2 dt, k → ∞
R
k 0 (x(t) (contínuo)
≡ (21)
1 Pk 2
k i=1 (x(ti ) − µX ) , k → ∞ (amostrado)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-3)
Definição
Um processo é ergódico na correlação, se e somente se:
RX (τ ) = E[X(t)X(t + τ )]
Z ∞Z ∞
= xt xt+τ fXt Xt+τ (xt , xt+τ )dxt dxt+τ
−∞ −∞
R
k
k1 0 x(t)x(t + τ )dt, k → ∞
(contínuo)
≡ (22)
1 Pk−τ x(t )x(t + τ ), k → ∞ (amostrado)
k−τ i=1 i i
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-4)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-5)
N −τ
1 X
R̂X (τ ) = x(ti )x(ti + τ ) (23)
N −τ
i=1
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-5)
para i = 1, . . . , N .
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-6)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-7)
Dica Prática!
(5) Analisar a plausibilidade das seguintes hipóteses:
A média é constante, ou seja, M̄ ≈ X̄.
A variância é constante, ou seja, V̄ ≈ s2X .
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-8)
Exercício Resolvido
Considere o seguinte processo estocástico:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-9)
Exercício Resolvido
Assim, usando a Eq. (22) para um sinal contínuo, obtemos:
1 k
Z
RXA (τ ) = lim x(t)x(t + τ )dt
k→∞ k 0
1 k
Z
= lim A1 sin ωt · A1 sin ω(t + τ )dt
k→∞ k 0
A21
= cos ωτ
2
Para resolver a integral acima usar a seguinte identidade
trigonométrica:
1 1
sin(a) · sin(b) = cos(a − b) − cos(a + b)
2 2
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Ergodicidade de um Processo Estocástico (cont.-10)
Exercício Resolvido
Por outro lado, usando a definição teórica da FAC (Eq. (6)),
chegamos ao seguinte resultado:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Processo Autorregressivo de Ordem 1 - AR(1)
R
em que a0 ∈ e |a1 | < 1 são constantes e ε(t) ∼ N (0, σε2 ) é
uma variável aleatória gaussiana de média zero e variância σε2 .
Além disso, a variável aleatória ε(t) tem a seguinte função de
autocorrelação teórica:
2
σε , para τ = 0
Rε (τ ) = (33)
0, para τ 6= 0
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Média de um Processo AR(1)
µ x = a0 + a1 µ x ⇒ (1 − a1 )µx = a0
a0
µx = . (35)
1 − a1
Note que da Eq. (35) tiramos que a0 = µx (1 − a1 ).
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Variância de um Processo AR(1)
2
2 2 2 2 σε
= a1 σx + 0 + σε ⇒ σx = . (38)
1 − a2
1
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Variância de um Processo AR(1)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação de um Processo AR(1)
E para τ = 3, obtemos
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação de um Processo AR(1)
|τ | σε2 |τ |
Rx (τ ) = σx2 a1 = a , τ = 0, ±1, ±2, ... (46)
1 − a21 1
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação (Normalizada) de um Processo AR(1)
Rx (τ ) |τ | |τ |
ρx (τ ) = = a1 = a1 , τ = 0, ±1, ±2, ... (47)
σx2
a1 = ρx (1). (48)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação (Normalizada) de um Processo AR(1)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação de um Processo AR(1)
0.3
0.25
0.2
FAC (R (τ))
x
0.15
0.1
0.05
0
0 2 4 6 8 10 12 14 16 18 20
atraso temporal (τ)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Autocorrelação de um Processo AR(1)
0.25
0.2
0.15
0.1
0.05
FAC (Rx(τ))
−0.05
−0.1
−0.15
−0.2
−0.25
0 2 4 6 8 10 12 14 16 18 20
atraso temporal (τ)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Correlação Cruzada (FCC) - Sinais Contínuos
Definição 1
Sejam X(t) e Y (t) dois sinais aleatórios estacionários de tempo
contínuo. A Função de Correlação Cruzada (FCC) entre X(t) e
Y (t) pode ser definida como:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Correlação Cruzada (FCC) (cont.-1)
Definição 2
A FCC entre X(t) e Y (t) também pode ser definida como:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Propriedades da FCC
Propriedade 1
A definição de RY X (τ ) dada na Eq. (52) é invariante a uma
translação de −τ .
Desta forma, RY X (τ ) é também dada por:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Propriedades da FCC
Propriedades 2 e 3
O valor máximo de RXY (τ ) e RY X (τ ) geralmente não
ocorrem para τ = 0.
Porém, pode-se mostrar que
p
|RXY (τ )| ≤ RX (0)RY (0) (55)
RXY (τ ) = RY X (τ ) (56)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função de Correlação Cruzada (FCC) - Sinais Discretos
Definição
Sejam X(t) = {..., x(−2), x(−1), x(0), x(1), x(2), ...} e
Y (t) = {..., y(−2), y(−1), y(0), y(1), y(2), ...} dois sinais aleatórios
estacionários e de tempo discreto. Neste caso, as FCCs são
definidas como:
∞
X
RXY (τ ) = x(t)y(t + τ ) (57)
t=−∞
e
∞
X
RY X (τ ) = y(t)x(t + τ ), (58)
t=−∞
para τ = 0, 1, 2, ...
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estimação da FCC - Sinais Discretos
Definição 1
Sejam X(t) = {x(1), x(2), ..., x(N )} e
Y (t) = {y(1), y(2), ..., y(N )} duas seqüências aleatórias
finitas (e.g. sinais amostrados).
Neste caso, as FCCs podem ser estimadas por meio das
seguintes expressões:
PN −τ
x(t)y(t + τ )
rXY (τ ) = t=1 (59)
N −τ
e
PN −τ
y(t)x(t + τ )
rY X (τ ) = t=1 , (60)
N −τ
para τ = 0, 1, 2, ...
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estimação da FCC - Sinais Discretos (cont.-1)
Exemplo
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Estimação da FCC - Sinais Discretos (cont.-2)
Exemplo (continuação)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FAC na Detecção de Sinais em Meio ao Ruído
RZ (τ ) = E[Z(t)Z(t + τ )]
= RX (τ ) + RY X (τ ) + RXY (τ ) + RY (τ ) (62)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FAC na Detecção de Sinais em Meio ao Ruído (cont.-1)
RZ (τ ) = RX (τ ) + RY (τ ) (63)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FAC na Detecção de Sinais em Meio ao Ruído (cont.-2)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FAC na Detecção de Sinais em Meio ao Ruído (cont.-3)
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 20 40 60 80 100 120 140 160 180 200
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FAC na Detecção de Sinais em Meio ao Ruído (cont.-4)
0.8
0.6
0.4
Sample Autocorrelation
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 10 20 30 40 50 60 70 80 90 100
Lag
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FAC na Detecção de Sinais em Meio ao Ruído (cont.-5)
−1
−2
−3
0 20 40 60 80 100 120 140 160 180 200
Tempo
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FAC na Detecção de Sinais em Meio ao Ruído (cont.-6)
0.5
Sample Autocorrelation
−0.5
0 10 20 30 40 50 60 70 80 90 100
Lag
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FAC na Detecção de Sinais em Meio ao Ruído (cont.-7)
−1
−2
−3
−4
0 20 40 60 80 100 120 140 160 180 200
Tempo
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FAC na Detecção de Sinais em Meio ao Ruído (cont.-9)
Pergunta Desafio
Você poderia confirmar só no “olhômetro”, que este sinal
estocástico é uma senóide contaminada com ruído branco?
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FAC na Detecção de Sinais em Meio ao Ruído (cont.-10)
0.5
Sample Autocorrelation
−0.5
0 10 20 30 40 50 60 70 80 90 100
Lag
Definição
Seja um processo estocástico X(t) contínuo, estacionário e de
média nula. A Função Densidade Espectral de Potência (FDE) de
X(t) é definida como:
Z ∞
SX (jω) = F[RX (τ )] = RX (τ )e−jωτ dτ (64)
−∞
em que
F[·] é a transformada de Fourier do sinal.
RX (τ ) = E[X(t)X(t − τ )] é a FAC de X(t).
ω = 2πf (rad/s) é a freqüência angular.
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função Densidade Espectral de Potência (cont.-2)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função Densidade Espectral de Potência (cont.-3)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Função Densidade Espectral Cruzada
Definições
A FDE Cruzada (FDEC) entre dois processos estacionários
contínuos, X(t) e Y (t), pode ser definida de duas formas:
Z ∞
SXY (jω) = F[RXY (τ )] = RXY (τ )e−jωτ dτ (67)
−∞
Z ∞
SY X (jω) = F[RY X (τ )] = RY X (τ )e−jωτ dτ (68)
−∞
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FDE Cruzada de Dois Sinais Aleatórios (cont.-1)
Comentário Importante 1
As funções RXY (τ ) e RY X (τ ) não são necessariamente
funções pares de τ !!
Logo, as funções SXY (jω) e SY X (jω) correspondentes não
são, em geral, funções reais de ω.
Comentário Importante 2
De fato, mostrou-se anteriormente que RXY (τ ) = RY X (−τ ).
Neste caso, as funções SXY (jω) e SY X (jω) são pares
complexos conjugados, ou seja:
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FDE Cruzada de Dois Sinais Aleatórios (cont.-2)
Função Coerência
A FDE Cruzada Normalizada, chamada de Função
Coerência, de dois processos estacionários X(t) e Y (t) é
definida como:
SXY (jω)
γXY (jω) = p p . (69)
SX (jω) SY (jω)
|SXY (jω)|2
|γXY |2 = , (70)
SX (jω)SY (jω)
2
tal que 0 ≤ γXY ≤ 1.
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
FDE Cruzada de Dois Sinais Aleatórios (cont.-3)
Resultado Importante
Seja Z(t) um sinal aleatório dado pela soma de dois outros
sinais não-correlacionados, X(t) e Y (t).
A FDE de Z(t) é então dada por
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Periodograma
Definição: Periodograma
Seja F[XT (t)] a transformada de Fourier de uma versão
“truncada", XT (t), de um processo estacionário X(t).
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Periodograma (cont.-1)
Numericamente,tem-se que:
Z ∞
1 2
E lim |F[XT (t)]| = RX (τ )e−jωτ dτ (73)
T →∞ T −∞
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Transformada Discreta de Fourier
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Transformada Discreta de Fourier (cont.-1)
em que
gk = g(tk ), k = 0, 1, . . . , N − 1
1
∆T = = espaço entre amostras no domínio do tempo
2W
2W
∆f = = espaço entre amostras no domínio da freqüência
N
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Transformada Discreta de Fourier (cont.-2)
1
Nota-se que ∆f · ∆T = N. Assim, a Eq. (75) pode ser
reescrita como:
N −1
1 X 2πnk
G(jn2π∆f )∆f ≈ gk exp −j (76)
N N
k=0
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Transformada Discreta de Fourier (cont.-3)
N −1
Dada a seqüência {Gn }n=0 , pode-se mostrar que existe a
seguinte relação inversa exata:
N −1
X 2πnk
gk = Gn exp j , k = 0, 1, ..., N − 1 (78)
N
n=0
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Transformada Discreta de Fourier (cont.-4)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Transformada Discreta de Fourier (cont.-5)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Periodograma no Matlab/Octave
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Periodograma no Matlab/Octave
1.5
0.5
Amplitude
−0.5
−1
−1.5
0 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.01
Tempo (segundos)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Periodograma no Matlab/Octave
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Periodograma no Matlab/Octave
1.4
Potencia/Frequencia (Watts/Hz)
1.2
0.8
0.6
0.4
0.2
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Frequencia (Hz)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Fundamentos de Processos Estocásticos
Periodograma no Matlab/Octave
Potencia/Frequencia (dB/Hz) 0
−20
−40
−60
−80
−100
−120
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Frequencia (Hz)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Parte II
c G. A. Barreto
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Gráfico de Dispersão (lagplot)
Definição
Técnica qualitativa (gráfica) que avalia a correlação serial das
amplitudes do sinal através do gráfico de dispersão.
Implementação
Considere o seguinte sinal de tempo discreto:
X = {x(1), x(2), x(3), ...., x(N )}.
O lagplot consiste em gerar o gráfico de um conjunto de pares
ordenados:
Comentários
Em geral, é necessário plotar lagplots para vários lags para se
ter uma idéia da persistência da memória.
c G. A. Barreto
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Gráfico de Dispersão (lagplot)
Exemplo 1
Considere um sinal de tempo discreto X, de comprimento
N = 1000.
Lagplot (τ = 1)
Os pares ordenados que formam o lagplot para τ = 1 são definidos
como:
[x(n), x(n − 1)], n = 2, ...., 1000. (80)
Ou seja,
c G. A. Barreto
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Gráfico de Dispersão (lagplot)
Exemplo 2
Considere novamente um sinal de tempo discreto X, de
comprimento N = 1000.
Lagplot (τ = 2)
Os pares ordenados que formam o lagplot para τ = 2 são definidos
como:
[x(n), x(n − 2)], n = 3, ...., 1000. (82)
Ou seja,
c G. A. Barreto
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Gráficos de Típicos
c G. A. Barreto
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Gráficos de Típicos (cont.-1)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Gráficos de Típicos (cont.-2)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Gráficos de Típicos (cont.-2)
c G. A. Barreto
Fundamentos de Processos Estocásticos
Função de Autocorrelação
Código Matlab/Octave - Lagplots Processo AR(1)
c G. A. Barreto
Fundamentos de Processos Estocásticos