Processos Estocasticos Slides

Fundamentos de Processos Estocásticos
Guilherme de Alencar Barreto

gbarreto@ufc.br
Grupo de Aprendizado de Máquinas – GRAMA

Programa de Pós-Graduação em Engenharia de Teleinformática
Universidade Federal do Ceará – UFC
www.researchgate.net/profile/Guilherme_Barreto2/
c G. A. Barreto
“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."
Charles W. Therrien, 1992

Discrete Random Signals and Statistical Signal Processing
c G. A. Barreto
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
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
Referências Importantes
1 Charles W. Therrien (1992). Discrete Random Signals and Statistical

Signal Processing, Prentice Hall.
2 A. Hyvärinen, J. Karhunen & E. Oja (2001). Independent Component

Analysis, John Wiley & Sons.
3 R. G. Brown & P. Y. C. Hwang (1996). Introduction to Random Signals

and Applied Kalman Filtering, John Wiley & Sons.
4 P. A. Morettin & C. M. C. Toloi (2004). Análise de Séries Temporais,

editora Edgar Blücher LTDA.
5 Notas de Aula - Prof. Guilherme A. Barreto
c G. A. Barreto
Parte I
c G. A. Barreto
Análise Matemática de Sinais Probabilísticos
Conceito de Processo Estocástico

Grosso modo, Processo Estocástico é uma generalização do
conceito de variável aleatória, em que uma segunda componente
(em geral, a variável tempo) é utilizada na caracterização de um
evento ou experimento probabilístico.
c G. A. Barreto
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.
Se T é um intervalo de números reais, o processo é dito

contínuo. Se T é uma seqüência de números inteiros, o
processo é dito discreto.
Para simplificar a notação, em geral, omite-se a dependência

em ω escrevendo apenas
X(ω, t) ≡ X(t). (1)
c G. A. Barreto
Caso 1 - Se t = ti é fixo e ω varia, tem-se que

X(ω, ti ) ≡ X(ti ) é uma variável aleatória.
Caso 2 - Se t varia e ω = ωj é fixo, tem-se que X(ωj , t) é

uma realização do processo estocástico, também chamado de
sinal aleatório.
c G. A. Barreto
Exemplos de realizações de processos estocásticos:

→ Ondas de tensão/corrente em circuitos elétricos reais.
→ Sinais de voz, EEG, ECG e outros biossinais.
→ Demanda de energia elétrica.
→ Em geral, qualquer grandeza física que pode ser medida no
tempo e que está sujeita à incertezas provocadas pelo processo
de medição ou por influências externas e/ou internas
indeterminadas.
c G. A. Barreto
c G. A. Barreto
Figura : Um processo estocástico interpretado como uma família de

variáveis aleatórias.
c G. A. Barreto
Figura : Um processo estocástico interpretado como uma família de

trajetórias.
c G. A. Barreto
Descrição Probabilística: Um processo estocástico

{X(w, t); t ∈ T, w ∈ Ω} está completamente caracterizado quando,
para uma dada realização de tempo discreto deste processo,
denotada por {X(ti )}ni=1 , é possível especificar todas as funções
densidade conjuntas até a de ordem n:
Ordem 1 → fX1 (x1 ), fX2 (x2 ), ..., fXn (xn )

Ordem 2 → fX1 X2 (x1 , x2 ), fX1 X3 (x1 , x3 ), ..., fXn Xn−1 (xn , xn−1 )
.. ..
. .
Ordem n → fX1 X2 ...Xn (x1 , x2 , ..., xn )
em que foi adotada a seguinte notação xi = x(ti ).
c G. A. Barreto
Observações
1 Densidades conjuntas de ordem superior são, em tese, úteis na

caracterização de determinado processo estocástico.
2 Na prática é praticamente impossível e improdutivo escrever
todas estas densidades conjuntas!!!
3 Único caso viável na prática ocorre quando o processo
estocástico é gaussiano. Neste caso, todas as densidades
conjuntas para qualquer combinação de variáveis aleatórias são
gaussianas!!
c G. A. Barreto
Independência
Caso 1 - Para uma dada realização {X(t)} de um processo

estocástico de interesse, as variáveis aleatórias
X(ti ) = Xi , i = 1, 2, . . . , n, são ditas
independentes, para n = 2, 3, . . ., se e somente se
fX1 ···Xn (x1 , . . . , xn ) = fX1 (x1 ) · · · fXn (xn ), (2)

Yn
= fXi (xi ). (3)
i=1
Neste caso, X(t) é chamado de processo

estocástico independente.
c G. A. Barreto
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:
fX1 X2 ...Y1Y2 ... = fX1 X2 ... fY1 Y2 ... (4)
c G. A. Barreto
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
Observações sobre a Média de um Processo Estocástico

A média de um sinal estocástico é função de ti . Portanto, ela
pode ter valor diferente para diferentes valores de ti .
Na Eq. (5) o sinal é contínuo, logo para resolver a integral

devemos conhecer todos os infinitos possíveis valores que
X(t) pode assumir em t = ti .
De acordo com a Eq. (5), para saber o valor médio da

amplitude do sinal no instante ti necessitamos de infinitas
realizações do sinal estocástico X(t).
Como a média definida na Eq. (5) é tomada ao longo das

infinitas realizações do processo para um instante fixo t = ti ,
ela recebe é comumente chamada de média de conjunto (do
inglês ensemble mean).
c G. A. Barreto
A figura abaixo mostra várias realizações um sinal aleatório de

tempo discreto.
c G. A. Barreto
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:
RX (t1 , t2 ) = E[X(t1 )X(t2 )]

Z ∞Z ∞
= x1 x2 fX1 X2 (x1 , x2 )dx1 dx2 (6)
−∞ −∞
em que x1 = x(t1 ), x2 = x(t2 ) e fX1 X2 (x1 , x2 ) é a FDP conjunta

de X1 = X(t1 ) e X2 = X(t2 ).
A FAC avalia o quanto a amplitude do sinal em certo instante

de tempo t1 está estatisticamente associada à amplitude do
sinal em outro instante de tempo t2 .
Note que a FAC fornece valores na faixa (−∞, +∞).
c G. A. Barreto
A figura abaixo mostra várias realizações um sinal aleatório.
c G. A. Barreto
Importante 1
Valores positivos indicam que quando a amplitude no instante
t1 tende a crescer, a amplitude no instante t2 tende a crescer
também.
Valores negativos indicam que quando a amplitude no instante

t1 tende a crescer, a amplitude no instante t2 tende a
decrescer.
Valores próximos de zero indicam que tanto faz se a amplitude

no instante t1 tende a crescer (ou descrescer), pois não se
verifica nenhuma tendência de crescimento (ou decrescimento)
da amplitude no instante t2 .
c G. A. Barreto
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.
Valores baixos da FAC para dois instantes quaisquer t1 e t2

indicam a presença de componentes de alta freqüência no
sinal.
⋆ Quando o sinal é predominantemente de alta freqüência as
amplitudes consecutivas X(t1 ) e X(t2 ) possuem valores bem
diferentes.
c G. A. Barreto
A figura abaixo mostra um sinal aleatório com um conteúdo

harmônico considerado de baixa freqüência.
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
A figura abaixo mostra um sinal aleatório com um conteúdo

harmônico de maior freqüência que a do sinal do slide anterior.
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
A amplitude do sinal mostrado na segunda figura varia

bastante entre instantes consecutivos t1 e t2 , t2 > t1 ,
enquanto a amplitude do sinal da primeira figura varia menos.
Logo, o produto X(t1 ) · X(t2 ) para a segunda figura é menor

do que o produto para a primeira figura, para os mesmos
valores t1 e t2 .
Quanto mais distintos forem os valores consecutivos das

amplitudes X(t1 ) e X(t2 ), menor será a correlação entre eles.
Quanto mais parecidos forem os valores consecutivos das

amplitudes X(t1 ) e X(t2 ), maior será a correlação entre eles.
c G. A. Barreto
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
Função de Autocovariância
Uma vez definida a FAC de um sinal estocástico, prosseguimos

com a definição de Função de Autocovariância (FACV).
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:
CX (t1 , t2 ) = E[(x(t1 ) − mX (t1 ))(x(t2 ) − mX (t2 ))] (7)
em que mX (ti ) = E[X(ti )] é a média do sinal no instante ti ,

i = 1, 2.
c G. A. Barreto
Após alguma manipulação algébrica, chegamos a uma

expressão bastante útil que relaciona a FAC com a FACV:
CX (t1 , t2 ) = RX (t1 , t2 ) − mX (t1 )mX (t2 ) (8)
⋆ Para obter a FACV basta calcular a FAC e subtrair o produto

das médias correspondentes.
Para sinais de médias nulas tem-se obviamente que
CX (t1 , t2 ) = RX (t1 , t2 ) (9)
c G. A. Barreto
Uma definição importante que derivada da definição de FACV

é a de variância de um processo estocástico.
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)
−∞
em que mX (ti ) = E[X(ti )] é a média do sinal no instante ti .
c G. A. Barreto
Valor quadrático médio
Por sua vez, da definição de variância deriva-se o conceito de

Valor Quadrático Médio de um processo estocástico.
Definição
Considere que o sinal X(t) tem média nula. Então, o valor
quadrático médio de X(t) é definido como:
E[x2 (ti )] = RX (ti , ti ),

Z ∞
= x2i fXi (xi )dxi (11)
−∞
c G. A. Barreto
Função Coeficiente de Autocorrelação
É comum em Processamento de Sinais Estocásticos, usar uma

versão normalizada da FACV, denominada Função
Coeficiente de Autocorrelação (FCAC).
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 )
tal que −1 ≤ ρX (t1 , t2 ) ≤ 1.
Na literatura, o termo FAC (Função de Autocorrelação) é

usado para designar tanto a FAC quanto a FCAC.
c G. A. Barreto
Estacionariedade
Um conceito importante em processamento de sinais aleatórios

é a Estacionariedade.
Este conceito está associado com a invariância (ou constância)
das propriedades estatísticas de um processo estocástico.
Considere a seguinte realização de um processo estocástico:
{X(t1 ), X(t2 ), ..., X(tk )}
Considere agora uma nova realização obtida τ instantes de

tempo depois, ou seja:
{X(t1 + τ ), X(t2 + τ ), ..., X(tk + τ )}
c G. A. Barreto
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 :
fX1 (x1 ) ≡ fX1+τ (x1+τ )

fX1 X2 (x1 , x2 ) ≡ fX1+τ X2+τ (x1+τ , x2+τ )
.. .. ..
. . .
fX1 X2 ...Xk (x1 , x2 , ..., xk ) ≡ fX1+τ X2+τ ...Xk+τ (x1+τ , x2+τ , ..., xk+τ )
c G. A. Barreto
Observações Importantes - 1
A condição de estacionariedade forte é um requisito bastante
severo, pois exige que todas as FDPs associadas sejam
invariantes no tempo.
Esta condição é bastante difícil de ser verificada ou testada na

prática. Uma definição “menos” exigente de estacionariedade é
freqüentemente usada (ou assumida).
c G. A. Barreto
Quando a condição acima só é válida para 1 ≤ r ≤ k, diz-se
que o processo estocástico X(t) é estacionário de ordem r.
Um caso importante e de bastante interesse prático diz

respeito a um processo estocástico estacionário de ordem
r = 2.
Este processo estacionário é chamado fracamente

estacionário ou estacionário no sentido amplo.
c G. A. Barreto
Para um processo fracamente estacionário as seguintes condições
são válidas:
Condição 1 - A média do processo mX (ti ) é constante.

2 (t ) é constante.
Condição 2 - A variância do processo σX i
Condição 3 - A FAC do processo RX (t1 , t2 ) = RX (τ ), em que

τ = t2 − t1 (t1 < t2 ).
As condições acima são mais fáceis de se verificar na prática,

permitindo classificar um sinal estocástico em estacionário ou
não-estacionário.
c G. A. Barreto
Mostre que a Condição 1 de estacionariedade fraca é verdadeira.

Seja X(t) um processo estocástico contínuo. Se o processo é
estacionário, então podemos escrever que:
fXt (xt ) = fXt+τ (xt+τ ), ∀τ ∈ R

Assim, a média de X(t + τ ) é dada por:
Z ∞
mX (t + τ ) = E[X(t + τ )] = xt+τ fXt+τ (xt+τ )dxt+τ
−∞
Z ∞
= xt+τ fXt (xt )dxt+τ = E[X(t)] = mX (t).
−∞
c G. A. Barreto
Mostre que a Condição 3 de estacionariedade fraca é verdadeira.

Seja X(t) um processo estocástico contínuo. Assim, a FAC de
X(t) é dada por:
E[X(t1 )X(t2 )] = RX (t1 , t2 ) = RX (t1 + τ, t2 + τ )

= RX (t1 − t2 , 0) ≡ RX (τ ), ∀τ ∈ R (13)
em que assumimos que
fX1 X2 (x1 , x2 ) = fX1+τ X2+τ (x1+τ , x2+τ )
Note que a FAC depende apenas da diferença entre t1 e t2 . Por

isso, em vez de escrever RX (t1 − t2 , 0), costumamos abreviar a
notação e escrever RX (t1 − t2 , 0) = RX (τ ).
c G. A. Barreto
A figura abaixo mostra um sinal aleatório estacionário (pelo

menos para o período de observação do mesmo!).
1.5
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
A figura anterior mostra uma realização do seguinte processo

estocástico, simulado no Matlab/Octave:
X(t) = sin(ωt) + ε(t) (14)
em que ε(t) é uma variável aleatória gaussiana de média zero e

variância σε2 =0,1, ω = 2π/T é a freqüência angular constante
e T = 50 unidades de tempo é o período da senóide.
O sinal gerado obedece todas as três condições de
estacionariedade fraca.
O tipo de sinal estocástico mostrado na Eq. (14) simula um
fenômeno comumente encontrado na prática: um sinal
determinístico contaminado com ruído branco.
c G. A. Barreto
A parte senoidal do sinal corresponderia a uma onda de

tensão/corrente gerada por determinado equipamento elétrico,
enquanto a variável aleatória ε(t) corresponderia ao ruído que
interfere na medição desta onda de tensão/corrente.
Na prática, mede-se apenas o sinal ruidoso X(t).
Muitas vezes o nível de ruído é tão elevado que não temos

certeza absoluta que o sinal medido possui uma componente
senoidal.
Mais adiante estudaremos uma técnica baseada na FAC para

detectar sinais períodicos imersos em ruído.
c G. A. Barreto
A figura abaixo mostra um sinal aleatório não-estacionário na

média (por quê?).
3.5
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

variância (por quê?).
2.5
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

FAC (por quê?).
1.5
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
A estacionariedade fraca permite simplificar as expressões da

FAC, FACV e FCAC, escrevendo-as em função de τ = t2 − t1 .
Por exemplo, a FAC passa ser escrita como
RX (t1 , t2 ) = RX (τ ) = E[X(t)X(t + τ )] (15)
A FACV, por sua vez, passa ser escrita como
CX (t1 , t2 ) = CX (τ ) = E[(X(t)−mX )(X(t+τ )−mX )] (16)
Por fim, a FCAC passa ser escrito como
CX (τ )
ρX (t1 , t2 ) = ρX (τ ) = 2 (17)
σX
2 são constantes.
em que mX e σX
c G. A. Barreto
Como a FAC de um processo fracamente estacionário depende

apenas de τ (τ > 0), podemos escrever a FAC de duas
maneiras equivalentes:
RX (τ ) = E[X(t)X(t + τ )] (18)
ou
RX (τ ) = E[X(t − τ )X(t)] (19)
Note que em ambas definições temos t2 − t1 = τ .
A mesma observação vale para a definição da FACV e do

FCAC.
c G. A. Barreto
Propriedades Gerais da FAC
(1) RX (0) é o valor quadrático médio do processo X(t):
E[x2 (ti )] = RX (ti , ti ) = RX (ti − ti ) = RX (0).

2 se o processo tiver média nula.
(2) RX (0) = σX
(3) RX (τ ) é uma função par de seu argumento:
RX (τ ) = RX (−τ ). Assim, para fins de análise consideramos
apenas os valores correspondentes a τ > 0.
(4) |RX (τ )| ≤ RX (0), para todo τ .
(5) Se X(t) contém uma componente periódica, RX (t) também
conterá uma componente de mesmo período.
c G. A. Barreto
Propriedades Gerais da FAC (cont.)
(6) Se a componente periódica é do tipo senoidal, então RX (t)

perderá informação sobre a fase da componente senoidal.
(7) Se X(t) não contém componentes periódicas, RX (τ ) tende a
zero, à medida que τ → ∞.
(8) Se para um determinado processo estocástico X(t) obtivermos
RX (∞) = 0 implica dizer que o processo tem média zero.
(9) A transformada de Fourier de RX (τ ) é real (não é um número
complexo), simétrica e não-negativa.
c G. A. Barreto
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
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
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
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
O conceito de ergodicidade é de fundamental importância

prática para a teoria de processos estocásticos.
Dizer que um processo é ergódico implica em assumir que

podemos inferir todas as informações estatísticas sobre o
processo estocástico a partir de uma única realização do
mesmo.
Na prática, é muito difícil verificar a estacionariedade no

sentido estrito e a ergodicidade de um processo estocástico.
Assim, para facilitar a nossa vida, o que se faz é assumir que o

processo é estacionário no sentido amplo e ergódico.
c G. A. Barreto
Estimativa da FAC de um Processo Estocástico Ergódico

A expressão da FAC de um processo ergódico na correlação de
tempo discreto, mostrada na Eq. (22), nos dá um método simples
para estimar a FAC a partir de uma realização de tal processo de
tamanho N , {x(t1 ), x(t2 ), . . . , x(tN )}:
N −τ
1 X
R̂X (τ ) = x(ti )x(ti + τ ) (23)
N −τ
i=1
c G. A. Barreto
Dica Prática para Verificar Estacionariedade!

(1) Dividir o sinal original em um número finito K de sub-sinais de
mesmo comprimento N .
(2) Para um certo ti fixo, estimar a média (mx (ti )) e variância
(σx (ti )) ao longo das K pseudo-realizações:
K
1 X (k)
m̂X (ti ) ≈ x (ti ), (24)
K
k=1
K
2 1 X (k)
σ̂X (ti ) ≈ (x (ti ) − m̂X (ti ))2 , (25)
K
k=1
para i = 1, . . . , N .
c G. A. Barreto
Dica Prática para Verificar Estacionariedade! (cont.)

(3) Calcular a média das médias e das variâncias do Item (2):
PN PN 2
i=1 m̂X (ti ) i=1 σ̂X (ti )
M̄ = e V̄ = (26)
N N
(4) Calcular a média e a variância das amplitudes da realização
original completa:
N ·K
1 X
X̄ ≈ x(ti ), (27)
N ·K
i=1
N ·K
1 X
s2X ≈ (x(ti ) − X̄)2 . (28)
N ·K
i=1
c G. A. Barreto
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 .
(6) Se as hipóteses forem verdadeiras, então pode-se assumir com

relativa segurança que o processo é ergódico e estacionário.
c G. A. Barreto
Exercício Resolvido
Considere o seguinte processo estocástico:
X(t) = A sin ωt (29)
em que A é uma variável aleatória gaussiana de média zero e

2 , ω é uma constante de valor conhecido e t
variância σA
corresponde ao tempo contínuo.
Suponha que obtemos um valor amostral para A, denotado

por A1 . Assim, a realização correspondente de X(t) para esse
valor de A1 é dada por:
XA (t) = A1 sin ωt (30)
c G. A. Barreto
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
Por outro lado, usando a definição teórica da FAC (Eq. (6)),
chegamos ao seguinte resultado:
RX (t1 , t2 ) = E[X(t1 )X(t2 )] = E[A sin ωt1 · A sin ωt2 ]

= E[A2 ] sin ωt1 · sin ωt2
2
= σA sin ωt1 · sin ωt2 (31)
Como os resultados são diferentes, concluímos que este

processo não é ergódico.
Além disso, como a expressão da FAC dada na Eq. (31) não
pode ser reduzida a uma simples função de τ = t2 − t1 , o
processo também não é estacionário.
c G. A. Barreto
Processo Autorregressivo de Ordem 1 - AR(1)
O processo AR(1) é definido pela seguinte expressão:
x(t) = a0 + a1 x(t − 1) + ε(t), (32)
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
Por esse motivo, a variável aleatória σε2 é popularmente

chamada de ruído branco gaussiano aditivo.
c G. A. Barreto
Média de um Processo AR(1)
A média teórica de um processo AR(1) é dada por
µx = E[x(t) = E[a0 + a1 x(t − 1) + ε(t),

= E[a0 ] + E[a1 x(t − 1)] + E[ε(t)],
= a0 + a1 E[x(t − 1)], (34)
em que lançamos mão do fato de o valor esperado de uma
constante ser a própria constante.
Se assumirmos que o processo AR(1) é estacionário no sentido
amplo, temos que E[x(t)] = E[x(t − 1)] = µx . Assim, a
expressão (34) pode ser resolvida para µx , resultando em
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
Variância de um Processo AR(1)
Assim, podemos reescrever a expressão de um processo AR(1)

da seguinte forma:
x(t) = a0 + a1 x(t − 1) + ε(t),
= µx (1 − a1 ) + a1 x(t − 1) + ε(t), (36)
de onde resulta
x(t) − µx = a1 (x(t − 1) − µx ) + ε(t). (37)
Daí, a variância teórica de um processo AR(1) é dada por
2 2
σx = E[(x(t) − µx ) ],
2
= E[(a1 (x(t − 1) − µx ) + ε(t)) ],
2 2 2
= E[a1 (x(t − 1) − µx ) + 2a1 (x(t − 1) − µx )ε(t) + ε (t)],
2 2 2
= a1 E[(x(t − 1) − µx ) ] + 2a1 E[(x(t − 1) − µx )ε(t)] + E[ε (t)],
2
2 2 2 2 σε
= a1 σx + 0 + σε ⇒ σx = . (38)
1 − a2
1
c G. A. Barreto
Variância de um Processo AR(1)
Na obtenção da Eq. (38), usamos o fato de o processo ser

estacionário. Logo,
σx2 = E[(x(t) − µx )2 ] = E[(x(t − 1) − µx )2 ]. (39)
Além disso, a covariância entre x(t − 1) e ε(t) é nula por

questões de causalidade.
Se ε(t) é visto como um sinal de entrada, enquanto x(t − 1) é
visto como um sinal de saída, estamos tentando correlacionar
a entrada no instante t com a saída no instante t − 1.
Seria como tentar determinar ou visualizar a resposta do
sistema antes de aplicar a entrada!
Por este motivo, temos que
E[(x(t − 1) − µx )ε(t)] = 0. (40)
c G. A. Barreto
Função de Autocorrelação de um Processo AR(1)
A fim de obter uma expressão para Rx (τ ) = E[x(t)x(t − τ )],

iremos considerar primeiro τ = 0. Além disso, sem perda de
generalidade, iremos considerar a0 = 0.
Neste caso, temos o seguinte resultado:
Rx (0) = E[x2 (t)] = σx2 . (41)
Para obter Rx (1) = E[x(t)x(t − 1)], basta multiplicar ambos
os lados da expressão do processo AR(1) e aplicar o operador
valor esperado a ambos os lados da expressão resultante.
Assim,
E[x(t)x(t − 1)] = a1 E[x2 (t − 1)] + E[ε(t)x(t − 1)],
Rx (1) = a1 σx2 , (42)
em que lançamos mão do fato de o ruído ε(t) não ser
correlacionado com valores passados de x(t).
c G. A. Barreto
Para τ = 2, obtemos o seguinte resultado:
E[x(t)x(t − 2)] = a1 E[x(t − 1)x(t − 2)] + E[ε(t)x(t − 2)],

Rx (2) = a1 Rx (1) = a21 σx2 . (43)
E para τ = 3, obtemos
E[x(t)x(t − 3)] = a1 E[x(t − 1)x(t − 3)] + E[ε(t)x(t − 3)],

Rx (3) = a1 Rx (2) = a31 σx2 . (44)
Por indução, podemos generalizar os resultados anteriores e

obter uma expressão para Rx (τ ) para qualquer τ ≥ 0:
E[x(t)x(t − τ )] = a1 E[x(t − 1)x(t − τ )] + E[ε(t)x(t − τ )],

σε2
Rx (τ ) = a1 Rx (τ − 1) = aτ1 σx2 = aτ . (45)
1 − a21 1
c G. A. Barreto
A Equação (44) pode ainda ser generalizada para qualquer τ ,

positivo, negativo ou nulo.
Para isto, basta lembrar que a FAC é uma função par, ou seja,
Rx (τ ) = Rx (−τ ).
Assim, chegamos à expressão final da FAC de um processo
AR(1):
|τ | σε2 |τ |
Rx (τ ) = σx2 a1 = a , τ = 0, ±1, ±2, ... (46)
1 − a21 1
em que |u| denota o valor absoluto de u.
c G. A. Barreto
Função de Autocorrelação (Normalizada) de um Processo AR(1)
Se dividirmos a Equação (46) da FAC pela variância do

processo, obtemos a FAC normalizada, ou seja:
Rx (τ ) |τ | |τ |
ρx (τ ) = = a1 = a1 , τ = 0, ±1, ±2, ... (47)
σx2
em que |u| denota o valor absoluto de u.

A expressão de ρx (τ ) é útil na estimação do parâmetro a1 do
modelo AR(1). Se fizermos τ = 1, teremos
a1 = ρx (1). (48)
c G. A. Barreto
Função de Autocorrelação (Normalizada) de um Processo AR(1)
Assim, dada uma realização {x(ti )}N

i=1 do processo AR(1),
uma estimativa do coeficiente a1 a partir da FCAC amostral
para τ = 1 é dada por
PN −1
x(ti )x(ti − 1)
â1 = ρ̂x (1) = i=1 , (49)
(N − 1)s2x
em que s2x é a variância amostral do processo:

PN
− x̄)2
i=1 (x(ti )
s2x = , (50)
N −1
PN
com x̄ = i=1 x(ti )/N denotando a média amostral.
c G. A. Barreto
FAC de um processo AR(1) com a1 = 0.8 e σε2 = 0.1

FAC Processo AR(1): a1=0.8, σe=0.1
0.35
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
FAC de um processo AR(1) com a1 = −0.8 e σε2 = 0.1

FAC Processo AR(1): a1=−0.8, σe=0.1
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
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:
RXY (τ ) = E[X(t)Y (t + τ )], τ = 0, 1, 2, ... (51)

Z ∞Z ∞
= xt yt+τ fXt Yt+τ (xt , yt+τ )dxt dyt+τ ,
−∞ −∞
em que fXt Yt+τ (xt , yt+τ ) é a FDP conjunta de X(t) e Y (t + τ ).
c G. A. Barreto
Função de Correlação Cruzada (FCC) (cont.-1)
Definição 2
A FCC entre X(t) e Y (t) também pode ser definida como:
RY X (τ ) = E[Y (t)X(t + τ )], τ = 0, 1, 2, ... (52)

Z ∞Z ∞
= yt xt+τ fYt Xt+τ (yt , xt+τ )dyt dxt+τ ,
−∞ −∞
em que fYt Xt+τ (yt , xt+τ ) é a FDP conjunta de Y (t) e X(t + τ ).
c G. A. Barreto
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:
RY X (τ ) = E[Y (t − τ )X(t)] (53)
Comparando a Eq.(53) com a definição de RXY (τ ) dada na

Eq.(51), percebemos que:
RXY (τ ) = RY X (−τ ) (54)
Logo, trocar a ordem dos índices da FCC tem o efeito de

mudar o sinal do seu argumento.
c G. A. Barreto
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)
Para dois processos estocásticos independentes temos que:
RXY (τ ) = RY X (τ ) (56)
c G. A. Barreto
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
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
Estimação da FCC - Sinais Discretos (cont.-1)
Exemplo
c G. A. Barreto
Estimação da FCC - Sinais Discretos (cont.-2)
Exemplo (continuação)
c G. A. Barreto
FAC na Detecção de Sinais em Meio ao Ruído
Na prática, é comum a ocorrência de combinações aditivas de

sinais estocásticos.
Por exemplo, seja um processo Z(t) dado pela soma de dois
outros processos estacionários X(t) e Y (t):
Z(t) = X(t) + Y (t) (61)
Pode-se mostrar (exercício!) que a FAC do processo Z(t) é

dada por:
RZ (τ ) = E[Z(t)Z(t + τ )]
= RX (τ ) + RY X (τ ) + RXY (τ ) + RY (τ ) (62)
c G. A. Barreto
FAC na Detecção de Sinais em Meio ao Ruído (cont.-1)
Se X(t) e Y (t) são processos não-correlacionados e ambos

têm média zero, os termos RY X (τ ) = RXY (τ ) são nulos,
resultando em
RZ (τ ) = RX (τ ) + RY (τ ) (63)
Assim, concluímos a FAC de um sinal formado pela soma de

dois sinais não-correlacionados é equivalente à soma das FACs
dos sinais individuais.
Este resultado pode ser estendido para a soma de mais de dois

processos estocásticos não-correlacionados.
c G. A. Barreto
A Eq. (63) provê um procedimento muito interessante para ser

utilizado na prática; por exemplo, na detecção de sinais
determinísticos em um meio ruidoso, tal como um canal de
comunicação.
Nesta aplicação supõe-se que um determinado sinal

estocástico é formado por componentes determinísticas
(informação transmitida pelo meio) distorcidas por ruído e que
o ruído e a informação desejada são não-correlacionados.
c G. A. Barreto
Seja o sinal senoidal de amplitude unitária e período T = 50

unidades de tempo, cujo gráfico está mostrado na figura
abaixo.
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
De acordo com o exposto na teoria, a FAC de um sinal

periódico é também periódica e possui o mesmo período do
sinal.
Sample Autocorrelation Function (ACF)

1
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
Considere agora um sinal totalmente aleatório (ruído branco),

gaussiano, de média 0 e variância 1.
Ruido Branco N(0,1)

3
−1
−2
−3
0 20 40 60 80 100 120 140 160 180 200
Tempo
c G. A. Barreto
De acordo com a teoria, a FAC do ruído branco é nula, exceto

para τ = 0. A FAC estimada a partir do sinal mostrado na
figura anterior é mostrado abaixo.

1
0.5
−0.5
0 10 20 30 40 50 60 70 80 90 100
Lag
c G. A. Barreto
Considere agora um sinal formado pela soma da senóide com o

ruído branco. Este sinal é mostrado abaixo.
−1
−2
−3
−4
0 20 40 60 80 100 120 140 160 180 200
Tempo
c G. A. Barreto
Pergunta Desafio
Você poderia confirmar só no “olhômetro”, que este sinal
estocástico é uma senóide contaminada com ruído branco?
De acordo com a teoria, a FAC de dois sinais

não-correlacionados é a soma das FACs dos sinais individuais.
Vamos ver se isto se confirma?
A FAC do sinal ruidoso estimada diretamente a partir do sinal
observado é mostrada no próximo slide.
c G. A. Barreto

1
0.5
−0.5
0 10 20 30 40 50 60 70 80 90 100
Lag
Assim, concluímos que a FAC pode ser usada para detectar

estruturas determinísticas periódicas imersas em sinais
estocásticos, podendo inclusive estimar o período do sinal
determinístico.
c G. A. Barreto
Função Densidade Espectral de Potência
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.
A Eq. (64) é conhecida como relação de Wiener-Khinchin em

homenagem aos seus proponentes.
c G. A. Barreto
Função Densidade Espectral de Potência (cont.-1)
Seja a transformada de Fourier inversa de SX (jω) dada por:

∞
1
Z
−1
F [SX (jω)] = SX (jω)ejωτ dω = RX (τ ) (65)
2π −∞
Então, é possível definir o valor quadrático médio de um

processo estacionário, dada sua FDE.
Para isto, basta fazer τ = 0 na Eq. (65), ou seja:

Z ∞
2 1
RX (0) = E[X (t)] = SX (jω)dω (66)
2π −∞
c G. A. Barreto
A Eq. (66) sugere que a potência do sinal está distribuída em

freqüência de acordo com SX (jω).
É nesta interpretação que está a origem dos termos densidade
e potência na nomenclatura adotada para a Eq. (64).
Com base na Eq. (65), pode-se obter a potência média P̄ em
uma banda-passante finita integrando SX (jω) na faixa
apropriada de freqüências:
Z −ω1 Z ω2
1 1
P̄ω1 ≤ω≤ω2 [X(t)] = SX (jω)dω + SX (jω)dω
2π −ω2 2π ω1
para ∀ω1 , ω2 > 0.
c G. A. Barreto
Pode-se fazer os seguintes comentários sobre a relação entre FDE e

a FAC:
⇒ As funções RX (τ ) e SX (jω) são pares transformados. Assim,
ambos contém a mesma informação estatística sobre o
processo.
⇒ Visto que se pode ir e vir entre os domínios do tempo e da
freqüência, a escolha de uma das formas é apenas uma
questão de conveniência!
⇒ Devido aos atributos de RX (τ ), a sua transformada de Fourier
dada por SX (jω) será sempre uma função real, não-negativa e
simétrica de ω.
c G. A. Barreto
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)
−∞
em que RXY (τ ) e RY X (τ ) são as respectivas FCC cruzadas de

X(t) e Y (t).
c G. A. Barreto
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:
SXY (jω) = SY∗ X (jω)
c G. A. Barreto
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)
O valor absoluto quadrático de γXY (jω) é dado por:
|SXY (jω)|2
|γXY |2 = , (70)
SX (jω)SY (jω)
2
tal que 0 ≤ γXY ≤ 1.
c G. A. Barreto
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
SZ (jω) = F[RX+Y (τ )] = SX (jω) + SY (jω), (71)
visto que SXY (jω) = SY X (jω) = 0, ∀ω.
c G. A. Barreto
Periodograma
Definição: Periodograma
Seja F[XT (t)] a transformada de Fourier de uma versão
“truncada", XT (t), de um processo estacionário X(t).
Define-se o periodograma de qualquer realização particular de

XT (t) como a seguinte quantidade:
1
Periodograma[XT (t)] = |F[XT (t)]|2 (72)
T
c G. A. Barreto
Periodograma (cont.-1)
O interesse prático no cálculo do periodograma está no fato de

que seu valor esperado, para T → ∞, fornece uma estimativa
não-paramétrica da FDE de XT (t).
Numericamente,tem-se que:
Z ∞
1 2
E lim |F[XT (t)]| = RX (τ )e−jωτ dτ (73)
T →∞ T −∞
A Eq. (73) é de fundamental importância pois é ela que faz a

conexão da função SX (jω) com o conceito de “espectro"no
sentido clássico.
c G. A. Barreto
Transformada Discreta de Fourier
Considere um sinal de banda-passante na faixa 0 a W Hz.

O teorema de Nyquist/Shannon diz que a taxa de amostragem
do sinal deve ser de pelo menos 2W amostras/segundo.
Seja o número N de amostras do sinal. Assim, o intervalo de
tempo T varrido pelas amostras é
N
T =
2W
Seja o sinal truncado XT (t) representado agora por g(t).
Assim, sua transformada de Fourier é dada por:
Z T
G(jω) = g(t)e−jωt dt (74)
0
em que assume-se que g(t) ∈ ℜ, ∀t ∈ [0, T ].
c G. A. Barreto
Transformada Discreta de Fourier (cont.-1)
Considere agora uma discretização de G(jω) dada por:

N
X −1
G(jn2π∆f ) ≈ gk e−jn2π∆f k∆T ∆T (75)
k=0
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
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
Dada a seqüência g0 , g1 , ..., gN −1 , o lado direito da Eq. (76)

gera uma outra seqüência G0 , G1 , ..., GN −1 , dada por:
N −1
1 X 2πnk
Gn = gk exp −j , n = 0, 1, ..., N − 1 (77)
N N
k=0
em que Gn não são valores exatos de G(jω), mas sim boas

aproximações destas.
c G. A. Barreto
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
As seqüências {Gn } e {gk } formam um par-transformado de

Fourier, ou seja, dado uma delas pode-se achar a outra.
A seqüência {Gn } é chamada de Transformada Discreta de
Fourier de gk , enquanto {gk } é a transformada inversa {Gn }.
c G. A. Barreto
Comentários Importantes sobre DFT

(1) A seqüência |G0 |2 , |G1 |2 , ..., define uma aproximação da FDE
do sinal, pois envolve apenas uma única realização.
(2) A DFT foi responsável pela popularização do método do
periodograma. Quanto maior N maior a resolução e a
confiabilidade do resultado.
(3) A implementação algorítmica da DFT exige um número de
multiplicações da ordem de N 2 .
c G. A. Barreto
Comentários Importantes sobre DFT (cont.)

(4) Implementações computacionalmente eficientes da DFT,
chamadas de Transformadas Rápidas de Fourier (FFT),
requerem multiplicações da ordem de N log2 N .
(5) Todos os algoritmos do tipo FFT exigem que o número de
amostras N seja uma potência inteira de 2.
(6) Se N é pequeno e uma boa resolução no domínio da
freqüência é requerida, então é melhor usar a DFT da Eq. (77).
c G. A. Barreto
Periodograma no Matlab/Octave
Senóide com Harmônico e Ruído

1 Freqüência Fundamental: F 0 = 440Hz
2 Freqüência de Amostragem: F s = 10000Hz

3 Duração do sinal: T = 3s
4 Desvio-padrão do ruído: σruido = 0.1
» F0=440;
» Fs=10000;
» T=3;
» dpr=0.1;
» t=0:1/Fs:T-1/Fs; % instantes de amostragem
» x=sin(2*pi*F0*t)+0.5*sin(2*pi*3*F0*t)+dpr*randn(size(t));
» plot(t(1:100),x(1:100)) % plota primeiras 100 amostras
c G. A. Barreto
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)
Figura : Primeiras 100 amostras do sinal senoidal ruidoso gerado.
c G. A. Barreto
Estimação da PSD Usando FFT

» N=length(x);
» xdft=fft(x); % transformada rapida Fourier
» xdft=xdft(1:N/2+1); % Seleciona N/2+1 amostras se N par
» Pxx = (1/(Fs*N)) * abs(xdft).∧ 2; % Aplica Eq.(76)
» Pxx(2:end-1) = 2*Pxx(2:end-1);
» Freq = 0:Fs/N:Fs/2; % Fs=2W => W=Fs/2
» Pyy=10*log10(Pxx); % Escala logaritmica
» figure; plot(Freq, Pxx); % grafico escala linear
» figure; plot(Freq, Pyy); % grafico escala logaritmica
Observação - Se o o número N de amostras do sinal é ímpar,

trocar a linha 3 por:
» xdft=xdft(1:(N+1)/2); % Seleciona (N+1)/2 amostras se N impar
c G. A. Barreto
Periodograma Usando FFT

1.6
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)
Figura : Estimativa da PSD usando FFT (escala linear).
c G. A. Barreto
Periodograma Usando FFT

20
Potencia/Frequencia (dB/Hz) 0
−20
−40
−60
−80
−100
−120
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Frequencia (Hz)
Figura : Estimativa da PSD usando FFT (escala logaritmica - decibel).
c G. A. Barreto
Parte II
Gráfico de Dispersão (lagplot)
c G. A. Barreto
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:
[x(n), x(n − τ )], n = τ + 1, . . . , N (79)
em que a constante τ (τ > 0), chamada de lag, é um

nÃo mero inteiro que define ao distânciamento temporal entre
as amplitudes do sinal.
c G. A. Barreto
Comentários
Em geral, é necessário plotar lagplots para vários lags para se
ter uma idéia da persistência da memória.
Em outras palavras, vários lagplots são necessários para avaliar

quanto tempo dura a influência dos valores passados sobre o
valor atual do sinal.
A influência pode ser dos valores passados sobre o valor atual

pode ser positiva, negativa ou nula.
c G. A. Barreto
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,
[x(2), x(1)], [x(3), x(2)], · · · , [x(1000), x(999)]. (81)
c G. A. Barreto
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,
[x(3), x(1)], [x(4), x(2)], · · · , [x(1000), x(998)]. (83)
E assim sucessivamente para outros lagplots do mesmo sinal

(i.e.τ = 3, ..., 1000).
c G. A. Barreto
Gráficos de Típicos
Lagplot (τ = 1) - correlação positiva

O lagplot de um sinal cujas as amplitudes distanciadas de τ = 1
estão positivamente correlacionadas é mostrado a seguir.
c G. A. Barreto
Gráficos de Típicos (cont.-1)
Lagplot (τ = 1) - correlação nula

O lagplot de um sinal cujas as amplitudes distanciadas de τ = 1
não são correlacionadas é mostrado abaixo.
c G. A. Barreto
Lagplots (τ = 1, 2) - Processo AR(1):x(n) = 0.6x(n − 1) + v(n)

Os lagplots para τ = 1 e 2 de um processo AR(1) são mostrados
abaixo. O ruído é branco gaussiano com variância 1.
c G. A. Barreto
Lagplots (τ = 3, 4) - Processo AR(1):x(n) = 0.6x(n − 1) + v(n)

Os lagplots para τ = 3 e 4 de um processo AR(1) são mostrados
abaixo. O ruído é branco gaussiano com variância 1.
c G. A. Barreto
Código Matlab/Octave - Lagplots Processo AR(1)
c G. A. Barreto

Processos Estocasticos Slides

Enviado por

Dados do documento

Título original

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

Processos Estocasticos Slides

Enviado por

Direitos autorais:

Formatos disponíveis

Fundamentos de Processos Estocásticos

Guilherme de Alencar Barreto

Grupo de Aprendizado de Máquinas – GRAMA

Charles W. Therrien, 1992

1 Charles W. Therrien (1992). Discrete Random Signals and Statistical

2 A. Hyvärinen, J. Karhunen & E. Oja (2001). Independent Component

3 R. G. Brown & P. Y. C. Hwang (1996). Introduction to Random Signals

4 P. A. Morettin & C. M. C. Toloi (2004). Análise de Séries Temporais,

5 Notas de Aula - Prof. Guilherme A. Barreto

Fundamentos de Processos Estocásticos

Conceito de Processo Estocástico

Se T é um intervalo de números reais, o processo é dito

Para simplificar a notação, em geral, omite-se a dependência

X(ω, t) ≡ X(t). (1)

Caso 1 - Se t = ti é fixo e ω varia, tem-se que

Caso 2 - Se t varia e ω = ωj é fixo, tem-se que X(ωj , t) é

Exemplos de realizações de processos estocásticos:

Figura : Um processo estocástico interpretado como uma família de

Figura : Um processo estocástico interpretado como uma família de

Descrição Probabilística: Um processo estocástico

Ordem 1 → fX1 (x1 ), fX2 (x2 ), ..., fXn (xn )

em que foi adotada a seguinte notação xi = x(ti ).

1 Densidades conjuntas de ordem superior são, em tese, úteis na

Caso 1 - Para uma dada realização {X(t)} de um processo

fX1 ···Xn (x1 , . . . , xn ) = fX1 (x1 ) · · · fXn (xn ), (2)

Neste caso, X(t) é chamado de processo

fX1 X2 ...Y1Y2 ... = fX1 X2 ... fY1 Y2 ... (4)

Observações sobre a Média de um Processo Estocástico

Na Eq. (5) o sinal é contínuo, logo para resolver a integral

De acordo com a Eq. (5), para saber o valor médio da

Como a média definida na Eq. (5) é tomada ao longo das

A figura abaixo mostra várias realizações um sinal aleatório de

RX (t1 , t2 ) = E[X(t1 )X(t2 )]

em que x1 = x(t1 ), x2 = x(t2 ) e fX1 X2 (x1 , x2 ) é a FDP conjunta

A FAC avalia o quanto a amplitude do sinal em certo instante

A figura abaixo mostra várias realizações um sinal aleatório.

Valores negativos indicam que quando a amplitude no instante

Valores próximos de zero indicam que tanto faz se a amplitude

Valores baixos da FAC para dois instantes quaisquer t1 e t2

A figura abaixo mostra um sinal aleatório com um conteúdo

A figura abaixo mostra um sinal aleatório com um conteúdo

A amplitude do sinal mostrado na segunda figura varia

Logo, o produto X(t1 ) · X(t2 ) para a segunda figura é menor

Quanto mais distintos forem os valores consecutivos das

Quanto mais parecidos forem os valores consecutivos das

Uma vez definida a FAC de um sinal estocástico, prosseguimos

CX (t1 , t2 ) = E[(x(t1 ) − mX (t1 ))(x(t2 ) − mX (t2 ))] (7)

em que mX (ti ) = E[X(ti )] é a média do sinal no instante ti ,

Após alguma manipulação algébrica, chegamos a uma

CX (t1 , t2 ) = RX (t1 , t2 ) − mX (t1 )mX (t2 ) (8)

⋆ Para obter a FACV basta calcular a FAC e subtrair o produto

Para sinais de médias nulas tem-se obviamente que

CX (t1 , t2 ) = RX (t1 , t2 ) (9)

Uma definição importante que derivada da definição de FACV

em que mX (ti ) = E[X(ti )] é a média do sinal no instante ti .

Por sua vez, da definição de variância deriva-se o conceito de

E[x2 (ti )] = RX (ti , ti ),

É comum em Processamento de Sinais Estocásticos, usar uma

tal que −1 ≤ ρX (t1 , t2 ) ≤ 1.

Na literatura, o termo FAC (Função de Autocorrelação) é

Um conceito importante em processamento de sinais aleatórios

{X(t1 ), X(t2 ), ..., X(tk )}

Considere agora uma nova realização obtida τ instantes de