Escolar Documentos
Profissional Documentos
Cultura Documentos
G. A. Barreto
O processamento de sinais mudou! No estamos mais na era na a qual a informao na forma de sinais eltricos processada por ca e e meio de tradicionais dispositivos analgicos. Ns estamos solida e, o o para o futuro previs vel, irrevogavelmente, no mago do a processamento de sinais digitais (amostrados ou discretos no tempo) aleatrios. o Charles W. Therrien, 1992
Discrete Random Signals and Statistical Signal Processing
G. A. Barreto
Contedo da Apresentao u ca
1 2 3 4 5 6 7 8 9 10
Introduo ca Funo Distribuio de Probabilidade Conjunta ca ca Funo Densidade de Probabilidade Conjunta ca Densidade de Probabilidade Gaussiana Vetor de Mdias e Matriz de Covarincia e a Estimao do Vetor de Mdias e da Matriz de Covarincia ca e a Contornos da Gaussiana Bivariada Densidades de Probabilidade Marginal e Condicionais Gerao de Variveis Aleatrias Multidimensionais no Matlab ca a o Aplicaes em Reconhecimento de Padres co o
G. A. Barreto
Pr-Requisitos e
Variveis Aleatrias Unidimensionais (mdia, varincia) a o e a Fundamentos de Geometria Anal tica e Algebra Linear Noes de Reconhecimento de Padres co o Noes de Matlab/Octave/Scilab co
G. A. Barreto
Referncias Importantes e
C. W. Therrien (1992). Discrete Random Signals and Statistical Signal Processing, 1st edition, Prentice Hall. A. Papoulis & S. U. Pillai (2001). Probability, Random Variables and Stochastic Processes, 4a edio, McGraw-Hill. ca A. Hyvrinen, J. Karhunen & E. Oja (2001). Independent a Component Analysis, John Wiley & Sons.
G. A. Barreto
Parte I Introduo ca
G. A. Barreto
G. A. Barreto
At agora estivemos tratando apenas de uma unica varivel e a aleatria X . o Em muitas aplicaes de ETI, faz-se necessrio medir e co a analisar mais de uma varivel aleatria ao mesmo tempo, por a o exemplo:
Processamento de Sinais Multidimensionais Processamento de Imagens Reconhecimento de Padres o Separao de Fontes ca Robtica Mvel o o Controle Robusto Multivarivel a
G. A. Barreto
Nestas situaes, precisamos saber mais do que simplesmente co as leis de probabilidade de cada varivel individualmente. a Precisamos tambm das leis que regem a distribuio e ca conjunta destas variveis, visto que uma varivel pode estar a a relacionada estatisticamente com outra(s). Do exposto, importante dominar um conjunto de e ferramentas de modelagem que permitam qualicar e quanticar as leis de probabilidade que regem a distribuio ca simultnea das diversas variveis aleatrias associadas ao a a o problema de interesse.
G. A. Barreto
Denio de Vetor Aleatrio ca o Um vetor aleatrio um vetor cujas componentes so o e a variveis aleatrias: a o x = [x1 x2 xp ]T (1)
em que xi denota a i-sima componente do vetor, n a e e dimenso do vetor e o sobrescrito T representa o vetor a transposto. As componentes do vetor x podem ter signicados distintos (e.g. x1 pode ser temperatura, x2 velocidade, etc). Vetores aleatrios podem ser constitu o dos de uma linha (ou coluna) inteira de pixels de uma imagem digital.
G. A. Barreto
Denio de Vetor Aleatrio (cont.-1) ca o Um vetor aleatrio tambm pode ser constru a partir das o e do amplitudes de um sinal discreto no tempo em instantes consecutivos: x(n) = [x(n) x(n 1) x(n p)]T em que p dene uma janela deslizante que varre o sinal do in ao m. cio Esta maneira de construir vetores aleatrios muito comum o e em processamento estat stico de sinais e previso de a sries temporais. e (2)
G. A. Barreto
G. A. Barreto
Denio de Vetor Aleatrio (cont.-3) ca o Por m, as componentes de um vetor aleatrio tambm o e podem de constitu das de sinais oriundos de diversas fontes (e.g. microfones ou eletrodos). Neste caso, costuma-se representar o vetor aleatrio no o instante n como: x(n) = [x1 (n) x2 (n) xp (n)]T em que xi (n) , por denio, a amostra do sinal xi no e ca instante n. Esta maneira de construir vetores aleatrios muito comum o e em problemas de separao de fontes e anlise de ca a componentes independentes.
c G. A. Barreto Variveis Aleatrias Multidimensionais e Aplicaoes a o c
(3)
G. A. Barreto
Funo de Distribuio Acumulada (FDA) Conjunta ca ca Por denio, a FDA conjunta de duas variveis aleatrias ca a o quaisquer Xi e Xj dada por: e FXi Xj (xi , xj ) = P (Xi xi , Xj xj ) , i, j (4)
em que P () denota a probabilidade do evento entre a parnteses. Noe que xi e xj , so valores xos que as VAs Xi e e Xj , respectivamente, podem assumir. Vetorialmente, podemos escrever a Eq. (4) como Fx (x0 ) = P (x x0 ), em que x0 um vetor de valores xos. e
c G. A. Barreto Variveis Aleatrias Multidimensionais e Aplicaoes a o c
(5)
0 FXi Xj (xi , xj ) 1. FXi Xj (, xj ) = FXi Xj (xi , ) = 0. FXi Xj (+, +) = 1. FXi Xj (xi , xj ) uma funo no-decrescente em xi e em xj . e ca a P (Xi a, b Yi c) = FXi Xj (a, b) FXi Xj (b, c).
G. A. Barreto
Grco T a pico de uma FDA Conjunta Gaussiana Bivariada Uma gura vale por mil palavras!
G. A. Barreto
Funo de Densidade de Probabilidade (FDP) Conjunta ca Por extenso, a FDP conjunta de Xi e Xj denida como: a e fXi Xj (xi , xj ) = 2 FXi Xj (xi , xj ) , xi xj i, j (6)
em que FXi Xj (xi , xj ) denota a FDA conjunta de Xi e Xj . Vetorialmente, podemos escrever a Eq. (6) como fx (x0 ) = Fx (x) |x=x0 x1 x2 xp (7)
G. A. Barreto
Obtendo a FDA conjunta a partir da FDP Conjunta Pode-se chegar ` FDA conjunta a partir da FDP conjunta por a integrao da Eq. (7): ca
xi xj
FXi Xj (xi , xj ) =
i, j
(8)
Fx (x0 ) = =
fx (x)dx
x0,1 x0,2 x0,p
fXi Xj (xi , xj ) 0.
fXi Xj (xi , xj )dxi dxj = P (xi < Xi xi + dxi , xj < Xj xj + dxj ). P (a < Xi b, c < Xj d) =
d b c a
G. A. Barreto
Propriedades da FDP Conjunta (cont.-1) Em particular valor ressaltar a importncia da Propriedade 2, a escrevendo-a na forma vetorial:
fx (x)dx = 1 ,
(10)
onde temos uma integral mltipla. u Esta propriedade prov uma condio apropriada de e ca normalizao que uma verdadeira FDP conjunta deve ca satisfazer.
G. A. Barreto
= E[x] =
xfx (x)dx
(11)
p ]T
G. A. Barreto
Para caracterizar fXi (xi ), basta geralmente determinar a 2 mdia (i ) e a varincia (i ) de Xi . e a J para uma FDP com mltiplas variveis, faz-se necessrio a u a a denir um momento estat stico que quantique a variao ca conjunta de duas variveis aleatrias, Xi e Xj , quaisquer. a o Denio de Covarincia ca a A covarincia de Xi e Xj , i = j, denida como: a e cij = E[(Xi i )(Xj j )],
i, j
(12)
Um momento estat stico importante derivado da covarincia a e denido abaixo. Denio de Correlao ca ca A correlao de Xi e Xj , i = j, denida como: ca e rij = E[Xi Xj ],
(13)
Exerc Proposto: Covarincia e Correlao cio a ca Mostrar que a covarincia e correlao esto relacionadas pela a ca a seguinte expresso: a cij = rij i j (14)
c G. A. Barreto Variveis Aleatrias Multidimensionais e Aplicaoes a o c
Denio de Coeciente de Correlao ca ca O coeciente de correlao de Xi e Xj , i = j, dado por: ca e ij = cij E[(Xi i )(Xj j )] = , i j i j i, j (15)
em que i e j so os desvios-padres das variveis i e j. e a o a Em poucas palavras, ij uma verso normalizada de cij , e a de tal forma que poss demonstrar que: e vel 1 ij 1
G. A. Barreto
Interpretao do Coeciente de Correlao ca ca Se 0 < ij 1, ento Xi e Xj esto positivamente a a correlacionadas. Quanto mais prximo estiver de 1, maior a correlao o e ca positiva entre Xi e Xj . Se 1 < ij < 0, ento Xi e Xj esto negativamente a a correlacionadas. Quanto mais prximo estiver de -1, maior a correlao o e ca negativa entre Xi e Xj . Se ij = 0, ento Xi e Xj so no-correlacionadas. a a a
G. A. Barreto
As componentes deste vetor so variveis aleatrias a a o independentes se a seguinte condio for satisfeita: ca fx (x) = fX1 (x1 ) fX2 (x2 ) fXp (xp )
p
(16) (17)
=
i=1
fXi (xi )
Em palavras, variveis aleatrias so ditas independentes a o a quando sua FDP conjunta puder ser fatorada no produto de suas FDPs individuais (marginais).
G. A. Barreto
cij
(xi i )(xj j )fXi Xj (xi , xj )dxj dxi (xi i )(xj j )fXi (xi )fXj (xj )dxj dxi
rij = i j
(19)
Costuma-se organizar todas as combinaes de cij , co i, j = 1, ..., p, em uma matriz de covarincia, Cx = [cij ]pp : a
E[(X1 1 )2 ] E[(X2 2 )(X1 1 )] . . . E[(Xp p )(X1 1 )] E[(X1 1 )(X2 2 )] . . . . . . E[(X1 1 )(Xp p )] . . . . . . E[(Xp p )2 ]
Cx =
Nota-se que os elementos da diagonal principal desta matriz correspondem `s varincias das p variveis aleatrias a a a o envolvidas no problema.
G. A. Barreto
A matriz Cx simtrica: e e Cx = CT x
G. A. Barreto
Logo de cara vemos que a matriz simtrica! e e Seu determinante positivo: det(A) = 3,36. e E seus autovalores so positivos: 1 = 0,8 e 2 = 4,2. a
Logo, conclu mos que a matriz A pode de fato ser uma matriz de covarincia. a
c G. A. Barreto Variveis Aleatrias Multidimensionais e Aplicaoes a o c
Forma Vetorial Podemos escrever a matriz Cx como Cx = E (x )(x )T em que T indica o vetor transposto. Desmembrando-se esta equao chega-se ` seguinte forma ca a alternativa da matriz de covarincia: a Cx = E xxT T = Rx
T
(20)
(21)
G. A. Barreto
Forma Vetorial (cont.-1) Note que a matriz de covarincia Cx e a de correlao Rx a ca so equivalentes para = 0. a Neste caso temos que: Cx = Rx = E xxT Exerc Proposto 1 (Matriz de Covarincia) cio a Demonstrar a equivalncia entre as Eqs. (20) e (21). e (22)
G. A. Barreto
G. A. Barreto
Estimao do Vetor de Mdias e da Matriz de Correlao ca e ca Seja um conjunto de N observaes do vetor aleatrio co o p: x {x(1), x(2), ..., x(N )}
x(i)
i=1
(23)
x(i)xT (i)
i=1
(24)
G. A. Barreto
Estimao da Matriz de Covarincia ca a A matriz de covarincia pode ser estimada por meio da a seguinte expresso: a 1 Cx = N
N i=1
(25)
G. A. Barreto
Exemplo no Matlab: Funes nativas mean() e cov() co Os comandos a seguir ilustram como determinar o vetor de mdias e a matriz de covarincia para um conjunto de N e a observaes de um vetor aleatrio gaussiano de dimenso 2: c o a >> >> >> >> p=2; % dim. vetor aleatorio N=5000; % total de observacoes X=randn(N, p); % gera vetores aleatorios M=mean(X) M = 0.0097 -0.0027 >> Cx=cov(X) Cx = 1.0224 -0.0124 -0.0124 0.9887
G. A. Barreto
Exemplo no Matlab: Funo mcovar() ca A Eq. (25) pode ser implementada pela seguinte rotina: function C=mcovar(X) [N p]=size(X); soma=zeros(p); [N p]=size(X); M=sum(X)/N; % vetor de medias for i=1:N, soma = soma + (X(i,:)-M)*(X(i,:)-M); end C=soma/N; % Matriz de covariancia Para executar no Matlab: >> Cx = mcovar(X);
c G. A. Barreto Variveis Aleatrias Multidimensionais e Aplicaoes a o c
Estimando a Matriz de Covarincia pela Funo mcovar() a ca A matriz estimada pela rotina mcovar dada por: e >> Cx=mcovar(X) % Funcao criada no Matlab Cx = 1.0222 -0.0124 -0.0124 0.9885 Exerc Computacional Proposto cio Implementar a Eq. (26) como uma rotina do Matlab chamada mcovar2 e comparar o resultado com o gerado pela funo ca pronta cov e pela rotina mcovar.
G. A. Barreto
G. A. Barreto
FDP Gaussiana Multivariada A funo densidade de probabilidade gaussiana (ou normal) ca multivariada denida pela seguinte expresso: e a fx (x) = 1 (2)p/2 |C
x
|1/2
1 exp (x )T C1 (x ) x 2
em que |Cx | e C1 denotam, respectivamente, o x determinante e a inversa da matriz de covarincia. a Resumidamente, escrevemos que um vetor aleatrio x p o est distribu segundo uma FDP gaussiana multivariada da a do seguinte forma: x N (, Cx )
G. A. Barreto
FDP Gaussiana Multivariada (cont.-1) Alternativamente pode-se escrever a FDP gaussiana multivariada como: fx (x) = em que Q(x) = (x )T C1 (x ) x em que a raiz quadrada de Q(x) chamada de Distncia de e a Mahalanobis. 1 (2)p/2 |C
x
|1/2
1 exp Q(x) 2
G. A. Barreto
FDP Gaussiana Bivariada Considerando p = 2, o vetor aleatrio e o vetor de mdias o e passam a ser representados como: x= x1 x2 e = 1 2 (27)
Logo, a matriz de covarincia Cx reduz-se a uma matriz a quadrada de ordem 2: Cx = E[(x1 1 )2 ] E[(x1 1 )(x2 2 )] E[(x2 2 )(x1 1 )] E[(x2 2 )2 ]
G. A. Barreto
FDP Gaussiana Bivariada (cont.-1) Uma forma alternativa da matriz de covarincia para o caso a bidimensional dada por: e Cx =
2 1 1 2 2 1 2 2
(28)
em que chamado de Coeciente de Correlao entre x1 e e ca x2 : E[(x1 1 )(x2 2 )] c12 = = (29) 1 2 1 2 em que 1 e 2 so os desvios-padres de x1 e x2 , a o respectivamente.
G. A. Barreto
FDP Gaussiana Bivariada (cont.-2) Assim, o determinante da matriz de covarincia dado por: a e |Cx | =
2 1 2 1 2 1 2 2
2 2 = 1 2 (1 2 )(1 2 )
(30)
= (1
2 2 )1 2
E a inversa da matriz de covarincia dada por: a e 2 2 1 1x |2 2 2 2 (12 )1 (12 )1 2 |C = C1 = |Cx | 2 x 1 1 1 2 2 2 2 |Cx| (12 )1 2 (12 )2 |Cx |
c G. A. Barreto Variveis Aleatrias Multidimensionais e Aplicaoes a o c
FDP Gaussiana Bivariada (cont.-3) Finalmente, podemos escrever a FDP gaussiana bivariada como: fx (x1 , x2 ) = em que
Q(x1 , x2 ) = 1 (1 2 ) (x1 1 )2 2(x1 1 )(x2 2 ) (x2 2 )2 + 2 2 1 1 2 2
1 21 2 1 2
1 exp Q(x1 , x2 ) , 2
(31)
G. A. Barreto
G. A. Barreto
FDPs Marginais da FDP Gaussiana Bivariada As PDF gaussianas marginais de X1 e X2 so dadas pelas a seguintes expresses (Demonstrar!): o
fx (x1 , x2 )dx2
1 (x1 1 )2 exp 2 21 21
fx (x1 , x2 )dx1
1 (x2 2 )2 exp 2 22 22
G. A. Barreto
G. A. Barreto
FDPs Condicionais a partir da FDP Gaussiana Bivariada PDFs gaussianas condicionais em x1 ou x2 podem ser obtidas a partir das seguintes expresses: o fx (x1 |x2 ) = fx (x1 , x2 ) fx2 (x2 ) ou fx (x2 |x1 ) = fx (x1 , x2 ) (32) fx1 (x1 )
Para um valor espec co de x1 ou x2 , digamos x , estas expresses podem ser escritas como: o fx (x1 |x2 = x ) = fx (x2 |x1 = x ) =
c G. A. Barreto
ou
(33) (34)
G. A. Barreto
FDP Gaussiana Bivariada com = 0. Quando = 0, tem-se as seguintes conseqncias para a ue matriz de covarincia, seu determinante e sua inversa: a Cx =
2 1 0 2 0 2
1 2 1
2 2 |Cx | = 1 2
C1 = x
0
1 2 2
G. A. Barreto
FDP Gaussiana Bivariada com = 0. (cont.-1) Note que com = 0, podemos escrever a FDP gaussiana bivariada como: fx (x1 , x2 ) = 1 1 (x1 1 )2 (x2 2 )2 exp + 2 2 21 2 2 1 2
(x1 1 )2 2 2 1
1 e 22
(x2 2 )2 2 2 2
(35)
G. A. Barreto
No-Correlao e Independncia a ca e Regra Geral: Se variveis aleatrias so independentes, ento elas a o a a tambm so no-correlacionadas! e a a O racioc inverso no vlido: nio a e a Se variveis aleatrias so no-correlacionadas, isto a o a a no implica que elas sejam independentes! a A Eq. (35) revela uma importante exceo ` regra geral: ca a Variveis aleatrias gaussianas no-correlacionadas a o a so sempre independentes!! a
G. A. Barreto
FDP Gaussiana Multivariada com = 0 Para vetores aleatrios x p , a sua matriz de covarincia e o a o determinante desta so dados por: a 2 1 0 0 0 2 0 2 2 2 2 Cx = . = diag(1 , 2 , ..., p ) . .. . . . . . . . .
2 p p
pp
2 2 2 |Cx | = 1 2 p =
2 i i=1
G. A. Barreto
FDP Gaussiana Multivariada com = 0 (cont.-1) Conseqentemente, u por: 1 0 2 1 0 1 2 2 C1 = . x . . 0 0 a matriz de coviarincia inversa dada a e .. . 0 0 . . .
1 2 p
= diag
pp
1 1 1 2 , 2 , ..., 2 1 2 p
G. A. Barreto
G. A. Barreto
Contornos da FDP Gaussiana Bivariada Vimos que o grco da FDP gaussiana bivariada consiste em a uma superf tridimensional. cie Na prtica, no h necessidade de desenhar esta superf a a a cie toda vez que o interesse for a anlise qualitativa da a correlao entre duas variveis aleatrias xi e xj . ca a o Esta anlise, pode ser feita numericamente atravs do a e coeciente de correlao ij , ou atravs das Curvas de ca e Contorno.
G. A. Barreto
Contornos da FDP Gaussiana Bivariada Uma curva de contorno a curva formada pelo lugar e geomtrico dos pontos (x1 , x2 ) que satisfazem a equao e ca fx (x1 , x2 ) = C, em que C > 0 uma constante. e Matematicamente, isto o mesmo que escrever: e 1 fx (x1 , x2 ) exp Q(x1 , x2 ) 2 em que
Q(x1 , x2 ) = 1 (1 2 ) (x1 1 )2 2(x1 1 )(x2 2 ) (x2 2 )2 + 2 2 1 1 2 2
= C,
(36)
G. A. Barreto
Contornos da FDP Gaussiana Bivariada (cont.-1) Geometricamente,uma curva de contorno a curva fechada e constitu pelo perl resultante de um corte transversal da da superf fx (x1 , x2 ) a uma altura C. cie
PDF Gaussiana bivariada fX
1
(x , x ) e curvas de contorno 1 2
0.05 0.04
(x1,x2)
X X
X2
X1
G. A. Barreto
Contornos da FDP Gaussiana Bivariada (cont.-2) Aps alguma manipulao algbrica chega-se ` seguinte o ca e a expresso: a (x1 1 )2 2(x1 1 )(x2 2 ) (x2 2 )2 + = C (37) 2 2 1 2 1 2 A forma da curva da Eq. (37) depende dos valores de , 1 e 2 . Dois casos de interesse sero estudados a seguir, a saber: a
1 2
G. A. Barreto
Contornos da FDP Gaussiana Bivariada ( = 0) Neste caso, a Eq. (37) reduz-se ` seguinte expresso: a a (x1 1 )2 (x2 2 )2 + =C 2 2 1 2 (38)
a partir da qual, aps dividir ambos os lados por C, chega-se o forma cannica da elipse: (x1 1 )2 (x2 2 )2 + =1 ( C1 )2 ( C2 )2 (39)
Esta elipse tem centro na coordenada (1 , 2 ) e os comprimentos dos semi-eixos so dados por C1 e C2 . a
c G. A. Barreto Variveis Aleatrias Multidimensionais e Aplicaoes a o c
Contornos da FDP Gaussiana Bivariada ( = 0) (cont.-1) Temos 3 casos a considerar: 1 > 2 - Elipse com eixo maior ao longo da reta x2 = 0, ou seja, mais alongada na horizontal. 1 < 2 - Elipse com eixo maior ao longo da reta x1 = 0, ou seja, mais alongada na vertical. 1 = 2 - Elipse degenerada em uma circunferncia. A gura no slide a seguir ilustra os trs casos supracitados.
G. A. Barreto
C 2 2 C 2 1
X1
1 > 2
1 < 2
1 = 2
G. A. Barreto
Contornos da FDP Gaussiana Bivariada ( = 0) Neste caso, a Eq. (37), continua representando uma curva de contorno em forma de elipse. Contudo, torna-se importante conhecer o efeito introduzido pelo termo 2(x1 1 )(x2 2 ) , (40) 1 2 no desenho da elipse. Para facilitar a anlise, vamos assumir 1 = 2 = 0 e a 1 = 2 = 1. Assim, a Eq. (37) passa a ser escrita da seguinte maneira: x2 2x1 x2 + x2 = C 1 2
c G. A. Barreto
(41)
Contornos da FDP Gaussiana Bivariada ( = 0) (cont.-1) A Eq. (41) pode ser reorganizada de tal modo a representar uma equao do segundo grau em x2 : ca ax2 + bx2 + c = 0 2 em que a = 1, b = 2x1 e c = x2 C2 . 1 (42)
As ra desta equao so calculadas pela seguinte zes ca a expresso: a b b2 4ac x2 = (43) 2a Usando a Eq. (42), dene-se primeiramente uma faixa de valores para x1 e, em seguida, os valores de x2 so calculados a para cada valor de x1 usando a Eq. (43).
c G. A. Barreto Variveis Aleatrias Multidimensionais e Aplicaoes a o c
Contornos da FDP Gaussiana Bivariada ( = 0) (cont.-2) A gura abaixo ilustra uma curva de contorno para variveis a aleatrias x1 e x2 correlacionadas positivamente ( = 0,5). o
Curva de Contorno Variaveis Gaussianas Correlacionadas 4 3 2 1
2
0 1 2 3 4 4
0 X
G. A. Barreto
Contornos da FDP Gaussiana Bivariada ( = 0) (cont.-3) A gura abaixo ilustra uma curva de contorno para variveis a aleatrias x1 e x2 correlacionadas negativamente ( = -0,5). o
Curva de Contorno Variaveis Gaussianas Correlacionadas 4 3 Reta suporte 2 1
X2
0 1 2 3 4 4
0 X
G. A. Barreto
100
0.15
80
0.1
f(x1,x2)
60
0.05 3 2 1 0 6 0 4 1 2 0 x2 2 2 4 6 3 x1
40
20
10
20
30
40
50
60
G. A. Barreto
Gerao de Vetores Aleatrios Gaussianos Correlacionados ca o Passo 1 - Gerar vetores aleatrios gaussianos no o a -correlacionados: >> X=randn(p,N); Passo 2 - Especicar a matriz de covarincia desejada Cd : a >> Cd=[1 0.79;0.79 4]; Passo 3 - Aplicar a Decomposio de Cholesky ` matriz Cd : ca a >> A=chol(Cd); Passo 4 - Aplicar transformao linear aos dados originais: ca >> Y=A*X; Passo 5 - Conferir se a matriz de covarincia estimada Cd a est de acordo com a matriz terica Cd . a o
c G. A. Barreto Variveis Aleatrias Multidimensionais e Aplicaoes a o c
Resultados da Aplicao do Algoritmo do Slide Anterior (cont.-1) No-correlacionados (esquerda) e Correlacionados (direita). a
4 8 3 6
4 5
8 4
G. A. Barreto
Resultados da Aplicao do Algoritmo do Slide Anterior (cont.-2) Para este problema a matriz de covarincia estimada Cd a resultante foi: >> Cd=cov(Y) Cd = 0.9983 0.7836 0.7836 3.9609 0, 79 = = 0, 395 1 4
G. A. Barreto