Notas de Aula Slides - USP

Processos Aleatórios e Ruído Processos Aleatórios e Ruído
∞
• Revisões Estatística
Se y=g(x) será E [Y ] = E [g (X )] = ∫ g (x )f (x )dx
X
• Variável aleatória X −∞
Momentos centrais de ordem n
Função de distribuição cumulativa FX (x ) = P(X ≤ x )
[ ] ∫ (x − µ
∞ n
E (X − µ X ) = ) f X (x )dx
n
f X (x ) = FX (x )
d X
Função densidade de probabilidade
dx −∞
∞
[ ] ∫x
Momento central de ordem 1 é sempre nulo
Momentos de Ordem n E X n = n
f (x )dx
−∞
• Momentos mais importantes são Momento central de ordem 2 é a variância

[ ] ∫ (x − µ
∞
σ X = var[X ] = E (X − µ X ) = )2 f X (x )dx
2 2
- média (valor esperado) n=1 µX=E[X]= X X
- valor quadrático médio n=2 E[X2] −∞
σX chama-se desvio padrão
Telecomunicações 1(TEC) 1 Telecomunicações 1(TEC) 2

Obviamente Momentos conjuntos de duas variáveis X e Y
• Caso geral ∞ ∞
[ ] [ ]
σ X = E X 2 − 2µ X X + µ X = E X 2 − 2 µ X E [X ]+ µ X =
2 2 2 [
i j
]
E X Y = ∫ ∫ x i y j f XY (x, y )dxdy
[ ]
− ∞− ∞
= E X 2 − µX
2
• Caso particular- correlação - i=j=1
∞ ∞
E [XY ] = ∫ ∫ xyf XY (x, y )dxdy
Assim a variância é igual ao valor quadrático médio apenas se a − ∞− ∞
média for nula. • Correlação das variáveis X-µX e Y-µY chama-se covariância
cov [XY ] = E [XY ]− µ X µ Y

• Coeficiente de correlação de X e Y
cov[XY ] • Conceito de processo aleatório
ρ= (cov ariância normalizada ) X1(t)
σ Xσ Y
• X e Y são descorrelacionadas se cov[XY]=0
t
tk
• X e Y são ortogonais se E[XY]=0 (correlação nula)
Espaço de X2(t)
• Se X e Y tiverem média nula e forem ortogonais então são Amostras t
descorrelacionadas
Xn(t)
• Se X e Y forem estatisticamente independentes são descorre-
t
lacionadas (inverso pode não ser verdadeiro)

• As funções amostra do processo são Xn(t), cada uma delas uma • Assim para uma variável aleatória o resultado
função da variável tempo
de uma experiência aleatória é um número
• Para um instante fixo tk os valores das diversas funções amostra
constituem uma variável aleatória no conjunto das funções enquanto para um processo aleatório o resultado
amostra de uma experiência aleatória é uma função do
{X (tk )}= {x1 (tk ), x2 (tk ),..., xn (tk )} tempo (função amostra do processo aleatório)
Instantes diferentes corresponderão a variáveis aleatórias
diferentes.
Processo Aleatório é a designação atribuida ao conjunto

destas variáveis aleatórias
• A caracterização estatística dum processo aleatório faz-se dando • Num processo estacionário no sentido estrito verifica-se
necessariamente:
FX (t1 )X (t 2 )... X (tk )(x1 , x2 ,..., xk )
- a função de distribuição de 1ª ordem é independente do tempo
Se deslocarmos todos os instantes de observação de um
mesmo valor τ teremos FX (t ) (x ) = FX (t +τ ) (x ) = FX (x )
FX (t1 +τ )X (t2 +τ )... X (tk +τ )(x1 , x2 ,..., xk ) - a função de distribuição de segunda ordem só depende do
intervalo de tempo entre os instantes de observação
F X (t1 )X (t 2 ) (x1 , x 2 ) = F X (0 )X (t 2 − t1 ) (x1 , x 2 ) ∀ t1 , t 2
Um processo diz-se estacionário no sentido estrito se
FX (t1 +τ )X (t2 +τ )... X (t k +τ )(x1 , x2 ,..., xk ) = FX (t1 )X (t2 )... X (tk )(x1 , x2 ,..., xk )

• Um processo aleatório diz-se estacionário no sentido lato se • A média de um processo estacionário é então independente do
tempo ∞
µX(t)=µX para todo o t µ X (t ) = E [X (t )] = ∫ xf ( )(x )dx = µ
X t X
RX(t1,t2)=RX(t2-t1) para todo o t1 e t2 −∞
Chama-se função de autocorrelação do processo aleatório X a

Estas duas condições não são suficientes para garantir esta- ∞ ∞
cionaridade no sentido estrito. RX (t1 , t 2 ) = E [X (t1 )X (t 2 )] = ∫ ∫x x 1 2 f X (t1 )X (t 2 ) (x1 , x2 )dx1dx2

− ∞− ∞
Todos os processos estacionários no sentido estrito são Se o processo for estacionário será
obviamente estacionários no sentido lato. RX (t1 , t 2 ) = RX (t 2 − t1 ) ∀t1 , t 2
• È costume escrever τ=t2-t1 vindo: • Significado físico da autocorrelação
• Mede a interdependência entre as variáveis aleatórias
R X (τ ) correspondentes à amplitude de um processo em instante
Idêntica nota-se se pode usar para a covariância. diferentes. Se um processo for de variação rápida no tempo a
Propriedades função de autocorrelação decresce rapidamente a partir da
[ ]
origem.
RX (0) = E X 2 RX(τ)
Variação lenta
RX (τ ) = RX (− τ ) Variação rápida
RX (τ ) ≤ RX (0 )

• Exemplo: processo gera amostras dadas por • donde
A2 A2
X (t ) = A cos(2πf c t + Θ ), RX (τ ) = E [cos(4πf c t + 2πf cτ + θ )]+ E [cos(2πf cτ )]
2 2
f Θ (θ ) =
1
em − π < θ < π , 0 fora disso O primeiro termo é nulo logo
Será 2π
A2
R X (τ ) = cos(2πf cτ )
RX (τ ) = E[X (t )X (t +τ )] = 2
[ ]
= E A2 cos(2πf ct +θ )cos(2πfc (t +τ ) +θ ) =
A potência média do processo será E[X2]=RX(0)=A2/2

• Médias temporais de funções amostra • Se o processo for estacionário no sentido lato
T será
µ X (T ) =
1
∫ x(t )dt =< X >  1
E [µ X (T )] = E 
T
 1 T
2T −T
 2T
∫−T x(t )dt  = 2T ∫ E[x(t )]dt =
sendo − T < t < T o int ervalo de observação −T
T
1
No caso geral µX(T) é uma variável aleatória pois depende do =
2T ∫µ
−T
X dt = µ X
intervalo de tempo escolhida para a observação.
Diz-se que a média temporal é uma estimativa não tendenciosa
(ou não enviesada) da média de conjunto.

• A função de autocorrelação temporal de x(t) observada em - • Um processo aleatório diz-se ergódico na média se as médias de
T<t<T define-se de forma idêntica por conjunto e as médias temporais forem iguais. Nesse caso
lim µ X (T ) = µ X
T
RX (τ , T ) = ∫ x(t + τ )x(t )dt
1
2T T →∞
lim var[µ X (T )] = 0
−T
T →∞
RX é também uma variável aleatória.
Um processo aleatório diz-se ergódico na autocorrelação se
lim RX (τ , T ) = RX (τ )
T →∞
lim var[RX (τ , T )] = 0
T →∞
• Para ser ergódico um processo X(t) tem de ser • Transmissão de um processo aleatório através
estacionário no sentido lato. de um sistema linear
• O conceito de estacionaridade pode estender-se (filtro linear invariante no tempo) com resposta impulsional h(t)
a estatísticas de ordem superior.
• Os processo ergódicos que vamos estudar são X(t)
h(t)
Y(t)
ergódicos, que se ajustam bem à repre-sentação
do ruído que queremos desenvolver
Pode provar-se que se X(t) for estacionário no sentido lato,
Y(t) também será.

• O processo aleatório à saída estará relacionado com o da entrada • Se o processo for estacionário como é normal
pois ∞
considerar-se em Telecomunicações
Y (t ) = ∫ h(τ 1 )X (t − τ 1 )dτ 1 ∞
−∞
µY = µ X ∫ h(τ 1 )dτ 1 = µ X H (0 )
sendo −∞
∞ 
µY (t ) = E [Y (t )] = E  ∫ h(τ 1 )X (t − τ 1 )dτ 1  A função de autocorrelação da saída para os instantes t e u será
−∞ 
∞ ∞

RY (t , u ) = E  ∫ h(τ 1 )X (t − τ 1 )dτ 1 ∫ h(τ 2 )X (t − τ 2 )dτ 2 
∞ ∞
µY (t ) = ∫ h(τ 1 )E [X (t − τ 1 )]dτ 1 = ∫ h(τ 1 )µ X (t − τ 1 )dτ 1
 −∞ −∞ 
−∞ −∞
• Para o caso particular do processo ser estacionário será • Densidade Espectral de Potência
∞ ∞
Sabemos que
RY (τ ) = ∫ ∫ h(τ1 )h(τ 2 )RX (τ − τ1 − τ 2 )dτ1dτ 2
− ∞− ∞ ∞
h(τ 1 ) = ∫ H ( f )e
j 2πfτ 1
df
Dado que RY(0)=E[Y2] obtem-se o resultado muito importante −∞
∞ ∞ substituindo na exp ressão anterior

[
E Y (t ) =2
] ∫ ∫ h(τ )h(τ 1 2 )RX (τ 2 − τ 1 )dτ 1dτ 2
[ ] ∞
∞ ∞

E Y (t ) = ∫ ∫  ∫ H ( f )e j 2πfτ1 df h(τ 2 )RX (τ 2 − τ 1 )dτ 1dτ 2
2
− ∞− ∞
− ∞− ∞ − ∞ 
que é uma constante (no caso da estacionaridade).

• Esta expressão pode escrever-se sob a forma • Chama-se Função Densidade Espectral de Potência do
∞ ∞ ∞ Processo Aleatório à função
[ ]
E Y 2 (t ) = ∫ df H ( f ) ∫ dτ 2 h(τ 2 ) ∫ RX (τ 2 − τ 1 )e j 2πfτ1 dτ 1 ∞
Fazendo τ=τ2-τ1
−∞ −∞ −∞ SX (f )= ∫ R (τ )e X
− j 2πfτ
dτ
∞ ∞ ∞ −∞
[ ]
E Y 2 (t ) = ∫ df H ( f ) ∫ dτ 2 h(τ 2 )e j 2πfτ 2 ∫ RX (τ )e − j 2πfτ dτ
Ou ∞ 2
−∞ −∞ −∞ [
E Y (t ) =
2
] ∫ H (f ) S X ( f )df
∞ −∞
∫ dτ h(τ )e (f )
j 2πfτ 2
=H
*
mas ∞
[
ou seja E Y (t ) = ] ∫S ( f )d f
2 2
−∞ 2
Y
∞ 2 ∞
[ ]
−∞
∴ E Y 2 (t ) = ∫ df H ( f ) ∫ RX (τ )e dτ
− j 2πfτ
se SY ( f ) = H ( f ) S X ( f )
2
−∞ −∞
• Isto leva-nos a uma representação dos processos • Esta relação fundamental entre SX e RX
∞
no domínio das frequências com a propriedade
essencial que é a função SX é transformada de SX (f )= ∫ R (τ )e
X
− j 2πfτ
dτ
−∞
Fourier de RX ∞
• Vejamos mais algumas propriedades desta R X (τ ) = ∫ S ( f )e
X
j 2πfτ
df
representação −∞
Costuma designar-se por teorema de Wiener-Khintchine ou

Einstein- Wiener-Khintchine

• Propriedades ∞ • Exemplos:
1 − S X (0) = ∫ RX (τ )dτ • 1- Caso anterior X (t ) = A cos(2πf c t + Θ )
−∞
∞
[ ]
2 − E X (t ) = ∫ S X ( f )df
2 Tínhamos encontrado
A2
−∞
R X (τ ) = cos(2πf cτ )∴
3 − S X ( f )≥ 0 2
4 − S X (− f ) = S X ( f ) SX (f )=
A2
[δ ( f − f c )+ δ ( f + f c )]
SX (f ) 4
5 − pX ( f ) = ∞
tem propriedades de fdp
O que ra de prever. Além disso E[X2]=A2/2.
−∞
∫ S ( f )df
X

• 2- Sequência binária aleatória T • No livro mostra-se que será
A
 A2  1− τ  para τ <T
td RX (τ ) =   T 
î 0 para τ ≥T
-A A2
De amplitude A ou -A, instante de início do primeiro impulso td é RX(τ)
uma variável aleatória uniforme com valores entre 0 e T sendo
igualmente provável a ocorrência de amplitudes positivas ou T
negativas num determinado intervalo de tempo T. τ

• logo • Processos Aleatórios Gaussianos
T
 τ 
S X ( f ) = ∫ A2 1 − e − 2πfτ dτ = Um processo aleatório diz-se Gaussiano se as suas variáveis
−T  T aleatórias tem funções densidade de probabilidade gaussianas.
= A2T sin c 2 ( fT ) −
( y − µY )2
f Y (y ) =
1 2σ Y 2
A2T
e
2πσ Y
2
SX(f) se µY = 0 e σ Y = 1
2
Esta última distribuição
2
costuma designar-se por
1 − y2
f f Y (y ) = e N(0,1)
1/T 2/T 2π
• Os processos gaussianos são muito importantes • A justificação é o teorema do limite central.
em Telecomunicações por duas razões: • Dado um conjunto de N variáveis aleatórias estatisticamente
independentes com a mesma função de distribuição média e
– mais fácil obter resultados analíticos neste caso,
desvio padrão, a variável soma tem distribuição gaussiana…
– muitos dos processos aleatórios que se utilizam para • Esta situação verifica-se em muitas situações em que o ruído
representar processos físicos podem ser gerado por um sistema, resulta da contribuição de um grande
aproximados por processos gaussianos. número de variáveis independentes.

• Definindo
µ X (ti ) = E [X (ti )]
• Propriedades de um processo Gaussiano
[( )( )]
➊ Um processo X(t) quando passa através de um sistema linear
mantem-se gaussiano C X (t k , ti ) = E X (t k )− µ X (t k ) X (ti )− µ X (ti )
X = vector conjunto var iáveis X (t1 ),..., X (t n )
➋ Considerando um conjunto de variáveis aleatórias X(t1), X(t2),
X(t3),…,X(tn) resultantes da observação de um processo
aleatório X(t), se o processo X(t) é Gaussiano, a fdp de qualquer x = um valor de X
conjunto destas variáveis é conjuntamente Gaussiana pode escrever − se
−
1
( ) Σ (x − µ )
x−µ
T −1
f X (t1 ),..., X (tn )(x1 ,...., xn ) =

1 2
e
(2π )n / 2 ∆1/ 2
• Sendo ➌ Um processo aleatório estacionário no sentido lato é-o no
µ = vector média = [µ1 ,..., µ n ] sentido estrito.
➍ Se n variáveis aleatórias extraídas de um processo aleatório
Σ = matriz de cov ariância = {C X (t k , ti )} gaussiano forem descorrelacionadas elas serão estatisticamente
Σ −1 = inversa de Σ independentes.
∆ = det er min ante de Σ
Esta propriedade significa que é muito mais fácil caracterizar

estatisticamente um processo Gaussiano que outro qualquer.

• Ruído • Ruído Shot
• Chama-se ruído a sinais não desejados que perturbam a • Resulta da natureza discreta da corrente. A corrente eléctrica
transmissão e o processamento de sinais e que são não é um fluxo contínuo de carga mas sim a passagem de cargas
incontroláveis. As sua fontes podem ser externas ao sistemas discretas a um determinado ritmo. Por exemplo a corrente de um
(ruído atmosférico, galáctico, solar,…) ou internas (ruído fotodetector resulta da emissão de electrões sempre que incide
térmico de resistências, ruído gerado em dispositivos um fotão. Os electrões são emitidos em instantes aleatórios τk,
activos,…). cada um gera um impulso de corrente e a corrente total resulta
• O ruído é inevitável e representa a limitação fundamental da da soma destes impulsos. Corrente pode ser modelada por um
comunicação. processo X(t) do seguinte tipo, designado “shot noise”
• Dois tipos mais comuns de ruídos em electrónica são o ruído ∞
impulsional (shot) e o ruído térmico. X (t ) = ∑ h(t − τ k )
Telecomunicações 1(TEC) 43 −∞
Telecomunicações 1(TEC) 44
• À medida que o número de electrões emitido cresce N(t), • Pode provar-se que
número de electrões emitido em [0,t] é um processo aleatório ∞
estocástico. Seja ν o valor médio do número de electrões µ X = λ ∫ h(t )dt
emitido por unidade de tempo. O valor médio de emissões entre −∞
t e t+ to será
Em que h(t) é a forma do impulso de corrente gerado pela carga.
E [ν ] = λt0 No caso de o impulso ser considerado muito estreito (Dirac)
como sucede na maior parte dos dispositivos electrónicos devido
O número de electrões emitido entre t e t+to segue a distribuição à alta velocidade, a densidade espectral de potência pode ver-se
de Poisson com valor médio λto. que é plana.
(λt )k
P(ν = k ) = 0 e −λt0
Telecomunicações 1(TEC)
k! 45 Telecomunicações 1(TEC) 46

• Ruído Térmico • O esquema equivalente de uma resistência com ruído
• Ruído resultante da agitação dos electrões num condutor. A
tensão de ruído medida nos terminais de uma resistência em
equilíbrio térmico à temperatura absoluta T (=273+TºC) e
Rs/ruído
medida numa banda ∆f é dada por E[I2tn]
[ ]
Rreal
E v 2 tn = 4kTR∆f volts 2 E[v2tn]
~ Rs/ruído
sendo k a constante de Boltzman =1,38x10-23 J/ºK

[ ] [ ]
E I tn =
2 E V 2 tn
R2
= 4kTG∆f amp 2
com G = R −1
• Dado que o número de electrões em movimento • Uma gerador transmite máxima potência a uma
num condutor é muito elevado e que eles se carga quando esta´tem valor igual à sua
movem de forma independente, a aproximação impedância característica valendo essa potência
de considerar que o ruído térmico é um V2/4R
processo aleatório Gaussiano é válida. P = Vl .I = Rl .I 2 = Rl
V2
R P
(R + Rl )2
Rl Pmáx ↔ R = Rl
V ~ V2
Pmáx =
4R

• Assim a potência máxima de ruído que se pode extrair de uma • Ruído Branco pode assim dizer-se que é um
resistência, também chamada potência disponível será dada
por ruído representado por uma densidade espectral
Pavail = kT∆f watts de potência constante que vamos representar do
A densidade de potência deste ruído é também constante, isto é,
seguinte modo:
SW ( f ) =
depende de ∆f mas é independente do valor absoluto da fre- No
quência. Será SW=kT ou se considerarmos frequências + e- kT/2. 2
Este tipo de ruído é muito importante em Telecomunicações e
O factor 2 resulta da necessidade de considerar frequências + e -
chama-se ruído branco por analogia com o que se passa com a luz
No expressa-se em W/Hz.
branca que possui igual energia a todas as cores.
• No caso geral, mesmo que o ruído à entrada de • Propriedades do Ruído Branco
um receptor não provenha de uma resistência, é SW(f)
No/2
possível definir uma temperatura equivalente de
f
ruído Te tal que a densidade de potência de
No
RW(τ)
ruído No seja δ(τ)
2
N o = kTe τ
A autocorrelação desta forma implica que amplitudes em ins-

tantes diferentes são descorrelacionadas logo independentes.

• Estritamente falando o ruído branco é irrealizável porque • Ruído Branco Filtrado
contem energia infinita. Este foi aliás um paradoxo da física
• Suponhamos que ruído densidade No/2 passa por filtro passa
porque significava que era possível extrair energia de qualquer
baixo de banda B.
sistema com ruído…
• Foi resolvido com mecânica quântica que mostrou que para o SW(f) SN(f)
ruído térmico existe uma alteração da lei a altas frequências Filtro P Baixo
Fmáxima=B
Joelho verifica-se a SW(f)
SW(f) SN(f)
frequências da óptica No/2
à temperatura ambiente No/2
e a frequências de micro- f
fq ondas a temperaturas ~ To f
B
• A função de autocorrelação do ruído filtrado será • Tudo isto é observável e pode ser medido no laboratório no caso
B
de sinais estacionários e ergódicos
RN (τ ) = ∫ 2 e df = N o B sin c(2 Bτ )
N o j 2πfτ
−B Ruído
Filtragem introduz correlação N oB X Integração RN(τ)
entre amplitudes em instantes
RN(τ)
diferentes, o que não existia à
entrada no ruído branco. Fisica- Atraso τ
mente é fácil de perceber... 1/2B 3/2B τ
1/B O cálculo da transformada de RN(τ) dar-nos-á as características
espectrais

• Ruído filtrado por um circuito RC • Será No/4RC RN(τ)
SN ( f )=
No / 2
H (f )= τ
1 1
=
1 + (2πfRC )
2
Ruído
branco C
Ruído
filtrado
1 + j 2πfRC 1 + jf / f c
1 e
fc =
2πRC −
τ No/2 SN(f)
RN ( f ) = o e RC
N
O cálculo da densidade de potência de ruído à saída é trivial 4 RC No/4
f
fc=1/2πRC
• Largura de Banda Equivalente de Ruído • Graficamente
∞ 2 ∞ 2
|H(f)|2
∫ H ( f ) df = N o ∫ H ( f ) df
N
N saída = o
2 −∞ 0
Iguais áreas
Mesmo ruído aplicado a um filtro ideal (ganho constante)= H(0)
N saída (ideal ) = N o BN H (0 )
teríamos 2
∞
f
∫ H (f )
2
df Para o caso do RC será BN=πfc/2=1/4RC.
se BN = 0
H (0 )
2

• Ruído de Banda Estreita • Se virmos um destes processos no osciloscópio de facto parece-
se com uma sinusoide modulada em amplitude e fase.
• Situação análoga aos sinais de banda estreita. Quando se estreita
o espectro ele tende para uma risca ou seja uma sinusoide.
Frequência instantânea
SN(f) vizinha de fc
f
-fc-B -fc -fc+B fc-B fc fc+B
• Tal como aconteceu anteriormente com os sinais é possível • Extracção das componentes Regeneração do em
definir este tipo de sinais em termos de: fase e quadratura ruído de banda estreita
– componentes em fase e quadratura Filtro
x nI(t) x
– envolvente e fase. P Baixo
+
• No primeiro caso teremos: 2cos(2πfct) cos(2πfct)
Σ
n (t ) = n I (t )cos (2π f c t )− nQ (t )sen (2π f c t )
n(t)
-
Filtro
x nQ(t) x
P Baixo
É fácil mostrar que aquelas componentes podem calcular-se
do seguinte modo (analiticamente ou no laboratório).
-2sen(2πfct) sen(2πfct)

• Propriedades das componentes em fase e quadratura • graficamente
– tem média nula, SN(f)
– n(t) Gaussiana implica componentes gaussianas
– n(t) estacionário as componentes são conjuntamente
estacionárias
– Densidades espectrais de potência obtem-se fazendo
S N I ( f ) = S NQ ( f ) = { S N ( f − f c )+ S N ( f + f c ) para − B ≤ f ≤ B
o fora disso SNI(f), SNQ(f)

– nI(t) e nQ(t) tem a mesma variância que n(t) • Pode calcular-se a autocorrelação do ruído à saída por
− fc + B fc + B
RN (τ ) = ∫
– se n(t) é Gaussiana e a sua densidade de potência em N o j 2πfτ N o j 2πfτ
torno de fc, então nI e nQ são estatisticamente − fc − B
2
e df + ∫
fc − B
2
e df =
independentes.
= 2 N o sin c(2 Bτ )cos(2πf cτ )
• Exemplo: 2NoB
RN(τ)
Ruído Filtro Passa n(t)
Banda 2B << fc
branco
(fc, 2B)
No/2 1/2B 1/B

• O espectro e autocorrelação das componentes I e Q serão • Envolvente e Fase de um ruído de Banda Estreita
No n(t ) = r (t )cos[2πf c t + ψ (t )]
sendo
f
r (t ) = nI (t )+ nQ (t )
2 2
-B B
RNI(τ)=RNQ(τ)=2NoBsinc(2Bτ) nQ (t )
ψ (t ) = arctg
nI (t )
τ É possível deduzir as propriedades destas duas variáveis
aleatórias a partir das que conhecemos de nI e nQ (ver Haykin).

• A envolvente seque a estatística de Rayleigh. Sejam R e Ψ as • Rayleigh é uma distribuição importante em Telecomunicações
variáveis aleatórias cujos valores correspondem a r e ψ. 1
σ e fR(r)
 21π para 0≤ψ ≤ 2π
f Ψ (ψ ) =  0 fora disso Variável uniformemente dis- Mediana ponto r1 para
î tribuida. o qual P(r<=r1)=0,5 é
r1=1,185σ.
 r − 2rσ 2
2
 2e para r ≥ 0 σ
f R (r ) =  oσ
Variável segue distribuição
fora disso Valor médio é µR=(π/2)1/2σ
de Rayleigh.
 Valor quadrático médio E[R2]=2σ2
î Variância σR2=(4-π)σ2/2
R e Ψ são independentes.
P(R>=kσ)=exp(-k2/2)
σ2 é a variância de n(t).

• Sinal sinusoidal mais ruído de banda estreita • A envolvente e a fase serão
• Caso muito frequente
r (t ) = n′I (t ) + nQ (t )
2 2
x(t ) = A cos(2πf c t )+ n(t ) =

= A cos(2πf c t )+ nI (t )cos(2πf c t )− nQ (t )sen(2πf c t ) = nQ (t )
ψ (t ) = arctg
n′I (t )
= [A + nI (t )]cos(2πf c t )− nQ (t )sen(2πf c t )

n′I (t )
Neste caso se Α#0 as variáveis aleatórias R e Ψ serão dependentes.
Se n(t) for gaussiano, n’I(t) e nQ(t) são gaussianos e estatis-
ticamente independentes.
Média de n’I(t) é A e a média de nQ (t) é nula.
Variâncias de n’I(t) e de nQ (t) são ambas iguais a σ2.
• A variável R obedece a uma distribuição de Rice • Normaliza-se fazendo v=r/σ e a=A/σ com fV(v)=σfR(r) e vem
r +A
2 2
r −  Ar 
f R (r ) = 2 e 2σ 2
Io  2  a=0 −
v2 +a2
σ σ 
a=1
a=2 fV (v ) = ve 2
I o (av )
a=3 a=5
sendo
2π
I o (x ) =
1
∫e
x cosψ
dψ Função de Bessel de 1ª
2π 0 espécie modificada de
ordem 0.

• Para a=0 a distribuição de Rice coincide com a de Rayleigh • Ruído na prática. Já vimos:
• Quanto maior for a(=A/σ) mais a f.d.p. de Rice se aproxima da – é aproximado por processo aleatório estacionário ergódico e
Gaussiana (portanto para situações em que o ruído em muito gaussiano
menor que o sinal sinusoidal adicionado).
– à entrada é muitas vezes aproximado por um ruído branco (é
assim no ruído shot e no térmico)
• O livro desenvolve algumas experiências por simulação muito – interessa usar a potência disponível que, havendo adaptação,
interessantes e importantes que eu não tenho tempo de mostrar é a potência efectivamente transferida
mas sugiro que as sigam.
– é sempre possível associar uma temperatura a uma fonte
através de (B banda de observação)
Pa
T=
Telecomunicações 1(TEC) 79 Telecomunicações 1(TEC) kB 80
• Caracterização de um sistema do ponto de vista do ruído -
Temperatura equivalente de ruído Te. No = gkTi B + N int

Ruído proveniente da entrada Ruído gerado pelo quadripolo
Ruído Quadripolo Ruído à saída

Temperatura Ganho g Potência No Se definirmos uma temperatura Te tal que
Banda B
Ti
N int = kTe Bg
Ganho em potência disponível será a relação entre as potências
disponíveis à saída e à entrada. É igual ao ganho se o sistema podemos escrever
No = k (Ti + Te ) Bg
estiver adaptado. Será

• Isto corresponde a referir o ruído do quadripolo à entrada e • Temperatura equivalente de uma cadeia
representa-lo por uma temperatura.
Amplificador/filtro
sem ruído Ti
G1 G2 Gn
Te1 Te2 Ten
Ti
+ g No
Qual a temperatura equivalente desta cadeia? Introduzamos um
Te Quadripolo diagrama em que as fontes de ruído correspondentes a cada um
c/ ruído dos elementos esteja presente.
• Será • Numa cascata de quadripolos teremos portanto no caso geral,
Ti que se costuma designar fórmula de Friis:
+ g1 + g2 + gn
Te2 Te3 Ten
Te1 Te2 Ten Te1 + + + ... + n −1
∏g
g1 g1 g 2
Ou i
Ti 1
+ g1 g2 gn
Resultado muito importante que revela que numa cadeia o
Te2 Te3 Ten elemento mais importante é o primeiro. De facto se este tiver
Te1 + + + ... + n −1 ganho elevado, as contribuições dos andares seguintes para o
∏g
g1 g1 g 2
i ruído final são muito pequenas.
1

• Define-se Factor de Ruído F para um quadripolo com Ti=To
• Factor de Ruído
• É uma forma alternativa um pouco mais complicada mas que,
Potência Total disponível de ruído a saída N
por ser comum, temos que estudar. F = = o
• Define-se factor de ruído do seguinte modo Potência disponível à saída provenient e da entrada N o′
N o = k (To + Te )Bg
OBS: À entrada tem que estar um Mas, pela definição de Te
ruído à temperatura de referencia To, N o′ = kTo Bg
Ti=To=290K
Quadripolo escolhida de forma a ser próxima log o
da temperatura ambiente. T +T Te
To corresponde a 17ºC F = o e = 1+ ∴
To To
Telecomunicações 1(TEC) 87 Telecomunicações 1(TEC) Te = To (F − 1) 88
• Por aplicação directa da fórmula de Friis é fácil • Chama-se temperatura de ruído do Sistema,
mostrar que numa cadeia será escreve-se Tsis, à temperatura soma de Ti com
Te.
F2 − 1 F3 − 1 F −1 • É o ruído total referido à entrada.
F = F1 + + + ... + n −n1
∏ gi
g1 g1 g 2
1

• Exemplos:
• 2- Um receptor com F=1,5dB tem à entrada
• 1 - Receptor com ganho g=105, B=36MHz, sem ruído, possui à uma antena com Tant=120K. Calcular Te e Tsis?
entrada temperatura de ruído gerada pela antena Tant=To=290K.
Qual a potência de ruído à saída?
F = 100,15 ≈ 1,4
N i = kTant B = 1,38 x10 −23 x 290 x36 x106 = 1,44 x10 −13W
N o = gN i = 1,44 x10 −8W
Te = To ( F − 1) = 290(1,4 − 1) = 116 K
ou em dB Tsis = Tant + Te = 236 K
N i dB = 10 log10 N i = 10 log10 kx 290 + 10 log10 B = −128,4dBW

− 204 , 0 ( em dBW ) B em Hz
N o dB = g dB + N idB = −78,4dBW
• 3- Determine a temperatura de sistema do • Teremos
seguinte receptor F2 = 100,6 ≈ 4 ∴Te2 = To (F2 − 1) = 870 K
F3 = 101, 2 ≈ 16 ∴Te3 = To (F3 − 1) = 4350 K
870 4350
g1=100 g2=10 g3=1000 Tsis = Ti + Te = 50 + 30 + + = 93K
Te1=30K F2=6dB F3=12dB 100 1000
Tant=50K
Apesar da menor qualidade dos últimos andares do receptor
eles contribuem muito pouco para a degradação do sinal do
ponto de vista do ruído.

• 4- Considere a ligação por feixe abaixo. Qual a relação • Atenuação em espaço livre
potência de portadora/potência de ruído (C/N) na saída? LdB = 92,4 + 20 log10 f GHz + 20 log10 lkm = 145,3dB
f=11GHz Ci = −25 + 35 − 145,3 + 35 = −100,3dBW
l=40km Tsis = 290 + 450 = 740 K
Receptor
Emissor Te=450K  C   C   Ci  Ci
GantT=35dB
B=36MHz   =  =  =
GantR=35dB  N  o  N  i  N sis  kTsis B
Pe=-25dBW Tant=290K C
  = −100,3 − (− 124,3) = 24,0dB
 N  o dB
• C é a potência da portadora. Calcula-se a • Factor de Ruído de uma linha com perdas
relação C/N na entrada utilizando o ruído Tsis – Este caso particular é muito importante pois as
que inclui a potência ruído introduzida pelo linhas à entrada dos receptores tem que ser
consideradas como causadoras de atenuação e
receptor referida à entrada. Ao fazermos isso afectam a qualidade dos receptores
estamos a incluir toda a degradação do sinal que – Consideremos uma linha em equilíbrio térmico, com
o receptor irá introduzir e temos por isso a temperatura constante e igual a To, adaptada nos
relação C/N da saída. dois extremos como é habitual acontecer em
sistemas de transmissão
Processos Aleatórios e Ruído

• Teremos: To
To R Atenuação L = g-1 R
Ni= KToB
No=KToB pois linha adaptada é equivalente a uma resistência

de valor igual a R à temperatura To
F=No/gNi=NoL/Ni=L - Factor de ruído igual à atenuação.

Telecomunicações 1(TEC) 99

Notas de Aula Slides - USP

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

Notas de Aula Slides - USP

Enviado por

Direitos autorais:

Formatos disponíveis

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

• Momentos mais importantes são Momento central de ordem 2 é a variância

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

cov [XY ] = E [XY ]− µ X µ Y

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Processo Aleatório é a designação atribuida ao conjunto

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Chama-se função de autocorrelação do processo aleatório X a

cionaridade no sentido estrito. RX (t1 , t 2 ) = E [X (t1 )X (t 2 )] = ∫ ∫x x 1 2 f X (t1 )X (t 2 ) (x1 , x2 )dx1dx2

Telecomunicações 1(TEC) 13 Telecomunicações 1(TEC) 14

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Telecomunicações 1(TEC) 15 Telecomunicações 1(TEC) 16

Telecomunicações 1(TEC) 17 Telecomunicações 1(TEC) 18

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

∞ ∞ substituindo na exp ressão anterior

Telecomunicações 1(TEC) 25 Telecomunicações 1(TEC) 26

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Costuma designar-se por teorema de Wiener-Khintchine ou

Telecomunicações 1(TEC) 29 Telecomunicações 1(TEC) 30

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Telecomunicações 1(TEC) 31 Telecomunicações 1(TEC) 32

Telecomunicações 1(TEC) 33 Telecomunicações 1(TEC) 34

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Telecomunicações 1(TEC) 37 Telecomunicações 1(TEC) 38

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

f X (t1 ),..., X (tn )(x1 ,...., xn ) =

Esta propriedade significa que é muito mais fácil caracterizar

Telecomunicações 1(TEC) 41 Telecomunicações 1(TEC) 42

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

sendo k a constante de Boltzman =1,38x10-23 J/ºK

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

A autocorrelação desta forma implica que amplitudes em ins-

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Telecomunicações 1(TEC) 61 Telecomunicações 1(TEC) 62

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

o fora disso SNI(f), SNQ(f)

Telecomunicações 1(TEC) 67 Telecomunicações 1(TEC) 68

Telecomunicações 1(TEC) 69 Telecomunicações 1(TEC) 70

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Telecomunicações 1(TEC) 71 Telecomunicações 1(TEC) 72

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

x(t ) = A cos(2πf c t )+ n(t ) =

Telecomunicações 1(TEC) 77 Telecomunicações 1(TEC) 78

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Ruído Quadripolo Ruído à saída

Telecomunicações 1(TEC) 81 Telecomunicações 1(TEC) 82

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Telecomunicações 1(TEC) 89 Telecomunicações 1(TEC) 90

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Processos Aleatórios e Ruído Processos Aleatórios e Ruído

Telecomunicações 1(TEC) 97 Telecomunicações 1(TEC) 98

Processos Aleatórios e Ruído

No=KToB pois linha adaptada é equivalente a uma resistência

F=No/gNi=NoL/Ni=L - Factor de ruído igual à atenuação.

Você também pode gostar