Escolar Documentos
Profissional Documentos
Cultura Documentos
Processos estocásticos
Geovany A. Borges
gaborges@ene.unb.br
Definições
¥ Classificação:
x t classificação
contínuo contínuo função aleatória
contínuo discreto seqüência aleatória
discreto contínuo cadeia de parâmetro contínuo
discreto discreto cadeia de parâmetro discreto
¥ Exemplos:
1
III. Passeio aleatório (random walk):
xt = xt−1 + wt
com ½
+∆ com probabilidade p
wt =
−∆ com probabilidade 1 − p
2
Caracterização de processos estocásticos
3
Caracterização de processos estocásticos
4
Caracterização de processos estocásticos
5
Caracterização de processos estocásticos
6
Caracterização de processos estocásticos
Exemplo 2:
mX (t) = 0 (11)
E{a2}
RX (t, τ ) = E {cos(ωt − ωτ )} (12)
2
CX (t, τ ) = RX (t, τ ) (13)
CX (t, τ )
ρX (t, τ ) = p
CX (t, t)CX (τ , τ )
que assume valores −1 ≤ ρX (t, τ ) ≤ 1.
7
Propriedades de processos estocásticos
¥ Estacionaridade
• Processo estacionário no sentido estrito (ESE):
que significa
mX (t) = E{xt}
Z ∞ Z ∞
= xtp(xt)dt = xt+τ p(xt+τ )d(t + τ )
−∞ −∞
= mX (t + τ ) = mX = constante.
8
Propriedades de processos estocásticos
¥ Estacionaridade
• Processo estacionário no sentido amplo (ESA): satisfaz
simultaneamente a (i) ESE e (ii) RX (t, t + τ ) depende apenas de τ :
RX (t, t + τ ) = RX (τ )
Exemplo 3:
Sendo xt = a cos(ωt) + b sin(ωt) com a e b v.a.s independentes:
a) O processo é ESE se E{a} = E{b} = 0
b) O processo é ESA se E{a} = E{b} = 0 e E{a2} = E{b2} = σ 2 resultando
em
mX (t) = 0
RX (τ ) = σ 2 cos(ωτ )
9
Propriedades de processos estocásticos
Exemplo 4:
sin(ωτ )
RX (τ ) =
ωτ
então a matrix de covariâncias cruzadas do processo vetorial
xt = [ xt1 xt2 ]T com t1 = t e t2 = t + τ 12 é dada por
n o
T
PX (t, τ ) = E (xt − mX (t)) (xτ − mX (τ ))
· ¸
E {xtxτ } E {xtxτ +τ 12 }
=
E {xt+τ 12 xτ } E {xt+τ 12 xτ +τ 12 }
10
Propriedades de processos estocásticos
Exemplo 5:
RX (τ ) = a exp(−α|τ |)
11
Propriedades de processos estocásticos
¥ Ergodicidade na média
• Cálculo empírico de mX (t):
mX (t) = E{xt}
M
1 X
= xt(ω m)
M m=1
12
Propriedades de processos estocásticos
¥ Ergodicidade na média
• Um PE é ergódico na média se: “as expectâncias estatísticas puderem
ser substituídas por médias temporais de uma única realização”:
T
1
Z
E{xt} = m̂X = lim xtdt
T →∞ 2T −T
M
1 X
≈ xm
M m=1
13
Propriedades de processos estocásticos
¥ Ergodicidade na média
Teorema 1 (Slutsky):
xt é ergódico na média se e somente se for ESA e
T
1
Z
lim CX (τ )dτ = 0
T →∞ T 0
14
Propriedades de processos estocásticos
Exemplo 6:
E{a} = E{b} = 0
E{a2} = E{b2} = σ 2
que resulta em
CX (τ ) = σ 2 cos(ωτ )
15
Propriedades de processos estocásticos
Exemplo 7:
16
obtem-se
mY
E{zt} = mX + (16)
2
RZ (t, t + τ ) = E{ztzt+τ } (17)
= E{xtxt+τ + cxtyt+τ + cxt+τ yt + c2ytyt+τ } (18)
1 1 RY (τ )
= RX (τ ) + mX mY + mX mY + (19)
2 2 2
RY (τ )
= RX (τ ) + + mX mY (20)
2
CZ (τ ) = RZ (τ ) − m2Z (21)
2
RY (τ ) m
= RX (τ ) + + mX mY − m2X − mX mY − Y (22)
2 4
17
Sendo RX (τ ) = CX (τ ) + m2X e RY (τ ) = CY (τ ) + m2Y , obtem-se
1 m2Y
CZ (τ ) = CX (τ ) + CY (τ ) + (23)
2 4
19
Movimento Browniano
20
Movimento Browniano
¥ Derivação de p(xt):
De P3, xt e xτ são Gaussianas, então xt − xτ , t > τ , é Gaussiano com
média
E{xt − xτ } = E{xt − xτ } = 0 (26)
de P2 e P4. Mas ainda
21
Em se tratando de incrementos estacionários independentes, para todo
h>0
p(xt+h − xτ +h) = p(xt − xτ ) (28)
que implica que os incrementos possuem a mesma variância. Assim
var{xt} = σ 2t (32)
22
Portanto, o Movimento Browniano é um processo Gaussiano, de média
nula (P4) e variância crescendo linearmente com o tempo:
1 x2t
½ ¾
1
p(xt) = √ exp − 2 (33)
2πσ 2t 2σ t
com ∆t = tn − tn−1
½
+∆x com probabilidade p
∆xtn =
−∆x com probabilidade 1 − p
2 (∆x)2
• Movimento Browniano: ∆x → 0 e ∆t → 0, σ = lim∆x→0,∆t→0 ∆t .
23
Processos Gaussianos
¥ Processos com função de densidade Gaussiana.
xt = a + bt.
1 x2t
½ ¾
1
p(xt) = √ exp − 2 .
2πσ 2t 2σ t
24
Processos Markovianos
dx(t)
= f (x(t))
dt
para t > t0, dado x(t0) = x0, é uma função do tipo
25
Processos Markovianos
26
Processos Markovianos
27
Processos Markovianos
Exemplo 9:
com vk+1 ∼ N (0, Qk+1) e x0 ∼ N (0, P0) independentes? Como seria a FDP
p(xk |xk−1)?
1 1 T −1
pV (vk+1) = n/2 1/2
exp{− vk+1 k+1 vk+1 }
Q
(2π) det(Qk+1) 2
28
Processos Markovianos
Exemplo 10: Seria o Movimento Browniano um processo Markoviano? ♦
Solução: Considere a FDP condicional
p(xtn |xtn−1 , · · · , xt1 ) = p(xtn − xtn−1 + xtn−1 − x0|xtn−1 − x0, · · · , xt1 − x0).
29
Processos Markovianos
Z
p(xn|xn−2) = p(xn, xn−1|xn−2)dxn−1,
Z
= p(xn|xn−1, xn−2)p(xn−1|xn−2)dxn−1.
Z
p(xn|xn−2) = p(xn|xn−1)p(xn−1|xn−2)dxn−1.
30
p(xn) pode ser obtido por meio de
= Exn−1 {p(xn|xn−1)}
31
Ruído Branco
32
Ruído Branco
33
com Q(t) > 0 e o Dirac possuindo as propriedades seguintes:
δ(t − τ ) = 0, t − τ 6= 0
Z ∞
δ(t − τ )dt = 1
−∞
34
Pode-se verificar que Z ∞
δ̄(t − τ )dt = 1.
−∞
CX (τ ) = RX (τ ) = σ 2δ(τ )
35
Ruído Branco
Exemplo 11: Relação entre Movimento Browniano e Ruído Branco
CX (t, τ ) = E{x2τ } = σ 2τ
36
Considerando agora o processo obtido pela derivada temporal do Movimento
Browniano
dxt
yt =
dt
então, de acordo com [1], (teorema 3.6, pp. 64),
∂ 2CX (t, τ ) 2
2 ∂ min(t, τ )
CY (t, τ ) = =σ .
∂t∂τ ∂t∂τ
37
Espectro de um processo estocástico
38
RX (τ ) pode ser obtido por
∞
1
Z
−1
RX (τ ) = F {SX (ω)} = SX (ω)ejωτ dω
2π −∞
2 −1
¯
E{|xt| } = RX (0) = F {SX (ω)}¯ τ =0
Z ∞
1
= SX (ω)dω
2π −∞
Z ∞
= SX (2πf )df
−∞
ω
com f = 2π sendo a freqüência em Hz. Portanto, este resultado justifica o
nome Densidade Espectral de Potência.
39
Espectro de um processo estocástico
Exemplo 12: DEP do Ruído Branco
³ρ´
RX ′ (τ ) = σ 2 exp{−ρ|τ |}
2
sua DEP é dada por
Z ∞ ³ρ´
SX ′ (ω) = σ2 exp{−ρ|τ | − jωτ }dτ
−∞ 2
σ2
= ³ ´2
1 + ωρ
40
′
Como o ruído branco xt é obtido a partir de xt fazendo ρ → ∞ conclui-se que
SX ′ (ω) = σ 2
E{|xt|2} = RX (0) = ∞
(ii) ter potência média infinita (o que faz com que não exista na realidade)
41
Espectro de um processo estocástico
Portanto,
Z ∞ Z ∞
SX (ω) = RX (τ )e−jωτ dτ = RX (τ ) [cos(ωτ ) − j sin(ωτ )] dτ
−∞ −∞
Z∞
= RX (τ ) cos(ωτ )dτ (38)
−∞
42
• SX (ω) é uma função par de ω: como cos(ωτ ) é função par de ω, (38)
resulta em uma função par.
Referências
43