Processos Estocásticos

Exemplos: discretos no tempo, contínuos no

tempo, variável aleatória discreta, variável
aleatória contínua….
Realizações de processos
estocásticos: tipos
20 2

15 1

10 0

5 -1

-2
10 20 30 10 20 30
tempo (segundos)
amostras (n)
2 2

1.5 1

1 0

0.5 -1

0 -2
10 20 30 10 20 30
amostras(n) tempo(segundos)
 Processo de Bernoulli
1
0.5 5 realizações do
0 Processo estocástico
0 5 10 15 20 25 30 35
1
0.5
0
0 5 10 15 20 25 30 35
1
0.5
0
0 5 10 15 20 25 30 35
1
0.5
0
0 5 10 15 20 25 30 35
1
0.5
0
0 5 10 15 20 25 30 35
Variável aleatória

A amostra n (nas diferentes realizações) é uma variável aleatória de Bernoulli.

Sinusóide: fase variável aleatória
1

0 3 Realizações do
Processo estocástico
-1
0 5 10 15 20 25 30 35
1

-1
0 5 10 15 20 25 30 35
1

-1
0 5 10 15 20 25 30 35

X (n) = cos(2π (0.1)n + θ )

Fase variável aleatória uniformemente distribuída em [0, 2π]
 Sinusóide: amplitude variável
aleatória
0.5
0
5 Realizações do
-0 . 5
0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
processo estocástico.
0
-0 . 5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.5
0
-0 . 5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.5
0
-0 . 5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.5
0
-0 . 5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

X [ n ] = A cos( 2 π 100 t )

Amplitude variável aleatória uniformemente distribuída no [-0.5 0.5]

 Valor Esperado e Variância
0.5
0 1
-0.5 0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.5 0
0 5 10 15 20 25 30 35
0 1

-0.5 0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.5 0
0 5 10 15 20 25 30 35
0 1
0.5
-0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0
0.5 0 5 10 15 20 25 30 35
1
0
0.5
-0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0
0.5 0 5 10 15 20 25 30 35
1
0
0.5
-0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0
0 5 10 15 20 25 30 35
Variável aleatória

m X (t ) = E[ X (t )] VAR[ X (t )] = E[( X (t ) − m X (t )) 2 ]
m X [n] = E[ X [n]] VAR[ X [n]] = E[( X [n] − m X (n)) 2 ]
 Autocorrelação e Autocovariância

0.5
0
-0.5
Um par de variáveis aleatórias
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.5 t1
0
-0.5
X(t1),X(t2)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.5
0
-0.5

RX (t1,t2) = E[X(t1),X(t2)]
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.5
0
-0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0.5
0

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

-0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

t1 t2
 Auto-correlação e Auto-covariância

1
Um par de variáveis aleatórias
0.5
0 t1
0 5 10 15 20 25 30 35
1
0.5
0
0 5 10 15 20 25 30 35
X ( n1 ), X (n2 )
1
0.5

RX ( n1 , n2 ) = E[ X (n1 ), X (n2 )]
0
0 5 10 15 20 25 30 35
1
0.5
0

C X (n1 , n2 ) = R X ( n1 , n2 ) − m X ( n1 )m X (n2 )
0 5 10 15 20 25 30 35
1
0.5
0
0 5 10 15 20 25 30 35

n1 n2
 Processos estocásticos

Independentes

X = [ X ( n1 ) X (n2 ) ... X (n N )]
N
p X [ n1 ] X [n2 ] ... X [nN ] ( x 1 , x 2 ,... x N ) = ∏i =1
p X [ni ] (xi )

Estacionários

X = [ X (n0 + n1 ) X (n0 + n2 ) ... X (n0 + nN )]

p X ( n0 + n1 ) X ( n0 + n2 ) ... X ( n0 + n N ) = p X ( n1 ) X ( n2 ) ... X ( n N )

Processo Independente e Identicamente Distribuido (IID) é estacionário.

 Exemplos
Sinusóide 1: amplitude variável Sinusóide 2: fase variável
aleatória uniformemente distribuída aleatória uniformemente distribuída
no intervalo [0,1]. no intervalo [0,2π].

X (t ) = Asen ( 2πt ) X (t ) = sen(2πt +θ )

m X (t ) = 0.5sen ( 2πt ) mX (t ) = 0, ∀t
R X (t1 , t 2 ) = E[ A 2 ]sen ( 2πt1 ) sen ( 2πt 2 ) RX (t1, t2 ) = 12 cos(2π (t1 − t2 )) ⇒ RX (τ ) = 12 cos(2πτ)
C X (t1 , t 2 ) = VAR[ A]sen ( 2πt1 ) sen ( 2πt 2 ) CX (t1, t2 ) = RX (t1, t2 )

Exemplo 2:
•valor esperado é uma constante (não depende de t)
•Auto-covariância/Auto-correlação: dependem da diferença entre os instantes de
de tempo.
 Processos estacionários em
sentido lato (WSS- wide sense stationary)

A média é uma constante

m X (t ) = cte ∀t (contínuo) ou m X (n) = cte ∀n(discreto)

A auto-correlação/ auto-covariância: t1 = t ∧t2 = t +τ ou n1 = n ∧ n2 = n + k

RX (τ ) = g (τ ) (contínuo) ou RX (k ) = g (k ) (discreto)

Função da diferença entre os instantes de tempo.

 Processos ergódicos
4

-2
0 5 10 15 20 25 30 Média temporal
4 (média das amostras de
2 uma realização)
0

-2
0 5 10 15 20 25 30

-2
0 5 10 15 20 25 30

N −1
)
média de grupo
m X =< X ( n) >= 1
N ∑ x ( n)
i =0
( das realizações)
T
< X (t ) >= 1
2T ∫
−T
x(t ) dt
 Estimitavas no tempo (1/3)
Função de auto-correlação
• N amostras de um processo estocástico com valores reais e discreto
no tempo

) N −1−|k |
R X ( k ) = K ∑ x ( n) x ( n + k )
n =0

K =1 K = 1
N K= 1
N −|k | K= ) 1
RX (0)

K- factor de escala: nenhum, biased, unbiased e

normalizada (máximo da função igual a 1)
 Estimitavas no tempo (2/3)
Função de auto-covariância

) N −1−|k |
) )
C X (k ) = K ∑ ( x(n) − m X )( x(n + k ) − m X )
n =0

K =1 K = 1
N K= 1
N −|k | K= ) 1
C X (0)

K- factor de escala: nenhum, biased, unbiased e

normalizada (máximo da função igual a 1)
 Estimitavas no tempo (3/3)
Função de correlação e covariância CRUZADAS
• N amostras de processos estocástico discretos no tempo

) N −1−|k |
RXY (k ) = K ∑ x(n) y ( n + k )
n =0

) N −1−|k |
) )
C XY (k ) = K ∑ ( x(n) − m X )( y (n + k ) − mY )
n =0

K =1 K = 1
N K= 1
N −|k | K= ) 1
R XY ( 0 )
/K = ) 1
C XY ( 0 )

Valor da função igual a 1.0 em

k=0
Exemplo: sinusóide com fase de valor aleatório
1

-1
0 2 4 6 8 10 12 14 16
1

-1
0 2 4 6 8 10 12 14 16
1

-1
0 2 4 6 8 10 12 14 16
1

-1
0 2 4 6 8 10 12 14 16

Processo estocástico com variável aleatória K

X (n) = cos( 28π n + π2 k )

S K = {0,1,2,3}, com igual probabilidade
 Exemplo: função auto-correlação
1
>> x=cos(2*pi/8*n) 0
>>subplot(511) -1
>> stem(x),grid on 10
0 2 4 6 8 10 12 14 16

>> r1=xcorr(x); 0
>>subplot(512) -10
>> stem(r1,’k’),grid on 0.5
0 5 10 15 20 25 30 35

>> r2=xcorr(x,'biased'); 0
>>subplot(513)
-0.5
>> stem(r2,’k’),grid on 1
0 5 10 15 20 25 30 35

>>r3=xcorr(x,'unbiased'); 0
>>subplot(514)
-1
>> stem(r3,’k’),grid on 1
0 5 10 15 20 25 30 35
>> r4=xcorr(x,'coeff')
0
>>subplot(515)
-1
>> stem(r4,’k’),grid on 0 5 10 15 20 25 30 35

RX (d ) = 0.5 cos( 28π d )

Estimativa versus teórico
0.5

0.4

0.3

0.2

0.1

-0.1

-0.2

-0.3

-0.4

-0.5
0 5 10 15 20 25 30 35
 Ruído branco
>>x=randn(1,100) 4
>> mean(x) 2
0.0064
0
>> var(x)
-2
1.2921
-4
>>subplot(211), 0 10 20 30 40 50 60 70 80 90 100

>>stem(x,'k'),grid on 1.5

1
>>r1=xcorr(x,'biased');
0.5
>>subplot(212)
0
>>stem(r,'k'),grid on
-0.5
0 20 40 60 80 100 120 140 160 180 200
 Ruído Branco filtrado
4

-2

-4
0 10 20 30 40 50 60 70 80 90 100

0.5

-0 . 5
0 20 40 60 80 100 120 140 160 180 200

>> y=filter([0.5 0.5],1,x);

>> z=xcorr(y,'biased')
>> subplot(211),stem(y,'k'),grid on
>> subplot(212),stem(z,'k'),grid on
 Correlação cruzada
>> x=randn(1,100); 2

0
>> subplot(311) -2

>>stem(x),grid on -4
0 10 20 30 40 50 60 70 80 90 100

>> y=filter([0.5 0.5],1,x); 2

>> subplot(312), 0

>>stem(y),grid on -2
0 10 20 30 40 50 60 70 80 90 100

>> r1=xcorr(x,y,’biased’);0.5
>> subplot(313), 0

>>stem(r1),grid on -0.5
0 20 40 60 80 100 120 140 160 180 200