Digital Probabilidade

0 10 20 30 40 50 60 70 80 90 100
0
4
8
12
16
20
Histograma de distribuio de notas
Notas
N
m
e
r
o

d
e

n
o
t
a
s

e
m

c
a
d
a

f
a
i
x
a
N
m
e
r
o

d
e

n
o
t
a
s

e
m

c
a
d
a

f
a
i
x
a
Mdia 31.1 =
17.9 =
TP501
Processos Estocsticos
Prof. Dr. Dayan Adionel Guimares
Prof. Dayan Adionel Guimares
2
Motivao
A natureza aleatria de muitos fenmenos observados
em Engenharia se manifesta temporal ou espacialmente.
Uma famlia de variveis aleatrias que se manifesta
desta maneira recebe o nome de processo estocstico ou
simplesmente processo aleatrio.
Deste ponto em diante no nosso curso utilizaremos dos
conceitos j estudados para caracterizar e analisar
processos aleatrios comumente encontrados em
problemas de telecomunicaes.
3
Referncias
Guimares, D. A.. Digital Transmission: A Simulation-Aided
Introduction with VisSim/Comm. Berlin-Heidelberg, Germany:
Springer-Verlag, Inc., December 2009.
Ynoguti, Carlos Alberto. Probabilidade, Estatstica e Processos
Estocsticos, Apostila: Inatel, 2011.
Leon-Garcia, Alberto. Probability and Random Processes for
Electrical Engineering, 2
nd
Edition: Addison-Wesley, 1994.
Scott Miller, Scott and Childers, Donald. Probability and Random
Processes With Applications to Signal Processing and
Communications, 2
nd
Edition: Elsevier, 2004.
4
Processo aleatrio definio
Seja, como exemplo, um sinal
aleatrio de tenso ou corrente e o
conjunto de suas possveis
realizaes X(t,
1
) ... X(t,
4
). A um
conjunto como este denomina-se
processo estocstico X(t). A cada
uma das realizaes citadas d-se
o nome de funo amostra x(t) do
processo X(t). Se amostrarmos
X(t) em, por exemplo, t
1
e t
2
, o
conjunto de amostras compor as
variveis aleatrias X(t
1
) X
1
e
X(t
2
) X
2
com valores x
1
e x
2
.
1
( , ) X t
2
( , ) X t
3
( , ) X t
4
( , ) X t
1 1
( ) X t X
2 2
( ) X t X
1
t
2
t
t
t
t
t
5
Processo aleatrio observaes
Um processo aleatrio (p.a.) um conjunto de variveis aleatrias
indexadas temporal ou espacialmente.
Se o ndice discreto tem-se um p.a. discreto; se o ndice
contnuo tem-se um p.a. contnuo. Os possveis valores do p.a.
tambm podem ser discretos ou contnuos. Tem-se ento 4
combinaes.
No caso de uma v.a. o resultado de cada experimento um nmero
chamado amostra. Para um processo estocstico o resultado de cada
experimento uma forma de onda chamada funo amostra.
O nmero de formas de onda no conjunto pode ser finito ou infinito.
6
Processo aleatrio exemplo
A sada de um
gerador de sinais
binrios em um
perodo de 0 a 10T
um conjunto com
2
10
formas de onda
(h incerteza sobre
a realizao do p.a.,
no sobre a forma
de onda em si):
t
t
t
t
X t, ( )
1
X t, ( )
2
X t, ( )
3
X t, ( )
4
7
Processo aleatrio estacionrio
Um p.a. dito estacionrio se possuir estatsticas independentes
do instante de tempo em que a observao do processo se inicia.
Isto significa que se um p.a. dividido em um certo nmero de
sees, estas sees exibiro propriedades estatsticas idnticas.
Normalmente um p.a. estacionrio origina-se de fenmenos fsicos
estveis, como na maior parte dos casos em Telecomunicaes.
8
P.a. estacionrio no sentido restrito (1)
Seja um p.a. X(t) iniciado em t = . Sejam X(t
1
), X(t
2
), ...,
X(t
k
) as v.a. obtidas pela observao do p.a. X(t) nos
instantes t
1
, t
2
, ..., t
k
. Agora suponha que todos os
instantes de observao sejam deslocados de , gerando
o conjunto de v.a. X(t
1
+ ), X(t
2
+ ), ..., X(t
k
+ ). O p.a. X(t)
dito estacionrio no sentido restrito (Strict-Sense
Stationary, SSS) se as FDCs conjuntas satisfazem a:
1 1
( ), ... , ( ) 1 ( ), ... , ( ) 1
( ,..., ) ( ,..., )
k k
X t X t k X t X t k
F x x F x x
+ +
=
9
P.a. estacionrio no sentido restrito (2)
A FDC conjunta de primeira ordem de um p.a.
estacionrio no sentido restrito independe do tempo:
( ) ( )
( ) ( ) ( )
X t X t X
F x F x F x t

+
= = paratodo e
A FDC conjunta de segunda ordem de um p.a.
estacionrio no sentido restrito depende somente da
diferena entre os instantes de observao, no do valor
especfico destes instantes:
1 2 2 1
( ), ( ) 1 2 (0), ( ) 1 2 1 2
( , ) ( , )
X t X t X X t t
F x x F x x t t
= paratodo e
10
Exemplo de probabilidade de um evento conjunto
Seja determinar a
probabilidade de se
obter uma funo
amostra x(t) de um
p.a. X(t) que passe
pelas janelas de
amplitude mostradas
na figura ao lado.
Isto equivale a se determinar a probabilidade do evento conjunto
A = {a
i
< X(t
i
) b
i
}, i = 1, 2, 3. Em termos da FDC conjunta tem-se:
1 2 3 1 2 3
( ), ( ), ( ) 1 2 3 ( ), ( ), ( ) 1 2 3
[ ] ( , , ) ( , , )
X t X t X t X t X t X t
P A F b b b F a a a =
11
Exemplo de um p.a. estacionrio
Se o p.a. X(t) do slide anterior
for estacionrio no sentido
restrito, a probabilidade do
seu conjunto de funes
amostra passar pelas janelas
de amplitude na parte (a) da
figura ao lado igual
probabilidade do conjunto de
funes amostra passar pelas
janelas de amplitude na parte
(b) desta figura .
12
Estatsticas de primeira ordem podem no ser suficientes
O p.a. Y(t) ao lado
simplesmente o p.a. X(t)
comprimido no tempo.
Ambos tm a mesma FDP
(de primeira ordem), mas
Y(t) tem componentes de
freqncia mais elevadas.
Como podemos levar isso
em conta nas estatsticas
do processo?
Y(t)
X(t)
Estatsticas de segunda ordem podem resolver o problema, especialmente a
funo de auto-correlao...
13
Mdia e funo de auto-correlao de um p.a.
A mdia de um p.a. X(t) observado no instante t :
Para um p.a. estacionrio do sentido restrito, a mdia independe de t:
A funo de auto-correlao de um p.a. X(t) o valor esperado do
produto de duas v.a. X(t
1
) e X(t
2
), obtidas pela observao do p.a. nos
instantes e t
1
e t
2
, respectivamente:
Para um p.a. estacionrio no sentido restrito:
( )
( ) [ ( )] ( )
X X t
t E X t xf x dx

= =
( )
X X
t t = para todo
1 2
1 2 1 2 1 2 ( ), ( ) 1 2 1 2
( , ) [ ( ) ( )] ( , )
X X t X t
R t t E X t X t x x f x x dx dx

= =

1 2 2 1 1 2
( , ) ( )
X X
R t t R t t t t = para todo e
14
Propriedades da funo de auto-correlao
( ) [ ( ) ( )]
X
R E X t X t = +
O seu mximo valor
ocorre em = 0, ou
seja:
| ( ) | (0)
X X
R R
Por simplicidade de notao vamos escrever .
2
[ ( )] (0)
X
E X t R =
O valor quadrtico
mdio do p.a.
dado por:
( ) ( )
X X
R R =
A funo de
auto-correlao
par:
Quanto mais
rapidamente um p.a.
varia, mais rapidamente
sua funo de auto-
correlao decrescer.
P.a. com
flutuaes
lentas
P.a. com
flutuaes
rpidas
15
Funo de auto-covarincia de um p.a.
A funo de auto-covarincia de um p.a. X(t) a covarincia das
v.a. X(t
1
) e X(t
2
), obtidas pela observao do p.a. nos instantes
t
1
e t
2
, respectivamente. Pode ser interpretada como a funo de
auto-correlao do processo centralizado:
Para um p.a. estacionrio do sentido restrito, a funo de auto-
covarincia vale:
[ ][ ] { }
1 2 1 1 2 2 1 2 1 2
( , ) ( ) ( ) ( ) ( ) ( , ) ( ) ( )
X X X X X X
K t t E X t t X t t R t t t t = =
2
1 2 2 1
( , ) ( )
X X X
K t t R t t =
16
Funo de auto-correlao exemplo (1)
A funo amostra x(t) ao
lado pertence ao p.a. X(t)
referente a uma seqncia
binria aleatria tal que: bit
1 +A, bit 0 A.
Os pulsos no so
sincronizados: o instante
de incio t
d
do primeiro bit
completo pode estar entre
0 e T com FDP uniforme.
Bits consecutivos tm valores 0 ou 1 igualmente provveis E[X(t)] = 0, e
cada bit tem seu valor independente de qualquer valor anterior ou posterior.
Vamos determinar a funo de auto-correlao do p.a. X(t)...
17
Soluo: inicialmente vamos considerar | t
k
t
i
| T. Neste caso e
ocorrem em diferentes intervalos de pulso e so, portanto, independentes:
Agora vamos considerar |t
k
t
i
| < T, com t
i
< t
k
. Neste caso e vo
ocorrer no mesmo intervalo de pulso somente se t
d
< T |t
k
t
i
|. Ento:
( )
k
X t ( )
i
X t
[ ( ) ( )] [ ( )] [ ( )] 0, | |
k i k i k i
E X t X t E X t E X t t t T = =
( )
k
X t ( )
i
X t
2
, | |
[ ( ) ( )| ]
0,
d k i
k i d
A t T t t
E X t X t t
<
=

caso contrrio
Para descondicionar aplicamos a Lei
da Esperana Total: E[X] = E[E(X|Y)]
18
Realizando a mdia sobre todos os possveis valores de t
d
, obtemos:
E finalmente, com = t
k
t
i
:
2
| | | |
2 2
0 0
| |
[ ( ) ( )] ( ) 1
k i k i
d
T t t T t t
k i
k i T d d d
A t t
E X t X t A f t dt dt A
T T

| |
= = =
|
\

2
| |
1
( ) , | |
0, | |
X
A
R T T
T
| |
|
= <
\
Lei da Esperana Total:

E[X] = E[E(X|Y)]
19
P.a. estacionrio no sentido amplo
O teste de estacionariedade no sentido restrito envolve a
verificao de independncia temporal das estatsticas de
n-sima ordem do processo em questo, n .
Na prtica muitas vezes suficiente verificar se as estatsticas
de primeira e de segunda ordem no variam com o tempo.
Um processo aleatrio cuja mdia independe do tempo e a
funo de auto-correlao depende somente da diferena entre
os instantes de observao, no do valor especfico destes
instantes, denominado p.a. estacionrio no sentido amplo
(Wide-Sense Stationary, WSS), ou simplesmente estacionrio.
20
Processos aleatrios ergdicos (1)
As mdias de um p.a. so, por definio, mdias estatsticas
tomadas atravs do processo, ou seja, operando no
conjunto de funes amostra.
Para os processos ergdicos, as mdias estatsticas podem
ser obtidas por meio de medias temporais (ou espaciais)
realizadas a partir de uma nica
funo amostra.
WSS SSS
Estocsticos
Ergdicos
Em telecomunicaes os
processos aleatrios podem ser
considerados, em sua maioria,
ergdicos.
21
Para um processo ergdico X(t), considere um intervalo
de observao T de uma de suas funes amostra, x(t).
A mdia e a funo de auto-correlao podem ser
determinadas temporalmente pelas mdias amostrais:
/ 2
/ 2
1
( ) ( )
T
X
T
T x t dt
T
/ 2
/ 2
1
( , ) ( ) ( )
T
X
T
R T x t x t dt
T

= +
[ ]
[ ] { }
lim ( )
lim var ( ) 0
X X
T
X
T
T
T

=
=
[ ]
[ ] { }
lim ( , ) ( )
lim var ( , ) 0
X X
T
X
T
R T R
R T

=
=
22
minutos minutos
23
Funes de correlao cruzada para p.a. estacionrios
As funes de correlao cruzada para os processos X(t) e Y(t) so:
Uma forma usual de representao das propriedades de correlao
envolvendo dois processos aleatrios a matriz de correlao:
( ) [ ( ) ( )] e ( ) [ ( ) ( )]
XY YX
R E X t Y t R E Y t X t = + = +
( ) ( )
( )
( ) ( )
X XY
YX Y
R R
R R

(
=
(

R
24
Processos descorrelacionados e ortogonais
0 10 20 30 40 50 60 70 80 90 100
0
4
8
12
16
20
Histograma de distribuio de notas
Notas
N
m
e
r
o

d
e

n
o
t
a
s

e
m

c
a
d
a

f
a
i
x
a
N
m
e
r
o

d
e

n
o
t
a
s

e
m

c
a
d
a

f
a
i
x
a
Mdia 31.1 =
17.9 =
Processamento de
Sinais Aleatrios
26
Motivao
No estudo de sistemas de comunicao comum
encontrarmos problemas que envolvem a passagem de
sinais aleatrios por sistemas lineares, tais como filtros de
transmisso e recepo, multiplicadores, integradores, etc.
Neste captulo utilizaremos de forma combinada os
conceitos sobre processos aleatrios e sobre sistemas
lineares, objetivando caracterizar os processos aleatrios
de entrada e de sada de um sistema linear.
27
Notao e principais mdias
( ) ( ) ( )
( ) ( )
( ) ( )
Y t X t h t
h u X t u du
X u h t u du
=
=
=
( ) [ ( )] ( ) [ ( )] ( ) ( )
Se o processo ( ) estacionrio,
Y X
t E Y t h u E X t u du h u t u du
X t

= = =

( , ) [ ( ) ( )] ( ) ( ) ( ) ( )
( ) ( ) [ ( ) ( )] se ( ) estacionrio,
Y
R t E Y t Y t E h u X t u du h v X t v dv
h u h v E X t u X t v dudv X t

(
= + = +
(

= +

Resposta
ao impulso
Sistema linear
invariante no
tempo.
( ) (0)
Y X X
h t dt H
= =
( , ) ( ) ( ) ( ) ( )
Y Y X
R t R h u h v R v u dudv

= = +

28
Densidade espectral de potncia (1)
A densidade espectral de potncia (DEP) S
X
( f )
descreve como a potncia de um sinal (aleatrio
ou determinstico) X(t) se distribui na freqncia e,
por esta razo, medida em watts/Hertz (W/Hz).
A densidade espectral de potncia e a funo de
auto-correlao de um p.a. estacionrio formam
um par na transformada de Fourier, ou seja:
2
( ) ( )
j f
X X
S f R e d

2
( ) ( )
j f
X X
R S f e df


29
Algumas propriedades da DEP:
O valor quadrtico mdio de um p.a. dado pela rea
sob a curva de densidade espectral de potncia:
A densidade espectral de potncia uma funo par:
( ) ( )
X X
S f S f =
2
( ) (0) [ ( )]
X X
S f df R E X t
= =

30
Exemplo 1: retornemos ao exemplo referente a uma seqncia
binria aleatria, apresentado no Captulo 8, de onde obtivemos:
2
| |
1 , | |
( )
0, | |
X
A T
R T
T
| |
<
|
=
\
De uma tabela de
transformada de Fourier
podemos obter:
2 Transformada
de Fourier
2
| |
1 , | |
sin ( )
( )
0, | |
t
t T
fT
T
T
fT
t T
<

31
Ento, a DEP de uma
seqncia aleatria de
pulsos de durao T e
amplitudes {A} ser:
[ ]
2
2
2
2 2
( ) ( )
sin ( )
( )
sinc ( )
X X
S f R
fT
A T
fT
A T fT
=
=
=
Estime E[X
2
(t)]
por meio da
rea sob S
X
( f )
e compare
com R
X
(0).
S
X
( f ) em
escala
logartmica
(dBm/Hz, por
exemplo).
32
O valor de S
X
( f ) encontrado no exemplo anterior pode ser escrito
envolvendo a densidade espectral de energia (DEE) de um pulso
g(t) retangular, de amplitude A e durao T, ou seja:
2
( )
| ( ) |
( )
g
X
f
G f
S f
T T
= =
E
2 2 2
sinc ( ) A T fT
T
=
Este resultado pode ser generalizado: uma onda binria
aleatria na qual os bits 1 e 0 so representados por pulsos +g(t)
e g(t), respectivamente, tem DEP S
X
( f ) dada pela diviso da
DEE E
g
(f) do pulso formatador g(t) pela durao do pulso, T.
33
Exemplo 2: uma situao que ocorre tipicamente em sistemas de
comunicao o processo de modulao de uma portadora por um
sinal de informao aleatrio, conforme abaixo:
onde Y(t) o p.a. modulado, X(t) o p.a. modulador associado
informao e cos(2f
c
t + ) o p.a. correspondente portadora de
freqncia f
c
e fase aleatria uniformemente distribuda em (0, 2].
Seja determinar a DEP do sinal modulado Y(t) a partir do
conhecimento da DEP do sinal modulador X(t).
( ) ( ) cos(2 )
c
Y t X t f t = +
34
Inicialmente identificamos que o sinal modulador X(t) independente
da fase da portadora, . Ento podemos escrever:
Usando a identidade cos()cos() = cos( ) + cos( + ), tem-se:
( ) [ ( ) ( )]
[ ( ) cos(2 ) ( ) cos(2 2 )]
[ ( ) ( )] [cos(2 ) cos(2 2 )]
Y
c c c
c c c
R E Y t Y t
E X t f t X t f t f
E X t X t E f t f t f

= +
= + + + +
= + + + +
1
2
1
2
( ) ( ) [cos(2 ) cos(4 2 2 )]
( ) cos(2 )
Y X c c c
X c
R R E f f t f
R f

= + + +
=
35
Tomando a transformada de Fourier de ambos os lados e
sabendo que a transformada de um produto de funes no tempo
a convoluo das correspondentes transformadas, tem-se:
De acordo com este resultado, para determinarmos a DEP de um
sinal modulado Y(t) basta replicar a DEP S
X
( f ) do sinal modulador
X(t) em torno de f
c
e multiplicar o resultado por .
[ ] { }
[ ]
1 1 1
2 2 2
1
4
( ) ( ) ( ) ( )
( ) ( )
Y X c c
X c X c
S f S f f f f f
S f f S f f
= + +
= + +
36
Exerccio
Seja um p.a. estacionrio Z(t) = Acos(2f
c
t + ), correspondente a uma
portadora co-senoidal de amplitude A, freqncia f
c
e fase aleatria
uniformemente distribuda em (0, 2]. Pede-se:
a) Determine e esboce a funo de auto-correlao R
Z
( ).
b) Determine e esboce a densidade espectral de potncia S
Z
( f ).
c) Sendo Z(t) independente de um outro p.a. qualquer X(t), determine a
funo de auto-correlao de Y(t) = X(t)Z(t).
d) Determine S
Y
( f ), a densidade espectral de potncia de Y(t), comparando-
a com o resultado obtido no exemplo considerado anteriormente.
e) Esboce S
Y
( f ), considerando que X(t) uma seqncia aleatria de pulsos
equiprovveis de durao T e amplitudes {1}.
37
Estimando a DEP de um p.a. ergdico (1)
Por dificuldade de tratamento matemtico, algumas vezes temos
que nos contentar com estimativas da DEP obtidas pela observao
de uma funo amostra do processo aleatrio em um intervalo T:
onde |X(f,T)| a magnitude da transformada de Fourier de uma
funo amostra janelada (observada em T segundos). Na prtica
diferentes formas de janelamento e diferentes formas de mdia
(alisamento smoothing) so empregadas. A seguir temos um
exemplo de como o aplicativo VisSim/Comm trata esta questo...
2 1
( ) lim ( , )
X
T
S f E X f T
T
(
=

38
Estimando a DEP de um p.a. ergdico (2)
Tela do VisSim/Comm
para o experimento
EstimaoDEP.vsm
39
DEP na entrada e na sada de um sistema linear
40
Funes de correlao cruzada para p.a. estacionrios
As funes de correlao cruzada para os processos X(t) e Y(t) so:
Uma forma usual de representao das propriedades de correlao
envolvendo dois processos aleatrios a matriz de correlao:
( ) [ ( ) ( )] e ( ) [ ( ) ( )]
XY YX
R E X t Y t R E Y t X t = + = +
( ) ( )
( )
( ) ( )
X XY
YX Y
R R
R R

(
=
(

R
41
Processos descorrelacionados e ortogonais
42
Densidades espectrais cruzadas para p.a. estacionrios (1)
Embora tendo significado menos intuitivo que a DEP de um
nico p.a., as densidades espectrais cruzadas estabelecem
uma certa dependncia entre as componentes de freqncia
de processos X(t) e Y(t) quaisquer. Elas so definidas por:
Um exemplo pode melhor ilustrar uma aplicao do
conhecimento das densidades espectrais cruzadas...
2 2
( ) ( ) e ( ) ( )
j f j f
XY XY YX YX
S f R e d S f R e d

= =

43
Exemplo: suponha que os processos X(t) e Y(t) tm mdia nula e
so individualmente estacionrios. Seja o p.a. Z(t) = X(t) + Y(t), para
o qual deseja-se determinar a densidade espectral de potncia.
Tomando a transformada de Fourier de ambos os lados, tem-se:
( ) [ ( ) ( )]
{[ ( ) ( )][ ( ) ( )]}
[ ( ) ( )] [ ( ) ( )] [ ( ) ( )] [ ( ) ( )]
( ) ( ) ( ) ( )
Z
X XY YX Y
R E Z t Z t
E X t Y t X t Y t
E X t X t E X t Y t E Y t X t E Y t Y t
R R R R

= +
= + + + +
= + + + + + + +
= + + +
( ) ( ) ( ) ( ) ( )
Z X XY YX Y
S f S f S f S f S f = + + +
44
Desse resultado conclumos que as densidades espectrais
cruzadas S
XY
(f) e S
YX
(f) representam as componentes de freqncia
que precisam ser adicionadas ao par de DEPs dos processos X(t)
e Y(t) para que a DEP da soma Z(t) = X(t) + Y(t) seja obtida:
Observe que se os processos X(t) e Y(t) forem ortogonais as
correlaes cruzadas sero nulas e, neste caso, teremos:
( ) ( ) ( )
Z X Y
S f S f S f = +
( ) ( ) ( ) ( ) ( )
Z X XY YX Y
S f S f S f S f S f = + + +
45
Relaes teis entre densidades espectrais e correlaes
A figura a seguir ilustra as relaes entre as densidades
espectrais simples e cruzadas e as correspondentes funes
de auto-correlao e de correlao cruzada.
46
Processo aleatrio Gaussiano
Seja uma varivel aleatria Y definida a partir de uma
relao funcional linear com um processo aleatrio
X(t), conforme abaixo, onde g(t) uma funo
qualquer e T um intervalo de observao arbitrrio.
Se a v.a. Y Gaussiana para qualquer funo g(t) e
intervalo de tempo T na relao funcional acima,
dizemos que o p.a. X(t) Gaussiano.
0
( ) ( )
T
Y g t X t dt =

47
Filtragem de um p.a. Gaussiano (1)
no slide 4.
48
Exemplo 1: em receptores de sistemas de comunicao
usual que seja inserido logo na entrada um filtro, chamado
filtro de recepo, cujo objetivo reduzir a influncia do rudo
na recuperao da informao transmitida.
Como veremos mais adiante, este rudo normalmente um
p.a. Gaussiano. Portanto, na sada do filtro de recepo
teremos tambm um p.a. Gaussiano, o que nos permitir, de
forma simples, analisar matematicamente o comportamento
do sinal a partir do qual recuperaremos a informao.
49
Exemplo 2a: vimos ao final do Cap. 3 um exemplo de um
sistema de comunicao mvel no qual a magnitude R(t) e a
fase (t) do desvanecimento no canal variam aleatoriamente
com distribuio de Rayleigh e Uniforme, respectivamente.
Podemos ento definir um Processo Gaussiano Complexo
R(t)e
j(t)
, no qual a parte real X(t) e a parte imaginria Y(t) so
p.a. Gaussianos. Tal processo pode ser obtido por meio de:
2 2
( ) ( ) ( ) R t X t Y t = +
[ ]
( ) arctan ( ) ( ) t Y t X t =
50
Exemplo 2b: se quisermos gerar este p.a. Gaussiano
complexo, com o atributo de permitir o ajuste da velocidade
de variao do desvanecimento, podemos implementar o
esquema do slide seguinte. Nele, filtros controlam a taxa de
variao dos processos Gaussianos componentes e, assim,
controlam a taxa de variao da magnitude e da fase do
desvanecimento. A freqncia de corte desses filtros
diretamente proporcional velocidade relativa entre
transmissor e receptor que se deseja simular.
51
R(t) para alta
freqncia de
corte dos filtros.
R(t) para baixa
freqncia de
corte dos filtros.
Numa simulao, X(t) e Y(t)
poderiam ser gerados por
Box-Muller, por exemplo.
Veja experimento
PAgaussCplx.vsm
52
Processo aleatrio Gaussiano definio alternativa
T
x = [x
1
, x
2
, ..., x
k
]
T
.

X
o vetor de mdias:
X
= [
1
,
2
, ...,
k
]
T
,
i
= E[X(t
i
)], i = 1, 2, ..., k.
C a matriz de covarincias de ordem k k e elementos C
i,j
= C
X
(t
i
, t
j
) =
C
X
(t
j
t
i
) = E{[X(t
j
)
j
][X(t
i
)
i
]}, i, j = 1, 2, ..., k.
C
1
a matriz inversa da matriz de covarincias.
|C| o determinante da matriz de covarincias.
Exerccio: determine as FDPs dos processos Gaussianos para k = 1 e k = 2.
53
Rudo
Em sistemas de comunicao damos o nome de rudo a
qualquer sinal aleatrio indesejado que comprometa a
transmisso e o processamento de recepo da informao.
Dentre os tipos mais comuns destacam-se o rudo impulsivo e
o rudo trmico. Daremos mais ateno ao rudo trmico,
devido sua presena em todos os sistemas de comunicao.
O rudo impulsivo, embora menos freqente, pode ser muito
danoso, por exemplo, em sistemas de recepo de TV Digital.
O rudo trmico o grande limitador de desempenho de um
sistema de comunicao, principalmente quando a intensidade
do sinal recebido pequena (baixa relao sinal-rudo).
54
Rudo Trmico (1)
Causado pelo movimento aleatrio dos eltrons em um
condutor qualquer.
O valor quadrtico mdio de tenso V
TN
do rudo trmico nos
terminais de um resistor, medido na banda de f Hertz, :
E[V
TN
2
] = 4kTRf volts
2
onde k a constante de
Boltzmann (1,3810
23
J/K), T
a temperatura absoluta, em
K, e R a resistncia em .
Equivalente
de Thvenin
55
Sendo grande o nmero de eltrons em um resistor, com
movimentos aleatrios independentes, o teorema do limite
central indica que o rudo trmico Gaussiano de mdia nula.
Na condio de mxima transferncia de potncia a carga
deve ter resistncia igual a R. Neste caso a potncia mdia de
rudo trmico disponvel sobre esta carga ser:
( )
( )
2
2
2
[ ] 2
4 2
watts
TN
E V
kTR f
N kT f
R R
= = =
Rudo Trmico (2)
56
Em sistemas de comunicao o rudo trmico tem a forma
idealizada que diz que sua densidade espectral de potncia
constante para qualquer freqncia. Da o nome rudo branco.
O p.a. rudo branco W(t), de funo amostra w(t), tem
densidade espectral bilateral (componentes em f + ):
onde N
0
= kT
e
a densidade de potncia de rudo produzida
na entrada do receptor de um sistema de comunicao cuja
temperatura equivalente de rudo T
e
.
Rudo Branco (1)
0
( ) W/Hz
2
W
N
S f =
57
A temperatura equivalente de rudo a temperatura a que um
resistor deve ser submetido para que, ao conect-lo entrada
de uma verso sem rudo do sistema, produza a mesma
potncia mdia de rudo que aquela produzida por todas as
fontes de rudo do sistema real. Perceba que T
e
depende
somente dos parmetros e componentes do sistema.
O rudo branco se manifesta de forma aditiva ao contaminar
um sinal e, por esta razo, poder ser denominado daqui em
diante de rudo aditivo Gaussiano branco (AWGN Additive
White Gaussian Noise).
Rudo Branco (2)
58
Como a densidade espectral de potncia e a funo de auto-
correlao de um processo aleatrio se relacionam atravs
da transformada de Fourier, para o rudo branco temos que:
Rudo Branco (3)
0 0
( ) ( ) ( )
2 2
W W
N N
S f R = =
59
Perceba que o rudo branco a ltima palavra em
termos de aleatoriedade, ou seja, duas amostras de W(t)
tomadas em instantes diferentes, no importando o quo
prximas estejam no tempo, tm correlao nula.
O rudo branco um modelo idealizado fisicamente
irrealizvel, pois sua potncia mdia infinita. Entretanto,
sempre que a largura de faixa de rudo for
significativamente maior que a largura de faixa do sistema
sob anlise poderemos modelar o rudo como branco.
Rudo Branco (4)
60
Seja o rudo branco W(t) aplicado a um filtro passa-baixas
ideal de banda B Hz e de magnitude da resposta em
freqncia unitria. A DEP do rudo N(t) de sada ser ento:
Rudo Branco filtrado (1)
0 0
0
( ) exp( 2 ) ,
( )
2 2
sinc(2 ) 0, | |
B
N
B
N
N N
R j f df B f B
S f
N B B f B

= < <
= >

61
Sendo W(t) um p.a. Gaussiano, N(t) tambm o ser. Se N(t)
amostrado a 2B amostras por segundo, tais amostras sero
Gaussianas, descorrelacionadas, tero varincia igual a N
0
B,
tero mdia nula e sero estatisticamente independentes.
Rudo Branco filtrado (2)
h(t)
W(t) N(t)
w(t)
n(t)
62
Em grande parte dos problemas em sistemas de comunicao
precisamos considerar o rudo como sendo branco na faixa de
operao do sistema, mas muitas vezes tal sistema no pode
ser considerado com tendo resposta em freqncia ideal
(banda B Hz e |H( f )| = 1).
A soluo consiste em considerar o rudo como sendo branco
numa largura de faixa equivalente de rudo.
Isto feito substituindo-se a resposta em freqncia do filtro
ou sistema por uma resposta ideal de tal forma que ambas
produzam e mesma potncia mdia de rudo em suas sadas.
Largura de faixa equivalente de rudo (1)
63
Considere as respostas dos filtros real e ideal mostradas na figura:
Largura de faixa equivalente de rudo (2)
Resposta
real |H(f)|
2
Resposta
ideal
Potncia mdia de rudo
de sada do filtro real:
0
2
2
2
0
0
| ( ) |
| ( ) |
N
N H f df
N H f df
=
=
Para o mesmo rudo conectado ao filtro ideal teremos

0
2
2
(0) 2
N
N H B =
A largura de faixa
equivalente de rudo ser:
2
0
2
| ( ) |
(0)
H f df
B
H
=

64
Seja o rudo branco W(t) aplicado a um CORRELATOR que
efetua a correlao entre W(t) e uma portadora co-senoidal:
Ento N(T) uma v.a. Gaussiana com mdia E[N(T)] = 0 e
varincia:
Correlao entre W(t) e cos(2 f
c
t) (1)
2
0
( ) ( ) cos(2 )
T
c T
N T W t f t dt =
Amostras de
N(t) em t = T.
( )
2
2
( ) [ ( )] E N T E N T
(
=

Correlator
65
Desenvolvendo obtemos:
onde
Ento:
c
t) (2)
( )
2
2
2
0
2
0 0
2
0 0
2
0 0
( ) cos(2 )
( ) cos(2 ) ( ) cos(2 )
[ ( ) ( )]cos(2 ) cos(2 )
( , ) cos(2 ) cos(2 )
T
c T
T T
c c T
T T
c c T
T T
W c c T
E W t f t dt
E W t f t W u f u dtdu
E W t W u f t f u dtdu
R t u f t f u dtdu

(
=
(

(
=
(

=
=

0
( , ) ( )
2
W
N
R t u t u =
0
2
0 0
( ) cos(2 ) cos(2 )
T T
N
c c T
t u f t f u dtdu =

66
A propriedade sifiting (ou sampling) da funo (t) diz que:
Ento:
onde, por aproximao, admitiu-se que a freqncia da onda
co-senoidal um mltiplo inteiro de 1/T.
c
t) (3)
0 0
( ) ( ) ( ) x t t t dt x t
0
0
0 0
2
0 0
2
0
1 1
2 2 2
0
( ) cos(2 ) cos(2 )
cos (2 )
cos(4 ) 0
T T
N
c c T
T
N
c T
T
N N
T
c T T
t u f t f u dtdu
f t dt
f t dt

=
=
= + = + ( (

2 0
2
N
=
67
1) Por meio de um estudo no livro HAYKIN, Simon,
Communication Systems, 4
th
Edition, John Wiley and Sons,
Inc.: New York, USA, 2001, pp. 64-69, faa uma dissertao
sobre o modelo de rudo de faixa estreita nas suas
representaes em fase e em quadratura (in-phase and
quadrature) e em envoltria e fase (envelope and phase).
2) Realize uma pesquisa que permita que voc obtenha detalhes
sobre um modelo estatstico de rudo impulsivo para aplicaes
em projeto e testes de sistemas de radiodifuso de TV Digital.
Estudos dirigidos

Digital Probabilidade

Enviado por

Dados do documento

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

Digital Probabilidade

Enviado por

Direitos autorais:

Formatos disponíveis

0 10 20 30 40 50 60 70 80 90 100

Lei da Esperana Total:

Prof. Dayan Adionel Guimares

Prof. Dayan Adionel Guimares

Prof. Dayan Adionel Guimares

Prof. Dayan Adionel Guimares

Para o mesmo rudo conectado ao filtro ideal teremos

Você também pode gostar