Filtragem Adaptativa
|
|
- Clara Gusmão
- 5 Há anos
- Visualizações:
Transcrição
1 Charles Casimiro Cavalcante Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC charles
2 Filtros adaptativos, os quais têm como meta transformar os sinais portadores de informação em versões limpas ou melhoradas, ajustam suas características de acordo com os sinais encontrados. Eles formam os exemplos mais simples de algoritmos no campo de aprendizado de máquinas. Philip A. Regalia, 2005 IEEE Control Systems Magazine, Agosto de 2005
3 Conteúdo do curso 1 Introdução 2 Revisão de Processos Estocásticos 3 Filtragem Linear Ótima 4 Algoritmos Recursivos no Tempo 5 Método dos Mínimos Quadrados 6 Estruturas Alternativas de 7 Tópicos Avançados
4 Parte III Estatísticas de Segunda Ordem
5 Introdução geral Processos estocásticos discretos Sinal discreto x(n): seqüencia de números indexada por um argumento n Z. Constitui um sinal aleatório na medida em que, para um dado n = n 0 pré-estabelecido, existe alguma incerteza sobre o valor x(n 0 ), ou seja, x(n 0 ) é uma variável aleatória. S A 1 A 2 x : número associado a um i determinado evento A 3 A 4
6 Introdução geral - cont. Processo estocástico Conjunto das possíveis realizações de um dado sinal aleatório S s 1 x1( t) x2( t) x1( t k ) 0 x2( t k ) 0 s 2 s n... xn( t)... x ( t ) n k 0 t k t
7 Introdução geral - cont. Caracterização Como caracterizar x(n 0 )? 1 função de densidade de probabilidade (pdf): p X0 (x 0 ) 2 função de distribuição (cumulativa) de probabilidade: F X0 (x 0 ) [ ] x 1 x K p X 1,,X }{{} K (x 1,,x K ) intervalo de realização do processo p ( x, x ) X1, X x 1 x 2
8 Introdução geral - cont. Estacionaridade Propriedades estatísticas se preservam com translação no tempo p XL,,X K (x L,,x K ) = p XL+n0,,X K+n0 (x L+n0,,x K+n0 ) (22) Ergodicidade Comportamento estatístico é idêntico ao comportamento temporal p X (i) (x (i)) i = p Xj (x j ) j (23)
9 Funções de correlação Correlação Seja um vetor de v.a. x = [ x 1 x 2 x N ], temos que a correlação entre dois elementos, i e j, como r ij = {x i x j } = = x i x j p x(x) dx x i x jp xi,x j (x i,x j ) dx i dx j (24) De uma maneira mais intuitiva, a correlação pode ser definida como a medida de relação entre as duas variáveis aleatórias. Note ainda que a mesma pode assumir valores positivos ou negativos.
10 Funções de correlação - cont. Matrix de correlação Podemos unificar uma notação para avaliar todos os pares de variáveis na correlação. Desta forma, definimos a matriz de correlação definida como R x = { xx H} { x 1 2 } {x 1 x 2 } {x 1x N } {x 2 x 1 = } { x 2 2 } {x 2 x N } {x N x 1 } {x Nx 2 } { x N 2 } N N (25)
11 Funções de correlação - cont. Matrix de correlação - cont. Se escrevermos o vetor x = (x r ) e imaginária (x i ), temos { xx H} = Desta forma, denotamos = [ xr x i ] {[ xr x i explicitando suas partes real ] [ x H r x H i ] } [ {xr x H r } {x r x H i } {x i x H r } {x i x H i } ] (26) {x r x H r } = {x ix H i } = RE x {x i x H r } = {x rx H i } = RO x (27) em que E e O denotam as partes par (even) e ímpar (odd).
12 Funções de correlação - cont. Matrix de correlação - cont. Propriedades de R x 1 É uma matriz simétrica: R x = R H x 2 É uma matriz semi-definida positiva a H R x a 0 (28) para qualquer vetor N-dimensional a 0. Na prática, geralmente R x é definida positiva para qualquer vetor N-dimensional a 0 3 Todos os autovalores de R x são reais e não-negativos (positivos se R x for definida positiva). Além disso, os autovetores de R x são reais e podem sempre ser escolhidos tal que sejam mutuamente ortogonais. 4 R x = 2R E x + j2r O x
13 Funções de correlação - cont. Matrix de correlação - cont. Propriedades de R x (cont.) 5 É uma matriz Toeplitz 6 A correlação indica quanto um sinal tem haver com outro 7 Quanto mais lento for o processo, maior a correlação 8 Uma correlação positiva indica que o crescimento (decrescimento) de uma v.a implica em crescimento (decrescimento) da outra e uma correlação negativa indica que o crescimento (decrescimento) de uma v.a. implica no decrescimento (crescimento) da outra
14 Funções de correlação - cont. Coeficiente de Rayleigh Seja v(n) um ruído branco, ou seja, R v = σv 2 I. Seja então um sinal qualquer s(n) = x(n) }{{} sinal de interesse + v(n) }{{} ruído branco } {{ } independentes Se passarmos a seqüência s(n) por um filtro teremos então a seguinte saída w = [ w 0 w 1... w N 1 ], y(n) = w H x(n) + w H v(n)
15 Funções de correlação - cont. Coeficiente de Rayleigh - cont. Temos então: Potência interesse SNR saída = Potência ruído = {wh x(n)x H w(n)} {w H v(n)v H w(n)} = wh R x w w H R v w = wh R x w w H σ 2 viw (29) Então, escreve-se w H R x w w H w } {{ } coeficiente de Rayleigh 1 σ 2 v (30)
16 Funções de correlação - cont. Covariâncias e momentos conjuntos Relembrando: momentos centrados são definidos de maneira similar aos momentos usuais, apenas a média é envolvida no cálculo da esperança. Definimos então a matriz de covariância de x como e os elementos C x = { (x µ x )(x µ x ) H} (31) c ij = { (x i µ i )(x j µ j ) H} (32) da matriz C x de dimensão N N, são chamados de covariâncias e eles são os momentos centrados correspondentes às correlações r ij.
17 Funções de correlação - cont. Covariâncias e momentos conjuntos - cont. A matriz de covariância C x possui as mesmas propriedades de simetria que a matriz de correlação R x. Usando as propriedades do operador esperança, é fácil mostrar que R x = C x µ x µ H x (33) Se o vetor de médias for µ x = 0, as matrizes de correlação e covariância são as mesmas
18 Funções de correlação - cont. Covariâncias e momentos conjuntos - cont. Para esperanças conjuntas, ou seja, envolvendo mais de uma variável aleatória, podemos definir a matriz de correlação cruzada R xy = { xy H} (34) e a matriz de covariância cruzada C xy = { (x µ x )(y µ y ) H} (35) Note que as dimensões dos vetores x e y podem ser diferentes. Assim, as matriz de correlação e covariância cruzadas não são necessariamente quadradas e são, em geral, não-simétricas. Entretanto, de suas definições segue que: R xy = R H yx C xy = C H yx (36)
19 Funções de correlação - cont. Covariâncias e momentos conjuntos - cont. Quando temos uma soma de dois vetores x e y, temos as seguintes relações: 1 Correlação 2 Covariância R x+y = R x + R xy + R yx + R y (37) C x+y = C x + C xy + C yx + C y (38) Vale relembrar que: Variáveis ortogonais implica em correlação zero (R xy = 0) Variáveis descorrelacionadas implica em covariância zero, (C xy = 0) Então, temos 1 R x+y = R x + R y para x e y ortogonais 2 C x+y = C x + C y para x e y descorrelacionados
20 Transformações tempo-freqüência Transformação tempo-freqüência diz respeito à transformada de Fourier quando estudamos sinais determinísticos A transformação requer o conhecimento da função do sinal a ser avaliada na freqüência S(ω) = F{s(t)} = s(t)exp( jωt) dt (39) Pergunta: como fazer no caso de sinais aleatórios? Não se conhece os valores do sinal com precisão e a integral pode não existir. Resposta: definir de outra forma a transformada de Fourier de um processo aleatório
21 Transformações tempo-freqüência - cont. Classificação de processos estocásticos 1 Estacionários no sentido estrito (SSS) TODAS as estatísticas (momentos) são independentes do tempo, ou seja, p X(t) [x(t)] = p X(t) (x) 2 Estacionários no sentido amplo (WSS) Apenas as estatísticas de primeira e segunda ordem (média e correlação) são independentes do tempo, ou seja, E {X(t)} = µ E { (X(t) µ) 2} = σ 2 x
22 Transformações tempo-freqüência - cont. Função de densidade espectral Definição Para a classe de processos estocásticos WSS definimos a função de densidade espectral como a transformada de Fourier da correlação na forma S x (ω) = F{r x (τ)} = r x (τ)exp( jωτ) dτ (40) A função de densidade espectral de potência é um indicador da distribuição da potência do sinal como uma função da freqüência.
23 Transformações tempo-freqüência - cont. Função de densidade espectral - cont. Pode-se ainda calcular a correlação a partir da função de densidade espectral, uma vez que a transformada de Fourier é única, como r x (τ) = F 1 {S x (ω)} = 1 2π S x (ω)exp(jωτ) dω (41) NOTA: Valem ressaltar que τ significa a diferença entre os tempos que os processos WSS requerem como parâmetro para caracterizar a correlação. Neste caso, seria o equivalente à diferença entre as amostras i e j que temos na correlação definida na Equação (24)
24 Transformações tempo-freqüência - cont. Função de densidade espectral - cont. Propriedades 1 O valor médio quadrático de um processo WSS é dado por E{X 2 (t)} = r x (0) = 1 2π S x (ω) dω (42) 2 A densidade espectral de potência de um processo WSS é sempre não-negativa S x (ω) 0 para todo ω (43)
25 Transformações tempo-freqüência - cont. Função de densidade espectral - cont. Propriedades - cont. 3 A densidade espectral de potência de um processo WSS real é uma função par de ω S x (ω) = S x ( ω) (44) 4 O valor da densidade espectral de potência em ω = 0 é S x (0) = r x (τ) dτ (45)
26 Momentos de ordem superior São estatísticas de ordem superior a 2 Descrevem o comportamento estatístico dos dados com alguma informação a mais São importante por portarem informação da fase dos dados O momento de ordem 3 recebe o nome de obliquidade (skewness em inglês) e mede a assimetria da distribuição O momento de ordem 4 recebe o nome de kurtosis e é denotada por K Podemos também classificar as distribuições através da kurtosis 1 Para K = 0: distribuição mesocúrtica (gaussiana) 2 Para K > 0: distribuição leptocúrtica (super-gaussiana) 3 Para K < 0: distribuição platicurtica (sub-gaussiana)
27 Momentos de ordem superior - cont. Funções característica Primeira função característica Importante C( ω) C(ω) p X (x) exp(jωx) dx (46) p X (x) exp( jωx) dx C( ω) = F{p X (x)} (transformada de Fourier de p X (x))
28 Momentos de ordem superior - cont. Funções característica - cont. Importante - cont. Notação P X (ω) = F{p X (x)} = = {exp( jωx)} p X (x) exp( jωx) dx Assim p X (x) = 1 2π P X (ω) exp(jωx) dω
29 Momentos de ordem superior - cont. Funções característica - cont. Primeira função característica - Variáveis discretas P X (w) = Pr{X = x i } exp ( jωx i ) i= = {exp( jωx)}
30 Momentos de ordem superior - cont. Funções característica - cont. Propriedades P X (ω) 1 P X (ω) 1 Prova: 2 P X (0) = 1 P X(ω) = p X(x) exp( jωx) dx p X(x) exp( jωx) dx = desigualdade de Schwartz p X(x) dx
31 Momentos de ordem superior - cont. Funções característica - cont. Função geradora de momentos P X (ω) = {exp( jωx)} ( jωx) k exp( jωx) = k! k= { } ( jω) k X k {exp( jωx)} = k! {exp( jωx)} = P X (ω) = k= k= (Série de Taylor em torno de X = 0) k= ( jω) k {X k} k! }{{} µ k ( jω) k µ k k!
32 Momentos de ordem superior - cont. Funções característica - cont. Função geradora de momentos - cont. Ainda Logo k=0 P X (ω) = d k P X (ω) dw k k=0 d k P X (ω) dω k ωk ω=0 k! = 1 ω=0 k! ωk k=0 µ k ( j) k = dk P X (ω) dw k µ k ( j) k ωk k! ω=0
33 Momentos de ordem superior - cont. Funções característica - cont. Exemplo Sejam X e Y v.a.s independentes com p X (x) e p Y (y) conhecidas. Se Z = X + Y, p Z (z) =? Solução P Z(ω) = {exp( jωz)} = {exp[ jω(x + Y )]} exp( jωx) exp( jωy ) p X,Y (x, y) dx dy exp( jωx) p X(x) dx } {{ } {exp( jωx)} P Z(ω) = P X(ω) P Y (ω) p Z(z) = p X(x) p Y (y) exp( jωy ) p Y (y) dy } {{ } {exp( jωy )}
34 Momentos de ordem superior - cont. Funções característica - cont. Segunda função característica Ψ(ω) = ln[p X (ω)] (47) Importante A segunda função característica é também chamada de função geradora de cumulantes Os cumulantes são de extrema importância na caracterização estatística de uma v.a.
35 Momentos de ordem superior - cont. Cumulantes História Os cumulantes foram inicialmente introduzidos pelo astrônomo, contador, matemático e estaticista dinamarquês Thorvald N. Thiele ( ) que os denominou semi-invariantes. O termo cumulante surgiu pela primeira vez em 1931 no artigo The Derivation of the Pattern Formulæ of Two-Way Partitions from Those of Simpler Patterns, Proceedings of the London Mathematical Society, Series 2, vol. 33, pp , publicado pelo geneticista e estaticista Sir Ronald Fisher e o estaticista John Wishart, epônimo da distribuição de Wishart. O historiador Stephen Stigler comenta que o termo cumulante foi sugerido a Fisher numa carta de Harold Hotelling. Em um outro artigo publicado em 1929, Fisher chamou-os de funções de momentos cumulativos.
36 Momentos de ordem superior - cont. Cumulantes - cont. Definição O cumulante de ordem k é definido como κ k = k Ψ(ω) ω k (48)
37 Momentos de ordem superior - cont. Cumulantes - cont. Propriedades dos cumulantes 1 Invariância e equivariância κ 1 (Y + α) = κ 1 (Y ) + α κ k (Y + α) = κ k (Y ) para α uma constante qualquer. 2 Homogeneidade (ou multilinearidade) κ k (αy ) = α k κ k (Y ) 3 Aditividade κ k (X + Y ) = κ k (X) + κ k (Y ) se X e Y são v.a.s independentes
38 Momentos de ordem superior - cont. Cumulantes - cont. Cumulantes e momentos Os cumulantes são relacionados com os momentos através da seguinte recursão: k 1 ( k 1 κ k = µ k i 1 i=1 ) κ i µ k i (49)
39 Momentos de ordem superior - cont. Cumulantes - cont. Cumulantes e momentos - cont. Desta forma, o k ésimo momento é um polinômio de grau k dos k primeiros cumulantes, dados, para o caso em que k = 6, na seguinte forma: µ 1 = κ 1 µ 2 = κ 2 + κ 2 1 µ 3 = κ 3 + 3κ 2 κ 1 + κ 3 1 µ 4 = κ 4 + 4κ 3 κ 1 + 3κ κ 2 κ κ 4 1 µ 5 = κ 5 + 5κ 4 κ κ 3 κ κ 3 κ κ2 2 κ κ 2 κ 3 1 µ 6 = κ 6 + 6κ 5 κ κ 4 κ κ 4 κ κ κ 3 κ 2 κ κ 3 κ κ κ2 2 κ κ 2κ κ6 1.
40 Processos Aleatórios Classificação Em geral, podemos escrever a descrição de um modelo de entrada e saída de um modelo estocástico como valor atual da saída do modelo + combinação linear dos valores passados da saída do modelo = combinação linear dos valores presente e passados da entrada do modelo Os processos que obedecem o comportamento acima são ditos processos lineares. (50)
41 Processos Aleatórios Classificação - cont. A estrutura do filtro linear que processará os dados, é determinada pela maneira que as duas combinações lineares indicadas na Eq. (50) são formuladas. Podemos então identificar três tipos usuais de modelos estocásticos lineares: 1 Modelo auto-regressivo (AR) - no qual não são utilizadas valores passados da entrada. 2 Modelo moving average (MA) - no qual não são usados valores passados da saída. Também chamado de modelo de média móvel. 3 Modelo ARMA - junção dos modelos AR e MA.
42 Processos Aleatórios Modelo auto-regressivo (AR) Dizemos que uma série temporal x(n),x(n 1),...,x(n M) representa uma realização de um processo AR de ordem M se ela satisfaz a equação diferença seguinte: x(n) + a 1 x(n 1) + + a M x(n M) = v(n) (51) em que a 1,...,a M são chamados parâmetros AR e v(n) é um processo de ruído branco.
43 Processos Aleatórios Modelo auto-regressivo (AR) - cont. É mais simples enxergar o motivo de tal processo se chamar AR se escrevermos a Eq. (51) da seguinte forma: x(n) = b 1 x(n 1) + b 2 x(n 2) + + b M x(n M) + v(n) (52) em que b k = a k. Desta maneira vê-se facilmente que o instante atual do processo, ou seja x(n) é igual a uma combinação dos valores passados do processo mais um termo de erro v(n).
44 Processos Aleatórios Modelo auto-regressivo (AR) - cont : ;< =96><776 4? x(n) x(n 1) x(n 2) x(n M) z 1 z z 1 a 1 a 2 a M Σ Σ... Σ v(n) : ;< 9@ A ;6 B9:C>6 Figure: Analisador de processo AR
45 Processos Aleatórios Modelo auto-regressivo (AR) - cont. DEFGHIJ KL IPQKF RIJSNF v(n) + Σ - DEFGHIJ KL MIFNLGGF DO z 1 x(n) Σ a 1 x(n 1) z 1 Σ a 2 x(n 2) a M z 1 x(n M) Figure: Gerador de processo AR
46 Processos Aleatórios Modelo média móvel (MA) Em um modelo de média móvel (MA, moving average), o sistema é um filtro apenas com zeros e com ruído branco como entrada. O processo resultante x(n) produzido é então dado pela seguinte equação diferença x(n) = v(n) + b 1 v(n 1) + b 2 v(n 2) b K v(n K) (53) em que b 1,...,b K são constantes chamadas de parâmetros MA e v(n) é um processo de ruído branco de média zero e variância σ 2 v.
47 Processos Aleatórios Modelo média móvel (MA) - cont. A Equação (53), representa uma versão escalar de um produto interno. Com isso, podemos representá-la como: x(n) = K b i v(n i) = vb T (54) i=0 em que v = [ v(n) v(n 1)... v(n K) ] e b = [ 1 b 1 b 2... b K ]. A ordem do processo MA é dada por K. O termo média móvel surge pois constrói-se uma estimativa do processo x a partir de uma média ponderada das amostras do processo v.
48 Processos Aleatórios Modelo média móvel (MA) - cont. TU VWXYZ [\ Y]í [V ^YZ_`V v(n) v(n 1) v(n 2) v(n K) z 1 z z 1 b 1 b 2 b K Σ Σ... Σ x(n) TU VWXYZ [\ ayv`\wwv b T Figure: Modelo gerador de um processo de média móvel.
49 Processos Aleatórios Modelo auto-regressivo-média móvel (ARMA) Para gerar um modelo auto-regressivo-média móvel, utilizando um processo de ruído branco como entrada, temos a seguinte equação diferença x(n) + a 1 x(n 1) a M x(n M) = v(n) + b 1 v(n 1) +b 2 v(n 2) b K v(n K) em que a 1,...,a M e b 1,...,b K são os parâmetros ARMA. (55) A ordem do modelo ARMA é dada por (M,K).
50 Processos Aleatórios Modelo auto-regressivo-média móvel (ARMA) - cont. cdefghi jk hpqje rhisme cdefghi jk lhemkffe cnoc + v(n) Σ - z 1 b 0 Σ x(n) Σ a 1 b 1 Σ z 1 Σ a 2 b 2 Σ b K z 1 a M Figure: Modelo gerador de um processo ARMA de ordem (M, K), supondo M > K.
51 Processos Aleatórios Modelagem de sinais Modelos: ARMA, AR e MA Filtragem linear de um processo do tipo ruído branco, também chamado de processo inovação B( z) A( z) v( n ) x( n) processo descorrelacionado S X (ω) = B(z) A(z) z=e jω
52 Processos Aleatórios Modelagem de sinais - cont. M K x(n) = a i x(n i) + b j v(n j) i=1 j=0 ARMA (56) AR b j = 0 para j > 0 (autorregressivo) MA a i = 0 para i > 0 (média móvel)
53 Processos Aleatórios Modelagem de sinais - cont. Modelo AR x(n) = v(n) + M a i x(n i) (57) Os a i ótimos são obtidos como uma solução de um sistema de equações lineares i=1 Caso específico: AR(1): x(n) = v(n) + ax(n 1) v( n ) x( n) a O modelo AR(1) é também um processo markoviano sinal com memória 1
54 Processos Aleatórios Modelagem de sinais - cont. MAC de um processo AR(1) r X (0) = { x 2 (n) } = { v 2 (n) + 2 a v(n) x(n 1) + a 2 x 2 (n 1) } Daí resulta = σ 2 v + 2a 0 {v(n) x(n 1)} + a 2 r X (0) = σ 2 v + a 2 r X (0) (58) r X (0) = σ2 v 1 a 2 (59)
55 Processos Aleatórios Modelagem de sinais - cont. MAC de um processo AR(1) - cont. r X (1) = {x(n)x(n 1)} Daí, temos = {[v(n) + ax(n 1)][v(n 1) + ax(n 2)]} = { ax(n 1)v(n 1) + a 2 x(n 1)x(n 2) } = { a[v(n 1) + ax(n 2)] v(n 1) + a 2 x(n 1)x(n 2) } = aσ 2 v + a2 {x(n 1)x(n 2)} = aσ 2 v + a 2 r X (1) r X (1)[1 a 2 ] = aσ 2 v r X (1) = a r X (0) (60) (61)
56 Processos Aleatórios Modelagem de sinais - cont. MAC de um processo AR(1) - cont. Pode-se mostrar por recursividade que as seguintes relações são válida r X (i) = a i r X (0) (62) r X (i) = a r X (i 1) Assim, temos que a MAC (ordem 2) de um processo AR(1) é dada como σv 2 a σ 2 v R x = (1 a 2 ) (1 a 2 ) a σv 2 σ 2 (63) v (1 a 2 ) (1 a 2 )
57 Processos Aleatórios Modelagem de sinais - cont. MAC de um processo AR(1) - cont. Calcular λ 1 e λ 2 (autovalores) det(r x λi) = 0 ( ) σ 2 2 ( ) v a σ a 2 λ v 1 a 2 = a2 σ 4 v σ 4 v (1 a 2 ) 2 2 λσ 2 v (1 a 2 ) + λ2 (1 a 2 ) 2 = σv 4 (1 a 2 ) 2 (1 a2 ) 2λ (1 a 2 ) + λ2 = λ 2 2λ σ 2 v σ 2 v (1 a 2 ) + σ4 v (1 a 2 ) = 0 = (1 a 2 ) λ 2 2σ 2 v λ + σ4 v = 0 (64)
58 Processos Aleatórios Modelagem de sinais - cont. MAC de um processo AR(1) - cont. Calcular λ 1 e λ 2 (autovalores) - cont. λ 1,2 = 2σ2 v ± 4σ 4 v 4σ4 v (1 a2 ) 2 (1 a 2 ) Então, teremos = 2σ2 v ± 2aσ 2 v 2(1 a 2 ) λ 1 = λ 2 = σ2 v (1 a) σ2 v (1 + a) (65)
59 Processos Aleatórios Modelagem de sinais - cont. MAC de um processo AR(1) - cont. Assim, a MAC de um processo AR(1) tem como autovalores λ 1 = σ2 v (1 a) e λ 2 = σ2 v (1 + a) (66) E então, podemos definir o número de condicionamento ou espalhamento da matriz, dado por No caso do processo AR(1): (R x ) = 1+a 1 a (R x ) = λ max λ min (67)
60 Processos Aleatórios Modelagem de sinais - cont. MAC de um processo AR(1) - cont. Informações fornecidas por (R x ) O menor autovalor fica confinado entre σ 2 v e σ2 v 2 O maior autovalor vai de σ 2 v a infinito O número (R x ) = λmax λ min exprime quão plano é S X (ω) ou quão descorrelacionado é x(n), ou ainda quão próximo R x está de uma matriz diagonal 1 (R x ) = 1 S X (ω) plano 2 (R x ) = 1 x(n) é branco 3 (R x ) S X (ω) é colorido 4 (R x ) x(n) tem correlação
Definições Matemáticas
A matemática pode ser definida como a ciência na qual não se sabe jamais sobre o que fala nem se o que se diz é verdade. ÖØÖ Ò ÊÙ Ð ½ ¾¼ A Definições Matemáticas Conceitos e definições matemáticas que
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisProcessos Estocásticos
Probabilidade e Variáveis Aleatórias Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Universidade Federal do Ceará UFC http://www.gtel.ufc.br Parte II
Leia maisIntrodução ao Processamento Estatístico de Sinais
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Departamento de Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Processos Estocásticos - Sinais que variam aleatoriamente no tempo. são regidos por processos estocásticos. 2 1 1
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisAnálise e Processamento de Sinal e Imagem. III - Sinais Aleatórios e Filtragem Óptima
III - Sinais Aleatórios e Filtragem Óptima António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Sinais Aleatórios e Filtragem Óptima 1. Noção de Sinal Aleatório 2. Sinais
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubipt d[n] v[n] x[n] Filtro Estimador d[n] d[n] - Sinal v[n] - Ruído x[n] - Sinal corrompido com ruído ˆd[n] - Sinal Estimado
Leia maisIntrodução ao Processamento Estatístico de Sinais
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Departamento de Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia maisMódulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisTeoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisProf. Walter Fetter Lages 4 de outubro de 2004
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica Programa de Pós-Graduação em Engenharia Elétrica ELE7-Tópicos Especiais em Automação e Controle II Introdução
Leia mais195
195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisSinais e Sistemas Mecatrónicos
Sinais e Sistemas Mecatrónicos Sinais e Sistemas Sinais Contínuos no Tempo José Sá da Costa José Sá da Costa T2 - Sinais Contínuos 1 Sinais Sinal É uma função associada a um fenómeno (físico, químico,
Leia mais1 Auto vetores e autovalores
Auto vetores e autovalores Os autovalores de uma matriz de uma matriz n n são os n números que resumem as propriedades essenciais daquela matriz. Como esses n números realmente caracterizam a matriz sendo
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisResumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf
Parte 7 Processos Estocásticos Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Processos Estocásticos 2 Classicação
Leia maisPROCESSOS ESTOCÁSTICOS. O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial.
37 PROCESSOS ESTOCÁSTICOS O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial. Ex: i) O valor da temperatura média diária ou semanal numa cidade. O acontecimento
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia mais2 Núcleos: suas propriedades e classificações
2 Núcleos: suas propriedades e classificações O objetivo desse capítulo é o de apresentar as funções núcleos (7), suas propriedades (10) e suas classificações (3). 2.1 Núcleos no espaço de Hilbert Um espaço
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisTeoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisNoções de Álgebra Linear
Noções de Álgebra Linear 1. Espaços vetoriais lineares 1.1. Coordenadas 2. Operadores lineares 3. Subespaços fundamentais 4. Espaços normados 5. Espaços métricos 6. Espaços de Banach 7. Espaços de Hilbert
Leia maisControle Ótimo - Aula 6 Exemplos e Exercícios
Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Probabilidades Probabilidade: número entre
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia mais(b) A não será diagonalizável sobre C e A será diagonalizável sobre R se, e
Q1. Sejam A M 6 (R) uma matriz real e T : R 6 R 6 o operador linear tal que [T ] can = A, em que can denota a base canônica de R 6. Se o polinômio característico de T for então poderemos afirmar que: p
Leia mais2 Conceitos de Teoria da Probabilidade
2 Conceitos de Teoria da Probabilidade Neste capítulo, enunciaremos algumas denições e resultados de teoria de probabilidade. justicativa deste capítulo reside no fato que u objetivo nal é estimar momentos
Leia mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia maisPRINCÍPIOS DE COMUNICAÇÃO
PRINCÍPIOS DE COMUNICAÇÃO RUÍDO EM MODULAÇÕES ANALÓGICAS Evelio M. G. Fernández - 2011 Processo Aleatório (ou Estocástico): Função aleatória do tempo para modelar formas de onda desconhecidas. Processos
Leia maisAula de Processamento de Sinais I.B De Paula. Tipos de sinal:
Tipos de sinal: Tipos de sinal: Determinístico:Sinais determinísticos são aqueles que podem ser perfeitamente reproduzidos caso sejam aplicadas as mesmas condições utilizadas sua geração. Periódico Transiente
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Vetores Aleatórios 10 de setembro de 2017 Modelos Probabiĺısticos para N Variáveis Aleatórias F X1,...,X n (x 1,...,x n) = P[X 1 x 1,..., X n x n] (x 1,...,x
Leia maisProduto Interno - Mauri C. Nascimento - Depto. de Matemática - FC UNESP Bauru
1 Produto Interno - Mauri C. Nascimento - Depto. de Matemática - FC UNESP Bauru Neste capítulo vamos considerar espaços vetoriais sobre K, onde K = R ou K = C, ou seja, os espaços vetoriais podem ser reais
Leia maisÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT32 12 a Lista de exercícios
Leia maisSistemas lineares. Aula 3 Sistemas Lineares Invariantes no Tempo
Sistemas lineares Aula 3 Sistemas Lineares Invariantes no Tempo SLIT Introdução Resposta de um SLIT Resposta de Entrada Nula Resposta de Estado Nulo Resposta ao Impulso Unitária Introdução Sistemas: Modelo
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisModelagem Estocástica e Quantificação de Incertezas
Modelagem Estocástica e Quantificação de Incertezas Rubens Sampaio rsampaio@puc-rio.br Roberta de Queiroz Lima robertalima@puc-rio.br Departamento de Engenharia Mecânica DINCON 2015 Organização do curso
Leia maisUniversidade Federal da Bahia Programa de Pós Graduação em Engenharia Elétrica
Universidade Federal da Bahia Programa de Pós Graduação em Engenharia Elétrica Disciplina: Processamento Estatístico de Sinais (ENG A83) Prof.: Eduardo Simas eduardo.simas@ufba.br Tema: Verificação da
Leia maisIntrodução ao Processamento Estatístico de Sinais
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Departamento de Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisAST203-CVR 4-1 AST203-CVR. Observação eletromagnética. Processamento de sinais importante em várias áreas, além da astronomia telecomunicações
Bloco 4 Estatística Atualizado: 2012 4-1 Bibliografia Lena Cap. 4 (parte) - só a inspiração... Wall & Jenkins, Practical statistics for astronomers Brandt Statistical and computacional methods in data
Leia mais1 Álgebra linear matricial
MTM510019 Métodos Computacionais de Otimização 2018.2 1 Álgebra linear matricial Revisão Um vetor x R n será representado por um vetor coluna x 1 x 2 x =., x n enquanto o transposto de x corresponde a
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisMAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de T ( p(x) ) = p(x + 1) p(x), (a) 8, (b) 5, (c) 0, (d) 3, (e) 4.
MAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de 218 Q1. Considere a transformação linear T : P 3 (R) P 2 (R), dada por T ( p(x) ) = p(x + 1) p(x), para todo p(x) P 3 (R), e seja A
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia mais1 O esquema de Alamouti: Diversidade na transmissão
1 O esquema de Alamouti: Diversidade na transmissão 1.1 O Caso de uma antena receptora A Figura?? mostra a representação em banda básica do esquema de Alamouti com diversidade na transmissão. O esquema
Leia maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia maisCM005 Álgebra Linear Lista 3
CM005 Álgebra Linear Lista 3 Alberto Ramos Seja T : V V uma transformação linear. Se temos que T v = λv, v 0, para λ K. Dizemos que λ é um autovalor de T e v autovetor de T associado a λ. Observe que λ
Leia mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisCadeias de Markov de Tempo Contínuo (CTMC)
Cadeias de Markov de Tempo Contínuo (CTMC) Cadeia de Markov Contínua (1) A análise de cadeias de Markov contínuas (CTMCs) é bem similar a análise em tempo discreto, com a diferença de que as transições
Leia mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia mais1 a Lista de Exercícios MAT 3211 Álgebra Linear Prof. Vyacheslav Futorny
1 a Lista de Exercícios MAT 3211 Álgebra Linear - 213 - Prof. Vyacheslav Futorny 1 a parte: Resolução de sistemas de equações lineares, matrizes inversíveis 1. Para cada um dos seguintes sistemas de equações
Leia maisMAT Álgebra Linear para Engenharia II - Poli 2 ō semestre de ā Lista de Exercícios
MAT 2458 - Álgebra Linear para Engenharia II - Poli 2 ō semestre de 2014 1 ā Lista de Exercícios 1. Verifique se V = {(x, y) x, y R} é um espaço vetorial sobre R com as operações de adição e de multiplicação
Leia maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisComunicações Digitais Prof. André Noll Barreto. Prova /1 (04/04/2017)
Prova 1 17/1 (4/4/17) Aluno: Matrícula: Instruções A prova consiste de quatro questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não é permitida consulta a notas
Leia maisFunções ortogonais e problemas de Sturm-Liouville. Prof. Rodrigo M. S. de Oliveira UFPA / PPGEE
Funções ortogonais e problemas de Sturm-Liouville Prof. Rodrigo M. S. de Oliveira UFPA / PPGEE Série de Fourier Soma de funções ortogonais entre si Perguntas: -existem outras bases ortogonais que podem
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.1: Álgebra Linear e Matrizes Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José
Leia maisCURTA REVISÃO SOBRE PROBABILIDADE E PROCESSOS ESTOCÁSTICOS
CURTA REVISÃO SOBRE PROBABILIDADE E PROCESSOS ESTOCÁSTICOS PARTE i Histórico Probabilidade Axiomática de Kolmogorov Variáveis Aleatórias Densidade de Probabilidade Desigualdade de Chebyshev Versão Fraca
Leia maisAutovalores e Autovetores
Autovalores e Autovetores Maria Luísa B. de Oliveira SME0300 Cálculo Numérico 24 de novembro de 2010 Introdução Objetivo: Dada matriz A, n n, determinar todos os vetores v que sejam paralelos a Av. Introdução
Leia mais7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
Leia maisÁlgebra Linear Teoria de Matrizes
Álgebra Linear Teoria de Matrizes 1. Sistemas Lineares 1.1. Coordenadas em espaços lineares: independência linear, base, dimensão, singularidade, combinação linear 1.2. Espaço imagem (colunas) - Espaço
Leia maisÁlgebra Linear Equações Diferenciais Parciais Problemas de Sturm Liouville. Ney Lemke. logo
Revisão Matemática Ney Lemke Mecânica Quântica 2011 Outline 1 Álgebra Linear 2 Equações Diferenciais Parciais 3 Problemas de Sturm Liouville Outline 1 Álgebra Linear 2 Equações Diferenciais Parciais 3
Leia maisANÁLISE DE SINAIS DINÂMICOS
ANÁLISE DE SINAIS DINÂMICOS Paulo S. Varoto 7 . - Classificação de Sinais Sinais dinâmicos são geralmente classificados como deterministicos e aleatórios, como mostra a figura abaixo: Periódicos Determinísticos
Leia maisSinais e Sistemas. Sinais e Sistemas Fundamentos. Renato Dourado Maia. Universidade Estadual de Montes Claros. Engenharia de Sistemas
Sinais e Sistemas Sinais e Sistemas Fundamentos Renato Dourado Maia Universidade Estadual de Montes Claros Engenharia de Sistemas Classificação de Sinais Sinal de Tempo Contínuo: É definido para todo tempo
Leia maisInterbits SuperPro Web
1 (Ita 018) Uma progressão aritmética (a 1, a,, a n) satisfaz a propriedade: para cada n, a soma da progressão é igual a n 5n Nessas condições, o determinante da matriz a1 a a a4 a5 a 6 a a a 7 8 9 a)
Leia maisMAP Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017
1 Preliminares MAP3121 - Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017 A decomposição de Cholesky aplicada a Finanças O exercício-programa
Leia maisESPAÇO VETORIAL REAL. b) Em relação à multiplicação: (ab) v = a(bv) (a + b) v = av + bv a (u + v ) = au + av 1u = u, para u, v V e a, b R
ESPAÇO VETORIAL REAL Seja um conjunto V, não vazio, sobre o qual estão definidas as operações de adição e multiplicação por escalar, isto é: u, v V, u + v V a R, u V, au V O conjunto V com estas duas operações
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisProcessos Aleatórios e Ruído
Processos Aleatórios e Ruído Luis Henrique Assumpção Lolis 11 de abril de 2014 Luis Henrique Assumpção Lolis Processos Aleatórios e Ruído 1 Conteúdo 1 O Experimento Aleatório / Espaço de Amostras 2 Algebra
Leia maisUFRGS INSTITUTO DE MATEMÁTICA E ESTATÍSTICA Programa de Pós-Graduação em Matemática Aplicada Prova Escrita - Processo Seletivo 2017/2 - Mestrado
UFRGS INSTITUTO DE MATEMÁTICA E ESTATÍSTICA Programa de Pós-Graduação em Matemática Aplicada Prova Escrita - Processo Seletivo 27/2 - Mestrado A prova é composta de 6 (seis) questões, das quais o candidato
Leia maisDISTRIBUIÇÃO NORMAL DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS ROTEIRO DISTRIBUIÇÃO NORMAL
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências DISTRIBUIÇÃO NORMAL Definição:
Leia maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
Leia maisSME Gustavo C. Buscaglia
SME0602-2017 Gustavo C. Buscaglia ICMC - Ramal 738176, gustavo.buscaglia@gmail.com Cálculo de autovalores e autovetores Existem vários problemas na engenharia em que precisamos calcular os autovalores
Leia maisSinais e Sistemas. Tempo para Sistemas Lineares Invariantes no Tempo. Representações em Domínio do. Profª Sandra Mara Torres Müller.
Sinais e Sistemas Representações em Domínio do Tempo para Sistemas Lineares Invariantes no Tempo Profª Sandra Mara Torres Müller Aula 7 Representações em Domínio do Tempo para Sistemas Lineares e Invariantes
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisUniversidade Federal de Alagoas UFAL Centro de Tecnologia - CTEC Programa de Pós-Graduação em Engenharia Civil - PPGEC
Universidade Federal de Alagoas UFAL Centro de Tecnologia - CTEC Programa de Pós-Graduação em Engenharia Civil - PPGEC Introdução à Mecânica do Contínuo Tensores Professor: Márcio André Araújo Cavalcante
Leia mais(x 1, y 1 ) (x 2, y 2 ) = (x 1 x 2, y 1 y 2 ); e α (x, y) = (x α, y α ), α R.
INSTITUTO DE MATEMÁTICA E ESTATÍSTICA UNIVERSIDADE DE SÃO PAULO MAT-2457 Álgebra Linear para Engenharia I Terceira Lista de Exercícios - Professor: Equipe da Disciplina EXERCÍCIOS 1. Considere as retas
Leia maisAnálise e Processamento de BioSinais. Mestrado Integrado em Engenharia Biomédica. Faculdade de Ciências e Tecnologia. Universidade de Coimbra
Análise e Processamento de BioSinais Mestrado Integrado em Engenharia Biomédica Faculdade de Ciências e Tecnologia Slide Análise e Processamento de BioSinais MIEB Adaptado dos slides S&S de Jorge Dias
Leia mais