Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
|
|
- Maria Eduarda Graça
- 4 Há anos
- Visualizações:
Transcrição
1 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 Universidade Federal da Bahia ENGA83 - Semestre Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
2 Conteúdo 1 Introdução 2 Modelos Lineares Discretos Processos AR Processos MA Processos ARMA 3 Processos de Markov 4 Processos Gaussianos Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
3 Introdução Na análise de sinais determinísticos, tipos especiais de sinais como impulsos, exponenciais complexas, degraus, são particularmente importantes. No caso dos processos aleatórios (PA), também existem classes especiais de PAs que desempenham papel fundamental no desenvolvimento da teoria e em aplicações práticas como por exemplo: - processos auto regressivos (AR); - processos de média móvel (MA); - processos Gaussianos; Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
4 Modelos Lineares Discretos Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
5 Processos Auto Regressivos Um processo auto regressivo (AR) de ordem p pode ser descrito pela equação a diferenças a seguir: X (n) = p h i X (n i) + e(n) sendo e(n) um ruído branco gaussiano. Um processo AR pode ser modelado a partir de um filtro recursivo, conforme mostrado no próximo slide. Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
6 Processos Auto Regressivos Diagrama em blocos do modelo AR: sendo o operador atraso unitário (z 1 ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
7 Processos Auto Regressivos Pode-se mostrar que um processo aleatório X (n) que descrito por um modelo AR de ordem p apresenta: p - µ X = 0; σx 2 = h i R XX (i) + σn 2 ; - r XX (k) = - S XX (f ) = sendo σ 2 N p h i r XX (k 1); σ 2 N 1 p h i exp( j2πfi) 2, f < 1 2. a variância de e(n). Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
8 Processos de Média Móvel Um processo de média móvel (MA - Moving Average) pode ser definido por: X (n) = θ 0 e(n) + θ 1 e(n 1) θ q e(n q) observa-se que se θ i = 1 e θ i 0, X (n) é uma média ponderada de e(n). Relaxando-se as condições acima pode-se reescrever a equação como: X (n) = q θ i e(n i) + e(n) = q θ i z 1 e(n) i=0 sendo θ 0 = 1. Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
9 Processos de Média Móvel Diagrama em blocos do modelo MA (com θ i = h i ): Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
10 Processos de Média Móvel Para um processo aleatório X (n) de média móvel de ordem q pode-se provar que: - µ X = 0; - σ 2 X = σ2 N [ R XX (k) = σ 2 N q θ 2 i [ θ m + ] ; q j=m+1 θ j θ j m ], m < q; - S XX (f ) = σn 2 q θ i exp( j2πfi), f < 1 2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
11 Processos Auto Regressivos de Média Móvel Um processo auto regressivo de média móvel (ARMA - Auto Regressive Moving Average) de ordem (p, q) pode ser definido por: X (n) = p q h i X (n i) + θ k e(n k) + e(n) k=1 Observa-se que o modelo ARMA é composto pelo somatório de uma parte auto regressiva (AR) com outra de média móvel (MA). Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
12 Processos Auto Regressivos de Média Móvel Diagrama em blocos do modelo ARMA (com h i = a i e θ i = b i ): Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
13 Processos Auto Regressivos de Média Móvel Para um processo ARMA pode-se provar que: - R XX (m) = p h i R XX (m i), m q + 1; - S XX (f ) = σ2 N 1 + q k=1 θ k exp( j2πfk) 2 1 p h i exp( j2πfi) 2, f < 1 2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
14 Processos de Markov Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
15 Processos de Markov De um modo geral pode-se definir um modelo de processo aleatório no qual a ocorrência de um valor futuro X (m + 1) depende da ocorrência de K valores anteriores (X (m), X (m 1),..., X (m k + 1)). Nos processos de Markov a ocorrência de um valor futuro X (m + 1) depende apenas do valor imediatamente anterior X (m). Embora apresentem uma formulação simples, os processos de Markov podem ser utilizados para modelar diversos problemas práticos de engenharia, conforme será mostrado a seguir. Os processos de Markov podem ser classificados em: - De tempo contínuo ou de tempo discreto; - De valores X (t) contínuos ou de valores X (t) discretos. Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
16 Processos de Markov Os processos de Markov com valores de X (t) discretos são chamados Cadeias de Markov (Markov chain). Exemplo de diagrama de estados de uma cadeia de Markov:.1 S1.7.9 S2 S Neste caso existem 03 valores possíveis para X (t) (S1, S2 e S3) e as probabilidades P{X (m + 1) = Si X (m) = Sj) estão indicadas nos laços de conexão entre Sj e Si. Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
17 Processos de Markov Discretos no Tempo Em processos de Markov discretos no tempo pode-se definir a probabilidade de ocorrência de um estado j no instante m a partir das probabilidades de ocorrência dos estados i no instante m 1 e das probabilidades condicionais de ocorrência do estado j dado que ocorreu o estado i: p j (m) = todo i p i (m 1)P ij (m 1, m) A expressão acima também pode ser escrita na forma matricial: p T (m) = p T (m 1)P(m 1, m) sendo p T (m) = [p 1 (m), p 2 (m),..., p k (m)] e P(n, m) = [P ij (n, m)]. Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
18 Exemplo - Processos de Markov Considerando que num sistema de comunicação três mensagens podem ser transmitidas e que elas seguem as propriedades de um processo de Markov cujas probabilidades de transição entre os estados são descritas a seguir: Mensagem Atual Próxima Mensagem Msg. 1 Msg. 2 Msg. 3 Msg Msg Msg encontre as probabilidades de ocorrência da próxima mensagem sabendo que as probabilidades iniciais de cada mensagem são: p 1 (0) =.5, p 2 (0) =.3 e p 3 (0) =.2 Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
19 Exemplo - Processos de Markov Calculando individualmente temos: 3 p 1 (1) = p i (0)P i1 (0, 1) = (.5)(.5) + (.3)(.1) + (.2)(.1) =.30 p 2 (1) = 3 p i (0)P i2 (0, 1) = (.5)(.1) + (.3)(.6) + (.2)(.2) =.25 Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
20 Exemplo - Processos de Markov Calculando individualmente temos: 3 p 1 (1) = p i (0)P i1 (0, 1) = (.5)(.5) + (.3)(.1) + (.2)(.1) =.30 p 2 (1) = p 3 (1) = 3 p i (0)P i2 (0, 1) = (.5)(.1) + (.3)(.6) + (.2)(.2) =.25 3 p i (0)P i3 (0, 1) = (.5)(.4) + (.3)(.3) + (.2)(.7) =.45 Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
21 Exemplo - Processos de Markov Calculando individualmente temos: 3 p 1 (1) = p i (0)P i1 (0, 1) = (.5)(.5) + (.3)(.1) + (.2)(.1) =.30 p 2 (1) = p 3 (1) = 3 p i (0)P i2 (0, 1) = (.5)(.1) + (.3)(.6) + (.2)(.2) =.25 3 p i (0)P i3 (0, 1) = (.5)(.4) + (.3)(.3) + (.2)(.7) =.45 Usando a expressão matricial: p T (1) = [ ] = [ ] Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
22 Exemplo - Processos de Markov Calculando individualmente temos: 3 p 1 (1) = p i (0)P i1 (0, 1) = (.5)(.5) + (.3)(.1) + (.2)(.1) =.30 p 2 (1) = p 3 (1) = 3 p i (0)P i2 (0, 1) = (.5)(.1) + (.3)(.6) + (.2)(.2) =.25 3 p i (0)P i3 (0, 1) = (.5)(.4) + (.3)(.3) + (.2)(.7) =.45 Usando a expressão matricial: p T (1) = [ ] = [ ] Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
23 Processos de Markov A expressão matricial pode ser utilizada para encontrar p(n) a partir de p(0) fazendo: p T (1) = p T (0)P(0, 1) p T (2) = p T (1)P(1, 2) = p T (0)P(0, 1)P(1, 2) p T (3) = p T (2)P(2, 3) = p T (0)P(0, 1)P(1, 2)P(2, 3)... n Ou seja: p T (n) = p T (0) P(i 1, i) Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
24 Processos de Markov A expressão matricial pode ser utilizada para encontrar p(n) a partir de p(0) fazendo: p T (1) = p T (0)P(0, 1) p T (2) = p T (1)P(1, 2) = p T (0)P(0, 1)P(1, 2) p T (3) = p T (2)P(2, 3) = p T (0)P(0, 1)P(1, 2)P(2, 3)... n Ou seja: p T (n) = p T (0) P(i 1, i) Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
25 Cadeias de Markov Homogêneas Quando a matriz de transição de estados P(t 1, t) não varia com o tempo t, a cadeia de Markov é dita homogênea. Para as cadeias de Markov homogêneas é possível provar que: - p T (n) = p T (0)P(1) n ; - P(n 3 n 1 ) = P(n 2 n 1 )P(n 3 n 2 ) com n 3 > n 2 > n 1 (Equação de Chapman-Kolmogorov); - As probabilidades assintóticas em regime permanente lim n pt (n) = π T podem ser obtidas a partir de: π T = π T P(1) Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
26 Processos Gaussianos Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
27 Processos Gaussianos Na análise de sistemas de instrumentação e comunicação um dos modelos mais comuns é o processo aleatório Gaussiano. Devido ao teorema do limite central pode-se aproximar com boa precisão diversos fenômenos físicos (inclusive o ruído) a partir de um processo Gaussiano. Um processo X (t) é dito Gaussiano se todas as suas funções densidade de n-ésima ordem forem Gaussianas n-variadas: [ f X (x) = [2π n/2 Σ X 1/2 ] 1 exp 1 ] 2 (x µ x) T Σ 1 X (x µ x ) Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
28 Processos Gaussianos Uma propriedade interessante dos processos Gaussianos: Se X (t) é Gaussiano e WSS (wide-sense stationary), isso implica que X (t) é SSS (strict-sense stationary). Ou seja, para garantir a estacionaridade (em sentido estrito) de um processo aléatório Gaussiano X (t) basta verificarmos se: - EX (t i ) = µ X - R XX (t, t + τ) = R XX (τ) Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
29 Processos Gaussianos - Ruído Branco Conforme definido anteriormente (na Aula ) o ruído branco é um processo aleatório que, por definição, tem uma densidade espectral de potência constante para todas as frequências: S N (f ) = N 0 2, < f < Convém notar que o fato do processo ser branco não implica que seja Gaussiano. O ruído branco não é fisicamente realizável, senão a potência média do processo dada por S N (f )df seria infinita. Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
30 Processos Gaussianos - Ruído Branco O ruído branco de banda limitada no qual: S N (f ) = N 0 2 para B < f < B e zero caso contrário é uma boa representação de diversas fontes de ruído existentes como: - o ruído térmico de sistemas elétricos no qual S N (f ) = kt /2 onde k é a constante de Boltzman (1, Joules/Kelvin) e T é a temperatura em Kelvin da fonte de ruído. Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
31 Processos Gaussianos - Ruído Branco A respeito do ruído branco N(t) de banda limitada pode-se provar que: - E{N 2 (t)} = N 0 B sin 2πBτ - R NN (τ) = N 0 B 2πBτ - N(t) e N(t + kτ 0 ) onde k é inteiro 0 e τ 0 = 1 2B são independentes. Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
32 Exercícios de Fixação Os exercícios listados abaixo do livro: Random Signals: Detection Estimation and Data Analysis de Shanmugan e Breipohl devem ser resolvidos e entregues no dia 22/05. Neste dia, alunos serão sorteados para resolverem alguns destes exercícios para a turma. 01 Exercícios de Fixação do Cap. 05 (a partir da página 333): 5.8, 5.11, 5.15, 5.26, 5,30, 5.32, Prof. Eduardo Simas (PPGEE/UFBA) Aula 06 - Classes Especiais de Proc. Aleat. ENGA83 - Semestre / 28
Disciplina: 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 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 maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
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 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 / 34 1 Motivação 2 Conceitos
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da
Leia maisTeoria de Filas Aula 10
Aula Passada Comentários sobre a prova Teoria de Filas Aula 10 Introdução a processos estocásticos Introdução a Cadeias de Markov Aula de Hoje Cadeias de Markov de tempo discreto (DTMC) 1 Recordando...
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da
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 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 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 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 maisTE060 Princípios de Comunicação. Probabilidade. Probabilidade Condicional. Notes. Notes. Notes
TE060 Princípios de Comunicação Efeito do Ruído em Sistemas com Modulação de Onda Contínua 5 de novembro de 2013 Probabilidade Uma medida de probabilidade P é uma função que associa um número não negativo
Leia maisAula - Equações de Chapman-Kolmogorov
Equações de Chapman-Kolmogorov Prof. Magnos Martinello Aula - Equações de Chapman-Kolmogorov Universidade Federal do Esprito Santo-UFES 2011 Equações de Chapman-Kolmogorov 1/17 Introdução As equações de
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 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 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 maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
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 maisPropriedade Markoviana
Cadeias de Markov Cadeias de Markov É um tipo especial de processo estocástico, que satisfaz as seguintes condições: o parâmetro n é discreto (ex: tempo) o espaço de estados E é discreto (coleção de estados
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 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 maisNeste capítulo é introduzido um conceito que permite definir eventos de uma forma mais
Capítulo 2 A variável aleatória Neste capítulo é introduzido um conceito que permite definir eventos de uma forma mais consistente. Este novo conceito é o de variáveis aleatórias e se constitui em uma
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisModelagem de um sistema por cadeias de Markov
Modelagem de um sistema por cadeias de Markov Sistemas sem memória : somente o estado imediatamente anterior influencia o estado futuro. rocesso estacionário: probabilidades de transição de um estado para
Leia maisModelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014
Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos
Leia maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
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 maisDisciplina: Processamento Digital de Sinais Aula 05 - Implementação de Sistemas de Processamento Digital de Sinais (Parte 01)
Disciplina: Processamento Digital de Sinais Aula 05 - Implementação de Sistemas de Processamento Digital de Sinais (Parte 01) Prof. (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica
Leia maisNoções de Processos Estocásticos e Cadeias de Markov
Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={
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 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 maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia mais2 Modelo de Sinais. 2.2 Modelo de Comunicação
odelo de Sinais 1 Introdução No presente capítulo é apresentado o modelo de comunicação adotado O modelo matemático de sinais transmitidos por sistemas de transmissão em blocos e mais particularmente para
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos e Científicos
Leia maisMOQ-12 Cadeias de Markov
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MOQ-12 Cadeias de Markov Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Roteiro Introdução Processos Estocásticos
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 20
Teoria das Filas aplicadas a Sistemas Computacionais Aula 20 Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia mais1/7 1/ se hoje não chove, amanhã não vai chover com probabilidade p 00 = 6/7;
6/7 nao chove 1/7 chove 1/3 "0" /3 "1" Figura 1: Todas as transições com suas respectivas probabilidades representadas através de um grafo. Notem que para cada estado, a soma das probabilidades das flechas
Leia maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
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 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 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 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 mais3. CADEIA DE MARKOV EM TEMPO DISCRETO
3. CADEIA DE MARKOV EM TEMPO DISCRETO 3. Definição Uma Cadeia de Markov em Tempo Discreto é um processo estocástico em que a variável t representa intervalos de tempo, { }e que segue a propriedade de Markov,
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 maisProcessamento Digital de Sinais
Processamento Digital de Sinais Carlos Alexandre Mello Carlos Alexandre Mello cabm@cin.ufpe.br 1 Sinais Digitais Um sinal pode ser entendido como uma função que carrega uma informação Sinal de voz O sinal
Leia maisMétodos Estatísticos em Física Experimental. Prof. Zwinglio Guimarães 1 o semestre de 2015 Aulas 11 e 12
Métodos Estatísticos em Física Experimental Prof. Zwinglio Guimarães 1 o semestre de 015 Aulas 11 e 1 O método dos mínimos quadrados (revisão) O método dos mínimos quadrados consiste em determinar os parâmetros
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 maisAula 22. Conversão Sigma-Delta (continuação)
Aula 22 Conversão Sigma-Delta (continuação) A estrutura mostrada na figura A.22.1 é chamado modulador Sigma-Delta (Σ- ). Esta estrutura, além de ser mais simples, pode ser considerada como uma versão suavizada
Leia maisp.1/48 Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, Belo Horizonte, MG, Brasil
p1/48 Capítulo 4 - Métodos ão Paramétricos Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av Antônio Carlos 27, elo Horizonte, MG, rasil p2/48 Introdução Os métodos
Leia maisEstimação na Presença de Ruído colorido
36 Estimação na Presença de Ruído colorido Como se viu, em presença de ruído colorido, os mínimos quadrados fornecem uma estimativa polarizada. Quer dizer, ao fazer muitas observações a estimativa não
Leia maisM. Eisencraft 6.3 Funções de correlação 81. R YX (τ) R YY (τ). (6.19) R XY (τ) = R YX ( τ) (6.20)
M. Eisencraft 6.3 Funções de correlação 81 R XY (τ) = E[X(t)Y(t+τ)] e (6.17) R YX (τ) = E[Y(t)X(t+τ)]. (6.18) As propriedades de correlação de dois processos X(t) e Y(t) podem ser mostradas convenientemente
Leia maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisAULA 8. DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017
AULA 8 DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017 As funções de distribuição (acumulada) e de densidade para v.a. contínuas = =. Se a densidade f(x)for continua no seu
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 maisSinais e Sistemas. Luis Henrique Assumpção Lolis. 21 de fevereiro de Luis Henrique Assumpção Lolis Sinais e Sistemas 1
Sinais e Sistemas Luis Henrique Assumpção Lolis 21 de fevereiro de 2014 Luis Henrique Assumpção Lolis Sinais e Sistemas 1 Conteúdo 1 Classificação de sinais 2 Algumas funções importantes 3 Transformada
Leia maisProcessos Estocásticos aplicados à Sistemas Computacionais
Processos Estocásticos aplicados à Sistemas Computacionais Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia
Leia maisCapítulo 2 Dinâmica de Sistemas Lineares
Capítulo 2 Dinâmica de Sistemas Lineares Gustavo H. C. Oliveira TE055 Teoria de Sistemas Lineares de Controle Dept. de Engenharia Elétrica / UFPR Gustavo H. C. Oliveira Dinâmica de Sistemas Lineares 1/57
Leia maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente
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 maisTransmissão Digital em Banda Base
Transmissão Digital em Banda Base Luis Henrique Assumpção Lolis 27 de maio de 2014 Luis Henrique Assumpção Lolis Transmissão Digital em Banda Base 1 Conteúdo 1 Introdução 2 Análise de erro de bits 3 Interferência
Leia maisFORMULÁRIO PROCESSOS ESTOCÁSTICOS E APLICAÇÕES MAEG-ISEG exp(x) = j=0. j+1 xj ( 1) j=1. ( 1) j x j for 1 < x < 1
FORMULÁRIO PROCESSOS ESTOCÁSTICOS E APLICAÇÕES MAEG-ISEG 008 Desenvolvimentos em série log( + x) = ( + x) = exp(x) = X ( ) = Cadeias de Markov + x X x! for < x X ( ) x for < x < Equações de Chapman-Kolmogorov
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
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 mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisIntrodução aos Sistemas de Comunicações
aos Sistemas de Comunicações Edmar José do Nascimento () http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Colegiado de Engenharia Elétrica Roteiro 1 Sistemas de
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 maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Simulação de Sistemas Simulação é a técnica de solução de um problema pela análise de
Leia maisApresentação do programa da disciplina. Definições básicas. Aplicações de sinais e sistemas na engenharia. Revisão sobre números complexos.
FUNDAÇÃO UNVERSDADE FEDERAL DO VALE DO SÃO FRANCSCO PLANO DE UNDADE DDÁTCA- PUD Professor: Edmar José do Nascimento Disciplina: ANÁLSE DE SNAS E SSTEMAS Carga Horária: 60 hs Semestre: 2010.1 Pág. 1 de
Leia maisAnálise de Desempenho de Sistemas de Comunicações Digitais
Análise de Desempenho de Sistemas de Comunicações Digitais Edmar José do Nascimento (Princípios de Comunicações) Universidade Federal do Vale do São Francisco Roteiro 1 Detecção Binária 2 Modulações Digitais
Leia maisDistribuições de Probabilidade. Variáveis aleatórias contínuas
Distribuições de Probabilidade Variáveis aleatórias contínuas 1 Variáveis contínuas Uma variável aleatória contínua toma um nº infinito não numerável de valores (intervalos de números reais), os quais
Leia mais1 Técnicas de Seleção de Antenas Transmissoras
1 Técnicas de Seleção de Antenas Transmissoras Como visto em aulas anteriores, para se atingir uma ordem de diversidade espacial maior é necessário o emprego de múltiplas antenas no transmissor e/ou no
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
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 maisANÁLISE DE FILTROS DIGITAIS IMPLEMENTADOS EM ARITMÉTICA DE PONTO FIXO USANDO CADEIAS DE MARKOV
FERNANDO GONÇALVES DE ALMEIDA NETO ANÁLISE DE FILTROS DIGITAIS IMPLEMENTADOS EM ARITMÉTICA DE PONTO FIXO USANDO CADEIAS DE MARKOV Dissertação apresentada à Escola Politécnica da Universidade de São Paulo
Leia maisControle de Processos Aula: Estabilidade e Critério de Routh
107484 Controle de Processos Aula: Estabilidade e Critério de Routh Prof. Eduardo Stockler Tognetti Departamento de Engenharia Elétrica Universidade de Brasília UnB 1 o Semestre 2016 E. S. Tognetti (UnB)
Leia maisSe X t = 4 X t+1 = X t+2 =... = 4. Cadeias de Markov Classificação Cadeias ergódicas Cadeias com absorção
Nesta aula... Processos estocásticos 1 2 3 Processos estocásticos: Suponhamos que observamos um conjunto de caracteristicas de um sistema em instantes de tempo discretos 0, 1, 2,... A característica do
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisEstatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS. Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais
Estatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Modelo Uniforme Contínuo Uma variável aleatória X tem distribuição
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 maisAvaliação e Desempenho Aula 18
Avaliação e Desempenho Aula 18 Aula passada Fila com buffer finito Fila com buffer infinito Medidas de interesse: vazão, número médio de clientes na fila, taxa de perda. Aula de hoje Parâmetros de uma
Leia mais1. Sinais de teste. 2. Sistemas de primeira ordem. 3. Sistemas de segunda ordem. Especificações para a resposta
Desempenho de Sistemas de Controle Realimentados 1. Sinais de teste. Sistemas de primeira ordem 3. Sistemas de segunda ordem Especificações para a resposta Fernando de Oliveira Souza pag.1 Engenharia de
Leia mais2 Modelos de Sinais para Sistemas DS-CDMA
2 Modelos de Sinais para Sistemas DS-CDMA Dentre os modelos de sinais de sistemas de múltiplo acesso existem dois cenários de interesse que foram tratados em nosso trabalho: o enlace direto ou downlink,
Leia maisModelos de Perturbações. As perturbações existentes num sistema impôem limitações fortes no desempenho dos sistemas de controlo.
38 Modelos de Perturbações As perturbações existentes num sistema impôem limitações fortes no desempenho dos sistemas de controlo. Pertub. à entrada Pertub. internas Pertub. à saída u Sistema medição y
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 maisTransmissão de impulsos em banda-base
Transmissão de impulsos em banda-base Transmissão de impulsos através de um canal com ruído aditivo. Probabilidades de erro com detecção no ponto central Detecção de sinais binários em ruído gaussiano
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 maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisDistribuição Gaussiana
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Distribuição Gaussiana Introdução à Bioestatística Turma Nutrição Aula 7: Distribuição Normal (Gaussiana) Distribuição
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 maisEspaço amostral Ω: Conjunto enumerável de todos os possíveis resultados de um experimento aleatório. um evento elementar. E = E[X j ] X j.
Universidade Tecnológica Federal do Paraná Professor Murilo V G da Silva Notas de aula Algoritmos Avançados I (Aula 04 Conteúdos da aula: [CLR09: cap 7 e 9][MIE05 4, 5] Vamos estudar nesta aula três algoritmos
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 maisUniversidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais 1 Introdução Identificação via Mínimos Quadrados Prof. Walter Fetter
Leia mais