Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
|
|
- Maria do Loreto Vera Osório Cortês
- 7 Há anos
- Visualizações:
Transcrição
1 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 Federal da Bahia ENGA83 - Semestre Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
2 Conteúdo 1 Introdução Definição de um Processo Aleatório Classificação dos Processos Aleatórios 2 Métodos de Descrição Valores Médios 3 Estacionaridade Estacionaridade do Sentido Amplo Ciclo-estacionaridade 4 Densidade Espectral de Potência 5 Médias Temporais e Ergodicidade 6 Exercícios de Fixação Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
3 Introdução Definição: Assim como as variáveis aleatórias mapeiam os resultados de um experimento no eixo real, os processos aleatórios (ou estocásticos) mapeiam os resultados de um experimento num conjunto amostral de sinais temporais x(t). A notação utilizada para definir um processo aleatório é X (t, Λ), sendo que: - a variável t representa o tempo; - a variável Λ representa o resultado do evento aleatório E; - para um resultado específico λ i de E existe uma função temporal x i (t) associada (chamada de função amostral ou realização do PA); - para um valor específico de tempo t t 0, X (t 0, Λ) representa uma coleção de valores numéricos obtidos das diversas funções temporais avaliadas em t = t 0, ou seja, X (t 0, Λ) é uma variável aleatória. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
4 Introdução Definição: Assim como as variáveis aleatórias mapeiam os resultados de um experimento no eixo real, os processos aleatórios (ou estocásticos) mapeiam os resultados de um experimento num conjunto amostral de sinais temporais x(t). A notação utilizada para definir um processo aleatório é X (t, Λ), sendo que: - a variável t representa o tempo; - a variável Λ representa o resultado do evento aleatório E; - para um resultado específico λ i de E existe uma função temporal x i (t) associada (chamada de função amostral ou realização do PA); - para um valor específico de tempo t t 0, X (t 0, Λ) representa uma coleção de valores numéricos obtidos das diversas funções temporais avaliadas em t = t 0, ou seja, X (t 0, Λ) é uma variável aleatória. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
5 Exemplos de processos aleatórios Exemplo 01: Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
6 Exemplos de processos aleatórios Exemplo 02: X (t) = A(λ)cos(120πt + Φ(λ)), onde A(λ) e Φ(λ) são variáveis aleatórias. Exemplo 03: Jogar um dado em t=0 e, a partir disso, associar às saídas λ i [1, 2, 3, 4, 5, 6], respectivamente, as formas de onda: x 1 (t) = 4, x 2 (t) = 2, x 3 (t) = 2, x 4 (t) = 4, x 5 (t) = t/2, x 6 (t) = t/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
7 Introdução Um processo aleatório pode ser classificado quando à natureza contínua ou discreta de t e x(t) em: X (t) Tempo Contínuo Tempo Discreto Contínuo Processo Aleatório Contínuo Sequência Aleatória Contínua Discreto Processo Aleatório Discreto Sequência Aleatória Discreta Dependendo das características estatísticas (distribuições, momentos, etc.) das funções amostrais x i (t) o processo aleatório pode ser classificado em: - estacionário (caso a estatística não dependa de t); - não-estacionário (caso contrário). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
8 Métodos de Descrição Um processo aleatório pode ser definido como um conjunto de n variáveis aleatórias indexado pela variável determinística t = t 0, t 1, t 2,..., t n. Deste modo um PA pode ser completamente descrito pelas distribuições conjuntas das n VAs que o compõem. Em geral este modo de descrição não é utilizado por ser extremamente complexo. A alternativa mais comum é utilizar: a função de distribuição de primeira ordem F X (t1)(x 1 ) e a função de distribuição de segunda ordem (conjunta) F X (t1),x (t 2)(x 1, x 2 ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
9 Métodos de Descrição - Valores Médios Assim como as variáveis aleatórias os processos aleatórios também podem ser descritos em termos dos seus valores médios. Em muitas aplicações os valores médios derivados das distribuições de primeira e segunda ordem são suficientes: - Média: µ X (t) = E{X (t)}. - Autocorrelação: R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}. - Autocovariância: C XX (t 1, t 2 ) = R XX (t 1, t 2 ) µ X (t 1)µ X (t 2 ). - Coeficiente de Correlação: r XX (t 1, t 2 ) = C XX (t 1, t 2 ) CXX (t 1, t 1 )C XX (t 2, t 2 ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
10 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
11 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )} = x i (t 1 )x i (t 2 ) = i=1 Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
12 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )} = x i (t 1 )x i (t 2 ) = i=1 = 1 6 { t 1t t 1t 2 } = 1 6 { t 1t 2 }}. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
13 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )} = x i (t 1 )x i (t 2 ) = i=1 = 1 6 { t 1t t 1t 2 } = 1 6 { t 1t 2 }}. - Como µ X (t) = 0, então C XX (t 1, t 2 ) = R XX (t 1, t 2 ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
14 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )} = x i (t 1 )x i (t 2 ) = i=1 = 1 6 { t 1t t 1t 2 } = 1 6 { t 1t 2 }}. - Como µ X (t) = 0, então C XX (t 1, t 2 ) = R XX (t 1, t 2 ). - r XX (t 1, t 2 ) = 40 + (t 1 t 2 )/2 (40 + (t 21 )/2)(40 + (t22 )/2). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
15 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )} = x i (t 1 )x i (t 2 ) = i=1 = 1 6 { t 1t t 1t 2 } = 1 6 { t 1t 2 }}. - Como µ X (t) = 0, então C XX (t 1, t 2 ) = R XX (t 1, t 2 ). - r XX (t 1, t 2 ) = 40 + (t 1 t 2 )/2 (40 + (t 21 )/2)(40 + (t22 )/2). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
16 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
17 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
18 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}, fazendo t 1 = t e t 2 = t + τ: 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
19 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}, fazendo t 1 = t e t 2 = t + τ: R XX (t, t + τ) = E{A cos(t + Θ)A cos(t + τ + Θ)} 1 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
20 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}, fazendo t 1 = t e t 2 = t + τ: R XX (t, t + τ) = E{A cos(t + Θ)A cos(t + τ + Θ)} 1 R XX (t, t + τ) = E{ A2 [cos(τ) + cos(2t + τ + 2Θ)]} 2 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
21 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}, fazendo t 1 = t e t 2 = t + τ: R XX (t, t + τ) = E{A cos(t + Θ)A cos(t + τ + Θ)} 1 R XX (t, t + τ) = E{ A2 [cos(τ) + cos(2t + τ + 2Θ)]} = cos(τ)/2 2 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
22 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}, fazendo t 1 = t e t 2 = t + τ: R XX (t, t + τ) = E{A cos(t + Θ)A cos(t + τ + Θ)} 1 R XX (t, t + τ) = E{ A2 [cos(τ) + cos(2t + τ + 2Θ)]} = cos(τ)/2 2 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
23 Valores Médios - Dois ou + Processos Aleatórios - Correlação Cruzada: R XY (t 1, t 2 ) = E{X (t 1 )Y (t 2 )}. - Covariância Cruzada: C XY (t 1, t 2 ) = R XY (t 1, t 2 ) µ X (t 1)µ Y (t 2 ). - Coeficiente de Correlação: r XY (t 1, t 2 ) = C XY (t 1, t 2 ) CXX (t 1, t 1 )C YY (t 2, t 2 ). - Não-Correlação: dois processos aleatórios X (t) e Y (t) são ditos não-correlacionados se C XY (t 1, t 2 ) = 0 para todo t 1 e t 2. - Ortogonalidade: X (t) e Y (t) são ditos ortogonais se R XY (t 1, t 2 ) = 0 para todo t 1 e t 2. - Independência: X (t) e Y (t) são independentes se P[X (t 1 ) x 1,..., X (t n ) x n, Y (t 1) y 1,..., Y (t m) y m ] = P[X (t 1 ) x 1,..., X (t n ) x n ]P[Y (t 1) y 1,..., Y (t m) y m ] para todo t 1, t 2,..., tn, t 1, t m. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
24 Estacionaridade Na análise de sinais e sistemas determinísticos é comum utilizar-se os conceitos de sistema invariante no tempo e regime permanente para caracterizar a invariância com o tempo. Em se tratando de processos aleatórios o conceito de estacionaridade assume esse papel. Pode-se dizer que um processo aleatório é estacionário se suas funções de distribuição não variam com o tempo. De modo mais formal pode-se definir um processo estacionário no sentido restrito (SSS - strict sense stationary) como aquele que satifaz: P[X (t 1 ) x 1,..., X (t n ) x n, ] = P[X (t 1 + τ) x 1,..., X (t n + τ) x n ] Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
25 Estacionaridade Relaxando um pouco as condições de estacionaridade pode-se chegar à definição de estacionário no sentido amplo (WSS - wide sense stationary). Um processo WSS atende às condições a seguir: - E{X (t)} = µ X. - E{X (t)x (t + τ)} = R XX (τ). Ou seja, a média é constante e a autocorrelação depende apenas da diferença de tempo τ. O processo do exemplo 02 (slide 10) é WSS. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
26 Ciclo-estacionaridade Um processo aleatório é chamado ciclo-estacionário (ou periodicamente estacionário) quando a função densidade de probabilidade é independente de deslocamentos múltiplos inteiros de um valor constante T : f X (x 1,..., x N ; t 1,..., t N ) = f X (x 1,..., x N ; t 1 + mt,..., t N + mt ) Diversos processos na natureza podem ser considerados aproximadamente ciclo-estacionários, como por exemplo: - O ruído esperado em um sistema de comunicação com fios (que pode variar com a temperatura ambiente). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
27 Estacionaridade - Verificação Experimental Em muitos casos práticos não se tem acesso a informações precisas a respeito das expressões matemáticas dos processos aleatórios. Neste caso verifica-se a estacionaridade a partir dos valores medidos. Um procedimento muito adotado consiste em: - Dividir os processo aleatório em janelas temporais; - Estimar a média e a autocorrelação dentro destas janelas temporais. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
28 Estacionaridade - Verificação Experimental Exemplo: Sinal de Sonar Passivo - Dividindo-se o sinal em janelas temporais de 100 ms e calculando-se o valor médio em cada janela obteve-se: Valor médio= (0, 0039 ± 0, 0001), ou seja, aproximadamente constante. Valor Medio x Janela Temporal Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
29 Função de Autocorrelação de Processos WSS Reais Para processos estacionários (ou pelo menos WSS) a função de auto-correlação mostra a velocidade de variação de um processo aleatório com o tempo. A função de autocorrelação tem as propriedades a seguir: - R XX (τ) = R XX ( τ) (função par); - O valor máximo ocorre em τ = 0 (defasagem zero) e vale R XX (0) = E{X 2 (t)}. - Para processos aleatórios discretos é facil perceber que o processo de cálculo de R XX (τ) é semelhante ao de uma convolução. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
30 Função de Autocorrelação - Exemplos Possível Função de autocorrelação Função de auto correlação de um sinal de SONAR pasivo: 0.2 R XX τ Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
31 Função de Autocorrelação - Aplicação Detecção de ecos (medição de distâncias): A posição do pico da função de correlação cruzada (considerando os sinais enviado e recebido) indica o tempo de propagação T : Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
32 Densidade Espectral de Potência Para um sinal determinístico x(t) os componentes espectrais são obtidos a partir da Transformada de Fourier: X (f ) = F {x(t)}. Para sinais aleatórios WSS essa informação é obtida a partir da Densidade Espectral de Potência (PSD - Power Spectral Density), que é definida por: S XX (f ) = F {R XX (τ)} = A relação inversa pode ser expressa por: R XX (τ) = F {S XX (f )} 1 = R XX (τ) exp( j2πf τ)dτ (1) S XX (f ) exp( j2πf τ)df (2) Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
33 Densidade Espectral de Potência - Propriedades - S XX (f ) é real e não negativo. - A potência média de X (t) é dada por: E{X 2 (t)} = R XX (0) = S XX (f )df. - A potência concentrada entre f 1 e f 2 é calculada por f2 f1 S XX (f )df + S XX (f )df. f 1 f 2 - Para X (t) real R XX (τ) = R XX ( τ) S XX (f ) = S XX ( f ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
34 Densidade Espectral de Potência - Exemplos Exemplo de PSD. Exemplos de PSD limitadas em banda: Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
35 Densidade Espectral de Potência - Exemplos Considerando o processo aleatório do Exemplo 02 (slide ) X (t) = A cos(ω 0 t + Θ), chegou-se a R XX (τ) = cos(ω 0 τ)/2, deste modo, utilizando uma tabela de transformadas de Fourier: S XX (ω) = π 2 [cos(ω ω 0) + cos(ω + ω 0 )] Graficamente: Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
36 Médias Temporais A média temporal de uma função g(.) da variável aleatória X (t) é definida como: g[x (t)] T = 1 T T /2 T /2 g[x (t)]dt (caso contínuo) (3) g[x (t)] T = 1 m g[x (i)] (caso discreto) (4) m i=1 Lembrando que as correspondentes médias amostrais são dadas, respectivamente, por: E{g[X (t)]} = m E{g[X (t)]} = g(x i )P(X = x i ). i=1 g(α)f X (α)dα e Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
37 Médias Temporais Considerando um processo aleatório que associa o resultado de um dado (não tendencioso) a um dos sinais temporais a seguir: x 1 (t) = 5, x 2 (t) = 3, x 3 (t) = 1, x 4 (t) = 1, x 5 (t) = 3 e x 6 (t) = 5, encontre a média amostral e as médias temporais. - A média amostral para um tempo t = t 1 é: µ X = 0 Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
38 Médias Temporais Considerando um processo aleatório que associa o resultado de um dado (não tendencioso) a um dos sinais temporais a seguir: x 1 (t) = 5, x 2 (t) = 3, x 3 (t) = 1, x 4 (t) = 1, x 5 (t) = 3 e x 6 (t) = 5, encontre a média amostral e as médias temporais. - A média amostral para um tempo t = t 1 é: µ X = 0 - Existe uma média temporal para cada função x i, ou seja: µ X T = 5 para X (t) = x 1 (t) µ X T = 3 para X (t) = x 2 (t) µ X T = 1 para X (t) = x 3 (t) µ X T = 1 para X (t) = x 4 (t) µ X T = 3 para X (t) = x 5 (t) µ X T = 5 para X (t) = x 6 (t) Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
39 Médias Temporais Considerando um processo aleatório que associa o resultado de um dado (não tendencioso) a um dos sinais temporais a seguir: x 1 (t) = 5, x 2 (t) = 3, x 3 (t) = 1, x 4 (t) = 1, x 5 (t) = 3 e x 6 (t) = 5, encontre a média amostral e as médias temporais. - A média amostral para um tempo t = t 1 é: µ X = 0 - Existe uma média temporal para cada função x i, ou seja: µ X T = 5 para X (t) = x 1 (t) µ X T = 3 para X (t) = x 2 (t) µ X T = 1 para X (t) = x 3 (t) µ X T = 1 para X (t) = x 4 (t) µ X T = 3 para X (t) = x 5 (t) µ X T = 5 para X (t) = x 6 (t) Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
40 Ergodicidade Na análise de sinais aleatórios em geral assume-se que há o conhecimento prévio de valores como médias, funções de auto-correlação e densidades espectrais de potência. Em muitas aplicações estas informações não estão disponíveis e um problema central da teoria dos processos aleatórios é como fazer essa estimação a partir dos dados medidos. Seria bastante prático e simples se a estimação pudesse ser realizada a partir de uma observação do processo aleatório (ou seja, considerando apenas uma função amostral e calculando as médias temporais). Em geral, as médias amostrais e temporais são distintas, exceto quando o processo estocástico é ergódico. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
41 Ergodicidade Definição: Um processo aleatório estacionário é dito ergódico quando suas médias amostrais são iguais às médias temporais. A ergodicidade pode ser definida em função de algumas médias amostrais específicas: Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
42 Ergodicidade Definição: Um processo aleatório estacionário é dito ergódico quando suas médias amostrais são iguais às médias temporais. A ergodicidade pode ser definida em função de algumas médias amostrais específicas: - Ergodicidade da Média: lim T µ X T = µ X. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
43 Ergodicidade Definição: Um processo aleatório estacionário é dito ergódico quando suas médias amostrais são iguais às médias temporais. A ergodicidade pode ser definida em função de algumas médias amostrais específicas: - Ergodicidade da Média: lim T µ X T = µ X. - Ergodicidade da Autocorrelação: lim R XX (τ) T = R XX (τ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
44 Ergodicidade Definição: Um processo aleatório estacionário é dito ergódico quando suas médias amostrais são iguais às médias temporais. A ergodicidade pode ser definida em função de algumas médias amostrais específicas: - Ergodicidade da Média: lim T µ X T = µ X. - Ergodicidade da Autocorrelação: lim R XX (τ) T = R XX (τ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
45 Ergodicidade Deste modo, se um processo aleatório é considerado ergódico é possível estimar os parâmetros amostrais a partir de uma única realização. Exemplo: Para o sinal de sonar passivo mostrado nos exemplos anteriores, os valores de µ X e R XX (τ) foram obtidos das amostras considerando que o processo estocástico é ergódico: µ X 0, 0039; 0.2 R XX τ Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
46 Exercícios de Fixação Os exercícios devem ser resolvidos e entregues no dia 03/04/2012. Neste dia, alunos serão sorteados para apresentar a solução de alguns destes exercícios para a turma. Os exercícios de fixação consistem em: 1 Problemas do livro Random Signals: Detection Estimation and Data Analysis de Shanmugan e Breipohl (a partir da página 204): 3.1, 3.2, 3.11, 3.12, 3.13, 3.17, 3.20, 3.22, 3.35, Utilizar o Matlab ou outro software adequado (Scilab, Statistica, Root, etc) para: a Considerando o processo aleatório X (t) = A cos(120t + Θ),sendo A uma variável aleatória normal com µ A = 0 e σ 2 A = 1 e Θ uma variável uniformemente distribuída no intervalo [ π, π], gere uma realização com pontos deste sinal para 0 < t 4s. b Estime computacionalmente os valores médios de primeira e segunda ordem e Trace a função de autocorrelação e a densidade espectral de potência. c Adcione a X (t) um ruído uniformente distribuido no intervalo [0; 0,2] e repita os itens a e b. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29
Disciplina: 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas e Sinais CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos
Leia maisModelos para Séries Temporais Aula 1. Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2
Modelos para Séries Temporais Aula 1 Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2 Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais
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 maisEstimação da Resposta em Frequência
27 Estimação da Resposta em Frequência ω = ω ω Objectivo: Calcular a magnitude e fase da função de transferência do sistema, para um conjunto grande de frequências. A representação gráfica deste conjunto
Leia maisProcessos aleatórios - características
Capítulo 6 Processos aleatórios - características temporais 6.1 O conceito de processo aleatório Um processo aleatório ou estocástico é um espaço de amostras em que cada elemento é associado a uma função
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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
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 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 maisProbabilidade combinada e amostragem condicional
Probabilidade combinada e amostragem condicional Introdução O objetivo desta aula é apresentar algumas técnicas de análise de correlação entre sinais que são muito empregadas em processamento de sinais.
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 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 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 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 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 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 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 maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisVariáveis Aleatórias Discretas 1/1
Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo
Leia maisAnálise Espectral de Processos Estocásticos
Análise Espectral de Processos Estocásticos Airlane Pereira Alencar 21 de Março de 2019 Alencar, A.P. (IME-USP) Análise espectral 21 de Março de 2019 1 / 24 Índice 1 Objetivos 2 Pré-requisitos 3 Espectro
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 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 mais7 Extração de Dados Quantitativos
Capítulo 7 - Extração de Dados Quantitativos 119 7 Extração de Dados Quantitativos A técnica de medição desenvolvida e descrita nos capítulos anteriores produz como resultado a variação temporal da espessura
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Função Característica 10/13 1 / 26
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Característica 10/13 1 / 26 Vimos que a função geradora de momentos é uma ferramenta
Leia maisMEDIDAS DINÂMICAS. Figura 1: Classificação de sinais
MEDIDAS DINÂMICAS INRODUÇÃO A medição é uma operação, ou conjunto de operações, destinadas a determinar o valor de uma grandeza física. O seu resultado, acompanhado da unidade conveniente, constitui a
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 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 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 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 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 maisPONTÍFICIA UNIVERSIDADE CATÓLICA DE GOIÁS ESCOLA DE ENGENHARIA ENG1380 SISTEMAS LINEARES CAPÍTULO 01 LISTA DE EXERCÍCIOS PROFA. FABRÍCIA NERES BORGES
PONTÍFICIA UNIVERSIDADE CATÓLICA DE GOIÁS ESCOLA DE ENGENHARIA ENG1380 SISTEMAS LINEARES CAPÍTULO 01 LISTA DE EXERCÍCIOS PROFA. FABRÍCIA NERES BORGES 1.1-1 Determine a energia dos sinais mostrados na Fig.
Leia maisIntrodução aos Sinais e Sistemas
Introdução aos Sinais e Sistemas Edmar José do Nascimento (Análise de Sinais e Sistemas) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Colegiado de Engenharia
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 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 maisBioestatística. AULA 6 - Variáveis aleatórias. Isolde Previdelli
Universidade Estadual de Maringá Mestrado Acadêmico em Bioestatística Bioestatística Isolde Previdelli itsprevidelli@uem.br isoldeprevidelli@gmail.com AULA 6 - Variáveis aleatórias 30 de Março de 2017
Leia maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
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 maisSéries de Tempo. José Fajardo. Agosto Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Agosto 2011 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto 2011 1 / 49 Definição de esperança não condicional ou incondicional Considere
Leia maisM. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57. + w y. f X,Y (x,y)dxdy (4.24) w y
M. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57 Assim, e usando a Eq. (4.17), F W (w) = F W (w) = + w y + x= f X,Y (x,y)dxdy (4.24) w y f Y (y)dy f X (x)dx (4.25) x= Diferenciando
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 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 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 maisLCE Introdução à Bioestatística Florestal 3. Variáveis aleatórias
LCE0216 - Introdução à Bioestatística Florestal 3. Variáveis aleatórias Profa. Dra. Clarice Garcia Borges Demétrio Monitores: Giovana Fumes e Ricardo Klein Escola Superior de Agricultura Luiz de Queiroz
Leia maisVariável Aleatória Contínua (v.a.c)
Variável Aleatória Contínua (v.a.c) Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 20 de junho de 2018 Londrina 1 / 14 (v.a.c.) Uma função Y definida sobre o espaço amostral
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Professora Renata Alcarde Sermarini Piracicaba Abril 2016 Renata Alcarde Sermarini Estatística Geral 27 de
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
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 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 maisSéries Temporais. Fernando Lucambio. Agosto de Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, , Brasil
Séries rais Autocorrelação Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 AUTOCORRELAÇÃO Uma importante
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
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 mais6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
Leia maisANÁLISE DE SINAIS E SISTEMAS
ANÁLISE DE SINAIS E SISTEMAS AULA 2: :. Sinais de Tempo Contínuo e Sinais de Tempo Discreto; 2. Sinais Analógicos e Digitais; 3. Sinais Determinísticos e Sinais Aleatórios; 4. Sinais Pares e Sinais Ímpares;
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo. Variáveis Aleatórias
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Variáveis Aleatórias Professora Renata Alcarde Piracicaba março 2014 Renata Alcarde Estatística Geral 27 de Março de 2014 1 / 42
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Duas Variáveis Aleatórias 29 de agosto de 2017 Duas Variáveis Aleatórias Função Distribuição Acumulada Conjunta: F X,Y (x,y) = P[X x, Y y] Propriedades: (a) 0
Leia maisLaboratório de Física I. Prof. Paulo Vitor de Morais
Laboratório de Física I Prof. Paulo Vitor de Morais Introdução Inicialmente vamos abordar: Grandezas físicas e o Sistema Internacional de Unidades (SI); Conceito de exatidão e precisão; Algarismos significativos;
Leia maisNOTAS DA AULA. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA VARIÁVEIS ALEATÓRIAS. ESPERANÇA E VARIÂNCIA Prof.: Idemauro Antonio Rodrigues de Lara 2 Objetivo geral da aula Caracterizar variáveis aleatórias discretas e contínuas. Compreender e aplicar
Leia maisEELT-7035 Processos Estocásticos em Engenharia. Variáveis Aleatórias. EELT-7035 Variáveis Aleatórias Discretas. Evelio M. G.
EELT-7035 Processos Estocásticos em Engenharia Variáveis Aleatórias Discretas 21 de março de 2019 Variáveis Aleatórias Variável aleatória, X( ): função que mapeia o espaço amostral (S) em números pertencentes
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
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 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 maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-2 MetComp 2014-1 IF-UFRJ Sistemas determinísticos Os sistemas físicos podem ser: Sistemas determinísticos Descritos por
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
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 maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
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 maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
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 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 maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 2
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 2 O Modelo Estrutural Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse. Considere
Leia maisEstimação da Resposta em Frequência
27 Estimação da Resposta em Frequência jω Ge ( ) = jω Ye ( ) jω Ue ( ) Objectivo: Calcular a magnitude e fase da função de transferência do sistema, para um conjunto grande de frequências. A representação
Leia maisIntrodução aos Circuitos Elétricos
1 / 47 Introdução aos Circuitos Elétricos Séries e Transformadas de Fourier Prof. Roberto Alves Braga Jr. Prof. Bruno Henrique Groenner Barbosa UFLA - Departamento de Engenharia 2 / 47 Séries e Transformadas
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia mais