PRE29006 LISTA DE EXERCÍCIOS #
|
|
- Ana Laura Alencastre Sales
- 7 Há anos
- Visualizações:
Transcrição
1 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 aleatória uniforme no intervalo [0, ]. Considere o processo estocástico X(t) = e At. Calcule a função média e a função autocorrelação do processo X(t).. [, Exercício 7.] Considere o processo estocástico X(t) definido por X(t) = At + b, onde A é uma variável aleatória Gaussiana de média nula e variância unitária e b é uma constante qualquer. (a) Determine a função média e a função variância do processo X(t). (b) Determine a função densidade de probabilidade de primeira ordem do processo, ou seja, determine f X(t) (x). (c) Determine a função autocorrelação e a função autocovariância do processo X(t). 3. Considere o processo estocástico X(t) = A rect(t), em que A é uma variável aleatória discreta que assume os valores 0, e com igual probabilidade. (a) Esboce todas as possíveis realizações (isto é, funções-amostra) de X(t). (b) Determine a função densidade de probabilidade de primeira ordem de X(t). (c) Determine a função média de X(t). (d) Determine a função autocorrelação de X(t). (e) O processo X(t) é estacionário no sentido amplo? Justifique.
2 4. Sejam A e B variáveis aleatórias independentes tais que A é uniformemente distribuída no intervalo [, +] e B é discreta com Pr[B = ] = Pr[B = +] = /. Seja também X(t) um processo estocástico definido por X(t) = At + B. (a) Determine a função média e a função autocorrelação do processo X(t). (b) O processo X(t) é estacionário no sentido amplo? Justifique. 5. Seja B[k] um processo estocástico (de parâmetro discreto) em que B[k] Bernoulli(p), para todo k, com B[k ] independente de B[k ] para k k. Seja a, se B[k] = 0, X[k] = +a, se B[k] =, onde a é uma constante. Calcule a função média e a função autocorrelação de X[k]. 6. [, Exercícios 7.0, 7.] (a) Determine a densidade espectral de potência S X (f) de um processo estocástico X(t), estacionário no sentido amplo, com função autocorrelação dada por onde α é uma constante positiva. R X (τ) = e ατ, (b) Determine a função autocorrelação R X (τ) de um processo estocástico X(t), estacionário no sentido amplo, com densidade espectral de potência dada por S X (f) = [ + (πf) ]. 7. [, Exercício 7.] Um processo estocástico X(t) é dado por X(t) = A cos(πf t + Θ), onde A, F e Θ são variáveis aleatórias estatisticamente independentes tais que: A tem média µ A e variância σ A. F é uniformemente distribuída no intervalo [0, f 0 ]. Θ é uniformemente distribuída no intervalo [0, π]. (a) Determine a função média e a a função autocorrelação de X(t). Conclua que X(t) é estacionário no sentido amplo. (b) Determine a potência média de X(t). (c) Determine a densidade espectral de potência de X(t).
3 8. [3, Example 9.4] (Modulação AM-DSB-SC) Seja M(t) um processo estocástico estacionário no sentido amplo com média µ M, função autocorrelação R M (τ) e densidade espectral de potência S M (f). Determine a função média, a função autocorrelação e a densidade espectral de potência de X(t) = M(t) cos(πf c t + Θ), onde Θ Unif(0, π) e f c é uma constante. Considere M(t) e Θ independentes. 9. [3, Example 9.] (Ruído branco após filtragem passa-baixa) Determine a função autocorrelação R X (τ) e a potência média P X de um processo estocástico estácionario no sentido amplo X(t) cuja densidade espectral de potência é dada por onde n 0 e f 0 são constantes positivas. n 0 /, se f < f 0, S X (f) = 0, caso contrário. 0. [, Problems 8.8, 8.9] Determine e esboce a função autocorrelação e a função densidade espectral de potência do sinal na saída de um sistema linear invariante no tempo com resposta ao impulso h(t), supondo na entrada ruído branco X(t) com média nula e função autocorrelação R X (τ) = (n 0 /)δ(τ), para: e t/t 0, se t 0, (a) h(t) = t 0 0, caso contrário; Considere que n 0 e t 0 sejam constantes positivas., se 0 t t 0, (b) h(t) = t 0 0, caso contrário.. [, Exemplo 7.8] Considere um processo estocástico de ruído branco X(t) com média nula e densidade espectral de potência dada por S X (f) = n 0 /, onde n 0 é uma constante positiva. Determine a média, a função autocorrelação, a densidade espectral de potência e a potência média do processo estocástico Y (t) obtido pela passagem de X(t) através do filtro RC mostrado abaixo. + R + X(t) C Y (t). [, Exercício 7.6] Um processo estocástico gaussiano X(t) tem média nula e função autocorrelação R X (t, t ) = t t. 3
4 Uma pessoa que desconhece o valor da média do processo X(t) e que tem acesso a uma função amostra do mesmo resolve estimar esta média por M = X(0) + X() + X(). 3 Note que M é uma variável aleatória. Determine a probabilidade de que o módulo do erro cometido exceda o valor, ou seja, determine Pr[ M > ]. 3. [, Exercício 7.7] Seja X(t) um processo estocástico gaussiano de média nula e função autocorrelação dada por R X (t, t ) = a e t t, onde a é uma constante positiva. Sabe-se que a variável aleatória X(0), definida no instante t = 0, excede o valor 6 com probabilidade 0,3499%. Seja onde b é uma constante. (a) Determine o valor da constante a. Y (t) = X(t) + X(t b), (b) Determine a função média e a função autocorrelação do processo Y (t), concluindo sobre sua estacionariedade no sentido amplo. (c) Calcule o coeficiente de correlação de Pearson entre Y (0) e Y (), para b =. 4. [, Exercício 7.3] Um processo estocástico gaussiano X(t) tem função média µ X (t) = e função autocorrelação R X (τ) = δ(τ). O processo X(t) passa através de um sistema linear cuja resposta ao impulso é dada por h(t) = e t u(t), (onde u(t) denota a função degrau unitário), resultando no processo estocástico Y (t). Determine a função densidade de probabilidade das variáveis aleatórias Y (0) e Y (), ou seja, determine f Y (0),Y () (y 0, y ). 5. Seja X[k] um processo estocástico de parâmetro discreto, em que..., X[ ], X[ ], X[0], X[], X[],... são variáveis aleatórias gaussianas i.i.d. (independentes e identicamente distribuídas) de média 0 e variância. Seja Y [k] = X[k] X[k ]. 4
5 (a) Determine e esboce a função autocovariância de Y [k], em função de l = k k. (b) Determine a função densidade de probabilidade de Y [8]. (c) Calcule Pr[Y [8] > 0 Y [6] > 0]. 6. Considere um processo estocástico de tempo discreto X[k], definido por X[k] = ax[k ] + W [k], para k =,,..., X[0] = 0, onde W [], W [],..., são variáveis aleatórias, todas de média µ W. (a) Determine a função média de X[k], para a =. (b) Determine a função média de X[k], para a =. (c) O processo é estacionário no sentido amplo? Justifique. Exercícios complementares. Demonstre os seguintes fatos. (a) Se X(t) é estacionário de ordem n, então X(t) é estacionário de ordem n. (Por simplicidade, prove para o caso particular n = 3.) (b) Se X(t) é estacionário de ā ordem, então X(t) é estacionário no sentido amplo. (Como visto em sala de aula através de um contra-exemplo, a recíproca é falsa!). Seja R X (τ) a função autocorrelação e S X (f) a densidade espectral de potência de um processo estocástico real X(t) estacionário no sentido amplo. Mostre que: (a) R X (τ) é par, isto é, R X (τ) = R X ( τ). (b) R X (0) = E[X (t)] = P X [potência média de X(t) = valor médio quadrático de X(t)]. (c) R X (τ) assume seu valor máximo em τ = 0. (Dica: Utilize a desigualdade de Cauchy-Schwarz para o valor esperado: E[XY ] E[X ]E[Y ].) (d) S X (f) = R X (τ) cos(πfτ)dτ. 0 (Dica: Utilize o teorema de Wiener-Khinchin e a fórmula de Euler.) (e) S X (f) é real e par. (Dica: Utilize os itens (a) e (d).) (f) S X (f) 0, para todo f. Referências [] J. P. A. Albuquerque, J. M. P. Fortes, and W. A. Finamore, Probabilidade, Variáveis Aleatórias e Processos Estocásticos. Editora Interciência, 008. [] S. M. Kay, Intuitive Probability and Random Processes using MATLAB R. Springer, 006. [3] B. P. Lathi and Z. Ding, Modern Digital and Analog Communication Systems, 4th ed. Oxford University Press,
6 Respostas. µ X (t) = e t t e R X (t, t ) = e (t+t) t + t.. (a) µ X (t) = b, σx (t) = t4. (b) f X(t) (x) = (x b) e t 4. πt (c) R X (t, t ) = t t + b, K X (t, t ) = t t. 3. (a) 0, rect(t), rect(t). (b) f X(t) (x) = 3 δ(x) + 3 δ(x ) + δ(x ), se t /, 3 δ(x), caso contrário. (c) µ X (t) = rect(t). (d) R X (t, t ) = 5 3 rect(t ) rect(t ). (e) Não. 4. (a) µ X (t) = 0, R X (t, t ) = 3 t t +. (b) Não. 5. µ X [k] = a(p ), R X [k, k ] = 6. (a) S X (f) = { a, se k = k, a (p ), caso contrário. π (πf) α e α. (b) R X (τ) = 4 (e τ ) (e τ ) = 4 ( + τ )e τ. 7. (a) µ X (t) = 0 e R X (t, t ) = σ A + µ A sinc ( f 0 (t t ) ). (c) S X (f) = σ A + ( ) µ A f rect. 4f 0 f 0 (b) P X = σ A + µ A. 8. µ X = 0, R X (τ) = R M (τ) cos(πf c τ) e S X (f) = 4 [S M (f + f c ) + S M (f f c )]. 9. R X (τ) = n 0 f 0 sinc(f 0 τ) e P X = n 0 f (a) R Y (τ) = n 0 e τ 4t 0 t 0 e S Y (f) = n 0 + (πt 0 f). (b) R Y (τ) = n 0 t 0 tri. µ Y = 0, R Y (τ) = n 0 τ n 0 / 4RC e RC, S Y (f) = + (πrcf), P Y = n 0 4RC.. Q( 8/) = 0,0 ( τ t 0 ) e S Y (f) = n 0 sinc (t 0 f). 3. (a) a = 4. (b) µ Y (t) = 0, R Y (t, t ) = 8e τ + 4e τ b + 4e τ+b, onde τ = t t. (c) 0,5. [ ] ([ ] [ ]) Y (0) 3 4 e 4 4. N,, de onde pode ser obtido f Y () e 3 Y (0),Y () (y 0, y ). 4 4, se l = 0, 5. (a) R Y [l] =, se l = ±, (b) f Y (8) (y) = e y 4. (c) π. 0, caso contrário. 6. (Em breve.) Obs.: rect(x) = {, se x /, 0, caso contrário; tri(x) = { x, se x, 0, caso contrário; sinc(x) = sen(πx). πx 6
PRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS # 06. Eercícios. Considere uma variável aleatória
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 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 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 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 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 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 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 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 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 maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia 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 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 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 maisApresentação do Programa da Disciplina. Introdução aos sistemas de comunicação: principais modelos.
Professor: Edmar José do Nascimento Disciplina: PRNCÍPOS DE COMUNCAÇÃO Carga Horária: 60 hs Semestre: 2010.1 Pág. 1 de 5 EMENTA: Correlação e densidade espectral de potência. Princípio da amostragem. Transmissão
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 maisCOM29008 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES COM98 LISTA DE EXERCÍCIOS # 8. Exercícios. [, 9.5] Um processo estocástico gaussiano,
Leia maisLaboratório de Fundamentos de Telecomunicações. Guia no. 1. Tema: Sinais e Sistemas
Laboratório de Fundamentos de Telecomunicações. Guia no. 1 Tema: Sinais e Sistemas Departamento de Engenharia Electrotécnica e de Computadores Instituto Superior Técnico, Fevereiro 216 2 Guia no. 1: Sinais
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 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 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 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 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 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 maisCOM29008 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES COM29008 LISTA DE EXERCÍCIOS #1 2016.2 Exercícios 1. Verifique se os seguintes
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 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 mais2.3 Operações sobre uma variável aleatória - Esperança matemática
matemática 58 atingir a mosca dado que ele atingiu o alvo. Exercício 2.33. [3] Duas caixas tem bolas vermelhas, verdes e azuis dentro; a quantidade de cada uma é dada a seguir. Caixa 01-5 vermelhas; 35
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 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 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 maisFundamentos de Telecomunicações 2002/03
INSTITUTO SUPERIOR TÉCNICO Número: Fundamentos de Telecomunicações 2002/03 EXAME Janeiro, 2003 Duração: 20 minutos Nome: Pretende contabilizar as notas dos testes? sim não Assinatura A resolução do exame
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 maisComunicações Digitais
Comunicações Digitais Apresentação do Curso e Revisão de Conceitos Básicos Prof. Fabrício Simões IFBA Primavera de 2017 Prof. Fabrício Simões (IFBA) Comunicações Digitais Primavera de 2017 1 / 38 1 Apresentação
Leia maisComunicações Digitais Prof. André Noll Barreto Prova /1 (26/04/2012)
Prova 1 01/1 (6/04/01) Aluno: Matrícula: Instruções A prova consiste de três questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não é permitida consulta a notas de
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia 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 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 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 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 maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
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 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 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 maisIND 1115 Inferência Estatística Aula 7
Conteúdo IND 1115 Inferência Estatística Aula 7 Setembro 2004 Por que a revisão de probabilidades até agora? A importância da distribuição Normal O Mônica Barros mbarros.com 1 mbarros.com 2 Por que uma
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 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 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 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 maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia maisComunicações Digitais Prof. André Noll Barreto. Prova /2 (17/08/2017)
Prova 0 017/ (17/08/017) Aluno: Matrícula: Instruções A prova consiste de 4 (quatro) questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não é permitida consulta a
Leia maisEconometria Semestre
Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.
Leia maisProcessos de Poisson
Processos de Poisson Mauro C. M. Campos 1 SUMÁRIO I Alguns fatos sobre a distribuição exponencial 1 II Alguns fatos sobre a distribuição de Poisson 2 III Processos estocásticos em tempo contínuo 2 IV Processos
Leia maisExercícios para Processamento Digital de Sinal. 1 Transformada e Série de Fourier
Exercícios para Processamento Digital de Sinal Transformada e Série de Fourier Exercício Considere o seguinte sinal x(t) = sin 2 (0πt). Encontre uma forma aditiva para este sinal e represente graficamente
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 maisTeoria das Comunicações Profs. André Noll Barreto / Judson Braga. Prova /2 (16/10/2014)
Prova 014/ (16/10/014) Aluno: Matrícula: Instruções A prova consiste de quatro questões discursivas A prova terá a duração de h00 A prova pode ser feita a lápis ou caneta Não é permitida consulta a notas
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 maisComunicações Digitais Prof. André Noll Barreto. Prova /1 (04/04/2017)
Prova 7/ (4/4/7) Aluno: Matrícula: Instruções A prova consiste de 4 (quatro) questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não é permitida consulta a qualquer
Leia maisX(t) = A cos(2πf c t + Θ)
Exercícios Extras de Comunicações Digitais. Seja um sinal aleatório X(t), estacionário no sentido restrito, dado por onde X(t) = A cos(πf c t + Θ) A é uma variável aleatória Gaussiana com média de 4Volts
Leia maisPrincípios de Comunicações Profs. André Noll Barreto
Prova 2 2015/2 (03/11/2015) Aluno: Matrícula: Instruções A prova consiste de quatro questões discursivas A prova terá a duração de 2h00 A prova pode ser feita a lápis ou caneta Não é permitida consulta
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 maisComunicações Digitais Prof. André Noll Barreto. Prova /1 (16/03/2017)
Comunicações Digitais Prova 0 017/1 (16/03/017) Aluno: Matrícula: Instruções A prova consiste de 4 (quatro) questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não
Leia maisTeoria das Comunicações Prof. André Noll Barreto Prova 1 Gabarito
Prova Gabarito Questão (4 pontos) Um pulso é descrito por: g t = t e t / u t u t, a) Esboce o pulso. Este é um sinal de energia ou de potência? Qual sua energia/potência? (,7 ponto) b) Dado um trem periódico
Leia maisM. Eisencraft 2.5 Outros exemplos de distribuições e densidades 29. Densidade e distribuição uniforme. 0 a b x. 0 a b x
M. Eisencraft 2.5 Outros eemplos de distribuições e densidades 29 Densidade e distribuição uniforme /(b a) () a b.8 ().6.4.2.2 a b 2.5.2 Eponencial Figura 2.8: Funções densidade e distribuição uniforme.
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 maisPLANO DE ENSINO EMENTA DA DISCIPLINA: OBJETIVOS: CONTEÚDO PROGRAMÁTICO:
ESTADO DE MATO GROSSO FUNDAÇÃO UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS SINOP SUPERVISÃO DE APOIO ACADÊMICO CURSO BACHARELADO EM ENGENHARIA ELÉTRICA PLANO DE ENSINO DISCIPLINA: SNP33D45 / PRINCÍPIOS
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 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 maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisFACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CAMPUS
FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CAMPUS UNIVERSITÁRIO DE SINOP CURSO DE ENGENHARIA ELÉTRICA Princípios de Comunicações Slides 5 e 6 Milton Luiz Neri Pereira (UNEMAT/FACET/DEE) 1 2.1 Sinais Um
Leia maisTransmissão de impulsos em banda-base
ransmissão de impulsos em banda-base ransmissão de impulsos através de um canal com ruído aditivo.3 O filtro adaptado e o correlacionador ransmissão de sinais em canais banda-base Introdução Consideremos
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 maisTeoria das Comunicações Prof. André Noll Barreto Prova /2 (01/11/2011)
Prova 011/ (01/11/011) Aluno: Matrícula: Instruções A prova consiste de quatro questões discursivas A prova terá a duração de h30 A prova pode ser feita a lápis ou caneta Não é permitida consulta a notas
Leia maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisSegunda Lista de Exercícios
UFCG Universidade Federal de Campina Grande CEEI Centro de Engenharia Elétrica e Informática DEE Departamento de Engenharia Elétrica Disciplina: Princípios de Comunicações Professor: Wamberto José Lira
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisteoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para
Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE CIÊNCIAS EXATAS
1 1) Seja X uma variável aleatória com função de densidade dada por: Pede-se: f (x) = e 2 1 (, )(x) 1.1) Qual a distribuição da variável aleatória Y = X? 1.2) Encontre o valor esperado da variável Y. 2
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 maisAnálise e Transmissão de Sinais
Análise e Transmissão de Sinais Edmar José do Nascimento (Princípios de Comunicações) Universidade Federal do Vale do São Francisco Roteiro 1 Transformada de Fourier 2 Sistemas Lineares 3 Filtros 4 Distorção
Leia maisEN2607 Transformadas em Sinais e Sistemas Lineares Lista de Exercícios Suplementares 3 3 quadrimestre 2012
EN607 Transformadas em Sinais e Sistemas Lineares Lista de Exercícios Suplementares 3 fevereiro 03 EN607 Transformadas em Sinais e Sistemas Lineares Lista de Exercícios Suplementares 3 3 quadrimestre 0
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
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 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 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 maisSinais e ruídos em sistemas de medição
(parte I) Instrumentação eletrônica para sistemas de medição Capítulo 7 Sinais e ruídos em sistemas de medição Prof. Lélio R. Soares Júnior ENE FT UnB Introdução Sinal determinístico o valor do sinal em
Leia mais(a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p), então (X + Y ) Binomial(n + m, p).
Capítulo 0 Revisões Exercício 0.1 Sejam X e Y variáveis aleatórias independentes. Mostre que: (a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p),
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia 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 no Domínio do tempo: Covariâncias e modelos ARIMA
Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de 2019 1 / 26 Índice 1 Estacionariedade
Leia maisELT032 - Introdução à Análise de Sinais
ELT032 - Introdução à Análise de Universidade Federal de Itajubá - Campus Itajubá Engenharia Eletrônica Aula 01 Prof. Jeremias B. Machado jeremias@unifei.edu.br 24 de abril de 2015 1 / 42 Introdução Considere
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia 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 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 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 maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisTP501 Processos Estocásticos
P501 Processos Estocásticos Prof. Dr. Dayan Adionel Guimarães Motivação A natureza aleatória de muitos fenômenos observados em Engenharia se manifesta temporal ou espacialmente. Uma família de variáveis
Leia mais