Análise de Sinais

Estocásticos

parte II
Análise de Fourier Estocástica
(análise de sinais aleatórios)
 Revisando Variáveis aleatórias

Médias
 Processo discreto
v.a. discreta x  {x1,x2,...,xM}
N experimentos g(x1 )n(x1 )  g(x 2 )n(x2 )...g(x M )n(x M )
g(x) av 
N
M
E{g(x)}   g(xm )P(xm )
m 1
 Processo Contínuo

E{g(xt )}   g(xt )p(x t )dxt (função do tempo)
 Momentos

 momento E(x )   x n p(x)dx
n

momentos de interesse
1. E(x)=m (ou mx) média 2. E(x2) segundo momento
 momento central 
 n   (x  m)n p(x)dx
momentos de interesse
1. µ1=E{x-m}=0 2. µ2=E{(x-m)2}=2 variância
 momentos cruzados
E{xnyn’} e E{(x-mx)n{y-my)n’}
 Momentos cruzados de 2a ordem importantes

 Correlação E(xy)=Rxy

 Covariância E{(x-mx)(y-my)]=Kxy

Propriedade:
Kxy=Rxy-mxmy=E(XY)-E(X)E(Y).
 Correlação/ Covariância normalizada

 Co-variância normalizada:
E(xy)  E(x)E(y) -1<<1
 xy 
 xy
y y y y

x x x x
 Independência Estatística

 E{ xn.yn’ } = E{ xn } . E{ yn’ } qquer n,n’

Se E(xy)=E(x).E(y) <=> Kxy=0 (covariância nula)

Assim,

Se x e y são independentes => x e y não correlacionados

Se x e y correlacionados => x e y dependentes.

 PROCESSOS ESTOCÁSTICOS

 V.a. e P.E.
 espaço amostral
X variável aleatória X:  --> R
X w |---> X(w)

w1
X(w2)
w2
X(w1) R

Distribuição: FX(x)=P(X<x).
 Processos Aleatórios
X(t,w1)
séries temporais

 Xt
w1
t
w2
t
w3
w4
...
t
t
X(t,w4)

Séries temporais: realizações (trajetórias) de um Processo

estocástico.

Para t fixo, digamos t=t1, X(w,t1) é uma v.a.

ESPECIFICAÇÃO DE UM PROCESSO ESTOCÁSTICO

 Xt1 é v.a., logo tem sentido Fxt1(x)=P(Xt1Šx)

 Um P.E. é especificado por suas “Funções Distribuição

Finito-dimensionais”

FX t , Xt 2 , X t3 , Xt 4 ,....,X t N (x1 , x2 ,...,x N )   N

1
 INTEGRAIS DE PROCESSOS ALEATÓRIOS

 X(w,t) b
Y (w)   X(w,t)dt
a

notação simplificada
b
y   x(t)dt
a

valor médio: Y é uma v.a.

b b
E(Y)  E a x(t)dt  a E{X(t)}dt
 FUNÇÕES DE AUTOCORRELAÇÃO - ACF

 Rx(t1,t2)= E (xt1 xt2* )

 Rx(t,t+) = E (xt xt+* )

 PROCESSOS ESTACIONÁRIOS

 SENTIDO ESTRITO
FX t1 , Xt 2 , X t3 , Xt 4 ,....,X t N (x1 , x2 ,...,x N )  FX t1  , Xt 2  , X t3  , X t4   ,....,X t N  (x1 , x2 ,...,x N )   N

Invariância das funções finito-dimensionais à origem.

EM PARTICULAR,
Fxt(x)=Fxt(x)
Todos os momentos permanecem “estacionados”:
E{ xt } = E {xt+
t+};

E{ xt1 xt2 }= E{xt1+

t1+xt2+
t2+}.....
 SENTIDO AMPLO

Apenas os dois 1os momentos permanecem estacionários

E{ xt } = E {xt+
t+};

E{ xt1 xt2 }= E{xt1+

t1+xt2+
t2+}. i.e.

Rx(t,t+)=Rx()

Teorema de Wiener-Kinchine:
F Rx() = Sx(f)
 ANÁLISE ESPECTRAL DE PROCESSOS
ESTOCÁSTICOS

 Séries de Fourier de Processos Aleatórios, a<t<b


xc 0
x(t)    xcn Cosnw0t  xsn Sennw0 t w0 
2
2 n 1 ba
com coeficientes:
2 b
b  a a
xcn  x(t)cos nw0tdt
São v.a.’s !
2 b
xsn 
ba a
x(t)sennw0 tdt
 Propriedades das Séries de Fourier
Estocásticas
T=b-a

lim T. E(x cn xcm )  0     n  m

T
lim T. E(x sn x sm )  0     n  m
E mais:
T lim T. E(x cn2 )  lim T .E(x 2sn )  2Sx (nf 0 )
lim T. E(x cn xsm )  0     n,m T T
T
 Os coeficientes de Fourier são v.a.’s que se tornam
assintoticamente não correlacionadas, a medida que o
intervalo T da expansão cresce.
 Uma Manchete, Apenas

 Expansão de Karhunen-Loève para Sinais Estocásticos



DADO UM P.E. x(t)  

n  
n x n n (t) A<t<b.
b
com   (t)
a n m (t)dt   n,m   Kronec ker

com E(x x )   n,m

*
n m