Beruflich Dokumente
Kultur Dokumente
Processo Aleatrio
Pr Lab. Assignment
1. a. Considerando-se que a varivel aleatria siga o modelo uniforme discreto, tmse que:
P( = n) = , para n = 1, 2, 3, 4
O valor mdio do processo aleatrio X(, t) = cos(21000t + ), denotado por E
[X(, t)], dado por:
E [X(, t)] =
X(, t)P( = n)
+ cos(21000t + /2)
+ cos(21000t + 3/2)
X2(, t)P( = n)
+ cos2(21000t + /2)
+ cos2(21000t +
+ cos2(21000t + 3/2)
Portanto:
E [X(, t)] = 0,25[cos(21000t + 0)cos(21000t + 0) +
cos(21000t + /2)cos(21000t + /2) + cos(21000t + ) cos(21000t + ) +
cos(21000t + 3/2) cos(21000t + 3/2)]
RX(t + ,) = X(,
+ ) X(, )
cos(21000(t + t + ) + 2) =
cos(21000(t + t + ) + 2r) dr
cos(21000(t + t + ) + 2) = 0
RX(t + ,) = cos(21000(t t + ))
b. A medias temporais de X(, t) e X2(, t), denotadas por X(, )! "! e X(, )! ",!
respectivamente, so dadas por:
X(, )! "! =
cos(21000(t) + ) dt
X(, )! "! = 0
X(, )! "! =
cos(21000(t) + ) dt
cos(21000(t)) dt
De onde obtm-se:
X(, )! "! = 0,5
A funo de autocorrelao temporal de X(, t), denotada por RX(), dada por:
RX(t + ,) = lim*, -
*/
/*/
cos(21000t + )cos(21000(t + ) + ) dt
RX(t + ,) = cos(21000(t t + ))
Procedimento:
A. Wide Sense Stationarity and Ergodicity
A.1 Gerar todas as quatro funes de exemplo do processo aleatrio X (,t),
descrita na questo 1 do pr-laboratrio. Exibir as primeiras 400 amostras de
cada funo obtida:
Instrues:
>> x = realize ([0 pi/2 pi 3*pi/2]);
>> subplot (221), waveplot ( x(1,1:400));
>> subplot (222), waveplot ( x(2,1:400));
>> subplot (223), waveplot ( x(3,1:400));
>> subplot (224), waveplot ( x(4,1:400));
Logo, tem se a figura 1.1
Figura 1.1
A.2 Registre o valor de cada funo amostra de X (,t) para t = 0, 0,5, 1,25, 2,2,
3,4 ms. Para cada t, avaliar o valor mdio e o valor mdio quadrtico do
conjunto.
Tabela 1.1
0.0
1
0.0002478
-1
0.2478e-3
0.0
0.5
X (1,t)
X (2,t)
X (3,t)
X (4,t)
E[X (,t)]
E[X (1,t)]
0.5
-1
-1.8370e-16
1
3.062e-16
0.0
0.5
t [msec]
1.25
3.062e-16
-1
-4.2863e-16
1
0.0
0.5
2.2
0.3090
-0.9511
-0.3100
0.9511
0.0
0.5
3.4
-0.8090
-0.5878
0.8090
0.5878
0.0
0.5
t2
0.0
0.7
1.9
2.6
0.0
5.000000e-001
-1.545085e-001
4.045085e-001
-4.045085e-001
0.7
1.9
-1.545085e-001
4.045085e-001
5.000000e-001
1.545085e-001
1.545085e-001
5.000000e-001
4.045085e-001
-1.545085e-001
2.6
-4.045085e-001
4.045085e-001
-1.545085e-001
5.000000e-001
t1
A.4 Determine os valores mdios de tempo X (,t) e X (,t) para cada valor
de . Os valores esto registrados na tabela 1.3 :
Instrues:
>> [mean(x(1,:)) meansq(x(1,:))]
>> [mean(x(2,:)) meansq(x(2,:))]
>> [mean(x(3,:)) meansq(x(3,:))]
>> [mean(x(4,:)) meansq(x(4,:))]
Tabela 1.3
1
2
3
4
X (,t)
0.0
0.0
0.0
0.0
X (,t)
0.5
0.5
0.5
0.5
>> acf(x(1,:),100);
Figura 1.2
modo que =10 e =pi com igual probabilidade. Exibir ambas as realizaes de
Y(, t). Determinar o conjunto mdia e o valor mdio quadrtico em conjunto
t = 1ms t = 1.25ms.
Instrues:
>> y = realize([0, pi]);
>> subplot(212), waveplot(y(2,1:400));
>> subplot(211), waveplot(y(1,1:400));
Figura 1.3
y1
1
3.062e-16
y2
-1
-4,280e-16
E[X (,t)]
0
0
E[X (,t)]
0.5
0.5
B. Correlation
B.1 Gerar 1.000 registros, cada um descrevendo a idade, a altura e o peso de uma
pessoa entre as idades de 20 e 50.
Instruo:
>> a = person_d(1000);
B.2 Usando a matriz de dados a gerar diagramas de disperso que apresentam peso
vs idade altura e idade vs altura.
Instrues:
>> subplot(131),stat_plo(a,'weight','height');
>> subplot(132),stat_plo(a,'age','height');
>> subplot(133),stat_plo(a,'age','weight');
Figura 1.4
B.3 A relao estatstica entre a idade, altura e peso parmetros podem ser estudados
por meio desses diagramas de disperso. Para investigar mais esta relao, jogar um
jogo usando a funo do MatLab guess:
Instruo:
>> guess('age','height')
B.4 Jogue um jogo de duas escolhas em que voc tem a idade da pessoa e voc est
convidado a adivinhar a altura. Use o grfico idade vs altura para auxiliar na
resposta.
Instruo:
>> guess('age','height')
C. Autocorrelation Function
C.1 Autocorrelao a medida da correlao de amostras do mesmo processo
aleatrio. Para estudar este conceito, considere um processo randmico T(t) que
representa a mdia das temperaturas ao longo do dia entre 1 de Junho e 31 de
Agosto.
Instrues:
>> clf
>> subplot(211),temperat
Figura 1.5
C.2 Repita o passo anterior para um discreto valorizado processo Gaussian branco B
(t), que representam o nmero de bebs nascidos na cidade de Toronto entre 1 de
Junho e 31 de Agosto.
Instruo:
>> subplot(212),new_born
Figura 1.6
Q2.5 Qual processo aleatrio tem maior correlao entre a sua amostragem
adjacente?
O processo que tem maior correlao entre a sua amostragem adjacente o
processo da temperatura.
C.3 Mostrar a temperatura e as formas de onda nova-nascidos e as funes de
autocorrelao normalizada T(t)-E[T(t)] e B(t)-E[B(t)].
Instrues:
>> clf, subplot(211), temperat(0)
>> figure(2),subplot(211), new_born(0)%
Figura 1.7
Figura 1.8
Q2.6 Que onda oscila mais rapidamente? Justifique as suas respostas observando os
resultados obtidos nas questes C.1 e C.2.
A forma de onda da figura 1.8 oscila mais bruscamente, pois a correlao entre
seus dados menor.
C.4 R(3) quantifica a correlao entre amostras do processo randmico que esto
separados por 3 unidades de tempo. Mea R(3) para a temperatura e recm-nascidos
e relacione esses valores com a resposta da questo Q.26.
Observando as figuras 2.6 e 2.7 no eixo ACF, para o valor de 3 na escala de tempo,
obtemos o seguinte: RT=0,6 e RB=0 .
Figura 1.9
Figura 1.10
E. White Noise
E.1 Gere 1.024 amostras de um processo gaussiano de rudo branco de mdia zero de
potncia da unidade. Use esta seqncia como entrada para uma blackbox, que
representa um filtro com largura de banda e ordem desconhecidas.
Instrues:
>> clf
>> wn = gauss(0,1,1024);
>> cn = blackbox(wn);
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
o PSD estimate at
5000.00
o PSD estimate at
o PSD estimate at
Figura 1.11
Figura 1.12