You are on page 1of 63

Sistemas de Comunicao

Rudos e Sinais
Aleatrios
Prof. Cludio A. Fleury
Jul-2016

Agenda
1. Probabilidade e Var.s Aleatrias
2. Esperana
3. Transformao de V.A.'s
4. V.A.s Gaussianas e TLC
5. Processos Aleatrios
6. Espectro de Sinais Aleatrios
7. Processos Gaussianos e Rudos
Jul/2016

Prof. Cludio Fleury

* Propriedades estatsticas de eventos aleatrios podem ser obtidas da


expectativa de vrias funes das v.a.'s

Objetivos
Analisar a informao e o rudo com ferramentas
estatsticas para conhecer as tcnicas de deteco
Modelar eventos e sinais aleatrios via experimentos
Usar variveis aleatrias (v.a.'s) para representar* a
sada de experimentos
Estudar processos aleatrios como conjunto de v.a.'s
indexado pela varivel tempo
Analisar rudos e sinais de faixa estreita em termos de
suas componentes em fase e em quadratura
Jul/2016

Prof. Cludio Fleury

Introduo
Aleatoriedade, ou Imprevisibilidade, uma
propriedade fundamental da informao
Se a informao for previsvel ento ela no precisa ser
transmitida

O rudo um sinal aleatrio indesejado


e que interfere ou distorce o sinal transmitido
O rudo limita a faixa e/ou a qualidade na qual os sinais com

informaes podem ser transportados em um canal

Jul/2016

Prof. Cludio Fleury

1. Probabilidade e V.A.'s
Experimento Aleatrio sempre que repetido pode ter
modificada a sua sada em relao aos valores prvios,
devido a um fenmeno aleatrio (imprevisvel)
Exemplo:
Exper. Aleatrio: observao do resultado do lanamento de uma moeda
Sadas possveis (resultados): cara ou coroa

Propriedades de um Experimento Aleatrio


Em qualquer repetio do experimento o resultado imprevisvel
Para uma grande quantidade de repeties a sada exibe uma
regularidade estatstica (padro mdio definido)
Jul/2016

Prof. Cludio Fleury

1. Probabilidade e V.A.'s
Regularidade Estatstica
Frequncia Relativa:

nA
1
n

onde nA nmero de ocorrncias do evento A em n repeties

A regularidade estatstica ocorre quando qualquer sequncia de


n tentativas tem frequncia relativa convergente para um dado
limite com n muito grande
Esse limite definido como a probabilidade de ocorrncia do
evento A:

n
P[ A] = lim A
n n

Jul/2016

Prof. Cludio Fleury

1. Probabilidade e V.A.'s
Termos usuais
conveniente modelar o experimento e suas possveis sadas num
espao e seus pontos
A cada possvel valor da sada do experimento associa-se um ponto de
amostra, sk , e ao conjunto de todos os pontos de amostra d-se o
nome de espao amostral, S
Um evento corresponde a um nico ponto amostral ou a um conjunto
de amostras
O espao amostral chamado de evento certeza
O conjunto nulo de pontos amostrais chamado de evento nulo ou
impossvel
Um ponto amostral chamado de evento elementar
sk
Espao amostral
do experimento
"lanamento de um dado"

Jul/2016

Prof. Cludio Fleury

S
7

1. Probabilidade e V.A.'s
Axiomas da Probabilidade
Um sistema de probabilidade possui:
Um espao amostral, S, contendo eventos elementares (sadas do exper.)
Uma classe E de eventos que so subconjuntos de S
Uma mdia de probabilidade P[A] associada a cada evento A da classe E, a
qual possui as seguintes propriedades:
i. P[S] = 1

ii. 0 P[A] 1
iii. Se A U B a unio de dois eventos
mutuamente exclusivos da classe E,
ento: P[A U B] = P[A] + P[B]

P[A]

sk corresponde a uma possvel sada


A o evento de ocorrncia da sada s1
P[A] a probabilidade de ocorrncia do evento A
Jul/2016

Prof. Cludio Fleury

1. Probabilidade e V.A.'s
Varivel Aleatria (v.a.) do Experimento
Definio: uma funo cujo domnio um espao amostral e
cuja imagem um conjunto de nmeros reais (-, ) e que associa um
nmero a uma sada de um experimento aleatrio
Se a sada de um experimento s, representamos a varivel aleatria
como X(s) ou somente X
Note que X uma funo,
mesmo sendo, por razes
histricas, chamada de varivel
aleatria
Representamos a sada particular
de um experimento aleatrio por
um nmero real x, ou seja,
X(sk) = x
Jul/2016

Prof. Cludio Fleury

1. Probabilidade e V.A.'s
Funes de Varivel Aleatria
Funo de Probabilidade de Massa:
Descreve a probabilidade de cada valor da varivel aleatria
Exemplo: Lanamento de uma moeda justa

Exemplo: v.a. de Bernoulli


Seja o experimento de lanamento de moeda na qual a probabilidade de sair cara p.
Se X a varivel aleatria que assume o valor 0 se for coroa e 1 se for cara, ento X
uma varivel aleatria de Bernoulli.
A funo de probabilidade de massa de uma v.a. de Bernoulli

Jul/2016

Prof. Cludio Fleury

10

1. Probabilidade e V.A.'s
Funes de Varivel Aleatria
Funo de Distribuio de Probabilidade Acumulada (fda): a
probabilidade da varivel aleatria X assumir qualquer valor menor ou
igual a x. A funo de distribuio escrita como FX(x) tal que

FX ( x ) = P[ X x]
Propriedades da funo de distribuio de probabilidade

0 FX ( x) 1
Funo monotnica no decrescente em x: FX ( x1 ) FX ( x2 ), se x1 x2

Exemplo:
Funo de Distr. de Bernoulli:

Jul/2016

Prof. Cludio Fleury

11

1. Probabilidade e V.A.'s
Funes de Varivel Aleatria
Funo de Densidade de Probabilidade (fdp): a diferencial da funo
de distribuio de probabilidade da v.a. X , FX(x),
se X for uma v.a. de valor contnuo, e
representada por fX(x) tal que

A rea sob a pdf uma probabilidade.

f X ( x) =

Distribuio
Uniforme

f X ( x)

X assume
valores entre
0 e 2 com
probabilidade
1/2

FX ( x )
x

Propriedades da fdp
Funo monotnica no decrescente em x:

f X ( x1 ) f X ( x2 ), se x1 x2

A funo de distribuio pode ser calculada:

FX ( x) = P[ X x] =

A rea total sob a curva da fdp unitria:

FX ( S ) =

f X (s) d s

fX (s) d s = 1

As variveis aleatrias X e Y so estatisticamente independentes se a sada X


no afetar a sada Y. Matematicamente, para X e Y independentes, a
probabilidade comum P[X A, Y B] o produto das probabilidades individuais
P[ X A, Y B ] = P[ X A].P[Y B ]
Jul/2016

Prof. Cludio Fleury

12

1. Probabilidade e V.A.'s
Funes de Varivel Aleatria
Exemplo: Distribuio Uniforme (fdp)

rea = 1

Jul/2016

Prof. Cludio Fleury

13

1. Probabilidade e V.A.'s
Varivel Aleatria Binomial

A distribuio binomial possui este nome porque


os valores de P[Y = y] so termos sucessivos na
expanso da expresso binomial: [p + (1-p)]N

Exemplo:

Seja uma sequncia de experimentos de lanamento de moeda na qual


a probabilidade de sair cara p e seja Xn a v.a. de Bernoulli
representando a sada do n-simo lanamento.
Como um lanamento no influencia o seguinte, o conjunto de
resultados chamado de tentativas independentes de Bernoulli
N

Seja Y o nmero de caras que ocorrem em N lanamentos de moeda: Y =

Nmero de arranjos possveis


com y caras em N lanamentos

n =1

Jul/2016

Probabilidade de ocorrncia de y caras seguidas de N-y coroas:

P[ y caras seguidas de N y coroas] = ppp... pp (1 p )(1 p )...(1 p )


= p y (1 p ) N y
Probabilidade de ocorrncia de y caras em qualquer ordem em N lanamentos:

N
N
N!
P[Y = y ] = p y (1 p ) N y , onde: =
y
y y!( N y )!
Prof. Cludio Fleury

14

1. Probabilidade e V.A.'s
Varivel Aleatria Binomial
Exemplo: A funo de probabilidade de massa binomial, P[Y=y], para N=20 e p=1/2

Jul/2016

Prof. Cludio Fleury

15

1. Probabilidade e V.A.'s
Varivel Aleatria Binomial
Funo de Densidade de Distribuio de Probabilidade:

Pode-se mostrar que:

Jul/2016

Prof. Cludio Fleury

16

1. Probabilidade e V.A.'s
Varivel Aleatria Binomial
Exerccio 1: Um pacote de dados com 200 bits transmitido em um
canal de comunicao no qual a probabilidade de erro de cada bit
103. Qual a probabilidade do pacote ser recebido sem erro?
Soluo:
Admitindo que a quantidade de erros tem uma distribuio binomial
sobre a sequncia de 200 bits, X representa o nmero de erros com
p = 0,001 e N = 200. Ento a probabilidade de no haver erros ser:

P[ X = 0] = (1 p ) N = (1 10 3 ) 200 = 0,999 200


P[ X = 0 ] = 0,82

Jul/2016

Prof. Cludio Fleury

17

1. Probabilidade e V.A.'s
Varivel Aleatria Binomial
Exerccio 2: Suponha que o pacote de dados do exerccio anterior
inclua um cdigo de correo de erro que corrige at trs erros
localizados em qualquer posio do pacote. Qual a probabilidade de
um dado pacote de dados ser recebido com erro?
Soluo: A probabilidade de um erro no pacote de dados igual a
probabilidade de mais de 3 bits errados. Isto equivalente a um menos
a probabilidade de 0, 1, 2 ou 3 erros:
1 P[ X 3 ] = 1 (P[ X = 0] + P[ X = 1] + P[ X = 2] + P[ X = 3])
N
N
N
= 1 (1 p ) N p (1 p ) N 1 p 2 (1 p ) N 2 p 3 (1 p ) N 3
1
2
3
N .(n 1) 2
N .(n 1).(n 2) 3

= 1 (1 p ) N (1 p ) 3 + N . p.(1 p ) 2 +
p (1 p ) +
p
2
6

= 5,5 10 5
Jul/2016

Prof. Cludio Fleury

18

1. Probabilidade e V.A.'s
Probabilidade Condicional
Variveis aleatrias X e Y no independentes
A probabilidade P[Y|X] chamada de probabilidade condicional de Y
dado X, ou seja, a funo de probabilidade de massa de Y dado que
X tenha ocorrido

P[Y | X ] =

P[ X , Y ]
, onde : P[ X , Y ] a prob. conjunta das duas v.a.' s
P[ X ]

Variveis aleatrias estatisticamente independentes:

P[ X , Y ] = P[ X ] .P[Y ]
O conhecimento da sada de uma varivel aleatria no nos diz nada
sobre a probabilidade da sada da outra varivel aleatria
Regra de Bayes:
P[ X | Y ].P[Y ]
P[Y | X ] =
P[ X ]
Jul/2016

Prof. Cludio Fleury

19

2. Esperana

A funo de distribuio de probabilidade possui muitos detalhes, e em


algumas situaes medidas estatsticas mais simples, como mdia e
varincia, podem ser suficientes para descrever a varivel aleatria

Mdia: uma medida estatstica, ou esperana de primeira ordem,


representada por E[g(x)] onde g(.) uma funo da v.a. X

Mdia de uma varivel aleatria discreta X a mdia ponderada de todas


as sadas possveis:
X = E[ X ] = x.P[ X = x]
X

Mdia de uma varivel aleatria contnua X com fdp fX(x):

X = E[ X ] = x. f X ( x) dx

Em geral, o valor mdio de uma v.a. estimado a partir de N observaes


da v.a. {x1, x2, x3, ..., xN}:
Se consideramos X como uma v.a. que
1
X =
N

Jul/2016

n =1

Prof. Cludio Fleury

representa as observaes da tenso de


um sinal aleatrio, ento o valor mdio
de X representa a tenso mdia ou nvel
CC do sinal.
22

2. Esperana

Varincia: uma estimativa do espalhamento da distribuio de


probabilidade ao redor da mdia e dada pela esperana da distncia
quadrtica de cada sada para o valor mdio da distribuio
X2 = Var ( X ) = E[( X X ) 2 ] = ( x X ) 2 .P[ X = x]
X

Varincia de uma varivel aleatria contnua X com fdp fX(x):

= ( x X ) 2 . f X ( x) dx
2
X

Em geral, a varincia de uma v.a. estimada a partir de N observaes da


v.a. {x1, x2, x3, ..., xN}:
1 N
=
( xn X ) 2

N 1 n =1
2
X

Se consideramos X como uma v.a. que


representa as observaes da tenso de
um sinal aleatrio, ento o varincia de
X representa a potncia CA do sinal.
O segundo momento de X, E[X2],
tambm chamado valor mdio
quadrtico do sinal aleatrio e
representa fisicamente a potncia total
do sinal.

Jul/2016

Prof. Cludio Fleury

23

2. Esperana
Exemplo: Mdia e Varincia de uma v.a. de Bernoulli
Se X uma v.a. de Bernoulli com parmetro p, ento o valor esperado
de X (a mdia) :
1

E[ X ] = X = k.P[ X = k ] = 0.(1 p ) + 1. p = p
k =0

A varincia de X (a potncia) :
1

= (k X ) 2 .P[ X = k ]
2
X

k =0

= (0 p ) 2 (1 p ) + (1 p ) 2 p
= p (1 p )

Jul/2016

Prof. Cludio Fleury

Diagrama de transio de probabilidade


do Canal Binrio Simtrico 24

2. Esperana

Covarincia: uma medida estatstica entre duas variveis aleatrias e


dada pelo valor esperado do produto das distncias de cada sada para o
valor mdio da distribuio
Cov ( X , Y ) = E[( X X )(Y Y )]

Ou:

Cov ( X , Y ) = E[ XY ] X Y
E[X Y ] =

x. y. f X ,Y ( x , y) dx dy

Se as v.a.'s forem independentes:


E[X Y ] =

x. y. f X ,Y ( x , y) dx dy

= x. f X ( x ) dx y. fY ( y) dy = E[ X ].E[Y ]

Jul/2016

Prof. Cludio Fleury

25

3. Transformao de V.A.'s
Suponha que a varivel aleatria X com funo distribuio FX(x)
transformada para Y = ax + b. Qual seria a funo de distribuio
acumulada de Y?
y b
FY ( y ) = FX

Transformao um-para-um

Em geral, se Y = g(X), uma transformao de um-para-um da varivel aleatria


X para a varivel aleatria Y, ento as funes de distribuio e de densidade de
Y so dadas por:

(
(g

)
dg ( y )
( y))
dy

FY ( y ) = FX g 1 ( y ) , onde: g 1 ( y ) representa a funo inversa de g ( y )


f Y ( y ) = fX

Transformao um-para-muitos (anlise para cada caso)

Jul/2016

Prof. Cludio Fleury

26

4. V.A.'s Gaussianas e TLC


a v.a. mais comumente encontrada em sistemas de comunicao
uma v.a. X contnua com mdia X e varincia (X)2 e fdp:

f X (x ) =

( x X )2

1
2

2
X

2 X2

< x <

Propriedades
simtrica em relao mdia X
completamente caracterizada por sua mdia e sua varincia
Uma v.a. Gaussiana mais uma constante outra v.a. Gaussiana com a mdia
ajustada pela constante
Uma v.a. Gaussiana multiplicada por uma constante outra v.a. Gaussiana na
qual tanto a mdia quanto a varincia so afetadas pela constante
A soma de duas v.a.'s Gaussianas tambm uma v.a. Gaussiana
A soma ponderada de N variveis aleatrias Gaussianas uma v.a. Gaussiana.
Se duas v.a.'s Gaussianas possuem covarincia nula (so no correlacionadas),
ento elas tambm so independentes

Jul/2016

Prof. Cludio Fleury

27

4. V.A.'s Gaussianas e TLC

V.a. Gaussiana com fdp normalizada (mdia nula e varincia unitria):


funo de distribuio
fdp

f X (x ) =

Jul/2016

1
e
2

x2
2

< x <

Prof. Cludio Fleury

28

4. V.A.'s Gaussianas e TLC

No existe soluo analtica para a integral da funo de distribuio de


probabilidade Gaussiana, mas, devido ao frequente aparecimento de
integrais deste tipo, vrias funes relacionadas foram definidas e tabuladas
A funo relacionada mais utilizada no contexto de comunicaes
a funo Q:

A funo Q o complemento da funo


de distribuio Gaussiana normalizada.
Para v.a.'s Gaussianas, a mdia e a
varincia caracterizam completamente
a funo de distribuio de probabilidade
Jul/2016

Prof. Cludio Fleury

29

4. V.A.'s Gaussianas e TLC


Mdia e Varincia da v.a. Gaussiana

Jul/2016

Mdia
Menor

Varincia
Menor

Mdia
Maior

Varincia
Maior

Prof. Cludio Fleury

30

4. V.A.'s Gaussianas e TLC


Exemplo: Probabilidade de erro de bit na transmisso em banda base
usando Modulao em Amplitude de Pulso (PAM)
O dado binrio representado pelos nveis de tenso +A para bit 1 e A para bit 0.
Suponha que um bit 1 transmitido e recebido na presena de rudo Gaussiano com
mdia zero e varincia 2. Queremos determinar a probabilidade do bit ser detectado de
forma errada.
O dado recebido pode ser representado pela v.a. Y, definida por:
onde N uma v.a. Gaussiana com mdia nula e varincia 2 que modela o rudo.
Das propriedades de v.a.'s Gaussianas temos que Y tambm uma v.a. Gaussiana mas
com mdia A e varincia 2.
fdp Gaussiana do sinal PAM ruidoso

A probabilidade de ocorrer um erro a probabilidade da


v.a. Y possuir valor menor do que zero.

Jul/2016

Prof. Cludio Fleury

31

* Quando n finito, a aproximao Gaussiana mais precisa na poro central da


funo de densidade (por isso limite central) e menos precisa nas caudas da fdp.

4. V.A.'s Gaussianas e TLC


Teorema do Limite Central*
Seja X1, X2, ...., Xn um conjunto de v.a.'s com as seguintes propriedades:
1. As v.a.'s Xk com k = 1,2,3,...,n so estatisticamente independentes.
2. Todos as v.a.'s Xk possuem a mesma funo densidade de probabilidade.
3. Tanto a mdia quanto a varincia existem para cada Xk.
No assumimos que a funo de densidade de Xk Gaussiana.
Seja Y uma nova varivel aleatria definida por:
Ento, pelo Teorema do Limite Central, a v.a. normalizada
aproxima-se de uma v.a. Gaussiana com mdia zero e
varincia unitria quando o nmero de v.a.'s X1, X2, ...., Xn aumenta sem limite.

A distribuio normalizada da soma de variveis aleatrias independentes,


distribudas identicamente, aproxima-se de uma distribuio Gaussiana quando o
nmero de variveis aleatrias aumenta, independente das distribuies individuais.
Jul/2016

Prof. Cludio Fleury

32

5. Processos Aleatrios
Processo Aleatrio tambm conhecido por Processo Estocstico
Pode ser definido como um espao de amostras em que cada
elemento est associado a uma funo do tempo (um sinal)
Uma varivel aleatria tem como resultado de um experimento um
nmero real, enquanto um processo aleatrio tem uma forma de
onda, ou seja, uma funo do tempo
O conjunto das possveis sadas do experimento recebe o nome de
espao de amostra, espao amostral ou processo aleatrio
Propriedades
So funes do tempo
So aleatrios no sentido de no ser possvel predizer exatamente qual ser a
forma de onda a ser observada no futuro
Jul/2016

Prof. Cludio Fleury

33

5. Processos Aleatrios

Seja um experimento aleatrio especificado pela sada s de um espao amostral S e


as probabilidades destes eventos. Suponha que a cada ponto de amostra s esteja
associada uma funo do tempo:
Com uma notao mais simples:

ou simplesmente

A figura mostra um conjunto


de funes de amostra
{sj(t): j = 1,2,...}.
A partir desta figura, v-se
que num tk fixo dentro da
janela de observao, o
conjunto de nmeros

pode ser representado por


uma varivel aleatria

Jul/2016

Prof. Cludio Fleury

34

5. Processos Aleatrios

Jul/2016

Prof. Cludio Fleury

35

5. Processos Aleatrios
Tipos
Estacionrio
Se um processo aleatrio dividido em vrios intervalos de tempo, e as
vrias sesses do processo exibem essencialmente as mesmas
propriedades estatsticas, ento tal processo dito ser estacionrio
Caso contrrio, ele dito ser no estacionrio
Matematicamente:
Seja FX(t1)(x) a funo distribuio de probabilidade associada com
observaes de funes de amostra diferentes do processo aleatrio no
tempo t1. Suponha que o mesmo processo aleatrio observado no tempo
t1 + , e que a funo de distribuio correspondente FX(t1 + )(x). Se:

para todo t1 e todo , ento dizemos que o processo estacionrio de


primeira ordem  funo de distribuio independente do tempo  mdia
e varincia tambm independem do tempo

Jul/2016

Prof. Cludio Fleury

36

5. Processos Aleatrios
Tipos
Estacionrio
Considere a amostragem do processo aleatrio X(t) em dois pontos, nos
tempos t1 e t2, com a correspondente funo de distribuio comum
FX(t1),X(t2)(x1,x2). Suponha um segundo conjunto de observaes feitas nos
tempos t1+ e t2+ e que a correspondente funo de distribuio comum
seja FX(t1+),X(t2+)(x1,x2). Se para todo t1, t2 e observamos que

ento dizemos que o processo estacionrio de segunda ordem, que


implica na independncia do tempo absoluto das medidas covarincia e
correlao

Estritamente Estacionrio
Ocorre quando a distribuio comum de qualquer conjunto de variveis
aleatrias obtidas pela observao do processo aleatrio X(t) for invariante
com respeito a localizao da origem t = 0
Jul/2016

Prof. Cludio Fleury

37

5. Processos Aletrios
Correlao entre Processos Aleatrios
Amostras do processo, em tempos diferentes, podem ser correlacionadas
Exemplo: se X(t1) for grande, ento podemos esperar que X(t1 + ) seja grande, se for pequeno

Autocorrelao:

R X (t , s ) = E[ X (t ). X *( s ) ], onde : X *( s ) o conjugado de X ( s )

*
Para sinais estacionrios de segunda ordem ou mais: R X (t , s ) = E[ X (t ) X ( s )] = R X (t s )

X ( t ) = cte
A covarincia quantifica a correlao entre amostras do processo:

Cov[ X (t1 ), X (t 2 )] = E[ X (t1 ). X (t 2 )] X ( t1 ) . X ( t2 )


Para sinais estacionrios:
Cov[ X (t1 ), X (t 2 )] = R X (t1 t 2 ) X ( t1 ) . X ( t2 )
Em vrias situaes o processo no precisar atender a todos os requisitos de
estacionaridade de segunda ordem, ser suficiente que:
A mdia do processo aleatrio seja constante e independente do tempo: E[X(t)] = X p/ todo t
A autocorrelao do processo dependa s da diferena de tempos: E[X(t) X*(t)] = RX(), para todo t e

Estacionrio em sentido amplo ou fracamente estacionrio


Jul/2016

Prof. Cludio Fleury

38

5. Processos Aleatrios
Propriedades da funo Autocorrelao
Para processos aleatrios reais e estacionrios em sentido amplo
*
1. Potncia mdia do processo: R X (0) = E[ X (t ). X ( s ) ] = E[ X (t ). X( s ) ]

= E[ X 2 (t )] = ( X ) 2
2. Simetria Par:

R X ( ) = E[ X (t ). X (t + )]
= E[ X (t + ). X (t )] = R X ( )

3. Valor mximo na origem:

E[ X (t ) X *( t ) ] 0
E[ X 2 (t )] 2 E[ X(t ) ].E[ X( t ) ] + E[ X 2( t ) ] 0
R X (0) 2 R X ( ) + R X (0) 0 R X (0) RX ( )

Tempo de Decorrelao 0 de um
processo estacionrio X(t) de mdia
zero: o tempo para que a amplitude da
funo de autocorrelao RX() diminua
para 1% de seu valor mximo em RX(0)
Jul/2016

Prof. Cludio Fleury

39

5. Processos Aleatrios
Exemplo

Determine a autocorrelao de um processo aleatrio X(t) definido por X (t ) = A. cos( 2 f t+ )


na qual a amplitude A e a frequncia f so conhecidas, mas uniformemente distribuda no
intervalo de 0 a 2.

R X (t , t ) = E[ X (t ). X (t )]
= A2 E[cos(2 f t + ). cos( 2 f ( t ) + )]
Mas: cos A. cos B = [cos( A B ) + cos( A + B )] / 2
A2
A2
R X (t , t ) =
cos(2 f ) +
E[cos(4 ft 2 f + 2 )]
2
2
Como distribudo uniformemente de 0 a 2:

1 2
E[cos(4ft 2 f + 2 )] =
cos( 4 f t 2 f + 2 ) d
2 0
1
2
=
sen (4 f t 2 f + 2 ) 0 = 0
4
Logo:

Jul/2016

A2
R X (t , t ) =
cos(2ft )
2
Prof. Cludio Fleury

A autocorrelao depende apenas da


diferena de tempo e o processo
estacionrio em sentido amplo
40

5. Processos Aleatrios
Exerccio

Determine a autocorrelao de um processo aleatrio X(t) definido por X (t ) = A. cos( 2ft )


na qual a amplitude A uniformemente distribuda no intervalo de 0 a 1. O processo
estacionrio em sentido amplo?

R X (t , t ) = E[ X (t ). X (t )]
= E[ A2 ] cos( 2 f t). cos(2 f ( t ))
Mas: cos A. cos B = [cos( A B ) + cos( A + B )] / 2
R X (t , t ) = E[ A2 ][cos(2 f ) + cos( 4 ft 2 f )]
1

x3
1
2
2
=
E[ A ] = x dx =
0
3 0 3
1

Logo: R X (t , t ) = [cos(2 f ) + cos(4 ft 2 f )] / 3


Como a autocorrelao depende da diferena de tempo e do
tempo t, ento o processo no estacionrio em sentido amplo

Jul/2016

Prof. Cludio Fleury

41

5. Processos Aleatrios
Processo Ergdico
o processo para o qual mdias temporais das funes de amostra podem ser
utilizadas para aproximar s esperanas do espao amostral correspondente
(mdias), se as estatsticas do processo aleatrio no mudarem com o tempo
Na maioria das aplicaes fsicas: processos estacionrios em sentido amplo so
ergdicos  mdias temporais e esperanas so intercambiveis
Um processo aleatrio X(t) com N realizaes equiprovveis {xj(t): j = 1,2,.., N},
tem primeiro e segundo momentos no tempo t = tk dados pelas mdias da famlia:

E[ X (t k )] =

1
N

x (t
j

E[ X 2 (t k )] =

j =1

1
N

2
j

(t k )

j =1

Se o processo estacionrio em sentido


amplo, ento o valor mdio e o segundo
momento calculados por estas duas
equaes no dependem do tempo tk

Mdia e Autocorrelao temporais de uma funo amostra contnua de um


processo aleatrio de valor real:

1
[ x] = lim
T 2T

x(t ) dt

Para processos ergdicos:

R X ( ) = lim

1 T
x(t ) x(t ) dt
2T T

R X ( ) = E[ X (t ). X (t )] = lim

Jul/2016

Prof. Cludio Fleury

1 T
x (t ) x(t ) dt

2T
42

6. Espectro de Sinais Aleatrios

Funo amostra de um processo aleatrio xT(t) no intervalo T < t < T

Transformada de Fourier da funo amostra xT(t):

A transformada de Fourier converte a famlia de v.a.'s X(t) indexadas pelo parmetro t


para uma nova famlia de v.a.'s T(f) indexadas pelo parmetro f
Densidade espectral de potncia (PSD) correspondente do processo aleatrio X(t):

a mdia no espao amostral deve ser


calculada antes do limite ser determinado

Reviso: transf. discreta de Fourier aproxima numericamente transf. de Fourier.


Se { xn: n = 0, 1, ..., N 1 } so amostras uniformemente espaadas de uma funo
x(t) para t = nTs, ento a transformada discreta de Fourier definida por
onde:

Jul/2016

so amostras frequenciais em f = k/NTs


Prof. Cludio Fleury

43

6. Espectro de Sinais Aleatrios


Densidade Espectral de Potncia (PSD) de um Processo Aleatrio
Estimativa:
1. Particionar uma funo amostra do processo aleatrio, x(t), em M sees de
tamanho N.Ts e amostr-las em intervalos Ts.
2. Calcular a DFT em cada seo de tamanho N.Ts. Seja { k m.N }, m = 0, ..., M1,
a representao de M sadas da DFT, um conjunto para cada seo.
3. Calcular a mdia do quadrado da amplitude de cada DFT, resultando na
estimativa da densidade espectral de potncia do processo aleatrio:

Para processos aleatrios ergdicos

Jul/2016

Prof. Cludio Fleury

44

6. Espectro de Sinais Aleatrios


Propriedades da Densidade Espectral de Potncia (SPD)
Par da Transformada de Fourier: PSD  Autocorrelao temporal

SX ( f ) = RX ( ) e j 2 f d

R X ( ) = S X ( f ) e j 2 f df

relaes de Wiener-Khintchine
Para um processo estacionrio em sentido amplo:
1. Valor mdio quadrtico:
2. No negatividade:
3. Simetria par:
4. PSD de um processo aleatrio filtrado por filtro linear com resposta em
frequncia H(f):

Jul/2016

Prof. Cludio Fleury

45

6. Espectro de Sinais Aleatrios


Exemplo: PSD da filtragem de uma senide aleatria
Seja um processa aleatrio X(t) com funo autocorrelao:

A2
R X ( ) =
cos( 2 fc t)
2

processado por um filtro linear causal com resp. ao impulso h(t):


t

Y (t ) = h(t s ) x ( s ) ds
0

Se o filtro tiver resposta em frequncia do tipo passa baixa:

H( f ) =

1
1 + jR.C.2 f

SY ( f ) = H ( f ) S X ( f )

SY ( f ) = H ( f ) [ ( f f c ) ( f f c )] / 2
transf.
inversa de
Fourier

= H ( f c ) [ ( f f c ) ( f f c )] / 2

R Y ( ) =
Jul/2016

antecipando a propriedade de
deslocamento da funo delta
de Dirac: (f fc)

1
cos( 2 fc )
1 + ( R.C.2 fc ) 2

Prof. Cludio Fleury

46

7. Processos Gaussianos e Rudos


Alteraes no sinal recebido por um canal
Fatores independentes
Efeito repetitivo e determinstico 
Efeito aleatrio


distoro
rudos

Erro de bit
Se o transmissor enviar um sinal correspondente a um bit, e o receptor
medir a tenso no lado certo do limiar Vt, ento o bit ser recebido
corretamente. Caso contrrio, o resultado um erro de bit
Probabilidade de Erro de Bit (BER)
Relao Sinal-Rudo (SNR): potncia do sinal / potncia do rudo
Jul/2016

Prof. Cludio Fleury

47

7. Processos Gaussianos e Rudos


Rudo Branco
Idealizado para anlise de Sistemas de Comunicao
A densidade espectral de potncia independe da frequncia
W(t) um processo aleatrio que representa o rudo branco

A autocorrelao RW() zero para 0


Quaisquer duas amostras diferentes do rudo
branco so no correlacionadas, no importa
quo perto temporalmente elas estejam
Teoricamente o rudo branco tem pot. infinita
N
( )
2
Uso anlogo ao da funo delta de Dirac:
so observados apenas aps terem passados
por um sistema de largura de banda finita 
se a largura de banda do processo rudo na
entrada de um SLIT for muito maior que a largura de banda do sistema,
ento o processo pode ser modelado por rudo branco
0

Jul/2016

Prof. Cludio Fleury

48

7. Processos Gaussianos e Rudos


Rudo branco filtrado possui potncia mdia finita, e
sua potncia mdia proporcional largura de faixa

Rudo Branco

Exemplo: Rudo branco filtrado por passa baixa ideal

FPBI
| H( f )|
1

Rudo Branco

Rudo Branco Filtrado

S N ( f ) RN ( )
B

RN ( ) =

N 0 j 2 fc
B 2 e df = N 0 B sinc(2B )

Pot. mdia de N (t ): PN = RN (0) = N 0 B


Jul/2016

Prof. Cludio Fleury

49

7. Processos Gaussianos e Rudos


Rudo de Faixa Estreita
Filtro de faixa estreita usado para selecionar o sinal modulado recebido
A largura de banda desse filtro larga o suficiente para passar apenas o
sinal modulado recebido
O processo aleatrio do rudo que aparece na sada do filtro chamado de
Rudo de Faixa Estreita, geralmente, centrado nas frequncias fc
Pode ser representado por componentes em fase e em quadratura,
da mesma forma que os sinais de faixa estreita
Funo amostra
do rudo de faixa
estreita

'

N0 / 2

Jul/2016

Prof. Cludio Fleury

50

7. Processos Gaussianos e Rudos


Rudo de Faixa Estreita, N(t)
Propriedades
1. As componentes em fase e em quadratura possuem mdia nula
2. Se o rudo for gaussiano ento as componentes tambm sero
gaussianas
3. Se o rudo for estacionrio ento as componentes tambm sero
estacionrias
4. Tanto a componente em fase quanto a componente em quadratura
possuem a mesma densidade espectral de potncia

5. A componente em fase e a componente em quadratura possuem a


mesma varincia
Jul/2016

Prof. Cludio Fleury

51

7. Processos Gaussianos e Rudos


Rudo de Faixa Estreita, N(t)
Exemplo: Rudo branco idealmente filtrado por passa-faixa

Jul/2016

Prof. Cludio Fleury

52

7. Processos Gaussianos e Rudos


Largura de Banda Equivalente ao Rudo

Suponha uma fonte de rudo branco com espectro (PSD) SW(f) = N0/2 conectada a um filtro
passa faixa arbitrrio com resposta em frequncia H(f). A potncia mdia do rudo de sada:

rea do
retngulo

Largura de banda equivalente ao


rudo para um filtro passa faixa

Largura de banda equivalente ao


rudo para um filtro passa baixa

O efeito do rudo no
sistema reduzido
estreitando-se a largura
de faixa do sistema
Jul/2016

Prof. Cludio Fleury

53

7. Processos Gaussianos e Rudos


Largura de Banda Equivalente ao Rudo
Exemplo:
Determinar a largura de banda equivalente ao rudo para um filtro passa baixa RC

Devido ao baixo amortecimento do filtro de plo


nico, a largura de banda equivalente ao rudo
um pouco maior do que sua largura de faixa de
3dB: B3dB = 1/(2RC)

Jul/2016

Prof. Cludio Fleury

54

7. Processos Gaussianos e Rudos


Modelo Simples e Eficiente*
Aditivo, Branco e Gaussiano- AWGN

* considera canal sem distoro

Cada amostra recebida a soma de duas componentes


1. Funo determinstica do sinal transmitido e recebido sem rudo:

y0[k]

2. Rudo gaussiano de mdia nula e alguma varincia,


independente do sinal txdo,

w[k]

Se a varivel gaussiana independente de uma amostra para outra,


ento o rudo branco (se espalha por todo o espectro de frequncias)

potncia ou intensidade do rudo = valor mdio do quadrado da magnitude

Jul/2016

Prof. Cludio Fleury

55

7. Processos Gaussianos e Rudos


Rudo Aditivo, Branco e Gaussiano
Modelo simples, porm poderoso:

y[k ] = y0 [k ] + w[k ]

A componente aleatria, w[k], esboada a partir de uma distribuio gaussiana


(rudo resultante de um grande nmero de diferentes e independentes fatores 
Teorema do Limite Central: a soma de v.a.'s independentes pode ser bem
aproximada (sob condies bastante amenas) por uma v.a. gaussiana, com
melhor aproximao medida que mais variveis so includas)
A distrib. gaussiana caracterizada pela mdia , e pela varincia 2
(no modelo AWGN a mdia nula, logo pode ser descrito apenas pela varincia)
O desvio padro pode ser visto como uma medida da "amplitude" esperada do
rudo; e o seu quadrado (varincia), como a potncia esperada
Para o rudo no corromper a digitalizao de uma amostra na deteco de um bit,
a distncia entre o valor da amostra sem rudo e do limiar de digitalizao deve ser
suficientemente maior do que a amplitude esperada (desvio padro) do rudo
Jul/2016

Prof. Cludio Fleury

56

7. Processos Gaussianos e Rudos


Estimativa dos parmetros do AWGN: e 2
Se transmitirmos uma sequncia de N bits "0" (manter a tenso V0 no transmissor)
e observarmos as amostras recebidas y[k] para k = 0,1,...,N-1, podemos
processar as amostras para obter as estatsticas do processo de rudo AWGN
Supondo inexistncia de distoro no canal e processo com estatsticas
constantes (proc. estacionrio), as amostras do rudo, w[k] = y0[k] V0 ,
podem ser usadas para estimar a mdia do rudo pela mdia do conjunto:

1
m=
N

N 1

w[k ]
k =0

A lei dos grandes nmeros da probabilidade e da estatstica, garante que, com N


tendendo a , a mdia das amostras m, converge para , a qual assumimos ser 0
Com = 0, a quantidade que mais indicativa da potncia do rudo a varincia
2, que pode ser estimada pela varincia das amostras s2, dada por:

1
s =
N
2

N 1

(w[k ] m )

k =0

novamente, s2 tende a 2 quando N tende a


Jul/2016

Prof. Cludio Fleury

57

7. Processos Gaussianos e Rudos


Distribuio Gaussiana
Funo Densidade de Probabilidade
(fdp) Gaussiana
( w )
2

fW ( w) =

2 2

2 2

Probabilidade:
P (w1 < w[k ] < w2 ) =

w2

w1

fW (w) dw

Usamos a fdp em vez de um histograma


discreto porque o nosso modelo de rudo
inerentemente "analgico", assumindo
qualquer valor real em (-, ). Para uma
amostra de rudo que pode assumir
qualquer valor num intervalo contnuo, a
ferramenta matemtica natural uma
v.a. no domnio contnuo, descrito
atravs da sua fdp, ou atravs da integral
da fdp, chamada de Funo de
Distribuio Cumulativa (CDF)
Jul/2016

Prof. Cludio Fleury

58

7. Processos Gaussianos e Rudos


Erros de Bits
Uma sequncia de bits longa e conhecida, pode ser transmitida e ter
contado a frao de bits recebidos com erros, resultando em uma
quantidade -- pela lei dos nmeros grandes -- que se aproxima
assintoticamente da taxa de bits errados (BER)

Jul/2016

Canal

BER

Fibra tica
Wireless

10 Gbps
50 Mbps

10-12
10-7 a 10-3

Prof. Cludio Fleury

Proporo
1 bit em 1 trilho
1 em 10 milhes a 1 em 1 mil

59

7. Processos Gaussianos e Rudos


Erros de Bits
Esquema de Sinalizao Binria Simples
Regra do limiar no receptor: o transmissor envia tenso V0 para o bit "0" e
V1 > V0 volts para o bit "1" e que no h distoro de canal
Se a amostra da tenso recebida for y < Vt = (V0 + V1) / 2, ento o bit recebido
classificado como "0"; caso contrrio, ele relatado como "1"
Probabilidade a priori de transmisso de bit "0" ou "1" 1/2
Neste caso o rudo depende da diferena |V0 - V1|
Se o transmissor for limitado tenso Vp, ento V1 = Vp > 0 e V0 = -Vp  Vp2 a
potncia de cada amostra no receptor no caso ideal. A soma da potncia das
amostras no tempo T de um intervalo de bit produz a energia por bit transmitido:
Es = T . Vp2 Nveis de tenso das amostras: V = E
e V = E
1

Probabilidade de um bit chegar errado:


erf ( z ) =

v 2

dv

erfc( z ) =1 erf ( z) =

BER = P (1 bit errado ) =

1
2 2

w 2 (2 2 )
e
dw

ES

Potncia do Rudo: N 0 = 2 2
2

v 2

Fazendo uma m.v. : v = w / N 0 dw = N 0 dv

dv

ES
1

BER = erfc

2
N
0

Jul/2016

BER =
Prof. Cludio Fleury

v 2

dv

ES N 0

60

7. Processos Gaussianos e Rudos


Erros de Bits
Relao Sinal-Rudo da Sinalizao Binria Simples: SNR = ES N 0

Mai/2016

Prof. Cludio Fleury

61

Haykin & Moher, p. 373

Exerccios
8.54 Para este experimento de lanamento de dados, um script MATLAB includo no Apndice 7. O script MATLAB
simula o lanamento de um dado polarizado 1000 vezes. Os passos do script so:
- Role o dado N vezes e salve os resultados em X.
- Calcule o histograma de X para obter as probabilidades das diferentes faces.
Repita o experimento para N = 10, 100, 1000 e 10.000. Comente sobre a definio de frequncia relativa de
probabilidade como funo de N, o nmero de lanamentos.
8.55 Para demonstrar o teorema do limite central, calculamos 20.000 amostras de Z para N = 5 e estimamos a funo
densidade de probabilidade correspondente formando um histograma dos resultados. Um script MATLAB para a
execuo deste experimento includo no Apndice 7.
Compare este histograma (escalonado para rea unitria) com a funo densidade Gaussiana tendo mesma mdia e
varincia.
8.56 Altere o script para o Problema 8.55 para determinar a distribuio da soma de variveis aleatrias de Bernoulli.
Compare-o com a distribuio Gaussiana quando N se torna grande.
8.57 Altere o script para o Problema 8.55 de forma que os valores mdios no sejam idnticos, mas que tambm
possuam uma distribuio aleatria, mas com a mesma mdia final. Calcule a distribuio da soma.
8.58 Neste experimento de computador, iremos simular digitalmente um processo aleatrio gaussiano. Um script
MATLAB no Apndice 7 gera um processo gaussiano branco em tempo discreto e o filtra com um filtro da raiz de
cosseno levantado em tempo discreto (como discutido no Captulo 6). No script, executamos os seguintes passos:
- Geramos um processo gaussiano branco em tempo discreto.
- Filtramos este processo gaussiano com um filtro da raiz de cosseno levantado com 25% de excesso de largura de
faixa.
- Calculamos o espectro do processo resultante em tempo discreto.
- Calculamos a autocorrelao do processo resultante em tempo discreto.
Jul/2016

Prof. Cludio Fleury

62

Apndice 7
# -*- coding: utf-8 -*""" Problema 8.54; Haykin & Moher - kaw - 26/07/16. """
# Distribuio de probabilidade com dado batizado
from matplotlib.pyplot import hist, xlabel, ylabel, grid
from random import uniform; from numpy import zeros, arange; from math import floor
def DadoViciado():
return floor(uniform(1,6)**3) # gera uma distribuio no uniforme para as faces 1..6
def Problema8_54():
N = 1000; X = zeros(N)
for i in range(0,N):
X[i] = DadoViciado()
hist(X,arange(1,8),align='mid',rwidth=0.8); xlabel('faces'); ylabel(u'frequncia'); grid('on')
if __name__ == "__main__":
Problema8_54()
""" Problema 8.55; Haykin & Moher - kaw - 26/07/16. """
# Distribuio de probabilidade de cinco variveis uniformes
from matplotlib.pyplot import hist, plot; from random import uniform, random
from numpy import arange, exp, sqrt, pi
N = 5
# nmero de variveis aleatrias a serem somadas
nSmps = 20000
# nmero de amostras a serem geradas
#----- Gera amostras de variveis uniformes aleatrias ----Y = 2*uniform(N,nSmps)-1
# varivel aleatria em [1, +1]
cSmps = sum(Y)
# histograma com 40 bins (divises, pedaos, ...)
N1,X = hist(cSmps,40)
Delta = X[1] - X[0]
# normaliza o grfico
plot(X, N1/nSmps/Delta)
#----- Compara com a teoria ----x = arange(-5.,5.01,0.01)
# varincia de uma distribuio uniforme 1/3
sigma2 = N*(1./3.)
Gauss = exp(-x**2./2./sigma2)/sqrt(2.*pi*sigma2)
plot(x,Gauss,'r')

Jul/2016

Prof. Cludio Fleury

63

Apndice 7
PROBLEMA 8.58
# -*- coding: utf-8 -*""" Problema 8.58; Haykin & Moher
@author: kaw - 26/07/16. """
#---------------------------------------------------------------------# distribuio de probabilidade de cinco variveis uniformes
#---------------------------------------------------------------------from matplotlib.pyplot import hist, xlabel, ylabel, grid, plot, figure
from random import normal
from numpy import array, arange, exp, sqrt, pi
N = 100000
x = normal(1,N)

# nmero de amostras
# gera a sequncia Gaussiana

# Aproximao para o formato de pulso de um filtro de raiz de cosseno levantado


# com 50% de amortecimento (frequncia de corte em 1/8 da freq. de amostragem)
rrc = [ 0.0015, -0.0082, -0.0075, 0.0077, 0.0212, 0.0077, -0.0375, -0.0784,
-0.0531, 0.0784, 0.2894, 0.4873, 0.5684, 0.4873, 0.2894, 0.0784, -0.0531,
-0.0784, -0.0375, 0.0077, 0.0212, 0.0077, -0.0075, -0.0082, 0.0015]
z = filter(array(rrc),1,x)
# filtra o processo aleatrio
[P,F] = spectrum(z,256,0,Hanning(256),Fs)
plot(F,P[:,1])
figure(2)
Az = xcorr(z,25)
plot(Az/max(abs(Az)))
grid('on')

Jul/2016

# calcula e traa o espectro

# calcula a autocorrelao para 25 atrasos


# traa a autocorrelao normalizada

Prof. Cludio Fleury

65

Resumo

Informao e rudo so sinais aleatrios

A imprevisibilidade a propriedade chave de sistemas de comunicao

Os sinais aleatrios tambm possuem caractersticas estatsticas que podem


ser medidas

A frequncia relativa de probabilidade um meio de se associar a probabilidade


sada de um experimento aleatrio

Variveis aleatrias fornecem um mtodo de unificar o tratamento de uma


grande variedade de experimentos aleatrios

Funes de distribuio de probabilidade e de densidade so formas de


caracterizao de uma varivel aleatria, assim como esperanas (momentos
estatsticos) e covarincia

Variveis aleatrias Gaussianas: tipo particular importante de varivel aleatria


no estudo de sistemas de comunicao

Processo aleatrio foi definido como uma famlia de variveis aleatrias


indexadas pelo tempo como parmetro

Processos aleatrios estacionrios em sentido amplo possuem vrias das


propriedades de sinais de potncia determinsticos  frmulas de WeinerKhintchine  relacionam o espectro de processos aleatrios com sua
autocorrelao

Mai/2016

Prof. Cludio Fleury

67