Beruflich Dokumente
Kultur Dokumente
c C. C. Cavalcante
Filtragem Adaptativa
Filtros adaptativos, os quais tem como meta transformar os sinais
portadores de informacao em versoes limpas ou melhoradas,
ajustam suas caractersticas de acordo com os sinais encontrados.
Eles formam os exemplos mais simples de algoritmos no campo de
aprendizado de maquinas.
c C. C. Cavalcante
Filtragem Adaptativa
Conteudo do curso
1 Introducao
2 Revisao de Processos Estoc
asticos
3
Filtragem Linear Otima
4 Algoritmos Recursivos no Tempo
5 Metodo dos Mnimos Quadrados
6 Estruturas Alternativas de Filtragem Adaptativa
7 T
opicos Avancados
c C. C. Cavalcante
Filtragem Adaptativa
Parte II
c C. C. Cavalcante
Filtragem Adaptativa
Probabilidade
Eventos probabilsticos
Evento
ao: Qualquer subconjunto do espaco amostral S que
Definic
constitui um campo de Borel F
c C. C. Cavalcante
Filtragem Adaptativa
Probabilidade
Definic
ao de probabilidade
Probabilidade (Definic
ao Axiom
atica)
qualquer funcao real definida na classe F tal que
E
1 Pr(A) 0
2 Pr(S) = 1
3 Se A B = Pr(A + B) = Pr(A) + Pr(B)
(eventos mutuamente exclusivos)
Assim,
Pr() : F R
c C. C. Cavalcante
Filtragem Adaptativa
Probabilidade
Probabilidade condicional
Probabilidade condicional
Probabilidade de ocorrencia de A dado que ocorreu B
Pr(AB)
Pr(A|B) , , Pr(B) > 0 (1)
Pr(B)
c C. C. Cavalcante
Filtragem Adaptativa
Probabilidade
Regra da probabilidade total
A. A/ A0 A1
A2 A3
...
c C. C. Cavalcante
Filtragem Adaptativa
Probabilidade
Regra da probabilidade total - cont.
Probabilidade total
n
X
Pr(B) = Pr(B|Ai ) Pr(Ai ) (2)
i=1
c C. C. Cavalcante
Filtragem Adaptativa
Probabilidade
Regra de Bayes
Regra de Bayes
Inverso do conceito da probabilidade total
Pr(B|Aj ) Pr(Aj )
Pr(Aj |B) = (3)
P
n
Pr(B|Ai ) Pr(Ai )
i=1
c C. C. Cavalcante
Filtragem Adaptativa
Probabilidade
Independencia probabilstica
Eventos independentes
Dois eventos A e B sao independentes se
c C. C. Cavalcante
Filtragem Adaptativa
Probabilidade
Independencia probabilstica - cont.
c C. C. Cavalcante
Filtragem Adaptativa
Probabilidade
Eventos conjuntos
Eventos conjuntos
Dado S (espaco amostral), podemos atribuir diferentes atributos
aos eventos pertencentes a diferentes classes de Borel
S = {x1 , x2 , . . . , xn }
A1 , A2 , , An F1
B1 , B2 , , Bn F2
Exemplo:
S = {Joao, Jose, Maria }
(idade,altura)
Rescrevendo:
S = {(10, 1.50), (30, 1.80), (32, 1.65)}
c C. C. Cavalcante
Filtragem Adaptativa
Probabilidade
Probabilidade marginal
Probabilidade marginal
A1 + A2 + + An = S1
B1 + B2 + + Bn = S2
Pn
Pr(Ai ) = Pr(Ai , Bj )
X n X n (4)
j=1
P
n Pr(Ai , Bj ) = 1
Pr(Bj ) = Pr(Ai , Bj )
i=1 j=1
i=1
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Definic
ao
Variavel aleatoria (v.a.) e qualquer func
ao definida no espaco
amostral S tal que:
Exemplo
Moeda:
S = {cara, coroa}
X(cara) = 0
X(coroa) = 1
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Func
ao distribuic
ao de probabilidade (func
ao de probabilidade cumulativa)
Definic
ao
FX (x)
0, se x a 1
FX (x) = x a, se a < x b
1, se x > b
0 a b x
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Func
ao distribuic
ao de probabilidade - cont.
Propriedades da fdc
1 FX () = 0
2 FX () = 1
3 Pr{x1 X x2 } = FX (x2 ) FX (x1 )
4 Se x1 x2 FX (x1 ) FX (x2 ), ou seja, FX (x) e
monotonico nao-decrescente
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Func
ao densidade de probabilidade
Definic
ao
d
pX (x) , FX (x) (7)
dx
FX (x) pX (x)
1
1 ba
0 a b x 0 a b x
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Func
ao densidade de probabilidade - cont.
Propriedades
Rx
1 FX (x) = pX () d
2 FX (x) e monot ao-decrescente pX (x) 0
onico n
3 Pr{X > x} = 1 FX (x) = 1 Pr{X x}
Rx2
4 Pr{x1 < X x2 } = FX (x2 ) FX (x1 ) = pX () d
x1
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Vari
aveis aleat
orias discretas
Dificuldade
Neste caso, as variaveis admitem valores somente em determinados
instantes de tempo. O que ocorre com as probabilidades?
pX (x) P2
Funcoes () de Dirac (impulsos)
P1
P3 R
f (t)(t t0 ) dt = f (t0 )
(t) R
(t) dt = 1
x1 x2 x3 x
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Vari
aveis aleat
orias discretas - cont.
Logo, teremos
N
X
pX (x) = Pr{X = xi } (x xi )
i=1
Zx N
X Zx
FX (x) = pX () d = Pr{X = xi } ( xi ) d
i=1
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Vari
aveis aleat
orias discretas - cont.
pX (x)
P2
P1
P3
x1 x2 x3 x
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Vari
aveis aleat
orias discretas - cont.
fdc
FX (x)
P1 + P2 + P3
P3
P1 + P2
P2
P1
P1
x1 x2 x3 x
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Func
ao de densidade de probabilidade gaussiana
Definicao
Seja X uma v.a., X e dito ter distribuic
ao de probabilidade
gaussiana, ou normal, se sua densidade de probabilidade pode ser
escrita da seguinte forma
!
1 (x )2
pX (x) = exp (8)
2 2 2
Notacao usual:
X N , 2
media
Parametros
2 vari
ancia
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
pdf gaussiana - cont.
Normalizacao
Z N (0, 1)
2
1 z
pZ (z) = exp
2 2
Funcao erro
Funcao de distribuicao cumulativa da func
ao gaussiana
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Vari
aveis aleat
orias bidimensionais
{X x, Y y} = { w S|[X(w), Y (w)] D }
| {z }
evento
em que D = { (X, Y )|X (, x], Y (, y] }
Y
y
2
D x X pX,Y (x, y) = FX,Y (x, y) (11)
x y
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Vari
aveis aleat
orias bidimensionais - cont.
Propriedades
1 FX,Y (, y) = 0
2 FX,Y (x, ) = 0
3 FX,Y (, ) = 1
FX,Y (x, ) = FX (x)
4 distribuic
oes marginais
FX,Y (, y) = FY (y)
Rx Ry
5 FX,Y (x, y) = pX,Y (, ) d d
R
pX (x) = pX,Y (x, y) dy
6
R
pY (y) = pX,Y (x, y) dx
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Vari
aveis aleat
orias independentes
Definicao
Sejam X e Y v.a.s. Elas s
ao independentes se:
Momentos
Sao estatsticas de uma variavel aleatoria capazes de representar
seu comportamento probabilstico. Os infinitos momentos
estatsticos definem a func
ao de densidade de probabilidade.
Media
Tambem chamada de esperanca matem atica, valor esperado,
momento de 1a ordem, e definido como
Z
= E {X} , x pX (x) dx (13)
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Medidas estatsticas - cont.
Media
Para X discreta
X
= E {X} = xi Pr{X = xi } (14)
i=
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Medidas estatsticas - cont.
Propriedades da media
1 Linearidade
m E
- {X + Y } = {X} + E E {Y } ou ainda,
E P P
E
m
ai Xi = ai {Xi }
i=1 i=1
2 E {X Y } = E {X} E {Y } se X e Y sao v.a.s independentes
3 Transformacao linear - E {Ax} = AE {x}
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Medidas estatsticas - cont.
6 Se X e Y sao independentes
E E
{f (X) g(Y )} = {f (X)} E {g(Y )}
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Medidas estatsticas - cont.
Momentos de ordem k
n o Z
k = E X k
= xk pX (x) dx (15)
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Medidas estatsticas - cont.
Momentos centrados
Uma importante medida estatstica e avaliar o comportamento da
v.a. em torno da media. Assim, define-se o momento centrado de
ordem k como sendo
n o Z
ck = E (X ) k
= (x )k pX (x) dx (16)
ancia ( 2 =
De particular interesse: vari E (X )2 0)
ao a media ck = 0 para k mpar!
OBS: Se pX (x) e simetrica em relac
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais
Meta
Caracterizacao da distribuic
ao de probabilidade de uma variavel
aleatoria condicionada a ocorrencia de outra variavel aleatoria ou
evento
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Analisando...
Seja A = {x a} (evento)
FX (x|A) = FX (x|X a)
= Pr{X x|X a}
(a) x < a
Xa
x a
FX (x|x a) = 0
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
(a) x a
PSfrag xa
a x
Xx
Rx
pX () d
Pr{X x, X a}
FX (x|x a) = = Ra
Pr{X a}
pX () d
a
FX (x) FX (a)
=
1 FX (a)
d
d FX (x) pX (x)
pX (x|X a) = FX (x|X a) = dx =
dx 1 FX (a) 1 FX (a)
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Resumindo
pX (x)
pX (x|X a) = R U (x a)
pX () d
0
pX (x|X a)
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Observacoes
1
Z Z
pX (x)
pX (x|X a) dx = U (x a) dx
R
pX () d
a
R
pX (x) dx
a
= =1
R
pX () d
a
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Observacoes - cont.
2 E {X|A} =?
A = {X a}
Z
E {X|X a} = x pX (x|X a) dx
Z
xpX (x)
= U (x a) dx
R
pX () d
a
R
x pX (x) dx
E {X|X a} = a
R
pX () d
a
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Observacoes - cont.
3 Caso em que A = {X = a}
Pr{X x, X = a}
FX (x|X = a) =
Pr{X = a}
| {z }
v.a. contnuaPr{X=a}=0
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Observacoes - cont.
Temos 3 situacoes
X < a FX (x|A) = 0
Pr{aXx}
a X a + a FX (x|A) = Pr{aXa+a}
X > a + a FX (x|A) = 1
FX (x|A)
a a + a
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Observacoes - cont.
Fazendo 0:
FX (x|A)
FX (x|A) = U (x a)
| {z }
funca
o degrau unit
ario
FX (x|X = a) = U (x a)
d
pX (x|X = a) = FX (x|X = a) = (x a)
dx
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
pY (y|x) =?
Pr{Y y, x X x + x}
FY (y|x X x + x) =
Pr{x X x + x}
Ainda
Zy Z
x+x
Pr{Y y, x X x + x} = pX,Y (, ) dd
x
= pX,Y (x, )x metodo de Euler
Zy
= pX,Y (x, ) d x
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Pr{x X x + x} = pX () d
= pX (x) x
x
Ry Ry
pX,Y (x, ) d x pX,Y (x, d
FY (y|x)
= =
pX (x) x pX (x)
dFY (y|x) pX,Y (x, y)
pY (y|x) = =
dy pX (x)
Se X e Y forem independentes
c C. C. Cavalcante
Filtragem Adaptativa
Variaveis aleatorias
Igualdades de densidades
pX,Y (x, y)
pX|Y (x|y) =
pY (y)
pX,Y (x, y)
pY |X (y|x) =
pX (x)
pX|Y (x|y)pY (y)
pY |X (y|x) =
pX (x)
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Problema geral
Y = f (X)
pX (x) pY (y)
f (X)
?
x y
0 1
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Func
ao de uma vari
avel aleat
oria
Y
Como y = Pr{X f 1 (y)}
df (x) = FX f 1 (y)
dx >0
x X
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Func
ao de uma vari
avel aleat
oria
1 df (x)
pY (y) = pX (x) df (x) para >0
dx
dx x=f 1 (y)
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Func
ao de uma vari
avel aleat
oria
2o. caso
X v.a. pX (x)conhecido
y = f (x)
df (x)
dx < 0 f (x)
e monot
onico decrescente
f e biunvoca[pY (y), FY (y)]
FY (y) = Pr{Y y}
FY (y) = Pr{f (X) y}
Y
y = Pr{X > f 1 (y)}
= 1 FX f 1 (y)
x X
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Func
ao de uma vari
avel aleat
oria
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Func
ao de uma vari
avel aleat
oria
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Func
ao de v
arias vari
aveis aleat
orias
Problema
X v.a. Y v.a.
U = f (X, Y )
V = g(X, Y )
Conhecido pX,Y (x, y), como achar pU,V (u, v)?
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Func
ao de v
arias vari
aveis aleat
orias
pU,V (u, v)
Em regioes biunvocas:
pX,Y (x, y)
pU,V (u, v) = (20)
J u,v
x,y
x = f(u, v)
y = g(u, v)
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Func
ao de v
arias vari
aveis aleat
orias
Caso particular
Z = X + Y, X v.a., Y v.a.
pX,Y (x, y) conhecido
pX (z) =?
Definir entao
z = x+y
pZ,W (z, w)
w=x
z, w 1 1
J = det = 1
x, y 1 0
Logo,
pX,Y (x, y)
pZ,W (z, w) =
| 1| x = f(z, w)
y = g(z, w)
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Func
ao de v
arias vari
aveis aleat
orias
c C. C. Cavalcante
Filtragem Adaptativa
Funcoes de Variaveis Aleatorias
Func
ao de v
arias vari
aveis aleat
orias
Assim:
pZ (z) = px (x) pY (y) (21)
c C. C. Cavalcante
Filtragem Adaptativa