Processos Estocasticos

Especificacao Parcial de um Processo Estocastico

Bruno Barbosa Albert

Universidade Federal de Campina Grande

Centro de Engenharia Eletrica e Informatica
Departamento de Engenharia Eletrica

26 de setembro de 2016

Bruno Barbosa Albert Processos Estocasticos

Barao de Itarare
O homem que se vende recebe sempre mais do que vale.

Metodo tasmaniano de contagem

Um, dois, muitos

Bruno Barbosa Albert Processos Estocasticos

Ultima Aula

Descricao de um PE
Caracterizacao do comportamento probabilstico de um PE
Distribuicoes:
unidimensional
bidimensional
multidimensional

Bruno Barbosa Albert Processos Estocasticos

Objetivos de Aprendizagem

Especificacao Parcial de um Processo Estocastico

Funcao Esperanca
Funcao Variancia
Funcao de Autocorrelacao
Funcao de Autocovariancia
Funcao coeficiente de correlacao
Processos Estocasticos Multiplos

Bruno Barbosa Albert Processos Estocasticos

Funcoes esperanca e variancia

Definicao (Processos contnuos no tempo e com valores contnuos)

A funcao esperanca (media) de um PE X (t) e definida como
Z
mX (t) = EX (t) , xfX (t) (x) dx

A funcao variancia de um PE X (t) e definida como

Z
var[X (t)] , (x mx (t))2 fX (t) (x) dx

Observe que mx (t) e var[X (t)] sao funcoes determinsticas do

tempo.

Bruno Barbosa Albert Processos Estocasticos

Funcoes de Autocorrelacao e de Autocovariancia
Definicao
A funcao de autocorrelacao de um PE X (t) para t1 , t2 I e
definida por
ZZ
RX (t1 , t2 ) , E [X (t1 )X (t2 )] = xyfX (t1 )X (t2 ) (x, y ) dx dy

A funcao de autocovariancia de um PE X (t) para t1 , t2 I e

definida por

CX (t1 , t2 ) , E [{X (t1 ) mX (t1 )}{X (t2 ) mX (t2 )}].

A autocovariancia pode ser expressa em termos da

autocorrelacao e das esperancas por

CX (t1 , t2 ) = RX (t1 , t2 ) mX (t1 )mX (t2 )

Bruno Barbosa Albert Processos Estocasticos

Funcao coeficiente de correlacao

Definicao
A funcao coeficiente de correlacao de um PE X (t) para
t1 , t2 I e definida por

CX (t1 , t2 )
X (t1 , t2 ) , p
CX (t1 , t1 )CX (t2 , t2 )

Como antes |X (t1 , t2 )| 1.

Observacoes
RX (t, t) = EX 2 (t)
CX (t, t) = RX (t, t) mX 2 (t) = EX 2 (t) m2 X (t) = var[X (t)]

Bruno Barbosa Albert Processos Estocasticos

PE discretos no tempo Xn

Notacao
Esperanca e variancia

mx (n) = EXn e var(Xn ) = E [Xn mx (n)]2

Funcoes de autocorrelacao e autocovariancia

RX (n, k) = E [Xn Xk ]

CX (n, k) = E [{Xn mX (n)}{Xk mX (k)}]

= RX (n, k) mX (n)mX (k)

Bruno Barbosa Albert Processos Estocasticos

Exemplos

Sinal determinstico
Um exemplo extremo de um PE e um sinal determinstico
X (t) = f (t). Calcule mX (t), RX (t1 , t2 ) e CX (t1 , t2 ).

Solucao.
mX (t) = EX (t) = Ef (t) = f (t)
RX (t1 , t2 ) = E [X (t1 )X (t2 )] = E [f (t1 )f (t2 )] = f (t1 )f (t2 )
CX (t1 , t2 ) = RX (t1 , t2 ) mX (t1 )mX (t2 ) =
f (t1 )f (t2 ) f (t1 )f (t2 ) = 0

Bruno Barbosa Albert Processos Estocasticos

Exemplos

Senoide com amplitude aleatoria

Calcule mX (t), RX (t1 , t2 ) e CX (t1 , t2 ) para o PE senoidal.

X (t) = A sen 2t < t < , A [0, 1]

X (t) X (t1 )
A = 1.0
A = 0.6
A = 0.2
t1 t

Bruno Barbosa Albert Processos Estocasticos

Exemplos

Solucao.
mX (t) = EX (t) = EA sen 2t = sen 2tEA = (1/2) sen 2t
RX (t1 , t2 ) = E [X (t1 )X (t2 )] = E [A sen 2t1 A sen 2t2 ] =
sen 2t1 sen 2t2 EA2 = (1/3) sen 2t1 sen 2t2
CX (t1 , t2 ) = RX (t1 , t2 ) mX (t1 )mX (t2 ) =
(1/3) sen 2t1 sen 2t2 (1/4) sen 2t1 sen 2t2 =
(1/12) sen 2t1 sen 2t2

Bruno Barbosa Albert Processos Estocasticos

Exemplos

Senoide com fase aleatoria

Calcule mX (t), RX (t1 , t2 ) e CX (t1 , t2 ) para o PE senoidal.

X (t) = cos(t + ) < t < , [, ]

X (t) X (t1 )
= /2

=0 t
= /2
t1

Bruno Barbosa Albert Processos Estocasticos

Exemplos

Solucao.

mX (t) = EX (t) = E cos(t + )

1
Z
= cos(t + ) d = 0.
2

CX (t1 , t2 ) = RX (t1 , t2 ) = E [X (t1 )X (t2 )]

= E [cos(t1 + ) cos(t2 + )]
1 1
Z
= [cos((t1 t2 )) + cos((t1 + t2 + 2))] d
2 2
1
= cos((t1 t2 )).
2

Bruno Barbosa Albert Processos Estocasticos

Processos Estocasticos Multiplos

Exemplos
A temperatura em uma cidade A, X (t), e em uma cidade B,
Y (t).
X (t) e a entrada para um sistema e Y (t) e a sada desse
sistema.
Nos sistemas de comunicacoes temos Y (t) = X (t) + N(t),
em que X (t) e a informacao transmitida, N(t) e um rudo e
Y (t) e a informacao recebida corrompida pelo rudo.

Bruno Barbosa Albert Processos Estocasticos

Processos Estocasticos Multiplos

Comportamento conjunto
Naturalmente estamos interessados na influencia de X (t) em
Y (t) e vice-versa.
Considere dois PEs X (t) e Y (t) definidos no mesmo espaco
amostral S e tendo o mesmo conjunto de ndices I .
O comportamento probabilstico dos 2 PEs pode ser
especificado atraves da colecao das fdcs conjuntas

FXY (x1 , . . . , xj , y1 , . . . , yk )

em que X = [X (t1 ), . . . , X (tj )] e Y = [Y (t1 ), . . . , Y (tk )] sao

vetores aleatorios.

Bruno Barbosa Albert Processos Estocasticos

Processos Estocasticos Independentes

Propriedade
Os PEs X (t) e Y (t) sao ditos independentes se os vetores X e Y
forem independentes para todos j, k e todas as escolhas de
t1 , . . . , tj e t1 , . . . , tk :

FXY (x1 , . . . , xj , y1 , . . . , yk ) = FX (x1 , . . . , xj )FY (y1 , . . . , yk )

Bruno Barbosa Albert Processos Estocasticos

Correlacao Cruzada

Definicao
A correlacao cruzada RXY (t1 , t2 ) de X (t) e Y (t) e definida por

RXY (t1 , t2 ) = E [X (t1 )Y (t2 )].

Propriedade
Os PEs X (t) e Y (t) sao ditos ortogonais se

RXY (t1 , t2 ) = 0 t1 , t2 .

Bruno Barbosa Albert Processos Estocasticos

Covariancia Cruzada

Definicao
A covariancia cruzada CXY (t1 , t2 ) de X (t) e Y (t) e definida por

CXY (t1 , t2 ) = E [{X (t1 ) mX (t1 )}{Y (t2 ) mY (t2 )}]

= RXY (t1 , t2 ) mX (t1 )mY (t2 ).

Propriedade
Os PEs X (t) e Y (t) sao ditos descorrelacionados se

CXY (t1 , t2 ) = 0 t1 , t2 .

Bruno Barbosa Albert Processos Estocasticos

Processos Estocasticos Multiplos

Senoides com fases aleatorias

Sejam X (t) = cos(t + ) e Y (t) = sen(t + ), em que e
uma v.a. uniformente distribuda no intervalo [, ]. Ache a
covariancia cruzada de X (t) e Y (t).

Solucao.
Temos CXY (t1 , t2 ) = RXY (t1 , t2 ) mX (t1 )mY (t2 )
Podemos verificar que mx (t1 ) = mY (t2 ) = 0. Assim

CXY (t1 , t2 ) = RXY (t1 , t2 ) = E [cos(t1 + ) sen(t2 + )]

 
1 1
=E sen((t1 + t2 ) + 2) sen(((t1 t2 ))
2 2
1
= sen(((t1 t2 )).
2

Bruno Barbosa Albert Processos Estocasticos

Processos Estocasticos Multiplos

Sinal mais rudo

Suponha que Y (t) = X (t) + N(t), o sinal desejado X (t) mais o
rudo N(t). Ache RXY (t1 , t2 ) admitindo que X (t) e N(t) sao
independentes.

Solucao.
Temos que

RXY (t1 , t2 ) = E [X (t1 )Y (t2 )]

= E [X (t1 ){X (t2 ) + N(t2 )}]
= E [X (t1 )X (t2 )] + E [X (t1 )N(t2 )]
= RX (t1 , t2 ) + mX (t1 )mN (t2 ).

Bruno Barbosa Albert Processos Estocasticos