Universidade Federal do Rio Grande do Sul

Escola de Engenharia
Departamento de Engenharia Eltrica
Programa de Ps-Graduao em Engenharia Eltrica
ELE00071-Tpicos Especiais em Automao e Controle II
Descrio de Sinais Aleatrios
Prof. Walter Fetter Lages
4 de outubro de 2004
1 Introduo
Em geral, um sinal representa uma grandeza fsica como tenso, corrente, distn-
cia, temperatura, etc. Portanto, sinais so variveis reais. Alm disso, o tempo
usualmente a varivel independente. Um sinal dito determinstico se ele
exatamente previsvel para o intervalo de tempo de interesse. Por exemplo:
x(t) = Acos t com A e constantes
x(t) =
_
1, t 0
0, t < 0
Note que no existem incertezas sobre estes sinais. Sabendo-se o valor de t
pode-se determinar x. Eles so descritos por funes matemticas convencionais,
relacionando x e t. No entanto, o conhecimento da funo matemtica relacio-
nando x e t no necessrio para que o sinal seja determinstico, basta que que se
saiba
1
conceitualmente que tal funo existe.
Um sinal aleatrio, por sua vz, sempre possui um elemento de incerteza
associado e, portanto, no previsvel no sentido determinstico. Por exemplo:
X(t) = Acos t + com A e constantes e uma varivel aleatria com
distribuio uniforme entre 0 e 2
X(t) = Acos t + com constantes e A e variveis aleatrias com
distribuies independentes
1
Frequentemente durante a modelagem faz-se esta hiptese, ainda que de forma implcita
1
2 Amostragem e Realizaes de um Sinal Estocsti-
co
Considere a amostragem de um sinal de rudo com o mostrado na gura 1 em
um determinado instante de tempo t
1
. O valor obtido determinado basicamente
pelo acaso, o que sugere tratar-se de um sinal aleatrio. No entanto, para ter-
se uma varivel aleatria necessrio que se possa imaginar um experimento
no qual qualquer valor da varivel aleatria possa ser obtido em circunstncias
idnticas. Assim, no seria adequado amostrar-se novamente o mesmo sinal em
outros instantes de tempo, porque se os instantes de tempo foremprximos, haver
uma forte conexo entre amostras sucessivas. O experimento correto, neste caso
seria ter-se vrias fontes idnticas do sinal de rudo. Isto leva noo de um
conjunto de sinais aleatrios, como mostrado na gura 2.
Figura 1: Sinal de Rudo.
Um processo aleatrio um conjunto de variveis aleatrias que evoluem
no tempo segundo algum experimento conceitual de acaso. Cada um dos sinais
de rudo gerados deste modo denominado realizao do processo. Amostras
dos sinais individuais em um determinado instante de tempo so denominadas
amostras da realizao da varivel aleatria.
Em situaes prticas, as realizaes so associadas aos ensaios realizados no
sistema, enquanto as amostras seriam os valores assumidos pelas variveis do sis-
tema. Como exemplo, considere um sistema de controle sujeito a uma entrada
degrau. A resposta a cada degrau aplicado na entrada do sistema seria uma reali-
zao, enquanto os valores assumidos pela sada do sistema seriam as amostras.
Os exemplos acima so processos aleatrios contnuos, no entanto, processos
aleatrios tambm podem ser discretos, tanto no tempo quanto na amplitude das
variveis aleatrias.
2
Figura 2: Conjunto de Sinais de Rudo.
3 Descrio Probabilstica de um Sinal Aleatrio
Umsinal aleatrio tpico mostrado na gura 3. Os instantes de tempo t
1
, t
2
, . . . , t
k
foramescolhidos de forma ascendente e as amostras correspondentes X
1
, X
2
, . . . , X
k
,
so, obviamente, variveis aleatrias. Para simplicar a notao, seja X(t
1
) =
X
1
, X(t
2
) = X
2
, . . . , X(t
k
) = X
k
.
Figura 3: Sinal de Aleatrio Tpico.
Obviamente, as funes de densidade de probabilidade de primeira ordem
f
X
1
(x), f
X
2
(x), . . . , f
X
k
(x) so importantes para descrio do processo porque
indicam a distribuio da amplitude do processo. Estas distribuies a distribui-
o relativa das amplitudes do processo e da sua mdia e valor mdio quadrtico.
3
As distribuies conjuntas relacionando qualquer par de variveis aleatrias,
f
X
1
X
2
(x
1
, x
2
), f
X
1
X
3
(x
1
, x
3
), etc. tambm so importantes. Estas funes de
densidade esto relacionadas com a rapidez da variao do sinal com o tempo e
consequentemente com o contedo espectral do sinal. Continuando, as funes
de densidade de terceira, quarta e ordens superiores fornecem informaes ainda
mais detalhadas sobre o processo em termos probabilsticos. No entanto, isto leva
a uma descrio do sinal bastante longa, alm de usualmente no ser possvel
especicar as funes de densidade de ordem elevada explicitamente. Assim,
usual descrever o sinal atravs de palavras ou de outras informaes de forma que
se possa escrever a funo densidade de qualquer ordem.
Da teoria de probabilidade sabe-se que duas variveis aleatrias X e Y so
ditas estatisticamente independentes se a sua funo de distribuio conjunta pode
ser escrita na forma de produto
f
XY
(x, y) = f
X
(x)f
Y
(y)
Similarmente, processos aleatrios X(t) e Y (t) so estatisticamente indepen-
dentes se a densidade conjunta para qualquer combinao de variveis aleatrias
dos dois processos pode ser escrita em forma de produto. Isto , X(t) e Y (t) so
independentes se
f
X
1
X
2
...Y
1
Y
2
...
= f
X
1
X
2
...
f
Y
1
Y
2
...
(1)
Note que na expresso (1) se est utilizando a notao X
1
= X(t
1
), X
2
=
X(t
2
), . . . , Y
1
= Y (t

1
), Y
2
= Y (t

2
), . . ., onde os instantes de amostragem no
precisam ser os mesmos para os dois processos.
Em resumo, o teste de completude para a descrio do sinal se existe infor-
mao suciente para escrever a funo densidade de probabilidade para qualquer
ordem.
4 Processo Aleatrio Gaussiano
Um processo aleatrio Gaussiano ou normal denido como um processo aleat-
rio no qual todas as funes de densidade que descrevem o processo so normais.
Note que no suciente que apenas a amplitude do processo seja normalmente
distribuda. Todas as funes densidade de ordem superior tambm devem ser
normais.
A notao matricial permite escrever-se todas as k funes densidade em
uma forma compacta, independentemente do tamanho de k. necessrio apenas
especicar-se o vetor de mdia da varivel aleatria e a matriz de covarincia. No
caso de um processo aleatrio gaussiano as variveis so X(t
1
), X(t
2
), . . . , X(t
k
)
4
onde os pontos no tempo podem ser escolhidos arbitrariamente. Logo, deve ser
fornecida informao suciente para especicar a mdia e a varincia indepen-
dentemente da escolha de t
1
, t
2
, . . . , t
k
.
5 Processos Estacionrios e Ergdigos
Um processo aleatrio dito ser estacionrio no tempo ou simplesmente esta-
cionrio se as funes densidade que descrevem o processo forem invariantes
com relao translaes no tempo. Ou seja, se for considerado um conjunto
de variveis aleatrias X
1
= X(t
1
), X
2
= X(t
2
), . . . , X
k
= X(t
k
) e o conjunto
transladado X

1
= X(t
1
+ ), X

2
= X(t
2
+ ), . . . , X

k
= X(t
k
+ ), as fun-
es de densidade f
X
1
, f
X
1
X
2
, . . . , f
X
1
X
2
...X
k
que descrevem o primeiro conjunto
seriam idnticas s funes que descrevem o conjunto transladado. Note que isto
aplica-se a todas as funes de densidade de ordem superior.
Um processo aleatrio dito ergdigo se a mdia no tempo equivalente
mdia nas realizaes. Em termos qualitativos isto signica que as amostras
temporais de uma nica realizao do processo contm toda a variao estatstica
do processo. Portanto, nenhuma informao adicional ser obtida observando-se
diversas realizaes do processo alm daquela j obtida observando-se uma nica
realizao ao longo do tempo.
No caso de processos fsicos raramente pode-se justicar estacionaridade ou
ergodicidade formalmente. Assim, frequentemente deve-se utilizar conhecimento
heurstico sobre o processo e fazer a hiptese adequada.
6 Funo de Autocorrelao
A funo de autocorrelao de um processo aleatrio X(t) denida como
R
X
(t
1
, t
2
) = E[X(t
1
)X(t
2
)]
onde t
1
e t
2
so instantes de amostragem arbitrrios.
Claramente a funo de autocorrelao indica o quanto o processo correla-
cionado com ele prprio em dois instantes de tempo diferentes. Se o processo
estacionrio a sua funo densidade de probabilidade invariante no tempo e a
funo de autocorrelao depende apenas da diferena de tempo. Ou seja
R
X
() = E[X(t)X(t +)] no caso estacionrio
Estacionaridade garante que a esperana no dependente do tempo.
A funo de autocorrelao a mdia nas realizaes do produto de X(t
1
) e
X(t
2
) e portanto pode ser escrita formalmente como
5
R
X
(t
1
, t
2
) = E[X
1
, X
2
] =
_

x
1
x
2
f
X
1
X
2
(x
1
, x
2
)dx
1
dx
2
(2)
A expresso (2) frequentemente no a melhor forma de determinar R
X
de-
vido a necessidade de conhecer-se explicitamente a funo de densidade conjunta
f
X
1
X
2
(x
1
, x
2
). Se a hiptese de ergodicidade aplica-se, geralmente mais fcil
computar R
X
atravs da mdia temporal ao invs da mdia nas realizaes.
Para processos aleatrios no ergdigos dene-se a funo de autocorrelao
temporal como
R
X
() = lim
T
1
T
_
T
0
X
A
(t)X
A
(t +)dt (3)
onde X
A
(t) denota uma realizao do processo X(t).
Exemplo 1 Considere o processo aleatrio
X(t) = Asin t
onde A uma varivel aleatria normal com mdia zero e varincia
2
e uma
constante.
Suponha que obtm-se uma amostra de A e que seu valor seja A
1
. A amostra
correspondente de X(t)
X
A
(t) = A
1
sin t
e a funo de autocorrelao temporal ser
R
X
() = lim
T
1
T
_
T
0
A
1
sin tA
1
sin tdt
=
A
2
1
2
cos (4)
Por outro lado, a funo de autocorrelao usual
R
X
(t
1
, t
2
) = E[X
1
, X
2
]
= E[Asin tAsin t]
=
2
sin t
1
sin t
2
(5)
Obviamente esta expresso diferente da obtida para R
X
(), portanto o pro-
cesso no ergdigo. Adicionalmente a funo de autocorrelao no reduz-se
uma funo de t
1
t
2
, logo o processo no estacionrio.
6
7 Propriedades das Funes de Autocorrelao
1. R
X
(0) o valor mdio quadrtico do processo X(t).
2. R
X
() uma funo par de . Este resultado vem da hiptese de estacio-
naridade. No caso no estacionrio existe simetria com relao a t
1
e t
2
, ou
seja R
X
(t
1
, t
2
) = R
X
(t
2
, t
1
).
3. |R
X
()| R
X
(0) para todo .
4. Se X(t) contm um componente peridico, R
X
(t) tambm conter um
componente com o mesmo perodo.
5. Se X(t) no contm componentes peridicos, ento R
X
(t) tende a zero
quando . Ou seja, X(t + ) torna-se completamente descorrela-
cionado com X(t) para grande se no h periodicidades ocultas no pro-
cesso. Note que constante um caso especial de funo peridica, logo
R
X
() = 0 implica mdia zero para o processo.
6. A transformada de Fourier de R
X
() real, simtrica e no negativa.
Estacionaridade estrita um requisito severo e difcil de vericar porque exige
que todas as funes de densidade de probabilidade de ordens superiores sejam
invariantes com relao a uma translao no tempo. Uma forma menos exigente
de estacionaridade frequentemente utilizada ou assumida. Um processo alea-
trio dito ser estacionrio em covarincia ou estacionrio em sentido amplo
se E[X(t
1
)] independente de t
1
e E[X(t
1
)X(t
2
)] depende apenas da diferen-
a entre t
1
e t
2
. Obviamente, se a densidade de segunda ordem f
X
1
X
2
(x
1
, x
2
)
independente do valor inicial do tempo, o processo estacionrio em covarincia.
8 Funo de Correlao Cruzada
A funo de correlao cruzada entre os processos X(t) e Y (t) denida como
R
XY
(t
1
, t
2
) = E[X(t
1
)Y (t
2
)] (6)
Novamente, se o processo for estacionrio, apenas a diferena de tempo entre
os pontos amostrados relevante e a funo de correlao reduz-se
R
XY
() = E[X(t)Y (t +)] para o caso estacionrio
A funo de correlao cruzada reete o quanto os dois processos esto corre-
lacionados entre s.
7
Note que a ordem dos subscritos em R
XY
() importante e que existe uma
relao de anti-simetria para processos estacionrios. Por denio
R
XY
() = E[X(t)Y (t +)] (7)
R
Y X
() = E[Y (t)X(t +)] (8)
A esperana na expresso 8 invariante com relao uma translao de .
Portanto, R
Y X
() tambm dado por
R
Y X
() = E[Y (t )X(t)] (9)
Comparando-se as expresses (7) e (9) pode-se perceber que
R
XY
() = R
Y X
() (10)
Frequentemente necessrio calcular a soma de processos aleatrios. Seja um
processo aleatrio Z(t) a soma de dois processos estacionrios X(t) e Y (t):
Z(t) = X(t) +Y (t)
A funo de autocorrelao de Z(t)
R
Z
() = E {[X(t) +Y (t)][X(t +) +Y (t +)]}
= E[X(t)X(t +)] +E[Y (t)X(t +)] +E[X(t)Y (t +)]
+ E[Y (t)Y (t +)]
= R
X
() +R
Y X
() +R
XY
() +R
Y
() (11)
Se X e Y forem processos descorrelacionados, os termos do meio da expres-
so (11), tem-se
R
Z
() = R
X
() +R
Y
() para X e Y descorrelacionados (12)
Este resultado pode, obviamente, ser generalizado para mais de dois proces-
sos.
9 Funo de Densidade Espectral de Potncia
Se a funo de autocorrelao decai rapidamente com , o processo varia rapi-
damente com o tempo e vice-versa. Portanto, pode-se suspeitar que a funo de
autocorrelao contm informao sobre o contedo frequencial do sinal. Esta
relao conhecida como relao de Wiener-Khinchine:
8
S
X
(j) = F [R
X
()] =
_

R
X
()e
j
d (13)
onde S
X
denominada funo de densidade espectral de potncia
Note que se o processo X(t) estacionrio, ele no absolutamente integrvel
e portanto a integral da transformada de Fourier no converge. Logo, se forado
a considerar uma verso truncada do processo, X
T
(t), que truncado para zero
fora da faixa de tempo T. Assim, a transformada de Fourier de uma realizao do
processo truncado existir.
Seja F [X
T
(t)] a transformada de Fourier X
T
(t). Para um conjunto de rea-
lizaes de X
T
(t), haver um conjunto de realizaes de F [X
T
(t)]. Portanto,
F [X
T
(t)] estocstica assim como X
T
(t).
Pode-se demonstrar que a funo densidade espectral de potncia pode ser
calculada atravs da seguinte esperana:
E
_
1
T
|F [X
T
(t)]|
2
_
onde o argumento da esperana denominado periodograma do sinal.
A esperana do periodograma de um sinal dentro do intervalo de tempo [0, T]
pode ser escrita como
E
_
1
T
|F [X
T
(t)]|
2
_
= E
_
1
T
_
T
0
X(t)e
jt
dt
_
T
0
X(s)e
js
ds
_
=
1
T
_
T
0
_
T
0
E [X(t)X(s)] e
j(ts)
dtds (14)
Assumindo-se X(t) estacionrio, E[X(t)X(s)] torna-se R
X
(t s), e a ex-
presso (14) torna-se
E
_
1
T
|F [X
T
(t)]|
2
_
=
1
T
_
T
0
_
T
0
R
X
(t s)e
j(ts)
dsdt
Ou, fazendo-se a troca de variveis = t s:
E
_
1
T
|F [X
T
(t)]|
2
_
=
1
T
_
T
0
_
tT
t
R
X
()e
j
ddt
A regio de integrao mostrada na gura 4.
Invertendo-se a ordem de integrao e integrando-se as duas regies triangu-
lares separadamente tem-se
E
_
1
T
|F [X
T
(t)]|
2
_
=
1
T
_
0
T
_
t+T
0
R
X
()e
j
dtd+
1
T
_
T
0
_
T

R
X
()e
j
dtd
9
Figura 4: Regio de Integrao no plano t.
Integrando-se com relao a t, resulta
E
_
1
T
|F [X
T
(t)]|
2
_
=
1
T
_
0
T
( +T)R
X
()e
j
d+
1
T
_
T
0
(T )R
X
()e
j
d
que pode ser escrita como
E
_
1
T
|F [X
T
(t)]|
2
_
=
_
T
T
_
1
||
T
_
R
X
()e
j
d
O fator 1
||
T
pode ser encarado como um fator de ponderao que aproxima-
se da unidade quando T torna-se grande, principalmente se R
X
() tender para
zero quando torna-se grande, o que ocorre quando X(t) no contm componen-
tes peridicos. Logo, quanto T cresce, tem-se a seguinte relao:
lim
T
E
_
1
T
|F [X
T
(t)]|
2
_
=
_

R
X
()e
j
d (15)
a expresso (15) que relaciona a funo espectral S
X
(t) ao espectro como no
sentido determinstico usual. A funo de densidade espectral como denida pela
expresso (13) um conceito probabilstico. Por outro lado, periodograma um
10
conceito espectral no sentido usual, relacionado com a transformada de Fourier
do sinal.
Devido aos atributos da funo de autocorrelao R
X
(), a sua transformada
de Fourier S
X
(j) sempre uma funo real, no negativa e simtrica de .
Exemplo 2 Considere um processo estocstico X(t) cuja funo de autocorrela-
o seja
R
X
() =
2
e
||
onde e so constantes conhecidas.
A funo de densidade espectral do processo X(t) ser:
S
X
(j) = F [R
X
()] =

2
j +
+

2
j +
=
2
2

2
+
2
R
X
e S
X
esto esboados na gura 5
Figura 5: Funes de Autocorrelao e Densidade Espectral.
s vezes conveniente escrever a funo de densidade espectral em termos da
frequncia complexa s. Isto pode ser feito substituindo-se j por s.
Da teoria da transformada de Fourier, sabe-se que a transformada inversa da
funo de densidade espectral resulta na funo de autocorrelao, ou seja
F [S
X
(j)]
1
=
1
2
_

S
X
(j)e
j
d = R
X
()
Ou, fazendo-se = 0:
R
X
(0) = E
_
X
2
(t)
_
=
1
2
_

S
X
(j)d (16)
A expresso (16) fornece um meio de calcular o valor mdio quadrtico de um
processo estacionrio, dada a sua funo de densidade espectral.
Se for usada a frequncia complexa s ao invs de j, a expresso (16) torna-se
11
E
_
X
2
(t)
_
=
1
2j
_
j
j
S
X
(s)ds (17)
As expresses (16) e (17) sugerem que pode-se considerar a potncia do sinal
como sendo distribuda em frequncia de acordo comS
X
(j). Com este conceito,
pode-se obter a potncia em uma faixa nita de frequncias integrando-se sobre
esta faixa:
[Potncia na faixa
1
2] =
1
2
_

1

2
S
X
(j)d +
1
2
_

2

1
S
X
(j)d
10 Funo de Densidade Espectral Cruzada
As funes de densidade espectral cruzada para processos estacionrios X(t) e
Y (t) so denidas como
S
XY
(j) = F [R
XY
()] =
_

R
XY
()e
j
d (18)
S
Y X
(j) = F [R
Y X
()] =
_

R
Y X
()e
j
d (19)
As funes de correlao cruzada R
XY
e R
Y
no so necessariamente funes
pares de . Logo, as funes de densidade espectral cruzada correspondentes no
so usualmente reais. Da expresso (10) pode-se concluir que
S
XY
(j) = S

Y X
(j) (20)
e, portanto, que a soma de S
XY
(j) e S
Y X
(j) real.
Dene-se funo de coerncia como:

2
XY
=
|S
XY
(j)|
S
X
(j)S
Y
(j)
(21)
A funo de coerncia uma medida semelhante ao coeciente de correlao,
porm no domnio da frequncia.
Se Z(t) a soma de dois processos X(t) e Y (t), a densidade espectral de Z(t)
dada por:
S
Z
(j) = F [R
X+Y
()]
Da expresso (11) tem-se
S
Z
(j) = S
X
(j) +S
Y X
(j) +S
XY
(j) +S
Y
(j) (22)
12
Como no caso da funo de autocorrelao, se os processos X(t) e Y (t) so
descorrelacionados, os termos do meio da expresso (22) so zero. Portanto, para
este caso especial
S
X+Y
(j) = S
X
(j) +S
Y
(j) para X(t) e Y (t) descorrelacionados (23)
11 Rudo Branco
O rudo branco denido como sendo um processo aleatrio estacionrio com
uma funo de densidade espectral constante. Ou seja
S
wn
(j) = A (24)
Neste caso, a funo de autocorrelao
R
wn
() = A(t) (25)
Embora o rudo branco seja denido de forma bastante simples, ele possui
varincia innita. Um rudo branco um processo que est variando com am-
plitude innita, innitamente rpido. No entanto, sistemas fsicos so limitados
em frequncia, de forma que o sinal de sada sempre ser limitado em frequncia,
mesmo que se assuma uma entrada igual um rudo branco.
Rudo branco limitado em frequncia um processo aleatrio cuja amplitude
espectral constante em uma faixa limitada de frequncias e zero fora desta faixa.
Se a faixa de frequncias inclui a origem (sinal de banda bsica) tem-se
S
bwn
(j) =
_
A, ||
c
0, || >
c
(26)
onde
c
a largura de banda. A funo de autocorrelao correspondente
R
bwn
() =
A
c

sin
c

(27)
Os grcos da autocorrelao e da funo de densidade espectral esto esbo-
ados na gura 6. Note-se que a funo de autocorrelao para um rudo branco
de banda bsica limitado em frequncia zero para = /
c
, 2/
c
, 3/
c
, . . . .
Se o processo amostrado com uma taxa de 2
c
o conjunto resultante de
variveis aleatrias descorrelacionado.
A faixa de frequncia do rudo branco limitado em frequncia pode ser deslo-
cada da origem e centrada em outra frequncia
0
. As funes de autocorrelao
e densidade espectral para este caso so:
13
Figura 6: Funes de Autocorrelao e Densidade Espectral para um Rudo Bran-
co de Banda Bsica Limitado em Frequncia.
S(j) =
_
A,
0

c
||
0
+
c
0, || <
0

c
e || >
0
+
c
(28)
R() =
A

_
(
0
+
c
)
sin (
0
+
c
)
(
0
+
c
)
(
0

c
)
sin (
0

c
)
(
0

c
)
_
=
2A
c

sin
c

cos 2
0
t (29)
Estas funes esto esboadas na gura 7.
O rudo branco limitado em frequncia possui um valor RMS nito e portanto
sicamente factvel, enquanto o rudo branco no o . No entanto, o tratamento
matemtico do caso limitado em frequncia , em geral, mais complicado do que
para o rudo branco puro.
12 Processo de Gauss-Markov
Um processo gaussiano estacionrio com autocorrelao exponencial denomi-
nado processo de Gauss-Markov. A autocorrelao e a funo de densidade es-
pectral para este processo tem a forma:
R
X
() =
2
e
||
(30)
S
X
(j) =
2
2

2
+
2
ou S
X
(s) =
2
2

s
2
+
2
(31)
Estas funes esto esboadas na gura 8. O valor mdio quadrtico do pro-
cesso e a constante de tempo so dados, respectivamente por
2
e 1/. Como
14
Figura 7: Funes de Autocorrelao e Densidade Espectral para um Rudo Bran-
co de Banda Bsica Limitado em Frequncia Deslocado em Frequncia.
o processo no determinstico, uma funo construda por amostras deste sinal
no possui qualquer estrutura determinstica e parece rudo. A autocorrelao ex-
ponencial indica que as amostras do processo tornam-se menos correlacionadas
quando a separao no tempo entre elas aumenta. A funo de autocorrelao
tende a zero quando , e portanto o valor mdio do processo deve ser zero.
O processo de Gauss-Markov importante porque se ajusta a um grande n-
mero de processo fsicos e possui uma descrio matemtica simples. Como no
caso dos processos gaussianos estacionrios, a especicao da funo de autocor-
relao do processo dene completamente o processo. Ou seja, qualquer funo
de densidade de probabilidade de ordem superior pode ser escrita explicitamente
dada a funo de autocorrelao.
Exemplo 3 Seja X(t) um processo de Gauss-Markov com funo de autocorre-
lao
15
Figura 8: Funes de Autocorrelao e Densidade Espectral para um Processo de
Gauss-Markov.
R
X
() = 100e
2||
deseja-se escrever explicitamente a funo de densidade de probabilidade de
terceira ordemf
X
1
X
2
X
3
(x
1
, x
2
, x
3
) onde X
1
= X(0), X
2
= X(0.5) e X
3
= X(1).
A mdia do processo zero, pois um processo de Gauss-Markov. A matriz
de covarincia dada por:
C
X
=
_

_
E[X
2
1
] E[X
1
X
2
] E[X
1
X
3
]
E[X
2
X
1
] E[X
2
2
] E[X
2
X
3
]
E[X
3
X
1
] E[X
3
X
2
] E[X
2
3
]
_

_ =
_

_
R
X
(0) R
X
(0.5) R
X
(1)
R
X
(0.5) R
X
(0) R
X
(0.5)
R
X
(1) R
X
(0.5) R
X
(0)
_

_
=
_

_
100 100e
1
100e
2
100e
1
100 100e
1
100e
2
100e
1
100e
_

_
E da expresso (32)
f
X
(x) =
1
(2)
n/2
|C|
1/2
exp
_

1
2
_
(x m)
T
C
1
(x m)
_
_
(32)
tem-se
f
X
(x) =
1
(2)
2/3
|C
X
|
1/2
e
1/2(x
T
C
1
X
x)
onde x = [ x
1
x
2
x
3
]
T
.
13 Processo de Wiener ou Brownian Motion
Considere um integrador cuja entrada seja um rudo branco. A resposta do sistema
ser dada por
16
X(t) =
_
t
0
F(u)du
e a mdia da sada
E[X(t)] = E
__
t
0
F(u)du
_
=
_
t
0
E[F(u)]du = 0
O valor mdio quadrtico (varincia) da sada
E[X
2
(t)] = E
__
t
0
F(u)du
_
t
0
F(v)dv
_
=
_
t
0
_
t
0
E[F(u)F(v)]dudv
Mas E[F(u)F(v)] a funo de autocorrelao R
F
(u v), que neste caso
a funo delta de Dirac. Logo
E[X
2
(t)] =
_
t
0
_
t
0
(u v)dudv =
_
t
0
dv = t
Portanto, E[X
2
(t)] cresce linearmente com o tempo e o valor RMS cresce de
acordo com

t.
Se for exigido que a entrada seja um rudo branco gaussiano, a sada ser um
processo gaussiano, j que a integrao uma operao linear sobre a entrada.
O processo resultante denominado processo de Wiener ou brownian-motion. O
processo no estacionrio, gaussiano e suas mdia, varincia e autocorrelao
so dadas por
E[X(t)] = 0
E[X
2
(t)] = t
R
X
(t
1
, t
2
) = E[X(t
1
)X(t
2
)] = E
__
t
1
0
F(u)du
_
t
2
0
F(v)dv
_
=
_
t
1
0
_
t
2
0
E[F(u)F(v)]dudv =
_
t
1
0
_
t
2
0
(u v)dudv
R
X
(t
1
, t
2
) =
_
t
2
, t
1
t
2
t
1
, t
1
< t
2
(33)
Umprocesso de rudo branco gaussiano difcil de denir, devido ao problema
da "varincia innita". Por outro lado, o processo de Wiener bem comportado.
Pode-se, portanto, denir o rudo branco gaussiano em funo do processo de
Wiener.
17
Para tanto, pode-se denir o processo de Wiener como um processo gaussiano
cuja funo de autocorrelao dada pela expresso (33). O rudo branco gaussi-
ano , ento, o processo hipottico que, quando integrado, resulta no processo de
Wiener.
14 Exerccios
1. Considere um processo com densidade espectral de potncia S
X
(j) =
2
2

2
+
2
. Calcule o valor RMS do sinal correspondente.
2. Uma amplicador coma entrada emcurto apresenta na sua sada uma tenso
RMS de 100V . Assumindo-se que o espectro de frequncia do rudo
plano de 0 at 25kHz e zero acima de 25kHz, obtenha as expresses para
a funo de densidade espectral do rudo e da sua funo de autocorrelao.
3. Considere o processo aleatrio X(t) = 2 sint, onde uma varivel
aleatria uniformemente distribuda entre = 2 e = 6.
(a) O processo estacionrio?
(b) O processo ergdigo?
4. A entrada de um reticador ideal um processo gaussiano estacionrio. A
sada um processo estacionrio? um processo gaussiano?
5. Calcule a autocorrelao de um sinal aleatrio X(t) = at + Y , onde a
uma constante conhecida e Y uma varivel aleatria N(0,
2
).
6. Um processo estacionrio X(t) possui funo de autocorrelao dada por
R
X
() =
2
e
||
Um outro processo Y (t) est relacionado com X(t) pela expresso
Y (t) = aX(t) +b
onde a e b so constante conhecidas.
(a) Calcule a autocorrelao de Y (t).
(b) Calcule a correlao cruzada R
XY
().
18