Resumindo e concluindo

TeleTextos de bolso e de trazer por casa, suavemente, suavemente

O minorante de Cramr-Rao
Parte 1
Slvio A. Abrantes
Departamento de Engenharia Electrotcnica e de Computadores
Faculdade de Engenharia, Universidade do Porto
Porto, Portugal
sam@fe.up.pt
Julho de 2010

Contedo
1 1. . Introduo ................................................................................................................... 1
2 2. . Estimao de parmetros simples ........................................................................................ 2
2.1. O minorante de Cramr-Rao ......................................................................................... 2
2.2. A informao de Fisher ............................................................................................... 3
2.3. Amostras de sinal em rudo gaussiano branco (AWGN) .......................................................... 3
2.3.1. Constante imersa em rudo AWGN ......................................................................... 4
2.3.2. Sinuside em rudo AWGN ................................................................................... 4
3 3. . Estimao conjunta de vrios parmetros ............................................................................... 6
3.1. Amostras de sinal em rudo gaussiano branco (AWGN) .......................................................... 8
3.1.1. Sinuside em rudo AWGN ................................................................................... 8
4 4. . Referncias ................................................................................................................. 10

1 1. . Introduo
Ao falar-se da estimao de parmetros so habitualmente referidos os critrios da mxima
verosimilhana (ML) e da mxima probabilidade a posteriori (MAP)
1
. Supondo que se deseja estimar
o parmetro o a partir das observaes consignadas num vector de amostras r, o critrio da mxima
verosimilhana assenta na procura do valor
ML
o que maximiza a funo de verosimilhana
( )
p o r :
( )
argmax
ML
p
o
o o = r .
O critrio MAP decide-se pela estimativa
MAP
o que maximiza a probabilidade a posteriori
( )
p o r :
( )
argmax
MAP
p
o
o o = r .
Portanto, consoante o critrio de estimao assim se procura o mximo de
( )
p o r ou de
( )
p o r . sabido que, em certas condies, os dois critrios de estimao so equivalentes. Por

1
ML: maximum likelihood; MAP: maximum a posteriori probability.
O minorante de Cramr-Rao
2
exemplo, tratando-se da estimao dos smbolos enviados numa comunicao, as escolhas dos dois
critrios so as mesmas se os smbolos forem equiprovveis.
A estimativa o uma varivel aleatria. Idealmente o seu valor mdio seria igual ao prprio
parmetro estimado e a sua varincia seria nula, mas este ltimo desejo no possvel de
satisfazer. De facto, o valor mdio at poder ser igual ao parmetro mas a varincia ser sempre
superior ou igual a uma certa quantidade positiva, um valor mnimo designado por minorante de
Cramr-Rao
2
.
Este TeleTexto no trata dos estimadores de parmetros em si (assunto abordado em [1] e [2]);
trata, sim, dos minorantes de Cramr-Rao, em particular os associados estimao dos parmetros
de sinusides mergulhadas em rudo gaussiano branco; outras diversas situaes de interesse, como
a recuperao da fase da portadora em modulaes digitais, sero tratadas em TeleTexto posterior.
Consideraremos daqui para a frente que se usa o critrio da mxima verosimilhana. Em
primeiro lugar vamos lidar com a estimao de parmetros simples, a situao, mais favorvel, em
que apenas um parmetro vai ser estimado (porque todos os outros que existam so conhecidos);
depois passaremos para a situao mais complicada de desejarmos estimar vrios parmetros
desconhecidos ao mesmo tempo.
2 2. . Estimao de parmetros simples
Deseja-se estimar o parmetro determinstico o a partir de L amostras ( ) r k , 0,1, , 1 k L = . A
estimativa
o uma varivel aleatria e o erro de estimao
o o tambm, com valor mdio
E E o o o o = ( (

e varincia igual varincia
2
o
o de
o :
{ } { }
2 2
2

var( ) ( ) ( ) ( ) E E E E
o
o o o o o o o o o = = = ( (

.
Se o valor mdio da estimativa for igual ao parmetro a estimar, ( ) E o o = , a estimativa diz-se
no-enviesada. Nesse caso a mdia do erro de estimao nula, 0 E o o = (

.
2.1. O minorante de Cramr-Rao
Seja ( ) p o r a verosimilhana do vector de amostras | | (0) (1) ( 1) r r r L = r e ln ( ) p o r a
sua log-verosimilhana. Admitindo que a primeira e a segunda derivada de ln ( ) p o r existem e so
absolutamente integrveis, o valor quadrtico mdio do erro de estimao de o no pode ser
inferior a uma certa quantidade mnima, aqui expressa de duas maneiras equivalentes [3]:
2 2
2
2 2
2
( ) ( )
( )
ln ( )
ln ( )
d E d E
d d
E
d
d
E p
E p
d d
o o
o o
o o
o
o
o o
( (
( (

(
> =

( (
| |

( (
|
( \ . (

r
r
.
Se a estimativa for no-enviesada os numeradores valem 1, porque
( )
1
dE
d
o
o
= , e
2
( ) E o o
(

igual varincia da prpria estimativa
o , porque
( )
2
2 2

( ) E E E
o
o o o o o
(
(
= = (

(

. Assim,
2
o
o
fica limitada inferiormente pelo minorante de Cramr-Rao, ( ) CRB o [4]:

2
Harald Cramr (1893-1985), matemtico e estatstico sueco; C. R. Rao (1920-), estatstico indiano.
O minorante de Cramr-Rao
3
2

2 2
2
1 1
( )
ln ( )
ln ( )
CRB
d
d
E p
E p
d d
o
o o
o
o
o o
> = =
( (
| |

( (
|
( \ . (

r
r
.
Deseja-se, naturalmente, que a varincia
2
o
o seja a menor possvel: quanto mais prxima de
( ) CRB o estiver, melhor. Se a varincia atingir o valor mnimo possvel, isto , se
2

( ) CRB
o
o o = , a
estimativa diz-se eficiente. Sabe-se que, se uma estimativa for eficiente, essa , de certeza, a
estimativa de mxima verosimilhana [3].
2.2. A informao de Fisher
Ao valor mdio do quadrado da derivada da log-verosimilhana em ordem a o chama-se
informao de Fisher
3
:
2
ln ( )
( )
d p
I E
d
o
o
o
(
| |
(
|
|
(
\ .

r
. (1)
Alternativamente podemos escrever
2
2
ln ( )
( )
d p
I E
d
o
o
o
(
(
(

r
. (2)
Logo, com estimadores no-enviesados o minorante de Cramr-Rao o inverso da informao de
Fisher:
1
( )
( )
CRB
I
o
o
= . (3)
2.3. Amostras de sinal em rudo gaussiano branco (AWGN)
As situaes que envolvem rudo branco gaussiano aditivo (AWGN) so muito comuns. Vamos ver
que, nesse contexto, as equaes (1) e (2) se simplificam razoavelmente.
Suponhamos que ( ) ( ) ( ) r k s k n k = + , em que r(k) representa a k-sima amostra observada, s(k)
uma amostra de sinal determinstico que contm um parmetro real no-aleatrio desconhecido, o,
e n(k) uma amostra de rudo AWGN de mdia nula e varincia
2
o . Queremos determinar a
informao de Fisher e o minorante de Cramr-Rao quando a estimativa de o no enviesada.
Como as amostras de rudo so independentes, a verosimilhana e a log-verosimilhana de r
escrevem-se, respectivamente,
( )
| |
1 1
2
2 2
2
0 0
1 1
( ) ( ( ) ) exp ( ) ( )
2
2
L L
L
k k
p p r k r k s k o o
o
to

= =
| |
= = |
|
\ .
[
r
( )
| |
1
2
2 2
2
0
1 1
ln ( ) ln ( ) ( )
2
2
L
L
k
p r k s k o
o
to

=
=

r
Partindo da segunda derivada de ln ( ) p o r ,

3
Ronald A. Fisher (1890-1962): famoso estatstico ingls.
O minorante de Cramr-Rao
4
| |
2
2 2 1
2 2 2
0
1 ( ) ( )
ln ( ) ( ) ( )
L
k
d d s k ds k
p r k s k
d
d d
o
o
o o o

=

| |
=
`
|
\ .

)

r ,
obtemos o valor mdio (em r)
| |
| |
2
2 2 1 1
2 2 2 2
0 0
( )
2 2
2 1 1 1
2 2 2 2
0 0 0
0
1 ( ) 1 ( )
ln ( ) ( ) ( )
1 ( ) 1 ( ) 1 ( )
( )
L L
k k
n k
L L L
k k k
d d s k ds k
E p E r k s k
d
d d
d s k ds k ds k
E n k
d d
d
o
o
o o o o
o o
o o o o

= =

= = =
(
(
| |
(
= =
(
|
(
\ . (

(

| | | |
= =
| |
\ . \ .


r

Tendo em conta (2) e (3) chegamos imediatamente a ( ) I o e a ( ) CRB o :
2
1
2
0
1 ( )
( )
L
k
ds k
I
d
o
o
o

=
| |
=
|
\ .

(4)
2
2
1
0
( )
( )
L
k
CRB
ds k
d
o
o
o

=
=
| |
|
\ .

(5)
Esta uma concluso interessante: na presena de rudo gaussiano no precisamos de derivar a
log-verosimilhana ln ( ) p o r , bastando derivar o sinal que contm o parmetro a estimar.
Seguem-se alguns casos especiais de clculo da informao de Fisher e do minorante CRB.
2.3.1. Constante imersa em rudo AWGN
Seja ( ) s k A = . Como
( )
1
ds k
dA
= , ento
2
( )
L
I A
o
=
2
1
( )
( )
CRB A
I A L
o
= = .
2.3.2. Sinuside em rudo AWGN
Suponhamos que
0
( ) cos(2 ) s k A f k t u = + . Os parmetros desta sinuside so a amplitude A, a
fase u e a frequncia f
0
. Vamos determinar sucessivamente ( ) CRB A , ( ) CRB u e
0
( ) CRB f , para o
que precisaremos de
( ) ds k
dA
,
( ) ds k
du
e
0
( ) ds k
df
, respectivamente.
2.3.2.1. Estimao da amplitude A (frequncia e fase conhecidas)
A partir de
0
( )
cos(2 )
ds k
f k
dA
t u = + (6)
obtemos
2
1 1
2
0
0 0
( )
cos (2 )
L L
k k
ds k
f k
dA
t u

= =
| |
= +
|
\ .

. Como
2
0 0
1 1
cos (2 ) cos(4 2 )
2 2
f k f k t u t u + = + + ento
O minorante de Cramr-Rao
5
1 1 1
2
0 0 0
0 0 0
1 1 1
cos (2 ) cos(4 2 ) cos(4 2 )
2 2 2
L L L
k k k
f k f k L f k t u t u t u

= = =
(
(
+ = + + = + +
(
(
(


.
Mas
1
0
0
cos(4 2 )
L
k
f k L t u

=
+

, se
0
0 f = ou
0
0, 5 f = , (7)
e, portanto,
1
2
0
0
cos (2 )
2
L
k
L
f k t u

=
+ ~

e
2
( )
2
L
I A
o
~ (8)
2
2
( ) CRB A
L
o
~
2.3.2.2. Estimao da fase u (amplitude e frequncia conhecidas)
Agora
0
( )
sen(2 )
ds k
A f k
d
t u
u
= + (9)
2
1 1
2 2
0
0 0
( )
sen (2 )
L L
k k
ds k
A f k
d
t u
u

= =
| |
= +
|
\ .

.
Mas
2
0 0
1 1
sen (2 ) cos(4 2 )
2 2
f k f k t u t u + = + e
1 1 1
2
0 0 0
0 0 0
1 1 1
sen (2 ) cos(4 2 ) cos(4 2 )
2 2 2
L L L
k k k
f k f k L f k t u t u t u

= = =
(
(
+ = + = +
(
(
(


,
expresso que, tendo em conta (7), se simplifica em
1
2
0
0
sen (2 )
2
L
k
L
f k t u

=
+ ~

. Sendo assim,
2
2
( )
2
LA
I u
o
~ (10)
2
2
2
( ) CRB
LA
o
u ~
A equao anterior condiz com o senso comum: natural que a preciso da estimativa seja
tanto maior (varincia mnima menor) quanto mais amostras tivermos (L), maior for a potncia do
sinal (
2
2 A ) e menor for a potncia do rudo AWGN (
2
o ).
2.3.2.3. Estimao da frequncia f
0
(amplitude e fase conhecidas)
Comeamos com
0
0
( )
2 sen(2 )
ds k
Ak f k
df
t t u = + (11)
2
1 1
2 2 2 2
0
0 0 0
( )
4 sen (2 )
L L
k k
ds k
A k f k
df
t t u

= =
| |
= +
|
\ .

.
O minorante de Cramr-Rao
6
Poderamos escrever j que o minorante
0
( ) CRB f vale exactamente
2 2
0
2 1
1
2 2 2 2
0
0
0 0
( )
( )
4 sen (2 )
L
L
k
k
CRB f
ds k
A k f k
df
o o
t t u

=
=
= =
| |
+
|
\ .

(12)
mas vamos procurar uma aproximao. Fazendo como anteriormente somos levados a
1 1 1
2 2 2 2
0 0
0 0 0
1 1
sen (2 ) cos(4 2 )
2 2
L L L
k k k
k f k k k f k t u t u

= = =
+ = +

.
No segundo membro o segundo somatrio muito menor que o primeiro,
1 1
2 2
0
0 0
cos(4 2 )
L L
k k
k f k k t u

= =
+

,
que vale
1
2
0
( 1)(2 1)
6
L
k
L L L
k

=

=

.
Portanto,
1
2 2
0
0
( 1)(2 1)
sen (2 )
12
L
k
L L L
k f k t u

=

+ ~

e
2 2
0
2
( 1)(2 1)
( )
3
A L L L
I f
t
o

~ (13)
2
0
2 2
3
( )
( 1)(2 1)
CRB f
A L L L
o
t
~

(14)
Na Fig. 1 compara-se o minorante exacto (12) com o minorante aproximado (14), para L = 50,
A = 1,
2
1 o = e 20 u = . Excepto nos extremos do grfico, junto s frequncias proibidas f
0
= 0 e
f
0
= 0,5, a aproximao est sempre muito prxima do valor exacto. Porm, aquela muitssimo
mais fcil de calcular.
0 0.1 0.2 0.3 0.4 0.5
0.8
1
1.2
1.4
1.6
1.8
2
2.2
2.4
x 10
-6
freq
C
R
B
(
f
0
)

2
2 2
3
( 1)(2 1) A L L L
o
t

2
2
0 1
( )
L
k
ds k
df
o
=
| |
|
\ .

CRB(f
0
) exacto
CRB(f
0
)
aproximado

Fig. 1. O minorante CRB(f
0
) exacto e a sua aproximao.
3 3. . Estimao conjunta de vrios parmetros
At ao momento lidmos apenas com a estimao de um parmetro nico. Se, pelo contrrio,
pretendermos estimar vrios parmetros ao mesmo tempo, quais so os minorantes de Cramr-Rao
O minorante de Cramr-Rao
7
associados? O que h a fazer estender os conceitos apresentados no anterior caso, escalar, nova
situao, vectorial. Assim, na estimao de N parmetros
1
o ,
2
o , ,
i
o , ,
N
o vamos considerar
os vectores-coluna de N elementos
1
T
N
o o = (

e
1

T
N
o o = (

e supor que estas
estimativas so no-enviesadas. De acordo com [3], a varincia do erro de estimao do parmetro
genrico
i
o , igual varincia da estimativa
i
o , nunca inferior ao minorante de Cramr-Rao
( )
i
CRB o . Este o elemento ii da diagonal principal do inverso da matriz de informao de Fisher:
2 1

( ) ( )
i
i ii
CRB I
o
o o

> = .
A matriz de informao de Fisher uma matriz quadrada N N e o elemento ( )
ij
I da linha i e
coluna j definido assim:

2
ln ( ) ln ( )
( )
ln ( )
ij
i j
i j
p p
I E
p
E
o o
o o
(
c c
= (
c c
(

(
c
( =
c c
(

r r

r

A estimao de parmetros simples o caso particular em que a matriz de informao de Fisher
se reduz a um escalar.
A partir da matriz ( ) I relativa a
1
T
N
o o = (

podemos obter a matriz associada a um
vector com menos parmetros. Por exemplo, se de
1 2 3
T
o o o = (

se passar a | |
1 2
T
o o ' =
basta eliminar a terceira linha e a terceira coluna da matriz ( ) I , e se se passar a
1 3
T
o o ' = (


basta eliminar a segunda linha e a segunda coluna. Depois s inverter a nova matriz ( ) I ' 2x2 e
olhar para a diagonal principal dessa inversa para encontrarmos os minorantes desejados. O caso
escalar (um nico parmetro) tambm abrangido: por exemplo, se quisermos conhecer ( )
N
CRB o
quando todos os outros parmetros so conhecidos pegamos em ( ) I , eliminamos todas as linhas e
colunas excepto a ltima, invertemos o escalar resultante e pronto, j temos o que procuramos.
E Ex xe em mp pl lo o 1 1
Seja
1 2 3
T
o o o = (

e
1
0, 2882 0, 0441 0, 0098
( ) 0, 0441 0, 2220 0, 0049
0, 0098 0, 0049 0, 0011
I

(
(
=
(
(

. Determine
2
( ) CRB o se
1 2
T
o o ' = (

.
R.: Invertemos
1
( ) I

para regressarmos matriz de informao de Fisher e em seguida

retiramos a terceira linha e terceira coluna. Depois invertemos a matriz 2x2 resultante e
encontramos
2
( ) CRB o no segundo elemento da diagonal principal:
5 0 45
( ) 0 5 22,5
45 22,5 1425
I
(
(
=
(
(

5 0
( )
0 5
I
(
' =
(


1
0, 2 0
( )
0 0, 2
I

(
' =
(


Assim,
2
( ) 0, 2 CRB o = . Note-se a diminuio esperada do minorante (de 0,222 para 0,2) dado
agora se supor conhecido o parmetro
3
o .

O minorante de Cramr-Rao
8
3.1. Amostras de sinal em rudo gaussiano branco (AWGN)
Usando um procedimento idntico ao da Sec. 2.3 chega-se concluso que, na presena de
rudo AWGN,
1
2
0
1 ( ) ( )
( )
L
ij
i j k
s k s k
I
o o
o

=
c c
=
c c

. (15)
Vamos de novo exemplificar com os parmetros de uma sinuside e depois comparar os
resultados com os apresentados antes.
3.1.1. Sinuside em rudo AWGN
Tal como na Sec. 2.3.2, consideremos de novo L amostras reais ( ) ( ) ( ) r k s k n k = + , com
0
( ) cos(2 ) s k A f k t u = + . Vamos obter os minorantes de Cramr-Rao em dois casos: 1) estimao
conjunta da amplitude, fase e frequncia da sinuside; 2) estimao conjunta da amplitude e fase,
admitindo que se conhece a frequncia. Os vectores de parmetros so, respectivamente,
0
T
A f u = (

e | |
T
A u = .
3.1.1.1. Estimao conjunta da amplitude, da fase e da frequncia
A matriz de informao de Fisher tem dimenses 3x3 e os seus elementos so dados pelas
expresses seguintes, tendo em conta (6), (9) e (11):
2
1
11
2 2
0
1 ( )
( )
2
L
k
ds k L
I
dA
o o

=
| |
= ~
|
\ .

1 1
12 21 0 0
2 2
0 0
1
0
2
0
1 ( ) ( )
( ) ( ) cos(2 )sen(2 )
sen(4 2 ) 0
2
L L
k k
L
k
s k s k A
I I f k f k
A
A
f k
t u t u
u
o o
t u
o

= =

=
c c
= = = + + =
c c

= + ~

1 1
13 31 0 0
2 2
0 0 0
1
0
2
0
1 ( ) ( ) 2
( ) ( ) cos(2 )sen(2 )
sen(4 2 ) 0
L L
k k
L
k
s k s k A
I I k f k f k
A f
A
k f k
t
t u t u
o o
t
t u
o

= =

=
c c
= = = + + =
c c
= + ~

2
2 1
22
2 2
0
1 ( )
( )
2
L
k
ds k LA
I
du
o o

=
| |
= ~
|
\ .

2 1 1
2
23 32 0
2 2
0 0 0
2 2 1
2 2
0
1 ( ) ( ) 2
( ) ( ) sen (2 )
( 1)
2
L L
k k
L
k
s k s k A
I I k f k
f
A A L L
k
t
t u
u
o o
t t
o o

= =

=
c c
= = = + ~
c c

~ =

2
2 2 1
33
2 2
0 0
1 ( ) ( 1)(2 1)
( )
3
L
k
ds k A L L L
I
df
t
o o

=
| |

= ~
|
\ .

Os elementos
11
( ) I ,
22
( ) I e
33
( ) I decorrem imediatamente de (8), (10) e (13) e em
23
( ) I a
soma da progresso aritmtica vale
1
0
( 1)
2
L
k
L L
k

. Temos ento
O minorante de Cramr-Rao
9
2 2
2
2 2
2
1 0 0
( ) 0 ( 1)
2
2 ( 1)(2 1)
0 ( 1)
3
L
I A A L
A L L
A L
t
o
t
t
(
(
(
( =
(

(

(

(16)
2
1
2 2
2 2 2 2
1 0 0
2 2(2 1) 3
( ) 0
( 1) ( 1)
3 3
0
( 1) ( 1)
L
I
L
A L A L
A L A L
o
t
t t

(
(
(
(

( =
( + +
(

(
(
+

(17)
Portanto,
2
2
( ) CRB A
L
o
= ,
2
2
4 (2 1)
( )
( 1)
L
CRB
A L L
o
u

=
+
e
2
0
2 2 2
6
( )
( 1)
CRB f
A L L
o
t
=

. Era de antecipar
que, devido aos termos cruzados fase-frequncia no-nulos, os minorantes associados fossem mais
elevados do que na estimao de parmetros simples
4
, como so, de facto.
3.1.1.2. Estimao conjunta da amplitude e da fase (com frequncia conhecida)
Seja ento | |
T
A u = . As matrizes 2x2 que interessam so
2 2
1 0
( )
0 2
L
I
A o
(
=
(
(


2
1
2
1 0
2
( )
0
I
L
A
o

(
=
(
(

,
donde se conclui que
2
2
( ) CRB A
L
o
= e
2
2
2
( ) CRB
LA
o
u = , precisamente os valores que tnhamos obtido
aquando da estimao de um nico parmetro. Isso acontece quando a estimao do parmetro
i
o
no interfere na estimao de
j
o , e vice-versa, e, como tal, o elemento cruzado ( )
ij
I nulo.
E Ex xe em mp pl lo o 2 2
Seja
0
( ) cos(2 ) s k A f k t u = + ,
0
T
A f u = (

, 100 L = e
2 2
1 A o = = . Vamos determinar os
minorantes. Substituindo em (17) obtemos
1 4
4 7
0, 02 0 0
( ) 0 0, 079 1,9.10
0 1,9.10 6,1.10
I


(
(
=
(
(

(

,
donde ( ) 0, 02 CRB A ~ , ( ) 0,079 CRB u ~ e
7
0
( ) 6,1.10 CRB f

~ . Viu-se atrs que os minorantes CRB
na estimao de parmetros simples valem, por sua vez,
2
2
( ) 0, 02 CRB A
L
o
~ =
2
2
2
( ) 0, 02 CRB
LA
o
u ~ =
2
7
0
2 2
3
( ) 1,5.10
( 1)(2 1)
CRB f
A L L L
o
t

~ =

.

4
No de prever que a varincia mnima atingvel aumente quando os parmetros interferem entre si?
O minorante de Cramr-Rao
10
Confirma-se que o limite inferior da varincia das estimativas aumenta da estimao de
parmetros simples para a estimao multiparmetros quando os termos cruzados da matriz de
informao de Fisher no so nulos.

E Ex xe em mp pl lo o 3 3
Dispomos de L amostras
1 0 2 0
( ) cos sen ( ) r k A w k A w k n k = + + . Desejando estimar as amplitudes e a
frequncia angular de s(k), quais so os valores mnimos possveis das varincias de estimativas
no-enviesadas conjuntas? Particularize para 20 L = ,
1 2
1 A A = = e
2
1 o = .
R.: Pretende-se conhecer
1
( ) CRB A ,
2
( ) CRB A e
0
( ) CRB w . Precisamos, primeiro, de determinar a
matriz de informao de Fisher ( ) I o , em que
1 2 0
T
A A w = (

, pelo que, de acordo com (15),
vamos necessitar das derivadas seguintes:
0
1
( )
cos
ds k
w k
dA
=
0
2
( )
sen
ds k
w k
dA
=
1 0 2 0
0
( )
sen cos
ds k
Ak w k A k w k
dw
= + .
Recorrendo s expresses e aproximaes adequadas facilmente se chega matriz ( ) I o :
2
1
2
2 2
2 1 1 2
( 1)
1 0
2
( 1)
( ) 0 1
2 2
( 1) ( 1) ( )( 1)(2 1)
2 2 3
A L
L A L
I
A L A L A A L L
o
(

(
(
(
~
(
(
(
+

(
(

.
Substituindo os valores dados e invertendo a matriz obtemos
10 0 95
( ) 0 10 95
95 95 4940
I
(
(
~
(
(

1
0,1288 0, 0288 0, 0030
( ) 0, 0288 0,1288 0, 0030
0, 0030 0, 0030 0, 0003
I

(
(
~
(
(

Portanto,
1 2
( ) ( ) 0,1288 CRB A CRB A = ~ e
0
( ) 0,0003 CRB w ~ . J era de contar que
1 2
( ) ( ) CRB A CRB A = visto as amplitudes serem iguais. Se o no fossem a situao seria outra; por
exemplo, se
1
2 A = e
2
1 A = teramos
10 0 95
( ) 0 10 190
95 190 12350
I
(
(
~
(
(

1
0,1115 0, 0230 0, 0012
( ) 0, 0230 0,1461 0, 0024
0, 0012 0, 0024 0, 0001
I

(
(
~
(
(

.

4 4. . Referncias
[1] Abrantes, S. A., Os critrios de deciso MAP e ML, srie Resumindo e concluindo, FEUP,
Janeiro de 2009.
Disponvel online em http://www.fe.up.pt/si/publs_pesquisa.FormView?P_ID=24318.
[2] Abrantes, S. A., Em busca da fase perdida, srie Resumindo e concluindo, FEUP, Fevereiro de
2009, disponvel online em http://www.fe.up.pt/si/publs_pesquisa.FormView?P_ID=17220.
[3] Van Trees, H., Detection, Estimation, and Modulation Theory, Part I, Wiley, 1968.
[4] Poor, H. V., An introduction to signal detection and estimation, 2 edio, Springer, 1994.