Processos

Estocs+cos

Aula 1
14/03/2017
Prof. Alexandre R. Franco, PhD
alexandre.franco@pucrs.br
 Obje+vos do Curso
Processos Estocs+cos ou Processos Aleatrios ou Sries
Temporais, teve como obje+vo inicial o estudo de sries temporais
encontradas na natureza (sunspots).
Hoje se expande pelas mais diversas reas da cincia como por
exemplo nas engenharias, na economia (mercado de aes) e biologia.
Na rea de processos estocs+cos so realizados trabalhos em duas
frentes:
1. Estudo de ferramentas matem1cas e algoritmos gerais.
2. Desenvolvimento de ferramentas especcas para aplicaes
pr1cas.
A preocupao bsica neste curso so os fundamentos dos
Processos Estocs+cos. Aplicaes em telecomunicaes e controle de
qualidade industrial, militar, sade, aplicaes cien[cas, sero mais
enfa+zadas.
 Contexto
Processamento digital de sinais, juntamente com as tecnologias oriundas de
Processos Estocs+cos, uma das mais poderosas tecnologias que iro inuenciar na
forma como que a cincia e a engenharia sero desenvolvidas no sculo XXI. As
mudanas que a eletrnica proporcionou nos l+mos 70 anos sero ainda maiores
nos prximos anos em razo da DSP!

O mundo da cincia e da engenharia repleto de sinais: imagens vinda de
espaonaves, voltagens geradas pelo crebro ou pelo corao humano, ecos de radar
e de sonar, vibraes ssmicas e outra srie de incontveis aplicaes.

Processamento digital de sinais determins+cos e aleatrios a cincia de
u+lizao dos computadores para poder entender e interpretar estes sinais. Nesta
interpretao temos uma variedade de obje+vos: ltragem (previso),
reconhecimento da fala, melhoria e compresso de dados, redes neurais etc.
 Programa
1 - Apresentao da disciplina e do contedo. Exemplos de sinais aleatrios. Introduo aos
processos estocs+cos. Conceitos bsicos; estrutura probabils+ca, experimento subjacente
(underlying random experiment), ensemble. Notao; espao amostral, funo amostra,
realizao. Classicao de um P.A. Estacionariedade e no estacionariedade. Exemplos
clssicos. Correlao. Funo densidade conjunta, independncia esta[s+ca, covarincia e
coeciente de correlao, ortogonalidade. Varincia de soma de duas variveis aleatrias.
Reviso de propriedades de 2 ordem. Relaes entre processos aleatrios. Funo
Correlao Cruzada e suas propriedades. Modelo ergdico. Autocorrelao. Propriedade
Espectral de Potencia (PSD. Teorema de Wiener Khinchine).

2. Modelo de processos aleatrios teis com exemplos.

3. Resposta de sistemas aleatrios entradas aleatrios. Anlise estacionria e no

estacionria.
 Programa (cont.)
4. Tipos de processos Aleatrios :

4.1 Processos Autoregressivos AR: Equao Yule-Walker.

4.2 Processos Mdia Mvel e Media Mvel Autoregressivo

4.3 Processos Markov.

5 - Filtros Wiener.

6 - Filtros Kalman Discreto escalar e vetorial.

 Sistema de Avaliao
Prova #1 - 25% da nota nal
Prova #2 - 35% da nota nal
Provas com consulta de 1 folha

Trabalho Final - 40% da nota nal

Inclui:
Ar+go
Trabalho em dupla
Apresentao
Perguntas
 Cronograma
Data Assunto
09/05 Prova # 1
20/06 Prova # 2
27/06 Entrega do Trabalho Final
04/07 Apresentao Trabalho Final # 1
11/07 Apresentao Trabalho Final # 2
18/07 Apresentao Trabalho Final # 3 (se necessrio)
 Material da Aula
Todo o contedo da aula estar disponvel no Moodle:
hvp://moodle.pucrs.br/

U+lizar a plataforma Moodle para questes relacionadas aula.

 Bibliograa

Intui1ve Probability and Random Processes using Matlab

Steven Kay - Livro est no Moodle
www.khanacadamy.org
 Engenheiro Eltrico
(moderno)

Ingls
Programar

Matem+ca Cria+vo
 Perspec+va Histrica Processos estocs+cos
Todo fenmeno natural tem uma certa variabilidade
Toda vez que se repe+a um experimento IDNTICO, resultados diferentes
eram ob+dos.
Foi criado modelos probabils+cos para explicar a variabilidade dos
resultados.
Gauss e Legendre (1800) desenvolveram o mtodo dos mnimos
quadrados para explicar o movimento dos planetas e cometas.
Conseguiram explicar com 6 parmetros os movimentos destes objetos
(minimizando o erro de es+mao)
O estudo de fenmenos que variam no tempo e tem uma certa
incerteza, como movimento dos planetas ou movimento aleatrio
de eltrons, levou a modelagem de processos aleatrios
Foi desenvolvido para modelar as bolsa de valores e o movimento
Browniano
Wiener (1940-1945) desenvolveu a teoria de sinais aleatrios e
aplicou estes algoritmos para processamento de sinais (ltros)
Desenvolveu algoritmos para extrair sinais de rdio fracos imersos em
rudo.
 Perspec+va Histrica Processos estocs+cos
(cont.)
Shannon usou processos estocs+cos para formular a teoria
que acabou sendo a base da comunicao digital
Durante a segunda guerra mundial, novos algoritmos foram
desenvolvidos para detectar sinais fracos (alvos) e para
navegao (ltros Kalman ltro adapta+vo)
Os algoritmos de Kalman hoje so usados para navegao
espacial e subaqu+ca
 What is a Signal?
A signal as referred to in communica+on systems, signal
processing, and electrical engineering "is a func+on that
conveys informa+on about the behavior or avributes of some
phenomenon. In the physical world, any quan+ty exhibi+ng
varia+on in +me or varia+on in space (such as an image) is
poten+ally a signal that might provide informa+on on the
status of a physical system, or convey a message between
observers, among other possibili+es.
The IEEE Transac+ons on Signal Processing elaborates upon
the term "signal" as follows:
The term "signal" includes, among others, audio, video,
speech, image, communica+on, geophysical, sonar, radar,
medical and musical signals.
Examples of topics of interest include, but are not limited to,
informa+on processing and the theory and applica+on of
ltering, coding, transming, es+ma+ng, detec+ng, analyzing,
recognizing, synthesizing, recording, and reproducing signals.
 Tipos de Sinais

Determins1cos: Descritos por funes matem+cas

tendo "t como varivel independente.

Aleatrios: Sempre possuem um certo grau de
incerteza no sendo possvel determinar exatamente
seu valor em qualquer instante de tempo.

 O que um processo estocs+co
(random signal)?
Modelos/sinais em que h incerteza ou h um
processos aleatrios
Rudo
Flutuaes na carga em um sistema de potncia
Flutuaes na altura de ondas
Sada de um microfone quando algum est
falando nele
Previso do tempo
Bolsa de Valores
 Para que serve Processos
Estocs+cos?
Um processos estocs+cos contm alguma
informao
Rudos interferem como captar esta
informao
U+lizando as ferramentas de processos
estocs+cos, engenheiros eltricos e de
computao criam algoritmos para se
recuperar informaes de observaes sicas
 Para que serve Processos
Estocs+cos?
Recuperar o sinal em um canal com rudo
Es+mar um padro de um sinal aleatrio em
um sistema de potncia
Es+mar a localizao de um avio usando
dados de um radar
Ou a deciso que a razo que o sinal est
fraco devido ao rudo, ou que um mssil est
a caminho
 O que pode ser feito fazer:
Descrever o sinal em termos de suas propriedades mdias:
Mdia de Potncia
Mdia da Distribuio Espectral
Probabilidade do sinal (amplitude) exceder um certo valor

O modelo probabils+co u+lizado para caracterizar um sinal aleatrio
chamado de:
Processo Estocs+co ou
Processo Aleatrio ou
Sries Temporais
Random Signal Processing

Para estudar a teoria da deteco, es+mao e modulao existe a
necessidade de conhecer processos estocs1cos!

Em sistemas eltricos, voltagem e corrente so u+lizados como sinais para
coletar, transmi+r e processar informao.

Sinais eltricos tambm so usados para controle ou para a alimentao de

disposi+vos.
 Teoria da Deteco
I)
Seq. Seq. r(t)
Fonte Digital Tx Analogica Canal

Fonte transmissora emite um sinal a cada T segundos

s1(t) = sen(1t) se a fonte gerou 1
s0(t) = sen(0t) se a fonte gerou 0

Recepo r(t) = s1(t) + n(t) 0 < t < T para s1(t)
r(t) = s0(t) + n(t) 0 < t < T para s0(t)

Tendo r(t)- sinal recebido, precisamos decidir qual sinal foi transmi+do:
Para fazer isto necessitamos de um disposi+vo que observa r(t) e decide se s0(t) ou s1(t) foi
transmi+do pela fonte.

Aqui, a nica fonte de erro pode ser o rudo adi+vo.

Este um problema de sinal conhecido com rudo. ( o mais simples problema deteco)

Ex. Comunicao Digital Sncrona.


 II) Osciladores possuindo "phase shiT"
r(t) = sen(1(t) + 1) + n(t) 0 < t < T
r(t) = sen(0(t) + 0) + n(t) 0 < t < T
Onde 0 e 1 so ngulos de fase desconhecidos.
Se a variao de lenta, retornamos ao caso anterior e a deteco pode ser perfeita.
Caso a medio de no for perfeita, devemos acrescentar incertezas no modelo.

Exemplos:
RADAR / SONAR:
Radar convencional transmite um pulso numa frequncia c.
Para o alvo presente ( tempo para o sinal retornar)
r(t) = Vr sen [c(t-) + r] + n(t); < t < + T
r(t) = n(t) 0 < t < , + T < t <
Para alvo ausente: r(t) = n(t) 0 < t <
Mesmo sem rudo temos trs quan+dades desconhecidas.
Vr amplitude
r fase
tempo de viagem de ida e volta at o objeto.
Este um problema de sinal desconhecido com rudo

Exemplos: Sistema de comunicaes digitais sem referncia de fase.

Comunicao Digital sobre canais com fading lento.
III) Deteco passiva com SONAR:

Mquinas, hlices e outros elementos do submarino, geram sinais acs+cos que viajam
atravs do oceano at os hidrofones do sistema de deteco.

r(t) = Sr(t) + n (t) rudo prprio do mar

Rudo composto (funo amostra de uma P.A.)
r(t) = n(t) sem alvo.

Este um problema de um sinal aleatrio com rudo

Exemplos: Sistemas de deteco ssmica.

Rdio astronomia

Obs: Nestes casos existem apenas duas alterna+vas (problema de deteco
binria).
Com "M" alterna+vas temos um problema de deteco M-nria.
Kevin Slavin: How alorithms shape
our world
hvp://www.ted.com/talks/lang/en/
kevin_slavin_how_algorithms_shape_our_world.html

Exerccios de probabilidade

Realizar em Aula
 Tema de Casa:

1. Assis+r vdeos da Khan Acadamy
Assis+r vdeos sobre Probability
hvps://www.khanacademy.org/math/sta+s+cs-probability/probability-library
Basic theore+cal Probability
Probability using sample spaces
Experimental Probability
Basic set opera+ons
Addi+on rule for probablility
Mul+plica+on rule for dependent events
Condi+onal probability and independence

2. Tambm ver este video de Deb Roy:

hvp://www.ted.com/talks/deb_roy_the_birth_of_a_word.html