Upload
independent
View
0
Download
0
Embed Size (px)
Citation preview
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos EstocasticosProcessos Estocasticos Gaussianos
Bruno Barbosa Albert
Universidade Federal de Campina GrandeCentro de Engenharia Eletrica e Informatica
Departamento de Engenharia Eletrica
11 de julho de 2013
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Objetivos de Aprendizagem
Processos Estocasticos Gaussianos
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Objetivos de Aprendizagem
Processos Estocasticos GaussianosVetores gaussianos
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Objetivos de Aprendizagem
Processos Estocasticos GaussianosVetores gaussianos
vetor esperanca
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Objetivos de Aprendizagem
Processos Estocasticos GaussianosVetores gaussianos
vetor esperanca
matriz de covariancia
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Objetivos de Aprendizagem
Processos Estocasticos GaussianosVetores gaussianos
vetor esperanca
matriz de covariancia
definicao
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Objetivos de Aprendizagem
Processos Estocasticos GaussianosVetores gaussianos
vetor esperanca
matriz de covariancia
definicao
fdp conjunta
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Objetivos de Aprendizagem
Processos Estocasticos GaussianosVetores gaussianos
vetor esperanca
matriz de covariancia
definicao
fdp conjunta
Definicao
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Objetivos de Aprendizagem
Processos Estocasticos GaussianosVetores gaussianos
vetor esperanca
matriz de covariancia
definicao
fdp conjunta
Definicaofdp conjunta
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Objetivos de Aprendizagem
Processos Estocasticos GaussianosVetores gaussianos
vetor esperanca
matriz de covariancia
definicao
fdp conjunta
Definicaofdp conjuntaPropriedades
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Antes de apresentarmos o PE gaussiano vamos fazer umapequena revisao de vetores gaussianos.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Antes de apresentarmos o PE gaussiano vamos fazer umapequena revisao de vetores gaussianos.
Considere um vetor aleatorio X de dimensao n definido poruma matriz n × 1, tambem chamado de vetor coluna,
X =
⎡
⎢
⎢
⎢
⎣
X1
X2...Xn
⎤
⎥
⎥
⎥
⎦
=[
X1 X2 . . . Xn
]T.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Definimos o seu vetor esperanca mX como
mX !
⎡
⎢
⎢
⎢
⎣
EX1
EX2...
EXn
⎤
⎥
⎥
⎥
⎦
.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Definimos o seu vetor esperanca mX como
mX !
⎡
⎢
⎢
⎢
⎣
EX1
EX2...
EXn
⎤
⎥
⎥
⎥
⎦
.
Definimos sua matriz de covariancia CX como
CX !
⎡
⎢
⎢
⎢
⎣
var(X1) cov(X1,X2) . . . cov(X1,Xn)cov(X2,X1) var(X2) . . . cov(X2,Xn)
......
. . ....
cov(Xn,X1) cov(Xn,X2) . . . var(Xn)
⎤
⎥
⎥
⎥
⎦
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Definicao
Dado um vetor a ∈ ℜn qualquer, o vetor X e dito gaussiano sesomente se a v.a. Y definida como
Y = aTX =
[
a1 a2 . . . an]
⎡
⎢
⎢
⎢
⎣
X1
X2...Xn
⎤
⎥
⎥
⎥
⎦
= a1X1 + a2X2 + . . .+ anXn
for uma v.a. gaussiana.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A esperanca de Y e dada por
mY = EY = E [aTX]
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A esperanca de Y e dada por
mY = EY = E [aTX]
= E [a1X1 + a2X2 + . . .+ anXn]
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A esperanca de Y e dada por
mY = EY = E [aTX]
= E [a1X1 + a2X2 + . . .+ anXn]
= a1EX1 + a2EX2 + . . .+ anEXn
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A esperanca de Y e dada por
mY = EY = E [aTX]
= E [a1X1 + a2X2 + . . .+ anXn]
= a1EX1 + a2EX2 + . . .+ anEXn
=[
a1 a2 . . . an]
⎡
⎢
⎢
⎢
⎣
EX1
EX2...
EXn
⎤
⎥
⎥
⎥
⎦
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A esperanca de Y e dada por
mY = EY = E [aTX]
= E [a1X1 + a2X2 + . . .+ anXn]
= a1EX1 + a2EX2 + . . .+ anEXn
=[
a1 a2 . . . an]
⎡
⎢
⎢
⎢
⎣
EX1
EX2...
EXn
⎤
⎥
⎥
⎥
⎦
= aTmX
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A variancia de Y e dada por
var(Y ) = σ2Y ! E (Y −my )
2
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A variancia de Y e dada por
var(Y ) = σ2Y ! E (Y −my )
2
= E (aTX− aTmX)
2
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A variancia de Y e dada por
var(Y ) = σ2Y ! E (Y −my )
2
= E (aTX− aTmX)
2
= E [aT (X−mX)]2
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A variancia de Y e dada por
var(Y ) = σ2Y ! E (Y −my )
2
= E (aTX− aTmX)
2
= E [aT (X−mX)]2
= E [aT (X−mX)(X−mX)Ta]
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A variancia de Y e dada por
var(Y ) = σ2Y ! E (Y −my )
2
= E (aTX− aTmX)
2
= E [aT (X−mX)]2
= E [aT (X−mX)(X−mX)Ta]
= aTE [(X−mX)(X−mX)
T ]a
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A variancia de Y e dada por
var(Y ) = σ2Y ! E (Y −my )
2
= E (aTX− aTmX)
2
= E [aT (X−mX)]2
= E [aT (X−mX)(X−mX)Ta]
= aTE [(X−mX)(X−mX)
T ]a
= aTCXa.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A fdp conjunta do vetor X =[
X1 X2 . . . Xn
]Te igual a
fX1...Xn(x1, . . . , xn) = fX(x)
.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A fdp conjunta do vetor X =[
X1 X2 . . . Xn
]Te igual a
fX1...Xn(x1, . . . , xn) = fX(x)
=exp {−1
2(x−mX)TC−1
X(x−mX)}
(2π)n/2(detCX)1/2.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
A fdp conjunta do vetor X =[
X1 X2 . . . Xn
]Te igual a
fX1...Xn(x1, . . . , xn) = fX(x)
=exp {−1
2(x−mX)TC−1
X(x−mX)}
(2π)n/2(detCX)1/2.
em que detCX e o determinante da matriz CX.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Exemplo
Considere o vetor aleatorio gaussiano X =[
X Y Z]T
commedia mX = 0 e matriz de covariancia
CX =
⎡
⎣
5 2 12 4 21 2 3
⎤
⎦
Determine fZ (z) e fZ |X=x ,Y=y (z).
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao:
Primeiramente vamos mostrar que Z e uma v.a. gaussiana. Zpode ser escrita como
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao:
Primeiramente vamos mostrar que Z e uma v.a. gaussiana. Zpode ser escrita como
Z = aTX =
[
0 0 1]
⎡
⎣
X
Y
Z
⎤
⎦
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao:
Primeiramente vamos mostrar que Z e uma v.a. gaussiana. Zpode ser escrita como
Z = aTX =
[
0 0 1]
⎡
⎣
X
Y
Z
⎤
⎦
Pela definicao anterior, como X e um vetor gaussiano entao a v.a.Z tambem e. Portanto, precisamos da esperanca e da variancia deZ para determinarmos sua fdp.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
A esperanca de Z e dada por definicao
mZ = EZ = 0 = aTmX
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
A esperanca de Z e dada por definicao
mZ = EZ = 0 = aTmX
A variancia de Z e obtida por
var(Z ) = σ2Z = a
TCXa
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
A esperanca de Z e dada por definicao
mZ = EZ = 0 = aTmX
A variancia de Z e obtida por
var(Z ) = σ2Z = a
TCXa
=[
0 0 1]
⎡
⎣
5 2 12 4 21 2 3
⎤
⎦
⎡
⎣
001
⎤
⎦
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
A esperanca de Z e dada por definicao
mZ = EZ = 0 = aTmX
A variancia de Z e obtida por
var(Z ) = σ2Z = a
TCXa
=[
0 0 1]
⎡
⎣
5 2 12 4 21 2 3
⎤
⎦
⎡
⎣
001
⎤
⎦
=[
0 0 1]
⎡
⎣
123
⎤
⎦ = 3
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
Assim, temos a fdp de Z
fZ (z) =1
√
2πσ2Z
e−(1/2)(z2/σ2Z )
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
Assim, temos a fdp de Z
fZ (z) =1
√
2πσ2Z
e−(1/2)(z2/σ2Z )
=1√6π
e−z2/6.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
Assim, temos a fdp de Z
fZ (z) =1
√
2πσ2Z
e−(1/2)(z2/σ2Z )
=1√6π
e−z2/6.
Para a distribuicao condicionada, considere
V =
[
X
Y
]
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
Assim,
fZ |X=x ,Y=y (z) = fZ |V=v(z)
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
Assim,
fZ |X=x ,Y=y (z) = fZ |V=v(z)
=fZV(z , v)
fV(v)=
fX(x)
fV(v)
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
Assim,
fZ |X=x ,Y=y (z) = fZ |V=v(z)
=fZV(z , v)
fV(v)=
fX(x)
fV(v)
O numerador fX(x) e
fX(x) =exp {−1
2(x−mX)TC−1
X(x−mX)}
(2π)3/2(detCX)1/2
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
em que mX = 0 e detCX = 32
xTC−1
Xx =
1
32
[
x y z]
⎡
⎣
8 −4 0−4 14 −80 −8 16
⎤
⎦
⎡
⎣
x
y
z
⎤
⎦
=1
32(8x2 + 14y2 + 16z2 − 8xy − 16zy)
substituindo em fX(x)
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
em que mX = 0 e detCX = 32
xTC−1
Xx =
1
32
[
x y z]
⎡
⎣
8 −4 0−4 14 −80 −8 16
⎤
⎦
⎡
⎣
x
y
z
⎤
⎦
=1
32(8x2 + 14y2 + 16z2 − 8xy − 16zy)
substituindo em fX(x)
fX(x) =exp {− 1
64(8x2 + 14y2 + 16z2 − 8xy − 16zy)}
(2π)3/2(32)1/2
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
Calculando o denominador fV(v)
fV(v) =exp {−1
2(v −mV)TC−1
V(v −mV)}
(2π)2/2(detCV)1/2
em que mV = 0,
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
Calculando o denominador fV(v)
fV(v) =exp {−1
2(v −mV)TC−1
V(v −mV)}
(2π)2/2(detCV)1/2
em que mV = 0,
CV =
[
5 22 4
]
,
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
Calculando o denominador fV(v)
fV(v) =exp {−1
2(v −mV)TC−1
V(v −mV)}
(2π)2/2(detCV)1/2
em que mV = 0,
CV =
[
5 22 4
]
,
detCV = 16,
vTC−1
Vv =
1
16
[
x y]
[
4 −2−2 5
] [
x
y
]
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao)
Calculando o denominador fV(v)
fV(v) =exp {−1
2(v −mV)TC−1
V(v −mV)}
(2π)2/2(detCV)1/2
em que mV = 0,
CV =
[
5 22 4
]
,
detCV = 16,
vTC−1
Vv =
1
16
[
x y]
[
4 −2−2 5
] [
x
y
]
=1
16(4x2 + 5y2 − 4xy)
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao).
substituindo em fV(v)
fV(v) =exp {− 1
32(4x2 + 5y2 − 4xy)}8π
e voltando para fZ |X=x ,Y=y (z) =fX(x)fV(v)
e simplificando
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Vetores Gaussianos
Solucao: (continuacao).
substituindo em fV(v)
fV(v) =exp {− 1
32(4x2 + 5y2 − 4xy)}8π
e voltando para fZ |X=x ,Y=y (z) =fX(x)fV(v)
e simplificando
fZ |X=x ,Y=y (z) =exp {−1
4(z −y2 )
2}2√π
Note que a esperanca de Z condicionada as observacoes de X e Y
nao e necessariamente nula.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Considere um PE X (t) com valores reais, ou seja X (t) ∈ ℜ.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Considere um PE X (t) com valores reais, ou seja X (t) ∈ ℜ.Sejam t1, t2, . . . , tn, n > 0, ındices de tempo.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Considere um PE X (t) com valores reais, ou seja X (t) ∈ ℜ.Sejam t1, t2, . . . , tn, n > 0, ındices de tempo.
Considere um vetor coluna aleatorio X de dimensao n definidopor
X =
⎡
⎢
⎢
⎢
⎣
X (t1)X (t2)
...X (tn)
⎤
⎥
⎥
⎥
⎦
=[
X (t1) X (t2) . . . X (tn)]T
.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Defina um vetor esperanca como
mX =
⎡
⎢
⎢
⎢
⎣
EX (t1)EX (t2)
...EX (tn)
⎤
⎥
⎥
⎥
⎦
.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Defina um vetor esperanca como
mX =
⎡
⎢
⎢
⎢
⎣
EX (t1)EX (t2)
...EX (tn)
⎤
⎥
⎥
⎥
⎦
.
Defina tambem uma matriz de autocovariancia
CX !
⎡
⎢
⎢
⎢
⎣
CX (t1, t1) CX (t1, t2) . . . CX (t1, tn)CX (t2, t1) CX (t2, t2) . . . CX (t2, tn)
......
. . ....
CX (tn, t1) CX (tn, t2) . . . CX (tn, tn)
⎤
⎥
⎥
⎥
⎦
.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Considere um vetor coluna x ∈ ℜn de dimensao n definido por
x =
⎡
⎢
⎢
⎢
⎣
x1x2...xn
⎤
⎥
⎥
⎥
⎦
.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Definicao
O PE X (t) e dito gaussiano se somente se
X =[
X (t1) X (t2) . . . X (tn)]T
, n > 0, e um vetor gaussianopara qualquer conjunto de instantes de tempo t1, t2, . . . , tn.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Definicao
O PE X (t) e dito gaussiano se somente se
X =[
X (t1) X (t2) . . . X (tn)]T
, n > 0, e um vetor gaussianopara qualquer conjunto de instantes de tempo t1, t2, . . . , tn.
Definicao
O PE Xn e dito gaussiano se somente se
X =[
Xn1 Xn2 . . . Xnk
]T, k > 0, e um vetor gaussiano para
qualquer conjunto de instantes de tempo n1, n2, . . . , nk .
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
A fdp conjunta do vetor X =[
X (t1) X (t2) . . . X (tn)]T
eigual a
fX (t1)...X (tn)(x1, . . . , xn) = fX(x)
=exp {−1
2(x−mX)TC−1
X(x−mX)}
(2π)n/2(detCX)1/2.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
A fdp conjunta do vetor X =[
X (t1) X (t2) . . . X (tn)]T
eigual a
fX (t1)...X (tn)(x1, . . . , xn) = fX(x)
=exp {−1
2(x−mX)TC−1
X(x−mX)}
(2π)n/2(detCX)1/2.
Observe que as v.as. X (t1),X (t2), . . . ,X (tn) nao precisam serindependentes; no entanto, elas sao individualmentedistribuıdas gaussianamente.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Propriedade 1
O PE gaussiano tem uma propriedade bem particular que e a deque as suas fdps conjuntas sao completamente especificadas pelafuncao esperanca do processo mX (t) e pela funcao deautocovariancia CX (t1, t2).
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Propriedade 1
O PE gaussiano tem uma propriedade bem particular que e a deque as suas fdps conjuntas sao completamente especificadas pelafuncao esperanca do processo mX (t) e pela funcao deautocovariancia CX (t1, t2).
Propriedade 2
Transformacoes lineares de vetores aleatorios gaussianos resultamtambem em vetores aleatorios gaussianos. Veremos mais adianteque operacoes lineares em PE gaussianos (soma, derivada,integral) resultam em um outro PE gaussiano.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Essas duas propriedades combinadas com o fato de que variossinais e processos ruıdosos sao modelados precisamente comogaussianos
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Essas duas propriedades combinadas com o fato de que variossinais e processos ruıdosos sao modelados precisamente comogaussianos
=⇒ o processo gaussiano como o modelo mais usado emprocessamento de sinais.
Exemplo
Considere o processo X (t) = Z1t + Z2 em que Z =[
Z1 Z2]T
eum vetor gaussiano com esperanca mZ = 0 e matriz de covariancia
CZ =
[
1 1/21/2 1
]
.
Ache a fdp de X (t).
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Solucao:
Temos que
X (t) = Z1t + Z2
=[
t 1]
[
Z1
Z2
]
= aTZ
Usando as propriedades dos vetores gaussianos, tem-se que X (t) eum processo gaussiano e portanto, precisamos de sua esperanca ede sua variancia para definir sua fdp.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Solucao: (continuacao)
A esperanca de X (t) e
mX (t) = aTmZ
=[
t 1]
[
00
]
= 0.
Bruno Barbosa Albert Processos Estocasticos
Vetores GaussianosProcessos Estocasticos Gaussianos
Processos Estocasticos Gaussianos
Solucao: (continuacao)
A esperanca de X (t) e
mX (t) = aTmZ
=[
t 1]
[
00
]
= 0.
A variancia de X (t) e
var(X (t)) = σ2X = a
TCZa
=[
t 1]
[
1 1/21/2 1
] [
t
1
]
= t2 + t + 1
Bruno Barbosa Albert Processos Estocasticos