Auto Corre La Cao

Função de Autocorrelação e Aplicações em ETI
Guilherme de Alencar Barreto

guilherme@deti.ufc.br
Grupo de Aprendizado de Máquinas – GRAMA

Programa de Pós-Graduação em Engenharia de Teleinformática
Universidade Federal do Ceará – UFC
http://www.deti.ufc.br/∼guilherme
c G. A. Barreto
“O processamento de sinais mudou! Não estamos mais na era na
qual a informação na forma de sinais elétricos é processada por
meio de tradicionais dispositivos analógicos. Nós estamos solida e,
para o futuro previsı́vel, irrevogavelmente, no âmago do
processamento de sinais digitais (amostrados ou discretos no
tempo) aleatórios.”
Charles W. Therrien, 1992

Discrete Random Signals and Statistical Signal Processing
c G. A. Barreto
Função de Autocorrelação
Conteúdo da Apresentação
1 Sinais de Tempo Contı́nuo/Discreto
2 Quantização e Amostragem
3 Gráfico de Dispersão (lagplot)
4 Definição de Função de Autocorrelação (FAC)
5 Detecção de Sinais Usando a FAC
6 Função Densidade Espectral de Potência (FDE)
7 Periodograma e a Transformada Discreta de Fourier
c G. A. Barreto
Pré-Requisitos
1 Variáveis Aleatórias
2 Álgebra Linear
3 Sinais e Sistemas
4 Noções de Matlab/Octave/Scilab
c G. A. Barreto
Objetivo Geral da Aula

Definir conceitos relacionados à avaliação quantitativa e qualitativa
da dependência estatı́stica entre valors de uma mesma variável
aleatória em instantes de tempo diferentes, bem como a aplicação
destes em problemas próprios da Engenharia de Teleinformática.
c G. A. Barreto
Referências Importantes
1 Charles W. Therrien (1992). Discrete Random Signals and Statistical

Signal Processing, .
2 Sı́lvio A. Abrantes (2000). Processamento Adaptativo de Sinais,

Fundação Calouste Gulbekian, Lisboa.
3 A. Hyvärinen, J. Karhunen & E. Oja (2001). Independent Component

Analysis, John Wiley & Sons.
4 S. Haykin (2001). Adaptive Filter Theory, 4th edition, Prentice Hall.
5 L. A. Aguirre (2007). Introdução a Identificação de Sistemas, 3a edição,

Editora UFMG.
6 G. A. Barreto - Notas de Aula disponı́veis em

http://www.deti.ufc.br/∼guilherme.
c G. A. Barreto
Parte I
Sinais de Tempo Contı́nuo/Discreto
c G. A. Barreto
Introdução
Objetivo Geral da Aula

Avaliar a dependência estatı́stica entre as amplitudes de um sinal
em instantes de tempo diferente.
Em Outras Palavras
Avaliar o quanto o valor atual da amplitude de um sinal
depende de seus valores passados.
Isto equivale a querer saber se o sistema que gera o sinal
sendo analisado tem MEMÓRIA!
c G. A. Barreto
Definição de Sinal
Em Engenharia de Teleinformática, tratamos com freqüência

de sinais aleatórios uni- ou multidimensionais.
Mas, o que vem a ser um sinal?
Definição Informal
Um sinal é a representação gráfica ou numérica da intensidade de
uma certa grandeza fı́sica que está sendo medida durante um dado
intervalo de tempo.
Exemplos: tensão, corrente, onda sonora, temperatura, força,

deslocamento, aceleração, etc.
c G. A. Barreto
Sinal de Tempo Contı́nuo
Em geral, a representação da grandeza fı́sica medida envolve

sua conversão para uma forma de onda de tensão/corrente
(sinal elétrico), fenômeno conhecido com transdução elétrica,
e que exige a presença de sensores (instrumentação).
Por exemplo, ao usarmos um microfone, o sinal de voz (onda
de pressão sonora) é convertido em um sinal elétrico que pode
ser medido e visualizado na tela de um osciloscópio analógico.
c G. A. Barreto
Sinal de Tempo Contı́nuo (cont.-1)
O gráfico mostrado no osciloscópio analógico é chamado de

forma de onda do sinal medido.
Note que a visualização da forma de onda em um osciloscópio
analógico mostra as amplitudes como estando definidas para
todo e qualquer instante de tempo dentro do intervalo de
medição.
Neste caso, o sinal é chamado de sinal de tempo contı́nuo ou
sinal analógico.
c G. A. Barreto
Definição Formal - Sinal Analógico

Seja a amplitude do sinal representada pela variável x, x ∈ ℜ e a
variável tempo pela letra t, t ∈ ℜ, então um sinal de tempo
contı́nuo é representado matematicamente como x(t) ou xt , sendo
a sua representação gráfica no plano cartesiano dada pela curva
x(t) × t, em que t corresponde ao eixo das abscissas e x(t) ao eixo
das ordenadas.
Um sinal é dito de tempo contı́nuo se o intervalo entre dois

instantes consecutivos quaisquer t1 e t2 , t2 > t1 > 0, é contı́nuo,
ou seja, não contém interrupções.
c G. A. Barreto
Atenção!
A definição de sinal analógico dada anteriormente é bem
genérica, contemplando tanto sinais determinı́sticos, quanto
sinais aleatórios, também chamados de sinais estocásticos.
Neste curso estamos particularmente interessados em sinais
aleatórios, ou seja, sinais que sofrem a influência de fenômenos
probabilı́sticos no seu processo de geração e/ou de medição.
c G. A. Barreto
Exemplo de sinal aleatório (senóide + ruı́do branco gaussiano)
c G. A. Barreto
Alguns exemplos de sinais analógicos, dentre inúmeros possı́veis,

são dados a seguir:
1 Sinal de voz/fala.
2 Sinal de eletrocardiograma (ECG).
3 Sinal de eletroencefalograma (EEG).
4 Música produzida por uma fita cassete.
5 Velocidade de rotação de um motor de indução.
6 Onda de tensão produzido por um gerador elétrico.
7 Onda de tensão nos TAPs do secundário de um transformador.
8 Sinal gerado por um instrumento musical (e.g. flauta, violino)
Exercı́cio: Você é capaz de imaginar outros exemplos de sinais
analógicos?
c G. A. Barreto
Pergunta Desafio
A afirmação a seguir é verdadeira ou falsa?
Sinais analógicos são aqueles que necessitam de sensores
ou transdutores para serem observados (medidos).
c G. A. Barreto
Sinal de Tempo Discreto
Atualmente estão cada vez mais comum o uso de

osciloscópios digitais e de osciloscópios virtuais. Osciloscópios
virtuais são aqueles implementados em software em
computadores pessoais (PCs).
Em ambos os casos, o sinal de tempo contı́nuo é convertido
em um sinal de tempo discreto por meio de conversores
Analógicos-Digitais (A/D).
Um conversor A/D executa basicamente duas funções:
amostragem e quantização.
Por meio destas duas funções, um conversor A/D converte um
sinal de tempo e amplitude contı́nuos em um sinal de tempo e
amplitude discretos.
c G. A. Barreto
Sinal de Tempo Discreto (cont.-1)
A amostragem é o processo pelo qual um sinal de tempo

contı́nuo é convertido em um sinal de tempo discreto.
Durante a amostragem o conversor A/D captura (lê) a cada
∆T unidades de tempo as amplitudes do sinal analógico x(t)
gerando uma seqüência numérica dada por:
{x(∆T ), x(2∆T ), . . . , x(n.∆T ), . . . , x(N · ∆T )}
em que a constante ∆T é chamada de perı́odo de

amostragem e o recı́proco fs = 1/∆T é chamado de
freqüência de amostragem do sinal contı́nuo.
Uma freqüência de amostragem fs =1 KHz quer dizer que em
1s são capturadas 1000 amostras do sinal contı́nuo x(t),
separadas de ∆T =1ms uma da outra.
c G. A. Barreto
A figura abaixo ilustra o processo de amostragem para um

sinal senoidal hipotético.
10
4
amplitude (V)
−2
−4
−6
−8
−10
0 0.2 0.4 0.6 0.8 1
tempo (s)
c G. A. Barreto
Teorema de Nyquist
Um resultado central na teoria da amostragem estabelece que
se o sinal analógico x(t) é amostrado a uma taxa fs maior
que duas vezes o valor de sua maior freqüência, ou seja, se
1
fs = ,
Ts
então x(t) pode ser recuperado a partir de {x(nT )} com
acurácia, ou seja, o sinal amostrado contém toda a
informação para reconstruir o sinal analógico.
Este resultado é chamado de Teorema de Nyquist, e a
menor taxa de amostragem que satisfaz este critério para um
dado sinal é chamada de Taxa de Amostragem de Nyquist.
c G. A. Barreto
O processo de quantização converte cada um dos valores

amostrados {x(∆T ), x(2∆T ), . . ., x(n∆T ), . . ., x(N ∆T )}
em um código binário que é formado por um certo número de
bits.
Por exemplo, se o código é de 4 bits então cada valor
amostrado é convertido para um dos 16 códigos possı́veis, ou
seja:
0000, 0001, 0010, 0011, 0100, 0101, 0110, 0111,

1000, 1001, 1010, 1011, 1100, 1101, 1110, 1111
Estes códigos correspondem a 16 nı́veis discretos de amplitude

entre o valor mı́nimo e máximo medido (ou permitido).
c G. A. Barreto
A escolha de qual palavra-código utilizar depende do valor da

amostra no instante nT , n = 1, . . . , N .
O valor de x(nT ) é “arredondado” para o nı́vel discreto mais
próximo.
A quantização é necessária pois o computador só entende
números binários.
O processo de quantização introduz um erro de
arredondamento, chamado de erro de quantização, que
depende diretamente do número de bits do conversor A/D.
O erro de quantização é sempre menor do que o passo de
quantização, que para um conversor de b bits é igual 2−b .
c G. A. Barreto
Os processos de amostragem e os efeitos numéricos da

quantização sobre o sinal amostrado estão ilustrado na tabela
abaixo.
Valor amostrado Valor Quantizado Código Binário

13,5 14 1110
7,8 8 1000
11,1 11 1011
8,6 9 1001
12,4 12 1100
c G. A. Barreto
As figuras abaixo ilustram os processos de amostragem (à

esquerda) e quantização do sinal amostrado (à direita).
10 10
8 8
6 6
4 4
amplitude (V)
amplitude (V)
2 2
0 0
−2 −2
−4 −4
−6 −6
−8 −8
−10 −10
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
tempo (s) tempo (s)
c G. A. Barreto
Conforme já mencionado, o uso do conversor A/D é

necessário para ETI porque o computador digital não é capaz
de processar diretamente sinais analógicos.
Contudo, há sinais que já “nascem” de tempo discreto e que
além disso também não tem uma interpretação propriamente
fı́sica (seja, mecânica, ou eletromagnética).
Este tipo de sinal pode ser encontrado em diversas áreas do
conhecimento, sendo o mercado financeiro um exemplo
bastante comum. Considere o valor de fechamento diário da
cotação Dólar/Real.
c G. A. Barreto
Sinal de Tempo Discreto (cont. 9)
Este é um sinal inerentemente de tempo discreto porque os

valores da cotação só estão disponı́veis de tempos em tempos,
em instantes bem definidos.
Neste caso, o perı́odo de amostragem (ou observação) dos
valores da cotação Dólar/Real pode ser de 24h, mas pode ser
diminuı́do para 5 em 5 minutos, 1 em 1 minuto, ao longo de
cada dia, etc.
Contudo, chegaremos a um limite prático inferior para o
perı́odo de observação desta grandeza. Por exemplo, não é
prático, talvez impossı́vel, que alguém (no caso, o operador do
mercado financeiro) seja capaz de observar a cotação
Dólar/Real a cada intervalo de 1ms!
c G. A. Barreto
Sinal de Tempo Discreto (cont.9)
Outros exemplos de sinais de tempo discreto, dentre inúmeros

possı́veis, são listados a seguir:
1 Tráfego em rede de computadores (e.g. pacotes que chegam
em um servidor de internet ao longo do tempo).
2 Consumo mensal de energia elétrica de uma residência1 .
3 Número de acidente aéreos por ano no mundo.
4 Número de terremotos por ano no mundo.
5 Número de chamadas telefônicas que chegam a uma central,
contabilizados de 10 em 10 minutos.
6 Número de erros tipográficos por página de um livro.
1
A energia é medida continuamente, mas o valor do consumo só está
disponı́vel ao final de cada mês.
c G. A. Barreto
Parte II
c G. A. Barreto
Prolegômenos
Nesta aula abordaremos duas das ferramentas mais

importantes na análise de sinais estocásticos, a saber: a
Função de Autocorrelação (FAC) e a Função Densidade
Espectral de potência (FDE).
Apesar do termo “correlação” ser usado aqui com sentido

semelhante àquele estudado para variáveis aleatórias, quando
aplicado a sinais estocásticos este termo envolverá também a
informação extraı́da da ordem temporal das amplitudes do
sinal ou sinais envolvidos.
c G. A. Barreto
FAC de sinais aleatórios contı́nuos
Definição
A Função de Autocorrelação (FAC) de X(t) para dois instantes
R
de tempo t1 e t2 , t1 , t2 ∈ e t2 > t1 , é definida como:
RX (t1 , t2 ) = E[X(t1 )X(t2 )]

Z ∞Z ∞
= x1 x2 fX1 X2 (x1 , x2 )dx1 dx2 (1)
−∞ −∞
em que x1 = x(t1 ), x2 = x(t2 ) e fX1 X2 (x1 , x2 ) é a FDP conjunta

de X1 = X(t1 ) e X2 = X(t2 ).
A FAC avalia o quanto a amplitude do sinal em certo instante

de tempo t1 está estatisticamente associada à amplitude do
sinal em outro instante de tempo t2 .
Note que a FAC fornece valores na faixa (−∞, +∞).
c G. A. Barreto
FAC de sinais aleatórios contı́nuos (cont.-1)
A figura abaixo mostra várias realizações um sinal aleatório.
c G. A. Barreto
Importante 1
Valores positivos indicam que quando a amplitude no instante
t1 tende a crescer, a amplitude no instante t2 tende a crescer
também.
Valores negativos indicam que quando a amplitude no

instante t1 tende a crescer, a amplitude no instante t2 tende a
decrescer.
Valores próximos de zero indicam que tanto faz se a

amplitude no instante t1 tende a crescer (ou descrescer), pois
não se verifica nenhuma tendência de crescimento (ou
decrescimento) da amplitude no instante t2 .
c G. A. Barreto
Importante 2
Valores elevados da FAC para dois instantes quaisquer t1 e t2
indicam a presença de componentes de baixa freqüência no
sinal.
⋆ Quando o sinal é predominantemente de baixa freqüência as
amplitudes consecutivas X(t1 ) e X(t2 ) possuem valores muito
parecidos.
Valores baixos da FAC para dois instantes quaisquer t1 e t2

indicam a presença de componentes de alta freqüência no
sinal.
⋆ Quando o sinal é predominantemente de alta freqüência as
amplitudes consecutivas X(t1 ) e X(t2 ) possuem valores bem
diferentes.
c G. A. Barreto
A figura abaixo mostra um sinal aleatório com um conteúdo

harmônico considerado de baixa freqüência.
1.5
X(t2)
X(t1)
1
0.5
Amplitude do Sinal
−0.5
−1
−1.5
0 10 20 30 40 50 60 70 80 90 100
t1 t2
tempo
c G. A. Barreto
A figura abaixo mostra um sinal aleatório com um conteúdo

harmônico de maior freqüência que a do sinal do slide anterior.
1.5
X(t1)
0.5
Amplitude do Sinal
−0.5 X(t2)
−1
−1.5
0 10 20 30 40 50 60 70 80 90 100
t1 t2
tempo
c G. A. Barreto
A amplitude do sinal mostrado na segunda figura varia

bastante entre instantes consecutivos t1 e t2 , t2 > t1 ,
enquanto a amplitude do sinal da primeira figura varia menos.
Logo, o produto X(t1 ) · X(t2 ) para a segunda figura é menor

do que o produto para a primeira figura, para os mesmos
valores t1 e t2 .
Quanto mais distintos forem os valores consecutivos das

amplitudes X(t1 ) e X(t2 ), menor será a correlação entre eles.
Quanto mais parecidos forem os valores consecutivos das

amplitudes X(t1 ) e X(t2 ), maior será a correlação entre eles.
c G. A. Barreto
Comentário Importante
A interpretação da FAC em termos do conteúdo harmônico de um
sinal será muito útil mais adiante quando formos definir o conceito
de função densidade espectral de potência.
c G. A. Barreto
Média de sinais aleatórios contı́nuos
Note que a definição da FAC dada na Eq. (1) assume que as

média mX (ti ) do sinal em t1 e t2 são nulas.
Esta suposição nem sempre é válida! O que nos levará à
definição de Função de Autocovariância.
Antes, vamos definir melhor a média do sinal X(t) em ti .
Definição
Seja fXi (xi ) a PDF de X(t) em ti e xi ≡ X(ti ). Então a média
de X(t) no instante ti é definida como:
Z ∞
mX (ti ) = E[X(ti )] = xi fXi (xi )dxi (2)
−∞
c G. A. Barreto
Média de sinais aleatórios contı́nuos (cont.-1)
Observações sobre a Média de um Sinal Aleatório

A média de um sinal estocástico é função de ti .
⋆ Ela pode ter valor diferente para diferentes valores de ti .
Na Eq. (2) o sinal é contı́nuo, logo para resolver a integral

devemos conhecer todos os infinitos possı́veis valores que xi
pode assumir em ti .
De acordo com a Eq. (2), para saber o valor médio da

amplitude do sinal no instante ti necessitamos de infinitas
realizações do sinal estocástico X(t).
c G. A. Barreto
Média de sinais aleatórios contı́nuos (cont.-2)
A figura abaixo mostra várias realizações um sinal aleatório.
c G. A. Barreto
Função de autocovariância de sinais aleatórios contı́nuos
Uma vez definida a média de um sinal estocástico,

prosseguimos com a definição de Função de
Autocovariância (FACV).
Definição
Seja fX1 X2 (x1 , x2 ) a PDF conjunta do sinal X(t) nos instantes t1
e t2 . Então a Função de Autocovariância (FACV) de X(t)
nestes dois instantes de tempo é definida como:
CX (t1 , t2 ) = E[(x(t1 ) − mX (t1 ))(x(t2 ) − mX (t2 ))] (3)
em que mX (ti ) = E[X(ti )] é a média do sinal no instante ti ,

i = 1, 2.
c G. A. Barreto
FACV de sinais aleatórios contı́nuos (cont.-1)
Após alguma manipulação algébrica, chegamos a uma

expressão bastante útil que relaciona a FAC com a FACV:
CX (t1 , t2 ) = RX (t1 , t2 ) − mX (t1 )mX (t2 ) (4)
⋆ Para obter a FACV basta calcular a FAC e subtrair o produto

das médias correspondentes.
Para sinais de médias nulas tem-se obviamente que
CX (t1 , t2 ) = RX (t1 , t2 ) (5)
c G. A. Barreto
Variância de sinais aleatórios contı́nuos
Uma definição importante que derivada da definição de FACV

é a de variância de um sinal aleatório.
Definição
Seja fXi (xi ) a PDF do sinal X(t) no instante ti . Então a
Variância (FACV) de X(t) neste instante é definida como:
2
σX (ti ) = E[(x(ti ) − mX (ti ))2 ],
Z ∞
= (xi − mX (ti ))2 fXi (xi )dxi (6)
−∞
em que mX (ti ) = E[X(ti )] é a média do sinal no instante ti .
c G. A. Barreto
Valor quadrático médio sinais aleatórios contı́nuos
Por sua vez, da definição de variância deriva-se o conceito de

Valor Quadrático Médio de um sinal aleatório.
Definição
Considere que o sinal X(t) tem média nula. Então, o valor
quadrático médio de X(t) é definido como:
E[x2 (ti )] = RX (ti , ti ),

Z ∞
= x2i fXi (xi )dxi (7)
−∞
c G. A. Barreto
Coeficiente de Autocorrelação
É comum em Processamento de Sinais Estocásticos, usar uma

versão normalizada da FACV, popularmente conhecida como
Coeficiente de Autocorrelação (CAC).
Definição
Seja CX (t1 , t2 ), σX (t1 ) e σX (t1 ), respectivamente, a FACV e as
variâncias do sinal X(t) para os instantes t1 e t2 . Então, o
Coeficiente de Autocorrelação (CAC) de X(t) é dado por
CX (t1 , t2 )
ρX (t1 , t2 ) = (8)
σX (t1 )σX (t2 )
Pode-se mostrar (Exercı́cio Proposto!) que
−1 ≤ ρX (t1 , t2 ) ≤ 1
c G. A. Barreto
Estacionariedade
Um conceito importante em processamento de sinais

aleatórios é a Estacionariedade.
Este conceito está associado com a invariância (ou constância)
das propriedades estatı́sticas de um processo estocástico.
Considere a seguinte realização de um processo estocástico:
{X(t1 ), X(t2 ), ..., X(tk )}
Considere agora uma nova realização obtida τ instantes de

tempo depois, ou seja:
{X(t1 + τ ), X(t2 + τ ), ..., X(tk + τ )}
c G. A. Barreto
Estacionariedade de um Processo Estocástico (cont.-1)
Definição
Um processo estocástico é fortemente estacionário ou estacionário
no sentido estrito se, e somente se, todas as FDPs de ordem k ≥ 1
forem invariantes sob uma translação do tempo τ ∈ . R
Assim, um processo estocástico é fortemente estacionário se, para
todo k e para todo τ :
fX1 (x1 ) ≡ fX1+τ (x1+τ )

fX1 X2 (x1 , x2 ) ≡ fX1+τ X2+τ (x1+τ , x2+τ )
.. .. ..
. . .
fX1 X2 ...Xk (x1 , x2 , ..., xk ) ≡ fX1+τ X2+τ ...Xk+τ (x1+τ , x2+τ , ..., xk+τ )
c G. A. Barreto
Observações Importantes - 1
A condição de estacionariedade forte é um requisito bastante
severo, pois exige que todas as FDPs associadas sejam
invariantes no tempo.
Esta condição é bastante difı́cil de ser verificada ou testada na

prática. Uma definição “menos” exigente de estacionariedade
é freqüentemente usada (ou assumida).
c G. A. Barreto
Quando a condição acima só é válida para 1 ≤ r ≤ k, diz-se
que o processo estocástico X(t) é estacionário de ordem r.
Um caso importante e de bastante interesse prático diz

respeito a um processo estocástico estacionário de ordem
r = 2.
Este processo estacionário é chamado fracamente

estacionário ou estacionário no sentido amplo.
c G. A. Barreto
Para um processo fracamente estacionário as seguintes condições
são válidas:
Condição 1 - A média do processo mX (ti ) é constante.

2 (t ) é constante.
Condição 2 - A variância do processo σX i
Condição 3 - A FAC do processo RX (t1 , t2 ) = RX (τ ), em que

τ = t2 − t1 (t1 < t2 ).
As condições acima são mais fáceis de se verificar na prática,

permitindo classificar um sinal estocástico em estacionário ou
não-estacionário.
c G. A. Barreto
Mostre que a Condição 1 de estacionariedade fraca é verdadeira.

Seja X(t) um processo estocástico contı́nuo. Se o processo é
estacionário, então podemos escrever que:
fXt (xt ) = fXt+τ (xt+τ ), ∀τ ∈ R

Assim, a média de X(t + τ ) é dada por:
Z ∞
mX (t + τ ) = E[X(t + τ )] = xt+τ fXt+τ (xt+τ )dxt+τ
−∞
Z ∞
= xt+τ fXt (xt )dxt+τ = E[X(t)] = mX (t)!
−∞
c G. A. Barreto
Mostre que a Condição 3 de estacionariedade fraca é verdadeira.

Seja X(t) um processo estocástico contı́nuo. Assim, a FAC de
X(t) é dada por:
E[X(t1 )X(t2 )] = RX (t1 , t2 ) = RX (t1 + τ, t2 + τ )

= RX (t1 − t2 , 0) ≡ RX (τ ), ∀τ ∈ R (9)
em que assumimos que
fX1 X2 (x1 , x2 ) = fX1+τ X2+τ (x1+τ , x2+τ )
Note que a FAC depende apenas da diferença entre t1 e t2 . Por

isso, em vez de escrever RX (t1 − t2 , 0), costumamos abreviar a
notação e escrever RX (t1 − t2 , 0) = RX (τ ).
c G. A. Barreto
A figura abaixo mostra um sinal aleatório estacionário (pelo

menos para o perı́odo de observação do mesmo!).
1.5
0.5
Amplitude do Sinal
−0.5
−1
−1.5
0 100 200 300 400 500 600 700 800 900 1000
tempo
c G. A. Barreto
A figura anterior mostra uma realização do seguinte processo

estocástico, simulado no Matlab/Octave:
X(t) = sin(ωt) + ε(t) (10)
em que ε(t) é uma variável aleatória gaussiana de média zero e

variância σε2 =0,1, ω = 2π/T é a freqüência angular constante
e T = 50 unidades de tempo é o perı́odo da senóide.
O sinal gerado obedece todas as três condições de
estacionariedade fraca.
O tipo de sinal estocástico mostrado na Eq. (10) simula um
fenômeno comumente encontrado na prática: um sinal
determinı́stico contaminado com ruı́do branco.
c G. A. Barreto
A parte senoidal do sinal corresponderia a uma onda de

tensão/corrente gerada por determinado equipamento elétrico,
enquanto a variável aleatória ε(t) corresponderia ao ruı́do que
interfere na medição desta onda de tensão/corrente.
Na prática, mede-se apenas o sinal ruidoso X(t).
Muitas vezes o nı́vel de ruı́do é tão elevado que não temos

certeza absoluta que o sinal medido possui uma componente
senoidal.
Mais adiante estudaremos uma técnica baseada na FAC para

detectar sinais perı́odicos imersos em ruı́do.
c G. A. Barreto
A figura abaixo mostra um sinal aleatório não-estacionário na

média (por quê?).
3.5
2.5
2
Amplitude do Sinal
1.5
0.5
−0.5
−1
−1.5
0 100 200 300 400 500 600 700 800 900 1000
tempo
c G. A. Barreto

variância (por quê?).
2.5
1.5
1
Amplitude do Sinal
0.5
−0.5
−1
−1.5
−2
−2.5
0 100 200 300 400 500 600 700 800 900 1000
tempo
c G. A. Barreto

FAC (por quê?).
1.5
0.5
Amplitude do Sinal
−0.5
−1
−1.5
0 100 200 300 400 500 600 700 800 900 1000
tempo
c G. A. Barreto
A estacionariedade fraca permite simplificar as expressões da

FAC, FACV e CAC, escrevendo-as em função de τ = t2 − t1 .
Por exemplo, a FAC passa ser escrita como:
RX (t1 , t2 ) = RX (τ ) = E[X(t)X(t + τ )] (11)
A FACV, por sua vez, passa ser escrita como:
CX (t1 , t2 ) = CX (τ ) = E[(X(t)−mX )(X(t+τ )−mX )] (12)
Por fim, ao CAC passa ser escrito como:
CX (τ )
ρX (t1 , t2 ) = ρX (τ ) = 2 (13)
σX
2 são constantes.
em que mX e σX
c G. A. Barreto
Como a FAC de um processo fracamente estacionário depende

apenas de τ (τ > 0), podemos escrever a FAC de duas
maneiras equivalentes:
RX (τ ) = E[X(t)X(t + τ )] (14)
ou
RX (τ ) = E[X(t − τ )X(t)] (15)
Note que em ambas definições temos t2 − t1 = τ .
A mesma observação vale para a definição da FACV e do CAC.
c G. A. Barreto
Propriedades Gerais da FAC
(1) RX (0) é o valor quadrático médio do processo X(t):
E[x2 (ti )] = RX (ti , ti ) = RX (ti − ti ) = RX (0).

2 se o processo tiver média nula.
(2) RX (0) = σX
(3) RX (τ ) é uma função par de seu argumento:
RX (τ ) = RX (−τ ). Assim, para fins de análise consideramos
apenas os valores correspondentes a τ > 0.
(4) |RX (τ )| ≤ RX (0), para todo τ .
(5) Se X(t) contém uma componente periódica, RX (t) também
conterá uma componente de mesmo perı́odo.
c G. A. Barreto
Propriedades Gerais da FAC (cont.)
(6) Se a componente periódica é do tipo senoidal, então RX (t)

perderá informação sobre a fase da componente senoidal.
(7) Se X(t) não contém componentes periódicas, RX (τ ) tende a
zero, à medida que τ → ∞.
(8) Se para um determinado processo estocástico X(t) obtivermos
RX (∞) = 0 implica dizer que o processo tem média zero.
(9) A transformada de Fourier de RX (τ ) é real (não é um número
complexo), simétrica e não-negativa.
c G. A. Barreto
Ergodicidade de um Processo Estocástico
Definição
Um processo estocástico é ergódico, se seus momentos
estatı́sticos, calculados ao longo de várias realizações do processo,
forem equivalentes aos momentos temporais, calculados a partir de
uma única realização do processo.
c G. A. Barreto
Ergodicidade de um Processo Estocástico (cont.-1)
Definição
Um processo é ergódico na média, se e somente se:
Z ∞
E[X(ti )] = xi fXi (xi )dxi
−∞
1 k
 R
 k 0 x(t)dt, k → ∞ (sinal contı́nuo)
≡ (16)
 1 Pk
k i=1 x(ti ), k → ∞ (sinal amostrado)
c G. A. Barreto
Definição
Um processo é ergódico na variância, se e somente se:
Z ∞
V ar[X(ti )] = (xi − µX )2 fXi (xi )dxi
−∞
1 k
− µX )2 dt, k → ∞
 R
 k 0 (x(t) (contı́nuo)
≡ (17)
 1 Pk 2
k i=1 (x(ti ) − µX ) , k → ∞ (amostrado)
c G. A. Barreto
Definição
Um processo é ergódico na correlação, se e somente se:
RX (τ ) = E[X(t)X(t + τ )]
Z ∞Z ∞
= xt xt+τ fXt Xt+τ (xt , xt+τ )dxt dxt+τ
−∞ R −∞
k
 k1 0 x(t)x(t + τ )dt, k → ∞
 (contı́nuo)
≡ (18)
 1 Pk−τ x(t )x(t + τ ), k → ∞ (amostrado)

k−τ i=1 i i
c G. A. Barreto
O conceito de ergodicidade é de fundamental importância

prática para a teoria de processos estocásticos.
Dizer que um processo é ergódico implica em assumir que

podemos inferir todas as informações estatı́sticas sobre o
processo estocástico a partir de uma única realização do
mesmo.
Na prática, é muito difı́cil verificar a estacionariedade no

sentido estrito e a ergodicidade de um processo estocástico.
Assim, para facilitar a nossa vida, o que se faz é assumir que o

processo é estacionário no sentido amplo e ergódico.
c G. A. Barreto
Dica Prática para Verificar Estacionariedade!

(1) Dividir o sinal original em um número finito K de sub-sinais
de mesmo comprimento N .
(2) Para um certo ti fixo, estimar a média (mx (ti )) e variância
(σx (ti )) ao longo das K pseudo-realizações:
K
1 X (k)
m̂X (ti ) ≈ x (ti ), (19)
K
k=1
K
2 1 X (k)
σ̂X (ti ) ≈ (x (ti ) − m̂X (ti ))2 , (20)
K
k=1
para i = 1, . . . , N .
c G. A. Barreto
Dica Prática para Verificar Estacionariedade! (cont.)

(3) Calcular a média das médias e das variâncias do Item (2):
PN PN 2
i=1 m̂X (ti ) i=1 σ̂X (ti )
M̄ = e V̄ = (21)
N N
(4) Calcular a média e a variância das amplitudes da realização
original completa:
N ·K
1 X
X̄ ≈ x(ti ), (22)
N ·K
i=1
N ·K
1 X
s2X ≈ (x(ti ) − X̄)2 . (23)
N ·K
i=1
c G. A. Barreto
Dica Prática!
(5) Analisar a plausibilidade das seguintes hipóteses:
A média é constante, ou seja, M̄ ≈ X̄.
A variância é constante, ou seja, V̄ ≈ s2X .
(6) Se as hipóteses forem verdadeiras, então pode-se assumir com

relativa segurança que o processo é ergódico e estacionário.
c G. A. Barreto
Exercı́cio Resolvido
Considere o seguinte processo estocástico:
X(t) = A sin ωt (24)
em que A é uma variável aleatória gaussiana de média zero e

2 , ω é uma constante de valor conhecido e t
variância σA
corresponde ao tempo contı́nuo.
Suponha que obtemos um valor amostral para A, denotado

por A1 . Assim, a realização correspondente de X(t) para esse
valor de A1 é dada por:
XA (t) = A1 sin ωt (25)
c G. A. Barreto
Assim, usando a Eq. (18) para um sinal contı́nuo, obtemos:
1 k
Z
RXA (τ ) = lim x(t)x(t + τ )dt
k→∞ k 0
1 k
Z
= lim A1 sin ωt · A1 sin ω(t + τ )dt
k→∞ k 0
A21
= cos ωτ
2
Para resolver a integral acima usar a seguinte identidade
trigonométrica:
1 1
sin(a) · sin(b) = cos(a − b) − cos(a + b)
2 2
c G. A. Barreto
Por outro lado, usando a definição teórica da FAC (Eq. (1)),
chegamos ao seguinte resultado:
RX (t1 , t2 ) = E[X(t1 )X(t2 )] = E[A sin ωt1 · A sin ωt2 ]

= E[A2 ] sin ωt1 · A sin ωt2 ]
2
= σA sin ωt1 · A sin ωt2 (26)
Como os resultados são diferentes, concluı́mos que este

processo não é ergódico.
Além disso, como a expressão da FAC dada na Eq. (26) não
pode ser reduzida a uma simples função de τ = t2 − t1 , o
processo também não é estacionário.
c G. A. Barreto
Função de Correlação Cruzada (FCC) - Sinais Contı́nuos
Definição 1
Sejam X(t) e Y (t) dois sinais aleatórios estacionários de tempo
contı́nuo. A Função de Correlação Cruzada (FCC) entre X(t) e
Y (t) pode ser definida como:
RXY (τ ) = E[X(t)Y (t + τ )], τ = 0, 1, 2, ... (27)

Z ∞Z ∞
= xt yt+τ fXt Yt+τ (xt , yt+τ )dxt dyt+τ ,
−∞ −∞
em que fXt Yt+τ (xt , yt+τ ) é a FDP conjunta de X(t) e Y (t + τ ).
c G. A. Barreto
Função de Correlação Cruzada (FCC) (cont.-1)
Definição 2
A FCC entre X(t) e Y (t) também pode ser definida como:
RY X (τ ) = E[Y (t)X(t + τ )], τ = 0, 1, 2, ... (28)

Z ∞Z ∞
= yt xt+τ fYt Xt+τ (yt , xt+τ )dyt dxt+τ ,
−∞ −∞
em que fYt Xt+τ (yt , xt+τ ) é a FDP conjunta de Y (t) e X(t + τ ).
c G. A. Barreto
Propriedades da FCC
Propriedade 1
A definição de RY X (τ ) dada na Eq. (28) é invariante a uma
translação de −τ .
Desta forma, RY X (τ ) é também dada por:
RY X (τ ) = E[Y (t − τ )X(t)] (29)
Comparando a Eq.(29) com a definição de RXY (τ ) dada na

Eq.(27), percebemos que:
RXY (τ ) = RY X (−τ ) (30)
Logo, trocar a ordem dos ı́ndices da FCC tem o efeito de

mudar o sinal do seu argumento.
c G. A. Barreto
Propriedades da FCC
Propriedades 2 e 3
O valor máximo de RXY (τ ) e RY X (τ ) geralmente não
ocorrem para τ = 0.
Porém, pode-se mostrar que
p
|RXY (τ )| ≤ RX (0)RY (0) (31)
Para dois processos estocásticos independentes temos que:
RXY (τ ) = RY X (τ ) (32)
c G. A. Barreto
Função de Correlação Cruzada (FCC) - Sinais Discretos
Definição
Sejam X(t) = {..., x(−2), x(−1), x(0), x(1), x(2), ...} e
Y (t) = {..., y(−2), y(−1), y(0), y(1), y(2), ...} dois sinais aleatórios
estacionários e de tempo discreto. Neste caso, as FCCs são
definidas como:
∞
X
RXY (τ ) = x(t)y(t + τ ) (33)
t=−∞
e
∞
X
RY X (τ ) = y(t)x(t + τ ), (34)
t=−∞
para τ = 0, 1, 2, ...
c G. A. Barreto
Estimação da FCC - Sinais Discretos
Definição 1
Sejam X(t) = {x(1), x(2), ..., x(N )} e
Y (t) = {y(1), y(2), ..., y(N )} duas seqüências aleatórias
finitas (e.g. sinais amostrados).
Neste caso, as FCCs podem ser estimadas por meio das
seguintes expressões:
PN −τ
t=1 x(t)y(t + τ )
rXY (τ ) = (35)
N −τ
e
PN −τ
t=1 y(t)x(t + τ )
rY X (τ ) = , (36)
N −τ
para τ = 0, 1, 2, ...
c G. A. Barreto
Estimação da FCC - Sinais Discretos (cont.-1)
Exemplo
c G. A. Barreto
Estimação da FCC - Sinais Discretos (cont.-2)
Exemplo (continuação)
c G. A. Barreto
FAC na Detecção de Sinais em Meio ao Ruı́do
Na prática, é comum a ocorrência de combinações aditivas de

sinais estocásticos.
Por exemplo, seja um processo Z(t) dado pela soma de dois
outros processos estacionários X(t) e Y (t):
Z(t) = X(t) + Y (t) (37)
Pode-se mostrar (exercı́cio!) que a FAC do processo Z(t) é

dada por:
RZ (τ ) = E[Z(t)Z(t + τ )]
= RX (τ ) + RY X (τ ) + RXY (τ ) + RY (τ ) (38)
c G. A. Barreto
FAC na Detecção de Sinais em Meio ao Ruı́do (cont.-1)
Se X(t) e Y (t) são processos não-correlacionados e ambos

têm média zero, os termos RY X (τ ) = RXY (τ ) são nulos,
resultando em
RZ (τ ) = RX (τ ) + RY (τ ) (39)
Assim, concluı́mos a FAC de um sinal formado pela soma de

dois sinais não-correlacionados é equivalente soma das FACs
dos sinais individuais.
Este resultado pode ser estendido para a soma de mais de dois

processos estocásticos não-correlacionados.
c G. A. Barreto
A Eq. (39) provê um procedimento muito interessante para

ser utilizado na prática; por exemplo, na detecção de sinais
determinı́sticos em um meio ruidoso, tal como um canal de
comunicação.
Nesta aplicação supõe-se que um determinado sinal

estocástico é formado por componentes determinı́sticas
(informação transmitida pelo meio) distorcidas por ruı́do e que
o ruı́do e a informação desejada são não-correlacionados.
c G. A. Barreto
Seja o sinal senoidal de amplitude unitária e perı́odo T = 50

unidades de tempo, cujo gráfico está mostrado na figura
abaixo.
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 20 40 60 80 100 120 140 160 180 200
c G. A. Barreto
De acordo com o exposto na teoria, a FAC de um sinal

periódico é também periódica e possui o mesmo perı́odo do
sinal.
Sample Autocorrelation Function (ACF)

1
0.8
0.6
0.4
Sample Autocorrelation
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 10 20 30 40 50 60 70 80 90 100
Lag
c G. A. Barreto
Considere agora um sinal totalmente aleatório (ruı́do branco),

gaussiano, de média 0 e variância 1.
Ruido Branco N(0,1)

3
−1
−2
−3
0 20 40 60 80 100 120 140 160 180 200
Tempo
c G. A. Barreto
De acordo com a teoria, a FAC do ruı́do branco é nula, exceto

para τ = 0. A FAC estimada a partir do sinal mostrado na
figura anterior é mostrado abaixo.

1
0.5
−0.5
0 10 20 30 40 50 60 70 80 90 100
Lag
c G. A. Barreto
Considere agora um sinal formado pela soma da senóide com

o ruı́do branco. Este sinal é mostrado abaixo.
−1
−2
−3
−4
0 20 40 60 80 100 120 140 160 180 200
Tempo
c G. A. Barreto
Pergunta Desafio
Você poderia confirmar só no “olhômetro”, que este sinal
estocástico é uma senóide contaminada com ruı́do branco?
De acordo com a teoria, a FAC de dois sinais

não-correlacionados é a soma das FACs dos sinais individuais.
Vamos ver se isto se confirma?
A FAC do sinal ruidoso estimada diretamente a partir do sinal
observado é mostrada no próximo slide.
c G. A. Barreto

1
0.5
−0.5
0 10 20 30 40 50 60 70 80 90 100
Lag
Assim, concluı́mos que a FAC pode ser usada para detectar

estruturas determinı́sticas periódicas imersas em sinais
estocásticos, podendo inclusive estimar o perı́odo do sinal
determinı́stico.
c G. A. Barreto
Função Densidade Espectral de Potência
Definição
Seja um processo estocástico X(t) contı́nuo, estacionário e de
média nula. A Função Densidade Espectral de Potência (FDE) de
X(t) é definida como:
Z ∞
SX (jω) = F[RX (τ )] = RX (τ )e−jωτ dτ (40)
−∞
em que
F[·] é a transformada de Fourier do sinal.
RX (τ ) = E[X(t)X(t − τ )] é a FAC de X(t).
ω = 2πf (rad/s) é a freqüência angular.
A Eq. (40) é conhecida como relação de Wiener-Khinchin em

homenagem aos seus proponentes.
c G. A. Barreto
Função Densidade Espectral de Potência (cont.-1)
Seja a transformada de Fourier inversa de SX (jω) dada por:

∞
1
Z
F −1
[SX (jω)] = SX (jω)ejωτ dω = RX (τ ) (41)
2π −∞
Então, é possı́vel definir o valor quadrático médio de um

processo estacionário, dada sua FDE.
Para isto, basta fazer τ = 0 na Eq. (41), ou seja:

Z ∞
2 1
RX (0) = E[X (t)] = SX (jω)dω (42)
2π −∞
c G. A. Barreto
A Eq. (42) sugere que a potência do sinal está distribuı́da em

freqüência de acordo com SX (jω).
É nesta interpretação que está a origem dos termos densidade
e potência na nomenclatura adotada para a Eq. (40).
Com base na Eq. (41), pode-se obter a potência média P̄ em
uma banda-passante finita integrando SX (jω) na faixa
apropriada de freqüências:
Z −ω1 Z ω2
1 1
P̄ω1 ≤ω≤ω2 [X(t)] = SX (jω)dω + SX (jω)dω
2π −ω2 2π ω1
para ∀ω1 , ω2 > 0.
c G. A. Barreto
Pode-se fazer os seguintes comentários sobre a relação entre FDE

e a FAC:
⇒ As funções RX (τ ) e SX (jω) são pares transformados. Assim,
ambos contém a mesma informação estatı́stica sobre o
processo.
⇒ Visto que se pode ir e vir entre os domı́nios do tempo e da
freqüência, a escolha de uma das formas é apenas uma
questão de conveniência!
⇒ Devido aos atributos de RX (τ ), a sua transformada de
Fourier dada por SX (jω) será sempre uma função real,
não-negativa e simétrica de ω.
c G. A. Barreto
Definições
A FDE Cruzada (FDEC) entre dois processos estacionários
contı́nuos, X(t) e Y (t), pode ser definida de duas formas:
Z ∞
SXY (jω) = F[RXY (τ )] = RXY (τ )e−jωτ dτ (43)
−∞
Z ∞
SY X (jω) = F[RY X (τ )] = RY X (τ )e−jωτ dτ (44)
−∞
em que RXY (τ ) e RY X (τ ) são as respectivas FCC cruzadas de

X(t) e Y (t).
c G. A. Barreto
FDE Cruzada de Dois Sinais Aleatórios (cont.-1)
Comentário Importante 1
As funções RXY (τ ) e RY X (τ ) não são necessariamente
funções pares de τ !!
Logo, as funções SXY (jω) e SY X (jω) correspondentes não
são, em geral, funções reais de ω.
Comentário Importante 2
De fato, mostrou-se anteriormente que RXY (τ ) = RY X (−τ ).
Neste caso, as funções SXY (jω) e SY X (jω) são pares
complexos conjugados, ou seja:
SXY (jω) = SY∗ X (jω)
c G. A. Barreto
Função Coerência
A FDE Cruzada Normalizada, chamada de Função
Coerência, de dois processos estacionários X(t) e Y (t) é
definida como:
SXY (jω)
γXY (jω) = p p . (45)
SX (jω) SY (jω)
O valor absoluto quadrático de γXY (jω) é dado por:
|SXY (jω)|2
|γXY |2 = , (46)
SX (jω)SY (jω)
2
tal que 0 ≤ γXY ≤ 1.
c G. A. Barreto
Resultado Importante
Seja Z(t) um sinal aleatório dado pela soma de dois outros
sinais não-correlacionados, X(t) e Y (t).
A FDE de Z(t) é então dada por
SZ (jω) = F[RX+Y (τ )] = SX (jω) + SY (jω), (47)
visto que SXY (jω) = SY X (jω) = 0, ∀ω.
c G. A. Barreto
Periodograma
Definição: Periodograma
Seja F[XT (t)] a transformada de Fourier de uma versão
“truncada”, XT (t), de um processo estacionário X(t).
Define-se o periodograma de qualquer realização particular de

XT (t) como a seguinte quantidade:
1
Periodograma[XT (t)] = |F[XT (t)]|2 (48)
T
c G. A. Barreto
Periodograma (cont.-1)
O interesse prático no cálculo do periodograma está no fato

de que seu valor esperado, para T → ∞, fornece uma
estimativa não-paramétrica da FDE de XT (t).
Numericamente,tem-se que:
Z ∞
1 2
E lim |F[XT (t)]| = RX (τ )e−jωτ dτ (49)
T →∞ T −∞
A Eq. (49) é de fundamental importância pois é ela que faz a

conexão da função SX (jω) com o conceito de “espectro” no
sentido clássico.
c G. A. Barreto
Transformada Discreta de Fourier
Considere um sinal de banda-passante na faixa 0 a W Hz.

O teorema de Nyquist/Shannon diz que a taxa de amostragem
do sinal deve ser de pelo menos 2W amostras/segundo.
Seja o número N de amostras do sinal. Assim, o intervalo de
tempo T varrido pelas amostras é
N
T =
2W
Seja o sinal truncado XT (t) representado agora por g(t).
Assim, sua transformada de Fourier é dada por:
Z T
G(jω) = g(t)e−jωt dt (50)
0
em que assume-se que g(t) ∈ ℜ, ∀t ∈ [0, T ].
c G. A. Barreto
Transformada Discreta de Fourier (cont.-1)
Considere agora uma discretização de G(jω) dada por:

N
X −1
G(jn2π∆f ) ≈ gk e−jn2π∆f k∆T ∆T (51)
k=0
em que
gk = g(tk ), k = 0, 1, . . . , N − 1
1
∆T = = espaço entre amostras no domı́nio do tempo
2W
2W
∆f = = espaço entre amostras no domı́nio da freqüência
N
c G. A. Barreto
1
Nota-se que ∆f · ∆T = N. Assim, a Eq. (51) pode ser
reescrita como:
N −1
1 X 2πnk
G(jn2π∆f )∆f ≈ gk exp −j (52)
N N
k=0
Dada a seqüência g0 , g1 , ..., gN −1 , o lado direito da Eq. (52)

gera uma outra seqüência G0 , G1 , ..., GN −1 , dada por:
N −1
1 X 2πnk
Gn = gk exp −j , n = 0, 1, ..., N − 1 (53)
N N
k=0
em que Gn não são valores exatos de G(jω), mas sim boas

aproximações destas.
c G. A. Barreto
Dada a seqüência {Gn }N −1

n=0 , pode-se mostrar que existe a
seguinte relação inversa exata:
N −1
X 2πnk
gk = Gn exp j , k = 0, 1, ..., N − 1 (54)
n=0
N
As seqüências {Gn } e {gk } formam um par-transformado de

Fourier, ou seja, dado uma delas pode-se achar a outra.
A seqüência {Gn } é chamada de Transformada Discreta de
Fourier de gk , enquanto {gk } é a transformada inversa {Gn }.
c G. A. Barreto
Comentários Importantes sobre DFT

(1) A seqüência |G0 |2 , |G1 |2 , ..., define uma aproximação da FDE
do sinal, pois envolve apenas uma única realização.
(2) A DFT foi responsável pela popularização do método do
periodograma. Quanto maior N maior a resolução e a
confiabilidade do resultado.
(3) A implementação algorı́tmica da DFT exige um número de
multiplicações da ordem de N 2 .
c G. A. Barreto
Comentários Importantes sobre DFT (cont.)

(4) Implementações computacionalmente eficientes da DFT,
chamadas de Transformadas Rápidas de Fourier (FFT),
requerem multiplicações da ordem de N log2 N .
(5) Todos os algoritmos do tipo FFT exigem que o número de
amostras N seja uma potência inteira de 2.
(6) Se N é pequeno e uma boa resolução no domı́nio da
freqüência é requerida, então é melhor usar a DFT da
Eq. (53).
c G. A. Barreto
Periodograma no Matlab/Octave
Exemplo Computacional
c G. A. Barreto
Exemplo Computacional (cont.-1)
c G. A. Barreto
Exemplo Computacional (cont.-2)

80
70
Power Spectral Density (Power/Hz)
60
50
40
30
20
10
0
0 50 100 150 200 250 300 350 400 450
Frequency (Hz)
O mesmo gráfico com eixo vertical em dB pode ser

conseguido usando o seguinte comando: periodogram(y).
c G. A. Barreto
Parte III
Gráfico de Dispersão (lagplot)
c G. A. Barreto
Definição
Técnica qualitativa (gráfica) que avalia a correlação serial das
amplitudes do sinal através do gráfico de dispersão.
Implementação
Considere o seguinte sinal de tempo discreto:
X = {x(1), x(2), x(3), ...., x(N )}.
O lagplot consiste em gerar o gráfico de um conjunto de
pares ordenados:
[x(n), x(n − τ )], n = τ + 1, . . . , N (55)
em que a constante τ (τ > 1) é chamada de lag e define ao

distanciamento temporal entre as amplitudes do sinal.
c G. A. Barreto
Definição
Técnica qualitativa (gráfica) que avalia a correlação serial das
amplitudes do sinal através do gráfico de dispersão.
Implementação
Considere o seguinte sinal de tempo discreto:
X = {x(1), x(2), x(3), ...., x(N )}.
O lagplot consiste em gerar o gráfico de um conjunto de
pares ordenados:
[x(n), x(n − τ )], n = τ + 1, . . . , N (56)
em que a constante τ (τ > 0) é chamada de lag e define ao

distânciamento temporal entre as amplitudes do sinal.
c G. A. Barreto
Comentários
Em geral, é necessário plotar lagplots para vários lags para se
ter uma idéia da persistência da memória.
Em outras palavras, vários lagplots são necessários para

avaliar quanto tempo dura a influência dos valores passados
sobre o valor atual do sinal.
A influência pode ser dos valores passados sobre o valor atual

pode ser positiva, negativa ou nula.
c G. A. Barreto
Exemplo 1
Considere um sinal de tempo discreto X, de comprimento
N = 1000.
Lagplot (τ = 1)
Os pares ordenados que formam o lagplot para τ = 1 são definidos
como:
[x(n), x(n − 1)], n = 2, ...., 1000. (57)
Ou seja,
[x(2), x(1)], [x(3), x(2)], · · · , [x(1000), x(999)]. (58)
c G. A. Barreto
Exemplo 2
Considere novamente um sinal de tempo discreto X, de
comprimento N = 1000.
Lagplot (τ = 2)
Os pares ordenados que formam o lagplot para τ = 2 são definidos
como:
[x(n), x(n − 2)], n = 3, ...., 1000. (59)
Ou seja,
[x(3), x(1)], [x(4), x(2)], · · · , [x(1000), x(998)]. (60)
E assim sucessivamente para outros lagplots do mesmo sinal

(i.e.τ = 3, ..., 1000).
c G. A. Barreto
Gráficos de Tı́picos
Lagplot (τ = 1) - correlação positiva

O lagplot de um sinal cujas as amplitudes distanciadas de τ = 1
estão positivamente correlacionadas é mostrado a seguir.
c G. A. Barreto
Gráficos de Tı́picos (cont.-1)
Lagplot (τ = 1) - correlação nula

O lagplot de um sinal cujas as amplitudes distanciadas de τ = 1
não são correlacionadas é mostrado abaixo.
c G. A. Barreto
Lagplots (τ = 1, 2) - Processo AR(1):x(n) = 0.6x(n − 1) + v(n)

Os lagplots para τ = 1 e 2 de um processo AR(1) são mostrados
abaixo. O ruı́do é branco gaussiano com variância 1.
c G. A. Barreto
Lagplots (τ = 3, 4) - Processo AR(1):x(n) = 0.6x(n − 1) + v(n)

Os lagplots para τ = 3 e 4 de um processo AR(1) são mostrados
abaixo. O ruı́do é branco gaussiano com variância 1.
c G. A. Barreto
Código Matlab/Octave - Lagplots Processo AR(1)
c G. A. Barreto

Auto Corre La Cao

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Auto Corre La Cao

Încărcat de

Drepturi de autor:

Formate disponibile

Função de Autocorrelação e Aplicações em ETI

Guilherme de Alencar Barreto

Grupo de Aprendizado de Máquinas – GRAMA

Charles W. Therrien, 1992

Objetivo Geral da Aula

1 Charles W. Therrien (1992). Discrete Random Signals and Statistical

2 Sı́lvio A. Abrantes (2000). Processamento Adaptativo de Sinais,

3 A. Hyvärinen, J. Karhunen & E. Oja (2001). Independent Component

4 S. Haykin (2001). Adaptive Filter Theory, 4th edition, Prentice Hall.

5 L. A. Aguirre (2007). Introdução a Identificação de Sistemas, 3a edição,

6 G. A. Barreto - Notas de Aula disponı́veis em

Sinais de Tempo Contı́nuo/Discreto

Objetivo Geral da Aula

Em Engenharia de Teleinformática, tratamos com freqüência

Exemplos: tensão, corrente, onda sonora, temperatura, força,

Em geral, a representação da grandeza fı́sica medida envolve

O gráfico mostrado no osciloscópio analógico é chamado de

Definição Formal - Sinal Analógico

Um sinal é dito de tempo contı́nuo se o intervalo entre dois

Exemplo de sinal aleatório (senóide + ruı́do branco gaussiano)

Alguns exemplos de sinais analógicos, dentre inúmeros possı́veis,

Atualmente estão cada vez mais comum o uso de

A amostragem é o processo pelo qual um sinal de tempo

{x(∆T ), x(2∆T ), . . . , x(n.∆T ), . . . , x(N · ∆T )}

em que a constante ∆T é chamada de perı́odo de

A figura abaixo ilustra o processo de amostragem para um

O processo de quantização converte cada um dos valores

0000, 0001, 0010, 0011, 0100, 0101, 0110, 0111,

Estes códigos correspondem a 16 nı́veis discretos de amplitude

A escolha de qual palavra-código utilizar depende do valor da

Os processos de amostragem e os efeitos numéricos da

Valor amostrado Valor Quantizado Código Binário

As figuras abaixo ilustram os processos de amostragem (à

Conforme já mencionado, o uso do conversor A/D é

Este é um sinal inerentemente de tempo discreto porque os

Outros exemplos de sinais de tempo discreto, dentre inúmeros

Nesta aula abordaremos duas das ferramentas mais

Apesar do termo “correlação” ser usado aqui com sentido

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

em que x1 = x(t1 ), x2 = x(t2 ) e fX1 X2 (x1 , x2 ) é a FDP conjunta

A FAC avalia o quanto a amplitude do sinal em certo instante

A figura abaixo mostra várias realizações um sinal aleatório.

Valores negativos indicam que quando a amplitude no

Valores próximos de zero indicam que tanto faz se a

Valores baixos da FAC para dois instantes quaisquer t1 e t2

A figura abaixo mostra um sinal aleatório com um conteúdo

A figura abaixo mostra um sinal aleatório com um conteúdo

A amplitude do sinal mostrado na segunda figura varia

Logo, o produto X(t1 ) · X(t2 ) para a segunda figura é menor

Quanto mais distintos forem os valores consecutivos das

Quanto mais parecidos forem os valores consecutivos das

Note que a definição da FAC dada na Eq. (1) assume que as

Observações sobre a Média de um Sinal Aleatório

Na Eq. (2) o sinal é contı́nuo, logo para resolver a integral

De acordo com a Eq. (2), para saber o valor médio da

A figura abaixo mostra várias realizações um sinal aleatório.

Uma vez definida a média de um sinal estocástico,

CX (t1 , t2 ) = E[(x(t1 ) − mX (t1 ))(x(t2 ) − mX (t2 ))] (3)

em que mX (ti ) = E[X(ti )] é a média do sinal no instante ti ,

Após alguma manipulação algébrica, chegamos a uma

CX (t1 , t2 ) = RX (t1 , t2 ) − mX (t1 )mX (t2 ) (4)

⋆ Para obter a FACV basta calcular a FAC e subtrair o produto

Para sinais de médias nulas tem-se obviamente que

CX (t1 , t2 ) = RX (t1 , t2 ) (5)