O PROCESSO GAUSSIANO
O PROCESSO GAUSSIANO
O PROCESSO GAUSSIANO
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
O <strong>PROCESSO</strong> <strong>GAUSSIANO</strong><br />
Métodos Matemáticos IC<br />
(Programa de Pós-graduação)<br />
UFPE
O <strong>PROCESSO</strong> <strong>GAUSSIANO</strong><br />
A<br />
Apresentação<br />
1 - Introdução<br />
2 - Vetores Randômicos Gaussianos<br />
3 - O Processo Randômico Gaussiano<br />
4 - Formas de Onda de Faixa Estreita<br />
5 - O Processo Randômico de Faixa Estreita<br />
6 - O Processo Randômico Gaussiano de Faixa<br />
Estreita
<strong>PROCESSO</strong>S <strong>GAUSSIANO</strong>S<br />
Aspectos a Serem Analisados<br />
Ä Efeitos das Transformações Lineares em<br />
Vetores Randômicos Gaussianos<br />
Ä Processo Randômico Gaussiano: Definição e<br />
Propriedades Básicas<br />
Ä Apresentação de um Caso Especial:<br />
Definição e Propriedades de um Processo<br />
Randômico Gaussiano de Faixa Estreita.
1. INTRODUÇÃO<br />
Função Densidade de Probabilidade Gaussiana<br />
O comportamento de uma<br />
variável aleatória é caracterizado<br />
por sua distribuição de<br />
probabilidade.<br />
f x<br />
(x)<br />
Função Densidade de Distribuição de uma<br />
Variável Gaussiana com Média m e Variância σ<br />
Uma variável aleatória é<br />
gaussiana se sua densidade de<br />
probabilidade f X (x) tem a forma:<br />
x<br />
f X<br />
(<br />
x )<br />
=<br />
1<br />
2π<br />
. σ<br />
exp<br />
⎡<br />
⎢ −<br />
⎢⎣<br />
( x − m )<br />
2σ<br />
2<br />
2<br />
⎤<br />
⎥ ,<br />
⎥⎦<br />
-<br />
∞<br />
<<br />
x<br />
<<br />
+<br />
∞
1. INTRODUÇÃO<br />
Função Distribuição de Probabilidade Gaussiana<br />
Por definição:<br />
Função Distribuição de uma Variável Gaussiana com<br />
Média m e Variância σ<br />
F<br />
X<br />
( x )<br />
=<br />
=<br />
P (<br />
x<br />
∫<br />
− ∞<br />
X<br />
f<br />
X<br />
≤ x )<br />
( x ) dx<br />
F x<br />
(x)<br />
Embora uma distribuição de probabilidade constitua uma descrição<br />
completa da variável aleatória X, em geral é interessante procurar<br />
um conjunto de números simples que ressaltem as características<br />
dominantes da variável aleatória. (Os momentos associados a X)<br />
x
1. INTRODUÇÃO
1. INTRODUÇÃO<br />
Determinação dos Momentos<br />
EXEMPLO: Calcular o n-ésimo momento associado à função:<br />
g(x) = X n .<br />
- Solução através de f X (x):<br />
E<br />
(<br />
X<br />
n<br />
)<br />
+∞<br />
∫<br />
− ∞<br />
n<br />
= X f ( x ) dx<br />
X<br />
- Solução através de φ X (x): n − n ( n )<br />
E ( X ) = i φ (0 )<br />
Através da função característica, φ X (x), é possível determinar, de<br />
forma bem mais simples, os momentos de qualquer variável<br />
aleatória.<br />
X
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Densidade de Probabilidade Conjunta Gaussiana<br />
Seja X um vetor randômico de dimensão n cujas componentes<br />
X 1 , X 2 , ..., X n são variáveis randômicas gaussianas mutuamente<br />
independentes com médias m 1 , m 2 , ..., m n e variâncias σ 12 , σ 22 , ..., σ n2 ,<br />
respectivamente, a densidade de probabilidade para o k-ésimo<br />
componente é dada por:<br />
1 ⎡<br />
f<br />
X<br />
( x )<br />
exp ⎢ −<br />
k<br />
2π<br />
. σ ⎣ 2σ<br />
k<br />
2<br />
( x − m ) ⎤<br />
⎥⎦<br />
k<br />
=<br />
2<br />
k
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Densidade de Probabilidade Conjunta Gaussiana<br />
Visto que as componentes do vetor X foram definidas como sendo<br />
variáveis randômicas gaussianas mutuamente independentes, a<br />
função de probabilidade conjunta será dada por:<br />
f<br />
X<br />
1<br />
, X<br />
2<br />
,...,<br />
X<br />
n<br />
(x<br />
1<br />
, x<br />
2<br />
,...,<br />
x<br />
n<br />
)<br />
=<br />
=<br />
=<br />
f<br />
n<br />
X<br />
∏<br />
1<br />
k = 1<br />
( x<br />
( 2π<br />
)<br />
1<br />
n<br />
2<br />
) • f<br />
1<br />
2π<br />
. σ<br />
1<br />
⎛<br />
⎜<br />
⎝<br />
n<br />
∏<br />
k<br />
k = 1<br />
X<br />
2<br />
σ<br />
( x<br />
exp<br />
k<br />
2<br />
⎞<br />
⎟<br />
⎠<br />
) • ... • f<br />
⎡<br />
⎢-<br />
⎢⎣<br />
exp<br />
1<br />
2<br />
⎛<br />
⎜<br />
⎝<br />
⎡<br />
⎢-<br />
⎢⎣<br />
x<br />
k<br />
1<br />
2<br />
X<br />
n<br />
−<br />
σ<br />
n<br />
( x<br />
k<br />
∑<br />
k = 1<br />
m<br />
⎛<br />
⎜<br />
⎝<br />
n<br />
k<br />
)<br />
x<br />
⎞<br />
⎟<br />
⎠<br />
k<br />
2<br />
⎤<br />
⎥<br />
⎥⎦<br />
−<br />
σ<br />
k<br />
m<br />
k<br />
⎞<br />
⎟<br />
⎠<br />
2<br />
⎤<br />
⎥<br />
⎥⎦
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Densidade de Probabilidade Conjunta Gaussiana<br />
Utilizando a notação matricial para a equação apresentada, x, m e<br />
σ podem ser definidos como:<br />
X<br />
∆<br />
⎡ x1<br />
⎢ x<br />
2<br />
⎢<br />
⎢ ...<br />
⎢⎣<br />
x n<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎥⎦<br />
m<br />
x<br />
∆<br />
E<br />
[ X ]<br />
=<br />
⎡ m<br />
⎢<br />
⎢<br />
m<br />
⎢ ...<br />
⎢<br />
⎣m<br />
1<br />
2<br />
n<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎦<br />
Γ<br />
∆<br />
⎡σ<br />
⎢<br />
⎢ 0<br />
⎢ ...<br />
⎢<br />
⎢⎣<br />
0<br />
2<br />
1<br />
σ<br />
0<br />
0<br />
2<br />
2<br />
...<br />
...<br />
...<br />
...<br />
...<br />
0<br />
0<br />
...<br />
2<br />
σ n<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎥⎦<br />
Matriz das Médias<br />
Matriz das Covariâncias
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Densidade de Probabilidade Conjunta Gaussiana<br />
Sabendo-se que<br />
n<br />
2<br />
1<br />
1<br />
... σ<br />
σ<br />
σ<br />
σ<br />
•<br />
•<br />
•<br />
=<br />
∏<br />
=<br />
n<br />
k<br />
k<br />
e,<br />
[ ]<br />
2<br />
2<br />
2<br />
2<br />
2<br />
2<br />
2<br />
2<br />
1<br />
2<br />
1<br />
1<br />
2<br />
2<br />
1<br />
1<br />
2<br />
2<br />
2<br />
2<br />
1<br />
2<br />
2<br />
1<br />
1<br />
1<br />
1<br />
)<br />
(<br />
...<br />
1<br />
)<br />
(<br />
1<br />
)<br />
(<br />
...<br />
1<br />
0<br />
0<br />
0<br />
...<br />
...<br />
0<br />
0<br />
0<br />
...<br />
1<br />
0<br />
0<br />
...<br />
0<br />
1<br />
...<br />
)<br />
(<br />
)<br />
(<br />
n<br />
n<br />
n<br />
n<br />
n<br />
n<br />
n<br />
n<br />
x<br />
T x<br />
T<br />
m<br />
x<br />
m<br />
x<br />
m<br />
x<br />
m<br />
x<br />
m<br />
x<br />
m<br />
x<br />
m<br />
x<br />
m<br />
x<br />
m<br />
x<br />
m<br />
X<br />
m<br />
X<br />
σ<br />
σ<br />
σ<br />
σ<br />
σ<br />
σ<br />
−<br />
+<br />
+<br />
−<br />
+<br />
−<br />
=<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎦<br />
⎤<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎣<br />
⎡<br />
−<br />
−<br />
−<br />
•<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎦<br />
⎤<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎣<br />
⎡<br />
•<br />
−<br />
−<br />
−<br />
=<br />
−<br />
Γ<br />
−<br />
−
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Densidade de Probabilidade Conjunta Gaussiana<br />
Pode-se dizer que,<br />
n<br />
∏<br />
k = 1<br />
σ<br />
k<br />
=<br />
Γ<br />
1<br />
2<br />
e<br />
( X<br />
Portanto, matricialmente, a função densidade de probabilidade<br />
conjunta de um vetor randômico X de dimensão n, cujas componentes<br />
são variáveis randômicas gaussianas mutuamente independentes, é<br />
dada por:<br />
f<br />
X<br />
(x)<br />
=<br />
(2π<br />
)<br />
n<br />
1<br />
2<br />
Γ<br />
1<br />
2<br />
T<br />
exp<br />
− m<br />
⎡<br />
⎢-<br />
⎣<br />
T<br />
x<br />
1<br />
2<br />
) Γ<br />
( X<br />
−1<br />
( X − m<br />
T<br />
−<br />
m<br />
T<br />
x<br />
x<br />
) =<br />
) Γ<br />
n<br />
∑<br />
k=<br />
1<br />
−1<br />
⎛ x<br />
⎜<br />
⎝<br />
( X<br />
k<br />
−<br />
− m<br />
σ<br />
k<br />
m<br />
x<br />
k<br />
⎞<br />
⎟<br />
⎠<br />
⎤<br />
) ⎥<br />
⎦<br />
2
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Função Característica Conjunta<br />
Desde que os componentes X 1 , X 2 , ... , X n foram assumidos serem<br />
mutuamente independentes, a função característica conjunta é dada<br />
pelo produto das funções características individuais:<br />
φ<br />
X<br />
( V )<br />
= φ<br />
X1,<br />
X2,...,<br />
X n<br />
( v<br />
1<br />
, v<br />
2<br />
,..., v<br />
n<br />
)<br />
= φ<br />
X1<br />
( v<br />
1<br />
) • φX<br />
2<br />
( v<br />
2<br />
) • ...•<br />
φ<br />
Xn<br />
( v<br />
n<br />
)<br />
=<br />
n<br />
∏<br />
k=<br />
1<br />
⎛<br />
exp⎜iv<br />
⎝<br />
k<br />
m<br />
k<br />
−<br />
v<br />
2<br />
k<br />
σ<br />
2<br />
2<br />
k<br />
⎞<br />
⎟<br />
⎠<br />
=<br />
⎛<br />
exp⎜i<br />
⎝<br />
n<br />
∑<br />
k=<br />
1<br />
v<br />
k<br />
m<br />
k<br />
−<br />
n<br />
∑<br />
k=<br />
1<br />
v<br />
2<br />
k<br />
σ<br />
2<br />
2<br />
k<br />
⎞<br />
⎟<br />
⎠
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Função Característica Conjunta<br />
Utilizando a notação matricial para a equação apresentada, v, m e<br />
σ podem ser definidos como:<br />
V<br />
∆<br />
⎡ v1<br />
⎢<br />
⎢<br />
v<br />
2<br />
⎢ ...<br />
⎢<br />
⎣v n<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎦<br />
m<br />
x<br />
∆<br />
E<br />
[ X ]<br />
=<br />
⎡ m<br />
⎢<br />
⎢<br />
m<br />
⎢ ...<br />
⎢<br />
⎣m<br />
1<br />
2<br />
n<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎦<br />
Γ<br />
∆<br />
⎡σ<br />
⎢<br />
⎢ 0<br />
⎢ ...<br />
⎢<br />
⎢⎣<br />
0<br />
2<br />
1<br />
σ<br />
0<br />
0<br />
2<br />
2<br />
...<br />
...<br />
...<br />
...<br />
...<br />
0<br />
0<br />
...<br />
2<br />
σ n<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎥⎦<br />
Matriz das Médias<br />
Matriz das Covariâncias
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Função Característica Conjunta<br />
2 2 2 2<br />
2 2<br />
[ ]<br />
1<br />
1<br />
2<br />
2
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Função Característica Conjunta<br />
Pode-se dizer que,<br />
m<br />
T<br />
x<br />
V<br />
=<br />
n<br />
∑<br />
k=<br />
1<br />
v<br />
k<br />
m<br />
k<br />
e<br />
T<br />
ΓV<br />
=<br />
n<br />
∑<br />
k=<br />
1<br />
v<br />
k<br />
2 σ k<br />
2<br />
Portanto, matricialmente, a função característica conjunta de um vetor<br />
randômico X de dimensão n, cujas componentes são variáveis<br />
randômicas gaussianas mutuamente independentes, é dada por:<br />
V<br />
φ<br />
( V )<br />
⎛ T 1 T<br />
= exp⎜im<br />
x V − V ΓV<br />
⎝<br />
X<br />
2<br />
⎞<br />
⎟<br />
⎠
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Um vetor randômico gaussiano X de dimensão n, cujas<br />
componentes são variáveis randômicas gaussianas<br />
mutuamente independentes, tem como função densidade<br />
conjunta de probabilidade e função característica<br />
conjunta, respectivamente:<br />
f<br />
X<br />
(x)<br />
=<br />
(2π<br />
)<br />
n<br />
1<br />
2<br />
Γ<br />
1<br />
2<br />
exp<br />
⎡<br />
⎢-<br />
⎣<br />
1<br />
2<br />
( X<br />
T<br />
−<br />
m<br />
T<br />
x<br />
) Γ<br />
−1<br />
( X<br />
−<br />
m<br />
x<br />
⎤<br />
) ⎥<br />
⎦<br />
φ<br />
( V )<br />
⎛ T 1 T<br />
= exp⎜im<br />
x V − V ΓV<br />
⎝<br />
X<br />
2<br />
⎞<br />
⎟<br />
⎠
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Transformação Linear<br />
Seja Y um vetor randômico de dimensão m (m ≤ n) definido como<br />
transformação linear do vetor randômico gaussiano X:<br />
Y<br />
Y<br />
...<br />
Y<br />
1<br />
2<br />
m<br />
=<br />
=<br />
=<br />
g<br />
g<br />
g<br />
11<br />
21<br />
m1<br />
X<br />
X<br />
1<br />
X<br />
1<br />
+<br />
+<br />
1<br />
g<br />
g<br />
12<br />
+ g<br />
22<br />
m2<br />
X<br />
X<br />
2<br />
X<br />
2<br />
+ ...<br />
+ ...<br />
2<br />
+<br />
+<br />
+<br />
...<br />
g<br />
g<br />
+<br />
1n<br />
2n<br />
g<br />
X<br />
X<br />
mn<br />
n<br />
n<br />
X<br />
n<br />
Y =gX<br />
Onde g jk é um número real arbitrário<br />
e g é a matriz transformação:<br />
g<br />
∆<br />
⎡ g<br />
⎢ g<br />
⎢<br />
⎢ ...<br />
⎢⎣<br />
g<br />
m<br />
11<br />
21<br />
1<br />
g<br />
g<br />
...<br />
g<br />
12<br />
22<br />
m 2<br />
...<br />
...<br />
...<br />
...<br />
g<br />
g<br />
...<br />
g<br />
1n<br />
2 n<br />
mn<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎥⎦
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Transformação Linear - Função Característica de Y<br />
A função característica conjunta para o vetor Y é dada por:<br />
φ<br />
Y<br />
1<br />
⎡ ⎛<br />
m<br />
⎢ ⎜<br />
, Y ,..., Y<br />
( u u un<br />
= E<br />
i∑u<br />
n 1,<br />
2,...,<br />
) exp<br />
2<br />
⎢⎣<br />
⎝ j=<br />
1<br />
j<br />
Y<br />
j<br />
⎞⎤<br />
⎟<br />
⎥<br />
⎠⎥⎦<br />
Utilizando a notação matricial:<br />
φ<br />
Y<br />
( u)<br />
=<br />
E<br />
[ ( iu Y )]<br />
T<br />
exp<br />
Sendo Y = gX: u E[ ( iu gX )]<br />
T<br />
φ ( ) = exp<br />
Y<br />
Porém,<br />
[ exp( ixV )]<br />
φ ( V ) = E<br />
Logo,<br />
T<br />
φ ( u)<br />
= ( g u)<br />
X<br />
Y<br />
φ X
Ou seja,<br />
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Transformação Linear - Função Característica de Y<br />
φ<br />
Y<br />
( u)<br />
⎛ T T 1 T T<br />
= exp⎜imx<br />
g u − u gΓg<br />
u<br />
⎝ 2<br />
Porém, φ Y (u) está expressa em função da média (m x ) e das variâncias<br />
(ο x2 ) do vetor X.<br />
É necessário, portanto, analisar os termos m x e gΓg T em função de Y.<br />
⎞<br />
⎟<br />
⎠<br />
Sabe-se que:<br />
m Y<br />
∆<br />
[ Y] = E[ g.X] = g.E[ X] gmx<br />
E =<br />
Então,<br />
m = m<br />
T<br />
Y<br />
T<br />
x<br />
g<br />
T
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
T<br />
mn<br />
m<br />
m<br />
n<br />
n<br />
n<br />
mn<br />
m<br />
m<br />
n<br />
n<br />
T<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
g<br />
⎥⎥⎥⎥<br />
⎦<br />
⎤<br />
⎢⎢⎢⎢<br />
⎣<br />
⎡<br />
•<br />
⎥⎥⎥⎥<br />
⎦<br />
⎤<br />
⎢⎢⎢⎢<br />
⎣<br />
⎡<br />
σ<br />
σ<br />
σ<br />
•<br />
⎥⎥⎥⎥<br />
⎦<br />
⎤<br />
⎢⎢⎢⎢<br />
⎣<br />
⎡<br />
=<br />
Γ<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
...<br />
2<br />
2<br />
2<br />
22<br />
21<br />
1<br />
12<br />
11<br />
2<br />
2<br />
2<br />
2<br />
1<br />
2<br />
2<br />
2<br />
22<br />
21<br />
1<br />
12<br />
11<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
0<br />
T<br />
gΓg<br />
Λ =<br />
Fazendo:<br />
Transformação Linear - Função Característica de Y
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Transformação Linear - Função Característica de Y<br />
Porém, por definição, a matriz Λ é dada por::<br />
Λ<br />
∆<br />
⎡<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎣<br />
λ<br />
λ<br />
λ<br />
11<br />
21<br />
...<br />
m1<br />
λ<br />
λ<br />
λ<br />
12<br />
22<br />
...<br />
m 2<br />
...<br />
...<br />
...<br />
...<br />
λ<br />
λ<br />
λ<br />
1m<br />
2 m<br />
...<br />
mm<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎦<br />
Onde,<br />
λ<br />
jk<br />
( Y Y )<br />
∆ cov ,<br />
j<br />
k<br />
Portanto, a função característica conjunta para o vetor Y é dada por:<br />
φ<br />
Y<br />
( u)<br />
⎛ T 1 T<br />
= exp⎜imY<br />
u − u Λu<br />
⎝ 2<br />
⎞<br />
⎟<br />
⎠
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Transformação Linear - Função Característica de Y<br />
A função característica conjunta de um vetor randômico<br />
Y tem exatamente a mesma forma da função<br />
característica conjunta do vetor randômico X, quando Y<br />
é definido como a transformação linear de X e quando os<br />
componentes de X são variáveis randômicas gaussianas<br />
mutuamente independentes.<br />
φ<br />
( V )<br />
⎛ T 1 T<br />
= exp⎜im<br />
x V − V ΓV<br />
⎝<br />
X<br />
2<br />
⎞<br />
⎟<br />
⎠<br />
φ<br />
Y<br />
( u)<br />
⎛ T 1 T<br />
= exp⎜imY<br />
u − u Λu<br />
⎝ 2<br />
⎞<br />
⎟<br />
⎠
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Transformação Linear - Função Característica de Y<br />
φ<br />
A função característica conjunta para quaisquer vetores<br />
randômicos gaussianos têm a mesma forma, sejam suas<br />
componentes variáveis randômicas gaussianas<br />
independentes ou não.<br />
Ou,<br />
Y<br />
1<br />
φ<br />
Y<br />
( u)<br />
⎛ T 1 T<br />
= exp⎜imY<br />
u − u Λu<br />
⎝ 2<br />
⎡<br />
⎢i<br />
⎣<br />
⎞<br />
⎟<br />
⎠<br />
[ ]<br />
m m<br />
1<br />
( )<br />
⎤<br />
Y u - cov Y Y u u ⎥<br />
⎦<br />
m<br />
, Y ,..., Y<br />
(u<br />
1<br />
,u<br />
2<br />
,..., u<br />
n<br />
) = exp ∑ E<br />
j j ∑ ∑<br />
j<br />
,<br />
2 n<br />
j = 1 2 j = 1 k = 1<br />
k<br />
j<br />
k
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Transformação Linear - Função Densidade Prob. de Y<br />
Foi visto que:<br />
f<br />
X<br />
(<br />
x)<br />
=<br />
(2π<br />
)<br />
1<br />
Γ<br />
exp<br />
⎡<br />
⎢-<br />
⎣<br />
1<br />
2<br />
( X<br />
−<br />
) Γ<br />
( X<br />
T T −1<br />
n 2 1 2<br />
x<br />
x<br />
m<br />
−<br />
m<br />
⎤<br />
) ⎥<br />
⎦<br />
De forma análoga (fazendo: Y = gX):<br />
f<br />
Y<br />
(y)<br />
=<br />
(2π<br />
)<br />
1<br />
Λ<br />
exp<br />
⎡<br />
⎢-<br />
⎣<br />
1<br />
( Y<br />
2<br />
−<br />
) Λ<br />
( Y<br />
T T −1<br />
n 2 1 2<br />
Y<br />
Y<br />
m<br />
−<br />
m<br />
⎤<br />
) ⎥<br />
⎦
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
Transformação Linear - Função Densidade Prob. de Y<br />
f<br />
x<br />
1<br />
Expandindo,<br />
= ⎡<br />
⎤<br />
⎢ ∑ n<br />
∑<br />
n<br />
1<br />
1<br />
, x ,..., x<br />
(x<br />
Λ x<br />
j<br />
− m<br />
j<br />
xk<br />
− m<br />
jk<br />
k ⎥<br />
n 1,<br />
x<br />
2<br />
,..., x<br />
n<br />
)<br />
exp -<br />
( )( )<br />
2<br />
n 2 1 2<br />
(2π<br />
) Λ<br />
⎣ 2 Λ j = 1 k = 1<br />
⎦<br />
Onde: |Λ| jk é o cofator do elemento λ jk no determinante |Λ| da<br />
matriz de covariâncias.
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
1. Um vetor randômico gaussiano X de dimensão n, cujas<br />
componentes são variáveis randômicas gaussianas mutuamente<br />
independentes, tem como função densidade conjunta de probabilidade<br />
e função característica conjunta, respectivamente (matricialmente):<br />
=<br />
Γ<br />
⎡<br />
⎢<br />
⎣<br />
−<br />
Γ<br />
−<br />
⎤<br />
⎥<br />
⎦<br />
φ<br />
( V )<br />
⎛ T 1 T<br />
= exp⎜im<br />
x V − V ΓV<br />
⎝<br />
X<br />
2<br />
⎞<br />
⎟<br />
⎠
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
CONCLUSÕES<br />
2. A função característica conjunta de um vetor randômico Y tem<br />
exatamente a mesma forma da função característica conjunta do<br />
vetor randômico X, quando Y é definido como a transformação<br />
linear de X e quando os componentes de X são variáveis randômicas<br />
gaussianas mutuamente independentes.<br />
φ<br />
( V )<br />
⎛ T 1 T<br />
= exp⎜im<br />
x V − V ΓV<br />
⎝<br />
X<br />
2<br />
⎞<br />
⎟<br />
⎠<br />
φ<br />
Y<br />
( u)<br />
⎛ T 1 T<br />
= exp⎜imY<br />
u − u Λu<br />
⎝ 2<br />
⎞<br />
⎟<br />
⎠
2. VETORES RANDÔMICOS <strong>GAUSSIANO</strong>S<br />
CONCLUSÕES<br />
3. A função densidade conjunta de probabilidade e a função<br />
característica conjunta para quaisquer vetores randômicos gaussianos<br />
tem, individualmente, a mesma forma, sejam suas componentes<br />
variáveis randômicas gaussianas independentes ou não.<br />
f<br />
Y<br />
(y)<br />
=<br />
(2π<br />
)<br />
1<br />
Λ<br />
exp<br />
⎡<br />
⎢-<br />
⎣<br />
1<br />
( Y<br />
2<br />
−<br />
) Λ<br />
( Y<br />
T T −1<br />
n 2 1 2<br />
Y<br />
Y<br />
m<br />
−<br />
m<br />
⎤<br />
) ⎥<br />
⎦<br />
φ<br />
Y<br />
( u)<br />
⎛ T 1 T<br />
= exp⎜imY<br />
u − u Λu<br />
⎝ 2<br />
⎞<br />
⎟<br />
⎠
Processo Aleatório Gaussiano<br />
• Um processo randômico real<br />
é um<br />
processo gaussiano se para todo conjunto finito de<br />
instantes de tempo
As funções características do vetor aleatório<br />
Y<br />
=<br />
tem a forma da matriz<br />
m y<br />
φ<br />
y<br />
( Y , Y , ..., Y )<br />
( v)<br />
t1<br />
=<br />
Em que é a matriz da média de Y e Λ é a<br />
matriz da covariância de Y .<br />
e<br />
t2<br />
⎛<br />
⎜ i*<br />
m<br />
⎝<br />
T<br />
Y<br />
1<br />
* V − * V<br />
2<br />
tn<br />
T<br />
ΛV<br />
⎞<br />
⎟<br />
⎠
Conseqüências<br />
Processo Gaussiano<br />
• Um processo gaussiano é completamente<br />
determinado (estatisticamente) através da<br />
especificação da média E [ Y ] t e da função<br />
covariância ( t,t' ) do processo.<br />
K y<br />
• Além disso qualquer processo gaussiano que é<br />
estacionário no sentido amplo é também<br />
estacionário no sentido restrito.
Suponha que o processo aleatório Y t<br />
, − ∞ < t < + ∞ é um<br />
processo gaussiano estacionário de sentido amplo.<br />
Então:<br />
para todo t, e<br />
K<br />
{ }<br />
( t, t'<br />
) K ( t - t'<br />
)<br />
y<br />
=<br />
y<br />
para todo t e t’
Processo Gaussiano<br />
Φ<br />
Então segue que<br />
Y<br />
t 1<br />
, Y<br />
t 2<br />
, ... , Y<br />
t n<br />
( v , v , ... , v )<br />
1<br />
2<br />
n<br />
=<br />
e<br />
⎡<br />
⎢i<br />
⎢<br />
⎣<br />
n<br />
∑<br />
E<br />
n n<br />
1<br />
[ Yt i<br />
] v j − ∑ ∑ K y ( t j , tk<br />
)<br />
2<br />
j= 1<br />
j= 1 k = 1<br />
v<br />
j<br />
v<br />
k<br />
⎤<br />
⎥<br />
⎥<br />
⎦<br />
ou<br />
Φ<br />
Y<br />
t1<br />
, Y<br />
t 2<br />
, ...<br />
( v , v , ... , v )<br />
1<br />
2<br />
n<br />
=<br />
e<br />
⎡<br />
⎢i<br />
⎢<br />
⎣<br />
n<br />
∑<br />
m * v<br />
1<br />
−<br />
2<br />
∑ ∑<br />
j<br />
j= 1<br />
j = 1 k = 1<br />
n<br />
n<br />
K<br />
y<br />
( t − t )<br />
j<br />
k<br />
v<br />
j<br />
v<br />
k<br />
⎤<br />
⎥<br />
⎥<br />
⎦
Processo Gaussiano<br />
{ }<br />
Y t<br />
• processo gaussiano randômico estacionário no sentido amplo.<br />
translação dos instantes de tempo t t ,..., pela mesma quantidade<br />
1<br />
, 2<br />
t n<br />
τ<br />
t +τ<br />
, j =1,2,...,<br />
n<br />
• A função característica conjunta das novas variáveis<br />
Y<br />
i<br />
( )
Processo Gaussiano<br />
• A função característica conjunta n dimensional (e portanto<br />
a densidade de probabilidade conjunta n dimensional) não<br />
é alterada pela translação da origem dos tempos.<br />
• Se processo gaussiano é estacionário no sentido amplo,<br />
então ele também é estacionário no sentido restrito;<br />
Estacionaridade no sentido estacionário amplo e no<br />
sentido estacionário restrito são equivalentes no caso do<br />
processo gaussiano!
Digressão:<br />
• Teorema do Limite Central<br />
Para amostras estatisticamente independentes, a<br />
distribuição de probabilidade da amostra tende a uma<br />
gaussiana quando o número de amostras cresce.
Digressão :<br />
• Ruído branco : ruído cuja função de densidade espectral é constante<br />
ao longo do espectro.<br />
potência infinita, pois:<br />
P<br />
+∞<br />
= ∫<br />
− ∞<br />
S<br />
n<br />
( f ) df = ∞<br />
ruído branco numa dada faixa<br />
∆ f<br />
de frequência.<br />
Qualquer que seja a freqüência sempre teremos um sinal que visto em um osciloscópio<br />
tem um comportamento senoidal
•<br />
Abrindo um parênteses :
Abrindo um parênteses :<br />
• em que<br />
x<br />
c<br />
( t) = ∑ x ( t)<br />
n<br />
• fixando t tem-se uma variável aleatória, ou seja, fazendo<br />
t= t* tem-se:<br />
( ) ∞ x = ∑ c<br />
t * xn( t *)<br />
n=1<br />
uma soma de variáveis aleatórias, donde conclui-se através<br />
do Teorema do Limite Central que x ( t)<br />
c<br />
é uma variável<br />
aleatória gaussiana.
• Logo:<br />
( )<br />
observa-se que a frequência foi deslocada de , a<br />
fim de expressarmos<br />
em termos de seno e cosseno, ou seja,
Formas de Onda de faixas estreitas<br />
• Uma função do tempo X(t) é dita ser uma forma de onda de faixa<br />
estreita se a região sobre a qual o espectro de frequência.<br />
X<br />
(<br />
f<br />
)<br />
+∞<br />
∫<br />
−i *2* π * f * t<br />
= x(<br />
t)*<br />
e dt<br />
−∞<br />
diferente de zero está confinado em uma banda estreita de<br />
frequência com<br />
∆f<br />
f o<br />
>> ∆f
A forma de onda de faixa estreita vista em um osciloscópio aparece<br />
mais ou menos como uma onda senoidal com uma função envoltória<br />
variando lentamente e uma função de fase variando vagarosamente.
Formas de Onda de faixas estreitas<br />
Pode-se escrever:<br />
( t) = v( t) * cos[ ω t + ( t)<br />
]<br />
x<br />
o<br />
φ<br />
Onde v(t) é uma função envoltória variando lentamente (sempre não<br />
negativa),<br />
φ(<br />
t)<br />
é uma função de fase variando lentamente, e<br />
é a frequência aparente.
Formas de Onda de faixas estreitas<br />
• Uma representação alternativa<br />
x<br />
c<br />
( t) = v( t) * cos[ ω t + ( t)<br />
]<br />
x<br />
o<br />
φ<br />
( t) *cos( ω t) x ( t) * sen( ω t)<br />
x( t)<br />
= x<br />
−<br />
c<br />
( t) ≡ v( t) * cosφ( t) e x ( t) ≡ v( t) * senφ( t)<br />
( )<br />
x c<br />
t é a componente do cosseno de x( t)<br />
x s ( t)<br />
é chamada a componente do seno de x(<br />
t)<br />
.<br />
o<br />
s<br />
s<br />
o
Formas de Onda de faixas estreitas<br />
• Envoltória e fase de uma forma de onda faixa estreita<br />
x<br />
c<br />
( t) ≡ v( t) * cosφ( t) e x ( t) ≡ v( t) * senφ( t)<br />
s<br />
resultando<br />
v<br />
( ) e φ(<br />
t)<br />
( )<br />
2( )<br />
2<br />
t = x t + x ( t)<br />
c<br />
s<br />
=<br />
tan<br />
−1<br />
⎛<br />
⎜<br />
⎝<br />
x<br />
x<br />
s<br />
c<br />
( t)<br />
⎞<br />
( t) ⎟⎟ ⎠
Formas de Onda de faixa estreita
Decomposição:
Formas de Onda de faixa estreita<br />
• interpretação:<br />
ω<br />
s<br />
( t ) = 2 x ( t ) sen ( ω<br />
o<br />
t )<br />
2<br />
= 2 x<br />
c<br />
( t ) sen ( ω<br />
o<br />
t ) cos ( ω<br />
o<br />
t ) − 2 x<br />
s<br />
( t ) sen ( ω<br />
o<br />
t )<br />
= − x ( t ) + [ x ( t ) sen 2ω<br />
t + x ( t ) cos 2ω<br />
t ]<br />
s<br />
c<br />
o<br />
s<br />
o
Formas de Onda de faixas estreitas<br />
x<br />
• Desde que ambas variam lentamente no tempo,<br />
o produto da saída<br />
( t) e x ( t)<br />
torno da frequência zero (isto é,<br />
torno de freqüências repetidas.<br />
c<br />
ω c<br />
( t)<br />
s<br />
tem uma componente centrada em<br />
x c<br />
( t)<br />
) e uma componente centrada em
Formas de Onda de faixas estreitas<br />
• Freqüência de corte do filtro passa baixa ideal:<br />
escolhida para permitir a separação de duas componentes de saída,<br />
apenas os termos em torno da frequência zero com distorção e<br />
eliminando os termos centrados em torno de 2f o .<br />
Antes, obtemos o resultado de saída do filtro passa baixa ideal :<br />
w<br />
s<br />
= 2x<br />
= 2x<br />
= −x<br />
( t) *sen( wot<br />
)<br />
2<br />
c( t) *sen( wot<br />
) cos( wot<br />
) − 2xs<br />
( t) sen ( wot<br />
)<br />
( t) + [ x ( t) sen( 2w t) + x ( t) cos( 2w t)<br />
]<br />
y<br />
s<br />
s<br />
c<br />
( t) = −x<br />
( t)<br />
s<br />
o<br />
s<br />
y<br />
c<br />
( t) = x ( t)<br />
c<br />
o
Formas de Onda de faixas estreitas<br />
• forma de onda de faixa estreita original em fase e<br />
quadratura.<br />
• Através de um filtro passa baixa<br />
(<br />
que é a saída do sistema original de entrada da forma<br />
de onda.
1°. . Processo Aleatório de<br />
Faixa Estreita<br />
2°. Processo Gaussiano faixa<br />
estreita
Processo Faixa Estreita<br />
Definição: Um sinal no tempo X(t) é dito ter uma<br />
forma de onda banda estreita se a região em cima do<br />
espectro de freqüência (Fig 1) é não nulo e está<br />
limitado a uma faixa de freqüência estreita de<br />
largura ∆f centrada sobre uma freqüência, f o<br />
.<br />
Sendo f 0<br />
>> ∆f
Figura 1
• Estender o estudo de banda estreita para<br />
processos aleatórios.<br />
Suponha, {X t<br />
, -∞< t < +∞ } é um processo aleatório<br />
banda estreita; i.é.,<br />
suponha que {X t<br />
} é estacionário na sua faixa larga<br />
com uma densidade espectral S x<br />
a qual difere de<br />
zero apenas numa estreita banda de freqüência sobre<br />
alguma dada freqüência, chamada de f 0<br />
.
Algumas vezes é conveniente representar um<br />
processo faixa estreita em termos de<br />
1) um módulo de processo<br />
{V t<br />
, -∞ < t < +∞ } e<br />
2) um processo de fase<br />
{φ t<br />
, -∞ < t < +∞ },<br />
usando a relação:<br />
X t<br />
= V t<br />
Cos(w o<br />
t + φ t<br />
) onde w o<br />
= 2πf o<br />
.
Alternativa:<br />
em termos de seus componentes seno e cosseno<br />
{X ct<br />
, - ∞ < t < + ∞ },<br />
{X st<br />
, - ∞ < t < + ∞ }, respectivamente.<br />
usando a relação:<br />
X t<br />
= X ct<br />
Cos w o<br />
t - X st<br />
Sen w o<br />
t.<br />
V<br />
ϕ<br />
2<br />
= +<br />
t ct<br />
X<br />
t=<br />
tan −1<br />
X<br />
X<br />
st<br />
ct<br />
X<br />
st<br />
2
Módulo, fase, componente cosseno e<br />
componente seno são fenômenos de<br />
baixa freqüência; i.é., seus espectros<br />
são todos essencialmente zero em valor<br />
para freqüências maiores em magnitude<br />
que alguma fração pequena f o<br />
.
Funções de correlação concernentes aos componentes<br />
seno e cosseno do processo.<br />
em particular, componente cosseno.<br />
h - resposta ao impulso de um filtro passa baixa<br />
X t<br />
X<br />
2Cosw o<br />
t<br />
Filtro passa<br />
baixa<br />
ideal<br />
X ct
R<br />
c<br />
[ ]<br />
X X ct<br />
( t + τ , t ) ≡ E<br />
c ( t + τ )<br />
∞<br />
⎡<br />
E⎢<br />
2 h u X w τ 2 X w dz<br />
t + τ −u<br />
o<br />
t −z<br />
o<br />
⎣ −∞<br />
−∞<br />
∞<br />
⎤<br />
( ) Cos ( t + −u) du h( z) Cos ( t − z) ⎥<br />
⎦<br />
= ∫<br />
∫<br />
∞<br />
= 4 ∫ h w o<br />
∫ w o X t + τ<br />
− ∞<br />
− ∞<br />
∞<br />
( u ) Cos ( t + τ − u ) du h ( z ) Cos ( t − z ) dz E [ ]<br />
− u<br />
X<br />
t −<br />
z<br />
∞<br />
( u ) Cos ( t + τ − u ) du h( z ) Cos ( t − z ) dz [ τ − u z]<br />
w<br />
= 4 ∫ h<br />
∫<br />
− ∞<br />
Equação 1<br />
∞<br />
+<br />
o o<br />
x<br />
− ∞<br />
w<br />
R
A última igualdade segue da estacionaridade do<br />
processo.<br />
filtro passa baixa => domínio da freqüência.<br />
Expressar a função de auto correlação Rx como a<br />
derivada de Fourier da densidade espectral S x ,<br />
então 1 se torna:
R<br />
c<br />
∞<br />
( t τ , t ) = 4 ∫ h( u ) X Cos w ( t + τ − u )<br />
t + τ −u<br />
o<br />
+ du<br />
−∞<br />
∞<br />
∫<br />
− ∞<br />
∞<br />
∫<br />
− ∞<br />
h<br />
S<br />
( z ) Cos ( t z )<br />
x<br />
X<br />
t<br />
w<br />
− dz<br />
− z<br />
( )<br />
j 2 π f ( r - u + z )<br />
f e<br />
o<br />
df
∞<br />
∫<br />
−∞<br />
=<br />
⎛<br />
⎜<br />
e<br />
⎝<br />
h<br />
∞<br />
∫<br />
−∞<br />
j<br />
R<br />
Expandindo o cosseno em termos da exponencial<br />
complexa:<br />
c<br />
∞<br />
∫<br />
− ∞<br />
( )<br />
( ) ( )<br />
j 2π<br />
f o ( t -z ) − j 2π<br />
f o ( t -z )<br />
t τ , t = h z e + e<br />
+ dz<br />
(<br />
2<br />
) ( )<br />
( )<br />
du ∫ S f e<br />
j2π<br />
fo<br />
τ -u+<br />
z<br />
x<br />
( )<br />
( + ) − ( + )<br />
z e<br />
j π fo<br />
t τ -u<br />
+ e<br />
j2π<br />
fo<br />
t τ -u<br />
S<br />
x<br />
( f )<br />
⎛<br />
df⎜<br />
e<br />
⎝<br />
∫<br />
∞<br />
−∞<br />
∞<br />
∞<br />
j2π<br />
fot<br />
j2π<br />
(f-fo<br />
) z − j2π<br />
fot<br />
j2π<br />
(f+<br />
fo)<br />
z<br />
−∞<br />
−∞<br />
h(<br />
z)<br />
e<br />
dz+<br />
e<br />
∫<br />
−∞<br />
h(<br />
z)<br />
e<br />
∞<br />
∞<br />
π [f t+<br />
( f + fo ) τ ]<br />
j2π<br />
(f + fo<br />
) u<br />
j2π<br />
(f −f<br />
) u<br />
o<br />
∫<br />
− j2π<br />
[fot−(<br />
f − fo<br />
) τ ]<br />
h(<br />
u)<br />
e du + e ∫ h(<br />
u ) e<br />
2 o<br />
−∞<br />
df<br />
⎞<br />
dz⎟<br />
⎠<br />
⎞<br />
du⎟<br />
⎠
As integrais da função peso podem agora ser<br />
escritas em termos da função passa-baixa H:<br />
R<br />
c<br />
( t<br />
∞<br />
∫<br />
j 2π<br />
f ot<br />
*<br />
− j 2π<br />
f ot<br />
*<br />
+ τ , t)<br />
= S<br />
x<br />
( f ) df [ e H ( f − fo<br />
) + e H ( f + fo<br />
)]<br />
−∞<br />
[ e<br />
H<br />
(<br />
f<br />
+<br />
j 2 π [f o t + ( f + f o ) τ ]<br />
− j 2 π [f o t − ( f − f o ) τ<br />
o<br />
f<br />
)<br />
+<br />
e<br />
]<br />
H<br />
(<br />
f<br />
−<br />
f<br />
o<br />
)]<br />
Antes de ir adiante, é usual considerar o gráfico da<br />
freqüência de acordo com a magnitude de vários<br />
termos como mostrado nas figuras a seguir:
Figuras
Quando as condições parênteses são escritas em<br />
evidência, as condições que contêm os fatores:<br />
H*(f-fo)H(f+fo) e H*(f+fo)H(f-fo)<br />
desaparecem por causa do característica de não<br />
superposição de |H(f+fo)| e |H(f-fo)|. Assim:<br />
R<br />
ou<br />
c<br />
R<br />
c<br />
[ ]<br />
j 2 π (f - f ) τ<br />
2<br />
S<br />
x<br />
( f ) df e H ( f − f ) *<br />
o<br />
2 π (f + f<br />
2<br />
o ) τ<br />
H ( f f<br />
o<br />
)<br />
∆<br />
( τ ) = R ( t + τ , t )<br />
∞<br />
o<br />
( t + τ , t ) = ∫<br />
− ∞<br />
+<br />
[ ]<br />
j<br />
e +<br />
c
Observando as figuras anteriores<br />
∫<br />
∫<br />
− ∞<br />
+<br />
∞<br />
−<br />
+<br />
=<br />
0<br />
)<br />
(<br />
2<br />
0<br />
)<br />
(<br />
2<br />
x )<br />
(<br />
)<br />
(<br />
S<br />
)<br />
( df<br />
e<br />
f<br />
S<br />
df<br />
e<br />
f<br />
R<br />
fo<br />
f<br />
j<br />
x<br />
fo<br />
f<br />
j<br />
c<br />
π<br />
τ<br />
π<br />
τ<br />
∫<br />
∫<br />
− ∞<br />
−<br />
−<br />
∞<br />
−<br />
+<br />
=<br />
0<br />
)<br />
(<br />
2<br />
0<br />
)<br />
(<br />
2<br />
x<br />
'<br />
)<br />
(<br />
)<br />
(<br />
S<br />
df<br />
e<br />
f<br />
S<br />
df<br />
e<br />
f<br />
fo<br />
f<br />
j<br />
x<br />
fo<br />
f<br />
j<br />
π<br />
τ<br />
π
Fazendo a mudança de variável f’ = -f, tem-se:<br />
R<br />
c<br />
∞<br />
∫<br />
0<br />
(<br />
j 2 π ( f − fo ) τ − j 2 π ( f − fo ) τ<br />
e<br />
+ e )<br />
( τ ) = S ( f<br />
df<br />
x<br />
)<br />
=<br />
∞<br />
∫<br />
0<br />
x<br />
( 2 π ( f − fo ) )<br />
2 S ( f ) Cos<br />
τ df<br />
que é a função de autocorrelação “cosseno” de um<br />
processo aleatório de banda estreita.
2°. . Processo Gaussiano de banda<br />
estreita<br />
CASO PARTICULAR: processo gaussiano banda estreita.<br />
processo {Xt, -∞< t
Componentes aleatórias, a saber, X ct<br />
X st<br />
.<br />
para variáveis gaussianas não correlacionadas,<br />
independência!.<br />
X ct e X st média zero e variância R x (0), a densidade de<br />
probabilidade é:<br />
f<br />
x<br />
ct<br />
, x<br />
st<br />
( x,<br />
y)<br />
=<br />
2π<br />
1<br />
R<br />
x<br />
(0)<br />
2<br />
2<br />
⎡ x + y<br />
exp⎢−<br />
⎣ 2R<br />
(0)<br />
x<br />
⎤<br />
⎥<br />
⎦
V<br />
Densidade de probabilidade do módulo e fase :<br />
X<br />
2<br />
=<br />
+<br />
t ct<br />
X<br />
st<br />
2<br />
ϕ<br />
t=<br />
tan −1<br />
CONCLUSÃO: o módulo e a fase das variáveis são<br />
estatisticamente independentes com densidade de<br />
probabilidade dada por:<br />
f<br />
v t<br />
f<br />
2<br />
⎧ v ⎡ v ⎤<br />
⎪ exp<br />
⎨<br />
⎢ −<br />
=<br />
⎥,<br />
para<br />
( v ) R<br />
x<br />
(0) ⎣ 2 R<br />
x<br />
(0) ⎦<br />
⎪<br />
⎩ 0 Caso Contrário<br />
⎧ 1<br />
⎫<br />
⎪ , para 0 ≤ φ ≤ 2π<br />
⎪<br />
( φ ) = ⎨<br />
t 2π<br />
⎬<br />
⎪⎩ 0 Caso Contrário ⎪ ⎭<br />
φ<br />
X<br />
X<br />
st<br />
ct<br />
0<br />
≤<br />
v<br />
⎫<br />
⎪<br />
⎬<br />
⎪<br />
⎭