Considere X[n] o processo observado para estimação do processo Y[n], qual opção abaixo corresponde a um filtro interpolador?
◯ a. Medições X[n-a], X[n-a+1], \ldots, X[n-1], X[n+1], \ldots, X[n+b-1], X[n+b], para a e b inteiros e a, b>0, são usadas para estimar Y[n].
◯ b. Y[n] não pode ser estimado por X[n]
◯ c. Medições X[n-a], X[n-a+1], \ldots, X[n-1], X[n], para a inteiro e a \geq 0, são usadas para estimar Y[n+1].
◯ d. Medições X[n-a], X[n-a+1], \ldots, X[n-1], X[n], para a inteiro e a \geq 0, são usadas para estimar Y[n].
◯ e. Medições X[n-a], X[n-a+1], \ldots, X[n-1], X[n], X[n+1], \ldots, X[n+b-1], X[n+b], para a e b inteiros e a, b \geq 0, são usadas para estimar Y[n].

Passo 1

O enunciado dá que existe um processo observado X[n] e queremos estimar o processo Y[n]. Pede-se escolher qual opção corresponde a um filtro interpolador. As opções descrevem quais amostras de X[\cdot] são usadas para estimar Y[\cdot]. Vou listar de forma clara o que cada opção afirma (peguei as notações do enunciado):
  • (a) Medições X[n-a],X[n-a+1],\ldots,X[n-1],X[n+1],\ldots,X[n+b-1],X[n+b] são usadas para estimar Y[n], com a,b\in\mathbb{Z} e a,b>0. (Aqui não se usa X[n].)
  • (b) Afirma que Y[n] não pode ser estimado por X[n].
  • (c) Medições X[n-a],\ldots,X[n-1],X[n] são usadas para estimar Y[n+1], com a\in\mathbb{Z} e a\ge 0.
  • (d) Medições X[n-a],\ldots,X[n-1],X[n] são usadas para estimar Y[n], com a\in\mathbb{Z} e a\ge 0.
  • (e) Medições X[n-a],\ldots,X[n-1],X[n],X[n+1],\ldots,X[n+b] são usadas para estimar Y[n], com a,b\in\mathbb{Z} e a,b\ge 0.
O pedido: identificar qual dessas corresponde a um filtro interpolador.

Passo 2

Antes de decidir, vamos entender o que normalmente chamamos de interpolador e distinguir de outros tipos de estimadores. Vou explicar de forma prática e com exemplos simples.
Definições (intuitivas e úteis para a prova):
  • Preditor: usa apenas amostras passadas (e possivelmente a presente) para estimar um valor futuro. Exemplo típico: estimar Y[n+1] a partir de \{X[n],X[n-1],\dots\}. É causal (não depende do futuro).
  • Filtro (ou estimador em tempo real): quando se estima Y[n] usando somente amostras até o tempo n (isto é, \{X[n],X[n-1],\dots\}). Também é causal.
  • Suavizador (smoother): estima Y[n] usando amostras passadas e futuras (por exemplo \{X[n-k],\dots,X[n],\dots,X[n+\ell]\}). É não causal porque precisa de amostras futuras.
  • Interpolador (no sentido clássico de sinais/tempo discreto): é um método para estimar um valor faltante ou intermediário em uma sequência a partir de amostras vizinhas. Tipicamente usa amostras anteriores e posteriores ao ponto que se quer estimar; muitas vezes o valor no próprio instante está ausente (é isso que se quer “interpolar”). Ou seja, um interpolador clássico é um tipo de estimador não causal que reconstrói Y[n] a partir de vizinhos de n, sem usar X[n] (pois X[n] é o valor faltante a ser estimado).
Observação prática e exemplo concreto:
  • Interpolação linear simples: se falta X[0] e há X[-1] e X[1], uma interpolação linear seria
\widehat{Y}[0]=\frac{X[-1]+X[1]}{2}.
Isto é um interpolador porque usa apenas os vizinhos X[-1] e X[1] para estimar o ponto ausente Y[0].

Passo 3

Agora avalio as opções em função das definições acima, uma por uma, explicando por que cada uma representa predictor, filter, smoother ou interpolator.
Análise da opção (c):
  • (c) usa apenas amostras \{X[n-a],\dots,X[n]\} para estimar Y[n+1].
  • Isso é exatamente um exemplo de predição (estimar o futuro Y[n+1] usando somente passado e presente de X). Portanto (c) é um preditor (causal), não um interpolador.

Passo 4

Análise das opções (d) e (e):
  • (d) usa \{X[n-a],\dots,X[n]\} para estimar Y[n].
    • Aqui usamos apenas passado e presente para estimar o valor no mesmo instante n. Isso é um filtro causal (estimador em tempo real), típico de filtragem/suprimento de ruído quando se tem X[n].
    • Não é um interpolador no sentido clássico de reconstruir um ponto faltante a partir de vizinhos futuros e passados.
  • (e) usa \{X[n-a],\dots,X[n],\dots,X[n+b]\} para estimar Y[n], ou seja, passa, presente e futuro.
    • Isso é um suavizador (smoother) não causal que inclui o próprio X[n]. Pode ser usado para melhorar a estimação de Y[n] aproveitando informação futura.
    • Embora um interpolador também seja não causal, a presença explícita de X[n] (o próprio ponto) torna (e) mais um caso de smoothing/filtragem não causal que usa o ponto presente. Interpolação clássica assume que o ponto n é ausente e precisa ser reconstruído a partir dos vizinhos; logo (e) não é a definição típica de interpolador.

Passo 5

Análise da opção (a) — a candidata forte:
  • (a) usa amostras \{X[n-a],\ldots,X[n-1],X[n+1],\ldots,X[n+b]\} para estimar Y[n], com a,b>0. Ou seja, usa apenas amostras passadas e futuras, explicitamente excluindo X[n].
  • Isso bate com a definição prática e clássica de interpolador: o valor no tempo n está “ausente” ou deve ser reconstruído a partir dos vizinhos imediatos antes e depois.
  • Exemplo concreto: para a=b=1,
\widehat{Y}[n]=\alpha\,X[n-1]+\beta\,X[n+1],
ou no caso de interpolação linear simples com \alpha=\beta=\tfrac{1}{2},
\widehat{Y}[n]=\frac{X[n-1]+X[n+1]}{2}.
  • Observação sobre causalidade: (a) é não causal (usa futuro), o que é esperado para um interpolador que precisa dos vizinhos de ambos os lados.

Passo 6

Comparando as interpretações:
  • (a) corresponde diretamente ao conceito de interpolador (reconstruir/estimar um ponto usando vizinhos antes e depois, sem usar o próprio ponto).
  • (c) é preditor (futuro).
  • (d) é filtro causal (uso de passado/presente).
  • (e) é smoother/filtrador não causal que inclui o próprio ponto presente.
  • (b) é uma afirmação geral negativa que não se aplica como definição de interpolador.
Conclusão: a opção que corresponde a um filtro interpolador é a opção (a).

Resposta

(a)

Exercícios relacionados