Quais são as duas principais suposições que o filtro causal linear ótimo faz sobre o sinal e o ruído?
◯ a. O sinal e o ruído são WSS e são ortogonais.
◯ b. O sinal e o ruído são independentes.
◯ c. O sinal e o ruído são WSS.
◯ d. O sinal e o ruído são WSS e são independentes.
◯ e. O sinal e o ruído são processos gaussianos WSS e descorrelacionados.
◯ a. O sinal e o ruído são WSS e são ortogonais.
◯ b. O sinal e o ruído são independentes.
◯ c. O sinal e o ruído são WSS.
◯ d. O sinal e o ruído são WSS e são independentes.
◯ e. O sinal e o ruído são processos gaussianos WSS e descorrelacionados.
Passo 1
O que o enunciado pede: escolher, entre as alternativas dadas, as duas principais suposições que o filtro causal linear ótimo faz sobre o sinal e o ruído.
Informações fornecidas (opções):
- a. O sinal e o ruído são WSS e são ortogonais.
- b. O sinal e o ruído são independentes.
- c. O sinal e o ruído são WSS.
- d. O sinal e o ruído são WSS e são independentes.
- e. O sinal e o ruído são processos gaussianos WSS e descorrelacionados.
Passo 2
Explicando a primeira suposição possível: o que significa WSS (wide-sense stationary).
- Um processo aleatório
é WSS se: - A média é constante no tempo:
para todo . - A autocorrelação depende apenas da defasagem (lag):
, ou seja, não depende de isoladamente.
- A média é constante no tempo:
- Aplicado ao problema, dizer que o sinal
e o ruído são WSS significa que , e as autocorrelações , dependem só de .
Passo 3
Explicando a segunda suposição possível: ortogonalidade / descorrelacionamento vs independência.
- Dois processos
e são descorrelacionados (ou ortogonais, no contexto de MMSE) se a cross‑correlação é zero: Isso implica que, em média, não há correlação linear entre eles. - Independência é uma suposição mais forte: significa que a distribuição conjunta fatoriza e todo tipo de dependência (linear ou não linear) é nula. A independência implica descorrelacionamento, mas o recíproco não é verdade, exceto em casos especiais (por exemplo, no caso gaussiano).
- “Ortogonais” no contexto de estimadores lineares geralmente é usado como sinônimo prático de descorrelacionados (erro ortogonal às observações, etc.).
Passo 4
Por que o filtro causal linear ótimo (Wiener causal / estimador linear MMSE causal) normalmente assume WSS e descorrelacionamento:
- No problema clássico, a observação é
. - Para derivar o filtro linear ótimo em MMSE usamos o princípio da ortogonalidade: o erro de estimação
deve ser ortogonal ao espaço gerado pelas observações passadas de . Isso leva às equações normais envolvendo autocorrelações e cross‑correlações: - Se
e são WSS, então todas as autocorrelações e cross‑correlações que aparecem nas equações dependem só de lags, o que torna o problema estacionário e solucionável por métodos que usam funções de correlação ou espectros (p.ex. equações de Wiener–Hopf). - Se além disso
(descorrelacionamento), simplifica-se a cross‑correlação entre e : o que facilita muito a obtenção das equações do filtro e garante que o filtro não tentará “explicar” dependências entre sinal e ruído que não existem.
Passo 5
Por que as outras hipóteses das alternativas são desnecessárias ou excessivas:
- Independência (alternativas b e d) é mais forte que o necessário. Para o derivar do filtro linear ótimo em MMSE não é preciso assumir independência, basta descorrelacionamento. Assumir independência pode ser conveniente em alguns tratamentos, mas não é uma “principal” suposição necessária.
- Assumir gaussianidade (alternativa e) também não é necessário para o filtro linear ótimo em termos de MMSE; a gaussianidade torna alguns resultados (por exemplo, linear = ótimo entre todos os estimadores) mais fortes, mas não é requisito para a formulação padrão do filtro linear de Wiener.
- A alternativa c (apenas WSS) deixa de fora a suposição de que sinal e ruído não estão correlacionados; portanto não captura as duas “principais” suposições pedidas.
Passo 6
Conclusão: as duas suposições centrais usadas na formulação clássica do filtro causal linear ótimo são que o sinal e o ruído são WSS e que são ortogonais (descorrelacionados). Isso corresponde à alternativa (a).
Resposta
a. O sinal e o ruído são WSS e são ortogonais.