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.

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 x[n] é WSS se:
    • A média é constante no tempo: \mathbb{E}\{x[n]\}=\mu_x para todo n.
    • A autocorrelação depende apenas da defasagem (lag): \mathbb{E}\{x[n]\,x[n+k]\}=r_x[k], ou seja, não depende de n isoladamente.
  • Aplicado ao problema, dizer que o sinal s[n] e o ruído v[n] são WSS significa que \mathbb{E}\{s[n]\}=\mu_s, \mathbb{E}\{v[n]\}=\mu_v e as autocorrelações \mathbb{E}\{s[n]s[n+k]\}=r_s[k], \mathbb{E}\{v[n]v[n+k]\}=r_v[k] dependem só de k.

Passo 3

Explicando a segunda suposição possível: ortogonalidade / descorrelacionamento vs independência.
  • Dois processos s[n] e v[n] são descorrelacionados (ou ortogonais, no contexto de MMSE) se a cross‑correlação é zero: \mathbb{E}\{s[n]\,v[m]\}=0\quad\text{para todos }n,m.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 \,x[n]=s[n]+v[n]\,.
  • Para derivar o filtro linear ótimo em MMSE usamos o princípio da ortogonalidade: o erro de estimação \,e[n]=\hat{s}[n]-s[n]\, deve ser ortogonal ao espaço gerado pelas observações passadas de x. Isso leva às equações normais envolvendo autocorrelações e cross‑correlações: \mathbb{E}\{e[n]\,x[n-k]\}=0\quad\text{para }k\ge 0.
  • Se s e v 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 \mathbb{E}\{s[n]v[m]\}=0 (descorrelacionamento), simplifica-se a cross‑correlação entre s e x: r_{sx}[k]=\mathbb{E}\{s[n]x[n+k]\}=\mathbb{E}\{s[n](s[n+k]+v[n+k])\}=r_s[k]+0=r_s[k],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.

Exercícios relacionados