You are on page 1of 18

Sistemas de Comunicao

II
Lista de Exerccios

Aluno(s):
Professor:
Francisco Jos Aquino
Curso:
Engenharia de Telecomunicaes

Fortaleza, 09 de outubro de 2014.

Sumario

Introduo ............................................................................
........ 03
Questes ..............................................................................
........ 04 - 10
Simulaes ...........................................................................
......... 11 - 15
Concluso .............................................................................
........ 16
Bibliografia ...........................................................................
........ 17

Introduo

Este trabalho aborda a resoluo de uma lista de exerccios que tem


enfoque em probabilidade, tambm existir a implementao de duas
questes utilizando o software de simulao, MatLab. Esse trabalho
representa os captulos oito e nove do livro Sistemas de
comunicaes Analgicos e Digitais Modernos" de B.P.Lathi e Zhi
Ding. O capitulo oito enfoca os fundamentos da teoria da
probabilidade e o capitulo nove aborda processos aleatrios e analise
espectral.

Questes
1) Dez dados honestos so lanados muitas e muitas vezes.
Seja a
varivel aleatria X a soma dos resultados de cada
lanamento. Qual o
valor esperado para X? Quais os valores mximo e mnimo?
Calcule
(aproximadamente) P(X > 50).
Com o lanamento de 10 dados honestos, em que cada um tem 6
possibilidades {1,2,3,4,5,6}.

X i =(1+2+3+4+5+6)/6 = 3.5

X i X i
()
/N
2x =
2

x =( (13.5 ) + ( 23.5 ) + ( 33.5 ) + ( 43.5 ) + ( 53.5 ) + ( 6


2x =

6.25+2.25+0.25+0.25+2.25+ 6.25
6
2x =

2x

17.5
6

2.91667

No caso de 10 dados, temos:


X = 10*3.5= 35 e

2 =10*2.91667=29.1667
O valor de X

aproximadamente
Px (x) =
Px (x) =
Px (x) =

(e

(e

( x x )
2
2

( x x )
58.332

(e

)/( ( 2 ) )

)/( ( 2 ) 5.4005)

( x35 )
58.332

)/(13.5373)

Tendo o valor mximo e mnimo:


Px (x)max = 60 e

Px (x)min = 6

Para P x (x>50) :
Px (x>50) =

5035
) = Q(2.777) = 0.0027 ou 0.27% de
5.4005
possibilidade de sair 50 ou mais.
Q(

2) Um rudo gaussinao x(t) de mdia nula e varincia 2 = 0,


5V2 passa
por um circuito reti_cador de onda completa (considere diodos
ideais), isto
, y(t) = |x(t)|. Esboce o funo de densidade de
probabilidade de y(t).
Calcule P(y > 3).
Com y sendo o modulo de X(y=|X|), a possibilidade de sair uma
tenso negativa mudada para a possibilidade de vir uma tenso
positiva. =0.5 e x =0 .
Esboando a funo de densidade de probabilidade de y(t).

(
(
e

P ( y )=2(

x0)
20.5

0.52

Logo,

P ( y )=1.1285ex

, no caso de x>0

P ( y )=0.5 , no caso de x=0, pelo fato de a chance para


no muda.
P ( y )=0

P ( y )=0

, no caso de x<0

Assim:
P ( y >3 )=Q

=1.110
( 30
0.5 )

ou 0.0011% de chance de o y ser maior

que a tenso 3V.

3) Um sinal binrio formado pelos smbolos +1 e 1


contaminado
por rudo gaussiano de mdia nula e varincia 2 = 0, 25.
Calcule a
probabilidade de erro. Considere que os smbolos so
igualmente provveis.
Em torno de -1 e +1 teremos essa curva gaussiana

G1 ( x )=G+1 ( x ) = ((1/(2

x2

2 x ) e( 2 )
2
x

A probabilidade de erro pode ser calculada por

Pe= G1 ( x ) dx + G+1 ( x ) dx
0

Como a taxa de gerao de smbolos {-1,+1} apresenta a mesma


probabilidade a taxa de erro se d por:

Pe=Q

1
)
( x1 )=( 12 ) erfc ( 2x

( 0.51 )=0.0227

4) A probabilidade de erro na recepo de um sinal binrio


pe = 2 104. Qual a probabilidade de ocorrerem mais de 4
erros na
recepo de 10.000 bits?
Perro =2104

Amostragem = 10000

Devido a probabilidade de erro ser pequena e o nmero de amostras


grandes possvel aplicar Poisson logo:

Pi ( i )=em(

mi
)
i!
24
16
2
=e2
=e2( )
4!
24
3

( )

P ( 4 )=e2

( )

8
2
e ( )
6

2
P (2 )=e2( )
2!

e2(2)

P (1 ) =e2(

21
)
1!

e2(2)

P ( 0 )=e2(

20
)
0!

P (3 )=e2(

2
)
3!
2

4
2
e ( )
3

4 2
Pacerto =e2 (1+2+2+ + )
2 3
Pacerto =0.947
Perro =10.947=0.053

5) questo
Um sinal binrio formado por uma sequncia aleatria de
pulsos
Retangulares de amplitude 1 volt ou 0 volt que ocorrem com
igual
Probabilidade. Esse sinal contaminado por rudo (gaussiano)
e aplicado na entrada de um receptor com limiar de
comparao igual a 1/2. Qual a Potncia mxima desse rudo
tal que a taxa de erro esperada seja menor Que 106 ?
+1

=0.5
(Rudo Gaussiano) ( Limiar)

*Pe= 106
** =0.5

1 1
Px ( X )=
. e
2

(xxx )
2
2

= Px ( X )= 1 . 1 e
2

10

y
2

106=Q

dx =

du = dx
u

; 2=2 2 . y2 ; = . y ; du = . dy

1 1 2
=
. e du
2
0.5

2
=
22
10

dx

(x+0.5)
2
2

Temos: = x+0.5
6

+0.5

1
.e
2

y
2

dy

( +0.5 )=Q ( 1 )

Q(x) = 106 ; pela tabela sabemos que:


X=4.76

Logo:
1
=x=4.76 = =0.21008 ; Logo a potncia mxima para a taxa de

erro esperado : 2=0.04414 .

6) Considere a questo anterior. Se o limiar de comparao,


por uma.
Falha de hardware for modificada para 1/3, qual ser a nova
taxa de erro?

Para

Q(x) = 106 ,

1 1
+
3 2
=
Q

10

10

=0.333

Probabilidade de erro =

106

( )
()

5
6
Q

5
6
=4.76

=0.17507
2=0.0306

7) Um sinal binrio transmitido por uma sequncia de nove


repetidores regenerativos. Logo, ocorrem dez decises (o
receptor final tem o seu prprio regenerador). Em todas as
decises existe uma probabilidade de erro pe . Calcule a
probabilidade de erro no receptor final se:
pe = 102 .
pe = 103 .
pe = 104 .
Probabilidade de falha =

1(1Perro) n

10

a) Probabilidade de falha = 1- (1102 )10=0.0956


b) Probabilidade erro = 1- (1103 )10=0.01
c) Probabilidade erro = = 1- (1104)10=0.001

8) Escolha 2 das questes anteriores para resolver


numericamente usando simulao. Use um software da sua
preferncia. Sugesto: use Scilab,Matlab ou Octave, mas voc
tambm pode usar C, Pascal, Pyton, Java,Fortran, Assembly.
Compare as respostas tericas com as obtidas por meio da
simulao.

Simulao
1)
Explanao:
Para resolvermos a questo numericamente instanciamos 10 dados
com 1000 amostras. Cada dado recebeu nmeros aleatoriamente,
aps somamos cada elemento respectivo usamos a funo hist() que
gera o histograma.
Segue a baixo as linhas de cdigos comentadas
Linhas de cdigo

11

clear all;
clc;
x1=(1:1000);%Dado_1 com mil amostragem
x2=(1:1000);%Dado_2 com mil amostragem
x3=(1:1000);%Dado_3 com mil amostragem
x4=(1:1000);%Dado_4 com mil amostragem
x5=(1:1000);%Dado_5 com mil amostragem
x6=(1:1000);%Dado_6 com mil amostragem
x7=(1:1000);%Dado_7 com mil amostragem
x8=(1:1000);%Dado_8 com mil amostragem
x9=(1:1000);%Dado_9 com mil amostragem
x10=(1:1000);%Dado_10 com mil amostragem
soma=(1:1000);%resultado das somas dos dados
eixo=(10:60);%abscissa dos valores posiveis
%Amostragem de nmeros aleatrios
fprintf('Lancamento de Dados.....\n');
%empiricamente
for i=1:1000
x1(i)=randi(6,1);
x2(i)=randi(6,1);
x3(i)=randi(6,1);
x4(i)=randi(6,1);
x5(i)=randi(6,1);
x6(i)=randi(6,1);
x7(i)=randi(6,1);
x8(i)=randi(6,1);
x9(i)=randi(6,1);
x10(i)=randi(6,1);
soma(i)=x1(i)+x2(i)+x3(i)+x4(i)+x5(i)+x6(i)+x7(i)+x8(i)+x9(i)
+x10(i);
end
hist(soma,eixo),axis([ 10 60 1 100 ]),ylabel('Frequncia
absoluta'),xlabel('soma'),title('Histograma de frequncia absoluta
para 1000 amostragens');
%%
M = mean(soma);%mdia dos valores gerados
C = max(soma); %valor mximo
D = min(soma); %valor mnimo
Histograma

12

Concluso
Foi gerado como dados de sada:
Mdia =35
Valor mximo obtido =50 (oscila entre 50 e 54)
Valor mnimo obtido =20 (Oscila entre 17 e 20)

Os valores simulados condizem com os valores tericos.

3)
Explanao:
Para resolvermos a questo numericamente criamos um gerador de
bits (+1 e -1) com mesma probabilidade e uma taxa de amostragem
de mil. O sinal posteriormente foi contaminado com um rudo
gaussiano de mdia nula e varincia 2 = 0, 25.
Devido simetria da situao, o limiar de deteco tima zero.
Depois fizemos a contagem dos nmeros que sofreram alterao e
tiramos a porcentagem de erros.
Linhas de cdigo:

13

clear all; clc; close all;%


%%Gerando o rudo gaussiano com mdia 0 e desvio padro 0.5
L=1000; %Tamanho da amostra para o sinal aleatrio
mu=0;%mdia
sigma=0.5;%desvio padro
X=sigma*randn(1,L)+mu;%Sinal
figure();
subplot(2,1,1)
plot(X);
title(['Rudo : \mu_x=',num2str(mu),' \sigma^2=',num2str(sigma^2)])
xlabel('Amostras')
ylabel('Valores de amostras')
grid on;
subplot(2,1,2)
n=L;
[f,x]=hist(X,n);
g=(1/(sqrt(2*pi)*sigma))*exp(-((x-mu).^2)/(2*sigma^2));
plot(x,g);hold of; grid on;
title('Rudo Gaussiano');
legend('Histograma',' PDF');
xlabel('Bins');
ylabel('PDF f_x(x)');
%%Gerando sinais binrios
y=sign(randn(1,L));
figure;
hist(y);
%%Contaminando o sinal binrio
w=y+X;
figure;
[a,b]=hist(w,n);
G=(1/(sqrt(2*pi)*sigma))*exp(-((b-mu).^2)/(2*sigma^2));
plot(b,G);hold of; grid on;
title('Sinal+Rudo Gaussiano');
legend('Histograma',' PDF');
xlabel('Bins');
ylabel('PDF f_x(x)');
%% Devido a simetria da situao, o limiar de deteco tima zero
for i=1:L
if(w(i)<0)
w(i)= -1;

14

else
w(i)=1;
end
end
%%Fazendo a contagem de bits que sofreram interferncias do rudo
d=0;
for i=1:L
if(y(i)~=w(i))
d=d+1;
end
end
d=d/L;
fprintf('A porcentagem de erros aproximadamente %.5f',d);

Plots:

(Rudo gaussiano de mdia nula e varincia

2 = 0, 25.)

Bits gerados -1 e 1

15

(Gerador de bits (+1 e -1) com mesma probabilidade e uma taxa de


amostragem de mil.)
Sinal contaminado

Concluso:
Chegamos a resultado satisfatrio, pois encontramos uma
porcentagem de erro igual 0.022%.
Os valores simulados condizem com os valores tericos mostrados da
questo trs..

Concluso

16

As questes propostas foram desenvolvidas e solucionadas, com isso


obtivemos um maior esclarecimento sobre os mtodos de
probabilidade e sobre os processos aleatrios. Atravs das simulaes
aprendemos ainda mais a utilizar o software MatLab e suas
implementaes, assim como suas funes e mtodos. Podemos
tambm ver uma melhor forma os resultados das questes atravs
dos grficos proporcionados, assim, melhorando nossa aprendizagem
sobre o assunto.

Bibliografia

17

HAYKIN, Simon; VEEN, Barry Van. Sinais e sistemas. Porto Alegre:


Bookman.

HAYKIN. S. Sistemas de comunicao, analgicos e digitais. 4.ed.


Porto Alegre: Bookman.

ALENCAR, Marcelo Sampaio de. Sistemas de comunicaes. So


Paulo: rica.

18