ResumoCom a revoluo nas tecnologias de distribuio de

sinais e o desenvolvimento dos processos de digitalizao, um dos

desafios da Transmisso Digital garantir a segurana e o
desempenho adequado das redes de comunicao sem fio, que,
passaram a exigir o aumento da capacidade dos equipamentos.
Dentro do contexto das engenharias, considerando o custo destes
equipamentos, um ambiente de simulao adequado de
essencial importncia. Na fase de simulao, sabe-se que,
confiabilidade, preciso e aleatoriedade so caractersticas
primordiais para a anlise de desempenho de qualquer produto.
objeto de estudo deste trabalho, compreender os vrios
mtodos computacionais para a gerao de sinais aleatrios, de
acordo com os diversos tipos de distribuies estatsticas
existentes e, desenvolver softwares que possam ser efetivamente
utilizados na simulao e anlise dos problemas envolvidos na
engenharia de telecomunicaes, visando assim, propor solues
para alcanar maior aproveitamento na transmisso dos sinais
nas redes de comunicao sem fio.
Palavras chaveTransmisso digital, sinais aleatrios,
distribuies estatsticas e mtodos computacionais.
AbstractDue to the revolution in signal distribution
technologies and the development of digitization process, one of
the challenges of digital transmission is to ensure the safety and
proper performance of wireless communication networks, which
required an increase of the equipment capacity. Within the
context of engineering, considering the high cost of such
equipment, an appropriate simulation environment is of
paramount importance. In the simulation phase, we know that
reliability, accuracy and "randomness" are crucial features for
the performance analysis of any product. Therefore it is the
subject of this work, understanding the several computational
methods for generating random signals, according to the several
types of statistical distributions that exists and developing
software that can be effectively used in the simulation and
analysis of the problems involved in telecommunications
engineering thus aiming at proposing solutions to achieve the
greater utilization in the transmission of signals in wireless
communication networks.
Las A. Moreira (laismoreira15@gmail.com) e Rausley A. A. de Souza
(rausley@inatel.br) pertencem ao Instituto Nacional de Telecomunicaes -
Inatel. Av. Joo de Camargo, 510, Santa Rita do Sapuca, MG, Brasil, 37540-
000. Parte deste artigo foi apresentado no 32 CILAMCE Iberian Latin-
American Congress on Computational Methods in Engineering. Ouro Preto.
Este projeto conta com o apoio financeiro da FAPEMIG.
KeywordsDigital Transmission, Random signals, Statistical
Distributions and Computational Methods.
I. INTRODUO
A importncia da gerao dos chamados nmeros aleatrios
vem da multiplicidade das suas aplicaes, pois, utilizando a
aleatoriedade foi possvel desenvolver tcnicas mais simples
para resolver problemas numricos complexos.
Dentre as principais aplicaes onde se encontram a
utilidade dos nmeros aleatrios (ou sinais aleatrios)
destacam-se: simulao, amostragem, anlise numrica,
programao, criptografia, tomada de deciso entre outras.
Os nmeros aleatrios, na prtica, so muito difceis de
obter. Como tcnica alternativa utiliza-se os chamados
nmeros pseudo-aleatrios (gerados por algoritmos) para
simular os eventos aleatrios utilizados, por exemplo, na
segurana das redes de comunicaes sem fio. Um exemplo de
aplicao desta tcnica utilizado nos sistemas CDMA (Code
Division Multiple Access).
Na fase de simulao, sabe-se que confiabilidade, preciso e
aleatoriedade so caractersticas primordiais para os eventos
aleatrios. Assim, um ambiente de simulao adequado de
essencial importncia.
Dentro do contexto apresentado, sero objetos de estudo
deste trabalho os mtodos de gerao de nmeros aleatrios
considerando-se os chamados ambientes no homogneos.
Nos modelos matemticos aplicveis nestes ambientes,
destacam-se as distribuies -, - e -, bem como uma
anlise prtica destas distribuies atravs dos resultados
numricos obtidos.
II. MTODOS COMPUTACIONAIS DE GERAO DE SINAIS
ALEATRIOS
A palavra aleatoriedade utilizada para exprimir quebra de
ordem ou imprevisibilidade, ou ainda um conjunto de eventos
que no descreve um padro determinstico, mas segue uma
distribuio de probabilidade.
As muitas aplicaes da aleatoriedade levaram ao
desenvolvimento de diferentes mtodos para a gerao
aleatria de dados. A escolha de qualquer mtodo depende de
Mtodos Computacionais para Gerao de
Sinais Aleatrios Aplicados a Sistemas de
Transmisso Digital
Las Aparecida Moreira
Instituto Nacional de Telecomunicaes - Inatel
laismoreira15@gmail.com
Rausley A. A. de Souza
Instituto Nacional de Telecomunicaes - Inatel
rausley@inatel.br
ANAIS DO CONGRESSO DE INICIAO CIENTFICA DO INATEL - INCITEL 2012 188
sua eficincia e aplicabilidade para uma determinada
distribuio.
A seguir sero apresentados alguns dos mtodos e tcnicas
utilizados no processo de gerao de nmeros aleatrios.
A. Mtodo Box & Muller
O mtodo da transformao de Box & Muller proposto
inicialmente por [2] consiste da gerao de pares de amostras
aleatrias independentes com distribuio normal com mdia
zero e varincia unitria, a partir de uma fonte de nmeros
aleatrios distribudos uniformemente.
Considerando que U
1
e U
2
so variveis aleatrias
uniformemente distribudas no intervalo unitrio, X e sero
variveis aleatrias gaussianas de mdia e varincia o
2
,
conforme descrito por
X = cos(2nu
2
) _-2 ln(u
1
) o
X
2
+ p
X
(1)
= sen(2nu
2
) _-2 ln(u
1
) o
Y
2
+ p

.
(2)
Dada a anlise acima, percebemos que o mtodo de Box &
Muller um mtodo estatstico muito simples, porm,
considerado ruim devido lentido de processamento, fato
que ocorre porque o mtodo requer a estimativa de uma raiz
quadrada e de duas funes trigonomtricas a cada par de
amostras gerado.
Embora atualmente existam recursos computacionais
disponveis para auxiliar em um processamento rpido, a
transformao de Box & Muller pode ser realizada com mais
eficincia utilizando um algoritmo de aceitao/rejeio
conforme segue:
1. Gere :
1
e :
2
independentemente conforme u(-1,1).
2. Faa r
2
= :
1
2
+ :
2
2
.
3. Se r
2
1 ento, volte ao passo 1.
4. Caso contrrio, faa x
1
= :
1
-2 log(r
2
) r
2
e
x
2
= :
2
-2 log(r
2
) r
2
.
A validade deste mtodo, bem como exemplos de aplicao,
pode ser encontrada em [4].
B. Mtodo da Convoluo
Para vrias distribuies estatsticas importantes [6], uma
varivel aleatria X desejada pode ser expressa como uma
soma de outras variveis aleatrias que so IID (independente
e identicamente distribudas) e podem ser geradas mais
rapidamente do que a gerao direta de X, ou seja,
X =
1
+
2
+ +
m
. (3)
importante ficar atento para no confundir o mtodo da
convoluo com o mtodo da composio [6]. Aqui
assumimos que a varivel aleatria X pode ser representada
como um somatrio de outras variveis aleatrias, o que difere
bastante da situao abordada pelo mtodo da composio. O
algoritmo geral para o mtodo da convoluo pode ser descrito
pelos seguintes passos:
1. Gerar
1
,
2

m
IID cada um com funo de
distribuio 0.
2. Retornar X =
1
+
2
++
m
.
O mtodo da convoluo, quando ele pode ser utilizado,
muito simples, pois, podemos gerar a sequncia de X
facilmente.
C. Mtodo Congruencial Multiplicativo
O mtodo congruencial, tambm conhecido como mtodo
do Resduo da Potncia, tem este nome devido ao conceito de
congruncia, da teoria dos nmeros. A expresso matemtica
do mtodo dada por [4]
Z
k
= Z
k-1
moJ H (4)
onde um inteiro entre 0 e M, e M um nmero primo (p)
ou uma potncia inteira de um nmero primo (p
m
).
Exemplos e aplicaes deste mtodo podem ser encontrados
em podem ser encontradas em [6].
D. Mtodo da Transformada Inversa
Para a varivel aleatria X a funo distribuio cumulativa
(FDC) a funo P
x
definida por [4]
P
x
(x) = P

(X x) (5)
onde u < P
x
< 1 e P

(A) representa a probabilidade do evento

A. Logo, se X uma varivel aleatria com uma FDC P
x
contnua temos que
u = P
x
(x) (6)
onde u uniformemente distribuda no intervalo |u,1].
Assim, podemos perceber uma relao simples entre a
varivel aleatria u e a varivel aleatria X com funo
distribuio P
X = P
X
-1
(u). (7)
O uso desta simples transformao denominado tcnica da
FDC inversa. Uma grande desvantagem deste mtodo o fato
de sua aplicao estar limitada a variveis que possuem FDC
inversvel. A validade do mtodo pode ser encontrada em [4].
E. Mtodo de Monte Carlo
O mtodo de Monte Carlo (MMC) um mtodo estatstico
simples e direto, utilizado como forma de obter aproximaes
numricas de funes complexas.
O mtodo tipicamente envolve a gerao de observaes
atravs de vrios experimentos de alguma distribuio de
probabilidade e o uso da amostra obtida para aproximar a
funo de interesse.
Para entender o mtodo, suponha que se deseja avaliar a
integral [6]
I = _ g(x)Jx
b
u
(8)
onde g(x) uma funo real que no analiticamente
integrvel.
Seja Y a varivel aleatria (b - o)g(x) onde X uma
varivel aleatria contnua distribuda uniformente no
intervalo |o, b], ento o valor esperado de
E() = |(b -o)g(X)]. (9)
Atravs da anlise encontrada em [6] obtemos que
ANAIS DO CONGRESSO DE INICIAO CIENTFICA DO INATEL - INCITEL 2012 189
E() = I. (10)
Em particular, estimando E() = I pela mdia das amostras
obtemos que
E|

(n)] = (b -o)
_ g(x

)
n
=1
n
(11)
onde X
1
, X
2
X
n
so variveis aleatrias IID u(o, b).
Alm disso, de acordo com [6] podemos mostrar que
E|

(n)] = I, ou seja, que

(n) um estimador de I.
A validade do mtodo, bem como exemplos de aplicao,
pode ser encontrada em [5].
F. Mtodo da Aceitao-Rejeio
O mtodo da Aceitao-Rejeio [6] necessita que
especifiquemos uma funo t(x), comumente chamada de hat
function, que seja majoritria em relao funo densidade
de probabilidade (FDP) p(x) que se deseja gerar, ou seja,
t(x) p(x) para todo x. A funo t(x) no ser uma FDP j
que
c = _ t(x)Jx _ p(x)Jx = 1
+
-
+
-
. (12)
Mas a funo
r(x) =
t(x)
c
(13)
claramente uma FDP. Este mtodo capaz de gerar uma
varivel aleatria com FDP r(x). O algoritmo geral o
seguinte:
1. Gerar tendo uma distribuio qualquer (Uniforme,
gaussiana, exponencial ou outra).
2. Gerar uma distribuio uniforme u~u(u,1),
independente de .
3. Se u p()t() retornar X = . Caso contrrio,
retornar para o passo 1 e tentar novamente.
O algoritmo continua realizando o processamento at gerar
N nmeros aleatrios X distribudos de acordo com a
distribuio p(x) desejada. Como demonstrado em [6], a
probabilidade de aceitao no passo 3 do algoritmo 1c. A
validade deste mtodo, bem como exemplos de aplicao,
pode ser encontrada em [6].
III. AMBIENTES NO HOMOGNEOS
Em sistemas de comunicaes mveis pequenos
deslocamentos espaciais podem resultar em grandes variaes
no nvel do sinal recebido [9]. Como alternativa para avaliar
os efeitos desses pequenos deslocamentos so utilizados
modelos estatsticos.
Trs fatores bsicos so considerados em um modelo
estatstico de um sinal se propagando [3]: perdas de percurso,
efeitos de sombreamento e efeitos de mltiplo percurso.
Estes trs fatores influenciam diretamente nas variaes
sofridas pelo canal. Logo, um ambiente de propagao pode
ser descrito como a combinao desses trs fatores,
dependendo das caractersticas e finalidades de cada ambiente.
Por sua vez, cada ambiente de propagao est associado a
um mtodo estatstico. devido a este fato que os diversos
tipos de ambientes de propagao so descritos por
distribuies estatsticas de mesmo nome.
As distribuies mais conhecidas, tais como Rayleigh [7],
Rice [10] e Nakagami-m [8], consideram um ambiente de
propagao onde os mltiplos percursos refletem-se nas
superfcies de forma homognea. Esta certamente uma
aproximao, pois para que seja caracterizado um campo de
espalhamento homogneo fazem-se necessrias algumas
caractersticas conforme descrito por [3].
Com o objetivo de modelar o fenmeno de desvanecimento
em pequena escala em um ambiente no homogneo, foram
propostas recentemente as distribuies -, - e - que
so brevemente demonstradas neste artigo seguidas de um
comparativo com as demais distribuies.
A. Distribuio o-
A distribuio - [13] uma distribuio de
desvanecimento geral que foi proposta com o objetivo de
explorar a no linearidade de um meio de propagao. Esta
distribuio , na verdade, uma verso reescrita da distribuio
Gama generalizada, a qual foi proposta pela primeira vez por
Stacy [12]. A densidade - dada por [13]

R
(r) =
op

r
u-1
r
u
I(p)
exp _-p
r
u
r
u
] (14)
onde o parmetro de no linearidade, r o valor eficaz de
R, o nmero real de clusters (conjuntos de ondas
espalhadas) e I() a funo Gamma.
Sendo r u, o > u e o parmetro dado por
p =
E
2
(R
u
)
I(R
u
)
, p > u
(15)
onde E() denota o operador esperana matemtica, I()
representa a varincia e o parmetro correspondente ao
nmero real de clusters de mltiplos percursos.
A FDC da envoltria pode ser obtida como
F
R
(r) =
y(p, pr
u
r
u
)
I(p)
(16)
sendo y(, ) a funo Gamma incompleta.
A distribuio - uma distribuio que inclui outras
distribuies conhecidas, tais como Gamma (e suas verses
discreta Erlang e central Chi-Quadrado), Nakagami-m (e sua
verso discreta Chi), Exponencial, Weibull, Semi Gaussiana e
Rayleigh. A Figura 1 mostra a relao entre as principais
distribuies derivadas a partir da distribuio -.
Fig. 1. Sumrio Matemtico Distribuio o-
ANAIS DO CONGRESSO DE INICIAO CIENTFICA DO INATEL - INCITEL 2012 190
B. Distribuio -
A distribuio - [14] uma distribuio de
desvanecimento geral que pode ser usada para representar as
variaes em pequena escala do sinal em desvanecimento em
uma condio de linha de visada direta (LOS, do ingls Line
of Sight).
A distribuio considera um sinal composto de vrios
clusters com ondas provenientes dos mltiplos percursos.
Dentro de cada cluster, as fases das ondas so aleatrias e tem
atrasos temporais semelhantes e, entre os vrios clusters, os
atrasos das ondas so relativamente grandes. Por hiptese,
considera-se que as ondas dos mltiplos percursos dos vrios
clusters possuem potncias idnticas, mas dentro de cada
cluster existe uma componente dominante de potncia
arbitrria [9]. A distribuio dada por

R
(r) =
2p(1 + )
+1
2
r
-1
2
exp(p)
[
r
r

exp _-p(1) [
r
r

2
_
I
-1
j2p( +1)
r
r
[ , r u
(17)
onde a razo entre a potncia total da componente
dominante e a potncia total das componentes espalhadas, e
I

() a funo de Bessel modificada de primeiro tipo de

ordem arbitrria : [1]. Sendo
p =
E(R
2
)
I(R
2
)

1 + 2
(1 + )
2
(18)
A FDC da envoltria pode ser obtida como
F
R
(r) = 1 -

j2, 2p(1 + )
r
r
[ (19)
onde

(o, b) a funo Marcum-Q generalizada [1].

Assim como a distribuio -, a distribuio - tambm
inclui outras distribuies conhecidas, tais como Nakagami-m,
Rayleigh, Rice e Semi Gaussiana. A Figura 2 mostra a relao
entre as distribuies citadas.
Fig. 2. Sumrio Matemtico Distribuio -.
C. Distribuio p-
A distribuio - [14] uma distribuio de
desvanecimento geral que pode ser usada para representar as
variaes em pequena escala do sinal em desvanecimento em
uma condio NLOS (Non Line-of-Sight).
Assim como nos ambientes - e k-, a modelagem a partir
da distribuio - considerada em um ambiente no
homogneo, sendo o sinal tambm composto de vrios
clusters com ondas provenientes dos mltiplos percursos.
De forma geral, a Figura 3 mostra o mecanismo de
propagao em um ambiente no homogneo onde possvel
verificar vrios conjuntos de ondas espalhadas (ou clusters)
Fig. 3. Mecanismo de Propagao
De acordo com [9] dentro de cada cluster, as fases das
ondas so aleatrias e tem atrasos temporais semelhantes e,
entre os vrios clusters, os atrasos das ondas so relativamente
grandes.
A distribuio - pode aparecer em dois formatos
diferentes. No Formato 1, as componentes em fase e em
quadratura do sinal em desvanecimento dentro de cada cluster
so consideradas gaussianas independentes de mdia nula e
possuem potncias diferentes (varincias distintas). No
Formato 2, as componente em fase e em quadratura do sinal
em desvanecimento dentro de cada cluster so consideradas
gaussianas correlacionadas de mdia nula e possuem potncias
idnticas (varincias idnticas). Sendo assim o parmetro p
a relao entre as varincias das componentes em fase e em
quadratura.
Em ambos os formatos, o parmetro uma extenso real
do nmero de clusters e dado por
p =
E
2
(R
2
)
2I(R
2
)
_1 + _
E
b
]
2
_ , p > u (20)
onde E e b so funes do parmetro p e variam de um
formato para outro.
A partir das concluses acima, a FDP da distribuio -
para os dois formatos, dada por
p =
E
2
(R
2
)
2I(R
2
)
_1 + _
E
b
]
2
_ , p > u (21)
onde a potncia mdia do sinal.
Assim, a FDC da distribuio -P pode ser expressa como
F
R
(r) = 1 -

_
E
b
,
_
2bp
0
r_ (22)
onde

(o, b)
2
-+
3
2
Vn
I(:)

(1 - o
2
)

o
-
1
2
_ x
2
exp(-x
2
)

b
I
-
1
2
(ox
2
)Jx.
(23)
ANAIS DO CONGRESSO DE INICIAO CIENTFICA DO INATEL - INCITEL 2012 191
Como casos especiais da distribuio - so consideradas
as distribuies Semi Gaussiana Positiva, Rayleigh, Hoyt e
Nakagami-m. A Figura 4 descreve a relao entre as
distribuies relacionadas com a densidade -.
Fig. 4. Sumrio Matemtico Distribuio p-.
D. Mtodo da Convoluo aplicado s Distribuies em
Estudo
Como descrito na Seo II.B deste trabalho o mtodo da
convoluo muito simples nos casos em que ele pode ser
aplicado, ou seja, nos casos em que a varivel aleatria
desejada X pode ser expressa como uma soma de outras
variveis aleatrias que so IID
Esta seo tem por objetivo demonstrar como algumas das
distribuies em estudo podem ser geradas a partir do
somatrio de variveis aleatrias gaussianas, dependendo das
caractersticas particulares e dos parmetros aplicados a cada
distribuio.
A distribuio - considerando o mtodo, pode ser descrita
como
X
u
=
1
2
+
2
2
+
3
2
+ +
2
2
(24)
considerando mdia nula e varincia o
2
para cada varivel
aleatria.
A distribuio - pode ser descrita como
X
2
= (

+ p

)
2
n
=1
+ (Z

+ q

)
2
n
=1
(25)
onde X

so processos gaussianos independentes com

mdia nula e varincia o
2
; p

e q

representam
respectivamente os valores mdios das componentes em fase e
em quadratura do sinal composto de i clusters com ondas
provenientes dos mltiplos percursos; e n o nmero de
clusters de mltiplo percurso.
A distribuio - pode ser descrita como
X
2
=

2
+ Z

2
n
=1
(26)
onde

e Z

so processos gaussianos independentes com

mdia nula e varincias distintas.
A distribuio Nakagami-m pode ser descrita como
X
2
=
1
2
+
2
2
+
3
2
+ +
2m
2
(27)
onde

, i = 1, .,2m, so variveis com mdia nula e

varincia o
2
.
A distribuio Rayleigh pode ser descrita como
X
2
=
1
2
+
2
2
. (28)
A distribuio Hoyt pode ser descrita como
X
2
=
1
2
+
2
2
(29)
considerando mdia nula e varincias o
1
2
e o
2
2
distintas para as
variveis Y
1
e Y
2
.
A distribuio Gaussiana unilateral pode ser descrita como
X
2
=
1
2
(30)
considerando mdia nula e varincia o
2
para a varivel
aleatria Y
1
.
IV. RESULTADOS NUMRICOS
Para facilitar o entendimento deste trabalho e ainda, como
forma de avaliar o comportamento dos ambientes de
propagao mencionados, a seguir so apresentados alguns
grficos gerados com o auxlio dos softwares de simulao
Matlab e Mathematica.
A. Ambiente Nakami-m
A Figura 5 ilustra o comportamento do ambiente de
propagao Nakagami-m. Nesta simulao fixou-se o fator de
desvanecimento m dado na Equao (15) para o = 2, e
tornamos varivel o parmetro , que refere-se potncia
mdia do sinal.
Fig. 5: Comportamento do ambiente de propagao Nakagami-m.
A Figura 6 tambm ilustra o comportamento do ambiente
de propagao Nakagami-m. Neste caso, foi alterado o fator de
desvanecimento.
Fig. 6: Comportamento do ambiente de propagao Nakagami-m.
B. Ambiente Hoyt
A Figura 7 ilustra o comportamento do ambiente de
ANAIS DO CONGRESSO DE INICIAO CIENTFICA DO INATEL - INCITEL 2012 192
propagao Hoyt (Nakagami-q). Na figura possvel perceber
as variaes sofridas pela envoltria da distribuio atravs da
alterao dos valores de (relao entre as varincias das
componentes em fase e em quadratura) e da potncia mdia do
sinal, denotada por .
Fig. 7: Comportamento do ambiente de propagao Hoyt.
C. Ambiente o-
O comportamento do ambiente de propagao -
ilustrado na Figura. 8. Quando considera-se o nmero real de
clusters igual a 2 e, tornam-se variveis os valores do
parmetro de no linearidade e do valor eficaz de R (r ).
Fig. 8: Comportamento do ambiente de propagao -.
A Figura 9 tambm ilustra o comportamento do ambiente de
propagao -, contudo, neste caso, consideramos o valor
eficaz de R, aqui denotado por r , igual a 1. O nmero real de
clusters () se mantm igual a 2 e, tornamos varivel apenas
os valores do parmetro de no linearidade ().
Fig. 9: Comportamento do ambiente de propagao -.
D. Ambiente -
O comportamento do ambiente de propagao -
ilustrado na Figura 10, onde possvel perceber as variaes
sofridas pela envoltria da distribuio atravs da alterao
dos valores de e de .
Fig. 10: Comportamento do ambiente de propagao -.
Para a gerao destas amostras foi utilizado o mtodo da
aceitao-rejeio, conforme descrito na Seo II.F. Como
pode ser observado, a aplicao do mtodo da Aceitao-
Rejeio mostrou-se eficiente no objetivo de gerar amostras
com amplitudes distribudas de acordo com a distribuio -.
importante ressaltar que foi utilizada uma funo t(x)
constante o que produz uma FDP r(x) uniformemente
distribuda. A Tabela I mostra os dados considerados na
simulao e a porcentagem das amostras aceitas usando o
mtodo da aceitao-rejeio. Para aumentar a porcentagem
das amostras aceitas, possvel utilizar vrias funes
uniformemente distribudas, ou mesmo outro tipo de FDP,
com o objetivo de diminuir a rea abaixo de t(x). Aumentando
assim a probabilidade de aceitao de amostras e, portanto,
aumentando a eficincia do mtodo em termos de aceitao
das amostras.

TABELAI
RESULTADOS MTODO ACEITAO-REJEIO
, , m Amostras
geradas
Amostras
aceitas
Aproveitamento
%
0 2 2 100000 9553 9,55
1 1,5 2 100000 10018 10,02
2,41 1 2 100000 10067 10,07
V. TESTES DE ADERNCIA
A fim de se verificar se os nmeros aleatrios gerados esto
distribudos conforme a distribuio de interesse, pode-se
fazer uso de algum teste estatstico de aderncia, cuja
finalidade averiguar se uma amostra pode ser considerada
como proveniente de uma populao com uma determinada
distribuio.
Os testes de aderncia mais utilizados so o teste de
Kolmogorov-Smirnov e o teste do Qui-Quadrado. Ambos
medem o grau de aderncia entre a distribuio de uma
amostra de nmeros aleatrios gerados e a correspondente
distribuio terica, e ambos tambm so baseados na hiptese
nula de que nenhuma diferena significante existe entre a
amostra e a distribuio terica. No presente artigo, dar-se-
maior ateno ao teste de Kolmogorov-Smirnov. Para maiores
informaes sobre este e outros testes para diferentes
propsitos, consultar [4].
O teste de Kolmogorov-Smirnov compara a FDC da
distribuio de interesse com a FDC da amostra, e pode ser
aplicado a qualquer distribuio contnua. Sendo SN(x) a FDC
ANAIS DO CONGRESSO DE INICIAO CIENTFICA DO INATEL - INCITEL 2012 193
emprica do conjunto de dados gerado, e F(x) a FDC da
distribuio de interesse, o teste Kolmogorov-Smirnov baseia-
se no maior desvio absoluto entre F(x) e SN(x) expresso por

+
= Nax(SN(x) - F(x)) (31)

-
= Nax(F(x) - SN(x)). (32)
Essas estatsticas medem as distncias (vertical) entre os
grficos das duas funes, terica e emprica, nos pontos
X
(-1)
e X
()
. Com isso, utiliza-se como estatstica de teste

n
= Nax(B
+
, B
-
) (33)
Como se trata de um teste de hipteses, estipula-se um
limiar de probabilidade a partir do qual possvel aceitar ou
rejeitar a hiptese nula, ou seja, aceitar ou no a sequncia de
dados gerada como aderente quela distribuio. Esse limiar
de probabilidade chamado de nvel de significncia, e
estipulado de acordo com o pesquisador. Em geral, estipula-se
um nvel de 5%. Este valor ser adotado neste artigo.
O valor da probabilidade de se obter o efeito observado,
dado que a hiptese nula verdadeira, chamado de p-valor.
Se o p-valor for menor que o nvel de significncia estipulado,
rejeita-se a hiptese nula, ou seja, o conjunto de dados no
aderente quela distribuio. Caso contrrio, se o p-valor for
maior, aceita-se a hiptese nula e os dados so considerados
aderentes quela distribuio. A Tabela II mostra o resultado
dos testes de aderncia para cada um dos conjuntos de dados
gerados nas sees anteriores. Pode-se concluir que todos os
conjuntos de dados gerados possuem p-valor maiores do que o
nvel de significncia adotado, 5%, e, portanto, todos so
considerados aderentes s suas respectivas distribuies.

TABELAII
TESTE DE ADERNCIA.
Ambiente
(Distribuio)
Parmetros p-
Valor
Nakagami-m
=1 , m=2 0,5094
=2 , m=2 0,2023
=3 , m=2 0,0696
=1, m=0,5 0,6927
=1, m=1 0,4707
=1, m=2,5 0,9183
=1, m=3 0,3284
Hoyt
=2, =1 0,4806
=3, =2 0,6132
=4,5, =3,5 0,4222
-
=1, =2, =4 0,7657
=2, =2, =2 0,6462
=3, =2, =

0,7641
=1, =2, =1 0,1830
=2, =2, =1 0,3615
=3, =2, =1 0,0741
-
=0, =2 0,4207
=1, =1,5 0,8929
=2,4, =1 0,9621
VI. CONCLUSES
Este trabalho foi elaborado a partir do estudo e
compreenso da gerao de sinais aleatrios dada a sua
importncia para a anlise e simulao de sistemas reais de
transmisso digital.
Foram abordados alguns dos principais mtodos
computacionais de gerao de nmeros aleatrios e, descritas
as distribuies -, - e - que consideram um ambiente
de propagao no homogneo. Estas distribuies surgiram
como uma alternativa para avaliar os efeitos do
desvanecimento em pequena escala e, por isso vm se
tornando uma importante ferramenta aplicvel na modelagem
de sistemas de comunicaes mveis.
Por fim, foram demonstrados os resultados numricos
obtidos a partir da simulao das distribuies estudadas, onde
o comportamento de cada ambiente de propagao foi
ilustrado por grficos comparativos assim como os principais
testes de aderncia.
REFERNCIAS
[1] Abramowitz, M. and Stegun, I. A. Handbook of Mathematical
Functions. New York: Dover, 1972.
[2] Box, G.E.P., and Muller, Mervin E. Muller, A Note on the Generation of
Random Normal Deviates, The Annals of Mathematical Statistics, Vol.
29, 1958.
[3] Braun, W R. and Dersch, U. A physical mobile radio channel model.
IEEE Trans. Veh. Technol. Vol. 40, no. 2, pp. 472-482, May 1991.
[4] Gentle, James E. Random number generation and Monte Carlo
methods. 1998, USA, Springer, third edition.
[5] Hammersley, J. M. Handscomb, and D. C., Monte Carlo Methods,
Chapman and Hall, London & New York, 1964.
[6] Law, Averill M. Simulation modeling and analysis, third edition 2000.
[7] Lord Rayleigh J. W. S., Phil. Mag., vol. 73(10), 1880.
[8] Nakagami, M. The m-distribution A general formula of intensity
distribution of rapid fading, in Statistical Methods in Radio Wave
Propagation. W. C. Hoffman, Ed. Elmsford, NY: Pergamon, 1960.
[9] Rappaport, T. S. Wireless Communications: Principles and Practice.
Upper Saddle River, NJ: Prentice Hall, 1996.
[10] Rice, S. O. Mathematical analysis of random noise, Bell System
Technical Journal, vol. 23, pp. 282332, July 1944.
[11] Souza, Rausley Adriano Amaral de. Contribuies tericas para o
estudo de funes de distribuio correlacionadas em um canal sem fio.
Tese de Doutorado. Campinas, So Paulo. 2009.
[12] Stacy, E. W. A generalization of the gamma distribution. Ann. Math.
Stat., vol. 33, no. 3, pp. 1187-1192, Sep. 1962.
[13] Yacoub, Michel Daoud. The - distribution: A physical fading model
for the Stacy distribution. IEEE Antennas and Propagation Magazine.
vol.49, no 1, pp. 68-81, Fev. 2007.
[14] Yacoub, Michel Daoud. The - distribution and the - distribution.
IEEE Trans. Veh. Technol., vol.56, no 1, pp. 27-34, Jan. 2007.
ANAIS DO CONGRESSO DE INICIAO CIENTFICA DO INATEL - INCITEL 2012 194