Professional Documents
Culture Documents
.
(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
(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) 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
1 + 2
(1 + )
2
(18)
A FDC da envoltria pode ser obtida como
F
R
(r) = 1 -
j2, 2p(1 + )
r
r
[ (19)
onde
_
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
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
+
= 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