Sumrio

Probabilidade Variveis Aleatrias Funes de Uma Varivel Aleatria Funes de Vrias Variveis Aleatrias Momentos e Estatstica Condicional Teorema do Limite Central Processos Estocsticos Anlise Espectral Filtragem e Predio Estocstica Processos Markovianos

Variveis Aleatrias Multidimensionais

Uma V.A. X para o caso contnuo, uma varivel (domnio da funo) pertencente aos reais. V.A. mapeia R1 em R1.
S e P(X)

X(e)

X(e)

Variveis Aleatrias Multidimensionais

Para o caso multidimensional, temos que n V.A. (contnuas), so o domnio da funo distribuio de probabilidade pertencente aos reais. V.A. multidimensional mapeia Rn em R1.
S P(X,Y) X(e) e Y(e) X(e) Y(e)

Variveis Aleatrias Multidimensionais

Estatstica Conjunta de V.A.:
Interesse de se estudar simultaneamente vrias caractersticas num determinado experimento. Interesse de estudo da inter-relao dessas variveis.

Definio:
Sejam X1, X2, ..., Xn v.a. definidas em S, um ponto nesse conjunto n-dimensional mapeia um nico ponto no espao unidimensional.
0d P(x1,x2, ..., xn) = k d 1

Variveis Aleatrias Multidimensionais

Estatstica Conjunta de V.A.:
Exemplos:
Numa pesquisa de opinio de votos, coleta-se alm da inteno de voto, idade, sexo e renda: tridimensional f(Idade, Sexo, Renda). Experimento de se lanar uma moeda (X) e um dado (Y) simultaneamente: bidimensional f(X,Y)

Deseja-se basicamente obter-se as inter-relaes ou independncias entre as diversas v.a. envolvidas no experimento.

Variveis Aleatrias Multidimensionais

Para o caso de V.A. discretas, temos uma tabela de n+1 colunas.
X1 a1 a2 ... X2 b1 b2 ... ... ... P(X1=x1, X2=x2, ...) k1 k2 ...

Variveis Aleatrias Multidimensionais

Para o caso de V.A. bidimensional:
X Fx(x) = P(Xdx) Y Fy(y) = P(Y d y) Fx,y(X,Y) = P(Xdx; Y d y) Probabilidade conjunta de X e Y. P(x1 d Xdx2; y1 d Y d y2) = ? Y
Y
y2 y1 y1 x1 x2 Volume cuja base dada pelos limites em X e Y. y2

x1 x2

Variveis Aleatrias Multidimensionais

Para o caso de V.A. bidimensional:
Caso Discreto:
Fx,y(x,y) = P(Xdx; Y d y) = 6i6j P(X=xi, Y=yj)

Caso Contnuo:
Fx,y(x,y) = P(Xdx; Y d y) = -f,y -f,x f(x,y) dx dy

Variveis Aleatrias Multidimensionais

Distribuies Marginais:
Caso bidimensional:
Dada F(x,y), calcular a distribuio de X, independentemente do valor de Y Distribuio Marginal de X. Fx(x) = Fxy(x,+f) ; {y<+ f} FY(y) = Fxy(y,+f) ; {x<+ f} Caso discreto: P(Y=yj) = 6i P(X=xi, Y=yj) Caso contnuo: fx(x) = -f,+f f(x,y) dy P[(X,Y)
D] = D f(x,y) dxdy

Variveis Aleatrias Multidimensionais

Distribuies Marginais:
Caso n-dimensional:
Dada F(x1,x2,...,xn) calcular a distribuio marginal de X1. Caso discreto: P(X1 = x1) = 6x2...6xn P(X1=x1, ..., Xn=xn) Caso contnuo: fx1(x1) = x2... xn f(x1,...,xn) dx2...dxn

E[X + Y] = E[X] + E[Y]

Variveis Aleatrias Multidimensionais

Distribuies Marginais:
Propriedades:
Fxy(x,-f) = 0; Fxy(-f,y) = 0; Fxy(+f,+f) = 1 P(x1 d Xdx2; Y d y) = Fxy(x2,y) - Fxy(x1,y) P(Xdx; y1dY d y2 ) = Fxy(x,y2) - Fxy(x,y1) P(x1 d Xdx2; y1dY d y2 ) = Fxy(x2,y2) - Fxy(x2,y1) -Fxy(x1,y2) + Fxy(x1,y1) fx(x) = -f,+ ffx,y(x,y)dy

Variveis Aleatrias Multidimensionais

Distribuies Marginais:
Exemplo: Determine as distribuies marginais de X e Y. X\Y 1 2 3 P(Y) 1 0,10 0,08 0,10 2 0,05 0,05 0,20 3 0,02 0,10 0,04 4 0,07 0,19 0,00 1 P(X)

Variveis Aleatrias Multidimensionais

Distribuies Marginais:
Exemplo: sejam (X,Y) uma v.a. bidimensional cuja densidade de probabilidade dada por:
f(x,y) = (3/80) (x2+xy), 0<x<2 e 0<y<4 f(x,y) = 0, para as outras regies Determine as densidades marginais de X e Y. Calcular a probabilidade de P[X+Y<3]. Resp.=21/80 Determinar F(x,y).

4 3

Variveis Aleatrias Multidimensionais

Distribuies Marginais:
Exemplo: sejam (X,Y) uma v.a. bidimensional cuja densidade de probabilidade dada por:
f(x,y) = 8xy, 0<x<y<1 f(x,y) = 0, para as outras regies Determine as densidades marginais de X e Y. Calcular a probabilidade de P[0<X<0,5; 0<Y<0,5]. Resp.=0,0625

1 0,5

0,5

Variveis Aleatrias Multidimensionais

Funo Densidade de Probabilidade Conjunta
fxy (x,y) = w 2 Fx,y(x,y)/wdx wdy w Fx,y(x,y)/wdx = -f,yfx,y(x,v)dv fx1, ...,xn (x1,..., xn) = w n Fx1 ...,xn (x1,..., xn)/wdx1... wdxn

Variveis Aleatrias Multidimensionais V.A. Independentes:

As v.a. X1, ..., Xn so ditas independentes se para todos os seus valores tivermos:
P[X1=x1, ..., Xn=xn] = P[X1=x1] ... P[Xn=xn] Se as v.a. so independentes, ento a distribuio conjunta dada pelo produto das distribuies marginais.

Variveis Aleatrias Multidimensionais V.A. Independentes:

Conseqncias:
Fx,y(x,y) = Fx(x) . Fy(y) fx,y(x,y) = fx(x) . fy(y) E[XY] = E[X] E[Y] Var(X+Y) = Var(X-Y) = Var(X) + Var(Y)

Variveis Aleatrias Multidimensionais Covarincia

Sejam as v.a. X e Y. As suas varincias fornecem uma medida de disperso em relao s suas mdias. A covarincia fornece uma medida de disperso de uma v.a. bidimensional em relao ao ponto (E[X], E[Y]). Cov(X,Y) = E{ (X-E[X]) (Y-E[Y]) }

Variveis Aleatrias Multidimensionais Covarincia

Cov(X,Y) = E{ (X-E[X]) (Y-E[Y]) } Cov(X,Y) = 6i6j (xi-mx) (yi-my) P(X=xi, Y=yj) Cov(X,Y) = yx (xi-mx) (yi-my) f(x,y) dx dy Cov(X,Y) = E[XY] E[X] E[Y] Cx,y = Rx,y - mx.my ; Rx,y = yx xi yi f(x,y) dx dy Correlao

Variveis Aleatrias Multidimensionais Covarincia

Conseqncias:
Var(X+Y) = Var(X) + Var(Y) +2Cov(X,Y) Se X e Y so independente Cov(X,Y) = 0 Se X e Y tendem a variar no mesmo sentido, a Cov(X,Y) ser positiva. Se X e Y tendem a variar em sentidos opostos, a Cov(X,Y) ser negativa.

Variveis Aleatrias Multidimensionais Covarincia e Coeficiente de Correlao

Sejam duas V.A. X e Y. Se X= aX e Y= bY:
Cov(X,Y) = ab Cov(X,Y)
Cov(X,Y) = E[XY] E[x] E[Y]

Ento, a covarincia depende das escalas das v.a.

Seria interessante se trabalhar com uma medida de disperso independente de escala!

Variveis Aleatrias Multidimensionais Coeficiente de Correlao

U(X,Y) = Cov(X,Y)/ ( V(X) V(X) ) | U(X,Y) | d 1 normalizao da covarincia Se X= aX e Y= bY:
Cov(X,Y) = ab Cov(X,Y) U(X,Y) = ab Cov(X,Y)/ ( a V(X) bV(X) ) = U(X,Y)

Se Y = aX + b U(X,Y) = signal(a) . 1

Variveis Aleatrias Multidimensionais Descorrelao

Cov(X,Y) = Cx,y = 0 U(X,Y) = 0; E[XY] = E[X] E[Y]

Ortogonalidade:
E[XY] = 0 X e Y so ortogonais.

Variveis Aleatrias Multidimensionais X = [X1,X2,...,Xn] Rn = R11 ... R1n Matriz de Correlao ... Rn1 ... Rnn Cn= C11 ... C1n Matriz de Covarincia ... Cn1 ... Vnn
Cn=Rn 1x1xt ; Nxt = [Kx1 Kx2 ... Kxn]

Variveis Aleatrias Multidimensionais Distribuio n-dimensional conjutamente normal:

f(x1, ...,xn) = (2S)-n/2 |[Cx]-1|1/2 exp{-0.5 [x-X]t [Cx]-1[x-X]} Exemplo para o caso bidimensional. f(x,y) = (2S)-1 (VxVy)-1 (1-r2)-1/2 . exp{-0.5 (1-r2)-1/2 [(x-Kx)2 /Vx2 +(y-Ky)2 /Vy2 + - 2r(x-Kx)(y-Ky)/ Vx Vy] }

Variveis Aleatrias Multidimensionais Distribuies de Funes de V. A.

Sejam X e Y com distribuio conjunta dada por F(x,y) e densidade de probabilidade f(x,y).
F(x,y) f(x,y) ?

Outra questo importante:

Dado f(x,y) e se Z= g(X,Y) f(z)? G(Z) = P[Z d z] = P[(X,Y)
Dz];
Dz = {(x,y):g(x,y) d z}

Variveis Aleatrias Multidimensionais Distribuies de Funes de V. A.

Caso 1: Z=X+Y
Dz = {(x,y): x+y d z} Gz(Z) = Dzf(x,y)dxdy = -f, f {- f,z-x f(x,y)dy}dx Fz(Z) = -f, f {- f,z f(x,u-x)du}dx
u=x+y y = u - y

X z=x+y

Fz(Z) = - f,z {-f, f f(x,u-x)dx}du integrando no negativo fz(z) = {-f, f f(x,z-x)dx} Se X e Y forem independentes: fz(z) = fx(x) . fy(y)
fz(z) = -f, f fx(x) fy(z-x)dx Integral de Convoluo

Variveis Aleatrias Multidimensionais Distribuies de Funes de V. A.

Caso 1: Z=X+Y
Se X e Y forem independentes: fz(z) = fx(x) . fy(y)
fz(z) = -f, f fx(x) fy(z-x)dx Integral de Convoluo.

Exemplo 1: fz(z) = fx(x) fy(y) f(x) a f(y) a a Y 2a Z X f(z) 1/a

Variveis Aleatrias Multidimensionais Distribuies de Funes de V. A.

Caso 1: Z=X+Y
Se X e Y forem independentes: fz(z) = fx(x) . fy(y)
fz(z) = -f, f fx(x) fy(z-x)dx Integral de Convoluo.

Exemplo 2: fz(z) = fx(x) fy(y) f(x) f(z) a f(y) a+c c d Y b+d Z b X

Variveis Aleatrias Multidimensionais Distribuies de Funes de V. A.

Caso 1: Z=X+Y
Se X e Y forem independentes: fz(z) = fx(x) . fy(y)
fz(z) = -f, f fx(x) fy(z-x)dx Integral de Convoluo.

Exemplo 3: fz(z) = fx(x) fy(y) f(x) a f(y) 1/a a 2a Y X f(z)

2a

3a

Variveis Aleatrias Multidimensionais Distribuies Condicionais

Caso Bidimensional: Sejam X e Y v.a. conjuntas. P[Y=y|X=x] = P[X=x,Y=y] / P[X=x]
P[Ydy|x<X d x+'x] = P[x<X d x +'x,Y=y] / P[x<X d x+'x] f(y/x) = f(x,y) / f(x) f(x,y) = f(y/x) . f(x) Exemplo: f(x,y) = 21x2.y3 para 0<x<y<1 e 0 para outros valores. Determine f(x), f(y), f(x|y) e f(y|x).

Variveis Aleatrias Multidimensionais Distribuies Condicionais

Caso Bidimensional: Esperana condicional
E[Y|X=x] = y y. P[Y=y|X=x] para cada x h uma esperana correspondente. E[Y|X=x] = -v,+v y. f(y|x)dy Exemplo: Obter E[Y|X=x] pra a exemplo anterior.
f(y|x) = 4y3 / (1-x4) ; para 0<x<y<1. E[Y|X=x] = ?

Variveis Aleatrias Multidimensionais Distribuies Condicionais

Caso N-dimensional: f(xn|xn-1,...,x1) = f(xn,xn-1,...,x1) / fxn-1,...,x1 (xn-1,...,x1) f(xn,xn-1 |xn-2,...,x1)= f(xn,xn-1,...,x1) / fxn-2,...,x1(xn-2,...,x1) E[Xn|Xn-1=xn-1..., X1=x1] = -v,+v xn . f(xn|xn-1,...,x1)dxn

Teorema do Limite Central

Se as v.a. Xi so independentes, ento sob condies gerais, a densidade f(x) da sua soma (x = x1+x2+ ...+xn) normalizada apropriadamente, tende para a curva normal quando n tende a infinito. Se n suficientemente grande:
f(x) | (1/V2S) . exp{-(x-K)2/2V2}

Teorema do Limite Central

Se as v.a. forem independentes:
Se x = x1 + x2 +... +xn Ento, f(x) = f1(x1) f2(x2) ... fn(xn) Para n suficientemente grande, f(x) tende a uma distribuio normal. Se xis tm mdia K e desvio padro V:
E[x] = n. K Var[x] = n. V

Teorema do Limite Central

Exemplo:
Um dado lanado 2.500 vezes. Calcular a probabilidade de que a soma dos pontos obtidos seja menor que 8.850.
Como n = 2.500 muito grande aproximao normal. X = X1+X2+ ...+ X2500 P(Xj=i) = 1/6 ; i a nmero da face no j-simo lanamento. E[Xj] = 1/6=3,5 ; Var[Xj] = 2,92 V(Xj) = 1,71 E[X] = 2.500 * 3,5 = 8.750; Var[X] = 2.500 * 2,92 =7.310 V(X) = 85,5 P[X<8.850] = P[Z< (8.850-8.750)/85,5] = P[Z<1,17] = 0,879
Z = (X mdiax)/ V normalizao para N(0,1).

Teorema do Limite Central

Exemplo:
X = X1 + X2 +... +Xn Xis so independentes entre si. Xis tm distribuio uniforme entre 0 e T.
E[Xi] = K = T/2 V2[Xi] = E[(Xi- K)] = T2/12 V[Xi] = T/ (12)1/2 E[X] = n. E[Xi] = n . K = n . T/2 V2[X] = n . E[(Xi- K)] = n . T2/12 Para o caso de T = 1 e n = 12
E[X] = 6 e V2[X] = 1.