M. Eisencraft 4.

6 Distribuicao e densidade de uma soma de variaveis aleatorias57

Assim,
F
W
(w) =
_
+

_
wy
x=
f
X,Y
(x, y)dxdy (4.24)
e usando a Eq. (4.17),
F
W
(w) =
_
+

f
Y
(y)dy
_
wy
x=
f
X
(x)dx (4.25)
Diferenciando a Eq. 4.25 e usando a regra de Leibniz chega-se ` a funcao densidade desejada
f
W
(w) =
_
+

f
Y
(y)f
X
(w y)dy. (4.26)
Esta express ao e uma integral de convolucao. Consequentemente, mostrou-se que a fun c ao
densidade da soma de duas variaveis aleatorias estatsticamente independentes e a convolu c ao
das suas densidades individuais.
Exerccio 4.8. Calcule a densidade de W = X + Y em que as densidades de X e Y s ao,
respectivamente,
f
X
(x) =
1
a
[u(x) u(x a)] (4.27)
f
Y
(y) =
1
b
[u(y) u(y b)] (4.28)
com 0 < a < b.
4.6.2 Soma de diversas variaveis aleat orias
Quando deseja-se considerar a soma Y de N variaveis aleat orias X
1
, X
2
, ..., X
N
, pode-se
extender os resultados acima. Continuando o processo encontra-se que a funcao densidade de
Y = X
1
+ X
2
+ . . . + X
N
e a convolu cao das funcoes densidade individuais:
f
Y
(y) = f
X
N
(x
N
) f
X
N1
(x
N1
) f
X
1
(x
1
) . (4.29)
M. Eisencraft 4.7 Teorema do Limite Central 58
4.7 Teorema do Limite Central
De forma geral, o teorema do limite central diz que a funcao distribui cao de probabilidades da
soma de um grande n umero de VAs aproxima-se de uma distribui cao gaussiana.
Seja

X
i
e
2
X
i
as medias e variancias, respectivamente, de N variaveis aleat orias X
i
, i =
1, 2, . . . , N que podem ter densidades de probabilidade arbitrarias. O teorema do limite central
estabelece que a soma Y
N
= X
1
+X
2
+ +X
N
, que tem media

Y
N
=

X
1
+

X
2
+ +

X
N
e
variancia
2
Y
=
2
X
1
+
2
X
2
+ +
2
X
N
tem uma distribui cao de probabilidade que se aproxima
de uma gaussiana para N .
A import ancia pr atica do teorema do limite central nao reside tanto na exatid ao da dis-
tribuicao gaussiana quando N porque a variancia de Y
N
torna-se innita, mas sim no
fato de que Y
N
para N nito ter distribui cao muito pr oxima de uma gaussiana.
Exerccio 4.9. Use o Matlab

para tra car histogramas da variavel aleatoria Y = X

1
+ X
2
+
+X
N
, sendo que cada uma das VAs X
i
tem distribui cao uniforme no intervalo [0, 1]. Veja
o que ocorre para diversos valores de N.
Captulo 5
Operacoes sobre m ultiplas variaveis
aleat orias
Nessa se cao, estende-se o conceito de valor esperado para o caso de duas ou mais variaveis
aleat orias.
5.1 Valor esperado de uma funcao de variaveis aleatorias
O valor esperado de uma funcao de uma variavel aleat oria foi denido na Se cao 3.1 por
E [g(X)] =
_

g(x)f
X
(x)dx. (5.1)
Quando mais de uma variavel aleat oria e envolvida, o valor esperado deve ser tomado em
rela cao a todas as variaveis envolvidas. Por exemplo, se g(X, Y ) e uma funcao de duas variaveis
aleat orias X e Y , o valor esperado de g(., .) e dado por
g = E [g(X, Y )] =
_

g(x, y)f
X,Y
(x, y)dxdy. (5.2)
Para N variaveis aleat orias X
1
, X
2
, . . ., X
N
e uma funcao dessas variaveis denotada por
59
M. Eisencraft 5.1 Valor esperado de uma funcao de variaveis aleatorias 60
g(X1, . . . , X
N
), o valor esperado dessa funcao se torna:
g = E [g(X
1
, . . . , X
N
)] =
_

g(x
1
, . . . , x
N
)f
X
1
,...,X
N
(x
1
, . . . , x
N
)dx
1
. . . dx
N
. (5.3)
Um resultado que segue diretamente da deni cao acima e que o valor esperado de uma
soma ponderada de variaveis aleatorias
g (X
1
, . . . , X
N
) =
N

i=1

i
X
i
(5.4)
e a soma ponderada de seus valores medios:
g = E
_
N

i=1

i
X
i
_
=
N

i=1

i
E [X
i
] (5.5)
5.1.1 Momentos conjuntos em torno da origem
Uma importante aplicacao do valor esperado e na deni cao de momentos conjuntos em torno
da origem. Eles sao denotados por m
nk
e sao denidos por
m
nk
= E
_
X
n
Y
k

=
_

x
n
y
k
f
X,Y
(x, y)dxdy (5.6)
para o caso de duas variaveis aleat orias X e Y .
Claramente, m
n0
= E [X
n
] sao os momentos m
n
de X e m
0k
= E
_
Y
k

sao os momentos de
Y .
A soma n + k e chamada de ordem dos momentos. Assim, m
02
, m
20
e m
11
sao todos
momentos de segunda ordem de X e Y .
Os momentos de primeira ordem m
01
= E[Y ] = Y e m
10
= E[X] = X sao os valores
esperados de X e Y respectivamente e sao as coordenadas do centro de gravidade da funcao
f
X,Y
(x, y).
O momento de segunda ordem m
11
= E[XY ] e chamado de correla cao de X e Y . Ele e tao
M. Eisencraft 5.1 Valor esperado de uma funcao de variaveis aleatorias 61
importante que recebe um smbolo especial R
XY
. Assim,
R
XY
= m
11
= E[XY ] =
_

xyf
X,Y
(x, y)dxdy. (5.7)
Se a correla cao puder ser escrita na forma
R
XY
= E[X] E[Y ], (5.8)
entao X e Y sao ditas nao-correlacionadas.
A independencia estatstica de X e Y e suciente para garantir que elas sao nao-correlacionadas.
Porem, o contr ario nao e verdade em geral. Ou seja, independencia implica nao-correlac ao,
mas nao-correla cao nao implica independencia.
Se R
XY
= 0 as variaveis X e Y sao ditas ortogonais. Resumindo:
f
X,Y
(x, y) = f
X
(x) f
Y
(y) X e Y sao independentes
R
XY
= E[X] E[Y ] X e Y sao nao-correlacionadas
R
XY
= 0 X e Y sao ortogonais
X e Y sao independentes X e Y sao nao-correlacionadas
Exerccio 5.1. Seja X uma variavel aleatoria com valor medio X = E[X] = 3 e vari ancia

2
X
= 2 e uma outra variavel Y dada por Y = 6X + 22. Pede-se:
a E [X
2
]
b Y
c R
XY
d as variaveis sao correlacionadas?
e as variaveis sao ortogonais?
M. Eisencraft 5.1 Valor esperado de uma funcao de variaveis aleatorias 62
5.1.2 Momentos conjuntos centrais
Uma outra aplicacao importante da deni cao de valores esperado e a deni cao de momentos
centrais conjuntos. Para duas variaveis aleat orias X e Y , estes momentos denotados por
n,k
sao dados por:

nk
= E
_
_
X X
_
n
_
Y Y
_
k
_
=
_

_
x X
_
n
_
y Y
_
k
f
X,Y
(x, y)dxdy (5.9)
Os momentos centrais de segunda ordem

20
= E
_
_
X X
_
2
_
=
2
X
(5.10)

02
= E
_
_
Y Y
_
2
_
=
2
Y
(5.11)
(5.12)
sao as variancias de X e Y .
O momento conjunto de segunda ordem
11
e muito importante.

E chamado de co-vari ancia
de X e Y e simbolizado por C
XY
. Assim,
C
XY
=
11
= E
__
X X
_ _
Y Y
_
=
_

_
x X
_ _
y Y
_
f
X,Y
(x, y)dxdy. (5.13)
Expandindo-se o produto
_
X X
_ _
Y Y
_
esta integral se reduz a
C
XY
= R
XY
X Y = R
XY
E[X] E[Y ] (5.14)
Se X e Y forem independentes ou nao-correlacionadas, entao R
XY
= E[X]E[Y ] e C
XY
= 0.
Se X e Y forem ortogonais, entao C
XY
= E[X] E[Y ]. Claramente, C
XY
= 0 se X ou Y
tambem tiverem media nula alem de serem ortogonais.
M. Eisencraft 5.2 Func oes caractersticas conjuntas 63
O momento de segunda ordem normalizado
=

11

20

02
=
C
XY

Y
(5.15)
e conhecido como coeciente de correla cao de X e Y . Pode-se mostrar [1] que 1 1.
Uma aplicacao direta das deni coes acima e que se X e uma soma ponderada de variaveis
aleat orias X
i
, X =

N
i=1

i
X
i
, entao
E[X] =
N

i=1

i
X
i
(5.16)

2
X
=
N

i=1

2
i

2
X
i
. (5.17)
Exerccio 5.2. [1] Num sistema de controle, sabe-se que uma tensao aleatoria X tem media
X = m
1
= 2V e momento de segunda ordem X
2
= m
2
= 9V
2
. Se a tensao X e amplicada
por um amplicador que fornece como sada Y = 1,5X +2, encontre
2
X
, Y , Y
2
,
2
Y
e R
XY
.
5.2 Func oes caractersticas conjuntas
A fun cao caracterstica conjunta de duas VAs X e Y e denida por

X,Y
(
1
,
2
) = E
_
e
j
1
X+j
2
Y

(5.18)
em que
1
e
2
sao n umeros reais. Uma forma equivalente e

X,Y
(
1
,
2
) =
_

f
X,Y
(x, y)e
j
1
x+j
2
y
dxdy. (5.19)
Esta express ao e a transformada de Fourier bidimensional (com os sinais de
1
e
2
trocados)
[3].
Fazendo
2
= 0 ou
1
= 0 na Eq. (5.19), a funcao caracterstica de X ou Y e obtida,
M. Eisencraft 5.2 Func oes caractersticas conjuntas 64
respectivamente. Sao as chamadas fun coes caractersticas marginais:

X
(
1
) =
X,Y
(
1
, 0) (5.20)

Y
(
2
) =
X,Y
(0,
2
) (5.21)
Os momentos conjuntos m
nk
podem ser encontrados a partir da funcao caracterstica con-
junta por:
m
nk
= (j)
n+k

n+k

X,Y
(
1
,
2
)

n
1

k
2

1
=0,
2
=0
(5.22)
Esta express ao e a generaliza cao bidimensional da Eq. (3.16).
Exerccio 5.3. Duas variaveis aleatorias X e Y tem fun cao caracterstica conjunta

X,Y
(
1
,
2
) = exp
_
2
2
1
8
3
2
_
(5.23)
Mostre que X e Y tem media nula e que elas sao nao correlacionadas.
Referencias Bibliogracas
[1] P. Z. P. Jr., Probability, Random Variables And Random Signal Principles, 4th ed. New
York: Mcgraw-Hill, 2001.
[2] B. P. Lathi, Modern Digital and Analog Communication Systems, 3rd ed. New York, NY,
USA: Oxford University Press, Inc., 1998.
[3] A. V. Oppenheim, A. S. Willsky, and S. H. Nawab, Sinais e sistemas, 2nd ed. Sao Paulo:
Pearson Prentice Hall, 2010.
65