Introdução Aos Processos Estocásticos

Notas em Matem atica Aplicada e-ISSN 2236-5915
Volume 68, 2012

Editores
Cassio Machiaveli Oishi
Universidade Estadual Paulista - UNESP
Presidente Prudente, SP, Brasil
Fernando Rodrigo Rafaeli
S ao Jose do Rio Preto, SP, Brasil
Rosana Sueli da Motta Jafelice (Editor Chefe)
Universidade Federal de Uberlandia - UFU
Uberlandia, MG, Brasil
Rubens de Figueiredo Camargo
Bauru, SP, Brasil
Sezimaria de Fatima P. Saramago
Universidade Federal de Uberlandia - UFU
Uberlandia, MG, Brasil
Vanessa Avansini Botta Pirani (Editor Adjunto)
Presidente Prudente, SP, Brasil
Sociedade Brasileira de Matematica Aplicada e Computacional
2012
A Sociedade Brasileira de Matematica Aplicada e Computacional
- SBMAC publica, desde as primeiras edicoes do evento, monograas
dos cursos que sao ministrados nos CNMAC.
Para a comemoracao dos 25 anos da SBMAC, que ocorreu durante
o XXVI CNMAC em 2003, foi criada a serie Notas em Matematica
Aplicada para publicar as monograas dos minicursos ministrados
nos CNMAC, o que permaneceu ate o XXXIII CNMAC em 2010.
A partir de 2011, a serie passa a publicar, tambem, livros nas areas
de interesse da SBMAC. Os autores que submeterem textos ` a serie
Notas em Matematica Aplicada devem estar cientes de que poder ao
ser convidados a ministrarem minicursos nos eventos patrocinados pela
SBMAC, em especial nos CNMAC, sobre assunto a que se refere o
texto.
O livro deve ser preparado em Latex (compatvel com o Mik-
tex versao 2.7), as guras em eps e deve ter entre 80 e 150
paginas. O texto deve ser redigido de forma clara, acompanhado de
uma excelente revis ao bibliograca e de exerccios de vericacao
de aprendizagem ao nal de cada captulo.
Veja todos os ttulos publicados nesta serie na pagina
http://www.sbmac.org.br/p notas.php
2012
INTRODUC

AO AOS PROCESSOS
ESTOC
ASTICOS
Edson Cataldo
ecataldo@im.u.br
Departamento de Matem atica Aplicada
Programa de Mestrado em Engenharia de Telecomunicac oes
Universidade Federal Fluminense
S ao Carlos - SP, Brasil
2012
Coordena c ao Editorial: Elbert Einstein Nehrer Macau
Coordena c ao Editorial da Serie: Rosana Sueli da Motta Jafelice
Editora: SBMAC
Capa: Matheus Botossi Trindade
Patrocnio: SBMAC
Copyright c _2012 by Edson Cataldo. Direitos reservados, 2012 pela SBMAC. A
publicac ao nesta serie n ao impede o autor de publicar parte ou a totalidade da
obra por outra editora, em qualquer meio, desde que fa ca citacao à edi c ao original.
Cataloga cao elaborada pela Biblioteca do IBILCE/UNESP
Bibliotecaria: Maria Luiza Fernandes Jardim Froner
Cataldo, Edson
Introdu c ao aos Processos Estoc asticos - S ao Carlos, SP :
SBMAC, 2012, 106 p., 21.5 cm - (Notas em Matem atica
Aplicada; v. 68 )
e-ISBN 978-85-8215-029-0
1. Processos Estoc asticos 2. Probabilidade
3. Variaveis Aleat orias
I. Cataldo, Edson II. Ttulo. III. Serie
CDD - 51
Dedico
A Deus
e à minha famlia.
Em especial, à minha mae, Maria Carlota, que me deu grandes
ensinamentos, principalmente sobre a vida.
6
Conte udo
Prefacio 11
1 Modelos 13
1.1 Introdu c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.1 Modelos matematicos . . . . . . . . . . . . . . . . . . . . . 13
1.1.2 Simula c ao computacional . . . . . . . . . . . . . . . . . . . 13
1.1.3 Modelos determinsticos . . . . . . . . . . . . . . . . . . . . 14
1.2 Modelos probabilsticos . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.1 Denic ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.2 Regularidade estatstica . . . . . . . . . . . . . . . . . . . . 14
1.2.3 Constru c ao de um modelo probabilstico . . . . . . . . . . . 15
2 Conceitos Basicos da Teoria de Probabilidade 17
2.1 Especica c ao de experimentos aleat orios . . . . . . . . . . . . . . . 17
2.2 O espaco amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 Axiomas de probabilidade . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Espacos amostrais discretos e contnuos . . . . . . . . . . . . . . . 20
2.6 Probabilidade condicional . . . . . . . . . . . . . . . . . . . . . . . 20
2.6.1 Regra de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6.2 Eventos independentes . . . . . . . . . . . . . . . . . . . . . 24
2.6.3 A lei da probabilidade binomial . . . . . . . . . . . . . . . . 25
2.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Variaveis Aleat orias 27
3.1 Denic ao de variavel aleat oria . . . . . . . . . . . . . . . . . . . . . 27
3.2 Fun c ao distribuic ao de probabilidade . . . . . . . . . . . . . . . . . 28
3.3 Tipos de variaveis aleat orias . . . . . . . . . . . . . . . . . . . . . . 31
3.3.1 Variavel aleat oria discreta . . . . . . . . . . . . . . . . . . . 31
3.3.2 Variavel aleat oria contnua . . . . . . . . . . . . . . . . . . 31
7
8
3.3.3 Variavel aleat oria mista . . . . . . . . . . . . . . . . . . . . 32
3.4 Fun c ao densidade de probabilidade . . . . . . . . . . . . . . . . . . 33
3.5 Exemplos de variaveis aleat orias . . . . . . . . . . . . . . . . . . . 36
3.5.1 Variaveis aleat orias discretas . . . . . . . . . . . . . . . . . 36
3.5.2 Variaveis aleat orias contnuas . . . . . . . . . . . . . . . . . 38
3.6 Fun c oes de variaveis aleat orias . . . . . . . . . . . . . . . . . . . . 43
3.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4 Vetores de Variaveis Aleat orias 47
4.1 Introdu c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2 Eventos associados a vetores aleat orios . . . . . . . . . . . . . . . . 47
4.3 Independencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.4 Fun c ao distribuic ao de probabilidade conjunta . . . . . . . . . . . . 48
4.5 Fun c ao densidade de probabilidade conjunta . . . . . . . . . . . . . 50
4.5.1 Propriedades da f.d.p. conjunta . . . . . . . . . . . . . . . . 50
4.5.2 Caso de vetor aleat orio discreto . . . . . . . . . . . . . . . . 51
4.6 Fun c oes distribuic ao e densidade condicionais . . . . . . . . . . . . 52
4.6.1 Independencia entre duas variaveis aleat orias . . . . . . . . 54
4.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5 Momentos de Variaveis Aleat orias 59
5.1 Valor esperado (ou media) de uma variavel aleat oria . . . . . . . . 59
5.2 Variancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.3 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.3.1 Momentos de ordem k . . . . . . . . . . . . . . . . . . . . . 61
5.3.2 Momento central de ordem k . . . . . . . . . . . . . . . . . 61
5.3.3 Valor esperado de um vetor aleat orio e matriz covariancia . 62
5.4 Momentos conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.4.1 Denic oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.4.2 Coeciente de correla c ao . . . . . . . . . . . . . . . . . . . . 63
5.4.3 Variaveis aleat orias n ao correlatas . . . . . . . . . . . . . . 64
5.4.4 Variaveis aleat orias ortogonais . . . . . . . . . . . . . . . . 64
5.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6 Processos Estocasticos 67
6.1 Introdu c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.2 Especica c ao de um processo estoc astico . . . . . . . . . . . . . . . 68
6.3 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.3.1 Media . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.3.2 Autocorrela c ao . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.3.3 Autocovariancia . . . . . . . . . . . . . . . . . . . . . . . . 71
6.3.4 Coeciente de correla c ao de X(t) . . . . . . . . . . . . . . . 71
9
6.4 Processos estoc asticos (estritamente) estacion arios . . . . . . . . . 72
6.5 Processos estoc asticos estacion arios no sentido amplo . . . . . . . . 73
6.6 Estatsticas conjuntas de processos estoc asticos . . . . . . . . . . . 74
6.6.1 Especica c ao conjunta . . . . . . . . . . . . . . . . . . . . . 74
6.6.2 Momentos conjuntos . . . . . . . . . . . . . . . . . . . . . . 74
6.6.3 Correlac ao cruzada . . . . . . . . . . . . . . . . . . . . . . . 74
6.6.4 Processos estoc asticos conjuntamente estacion arios . . . . . 74
6.6.5 Independencia, n ao-correlac ao e ortogonalidade . . . . . . . 75
6.6.6 Processos Erg odicos . . . . . . . . . . . . . . . . . . . . . . 76
6.7 Processos estoc asticos gaussianos . . . . . . . . . . . . . . . . . . . 76
6.8 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7 Revisao de Analise de Fourier 79
7.1 Serie de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
7.1.1 Serie de Fourier de f na forma trigonometrica . . . . . . . . 80
7.1.2 Serie de Fourier de f na forma exponencial . . . . . . . . . 81
7.1.3 O espectro complexo de Fourier . . . . . . . . . . . . . . . . 82
7.2 Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . 84
7.3 Convolu c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
8 Analise e Processamento de Sinais Aleat orios 93
8.1 Introdu c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
8.2 Alguns conceitos sobre sinais determinsticos . . . . . . . . . . . . 93
8.2.1 Energia e Potencia de um sinal . . . . . . . . . . . . . . . . 93
8.2.2 Algumas formulas relacionadas a sinais determinsticos . . . 94
8.2.3 Teorema de Parseval . . . . . . . . . . . . . . . . . . . . . . 95
8.2.4 Densidade espectral de energia e de potencia . . . . . . . . 95
8.3 Correlac ao cruzada e autocorrela c ao . . . . . . . . . . . . . . . . . 96
8.3.1 Introdu c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8.4 Densidade espectral de potencia para sinais aleat orios . . . . . . . 97
8.5 Resposta de sistemas lineares a sinais aleat orios . . . . . . . . . . . 101
8.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Bibliograa 105
Prefacio
Esse texto foi desenvolvido a partir de notas de aula da disciplina de Processos
Estoc asticos I, ministrada para o mestrado em Engenharia de Telecomunicac oes da
Universidade Federal Fluminense todos os semestres. O texto faz uma compila c ao
de outros textos relacionados ao assunto, adicionando a visao do autor sobre o
tema. O objetivo do material aqui apresentado e relacionar conceitos b asicos da
teoria de probabilidade, variaveis aleat orias e processos estocasticos de modo que os
leitores possam compreender o que e um processo estoc astico e sua interpreta c ao no
domnio da frequencia, atraves da densidade espectral de potencia. Esse texto tem
sido usado tambem como material didatico em mini-cursos ministrados durante
varias oportunidades em congressos e escolas de verao de cursos de p os-graduac ao.
Os pre-requisitos necessarios para o entendimento da teoria aqui apresentada
sao Teoria de Conjuntos, os cursos iniciais de Calculo Diferencial e Integral e
Analise de Fourier. No texto, h a um captulo de revisao de serie e transformada
de Fourier.
Espero que esse livro seja bastante util para os interesses dos que o buscam.
Um cordial abraco,
Rio de Janeiro, 30 de julho de 2012.
Edson Cataldo
11
Captulo 1
Modelos
1.1 Introducao
Podemos dizer que um modelo (matem atico, fsico, econ omico,...) e uma repre-
sentac ao de uma situa c ao existente. Seu objetivo e explicar um determinado com-
portamento prevendo o resultado de experimentos envolvendo a tal situa c ao.
Nosso interesse aqui e o de estudar modelos probabilsticos, assim chamados
por se basearem em teoria de probabilidades. Existem in umeras aplicac oes de
tais modelos nas mais diferentes areas de conhecimento. Nas comunicac oes via
telefone celular, no processamento digital de sinais (voz, imagem, vdeo, ...), nos
sistemas de radar, nos investimentos na bolsa de valores, em sistemas biologicos,
na dinamica de sistemas mecanicos, ... H a, ainda, aplicac oes em Geometria Dife-
rencial e Sistemas Din amicos, possibilitando aos leitores desse livro a continuac ao
em estudos mais avancados relacionados ao Calculo Estoc astico e suas aplicac oes.
Nesse caso, recomendamos as referencias [3, 7, 8].
1.1.1 Modelos matematicos
Modelos matematicos sao usados quando o fenomeno observado tem propriedades
mensuraveis e consiste de um conjunto de considerac oes e relac oes matematicas
sobre o funcionamento do sistema em observa c ao.
1.1.2 Simulacao computacional
A simula c ao computacional e realizada atraves de programas que ir ao gerar os
resultados previstos pelo modelo.
14 Modelos
1.1.3 Modelos determinsticos
Em modelos determinsticos, as condic oes sob as quais um experimento e realizado
determina o exato resultado desse experimento.
Nesses modelos, a soluc ao de um conjunto de equac oes especica o exato re-
sultado do experimento.
1.2 Modelos probabilsticos
1.2.1 Denicao
Denimos um experimento aleat orio como aquele no qual os resultados variam,
embora o experimento seja repetido sob as mesmas condic oes. Os modelos proba-
bilsticos ir ao prever possveis resultados ou faixa de resultados para os sistemas
em que os resultados sao aleat orios; isto e, embora as entradas sejam as mesmas,
as sadas desses sistemas sao diferentes.
1.2.2 Regularidade estatstica
Muitos modelos probabilsticos sao baseados no fato de que medias obtidas em
longas sequencias de repeti c oes de experimentos aleat orios tem o mesmo valor.
Esta propriedade e chamada de regularidade estatstica.
Considere o seguinte exemplo:
Uma bola e selecionada de uma urna contendo tres bolas identicas numeradas
com os n umeros 0,1 e 2. O n umero da bola e anotado e a bola e retornada à urna.
O resultado deste experimento e um n umero do conjunto
S = 0, 1, 2.
Suponha que o experimento seja repetido n vezes sob condic oes identicas.
Sejam N
0
(n), N
1
(n) e N
2
(n) o n umero de vezes no qual os resultados sao os
n umeros 0, 1 e 2, respectivamente. Denimos a frequencia relativa do resultado k,
k = 0, 1 ou2, por: f
k
(n) =
N
k
(n)
n
.
De acordo com o que chamamos de regularidade estatstica, f
k
(n) varia menos,
em torno de uma constante, à medida que n e tomado grande; isto e, lim
n+
f
k
(n) =
p
k
. A constante p
k
e chamada de probabilidade do resultado k.
Em modelos probabilsticos, as condic oes sob as quais um experimento aleat orio
e realizado determina as probabilidades dos resultados do experimento.
Suponha que um experimento aleat orio tenha K possveis resultados; isto e,
S = 1, 2, . . . , K. Suponha que o experimento tenha sido repetido n vezes e
considere que N
k
(n) e o n umero de vezes em que o resultado obtido foi k, sendo
k = 1, 2, . . . , K.
Modelo probabilstico 15
Temos, 0 N
k
(n) n 0 f
k
(n) 1 , k = 1, 2, . . . , K.
Tambem,
K
k=1
N
k
(n) = n
K
k=1
f
k
(n) = 1.
Algumas vezes estamos interessados na ocorrencia de casos especcos relaci-
onados com os resultados de um experimento. Por exemplo, considere ainda o
exemplo da urna com as bolas e o caso em que uma bola de n umero diferente de
1 e selecionada. Se uma bola de n umero diferente de 1 e selecionada, signica
que uma bola de n umero 0 ou 2 foi selecionada. A frequencia relativa, neste caso,
sera obtida da seguinte forma:
N
caso
(n) = N
0
(n) +N
2
(n) f
caso
(n) =
N
0
(n) +N
2
(n)
n
.
Portanto,
f
caso
(n) = f
0
(n) +f
2
(n) .
1.2.3 Construcao de um modelo probabilstico
Podemos dizer que para a construc ao de um modelo probabilstico devemos:
(i) denir o experimento aleat orio correspondente;
(ii) especicar o conjunto de todos os possveis resultados. Chamaremos esse
conjunto de espa co amostral;
(iii) especicar uma associa c ao de probabilidades para todos os casos de interesse.
Deniremos mais adiante esses casos atraves do que chamaremos de eventos.
16 Modelos
Captulo 2
Conceitos Basicos da Teoria
de Probabilidade
2.1 Especicacao de experimentos aleatorios
Um experimento aleat orio e um experimento no qual o resultado varia de forma,
digamos, imprevisvel quando o experimento e repetido sob as mesmas condic oes.
Podemos dizer, de maneira informal, que um experimento aleat orio e especicado
pela implementac ao de um procedimento experimental e pela denic ao do que sera
considerado com resultado do experimento.
Exemplo 2.1. Consideremos os seguintes experimentos aleatorios:
(i) E
1
: Selecione uma bola de uma urna contendo bolas numeradas de 1 a 50.
Anote o n umero da bola.
(ii) E
2
: Lance uma moeda tres vezes. Anote o n umero de caras.
(iii) E
3
: Transmita um bloco de informacoes atraves de um canal ruidoso, re-
petidamente, ate que um bloco livre de erros chegue ao receptor. Conte o
n umero de transmissoes requeridas.
(iv) E
4
: Escolha um n umero real ao acaso entre zero e um. Anote esse n umero.
2.2 O espaco amostral
Embora os resultados em experimentos aleat orios sejam imprevisveis, e necessario
determinar o conjunto de possveis resultados.
18 Conceitos b asicos da Teoria de Probabilidade
Denimos resultado ou ponto amostra ou simplesmente amostra de um expe-
rimento aleat orio como um resultado que n ao pode ser decomposto em outros
resultados. Dessa forma, quando realizamos um experimento aleat orio um, e so-
mente um, resultado ocorre. Assim, os resultados sao mutuamente exclusivos no
sentido de que eles n ao podem ocorrer simultaneamente.
Denimos o espaco amostral S de um experimento aleat orio como o conjunto
de todos os resultados possveis. Denotaremos um resultado de um experimento
aleat orio por . Assim, e um elemento de S.
Exemplo 2.2. A seguir estao exemplos de espa cos amostrais, relacionados com
os experimentos E
1
, E
2
, E
3
e E
4
, respectivamente.
(i) S
1
= 1, 2, . . . , 50.
(ii) S
2
= 0, 1, 2, 3.
(iii) S
3
= 1, 2, 3, . . ..
(iv) S
4
= x R : 0 x 1 = [0, 1].
Chamaremos S de espaco amostral discreto se S for cont avel, e chamaremos S
de espaco amostral contnuo se S n ao for cont avel. Nos exemplos, S
1
, S
2
e S
3
sao
discretos e S
4
e contnuo.
2.3 Eventos
Muitas vezes n ao estamos interessados apenas nos resultados de um experimento,
mas se o resultado desse experimento satisfaz certas condic oes. As condic oes de
interesse denem um subconjunto do espaco amostral; ou melhor, o conjunto de
resultados () do espaco amostral (S) que satisfazem as condic oes dadas.
Neste texto, evento sera denido simplesmente como um subconjunto do
espaco amostral S. O evento chamado evento certo e o proprio conjunto S
e consiste de todos os resultados possveis e o evento nulo ou impossvel n ao
contem nenhum resultado possvel.
Exemplo 2.3. A seguir estao exemplos de eventos relacionados com os experi-
mentos E
1
, E
2
, E
3
e E
4
, respectivamente.
(i)
e
1
: um n umero par e selecionado
e
1
= 2, 4, . . . , 48, 50 .
(ii)
e
2
: o n umero de caras e igual ao n umero de coroas
e
2
= .
Axiomas de probabilidade 19
(iii)
e
3
menos que dez transmissoes sao requeridas
e
3
= 1, 2, . . . , 9 .
(iv)
e
4
: o n umero selecionado e n ao-negativo
e
4
= S
4
.
2.4 Axiomas de probabilidade
Probabilidades sao n umeros associados a eventos que indicam quao provavel e
a ocorrencia de um evento quando um experimento e realizado e uma lei de
probabilidade e uma fun c ao que associa um n umero a um evento.
Seja E um experimento aleat orio com espaco amostral S. Uma lei de proba-
bilidade para o experimento E e uma regra que associa a cada evento A um
n umero P[A], chamado de probabilidade de A.
A lei de probabilidade deve satisfazer os seguintes axiomas:
(i) P[A] 0.
(ii) P[S] = 1.
(iii)Se A B = P[A B] = P[A] +P[B].
(iii) Se A
1
, A
2
, . . . e uma sequencia de eventos tais que A
i
A
j
= , para todos
i ,= j, ent ao
P [
k=1
A
k
] =
k=1
P[A
k
].
Corolario 2.1.
(i) P[A
c
] = 1 P[A].
(ii) P[A] 1.
(iii) P[] = 0.
(iv) Se A
1
, A
2
, . . . , A
n
sao mutuamente exclusivos 2 a 2 entao
P [
n
k=1
A
k
] =
n
k=1
P[A
k
] , n 2.
(v)P[A B] = P[A] +P[B] P[A B].
(vi) P[A B C] = P[A] + P[B] +P[C] P[A B] P[A C] P[B C] +
P[A B C].
(vii) P[
n
k=1
A
k
] =
n
j=1
P[A
j
]
j<k
P[A
j
A
k
] +. . . + (1)
n+1
P[A
1
. . . A
n
].
(viii) P[A B] P[A] +P[B].
(ix) Se A B P[A] P[B].
2.5 Espa cos amostrais discretos e contnuos
Considere S = a
1
, a
2
, . . . , a
n
um espaco amostral nito, sendo todos os even-
tos elementares sao mutuamente exclusivos. Assim, a probabilidade de qualquer
evento B = a
1
, a
2
, . . . , a
n
e dada por P[B] = P[a
1
, a
2
, . . . , a
m
] = P[a
1
] +
P[a
2
] +. . . +P[a
m
].
Considerando S um espaco amostral innitamente cont avel, digamos S =
b
1
, b
2
, . . . , b
n
, . . ., a probabilidade do evento D = b
1
, b
2
, . . . e dada por P[D] =
P[b
1
] + P[b
2
] +. . ..
Se os resultados do espaco amostral discreto S sao igualmente provaveis ent ao
a probabilidade de um evento e igual à raz ao entre o n umero de elementos do
evento e o n umero total de elementos do espaco amostral.
Espacos amostrais contnuos aparecem em experimentos nos quais os resulta-
dos sao n umeros reais. Os eventos de interesse nesses experimentos consistem de
intervalos da reta real e de complementos, unioes e interse c oes desses eventos. Por
esta raz ao, leis de probabilidade em experimentos com espacos amostrais contnuos
especicam uma regra para associar n umeros a intervalos da reta real.
Considere o seguinte exemplo: Tome um n umero x ao acaso entre zero e um.
O espaco amostral S para esse experimento e o intervalo [0, 1], que n ao e cont avel.
Se n os supomos que todos os resultados de S sao igualmente provaveis, ent ao
podemos pensar que a probabilidade de o resultado estar no intervalo [0, 1/2] e a
mesma de o resultado estar no intervalo [1/2, 1] e seria igual a
1
2
. Porem, como
h a innitos n umeros (incont aveis) neste intervalo, a probabilidade de o resultado
ser exatamente igual a
1
2
, por exemplo, seria zero.
2.6 Probabilidade condicional
Muitas vezes estamos interessados em determinar se dois eventos, digamos A e B,
est ao relacionados, no sentido de que o conhecimento da probabilidade associada
a um deles altera a probabilidade associada ao outro.
Probabilidade condicional 21
Queremos encontrar a probabilidade P[A[B], isto e, a probabilidade do evento
A, conhecida a probabilidade do evento B. Em outras palavras, de uma maneira
informal, queremos encontrar a probabilidade do evento A, dado que o evento B
ocorreu.
Denicao 2.1. A probabilidade condicional P[A[B] e denida por:
P[A[B] =
P[A B]
P[B]
, P[B] > 0 . (2.6.1)
Exemplo 2.4. Uma urna contem duas bolas pretas numeradas (1 e 2) e duas
bolas brancas, tambem numeradas (3 e 4). Retira-se uma bola da urna e anota-
se seu n umero e sua cor. Assim, O espa co amostral desse experimento e S =
(1, p), (2, p), (3, b), (4, b), sendo os quatro resultados igualmente provaveis.
Considere os seguintes eventos:
A = (1, p), (2, p) - bola preta selecionada
B = (2, p), (4, b) - bola com n umero par selecionada
C = (3, b), (4, b) - n umero da bola e maior que 2
Determine:
(i) P[A[B]
(ii) P[A[C]
Solu cao:
(i) P[A[B] =
P[A B]
P[B]
=
1/4
2/4
=
1
2
= P[A].
(ii) P[A[C] =
P[A C]
P[C]
=
0/4
2/4
= 0 ,= P[A].
Observe que em (i) o conhecimento de B n ao alterou a probabilidade de A
_
P[A] =
2
4
=
1
2
_
. Porem, no segundo caso, o conhecimento de C implicou que A
n ao tinha ocorrido.
OBS: Em alguns problemas e conveniente usar a formula
P[A B] = P[B[A]P[A] ou P[A B] = P[A[B]P[B] .
Exemplo 2.5. Uma urna contem duas bolas pretas e tres bolas brancas. Duas
bolas sao selecionadas ao acaso, sem reposi cao, e a sequencia das bolas e anotada.
Encontre a probabilidade de as duas bolas selecionadas serem pretas.
Solu cao:
Considere os eventos: B
1
- a primeira bola e preta e B
2
- a segunda bola e preta.
Queremos calcular P[B
1
B
2
].
Temos que, P[B
1
B
2
] = P[B
2
[B
1
]P[B
1
]. Mas, P[B
2
[B
1
] =
1
4
e P[B
1
] =
2
5
.
Logo, P[B
1
B
2
] =
2
5

1
4
=
1
10
.
Teorema 2.1. Teorema da probabilidade total
Sejam B
1
, B
2
, . . . , B
n
eventos mutuamente exclusivos cuja uni ao e igual ao
espa co amostral S. Dizemos, neste caso, que zemos uma particao no conjunto S.
Qualquer evento A, de S, pode ser representado por
A = A S = A (B
1
B
2
B
n
)
= (A B
1
) (A B
2
) . . . (A B
n
).
Assim,
P[A] = P[A B
1
] +P[A B
2
] +. . . +P[A B
n
]
ou
P[A] = P[A[B
1
]P[B
1
] +P[A[B
2
]P[B
2
] +. . . +P[A[B
n
]P[B
n
]. (2.6.2)
Exemplo 2.6. Considere uma urna contendo duas bolas pretas e tres bolas bran-
cas. Encontre a probabilidade de ao retirarmos duas bolas, ao acaso, sem reposi cao,
a segunda ser branca.
Solu cao:
Para usar o Teorema da probabilidade total, devemos encontrar uma parti c ao
do espaco amostral S. Consideremos os dois eventos seguintes:
A
1
- a primeira bola e preta e B
1
- a primeira bola e branca.
Observamos que S = A
1
B
1
.
Consideremos, ent ao, o seguinte evento:
Probabilidade condicional 23
C - a segunda bola e branca.
Queremos calcular P[C].
Pelo Teorema da probabilidade total, temos
P[C] = P[C[A
1
]P[A
1
] +P[C[B
1
]P[B
1
].
Portanto, P[C] =
3
4

2
5
+
2
4

3
5
=
3
5
.
2.6.1 Regra de Bayes
Considere B
1
, B
2
, . . . , B
n
a parti c ao de um espaco amostral S. Queremos calcular
a probabilidade do evento B
j
, dado que o evento A ocorreu, sendo A um evento
qualquer.
Pela denic ao de probabilidade condicional, temos:
P[B
j
[A] =
P[A B
j
]
P[A]
.
Mas,
P[A[B
j
] =
P[A B
j
]
P[B
j
]
P[A B
j
] = P[A[B
j
]P[B
j
] .
Assim,
P[B
j
[A] =
P[A B
j
]
P[A]
=
P[A[B
j
]P[B
j
]
P[A]
.
Portanto,
P[B
j
[A] =
P[A[B
j
]P[B
j
]
n
j=1
P[A[B
j
]P[B
j
]
(2.6.3)
que e conhecida como Regra de Bayes.
Exemplo 2.7. Quatro maquinas em uma fabrica produzem os mesmos componen-
tes eletronicos. Em determinado perodo, a produ cao foi a seguinte: A maquina
1 produziu 2000 componentes, sendo 5% defeituosos; a maquina 2 produziu 500
componentes, sendo 40% defeituosos e ass maquinas 3 e 4 produziram 1000 com-
ponentes cada, com 10% defeituosos. Escolhe-se um componente ao acaso.
(i) Qual e a probabilidade de o componente escolhido ser defeituoso?
(ii) Examinamos o componente selecionado e comprovamos que e defeituoso. Qual
e a probabilidade de ser da maquina 2?
Solu cao:
(i) Seja D o evento componente defeituoso e seja B
i
o evento componente da
i-esima maquina. Queremos calcular P[D].
Assim,
P[D] = P[D[B
1
]P[B
1
] +P[D[B
2
]P[B
2
] +P[D[B
3
]P[B
3
] +P[D[B
4
]P[B
4
].
E,
P[D] =
100
2000

1
4
+
200
500

1
4
+
100
1000

1
4
+
100
1000

1
4
= 0, 1625.
(ii)
P[B
2
[D] =
P[D[B
2
]P[B
2
]
P[D]
=
200
500

1
4
0, 1625
= 0, 615.
2.6.2 Eventos independentes
Se o conhecimento do evento B n ao altera a probabilidade do evento A, dizemos
que o evento A e independente do evento B.
Nesse caso, escrevemos
P[A] = P[A[B] =
P[A B]
P[B]
P[A B] = P[A]P[B].
Exemplo 2.8. Uma bola e selecionada de uma urna contendo duas bolas pretas
numeradas (1 e 2) e duas bolas brancas numeradas (3 e 4). Considere os seguintes
eventos:
A: bola preta selecionada
B: n umero par selecionado
C: n umero da bola maior que 2 (dois)
Exerccios 25
(i) Verique se os eventos A e B sao independentes.
(ii) Verique se os eventos A e C sao independentes.
Solu cao:
(i) P[A] = P[B] =
1
2
, P[A B] =
1
4
, P[A B] = P[A]P[B] .
Logo, os eventos A e B sao independentes.
(ii) P[A C] = P[] = 0 ,= P[A] = 0, 5 .
Portanto, os eventos A e C n ao sao independentes.
OBS: Se dois eventos tem probabilidade n ao-nula e sao mutuamente exclusivos
entao eles n ao podem ser independentes. Prove isso!
2.6.3 A lei da probabilidade binomial
Considere a realiza c ao de um experimento e a vericac ao de um evento, digamos
A. Dizemos que o resultado da chamada tentativa de Bernouilli e um sucesso se
A ocorre e uma falha caso contrario. Estamos interessados em encontrar a proba-
bilidade de k sucessos em n repeti c oes independentes de tentativas de Bernouilli.
Teorema 2.2. A probabilidade de k sucessos em n tentativas (independentes) de
Bernouilli e dada pela lei de probabilidade binomial
p
n
(k) = C
k
n
p
k
(1 p)
nk
, k = 0, . . . , n (2.6.4)
sendo p
n
(k) a probabilidade de k sucessos em n tentativas, p a probabilidade
de um sucesso e C
k
n
=
n!
k!(n k)!
o coeciente binomial.
Exemplo 2.9. Suponha que uma moeda viciada seja lancada tres vezes. Consi-
dere que a probabilidade de se obter cara, em um lancamento, e p. Determine as
probabilidades da sequencia de caras e coroas.
Solu cao:
P[tres caras] = C
3
3
p
3
(1 p)
0
= p
3
,
P[duas caras e uma coroa] = C
2
3
p
2
(1 p)
1
= 3p
2
(1 p) ,
P[duas coroas e uma cara] = C
1
3
p
1
(1 p)
2
= 3p(1 p)
2
,
P[tres coroas] = C
0
3
p
0
(1 p)
3
= (1 p)
3
.
2.7 Exerccios
(1) Considere A e B dois eventos. Sabemos que P[AB] = P[A]+P[B]P[AB].
Sejam / e B dois outros eventos tais que
/ = A(AB) e B = B(AB). Prove que P[/B] = P[A]+P[B]2P[AB].
(2) Duas moedas M
1
e M
2
viciadas sao tais que a probabilide de se obter cara ao
jogar a moeda M
1
e p
1
e a probabilidade de se obter cara ao jogar a moeda M
2
e
p
2
. Escolhe-se uma das duas moedas, aleatoriamente, e essa moeda e jogada.
Determine:
(i) A probabilidade de o resultado obtido ser cara.
(ii) A probabilidade de que a moeda M
2
tenha sido usada, sabendo que o resul-
tado obtido foi cara.
(3) Uma instala c ao industrial dispoes de um sistema de seguranca defeituoso: o
alarme dispara com probabilidade 0, 90 quando h a incencio, e dispara com proba-
bilidade 0, 15 mesmo quando n ao h a incencio. A probabilidade de que ocorra um
incendio neste tipo de instala c ao e de 0, 05. Sabendo que o alarme est a soando,
qual a probabilidade de que um incendio esteja realmente ocorrendo?
(4) Considere a experiencia que consiste no lan camento de um dado e assuma que
os resultados sejam equiprovaveis. Suponha que esta experiencia seja repetida 10
vezes e determine a probabilidade de que um resultado n ao menor que 3 ocorra
em 4 dessas 10 realiza c oes da experiencia.
Captulo 3
Variaveis Aleatorias
3.1 Deni cao de variavel aleatoria
Denicao 3.1. Uma variavel aleatoria (real) e uma fun cao (real) que associa um
n umero real a cada resultado do espa co amostral de um experimento aleatorio.
Considerando X a variavel aleatoria, S o espa co amostral, e cada resultado
do espa co amostral, temos:
X : S R
X() .
(3.1.1)
O espaco amostral S e o domnio da variavel aleat oria e o conjunto S
X
de todos
os valores obtidos para X e a imagem da variavel aleat oria (S
X
R).
Exemplo 3.1. Uma moeda e lancada tres vezes e a sequencia de caras e coroas e
anotada.
O espa co amostral desse experimento e
S = ccc, cck, ckc, ckk, kcc, kck, kkc, kkk .
Seja X a variavel aleatoria correspondente ao n umero total de caras dos tres
lancamentos. Temos,
: ccc cck ckc ckk kcc kck kkc kkk
X() : 3 2 2 1 2 1 1 0
Portanto, X e uma variavel aleatoria com valores em S
X
= 0, 1, 2, 3.
28 Variaveis aleat orias
3.2 Funcao distribui cao de probabilidade
Denicao 3.2. A fun cao distribui cao de probabilidade (F.D.P.),
tambem chamada de fun cao distribui cao cumulativa, de uma variavel aleatoria
X, e denida como a probabilidade do evento X x. Devemos observar que,
embora o correto seja escrever X() x, a grande maioria dos textos que tratam
do assunto escrevem, de maneira simplicada, X x.
Assim, F
X
(x) = P[X x] , x R.
Propriedade 3.1.
(i) 0 F
X
(x) 1.
(ii) lim
x+
F
X
(x) = 1.
(iii) lim
x
F
X
(x) = 0.
(iv) F
X
e n ao-decrescente.
(v) F
X
e contnua à direita.
(vi) P[a < X b] = F
X
(b) F
X
(a).
Demonstra cao:
Temos, X a a < X b = X b. Portanto,
F
X
(a) +P[a < X b] = F
X
(b) e P[a < X b] = F
X
(b) F
X
(a).
(vii) P[X = b] = F
X
(b) F
X
(b
).
(viii) P[a X b] = F
X
(b) F
X
(a
).
(ix) P[X > x] = 1 F
X
(x).
OBS:
(i) Denimos fun c ao de massa de probabilidade (FMP) de X, p
X
, por
p
X
(x
k
) = P[X = x
k
].
(ii) Se F
X
e contnua ent ao
P[a X b] = P[a < X < b] = P[a X < b] = P[a < X b].
Fun c ao distribuic ao de probabilidade 29
Exemplo 3.2. Considere o lancamento de uma moeda tres vezes. Seja X a
variavel aleatoria que associa o resultado com o n umero de caras obtido. Encontre
a express ao da fun cao distribui cao de probabilidade F
X
.
Solu cao:
A denic ao da variavel aleat oria X e dada por:
X()
ccc 3
cck 2
ckc 2
ckk 1
kcc 2
kck 1
kkc 1
kkk 0
Portanto,
P[X = 0] =
1
8
; P[X = 1] =
3
8
; P[X = 2] =
3
8
e P[X = 3] =
1
8
.
Assim, a fun c ao distribuic ao de probabilidade F
X
e denida por:
F
X
(x) =
_
_
0 , x < 0
1
8
, 0 x < 1
4
8
=
1
2
, 1 x < 2
7
8
, 2 x < 3
1 , x 3 .
Podemos escrever
F
X
(x) = 0 +
1
8
u(x) +
3
8
u(x 1) +
3
8
u(x 2) +
1
8
u(x 3)
ou
F
X
(x) = p
X
(0)u(x) +p
X
(1)u(x 1) +p
X
(2)u(x 2) +p
X
(3)u(x 3)
sendo u a fun c ao degrau unit ario denida por u(x) =
_
0 , x < 0
1 , x 0 .
A Fig. 3.1 mostra o esbo co do graco de F
X
.
Figura 3.1: Graco da fun c ao distribuic ao de probabilidade F
X
associada à variavel
aleat oria X do exemplo.
Exemplo 3.3. Seja T o tempo de transmissao de uma mensagem atraves de um
sistema de comunica cao. Considere que T obedece à seguinte lei de probabilidade:
P[T > t] = e
t
, > 0 , t 0.
Tambem, P[T t] = 0 , t < 0.
(i) Determine a express ao da F.D.P. F
T
(t).
(ii) Calcule P
_
1
< T
2
_
.
Solu cao:
(i) F
T
(t) = P[T t] =
_
0 , t < 0
1 P[T > t] = 1 e
t
, t 0 .
(ii)
P
_
1
< T
2
_
= F
T
_
2
_
F
T
_
1
_
= (1 e
2
) (1 e
1
) 0, 233.
Tipos de variaveis aleat orias 31
3.3 Tipos de variaveis aleatorias
3.3.1 Variavel aleatoria discreta
A F.D.P. de uma variavel aleat oria discreta pode ser escrita na forma
F
X
(x) =
K
k=0
P[X = x
k
]u(x x
k
) (3.3.2)
sendo K N.
Exemplo 3.4. Uma fonte produz dois tipos de mensagens: M
1
, com probabilidade
p de ocorrer, e M
2
, com probabilidade 1 p. Seja X a variavel aleatoria denida
por
X() =
_
0 , = M
1
1 , = M
2
.
Encontre a express ao de F
X
(x).
Solu cao:
F
X
(x) =
_
_
_
0 , x < 0
p , 0 x < 1
1 , x 1 .
Portanto,
F
X
(x) = P[X = 0]u(x) +P[X = 1]u(x 1) = pu(x) + (1 p)u(x 1) .
3.3.2 Variavel aleatoria contnua
Uma variavel aleat oria contnua X tem F.D.P. (F
X
) contnua.
Exemplo 3.5. Seja X a medida de tens ao de rudo em um determinado ponto de
um circuito com as seguintes probabilidades:
P[[ X [ V ] = 1 e P[[ X [> V ] = 0.
Encontre a express ao da F.D.P. F
X
da variavel aleatoria X, considerando
que as probabilidades da variavel X sao uniformemente distribudas no intervalo
[V, V ].
Solu cao:
Se x < V P[X x] = 0 .
Se V x V P[X x] =
_
x
V
1
2V
dt =
x +V
2V
.
Se x > V P[X x] =
_
V
V
1
2V
dt = 1 .
Assim,
F
X
(x) =
_
_
0 , x < V
x +V
2V
, V x V
1 , x > V .
Obs: Devemos observar que para variaveis aleat orias contnuas
P[X = x] = 0, x.
3.3.3 Variavel aleatoria mista
Uma variavel aleat oria mista tem F.D.P. descontnua em um conjunto nito de
pontos e e contnua em pelo menos um intervalo.
Exemplo 3.6. Seja X a medida de tens ao de rudo em um determinado ponto de
um circuito, com as seguintes probabilidades:
P[X = V ] = P[X = V ] =
1
8
, P[[ X [< V ] =
3
4
e P[[ X [> V ] = 0.
Escreva a expressao da F.D.P. (F
X
) da variavel aleat oria X, considerando que
a variavel aleat oria X e distribuda uniformemente em (V, V ).
Solu cao:
Se x < V F
X
(x) = 0.
Se x = V F
X
(x) = P[X x] =
1
8
.
Se V < x < V F
X
(x) =
1
8
+
_
x
V
3
8V
dt =
3
8V
(x +V ) +
1
8
.
Se x = V F
X
(x) =
7
8
.
Se x > V F
X
(x) = 1.
Assim,
F
X
(x) =
_
_
0 , x < V
3
8V
x +
1
2
, V x < V
7/8 , x = V
1 , x V .
OBS:
(i) Para v.a. contnua: F
X
(x
) = F
X
(x).
(ii) Para v.a. discreta: F
X
(x
i
) F
X
(x
i
) = P[X = x
i
].
3.4 Funcao densidade de probabilidade
Seja X uma variavel aleat oria contnua com F.D.P. F
X
.
Podemos escrever,
P[x < X x + x] = F
X
(x + x) F
X
(x)
=
F
X
(x + x) F
X
(x)
x
x.
Para x pequeno, temos P[x < X x + x] F
X
(x) x.
Logo, de modo informal, podemos dizer que a probabilidade de X estar proximo
de x e F
X
(x)x.
Denicao 3.3. Denimos, entao, a densidade de probabilidade da variavel alea-
toria X, denotada por f
X
, por:
f
X
(x) = F
X
(x) . (3.4.3)
Tambem, de maneira informal, podemos interpretar a densidade de probabili-
dade da variavel aleat oria X como a quantidade de probabilidade por unidade de
medida.
Propriedade 3.2.
(i) f
X
(x) 0.
(ii) P[a X b] =
_
b
a
f
X
(x)dx.
(iii) F
X
(x) =
_
x
f
X
(t)dt.
(iv)
_
+
f
X
(x)dx = 1.
Exemplo 3.7. A f.d.p. de uma variavel aleatoria X e dada por
f
X
(x) =
_
1
b a
, a x b
0 , x < a e x > b
sendo a , b R.
Escreva a express ao da F.D.P. F
X
.
Solu cao:
Se x < a F
X
(x) = 0 .
Se a x b F
X
(x) =
_
x
a
1
b a
dt =
x a
b a
.
Se x > b F
X
(x) = 1 .
Assim,
F
X
(x) =
_
_
0 , x < a
x a
b a
, a x b
1 , x > b .
Exemplo 3.8. Seja X uma variavel aleatoria com fun cao densidade de probabi-
lidade f
X
denida por:
f
X
(x) =
_
_
_
A(x + 5) , 5 x 4
A , 4 < x < 4
A(x 5) , 4 x 5
Sendo A uma constante positiva.
(i) Fa ca um esbo co do graco de f
X
.
(ii) Determine o valor da constante A.
(iii) Determine a express ao da Fun cao Distribuicao de Probabilidade da variavel
aleatoria X.
(iv) Fa ca um esbo co do graco de F
X
.
(v) Determine a probabilidade P[X > 4].
Solu cao:
(i) O esbo co do graco de f
X
est a mostrado na Fig. 3.2.
Figura 3.2: Graco da fun c ao densidade de probabilidade f
X
(ii) Temos que
_
+
f
X
(x)dx = 1
(10 + 8) A
2
= 1 A =
1
9
.
(iii) A expressao da F.D.P. da variavel aleat oria X sera dada por:
Se x < 5 F
X
(x) = 0
Se 5 x < 4 F
X
(x) =
_
x
5
1
9
(t + 5)dt =
x
2
18
+
5x
9
+
25
18
Se 4 x < 4 F
X
(x) =
1
18
+
_
x
4
1
9
dt =
1
18
+
x + 4
9
Se 4 x < 5 F
X
(x) =
1
18
+
8
9
+
_
x
4
1
9
(t 5)dt =
x
2
18
+
5x
9

7
18
Se x 5 F
X
(x) = 1
(iv) A Fig. 3.3 mostra um esbo co do graco de F
X
.
(v) Temos que P[X > 4] = 1 P[X 4] = 1 F
X
(4) = 1
17
18
=
1
18
.
OBS:
Quando F
X
n ao e contnua, podemos estender a denic ao de f.d.p. usando a
distribuic ao delta de Dirac, denotada por .
X
Usamos o fato de que, no sentido das distribuic oes,
d
dx
[u(x)] = (x), sendo u
a distribuic ao degrau unit ario e a distribuic ao delta de Dirac.
Assim, se X e uma variavel aleat oria discreta, temos
F
X
(x) =
k
P[X = x
k
]u(x x
k
)
e
f
X
(x) =
k
P[X = x
k
](x x
k
).
3.5 Exemplos de variaveis aleatorias
3.5.1 Variaveis aleatorias discretas
Variavel aleatoria de Bernouilli
Seja A um evento relacionado aos resultados de algum experimento aleat orio. A
fun c ao indicatriz do evento A, denotada por I
A
, e denida por:
I
A
() =
_
0 , se / A
1 , se A.
Denimos uma variavel aleat oria X = I
A
e chamamos essa variavel aleat oria de
variavel aleat oria de Bernouilli. Observamos que
S
X
= 0, 1.
Escolhendo, por exemplo, P[X = 0] = p e P[X = 1] = 1 p, temos
F
X
(x) = pu(x) + (1 p)u(x 1) (3.5.4)
Exemplos de variaveis aleat orias 37
e
f
X
(x) = p(x) + (1 p)(x 1). (3.5.5)
Variavel aleatoria binomial
Considere que um experimento aleat orio seja repetido n vezes. Considere A um
evento,
j
o resultado para cada repeti c ao do experimento; isto e, j = 1, . . . , n.
Seja X o n umero de vezes que
j
A. Portanto, X e uma variavel aleat oria com
S
X
= 0, 1, . . . , n.
Considerando I
j
a fun c ao indicatriz para o evento A na j-esima tentativa, temos
X = I
1
+I
2
+. . . +I
n
.
A variavel aleat oria X e chamada de variavel aleat oria binomial.
Pelo Teorema Binominal, sabemos que
P[X = k] =
_
n
k
_
p
k
(1 p)
nk
, k = 0, . . . , n.,
sendo P[X = k] a probabilidade de obter k sucessos em n tentativas.
Assim,
F
X
(x) =
n
k=0
_
n
k
_
p
k
(1 p)
nk
u(x k) (3.5.6)
e
f
X
(x) =
n
k=0
_
n
k
_
p
k
(1 p)
nk
(x k). (3.5.7)
Essa variavel aleat oria surge em aplicac oes onde h a apenas dois tipos de resulta-
dos para cada experimento, por exemplo, cara/coroa, certo/errado, bom/defeituoso,
etc.
Variavel aleatoria geometrica
Seja X a variavel aleat oria correspondente ao n umero de tentativas de um experi-
mento ate a ocorrencia de um sucesso. A variavel aleat oria X e chamada variavel
aleatoria geometrica e S
X
= 1, 2, . . ..
Temos, P[X = k] = (1 p)
k1
p , k = 1, 2, . . . sendo p a probabilidade de
sucesso em cada tentativa (chamada de tentativa de Bernouilli).
Assim,
F
X
(x) =
+
k=1
(1 p)
k1
pu(x k) (3.5.8)
e
f
X
(x) =
+
k=1
(1 p)
k1
p(x k). (3.5.9)
Variavel aleatoria de Poisson
A variavel aleat oria de Poisson X e denida por
P[X = k] =

k
k!
e
, k = 0, 1, 2, . . . , sendo uma constante.

Assim,
F
X
(x) =
+
k=0
k
k!
e
u(x k) (3.5.10)
e
f
X
(x) =
+
k=0
k
k!
e
(x k). (3.5.11)
OBS:
Se n e grande, p pequeno e = np, podemos usar a aproximac ao
_
n
k
_
p
k
(1 p)
nk

k
k!
e
.
3.5.2 Variaveis aleatorias contnuas
Variavel aleatoria uniforme
A f.d.p. de uma variavel aleat oria uniforme e dada por
f
X
(x) =
_
1
b a
, a x b
0 , x < a ou x > b
(3.5.12)
sendo a, b R e
F
X
(x) =
_
_
0 , x < a
x a
b a
, a x b
1 , x > b .
(3.5.13)
Essa variavel aleat oria aparece quanto todos os valores na reta real, no intervalo
[a, b], sao igualmente provaveis.
As Figs. 3.4 e 3.5 mostram os esbo cos dos gracos de f
X
e F
X
, respectivamente.
X
aleat oria uniforme X.
X
aleat oria uniforme X.
Variavel aleatoria exponencial
A f.d.p. da variavel aleat oria exponencial e denida por
f
X
(x) =
_
0 , x < 0
e
x
, x 0
F
X
(x) =
_
0 , x < 0
1 e
x
, x 0 .
(3.5.14)
Sendo um n umero real.
X
e F
X
, respectivamente.
X
aleat oria exponencial X.
Variavel aleatoria gaussiana
A f.d.p. de uma variavel aleat oria gaussiana e denida por
f
X
(x) =
1
2
e
(xm)
2
2
2
, x R, (3.5.15)
sendo m e n umeros reais.
Consideremos a fun c ao denida por:
(x) =
1
2
_
x
t
2
2
dt . (3.5.16)
Observamos que a fun c ao e a F.D.P. da variavel aleat oria gaussiana para
m = 0 e = 1.
X
aleat oria exponencial X.
Assim, a F.D.P. da variavel aleat oria gaussiana X e dada por
F
X
(x) =
_
x m
_
. (3.5.17)
Denindo, ainda, a fun c ao erf por
erf(x) =
1
2
_
x
0
e
t
2
2
dt (3.5.18)
podemos escrever
(x) =
1
2
_
0
t
2
2
dt +
1
2
_
x
0
e
t
2
2
dt
=
1
2
+
1
2
_
x
0
e
t
2
2
dt .
(3.5.19)
A Fig. 3.8 mostra o esbo co do graco da fun c ao erf.
Devemos observar que a fun c ao erf e mpar; isto e,
erf(x) = erf(x).
Portanto,
(x) =
1
2
+erf(x)
e
_
x m
_
=
1
2
+erf
_
x m
_
.
Figura 3.8: Esbo co do graco da fun c ao erf.
Resumindo, se X e a variavel aleat oria gaussiana de f.d.p. f
X
denida por
f
X
(x) =
1
2
e
(xm)
2
2
2
, x R, (3.5.20)
ent ao sua F.D.P. F
X
e dada por
F
X
(x) =
1
2
+erf
_
x m
_
. (3.5.21)
X
e F
X
, respectiva-
mente.
X
aleat oria gaussiana X.
H a varias outras variaveis aleat orias igualmente importantes, dependendo da area
de aplicac ao, como, por exemplo, as variaveis aleat orias de Rayleigh, RICE, Na-
kagami, Gamma e outras. E, ainda, variaveis aleat orias provenientes de variaveis
Fun c oes de variaveis aleat orias 43
X
associada à
variavel aleat oria gaussiana X.
aleat orias conhecidas, como a lognormal e a logRayleigh. Discutiremos algumas
dessas variaveis aleat orias nos exerccios e nos captulos seguintes.
3.6 Funcoes de variaveis aleatorias
Seja X uma variavel aleat oria e seja g uma fun c ao real de variavel real. A fun c ao
denida por Y = g(X) e tambem uma variavel aleat oria. Queremos ent ao encon-
trar a fun c ao densidade de probabilidade de Y , conhecida a fun c ao densidade de
probabilidade de X.
Consideremos f
Y
(y) =
d
dy
F
Y
(y) =
d
dy
P[Y y].
Exemplo 3.9. Seja Y uma variavel aleatoria denida por Y = aX + b sendo
a , b R, a ,= 0 e suponha que X tenha F.D.P. F
X
. Encontre express oes para F
Y
e para f
Y
.
Solu cao:
Temos que,
F
Y
(y) = P[Y y] = P[aX +b y] = P[aX y b].
Se a > 0 F
Y
(y) = P
_
X
y b
a
_
= F
X
_
y b
a
_
.
44 Variaveis Aleat orias
Se a < 0 F
Y
(y) = P
_
X
b y
a
_
= P
_
X
y b
a
_
= 1 F
X
_
y b
a
_
.
Assim,
F
Y
(y) =
_
_
F
X
_
y b
a
_
, a > 0
1 F
X
_
y b
a
_
, a < 0 .
E, f
Y
=
dF
dy
=
dF
du
du
dy
sendo u =
y b
a
.
Logo,
f
Y
(y) =
_
_
1
a
f
X
_
y b
a
_
, a > 0
1
a
f
X
_
y b
a
_
, a < 0
De forma compacta, f
Y
(y) =
1
[ a [
f
X
_
y b
a
_
.
Exemplo 3.10. Considere a variavel aleatoria Y = X
2
sendo X uma variavel
aleatoria contnua. Ache a f.d.p. e a F.D.P. de Y , em termos da f.d.p. e da
F.D.P. de X.
Solu cao:
Temos,
F
Y
(y) = P[Y y] = P[X
2
y] = P[
y X
y] .
Logo,
F
Y
(y) =
_
_
_
0 , y < 0
F
X
(
y) F
X
(
y) y 0
Assim, f
Y
(y) =
dF
Y
dy
=
dF
du
du
dy
. E,
f
Y
(y) =
_
_
_
0 , y < 0
f
X
(
y)
2
y
+
f
X
(
y)
2
y
, y > 0 .
Exemplo 3.11. Seja Y = cosX sendo X uma v.a. uniforme no intervalo [0, 2].
Ache a f.d.p. e a F.D.P. de Y .
Exerccios 45
Solu cao:
Temos que, F
Y
(y) = P[Y y] = P[cosX y].
Se cosX y arccos y X 2 arccosy.
Assim, P[cosX y] = P[X 2 arccosy] P[X arccosy].
Tambem,
f
Y
(y) = f
X
(2 arccosy)
1
_
1 y
2
f
X
(arccosy)
1
_
1 y
2
=
1
2
1
_
1 y
2
+
1
2
1
_
1 y
2
=
1
_
1 y
2
, 1 < y < 1 .
Consequentemente,
F
Y
(y) =
_
_
0 , y < 1
1
2
+
arcseny
, 1 y 1
1 , y > 1 .
3.7 Exerccios
(1) Considere o lan camento de dois dados e a experiencia cujo resultado consiste
na soma dos n umeros obtidos com os dois dados. Dena esta soma como uma
variavel aleat oria X.
(i) Encontre a expressao da Fun c ao distribuic ao de probabilidade da variavel
aleat oria X.
(ii) Calcule a probabilide de X assumir um valor no intervalo [7, 9].
(2) Suponha que um ponto (X, Y ) seja selecionado ao acaso do interior de um
crculo unit ario e considere a variavel aleat oria R dada pela distancia do ponto à
origem.
(i) Escreva a expressao da Fun c ao distribuic ao de probabilidade da variavel
aleat oria R.
(ii) Escreva a expressao da fun c ao densidade de probabilidade da variavel alea-
t oria R.
(3) Seja X uma variavel aleat oria e g uma fun c ao bijetora e diferenci avel tal que
Y = g(X). Considere f
X
e f
Y
as fun c oes densidade de probabilidade de X e Y ,
respectivamente. Prove que f
X
(x)dx = f
Y
(y)dy.
(4) Os valores das resistencias de um lote de resistores seguem uma distribuic ao
gaussiana com m = 1000 e = 200 . Qual e a probabilidade de ao escolher
um resistor ao acaso sua resistencia estar entre 900 e 1100?
Captulo 4
Vetores de Variaveis
Aleatorias
4.1 Introducao
Denicao 4.1. Um vetor de variaveis aleatorias (ou um vetor aleat orio)

X e uma
fun cao (vetorial) que associa a cada resultado do espa co amostral S um vetor
X().
Exemplo 4.1. Considere o experimento de selecionar o nome de um estudante
de uma urna e seja o resultado deste experimento. Denotemos
A() = altura do estudante; P() = peso do estudante; I() = idade do estu-
dante.
O vetor

X = (A(), P(), I()) e, entao, um vetor de variaveis aleatorias e,
portanto, um vetor aleatorio.
Exemplo 4.2. Considere o registro de tens ao de rudo em um ponto de um
circuito, durante um determinado intervalo de tempo. Portanto, = f
(t). Con-
sideremos a variavel aleatoria X
k
= f
(kT), sendo k = 1, 2, . . . , N. O vetor
X = (X
1
, X
2
, . . . , X
N
) e, portanto, um vetor aleatorio.
4.2 Eventos associados a vetores aleatorios
O conjunto denotado por
X x representa, de forma compacta, o conjunto

X
1
x
1
, X
2
x
2
, . . . , X
n
x
n
.
Esse conjunto e um evento para todo x = (x
1
, x
2
, . . . , x
n
) R
n
.
48 Vetores de variaveis aleat orias
4.3 Independencia
Dizemos que as variaveis aleat orias X
1
, X
2
, . . . , X
n
sao independentes se
P[X
1
A
1
, . . . , X
n
A
n
] = P[X
1
A
1
] . . . P[X
n
A
n
]
onde A
k
e um evento que envolve X
k
somente.
4.4 Funcao distribui cao de probabilidade conjunta
Denicao 4.2. A Fun cao Distribuicao de Probabilidade associada a um vetor
aleatorio

X, chamada de F.D.P. conjunta, e denida por:
F
X
: R
n
R
x F
X
(x) = P[
X x]
(4.4.1)
sendo F
X
(x) = P[
X x] = P[X
1
x
1
, X
2
x
2
, . . . , X
n
x
n
] .
Podemos representar F
X
(x) por F
X1,X2,...,Xn
(x
1
, x
2
, . . . , x
n
).
Consideremos o caso particular, bidimensional, com a F.D.P. conjunta das variaveis
aleat orias X e Y , F
XY
, dada por
F
XY
(x, y) = P[X xe Y y].
Podemos escrever F
XY
(x, y) = P[X x Y y].
Exemplo 4.3. Bits sao transmitidos atraves de um canal de comunica coes com
probabilidades de erro dadas de acordo com o esquema a seguir:
(i) Se o bit 1 for enviado, a probabilidade de o bit 1 ser recebido e p e, consequen-
temente, a probabilidade de o bit 0 ser recebido e 1 p.
(ii) Se o bit 0 for enviado, a probabilidade de o bit 0 ser recebido e p e, conse-
quentemente, a probabilidae de o bit 1 ser recebido e 1 p.
Consideremos a variavel aleat oria X representando os bits enviados e a variavel
aleat oria Y representando os bits recebidos. Tomemos, P[X = 0] = P[X = 1] =
1
2
.
Temos,
P[Y = 0[X = 0] = p ,
P[Y = 1[X = 0] = 1 p ,
P[Y = 0[X = 1] = 1 p ,
P[Y = 1[X = 1] = p .
Fun c ao densidade de probabilidade conjunta 49
Lembremos que, pela regra de Bayes, P[A B] = P[A[B]P[B].
Assim,
P[Y = 0 e X = 0] = P[Y = 0[X = 0]P[X = 0] =
p
2
,
P[Y = 1 e X = 0] = P[Y = 1[X = 0]P[X = 0] =
1 p
2
,
P[X = 1 e Y = 0] = P[Y = 0[X = 1]P[X = 1] =
1 p
2
,
P[Y = 1 e X = 1] = P[Y = 1[X = 1]P[X = 1] =
p
2
.
A F.D.P. F
XY
sera, ent ao, denida por:
Se x > 1 e y > 1 =F
XY
(x, y) = 1.
Se x < 0 e y R =F
XY
(x, y) = 0.
Se y < 0 e y R =F
XY
(x, y) = 0.
Se x > 1 e y < 1 =
F
XY
(x, y) = P[X = 1 Y = 0] +P[X = 0 Y = 0]
=
1 p
2
+
p
2
=
1
2
.
Se x > 1 e y 1 =F
XY
(x, y) = 1.
Se x < 1 e y 1 =F
XY
(x, y) =
1
2
.
Se x < 1 e y < 1 =F
XY
(x, y) =
p
2
.
Propriedade 4.1. Consideremos o caso particular para a F.D.P. conjunta de
duas variaveis aleatorias, digamos X e Y . Temos,
(i) F
XY
e n ao-decrescente; isto e,
se x
1
x
2
e y
1
y
2
F
XY
(x
1
, y
1
) F
XY
(x
2
, y
2
).
(ii) F
XY
(, y
1
) = F
XY
(x
1
, ) = 0 .
(iii) F
XY
(+, +) = 1 .
(iv) F
X
(x) = F
XY
(x, +) = P[X x, y < +] = P[X x] .
(v) F
Y
(y) = F
XY
(+, y) = P[Y y] .
4.5 Funcao densidade de probabilidade conjunta
Denicao 4.3. Seja

X um vetor aleatorio de dimensao n com F.D.P. F
X
dife-
renciavel. Denimos a f.d.p. conjunta f
X
do vetor aleatorio

X por
f
X
(x) = f
X1...Xn
(x
1
, . . . , x
n
) =

n
x
1
. . . x
n
F
X1...Xn
(x
1
, . . . , x
n
) .
4.5.1 Propriedades da f.d.p. conjunta
Consideremos, primeiro, o caso particular de um vetor aleat orio bidimensional,
digamos de coordenadas X e Y . Temos, ent ao, os seguintes resultados:
Propriedade 4.2.
(i)
_
+
_
+
f
XY
(x, y)dxdy = 1 .
(ii)P[(X, Y ) ] =
_ _
f
XY
(x, y)dxdy .
(iii) F
XY
(x, y) =
_
x
_
y
f
XY
(u, v)dvdu .
(iv) f
XY
(x, y) =

2
F
XY
(x, y)
xy
.
(v) f
X
(x) =
_
+
f
XY
(x, y)dy .
(vi) f
Y
(y) =
_
+
f
XY
(x, y)dx.
OBS: f
X
e f
Y
sao chamadas, nesse caso, de fun c oes densidade de probabilidade
marginais.
Generalizando, para um vetor com n coordenadas, temos:
Propriedade 4.3.
(i)
_
+
. . .
_
+
f
X1...Xn
(x
1
, . . . , x
n
)dx
1
. . . dx
n
= 1 .
(ii) P[
X ] =
_
X
(x)dx .
Fun c ao densidade de probabilidade conjunta 51
(iii) F
X1...Xn
(x
1
, . . . , x
n
) =
_
x1
. . .
_
xn
f
X1...Xn
(u
1
, . . . , u
n
)du
n
. . . du
1
.
(iv)
fX
i
(xi) =
=
. . .
fX
1
...Xn
(u1, . . . , un)du1 . . . dun
*consideramos n 1 integrais.
4.5.2 Caso de vetor aleatorio discreto
Consideremos um vetor aleat orio discreto bidimensional de coordenadas X e Y .
Temos,
Propriedade 4.4.
(i) P[(X, Y ) ] =
f
XY
(x
j
, y
k
) , (x
j
, y
k
)
(ii)
+
j=1
+
k=1
f
XY
(x
j
, y
k
) = 1
(iii) f
X
(x
j
) =
+
k=1
f
XY
(x
j
, y
k
)
(iv)f
Y
(y
k
) =
+
j=1
f
XY
(x
j
, y
k
)
Exemplo 4.4. Um trem chega a uma esta cao e para por cinco minutos antes de
prosseguir. O instante de chegada do trem, contado a partir das 9 h, em minuto,
pode ser modelado pela v.a. T, com f.d.p. f
T
(t) = 0, 15e
0,15t
u(t).
(i) Calcule a probabilidade de o trem chegar na esta cao ate as 9 : 20h.
(ii)Determine o maior atraso que um usuario pode ter de modo que a probabilidade
de ele pegar o trem seja maior que 0, 5.
(iii) Considere que o instante de chegada de um estudante à esta cao (contado a
partir das 9h, em minuto) e uma v.a. X e que a f.d.p. conjunta de X e T e:
f
XT
(x, t) = 0, 06e
(0,15t+0,4x)
u(t)u(x) .
Calcule a probabilidade de o estudante pegar o trem.
Solu cao:
(i) P[T < 20] =
_
20
f
T
(t)dt =
_
20
0
0, 15e
0,15t
dt 0, 95 .
(ii) P[T > a 5] =
_
+
a5
f
T
(t)dt > 0, 5 =a < 9, 621 .
(iii)
P[T > X 5] = P[X < T + 5] = P[(X, T) A]
=
_ _
A
f
XY
(x, y)dxdy .
Temos,
P[(X, T) A] =
_
+
0
_
t+5
0
0, 06e
(0,15t+0,4x)
dxdt 0, 946.
Exemplo 4.5. O sinal recebido em uma transmissao via radio pode ser modelado
por
r(t) = Acos(
0
t + ) , A > 0 ou r(t) = Xcos
0
t +Y sen
0
t
sendo X e Y variaveis aleatorias com f.d.p. conjunta f
XY
denida por
f
XY
(x, y) =
1
2
2
e
(x
2
+y
2
)
2
2
.
(i) Determine a probabilidade de a amplitude A ser maior que 1.
(ii) Encontre a express ao de f
X
(x).
Solu cao:
(i)
P[A > 1] = [
X
2
+Y
2
> 1] = P[X
2
+Y
2
> 1]
=
_
2
0
_
+
1
1
2
2
e
r
2
2
2
rdrd = . . . = e
1
2
2
.
(ii)
f
X
(x) =
_
+
f
XY
(x, v)dv =
_
+
1
2
2
e
x
2
+v
2
2
2
dy
= . . . =
1
2
e
x
2
2
2
.
4.6 Funcoes distribui cao e densidade condicionais
Denicao 4.4. A fun cao distribui cao de probabilidade de uma v.a. X, condicio-
nada à ocorrencia de um evento M e denida por
Fun c oes distribuic ao e densidade condicionais 53
F
X|M
(x) = P[X x[M] =
P[X x M]
P[M]
; P[M] ,= 0 . (4.6.2)
Se F
X|M
e diferenci avel =f
X|M
(x) =
d
dx
F
X|M
(x).
O evento M tambem poderia ser descrito em termos da v.a. Y . Nesse caso,
M = Y y = [Y () y.
Assim, F
X|Y y
(x) =
F
XY
(x, y)
F
Y
(y)
.
Pois,
F
X|Y y
(x) = P[X x[Y y] =
P[X x Y y]
P[Y y]
.
Tambem, f
X|Y y
(x) =
d
dx
F
XY
(x, y)
F
Y
(y)
.
Poderamos tentar denir
F
X|Y =y
(x) =
P[X x Y = y]
P[Y = y]
.
Mas, P[Y = y] = 0.
Dessa forma, denimos F
X|Y =y
por um processo de limite. Com isso, chegamos
ao resultado:
F
X|Y =y
(x) =
_
x
f
XY
(u, y)du
f
Y
(y)
(4.6.3)
e
f
X|Y
(x) = f
x|Y =y
(x) =
f
XY
(x, y)
f
Y
(y)
. (4.6.4)
Analogamente,
f
Y |X
(y) = f
Y |X=x
(y) =
f
XY
(x, y)
f
X
(x)
. (4.6.5)
Resumo:
F
X|Y y
(x) =
F
XY
(x, y)
F
Y
(y)
.
F
X|Y
(x) = F
X|Y =y
(x) =
_
x
f
XY
(u, y) du
f
Y
(y)
.
f
X|Y
(x) = f
X|Y =y
(x) =
f
XY
(x, y)
f
Y
(y)
.
F
Y |X
(y) = F
Y |X=x
(y) =
_
y
f
XY
(x, v) dv
f
X
(x)
.
f
Y |X
(x) = f
Y |X=x
(y) =
f
XY
(x, y)
f
X
(x)
.
4.6.1 Independencia entre duas variaveis aleatorias
Duas variaveis aleat orias X e Y sao independentes se qualquer evento A
1
denido
em termos de X e independente de qualquer evento A
2
denido em termos de Y .
Isto e, P[X A
1
, Y A
2
] = P[X A
1
]P[Y A
2
].
Podemos mostrar que as variaveis aleat orias X e Y sao independentes se, e so
se,
F
XY
(x, y) = F
X
(x)F
Y
(y) (4.6.6)
para todos x e y.
Se F
X
e F
Y
sao diferenci aveis, ent ao f
XY
(x, y) = f
X
(x)f
Y
(y).
Observemos que, neste caso, f
X|Y
(x) = f
X
(x) e f
Y |X
(x) = f
Y
(y).
Demonstra c ao:
Os eventos A e B sao independentes se P[AB] = P[A]P[B].
Temos,
F
XY
(x, y) = F
X
(x)F
Y
(y) ou
P[X x Y y] = P[X x]P[Y y].
E,
f
XY
(x, y) =

2
F
XY
(x, y)
xy
=

2
[F
X
(x)F
Y
(y)]
xy
=

x
F
X
(x)

y
F
Y
(y) = f
X
(x)f
Y
(y) .
Tambem,
F
X
(X[Y y) =
F
XY
(x, y)
F
Y
(y)
= F
X
(x) .
Consequentemente, f
X
(x[Y y) = f
X
(x) e f
Y
(y[X x) = f
Y
(y) .
Fun c oes distribuic ao e densidade condicionais 55
Generalizando, as variaveis aleat orias X
1
, . . . , X
n
sao independentes quando
F
X1...Xn
(x
1
, . . . , x
n
) =
n
i=1
F
Xi
(x
i
). (4.6.7)
E, no caso das fun c oes F
Xi
serem diferenci aveis, temos
f
X1...Xn
(x
1
, . . . , x
n
) =
n
i=1
f
Xi
(x
i
) . (4.6.8)
Exemplo 4.6. Considere X e Y duas variaveis aleatorias com f.d.p. conjunta
f
XY
dada por:
f
XY
(x, y) =
1
2
2
e
1
2
x
2
+y
2
2
.
Determine:
(i) f
X
(x) e f
Y
(y) . (f.d.p.s marginais)
(ii) f
Y |X
(y), concluindo sobre a independencia das variaveis aleatorias X e Y .
Solu cao:
(i)
f
X
(x) =
_
+
f
XY
(x, y)dy =
_
+
1
2
2
e
1
2
x
2
+y
2
2
=
1
2
e
x
2
2
2
_
+
2
e
y
2
2
2
. .
=1
=
1
2
e
x
2
2
2
.
Analogamente,
f
y
(y) =
_
+
f
XY
(x, y)dy =
_
+
1
2
2
e
1
2
x
2
+y
2
2
=
1
2
e
y
2
2
2
_
+
2
e
x
2
2
2
. .
=1
=
1
2
e
y
2
2
2
.
(ii) Observamos, do item (i), que f
XY
(x, y) = f
X
(x)f
Y
(y). Portanto,
f
Y |X
(y) =
f
XY
(x, y)
f
X
(x)
= f
Y
(y) .
Conclumos que X e Y sao variaveis aleat orias independentes.
Exemplo 4.7. Um painel controla as dura coes X e Y de duas liga coes telefonicas.
Essas dura coes podem ser modeladas por duas variaveis aleatorias com f.d.p. con-
junta
f
XY
(x, y) = 10e
(2x+5y)
u(x)u(y) .
O painel indica o n umero de liga coes (0, 1 ou 2) cuja dura cao ultrapassa o valor
T = 0, 5. Deste modo, a indica cao do painel pode ser modelada como uma variavel
aleatoria Z denida da seguinte forma:
Z = 0, se nenhuma das liga coes tem dura cao maior que T.
Z = 1, se apenas uma das liga coes tem dura cao maior que T.
Z = 2, se as duas liga coes tem dura cao maior que T.
(i) Determine f
X
(x) e f
Y
(y) e conclua sobre a independencia das variaveis alea-
torias.
(ii) Determine a express ao de f
Z
(z) e de F
Z
(z). Esboce os gracos de f
Z
e de
F
Z
.
(iii) Dado que apenas uma das chamadas teve dura cao maior que T, determine a
probabilidade de que a dura cao X da primeira chamada exceda T.
(iv) Dado que ambas as chamadas tiveram dura cao superior a T, determine a
probabilidade de que a dura cao Y da segunda chamada exceda o valor 1.
Solu cao:
(i) f
X
(x) =
_
+
f
XY
(x, v)dv = 2e
2x
.
Analogamente, f
Y
(y) = 5e
5y
.
Assim, f
XY
(x, y) = f
X
(x)f
Y
(y).
Logo, X e Y sao variaveis aleat orias independentes.
(ii)
P[Z = 0] = P[X < T, Y < T]
=
_
0,5
_
0,5
f
XY
(x, y)dxdy 0, 58 ,
Exerccios 57
P[Z = 2] = P[X > T, Y > T]
=
_
+
0,5
_
+
0,5
2e
2x
5e
5y
dxdy = 0, 03 ,
e
P[Z = 1] = 1 P[Z = 0] P[Z = 2] = 0, 39 .
Assim,
F
Z
(z) = 0, 58u(z) + 0, 39u(z 1) + 0, 03u(z 2) e
f
Z
(z) = 0, 58(z) + 0, 39(z 1) + 0, 03(z 2) .
(iii)
P[X > 0, 5[Z = 1] =
P[X > 0, 5 e Z = 1]
P[Z = 1]
=
P[X > 0, 5 e Y < 0, 5]
P[Z = 1]
= 0, 87 .
(iv)
P[Y > 1[Z = 2] =
P[Y > 1 e Z = 2]
P[Z = 2]
=
P[Y > 1 e X > 0, 5]
P[Z = 2]
= 0, 37 .
4.7 Exerccios
(1) Sejam X e Y variaveis aleat orias com fun c ao densidade de probabilidade
conjunta f
XY
dada por
f
XY
(x, y) =
_
A(x +y) , 0 x 1 , 0 y 1
0 , caso contrario
sendo A uma constante.
(i) Determine o valor de A.
(ii) Encontre as expressoes das fun c oes densidade de probabilidade marginais f
X
e f
Y
.
(2) Considere X e Y variaveis aleat orias com fun c ao densidade de probabilidade
conjunta f
XY
dada por
f
XY
(x, y) =
_
2
, x
2
+y
2
1 , y > 0
0 , caso contrario
(i) Encontre as expressoes das fun c oes densidade de probabilidade marginais f
X
e f
Y
.
(ii) Calcule P[X > Y ].
(3) Sejam X e Y variaveis aleat orias independentes com distribuic ao uniforme no
intervalo [0, 1].
(i) Determine P[X +Y 1].
(ii) Considere a variavel aleat oria Z = X + Y . Determine a fun c ao distribuic ao
de probabilidade F
Z
, da variavel aleat oria Z.
(4) Sejam X e Y variaveis aleat orias independentes com fun c oes densidade de
probabilidade dadas, respectivamente, por:
f
X
(x) = e
x
u(x) e f
Y
(y) = e
y
u(y) .
Determine a expressao da fun c ao densidade de probabilidade da variavel alea-
t oria Z =
X
Y
.
Captulo 5
Momentos de Variaveis
Aleatorias
5.1 Valor esperado (ou media) de uma variavel
aleatoria
Seja X uma v.a. discreta que assume os valores x
1
, x
2
, . . . , x
k
. Suponha que
a experiencia associada a esta v.a. tenha sido realizada N vezes e que n(x
i
)
represente o n umero de vezes em que o evento X = x
i
ocorreu, sendo i =
1, . . . , k.
De acordo com o conceito de frequencia relativa, temos
P[X = x
i
] =
n(x
i
)
N
, i = 1, . . . , k .
Assim, a media aritmetica dos N resultados da experiencia e dada por
m
X
=
k
i=1
x
i
n(x
i
)
N
. (5.1.1)
Denicao 5.1. O valor esperado ou media ou esperanca matematica da variavel
aleatoria X e entao denido por
E[X] =
k
i=1
x
i
P[X = x
i
] . (5.1.2)
Denicao 5.2. No caso de variaveis aleatorias contnuas, denimos
59
60 Momentos de variaveis aleat orias
m
X
=
_
+
xf
X
(x)dx. (5.1.3)
Exemplo 5.1. Seja X uma v.a. distribuda uniformemente no intervalo [a, b].
Calcule m
X
.
Solu cao:
m
X
=
_
b
a
x
1
b a
dx =
a +b
2
.
Exemplo 5.2. Seja X uma v.a. com f.d.p. gaussiana
f
X
(x) =
1
2
e
1
2
(xm)
2
2
.
Calcule m
X
.
Solu cao:
m
X
=
_
+
x
1
2
e
1
2
(xm)
2
2
dx = . . . = m.
5.2 Variancia
Denicao 5.3. A variancia da variavel aleatoria discreta X e denida por
2
X
=
k
i=1
(x
i
m
X
)
2
P[X=xi]
..
n(x
i
)
N
. (5.2.4)
Observamos que a variancia de uma v.a. nada mais e do que a media aritmetica
dos quadrados dos desvios (x
i
m
X
), em relac ao à media, dos N resultados da
experiencia. Isto mostra que a variancia de uma v.a. mede sua dispersao em torno
da media.
Denicao 5.4. Se X e uma v.a. contnua entao
2
X
=
_
+
(x m
X
)
2
f
X
(x)dx. (5.2.5)
Exemplo 5.3. Calcule a vari ancia de uma v.a. X uniformemente distribuda no
intervalo [a, b].
Momentos 61
Solu cao:
2
X
=
_
b
a
_
x
b +a
2
_
2
1
b a
dx =
(b a)
2
12
.
Obs: Se considerarmos duas variaveis aleat orias uniformes, a de menor variancia
ter a sua f.d.p. mais concentrada em torno de sua media.
Exemplo 5.4. Calcule a vari ancia de uma v.a. gaussiana
f
X
(x) =
1
2
e
(xm)
2
2
2
Solu cao:
2
X
=
1
2
_
+
(x m)
2
e
(xm)
2
2
2
dx = . . . =
2
.
5.3 Momentos
5.3.1 Momentos de ordem k
Denicao 5.5. O momento de ordem k de uma v.a. contnua X e denido por
E[X
k
] =
_
+
x
k
f
X
(x)dx. (5.3.6)
Denicao 5.6. Se X e uma v.a. discreta entao
E[X
k
] =
N
i=1
x
k
i
P[X = x
i
].
OBS: Se k = 0 E[X
o
] = 1 e se k = 1 E[X] = m
X
.
5.3.2 Momento central de ordem k
Denicao 5.7. O momento central de ordem k, de uma v.a. X, e denido por
E[(X m
X
)
k
] =
_
+
(x m
X
)
k
f
X
(x)dx. (5.3.7)
5.3.3 Valor esperado de um vetor aleatorio e matriz co-
variancia
Denicao 5.8. O valor esperado de um vetor aleatorio
X = (X
1
, X
2
, . . . , X
n
) e denido por
E[
X] = m
X
= (E[X
1
], E[X
2
], . . . , E[X
n
]) . (5.3.8)
Denicao 5.9. A matriz covari ancia K
X
de um vetor aleatorio
X = (X
1
, X
2
, . . . , X
n
) e denida por
K
X
= E[(
X m
X
)(
X m
X
)
T
] . (5.3.9)
Assim,
X
=
E[(X1 mX
1
)
2
] . . . E[(X1 mX
1
)(Xn mXn
)]
E[(X2 mX
2
)(X1 mX
1
) . . . E[(X2 mX
2
)(Xn mXn
)]
.
.
.
.
.
.
.
.
.
E[(Xn mXn
)(X1 mX
1
) . . . E[(Xn mXn
)
2
]
. (5.3.10)
5.4 Momentos conjuntos
5.4.1 Denicoes
Denicao 5.10. Os momentos conjuntos das variaveis aleatorias
X
1
, X
2
, . . . , X
n
sao denidos por E[X
k1
1
X
k2
2
. . . X
kn
n
] e a ordem do momento con-
junto e dada por k
1
+k
2
+. . . +k
n
.
Denicao 5.11. Os momentos conjuntos de segunda ordem E[X
i
X
j
] recebem o
nome de correla cao das variaveis aleatorias X
i
e X
j
.
Denicao 5.12. Os momentos conjuntos centrais das variaveis aleatorias
X
1
, X
2
, . . . , X
n
sao denidos por E[(X
1
m
X1
)
k1
(X
2
m
X2
)
k2
. . . (X
n
m
Xn
)
kn
]. A soma
k
1
+k
2
+. . . +k
n
e chamada ordem do momento conjunto central.
Momentos conjuntos 63
Denicao 5.13. Os momentos conjuntos centrais de segunda ordem
E[(X
i
m
Xi
)(X
j
m
Xj
)]
recebem o nome de covari ancia quando i ,= j e variancia quando i = j.
Denicao 5.14. A matriz Covari ancia de um vetor aleatorio contem todos os
momentos conjuntos centrais de segunda ordem das componentes do vetor. Ela
contem na sua diagonal principal as variancias e os elementos fora da diagonal
principal sao as covari ancias.
Resumindo, temos,
(i) Correla cao: E[X
1
X
2
] =
_
+
_
+
x
1
x
2
f
X1X2
(x
1
, x
2
)dx
1
dx
2
(ii) Momentos conjuntos:
De ordem k
1
+k
2
:
E[X
k1
1
X
k2
2
] =
_
+
_
+
x
k1
1
x
k2
2
f
X1X2
(x
1
, x
2
)d
x1
d
x2
De ordem k
1
+k
2
+ . . . +k
n
:
E[X
k1
1
X
k2
2
. . . X
kn
n
] =
_
+
. . .
_
+
x
k1
1
x
k2
2
. . . x
kn
n
f
X1X2...Xn
(x
1
, x
2
, . . . , x
n
)d
x1
d
x2
. . . d
xn
(iii) Covariancia: E[(X
i
m
Xi
)(X
j
m
Xj
)]
Se m = 0 covariancia = correla c ao.
(iv) Variancia: E[(X m
X
)
2
]
5.4.2 Coeciente de correlacao
Denicao 5.15. O coeciente de correla cao entre as variaveis aleat orias X e Y
e denido por
XY
=
E[(X m
X
)(Y m
Y
)]
_
E[(X m
X
)
2
]E[(Y m
Y
)
2
]
. (5.4.11)
Pode-se provar que 1
XY
1.
5.4.3 Variaveis aleatorias nao correlatas
Duas variaveis aleat orias X e Y sao ditas n ao correlatas quando ocorre uma das
seguintes condic oes (equivalentes):
(i)
XY
= 0
(ii) E[XY ] = E[X]E[Y ]
(iii) E[(X m
X
)(Y m
Y
)] = 0
OBS: Se duas variaveis aleat orias sao independentes ent ao elas sao n ao-correlatas,
mas a recproca n ao e verdadeira.
5.4.4 Variaveis aleatorias ortogonais
Denicao 5.16. Duas variaveis aleatorias X e Y sao ditas ortogonais quando
E[XY ] = 0.
Exemplo 5.5. Seja Y = acos(t+), sendo a, e t constantes e uma variavel
aleatoria uniforme em [0, 2].
(i) Calcule E[Y ]
(ii) Calcule E[Y
2
]
Solu cao:
(i) E[Y ] = E[acos(t + )] =
_
2
0
acos(t +)
d
2
= 0 .
(ii) E[Y
2
] = . . . =
a
2
2
.
Exemplo 5.6. Sejam X e Y duas variaveis aleatorias denidas por X = cos e
Y = sen, sendo uma variavel aleatoria uniformemente distribuda em [0, ].
Determine:
(i) E[X]
(ii) E[Y ]
(iii) E[XY ]
(iv) E[X
2
]
Exerccios 65
(v) E[Y
2
]
(vi) E[X
2
Y
2
]
Solu cao:
(i)
E[X] =
_

0
cos
1
d = 0 .
(ii)
E[Y ] =
_

0
sen
1
d =
2
.
(iii)
E[XY ] =
_

0
sen cos
1
d = 0 .
(iv)
E[X
2
] =
_

0
cos
2
d =
1
2
.
(v)
E[Y
2
] =
_

0
sen
2
d =
1
2
.
(vi)
E[X
2
Y
2
] =
_

0
sen
2
cos
2
d =
1
8
.
Devemos observar que, embora E[XY ] = E[X]E[Y ], temos que
E[X
2
Y
2
] ,= E[X
2
]E[Y
2
].
Logo, X e Y n ao sao variaveis aleat orias independentes.
5.5 Exerccios
(1) Calcule a media e a variancia da variavel aleat oria exponencial X com fun c ao
densidade de probabilidade dada por
f
X
(x) = ae
ax
u(x)
sendo a uma constante real positiva.
(2) Seja X uma variavel aleat oria com fun c ao densidade de probabilidade f
X
dada
por
f
X
(x) =
_
2 , 0 x 0, 5
0 , caso contrario
Considere a variavel aleat oria Y = X(1 X) e determine E[Y ].
(3) Sejam X = cos e Y = sen duas variaveis aleat orias sendo uma variavel
aleat oria uniformemente distribuda em [0, 2]. Prove que X e Y sao n ao correla-
tas, mas n ao sao independentes.
(4) Sejam X e Y duas variaveis aleat orias tais que Y = aX + b, onde a e b sao
constantes reais, sendo a ,= 0. Considere
XY
o coeciente de correla c ao entre as
variaveis aleat orias X e Y . Prove que
XY
= 1, se a > 0 e
XY
= 1, se a < 0.
Captulo 6
Processos Estocasticos
6.1 Introducao
Considere um experimento aleat orio especicado pelos resultados de algum
espaco amostral S, pelos eventos denidos em S e pelas probabilidades desses
eventos.
Suponha que para todo resultado S exista uma fun c ao X dada por X(t, )
para todo t pertencente a um intervalo I e S.
Para xo, X(t, ) e chamada de fun c ao amostra. Por outro lado, para cada
t xo, X(t, ) e uma variavel aleat oria.
Dessa forma, criamos uma famlia, indexada, de variaveis aleat orias
X(t, ) , t I.
Esta famlia recebe o nome de Processo Estocastico (ou processo aleat orio).
Normalmente, denotamos o processo estoc astico por X(t), omitindo o argumento
.
Um processo estoc astico e dito discreto se o conjunto I dos ndices for cont avel.
Quando tratamos de processos estoc asticos discretos usamos, normalmente, n para
denotar o ndice e X
n
para denotar o processo estoc astico.
Se o conjunto I dos ndices for contnuo ent ao o processo estoc astico e dito
contnuo.
Processos estoc asticos aparecem em sistemas de reconhecimento de fala, siste-
mas de processamento de imagens, sistemas de las, rudo termico nos terminais
de um resistor e outros.
Exemplo 6.1. Sequencia binaria aleatoria
68 Processos Estoc asticos
Seja um n umero selecionado, ao acaso, do intervalo S = [0, 1] e seja b
1
b
2
. . .
a expansao binaria de .
Assim, =
+
i=1
b
i
2
i
, b
i
0, 1.
Dena o processo estoc astico X
n
= X(n, ) por X
n
= b
n
, n = 1, 2, . . ., onde
b
n
e o n-esimo n umero da expansao binaria de .
Exemplo 6.2. Sen oides com amplitudes aleatorias
Seja um n umero selecionado ao acaso do intervalo [1, 1]. Dena o processo
aleat orio X(t, ) por
X(t, ) = sen(2t) , t R.
As amostras desse processo sao sen oides com amplitude .
Exemplo 6.3. Sen oides com fase aleatoria
Seja um n umero selecionado ao acaso do intervalo (, ) e seja Y (t, ) =
cos(2t + ). As amostras do processo estoc astico Y sao versoes de cos2t deslo-
cadas no tempo.
6.2 Especicacao de um processo estocastico
Sejam X
1
, X
2
, . . . , X
k
variaveis aleat orias obtidas pela amostragem do processo
X(t, ) em t
1
, t
2
, . . . , t
k
. Assim,
X
1
= X(t
1
, ), X
2
= X(t
2
, ), . . . , X
k
= X(t
k
, ).
Um processo estoc astico e especicado pela colec ao de fun c oes de distribuic ao
de probabilidade conjunta de k-esima ordem:
F
X1X2...X
k
(x
1
, x
2
, . . . , x
k
) = P[X
1
x
1
, X
2
x
2
, . . . , X
k
x
k
]
para todo k e qualquer escolha dos instantes t
1
, t
2
, . . . , t
k
.
Se o processo estoc astico for discreto ent ao uma colec ao de fun c oes de massa
de probabilidade
P[X
1
= x
1
, X
2
= x
2
, . . . , X
k
= x
k
] (6.2.1)
pode ser usada para especicar o processo.
E se o processo for contnuo ent ao uma colec ao de fun c oes densidade de pro-
babilidade
Especica c ao de um processo estoc astico 69
f
X1X2...X
k
(x
1
, x
2
, . . . , x
k
) (6.2.2)
pode ser usada para especicar o processo.
Ao xarmos um valor para o par ametro t de um processo estoc astico X(t, ),
obtemos uma variavel aleat oria X com F.D.P. F
X(t)
(x) = P[X(t) x]. A f.d.p.
correspondente e f
X(t)
(x) =

x
F
X(t)
(x).
Para cada t teremos uma variavel aleat oria X(t) distinta.
Quando, para qualquer t , conhecemos f
X(t)
(x) ou F
X(t)
(x), dizemos que o
processo estoc astico X(t, ) est a especicado ate a primeira ordem.
Um processo estoc astico X(t) ca especicado ate a segunda ordem se, para
qualquer par de instantes (t
1
, t
2
), a f.d.p. f
X(t1)X(t2)
(x
1
, x
2
) das variaveis aleat orias
X(t
1
) e X(t
2
) e conhecida.
Um processo estoc astico X(t) est a especicado ate a ordem m, quando e co-
nhecida a f.d.p. conjunta das m variaveis aleat orias X(t
i
) para qualquer conjunto
de valores t
i
, i = 1, . . . , m.
Em outras palavras, quando se conhece
f
X(t1)X(t2)...X(tm)
(x
1
, x
2
, . . . , x
m
).
Dizemos que um processo estoc astico est a especicado completamente se ele
est a especicado ate a ordem m para qualquer valor de m.
Exemplo 6.4. Considere um n umero selecionado do intervalo [0, 1] e escreva
=
n
i=1
b
i
2
i
, b
i
0, 1 .
Dena o processo X(n, ) = X
n
= b
n
, sendo b
n
o n-esimo n umero da expansao
binaria.
Determine:
(i) P[X(1, ) = 0]
(ii) P[X(1, ) = 0 e X(2, ) = 1]
Solu cao:
(i) X(1, ) = b
1
. Logo, P[b
1
= 0] = P[0 < 1/2] = 1/2.
(ii) P[b
1
= 0 e b
2
= 1] = P[1/4 < 1/2] = 1/4.
Exemplo 6.5. Seja um n umero escolhido no intervalo [1, 1] e seja X(t) o
processo estocastico denido por
X(t, ) = cos(2t) , t R
Ache a f.d.p. de X
0
= X(t
0
, ).
Solu cao:
Temos que X
0
= X(t
0
, ) = cos(2t
0
).
Como e uniformemente distribuda em [1, 1], temos que X
0
sera uniforme-
mente distribuda em [cos(2t
0
), cos(2t
0
)] com t
0
sendo tal que cos2t
0
,= 0.
Assim,
f
X0
(x) =
_
_
1
2cos2t
0
, cos2t
0
< x < cos2t
0
0 , caso contrario .
Porem, se t
0
for tal que cos2t
0
= 0, ent ao f
X0
(t) = (t).
6.3 Momentos
Os momentos (ou estatsticas) de um processo estoc astico sao os momentos das
variaveis aleat orias denidas em quaisquer instantes do processo.
6.3.1 Media
Denicao 6.1. O valor esperado (ou media) de um processo estocastico X(t) e
denido por
m
X
(t) = E[X(t)] =
_
+
xf
X(t)
(x)dx. (6.3.3)
6.3.2 Autocorrelacao
Uma das caractersticas mais importantes de um processo estocastico e, sem
d uvida, sua fun cao autocorrela cao, que nos levara a conhecer a sua densidade
espectral. O conte udo de frequencias de um processo estoc astico depende da ve-
locidade com que a amplitude muda com o tempo. Isso pode ser medido pela
correla c ao entre as amplitudes em t
1
e em t
1
+.
Se as amplitudes de um processo X(t) (das amostras de X(t)) sao similares
nos instantes t
1
e t
1
+; dizemos que as respectivas variaveis aleat orias tem forte
correla cao. Por outro lado, se as amplitudes em t
1
e em t
1
+ forem diferentes,
dizemos que as respectivas variaveis aleat orias tem fraca correla cao.
Momentos 71
Denicao 6.2. A autocorrela cao de um processo estocastico X(t) e denido como
o momento conjunto das variaveis aleatorias X(t
1
) e X(t
2
) denidas para todo par
(t
1
, t
2
); isto e,
R
X
(t
1
, t
2
) = E[X(t
1
)X(t
2
)] =
_
+
_
+
xyf
X(t1)X(t2)
dxdy (6.3.4)
sendo f
X(t1)X(t2)
(x, y) a f.d.p. de segunda ordem de X(t).
6.3.3 Autocovariancia
Denicao 6.3. A (fun cao) autocovari ancia de um processo X(t) e denida como
o momento conjunto central das variaveis aleatorias X(t
1
) e X(t
2
) para quaiquer
(t
1
, t
2
); isto e,
C
X
(t
1
, t
2
) = E[(X(t
1
) m
X
(t
1
))(X(t
2
) m
X
(t
2
))] , (t
1
, t
2
) (6.3.5)
Temos que C
X
(t
1
, t
2
) = R
X
(t
1
, t
2
) m
X
(t
1
)m
X
(t
2
) .
Demonstra c ao:
C
X
(t
1
, t
2
) = E[(X(t
1
) m
X
(t
1
))(X(t
2
) m
X
(t
2
))]
= E[X(t
1
)X(t
2
)] m
X
(t
2
)E[X(t
1
)]
m
X
(t
1
)E[X(t
2
)] +m
X
(t
1
)m
X
(t
2
)
= R
X
(t
1
, t
2
) m
X
(t
1
)m
X
(t
2
)
Consequentemente,
2
X
(t) = C
X
(t, t) = R
X
(t, t) m
2
X
(t) .
6.3.4 Coeciente de correlacao de X(t)
Denicao 6.4. O coeciente de correla cao do processo estocastico X(t) e denido
como o coeciente de correla cao entre as variaveis aleatorias X(t
1
) e X(t
2
), t
1
, t
2
.
Isto e,
X
(t
1
, t
2
) =
C
X
(t
1
, t
2
)
_
C
X
(t
1
, t
1
)
_
C
X
(t
2
, t
2
)
(6.3.6)
com [
X
(t
1
, t
2
) [ 1.
Exemplo 6.6. Seja A uma variavel aleatoria e seja X(t) = Acos2t um processo
estocastico.
(i) Determine a media de X(t), em fun cao da media da variavel aleatoria A.
(ii) Determine R
X
(t
1
, t
2
).
Solu cao:
(i) m
X
(t) = E[X(t)] = E[Acos2t] = cos2tE[A].
(ii) R
X
(t
1
, t
2
) = E[X(t
1
)X(t
2
)] = E[A
2
]cos2t
1
cos2t
2
.
Exemplo 6.7. Seja X(t) = cos(t + ) um processo estocastico onde e uma
variavel aleatoria uniformemente distribuda no intervalo (, ).
(i) Determine a media de X(t)
(ii) Determine a autocorrela c ao de X(t)
Solu cao:
(i) m
X
=
_
+
cos(t +)f
()d = 0.
(ii)
R
X
(t
1
, t
2
) = E[X(t
1
)X(t
2
)] = E[cos(t
1
+ )cos(t
2
+ )]
=
1
2
E[cos((t
1
+t
2
) + 2) +cos((t
1
t
2
)]
=
1
2
cos((t
1
t
2
)).
6.4 Processos estocasticos (estritamente) estacio-
narios
Denicao 6.5. Seja X(t) um processo estocastico. Se, para qualquer inteiro n, a
f.d.p. conjunta de ordem n n ao varia com um deslocamento no tempo; isto e,
f
X(t1)...X(tn)
(x
1
, . . . , x
n
) = f
X(t1+)...X(tn+)
(x
1
, . . . , x
n
) ,
entao o processo estocastico e dito estritamente estacionario ate a ordem n.
OBS:
(i) A mesma denic ao vale se considerarmos a F.D.P. conjunta.
(ii) m
X
(t) = E[X(t)] = m para todo t.
(iii)
2
X(t)
= E[(X(t) m)
2
] =
2
.
(iv) Um processo estoc astico e estacion ario ate a primeira ordem se, e so se,
f
X(t)
(x) = f
X(t+)
(x) , t, .
Processos estoc asticos estacion arios no sentido amplo 73
(v) Um processo estoc astico e estacion ario ate a segunda ordem se, e so se,
f
X(t1)X(t2)
(x
1
, x
2
) = f
X(t1+)X(t2+)
(x
1
, x
2
) , .
(vi) Se X(t) e estacion ario ate a n-esima ordem ent ao tambem sera ate a ordem
k, k < n.
(vii) A vericac ao de estacionariedade estrita e uma tarefa difcil, motivando a
vericac ao de formas mais fracas de estacionariedade.
6.5 Processos estocasticos estacionarios no sen-
tido amplo
Denicao 6.6. Um processo estocastico X(t) e dito estacionario no sentido amplo
se sua media for constante; isto e, m
X
(t) = m, t e se a sua autocorrela cao e
fun cao, apenas, da diferenca entre dois instantes; isto e,
R
X
(t
1
, t
2
) = R
X
() , = t
1
t
2
, t
1
, t
2
. (6.5.7)
OBS: Se um processo estoc astico e estritamente estacion ario ate a segunda ordem
ent ao ele e estacion ario no sentido amplo. Porem, a recproca n ao e verdadeira.
Exemplo 6.8. Considere o processo estocastico X(t) = Asen(t + ) sendo
uma variavel aleatoria uniformemente distribuda em [0, 2]. Verique se este
processo e estacionario no sentido amplo.
Solu cao:
m
X
(t) =
_
2
0
Asen(t +)
1
2
d = 0
e
R
X
(t
1
, t
2
) = . . . =
A
2
2
cos[(t
1
t
2
)] .
Propriedade 6.1.
(i) R
X
() = R
X
()
(ii) R
X
(0) = E[X
2
(t)]
(iii) Se X(t) = X(t +nT) , n Z entao R
X
() = R
X
( +nT)
(iv) [ R
X
() [ R
X
(0) ,
6.6 Estatsticas conjuntas de processos estocasti-
cos
6.6.1 Especicacao conjunta
Denicao 6.7. Dois processos estocasticos, digamos X(t) e Y (t), estao conjun-
tamente especicados ate a ordem m + n, quando e conhecida a f.d.p. conjunta
das m+n variaveis aleatorias X(t
i
), Y (t
j
) para quaisquer conjuntos de valores.
Isto e,
f
X(t1)X(t2)...X(tm)Y (t
1
)Y (t
2
)...Y (t
n
)
(x
1
, x
2
, . . . , x
m
, y
1
, y
2
, . . . , y
n
)
para todos t
1
, t
2
, . . . , t
m
, t
1
, t
2
, . . . , t
n
.
6.6.2 Momentos conjuntos
6.6.3 Correlacao cruzada
Denicao 6.8. A fun cao correla cao cruzada de dois processos estocasticos X(t) e
Y (t), representada por R
XY
(t
1
, t
2
), e o momento conjunto das variaveis aleatorias
X(t
1
) e Y (t
2
) denidas para quaisquer pares (t
1
, t
2
); isto e,
R
XY
(t
1
, t
2
) = E[X(t
1
)Y (t
2
)]
=
_
+
_
+
xyf
X(t1)Y (t2)
(x, y)dxdy .
(6.6.8)
Covariancia cruzada
Denicao 6.9. A fun cao covari ancia cruzada de dois processos estocasticos X(t)
e Y (t), representada por C
XY
(t
1
, t
2
), e o momento conjunto central das variaveis
aleatorias X(t
1
) e Y (t
2
) denidas para qualquer par (t
1
, t
2
); isto e,
C
XY
(t
1
, t
2
) = E[X(t
1
) m
X
(t
1
)][Y (t
2
) m
Y
(t
2
)] (6.6.9)
Podemos mostrar que C
XY
(t
1
, t
2
) = R
XY
(t
1
, t
2
) m
X
(t
1
)m
Y
(t
2
).
6.6.4 Processos estocasticos conjuntamente estacionarios
Denicao 6.10. Dois processos estocasticos X(t) e Y (t) sao ditos conjuntamente
estacionarios ate a ordem k + se a f.d.p. conjunta das k + variaveis aleatorias
X(t
i
), Y (t
j
) , i = 1, 2, . . . , k; j = 1, 2, . . . , n ao varia com um deslocamento no
tempo; isto e,
f
X(t1)...X(t
k
)Y (t
1
)...Y (t
)
= f
X(t1+)...X(t
k
+)Y (t
1
+)...Y (t
+)
(6.6.10)
Estatsticas conjuntas de processos estoc asticos 75
Denicao 6.11. Dois processos estocasticos X(t) e Y (t) sao ditos conjuntamente
estacionarios no sentido amplo quando cada um deles e estacionario no sentido
amplo e R
XY
(t
1
, t
2
) so depende da diferenca (t
1
t
2
); isto e,
R
XY
(t
1
, t
2
) = R
XY
(t
1
t
2
) = R
XY
() , = t
1
t
2
(6.6.11)
Propriedade 6.2. Propriedades da fun cao correla cao cruzada de dois processos
estocasticos conjuntamente estacionarios
(i) R
XY
() = R
Y X
() .
(ii) R
2
XY
() R
X
(0)R
Y
(0) .
(iii) 2 [ R
XY
() [ R
X
(0) +R
Y
(0) .
6.6.5 Independencia, nao-correlacao e ortogonalidade
Denicao 6.12. Dois processos estocasticos X(t) e Y (t) sao estatisticamente in-
dependentes quando para quaisquer m e n a f.d.p. conjunta de ordem m+n pode
ser escrita como o produto da f.d.p. de ordem m do processo X(t) pela f.d.p. de
ordem n do processo Y (t); isto e,
f
X(t1)...X(tm)Y (t
1
)...Y (t
n
)
(x
1
, . . . , x
m
, y
1
, . . . , y
n
) =
f
X(t1)...X(tm)
(x
1
, . . . , x
m
)f
Y (t
1
)...Y (t
n
)
(y
1
, . . . , y
n
) .
(6.6.12)
Denicao 6.13. Dois processos estocasticos X(t) e Y (t), conjuntamente esta-
cion arios no sentido amplo sao ditos n ao-correlatos quando C
XY
() = 0.
C
XY
() = 0 R
XY
() = m
X
m
Y
. (6.6.13)
Denicao 6.14. Dois processos estocasticos X(t) e Y (t), conjuntamente esta-
cion arios no sentido amplo sao ortogonais quando
R
XY
() = 0.
Exemplo 6.9. Sejam X(t) e Y (t) processos estocasticos dados por X(t) = cos(t+
) e Y (t) = sen(t + ), sendo uma v.a. uniformemente distribuda no inter-
valo [, ]. Ache C
XY
(t
1
, t
2
).
Solu cao:
C
XY
(t
1
, t
2
) = R
XY
(t
1
, t
2
) m
X
(t
1
)m
Y
(t
2
) .
Mas, m
X
(t
1
) = m
Y
(t
2
) = 0.
E, R
XY
(t
1
, t
2
) =
1
2
sen((t
1
t
2
)).
Logo,
C
XY
(t
1
, t
2
) =
1
2
sen((t
1
t
2
)).
Exemplo 6.10. Seja Y (t) = X(t) +N(t), onde X(t) e um sinal desejado e N(t)
um rudo.
Ache R
XY
(t
1
, t
2
) supondo que X(t) e N(t) sao processos estoc asticos indepen-
dentes.
Solu cao:
R
XY
(t
1
, t
2
) = E[X(t
1
)Y (t
2
)] = E[X(t
1
)X(t
2
)] +E[X(t
1
)N(t
2
)]
= R
X
(t
1
, t
2
) +m
X
(t
1
)m
N
(t
2
) .
6.6.6 Processos Erg odicos
Vimos que a caracterizac ao completa de um processo estoc astico exige o conhe-
cimento de todas as suas fun c oes amostra. Esta caracterizac ao permitiu a de-
termina c ao de diversas estatsticas de processos como, por exemplo, sua media e
sua fun c ao autocorrela c ao. Para alguns processos estocasticos, entretanto, estas
estatsticas podem ser determinadas a partir de apenas uma func ao amostra do
processo. Esses processos estoc asticos sao determinados erg odicos.
Para processos erg odicos, os valores medios e os momentos podem ser deter-
minados atraves de medias temporais.
Assim,
E[X
n
(t)] = lim
T+
1
2T
_
T
T
[X(t)]
n
dt (6.6.14)
onde X(t) e uma fun c ao amostra tpica do processo.
A autocorrela c ao sera dada por
R
X
() = E[X(t)X(t +)] = lim
T+
1
2T
_
T
T
X(t)X(t +) dt . (6.6.15)
6.7 Processos estocasticos gaussianos
Denicao 6.15. Um processo X(t) e um processo estocastico gaussiano se as
amostras X
1
= X(t
1
), X
2
= X(t
2
), . . . , X
k
= X(t
k
) sao variaveis aleatorias
conjuntamente gaussianas para todo k e todas as escolhas de t
1
, . . . , t
k
.
Exerccios 77
Assim, a f.d.p. tem a forma
f
X1X2...X
k
(x
1
, x
2
, . . . , x
k
) =
e
1
2
(x m)
T
K
1
(x m)
(2)
k/2
[ K [
1/2
(6.7.16)
onde
m =
_
_
m
X
(t
1
)
m
X
(t
2
)
. . .
m
X
(t
k
)
_
_
e
K =
_
_
_
_
C
X
(t
1
, t
1
) C
X
(t
1
, t
2
) . . . C
X
(t
1
, t
k
)
C
X
(t
2
, t
1
) C
X
(t
2
, t
2
) . . . C
X
(t
2
, t
k
)
. . . . . . . . . . . .
C
X
(t
k
, t
1
) C
X
(t
k
, t
2
) . . . C
X
(t
k
, t
k
)
_
_
_
_
.
Observamos que processos estoc asticos gaussianos tem a propriedade que suas
f.d.p.s conjunas sao completamente especicadas pela media do processo m
X
(t)
e pela fun c ao covariancia C
X
(t
1
, t
2
).
Se um processo gaussiano e estacion ario no sentido amplo ent ao sua media e
constante e sua autocovariancia so depende da diferen ca entre dois instante. Alem
disso, ele sera tambem estritamente estacion ario.
Exemplo 6.11. Seja X(t) um processo gaussiano com fun cao media e fun cao
autocorrela cao dadas por m
X
(t) = 1 e R
X
( = t
1
t
2
) = 2
|t1t2|
+1. Determine
P[1 < X(4) < 3].
Solu cao:
X(4) = X
4
e uma variavel aleat oria gaussiana com E[X
4
] = 1 e
2
X4
= E[X
2
4
]
[E(X
4
)]
2
= R
X
(0) m
2
X
(4) = 2 1 = 1.
Assim, P[1 < X
2
< 3] =
_
3
1
1
2
e
(X
4
1)
2
2
dX
4
0, 477.
6.8 Exerccios
(1) Considere o processo estoc astico X(t) = At
2
+ B, onde A e uma variavel
aleat oria gaussiana de media nula e variancia unit aria e B e uma constante qual-
quer.
Determine:
78 Processos estoc asticos
(i) A expressao da fun c ao densidade de probabilidade f
X(t)
(x)
(ii) A media de X(t)
(iii) A autocorrela c ao de X(t)
(2) Seja Y uma variavel aleat oria uniforme no intervalo [0, 1]. Considere o pro-
cesso estoc astico X(t) = e
Y t
.
Determine:
(i) A expressao da fun c ao densidade de probabilidade f
X(t)
(x)
(ii) A media de X(t)
(iii) A autocorrela c ao de X(t)
(3) Considere o processo estoc astico X(t) = Acost + Bsent, onde A e B sao
variaveis aleat orias de media nula e variancia unit aria. Verique se X(t) e um
processo estoc astico estacion ario no sentido amplo.
(4) Dado um processo estoc astico X(t) com media nula e fun c ao autocorrela c ao
R
X
(), considere o processo estoc astico Y (t) = X(t) +F(t), onde F e uma fun c ao
determinstica. Encontre a expressao a autocorrela c ao de Y (R
Y
(t
1
, t
2
)).
Captulo 7
Revisao de Analise de
Fourier
7.1 Serie de Fourier
Consideremos f : R R uma fun c ao que satisfaz as seguintes condic oes:
(i) f e periodica de perodo T;
(ii) f e de classe C
2
por partes em (t
0
, t
0
+T).
Denotando S
f
como a Serie de Fourier de f, temos que em todo ponto de
continuidade de f, podemos escrever:
S
f
(t) = f(t) =
a
o
2
+
n=1
_
a
n
cos
_
2nt
T
_
+b
n
sen
_
2nt
T
__
(7.1.1)
onde
_
_
a
o
=
2
T
_
to+T
to
f(t)dt,
a
n
=
2
T
_
to+T
to
f(t)cos
_
2nt
T
_
dt e
b
n
=
2
T
_
to+T
to
f(t)sen
_
2nt
T
_
dt.
(7.1.2)
Em um ponto de descontinuidade, o lado esquerdo de 7.1.1 e substitudo por:
80 Revisao de analise de Fourier
lim
o
+
1
2
[f(t + ) +f(t )]. (7.1.3)
A serie 7.1.1 com coecientes dados por 7.1.2 e chamada de serie de Fourier
de f na forma trigonometrica.
As condic oes (i) e (ii) sao muitas vezes chamadas condic oes de Dirichlet e sao
sucientes (mas n ao necessarias) para a convergencia da serie de Fourier.
Em nota c ao exponencial (ou complexa) a serie de Fourier de f pode ser escrita
como
S
f
(t) =
+
n=
F
n
e
j
2nt
T
(7.1.4)
onde
F
n
=
1
T
_
to+T
to
f(t)e
j
2nt
T
dt. (7.1.5)
Fazendo
o
=
2
T
, temos
F
n
=
1
T
_
to+T
to
f(t)e
jnot
dt. (7.1.6)
Observamos que, conhecido f, os coecientes de 7.1.4 podem ser calculados
e, reciprocamente, conhecidos os coecientes F
n
nZ
, f pode ser sintetizada
por 7.1.4. Dessa forma, f e F
n
n
fornecem a mesma informac ao. Muda so
o ponto de vista : um temporal, outro freq uencial.
Exemplo 7.1. Consideremos a fun cao f : R R, periodica de perodo 2, dada
por
f(t) = t , 0 t < 2. (7.1.7)
O graco dessa fun cao e mostrado na gura 7.1.
7.1.1 Serie de Fourier de f na forma trigonometrica
Calculo dos coecientes
a
o
=
2
T
_
2
0
f(t)dt =
_
2
0
tdt = 2.
Serie de Fourier 81
Figura 7.1: Graco da fun c ao periodica do exemplo.
a
n
=
2
T
_
2
0
f(t)cos
_
2nt
T
_
dt =
_
2
0
tcos
_
2nt
T
_
dt
=
_
2
0
tcos (nt) dt = 0.
b
n
=
2
T
_
2
0
f(t)sen
_
2nt
T
_
dt =
_
2
0
tsen
_
2nt
T
_
dt
=
_
2
0
tsen(nt)dt =
2
n
.
Assim,
S
f
(t) = 1 +
+
n=1
2
n
sen(nt).
7.1.2 Serie de Fourier de f na forma exponencial
Calculo dos coecientes
F
n
=
1
T
_
2
0
f(t)e
j
2nt
T
dt
=
1
2
_
2
0
te
jnt
dt
=
1
n
j , n ,= 0
e
F
o
=
1
T
_
2
0
f(t)dt =
1
2
_
2
0
tdt = 1.
Assim,
F
n
=
_
1 , n = 0
1
n
j , n ,= 0.
Temos,
S
f
(t) = 1 +
+
n=
1
n
je
jnt
, n ,= 0.
7.1.3 O espectro complexo de Fourier
A expansao em Serie de Fourier de uma fun c ao periodica e a decomposic ao da
fun c ao em termos das suas componentes de varias frequencias. Uma fun c ao
periodica de perodo T tem componentes de frequenccia dadas por n, sendo =
1
T
e n Z. Em termos das frequencias angulares (ou pulsac oes), as componentes sao
dadas por n
o
onde
o
=
2
T
= 2 e n Z. Chamamos de espectro da fun c ao
f o conjunto de todos os coecientes de Fourier F
n
, n Z. Se especicarmos
f podemos encontrar seu espectro. Reciprocamente, se o espectro for conhecido
podemos encontrar a fun c ao f correspondente. Portanto, podemos especicar f
de duas formas: a representac ao no domnio do tempo, onde f e expressa como
fun c ao do tempo e a representac ao no domnio da freq uencia, onde o espectro e
especicado.
Observamos que o espectro de uma fun c ao periodica n ao e uma curva contnua,
mas existe apenas para valores discretos de , m ultiplos de uma frequencia b asica
o
=
2
T
( = n
o
, n Z). Os coecientes F
n
sao complexos e, sao descritos por
uma magnitude e uma fase.
Exemplo 7.2. Consideremos a fun cao f : R R, periodica de perodo T, dada
por :
f(t) =
_
1,
2
t

2
0,

2
< t < T

2
.
(7.1.8)
Essa fun cao e conhecida como fun cao porta periodica. Mostramos o seu graco
na gura 7.2.
Os coecientes F
n
da serie de Fourier na forma exponencial sao dados por:
Serie de Fourier 83
Figura 7.2: Graco da fun c ao porta periodica.
F
n
=
1
T
_
T/2
/2
f(t)e
j
2nt
T
dt =
1
T
_
/2
/2
e
jnot
dt
=

T
[
sen(n
o
/2)
n
o
/2
] , n ,= 0,
(7.1.9)
e
F
o
=
1
T
_
T
2
f(t)dt =
1
T
_
2
2
dt =

T
. (7.1.10)
Dessa forma,
F
n
=
_
T
, n = 0
T
_
sen(n
0
/2)
n
0
/2
_
, n ,= 0.
(7.1.11)
Denindo a fun c ao Sa, conhecida como fun c ao de amostragem, por
Sa : R R
t
_
1 , t = 0
sent
t
, t ,= 0
(7.1.12)
e fazendo =
2
T
, temos,
F
n
=

T
S
a
_
n
T
_
. (7.1.13)
A frequencia fundamental e
o
=
2
T
. Se = n
o
ent ao
F
n
=

T
Sa
_
2
_
. (7.1.14)
Mostramos o graco de F
n
em termos da frequencia na Fig. 7.3.
Figura 7.3: Representac ao do espectro da fun c ao porta periodica.
Podemos observar que à medida que T aumenta, a frequencia fundamental
2
T
se torna menor e o espectro torna-se, ent ao, mais denso. Intuitivamente, somos
levados a pensar que quando T tende ao innito temos, no domnio do tempo,
um unico pulso retangular de largura e no domnio da frequencia um espec-
tro contnuo com componentes em todas as freq uencias. Isso pode ser provador
rigorosamente.
7.2 Transformada de Fourier
Quando o sinal com o qual estamos trabalhando for n ao-periodico ele pode ser
expresso como uma soma contnua (integral) de sinais exponenciais, em contraste
com sinais periodicos, que podem ser representados por uma soma discreta de
sinais exponenciais (serie de Fourier - como ja visto). Vejamos uma motiva c ao
para essa arma c ao.
Consideremos uma fun c ao f cujo esbo co do graco e mostrado na Fig. 7.4 .
Construmos uma nova fun c ao, periodica, f
T
com perodo T, de acordo com a
gura 7.5.
Tornamos o perodo T grande o suciente para que n ao haja superposic ao entre
os pulsos da forma de f. Essa nova fun c ao f
T
e uma fun c ao periodica e pode ser
representada por uma serie exponencial de Fourier.
Numa topologia adequada, quando T , f
T
f . Desse modo, a serie de
Fourier que representa f
T
tambem representar a f.
Transformada de Fourier 85
Figura 7.4: Esbo co do graco da fun c ao f.
Figura 7.5: Constru c ao de uma fun c ao periodica a partir da fun c ao f dada.
A serie de Fourier de f
T
e dada por
f
T
(t) =
+
n=
F
n
e
jnot
(7.2.15)
onde
o
=
2
T
e
F
n
=
1
T
_
T/2
T/2
f
T
(t)e
jnot
dt. (7.2.16)
Fa camos n
o
=
n
. Assim, F
n
= F
n
(
n
).
Consideremos TF
n
(
n
) = F(
n
), que e obviamente limitado (por construc ao).
Temos,
f
T
(t) =
1
T
+
n=
F(
n
)e
jnt
. (7.2.17)
Substituindo T =
2
o
em 7.2.17 temos
f
T
(t) =
1
2
+
n=
F(
n
)e
jnt
o
. (7.2.18)
Quando T , f
T
f e obtemos :
f(t) =
1
2
_
+
F()e
jt
d (7.2.19)
e
F() =
_
+
f(t)e
jt
dt. (7.2.20)
O espectro de f sera contnuo e representado pela fun c ao F.
A equac ao 7.2.20 e conhecida como transformada (direta) de Fourier de f e a
equac ao 7.2.19 como transformada inversa de Fourier de F.
Simbolicamente podemos escrever
F() = T[f(t)] (7.2.21)
e
f(t) = T
1
[F()]. (7.2.22)
Fazendo = 2 em 7.2.19 e 7.2.20 chegamos a uma formula c ao simetrica, o fator
2 n ao aparece.
f(t) =
_
+
F()e
j2t
d (7.2.23)
e
F() =
_
+
f(t)e
j2t
dt. (7.2.24)
Existencia da transformada de Fourier
O espa co L
1
(R)
O espaco L
1
(R) e o espaco de todas as fun c oes f : IR C tais que
_
R
[f[dt < . (7.2.25)
OBS: Se f(x +yi) = u +iv [f[ =
u
2
+ v
2
.
Transformada de Fourier 87
O espa co L
2
(R)
O espaco L
2
(R) e o espaco de todas as fun c oes f : R C, tais que
_
R
[f[
2
dt < . (7.2.26)
Teorema 7.1. Se a fun cao f pertence ao espa co L
1
(R) entao a transformada de
f existe.
Teorema 7.2. Se a fun cao f pertence ao espa co L
2
(R) entao a transformada F,
de f, existe e F L
2
(R).
Exemplo 7.3. Consideremos a fun cao G
(conhecida como fun cao porta) denida

por
G
(t) =
_
1, [ t [

2
0, [ t [>

2
.
(7.2.27)
Figura 7.6: fun c ao porta.
Calculando a transformada de Fourier dessa fun cao, temos :
F() = TG
(t) =
_
/2
/2
e
jt
dt =
Sen(
2
)
2
, ,= 0. (7.2.28)
Para = 0 temos :
TG
(t) [
=0
=
_
/2
/2
dt = .
Logo,
TG
(t) = Sa(
2
).
A gura 7.7 mostra a representa cao do espectro da fun cao porta. Neste caso
F e uma fun cao real.
Figura 7.7: Representac ao do espectro da fun c ao porta.
Exemplo 7.4. Consideremos a fun cao f : R R denida por
f(t) = e
|t|
.
Calculando sua transformada de Fourier, obtemos :
Te
|t|
=
_
+
e
|t|
e
jt
dt =
2
1 +
2
.
Exemplo 7.5. Consideremos a fun cao f : R R denida por
f(t) =
_
e
t
, t > 0
0, t 0.
A sua transformada de Fourier e dada por:
Tf(t) =
_
+
0
e
t
e
jt
dt =
1
1 +j
.
Exemplo 7.6. Consideremos a fun cao G
: R R denida por
G
() =
_
1, [ [ /2
0, [ [> /2.
Convolu c ao 89
Desejamos calcular sua tranformada de Fourier inversa. Assim,
T
1
G
() =
1
2
_
/2
/2
e
jt
d =

2
Sen(
t
2
)
t
2
, t ,= 0.
Para t = 0 temos :
T
1
G
() [
t=0
=
1
2
_
/2
/2
d =
1
2
.
Assim,
T
1
G
() =

2
Sa(
t
2
).
Logo, a transformada de f(t) = Sa(
t
2
) e igual a
2
(). Em particular,
TSa(t) = G
2
().
Propriedade 7.1. As propriedades da transformada de Fourier estao apresenta-
das na seguinte tabela 7.1.
7.3 Convolucao
Dadas duas fun c oes f
1
e f
2
formamos a integral
f(t) =
_
+
f
1
()f
2
(t )d. (7.3.29)
Essa integral dene a convolu c ao das fun c oes f
1
e f
2
. Simbolicamente escreve-
mos
f = f
1
f
2
.
Veremos que convolu c ao est a intimamente associado a produto.
Propriedade 7.2.
Comutatividade
f
1
f
2
= f
2
f
1
. (7.3.30)
Distributividade
f
1
[f
2
+f
3
] = f
1
f
2
+f
1
f
3
. (7.3.31)
FUNC

AO TRANSFORMADA
f(t) F(w)
Simetria F(t) 2f(w)
Linearidade a
1
f
1
(t) +a
2
f
2
(t) a
1
F
1
(w) +a
2
F
2
(w)
Mudan ca de escala f(at)
1
[ a [
F
_
w
a
_
f(t)e
jw0t
F(w w
0
)
Translac ao em freq. f(t) cos(w
0
t)
1
2
[F(w +w
0
) +F(w w
0
)]
f(t)sen(w
0
t)
j
2
[F(w +w
0
) F(w w
0
)]
Translac ao no tempo f(t t
0
) e
jwt0
F(w)
Dualidade F(t) f(w)
Conjugac ao f
(t) F
(w)
Diferencia c ao no tempo
d
n
f
dt
n
(jw)
n
F(w)
Integra c ao no tempo
_
t
f()d
1
jw
F(w)
Diferencia c ao na freq. (jt)
n
f(t)
d
n
f
dw
n
f(t) real F(w) = F
(w)
f(t) real RF(w) =RF
(w)
f(t) real IF(w) = IF
(w)
Simetria f(t) real [F(w)[ = [F(w)[
f(t) real F(w) = F(w)
Tabela 7.1: Propriedades da transformada de Fourier
Associatividade
f
1
[f
2
f
3
] = [f
1
f
2
] f
3
. (7.3.32)
Teorema da convolucao no tempo
Se f
1
(t) F
1
() e f
2
(t) F
2
() entao
f
1
f
2
F
1
F
2
. (7.3.33)
Se f
1
(t)

F
1
() e f
2
(t)

F
2
() entao
f
1
f
2

F
1
F
2
. (7.3.34)
Exerccios 91
FUNC

AO TRANSFORMADA
f(t) F(w)
A 2A
e
j0t
2(
0
)
cos(
0
t) [(
0
) +( +
0
)]
(t) = sen(
0
t) j[( +
0
) (
0
)]
Tabela 7.2: Algumas tranformadas que envolvem o impulso unit ario.
Teorema da convolucao na frequencia
Se f
1
(t) F
1
() e f
2
(t) F
2
() entao
f
1
f
2

1
2
[F
1
F
2
]. (7.3.35)
Se f
1
(t)

F
1
() e f
2
(t)

F
2
() entao
f
1
f
2

F
1

F
2
. (7.3.36)
Apresentamos na tabela 7.2 algumas transformadas que envolvem o impulso
unit ario (Delta de Dirac) denotado por .
7.4 Exerccios
(1) Seja f uma fun c ao periodica de perodo 2 tal que
f(t) =
_
Asent , 0 < t <
0 , t 0
Escreva a expressao da Serie de Fourier de f, na forma complexa.
(2) Use G
(t) = Sa
_
2
_
e encontre a transformada de Fourier da fun c ao f
denida por
f(t) =
_
_
_
1 , 10 t 6
1 , 6 t 10
0 , caso contrario
(3) Use convolu c ao e encontre T
1
_
1
(1 +i)
2
_
.
(4) Obtenha a transformada de Fourier da fun c ao f dada por f(t) = Sa(t) .
Captulo 8
Analise e Processamento de
Sinais Aleatorios
8.1 Introducao
Denicao 8.1. Seja X(t) um processo estocastico estacionario no sentido amplo,
com media m
X
e fun cao autocorrela cao R
X
(). A densidade espectral de potencia
de X(t) e denida por
S
X
() = TR
X
() =
_
+
R
X
()e
i
d .
Consequentemente, R
X
() =
1
2
_
+
S
X
()e
i
d.
Apresentaremos, a seguir, alguns conceitos, e justicaremos as formulas acima.
8.2 Alguns conceitos sobre sinais determinsticos
8.2.1 Energia e Potencia de um sinal
Seja x = x(t) um sinal determinstico. Se x for um sinal real, denimos a energia
(E
x
) do sinal x por:
E
x
=
_
+
x
2
(t)dt (8.2.1)
e a potencia por
94 Analise e processamento de sinais aleat orios
P
x
= lim
T+
1
T
_
T/2
T/2
x
2
(t)dt . (8.2.2)
Se x for um sinal complexo,
E
x
=
_
+
x(t)x
(t)dt =
_
+
[ x(t) [
2
dt (8.2.3)
e
P
x
= lim
T+
1
T
_
T/2
T/2
[ x(t) [
2
dt . (8.2.4)
OBS:
(i) As denic oes acima so fazem sentido quando as integrais convergem.
(ii) Energia e potencia, neste caso, sao denic oes e n ao tem, necessariamente,
unidades de energia (JOULE) e de potencia (WATT).
(iii) Podemos assumir a potencia (ou a energia) dissipada em um carga de 1
para as formulas apresentadas.
(iv) P
x
e o valor medio quadr atico de x e, portanto,
P
x
e o valor rms (root
mean square).
8.2.2 Algumas formulas relacionadas a sinais determinsti-
cos
(i) Tx(t) =
_
+
e
it
x(t)dt = X() .
(ii) x(t) =
1
2
_
+
e
it
X()d .
(iii) x
(t) =
1
2
_
+
()e
it
d .
(iv) X
() =
_
+
e
it
x
(t)dt. Se x(t) for real, X
() = X() .
Alguns conceitos sobre sinais determinsticos 95
8.2.3 Teorema de Parseval
Teorema 8.1. Seja x(t) um sinal determinstico, complexo, cuja transformada de
Fourier e dada por X(). Assim,
E
x
=
_
+
[ x(t) [
2
dt =
1
2
_
+
[ X() [
2
d (8.2.5)
Demonstra c ao:
E
x
=
_
+
x(t)x
(t)dt =
_
+
x(t)
1
2
_
+
()e
it
ddt
=
1
2
_
+
_
+
x(t)X
()e
it
ddt
=
1
2
_
+
()X()d =
1
2
_
+
[ X() [
2
d .
OBS:
Se x for real, E
x
=
_
+
x
2
(t)dt =
1
2
_
+
[ X() [
2
d.
8.2.4 Densidade espectral de energia e de potencia
Denicao 8.2. Como E
x
=
1
2
_
+
[ X() [
2
d, denimos a densidade espec-
tral de energia do sinal x por:
S
x
() =[ X() [
2
(8.2.6)
e
E
x
=
1
2
_
+
S
x
() d . (8.2.7)
Denimos, tambem, densidade espectral de potencia do sinal x por:
S
x
() = lim
T+
_
[ Tx(t)G
T
(t) [
2
T
_
(8.2.8)
sendo G
T
a fun c ao porta de largura T.
A potencia do sinal x sera dada por
P
x
=
1
2
_
+
S
x
() d . (8.2.9)
8.3 Correla cao cruzada e autocorrelacao
8.3.1 Introducao
Considere u e v dois vetores e o angulo entre eles. Temos,
cos =
u v
| u | | v |
`
A medida que u se aproxima de v, o produto escalar u v se torna maior.
Analogamente, tratamos com fun c oes. Sejam f e g duas fun c oes, o produto
interno entre elas e denido por:
< f, g >=
_
t2
t1
f(t) g(t)dt .
Assim, quanto mais semelhantes forem f e g, maior sera o valor de < f, g > .
Denicao 8.3. Sejam x = x(t) e y = y(t) sinais determinsticos. Denimos, a
correla cao cruzada dos sinais x e y por
R
xy
() =
_
+
x(t)y(t +) dt (8.3.10)
Denicao 8.4. A autocorrela cao do sinal x e denida por
R
x
() =
_
+
x(t)x(t +)dt . (8.3.11)

Observe que R
xy
() = R
xy
() e R
x
() = R
x
().
Temos,
llTR
x
() =
_
+
e
i
_
+
x(t)x(t +)dtd
=
_
+
_
+
e
i
x(t)x(t +)ddt
=
_
+
x(t)
_
+
e
i
x(t +)ddt .
Densidade espectral de potencia para sinais aleat orios 97
Fazendo u = t + =du = d, temos:
TR
x
() =
__
+
x(t)e
it
dt
___
+
e
iu
x(u)du
_
= X()X() = X
()X() =[ X() [
2
OBS:
A convolu c ao entre as fun c oes f e g e dada por
(f g)(t) =
_
+
f()g(t )d .
Consideremos f(t) = x(t) e g(t) = x(t).
Assim,
(f g)(t) =
_
+
x()x((t ))d
=
_
+
x()x( t)d =
_
+
x()x(t +)d
= R
x
(t) .
8.4 Densidade espectral de potencia para sinais
aleatorios
Denicao 8.5. Denimos a densidade espectral de potencia de um processo es-
tocastico X(t) como a media das densidades espectrais de potencia de todas as
fun coes amostra. Isto e,
S
X
() = lim
T+
E
_
[

X
T
() [
2
T
_
(8.4.12)
sendo

X
T
() = TX
T
(t), com X
T
(t) = X(T)G
T
(t). G
T
a fun cao porta de
largura T.
Teorema 8.2. Seja X(t) um processo estocastico estacionario no sentido amplo.
Vamos provar que S
x
() = TR
x
().
Demonstra c ao:
Temos,
S
X
() = lim
T+
E
_
[

X
T
() [
2
T
_
.
Mas,
[

X
T
() [
2
=

X
T
()
X
T
()
=
_
+
e
it1
x
T
(t
1
)dt
1
_
+
e
it2
x
T
(t
2
)dt
2
=
_
T/2
T/2
e
it1
x(t
1
)dt
1
_
T/2
T/2
e
it2
x(t
2
)dt
2
=
_
T/2
T/2
_
T/2
T/2
e
i(t1t2)
x(t
1
)x(t
2
)dt
1
dt
2
.
E,
lim
T+
E
_
[ X
T
() [
2
T
_
= lim
T+
1
T
_
T/2
T/2
_
T/2
T/2
e
i(t1t2)
E[x(t
1
)x(t
2
)]dt
1
dt
2
= lim
T+
1
T
_
T/2
T/2
_
T/2
T/2
e
i(t1t2)
R
x
(t
1
t
2
)dt
1
dt
2
.
Fa camos = t
1
t
2
d = dt
1
e, depois, t
2
= t. Obtemos, assim,
S
X
() = lim
T+
1
T
T/2
T/2
(T/2)t
(T/2)t
e
i
Rx()ddt
mudando a ordem de integra c ao
= lim
T+
1
T
0
T
T/2
(T/2)
e
i
Rx()dtd +
T
0
(T/2)
T/2
e
i
Rx()dtd
= lim
T+
1
T
0
T
e
i
Rx()(T + )d +
T
0
e
i
Rx()(T )d
= lim
T+
1
T
T
T
e
i
Rx()(T | |)d
= lim
T+
T
T
e
i
Rx()
1 |

T
|
d
=
Rx()e
i
d = F{Rx()} .
OBS: Devemos observar que potencia media de X(t) e o seu segundo momento e
e dada por
E[X
2
(t)] = R
X
(0) =
_
+
S
X
()
2
d .
Temos,
R
X
() = C
X
() +m
2
X
S
X
() = TC
X
() +m
2
X
2()
Densidade espectral de potencia para sinais aleat orios 99
Observe que m
X
e a componente dcde X(t).
Para processos estoc asticos conjuntamente estacion arios no sentido amplo, de-
nimos a densidade espectral cruzada por S
XY
() = TR
XY
(), onde
R
XY
() = E[X(t +)Y (t)].
Exemplo 8.1. Considere o processo estocastico X(t) = acos(
0
t + ), sendo
uma variavel aleatoria uniformemente distribuda em [0, 2].
Determine:
(i) R
X
()
(ii) S
X
()
(iii) A potencia media do sinal
Solu cao:
(i) Primeiro, vamos vericar que o processo estoc astico X(t) e estacion ario no
sentido amplo. Temos,
E[X(t)] = E[acos(
0
t + )] =
_
2
0
acos(
0
t +)
1
2
d
= 0 .
e
R
X
(t
1
, t
2
) = E[X(t
1
)X(t
2
)]
= E[acos(
0
t
1
+ )acos(
0
t
2
+ )]
=
a
2
2
E[cos(
0
(t
1
+t
2
) + 2) +cos(
0
(t
1
t
2
))]
=
a
2
2
cos(
0
(t
1
t
2
))
=
a
2
2
cos(
0
) , = t
1
t
2
.
Como E[X(t)] = constante = 0 e R
X
(t
1
, t
2
) = R
X
(), X(t) e um processo
estoc astico estacion ario no sentido amplo.
Tambem, R
X
() =
a
2
2
cos(
0
).
(ii) Temos,
R
X
() =
a
2
2
cos(
0
) S
X
() = TR
X
()
=
a
2
2
[(
0
) +( +
0
)] .
(iii) A potencia media do sinal e dada por
E[X
2
(t)] = R
X
(0) =
1
2
_
+
S
X
()d =
a
2
2
.
Exemplo 8.2. A densidade espectral de potencia de um processo chamado de
processo de rudo branco, estacionario no sentido amplo, com componentes de
freq uencia limitadas em e dada por:
S
X
() =
N
0
2
,
Determine:
(i) A potencia media do processo
(ii) A fun cao autocorrela cao do processo
(iii) A autocorrela cao quando +.
Solu cao:
(i) A potencia media do processo e dada por
E[X
2
(t)] = R
X
(0) =
1
2
_
+
S
X
()d
=
1
2
_
+
N
0
2
d =
N
0
2
(ii) Temos,
R
X
() = T
1
S
X
() = T
1
N
0
2
G
2
() .
sendo G
2
=
_
1 , < <
0 , caso contrario
Sabemos que TG
2
(t) = 2Sa(), sendo
Sa(x) =
_
senx
x
, x ,= 0
1 , x = 0 .
Assim, T2Sa() = 2G
2
() = 2G
2
().
Portanto, T
_
N
0
2
Sa()
_
=
N
0
2
G
2
().
Logo, R
X
() = T
1
N
0
2
G
2
() =
N
0
2
Sa().
Resposta de sistemas lineares a sinais aleat orios 101
(iii) Quando +, temos que S
X
()
N
0
2
.
Consequentemente, R
X
()
N
0
()
2
.
8.5 Resposta de sistemas lineares a sinais aleato-
rios
Considere um sistema com sinal de entrada X(t) e sada Y (t) tal que Y (t) =
T[X(t)], sendo T uma transforma c ao linear e invariante no tempo.
OBS:
(i) T linear T[X
1
+X
2
] = T[X
1
] +T[X
2
]
(ii) T invariante no tempo T[X(t s)] = Y (t s).
A resposta ao impulso deste sistema e denida por h(t) = T[(t)] e a resposta
a uma entrada arbitraria X(t) e dada por
Y (t) = h(t) X(t) =
_
+
h(s)X(t s)ds
=
_
+
h(t s)X(s)ds .
A fun c ao resposta em frequencia e dada por
H() = Th(t) =
_
+
h(t)e
it
dt .
Se a entrada do sistema linear invariante no tempo for um processo estoc astico
X(t) ent ao
Y (t) =
_
+
h(s)X(t s)ds =
_
+
h(t s)X(s)ds.
E a media de Y (t) e dada por
E[Y (t)] = E
__
+
h(s)X(t s)ds
_
=
_
+
h(s)E[X(t s)]ds m
Y
(t) = m
X
(t) h(t) .
Devemos observar que se X(t) e estacion ario no sentido amplo ent ao m
Y
(t) =
H(0)m
X
.
A fun c ao autocorrela c ao de Y (t) (estacionario no sentido amplo) e dada por
R
Y
(t
1
, t
2
) = E[Y (t
1
)Y (t
2
)] = E[Y (t)Y (t +)]
= E
__
+
X(t s)h(s)ds
_
+
X(t + r)h(r)dr
_
=
_
+
_
+
h(s)h(r)E[X(t s)X(t + r)]drds

=
_
+
_
+
h(s)h(r)R
X
( +s r)dsdr .
Considerando X(t) estacion ario no sentido amplo, R
X
dependera so de e,
consequentemente, E[Y (t)Y (t +)] dependera so de .
Como E[Y (t)] e constante, conclumos que Y (t) e estacion ario no sentido am-
plo.
A densidade espectral de Y (t) e dada por
S
Y
() =
_
+
R
Y
()e
j
d
=
_
+
_
+
_
+
h(s)h(r)R
X
(u)e
j(us+r)
dsdrdu
=
_
+
h(s)e
js
ds
_
+
h(r)e
jr
dr
_
+
R
X
(u)e
ju
du
= H
*
()H()S
X
() =[ H() [
2
S
X
() .
Tambem,
R
Y X
() = E[Y (t +)X(t)] = E
_
X(t)
_
+
X(t + r)h(r)dr
_
=
_
+
E[X(t)X(t + r)]h(r)dr
=
_
+
R
X
( r)h(r)dr = R
X
() h()
Exerccios 103
E, S
Y X
() = H()S
X
().
Como R
XY
() = R
Y X
(), temos:
S
XY
() = S
Y X
() = H
()S
X
() .
Resumo:
(i) S
X
() = TR
X
()
(ii) H() = Th(t)
(iii) m
Y
(t) = m
X
(t) h(t)
(iv) S
Y
() =[ H() [
2
S
X
() = H
()H()S
X
()
(v) S
XY
() = S
Y X
() = H
()S
X
()
(vi) S
Y X
() = H()S
X
()
Exemplo 8.3. Encontre a densidade espectral da sada de um sistema linear in-
variante no tempo,c om fun cao resposta em freq uencia H(), cuja entrada e um
processo de rudo branco, com densidade espectral de potencia
N
0
2
.
Solu cao:
Temos, S
X
() =
N
0
2
, . Logo, S
Y
() =[ H() [
2
N
0
2
.
Exemplo 8.4. Ache a fun cao resposta ao impulso de um ltro causal que pode
ser usado para gerar um processo aleatorio gaussiano com fun cao autocorrela cao
dada por R
Y
() =

2
2
e
||
.
Solu cao:
Temos, R
Y
() =

2
2
e
||
S
Y
() =

2
2
+
2
.
Podemos escrever S
Y
() =
1
( +j)( j)
2
.
Como, S
Y
() = H()H()S
X
(), temos H() =
1
+j
..
Consequentemente, h(t) = e
t
, t 0.
8.6 Exerccios
(1) Seja A(t) um processo estoc astico estacion ario no sentido amplo. Considere
X(t) o processo estoc astico dado por X(t) = A(t)cos(
c
t + ), onde e uma
variavel aleat oria uniformemente distribuda no intervalo [0, 2] e que as variaveis
aleat orias e A(t) sao independentes. Calcule R
X
() e S
X
(), em fun c ao de
R
A
() e de S
A
().
(2) Considere X(t) um processo estoc astico estacion ario no sentido amplo e Y (t) =
X(t d) , d > 0.
(i) Prove que Y (t) tambem e estacion ario no sentido amplo.
(ii) Prove que X(t) e Y (t) sao conjuntamente estacion arios no sentido amplo.
(iii) Determine as expressoes de R
Y X
(), S
Y X
(), R
Y
() e S
Y
().
(3) Um processo estoc atico X(t) com fun c ao autocorrela c ao dada por
R
X
() = e
4
2
e a entrada de um ltro linear e invariante no tempo com fun c ao resposta em
frequencia dada por
H() =
_
1 , 0 [ [ 2
0 , caso contrario
Determine:
(i) A potencia media de X(t)
(ii) A densidade espectral da sada S
Y
()
(iii) A potencia media da sada Y (t)
(4) Considere X(t) e Y (t) processos estoc asticos estacion arios no sentido amplo.
Prove que a densidade espectral cruzada S
Y X
() satisfaz:
S
Y X
() = S
XY
() = [S
XY
()]
sendo denotando o conjugado.

Bibliograa
[1] A. Leon-Garcia, Probability and Random Processes for Electrical Engine-
ering, second edition, Addinson-Wesley Publishing Company, 1994.
[2] A. Papoulis e S. U. Pillai, Probability, Random Variables, and Stochastic
Processes, Ed. McGraw-Hill Education, fourth edition, 2002.
[3] B. Oksendal, Stochastic Dierential Equations, an Introduction with Ap-
plications, sixth edition, Univsersitext, Springer-Verlag, 2003.
[4] B. P. Lathi, Sistemas de Comunicac ao, Editora Guanabara, 1979.
[5] H. P. Hsu, Probability, random variables and stochastic processes, Ed.
McGraw-Hill, 1996.
[6] J. P. de A. e Albuquerque, J. M. P. Fortes e W. A. Finamore, Probabilidade,
Variaveis Aleat orias e Processos Estoc asticos, Editora PUC-Rio, Editor
Interciencia, 2008.
[7] L. Arnold, Random Dynamical Systems, Springer-Verlag, 1998.
[8] M. Emery, Stochastic calculus in manifolds, Universitext, Springer Verlag,
1990.
[9] M. R. Spiegel, Probabilidade e estatstica, Ed. McGraw-Hill, 1978.
[10] W. B. Davenport Jr., Probability and random processes, an introduction
for applied scientists and engineers, Ed. McGraw-Hill, 1987.
105
Indice
espaco amostral, 18
autocorrela c ao, 70
autocovariancia, 71
condic oes de Dirichlet, 80
correla c ao, 62
energia de um sinal, 93
espectro, 82
evento, 18
eventos independentes, 24
experimento aleat orio, 17
fun c ao erf, 41
fun c ao de massa de probabilidade, 28
fun c ao densidade de probabilidade, 33
fun c ao densidade de probabilidade con-
junta, 50
fun c ao distribuic ao de probabilidade, 28
fun c ao distribuic ao de probabilidade con-
junta, 48
fun c ao porta, 87
fun c ao porta periodica, 82
fun c oes de variaveis aleat orias, 43
independencia entre duas variaveis aleat orias,
54
lei de probabilidade, 19
media, 59
modelo probabilstico, 15
potencia de um sinal, 93
potencia media, 98
probabilidade, 14
probabilidade binomial, 25
probabilidade condicional, 20
processo estoc astico, 67
Regra de Bayes, 23
Teorema da probabilidade total, 22
valor esperado, 59
variaveis aleat orias contnuas, 38
variaveis aleat orias independentes, 48
variavel aleat oria, 27
variavel aleat oria binomial, 37
variavel aleat oria contnua, 31
variavel aleat oria de Bernouilli, 36
variavel aleat oria de Poisson, 38
variavel aleat oria discreta, 31
variavel aleat oria exponencial, 40
variavel aleat oria gaussiana, 40
variavel aleat oria geometrica, 37
variavel aleat oria mista, 32
variavel aleat oria uniforme, 38
variancia, 60
vetor aleat orio, 47
106

Introdução Aos Processos Estocásticos

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Introdução Aos Processos Estocásticos

Enviado por

Direitos autorais:

Formatos disponíveis

Notas em Matem atica Aplicada e-ISSN 2236-5915

Volume 68, 2012

, k = 0, 1, 2, . . . , sendo uma constante.

(kT), sendo k = 1, 2, . . . , N. O vetor

X x representa, de forma compacta, o conjunto

(conhecida como fun cao porta) denida

(t)dt. Se x(t) for real, X

x(t)x(t +)dt . (8.3.11)

h(s)h(r)E[X(t s)X(t + r)]drds

sendo denotando o conjugado.

Você também pode gostar