Você está na página 1de 195

Notas de aula

M501
Probabilidade, Estatstica
e Processos Estocsticos


Dayan Adionel Guimares














Novembro de 2007
2



Agradecimento



Aos professores:

Dr. Jos Marcos Cmara Brito
Dr. Carlos Alberto Ynoguti
M.Sc. Estevan Marcelo Lopes



agradeo muito por terem gentilmente disponibilizado suas notas de aula, apostilas e slides sobre
Probabilidade, Estatstica e Processos Estocsticos, a partir dos quais estas notas de aula foram
elaboradas.

3

Aula n Data Tema Teoria de conjuntos
Contedo
Introduo. Teoria de conjuntos: Lei de De Morgan. Princpio da Dualidade.
Definies para probabilidade: por freqncia relativa, axiomtica e clssica.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) definir corretamente os
conceitos de experimento, resultado, evento e espao amostral; 2) realizar operaes
com conjuntos. 3) conceituar probabilidade. 4) realizar clculos simples
relacionando probabilidade com a teoria de conjuntos.


Definio de experimento, resultado, evento e espao amostral.

Seja o EXPERIMENTO correspondente ao lance de uma moeda, para o qual so esperados,
obviamente, os RESULTADOS cara e coroa. Vamos definir o EVENTO correspondente ocorrncia
de cara nos dois primeiros lances da moeda, num total de 3 lances. Ento teremos o ESPAO
AMOSTRAL:

CCC
CCK
CKC
CKK
KCC
KCK
KKC
KKK

Onde C = cara e K = coroa. O nmero de possveis resultados 2
3
= 8.
Quantas vezes o evento definido ocorre? Resposta: duas vezes.
Perceba que posso me referir ao resultado correspondente aos possveis eventos e, neste caso, teremos
os 8 possveis resultados listados acima, que compem o espao amostral.


Conjuntos

Seja o lance de um dado e o evento correspondente observao de um nmero de pontos menor que 4.



Na figura, S o espao amostral e A o conjunto referente ao evento definido.

Seja um outro evento referente observao de um nmero de pontos maior que 1:

4


Aqui A + B = 1, 2, 3, 4, 5 e 6, que corresponde ao espao amostral, neste caso, por coincidncia. AB
o conjunto com os elementos 2 e 3.

Lei de de-Morgan

Vamos aplicar a lei de de-Morgan na igualdade abaixo:

( ) A B C AB AC + = +


Ao aplicarmos a forma genrica de de-Morgan, devemos ter cuidado com a interpretao. Aplicando
esta forma, ns simplesmente MANTEMOS A IGUALDADE ENTRE OS TERMOS. Isto no
significa que, ao aplicarmos a regra genrica, mantemos a igualdade com a expresso original.
Portanto, se no quisermos modificar o resultado da expresso original, temos que fazer como acima,
ou seja, aplicar a forma especfica do de-Morgan.

O que mais importante? Reposta: as relaes
c
c
i i
i i
A A
(
=
(

e
c
c
i i
i i
A A
(
=
(

.


Teoremas com conjuntos.

Exemplo: vamos mostrar a validade de

5



Exerccio: mostrar a validade dos demais teoremas referentes a conjuntos.


Definio de probabilidade por freqncia relativa

Exemplo: suponha que voc tenha a tarefa de determinar se uma moeda justa ou no. Se efetuarmos
um nmero bastante grande de lances da moeda, registrando um dos resultados (por exemplo, a
ocorrncia de cara) no final do experimento vamos obter o nmero de resultados favorveis, n
A
e o
nmero de lances, n. Dividindo n
A
por n obteremos uma estimativa da probabilidade de ocorrncia de
cara. Se este valor estiver convergindo para 0,5 medida que aumentamos n, podemos afirmar que a
moeda justa. Caso contrrio podemos afirmar que ela no justa. Perceba que nossa inferncia
estatstica (opinio a partir do resultado) ser to mais precisa quanto maior o valor de n.

Exerccio: uma aplicao direta deste conceito em telecomunicaes na determinao da
probabilidade de erro de bit em um sistema qualquer. Esta probabilidade de erro normalmente
denominada na prtica de BER (bit error rate) ou taxa de erro de bit. Descreva um procedimento que
lhe permita estimar a BER em um sistema real, utilizando o conceito de freqncia relativa.


Definio clssica de probabilidade

Seja novamente o EXPERIMENTO correspondente ao lance de uma moeda, para o qual so esperados
os RESULTADOS cara e coroa. Vamos definir o EVENTO correspondente ocorrncia duas caras
num total de 3 lances. Ento teremos o ESPAO AMOSTRAL:

CCC
CCK
CKC
CKK
KCC
KCK
KKC
KKK
No espao amostral podemos notar a ocorrncia de 3 eventos favorveis, contra 8 possveis. Portanto, a
probabilidade de ocorrncia de 2 caras de 3/8.


6
Exemplo: Uma clula em um sistema de comunicaes mveis possui 5 canais, que podem estar livres
(L) ou ocupados (O). Tem-se que:
a) O espao amostral consiste de 32 combinaes de 5 canais com as possveis opes L e O em cada
um dos canais, o que leva a 32 pontos.

Seja 0 canal livre e 1 canal ocupado. Ento teremos os possveis resultados:




b) Admitindo que os pontos do espao amostral so EQUIPROVVEIS, ou seja, tm a mesma
probabilidade de ocorrncia, a probabilidade de uma chamada do tipo conferncia, que precisa de 3
canais livres para ser completada, ser bloqueada por falta de canal livre de:

Podemos observar no espao amostral que temos 16 ocorrncias favorveis ao evento definido (3 ou
mais canais ocupados, o que levar ao bloqueio da chamada) em 32 situaes possveis. Portanto, a
probabilidade de bloqueio de 16/32 = 0,5.


FIM DA AULA



7

Aula n Data Tema Teorema de Bayes
Contedo
Probabilidade conjunta. Probabilidade condicional e a Regra de Bayes.
Eventos Independentes.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) Definir corretamente os
conceitos de probabilidade conjunta e condicional. 2) Saber escrever a expresso do
Teorema de Bayes e utiliz-la. 3) Conceituar eventos independentes.


Probabilidade conjunta
Como o nome sugere, esta probabilidade refere-se ocorrncia conjunta de dois ou mais eventos.

Exemplo
Num jogo de dados, vamos analisar a probabilidade conjunta referente a dois lances do dado. Os
possveis nmeros de pontos observados so:

S
1,1 1,2 1,3 1,4 1,5 1,6
2,1 2,2 2,3 2,4 2,5 2,6
3,1 3,2 3,3 3,4 3,5 3,6
4,1 4,2 4,3 4,4 4,5 4,6
5,1 5,2 5,3 5,4 5,5 5,6
6,1 6,2 6,3 6,4 6,5 6,6

A partir dessas possibilidades e do conceito clssico de probabilidade, podemos realizar clculos. Por
exemplo, vamos determinar a probabilidade de um nmero mpar de pontos no primeiro lance e um
nmero 3 no segundo lance.



Ento a probabilidade procurada P[mpar, 3] = 3/36.


Probabilidades marginais
Utilizando o conceito de probabilidades marginais possvel obter, a partir do conhecimento de
probabilidades conjuntas, probabilidades simples (ou marginais). Por exemplo, dada uma probabilidade
conjunta P[A,B], podemos obter P[A] ou P[B]. Obtemos P[A] somando todas as probabilidades
conjuntas em que A fixo e B qualquer. Assim, obtemos P[B] somando as probabilidades conjuntas
em que B fixo e A qualquer dos possveis valores.
8
No exemplo anterior, podemos, a partir de P[mpar, 3], obter a probabilidade de o segundo lance
apresentar o nmero 3 somando todas as probabilidades correspondentes a 3 no segundo lance e
qualquer valor no primeiro, ou seja:




Probabilidade condicional
uma probabilidade de ocorrncia de um evento, obtida tendo-se o conhecimento de que um outro
evento ocorreu. Em outras palavras, a probabilidade obtida sobre um evento, com uma informao
adicional sobre a ocorrncia de outro. Representa-se a probabilidade de ocorrncia de um evento A,
dado que um evento B ocorreu por P[A | B] => l-se probabilidade de A dado B. A probabilidade
condicional relaciona-se com a probabilidade conjunta por meio da importante relao:



Verificando:



Exemplo: Em uma caixa h 100 resistores cujas resistncias e tolerncias so mostradas na tabela a
seguir. Um resistor selecionado da caixa ao acaso. Calcule a probabilidade do resistor ser de 47 ohms
dado que ele tem tolerncia de 5% e calcule a probabilidade dele ter tolerncia de 5% dado que a
resistncia de 100 ohms.



Perceba que neste exemplo temos uma sutil diferena em ralao ao clculo da probabilidade conjunta.
O clculo de P[47 , 5%] corresponde ao seguinte experimento: se retirarmos da caixa um resistor
qualquer, a probabilidade dele ser de 47 ohms E ter tolerncia 5% P[47 , 5%] = 28/100. J o clculo
9
de P[47 | 5%] significa que retiramos um resistor da caixa, constatamos que sua tolerncia de 5% e
queremos, DADA esta informao adicional, calcular a probabilidade do resistor ter valor 47 ohms.

P[47 | 5%] = P[47 , 5%]/ P[5%] = (28/100)/(62/100) = 28/62.

Exerccio
Determinar a probabilidade do resultado da jogada de um dado ser um nmero menor do que 4 nas
seguintes situaes: a) se no temos nenhuma informao. b) se sabemos que o resultado foi mpar.

Os possveis resultados so: 1 2 3 4 5 e 6.
a) queremos calcular P[D < 4] = 3/6
b) agora queremos calcular P[D < 4 | D mpar] = P[D < 4 , D mpar]/P[D mpar] = (2/6)/(3/6) = 2/3.

Desafio
A partir do entendimento da lgica do experimento computacional Prob_Conjunta.vsm, implementado
no VisSim/Comm, implemente um experimento capaz de estimar as probabilidades calculadas no
exerccio 1.

Exerccio para casa
Utilizando a teoria de conjuntos e a relao entre probabilidade condicional e conjunta, mostre a
validade da expresso:





Teorema de Bayes
Este importante teorema permite que calculemos a probabilidade condicional P[A|B] a partir do
conhecimento de P[B|A]:



Exemplo
Um transmissor envia um bit zero (evento A0) ou um bit 1 (evento A1) atravs de um um canal de
comunicao binrio simtrico. O canal ocasionalmente causa erro, de modo que um zero transmitido
pode ser recebido como 1 e um 1 transmitido pode ser recebido como 0. A probabilidade de erro p =
0.1, independente do bit transmitido. A probabilidade de um bit 0 ser transmitido 0.6. Sejam B0 e B1
os eventos: um bit 0 foi recebido e um bit 1 foi recebido, respectivamente. Calcule as seguintes
probabilidades: P(B0), P(B1), P(B1|A0), P(A0|B0), P(A0|B1), P(A1|B0), P(A1|B1). Este canal tem a
representao abaixo:

10


P[B0] a probabilidade de receber 0.
P[B1|A0] a probabilidade de receber 1, tendo transmitido 0 = p.
P[A1|B0] a probabilidade de ter transmitido 1, tendo recebido 0, e assim por diante...



Eventos independentes
Dois eventos so ditos independentes se ocorrncia de um deles no tem influncia na ocorrncia dos
demais. Em outras palavras, o dado sobre a ocorrncia de um determinado evento no adiciona
nenhuma informao determinao da probabilidade de ocorrncia de outro evento, ou seja: P[A | B]
= P[A]. Substituindo este resultado na expresso que relaciona probabilidade conjunta com condicional
obtemos:

P[A,B] = P[A|B]P[B] = P[A]P[B]

O que significa que, para eventos independentes, a probabilidade de ocorrncia conjunta dos eventos
o produto das probabilidades de cada evento.

Exemplo
O lance de duas moedas corresponde a eventos independentes (no h nenhuma influncia do resultado
de um lance no resultado do outro lance). Sendo assim, a probabilidade de ocorrncia de cara no
primeiro lance e de cara no segundo de 0,5x0,5 = 0,25. Perceba que j havamos calculado este
mesmo valor a partir da definio clssica de probabilidade: 1 ocorrncia sobre 4 possveis = = 0,25.


FIM DA AULA
11

Aula n Data Tema Mtodos de contagem - 1
Contedo Mtodos de contagem: amostragem com e sem reposio, com e sem ordenao.
Objetivos
Ao final da aula os alunos devero ser capazes de utilizar a teoria dos mtodos de
contagem para resolver problemas sobre probabilidade.


Definio de amostragem
A amostragem se refere escolha aleatria de um nmero k de objetos dentro de uma populao com n
objetos.


Definio de reposio
Realizamos uma reposio quando retornamos um objeto selecionado populao sob anlise, antes
que um prximo objeto seja selecionado.

Seja, por exemplo, o processo de seleo de 2 bolas de um conjunto de 5 bolas numeradas.
Suponhamos que a primeira bola retirada tenha o nmero 3. Se o experimento COM reposio,
significa que a prxima bola a ser retirada poder ser, inclusive, a prpria bola de nmero 3. Se no
houver reposio, a bola 3 (neste exemplo) estar fora das opes de escolha da segunda bola.


Definio de ordenao

Dizemos que um experimento COM ordenao, quando a ordem dos objetos relevante, ou seja,
diferentes ordenaes de um mesmo conjunto de objetos geram diferentes resultados para o
experimento.

Como exemplo, se retirarmos na primeira tentativa a bola de nmero 3 e na segunda a bola de nmero
5 num experimento COM ordenao, significa que retirar a bola 5 e depois a bola 3 corresponde a um
outro resultado possvel. Se no nos preocupamos com a ordenao, os resultados (3,5) e (5,3) so
idnticos.


Princpio fundamental da contagem

Definio geral: Seja um experimento E, composto de sub-experimentos E
1
, E
2
, ..., E
k
, com os nmeros
de possibilidades n
1
, n
2
, ..., n
k
. O nmero de possibilidades do experimento E dado por
i
i
n

.
Por exemplo, seja uma prova com 4 questes (4 sub-experimentos), onde o nmero de possveis
respostas para as questes 3, 2, 4 e 6, respectivamente. Ento, o nmero de possveis formas distintas
(experimento) de se resolver tal prova de 3 x 2 x 4 x 6 = 144.


Exemplo 1.28 Yates: Seja um experimento correspondente ao lance de uma moeda. Obviamente este
experimento tem duas possibilidades (cara e coroa). Seja um outro experimento, correspondente ao
lance de um dado. Este experimento possui 6 possibilidades. O experimento combinado lanar a
moeda e lanar o dado ter ento 2 x 6 = 12 possibilidades: (cara, 1), (cara, 2), (cara, 3), (cara, 4),
(cara, 5), (cara, 6), (coroa, 1), (coroa, 2), (coroa, 3), (coroa, 4), (coroa, 5) e (coroa, 6).
12


Amostragem COM reposio e COM ordenao

Teorema 1.14 do Yates: Dado um conjunto com n objetos distintos, h n
k
maneiras diferentes de
selecionar k objetos, com reposio e levando-se em conta a ordenao.

Exemplo 1.34 Yates: de quantas formas possveis podemos gerar seqncias binrias com 10 bits?
Resposta: n = 2 (temos um conjunto com dois bits: 0 e 1) e queremos selecionar, com reposio, 10
bits. Ento teremos 2
10
= 1.024 possveis formas diferentes de selecionar estes 10 bits.

Exemplo 1.35 Yates: Quantas palavras de 4 letras podem ser produzidas a partir do alfabeto (A Z)?
Resposta: o conjunto tem 26 letras = n. Estamos selecionando palavras de 4 letras e, portanto, k = 4.
Ento teremos 26
4
= 456.976 palavras.

Dos dois exemplos anteriores podemos extrair uma regra interessante: para sabermos quantas
palavras existem em um alfabeto de tamanho n, simplesmente elevamos n ao tamanho da palavra.

Exemplo slide 31: Num conjunto de 5 bolas numeradas temos 5
2
= 25 possibilidades de seleo de 2
bolas com reposio e considerando a ordenao, como podemos verificas abaixo:




Amostragem SEM reposio e COM ordenao (permutao)

Exemplo slide 32: Como exemplo, seja determinar o nmero de possibilidades de retirada de 2 bolas de
um conjunto de 5, sem reposio e levando em conta a ordenao. Teremos os resultados:



A este tipo de contagem denominamos PERMUTAO de 2 objetos distintos em 5. Genericamente
seu valor dado por

n(n 1)(n 2)...(n k +1)

Para o exemplo acima teremos: 5x4 = 20 possveis permutaes dos nmeros de 2 bolas retiradas em 5.

Exemplo slide 33: Vamos ver o que acontece se em n objetos selecionarmos sem reposio e com
ordenao os n objetos. Basta fazer k = n na expresso anterior, o que leva a n!. Assim, com 5 bolas
temos 5! = 120 possveis formas de selecionar 5 bolas, considerando a ordem e sem reposio.
13

Multiplicando o numerador e o denominador da expresso anterior por (n k)! obtemos uma forma
alternativa de clculo na amostragem sem reposio e com ordenao:

( )! !
( 1)( 2)...( 1) ( 1)( 2)...( 1)
( )! ( )!
n k n
n n n n k n n n n k
n k n k

+ = + =



Exemplo 1.30 Yates: Quantas possibilidades existem na seleo de trs cartas de um baralho, sem
reposio? Resposta: neste caso n = 52 e k = 3, num processo de amostragem sem reposio e com
ordenao. Ento teremos n(n 1)(n 2)...(n k +1) = 52x51x50 = 132.600 possibilidades.

Frmula de Stirling: certas calculadoras e at softwares de matemtica tm sua limitao no clculo
fatorial. Quando o argumento for muito elevado, a frmula de Stirling apresenta-se como uma tima
aproximao. Ela dada por:

1
2
! 2
n
n
n n e
+




Amostragem SEM reposio e SEM ordenao (combinao)

Exemplo slide 35: no exemplo das 5 bolas retirando-se 2, suponha que no nos importamos com a
ordenao, ou seja, os resultados (2,3) e (3,2), por exemplo, so idnticos. Desta forma teremos as
possibilidades:



O clculo destas possibilidades chamado de COMBINAO e realizado por meio do chamado
coeficiente binomial:
!
!( )!
n
n
k k n k
| |
=
|

\


Dizemos que estamos interessados no nmero de combinaes de k elementos em n elementos. Para o
exemplo logo acima teremos: 5!/(2!3!) = 120/12 = 10.

Exemplo 1.31 Yates: Qual o nmero de diferentes mos de 5 cartas num jogo de poker? Resposta:
52!/(5!47!) = 2.598.960.

Na prxima aula veremos mais um exemplo de utilizao da amostragem sem reposio e sem
ordenao no jogo da Mega-Sena. Em seguida finalizaremos o assunto referente aos mtodos de
contagem e faremos alguns exerccios de fixao.

FIM DA AULA

14

Aula n Data Tema Mtodos de contagem - 2
Contedo
Continuao do estudo dos mtodos de contagem referentes a amostragem com e
sem reposio, com e sem ordenao.
Objetivos
Ao final da aula os alunos devero ser capazes de: utilizar a teoria dos mtodos de
contagem para resolver problemas sobre probabilidade.


Exemplo: SenaM501 e Mega-Sena:

Suponha que voc esteja criando seu prprio jogo da SENA. Ele contm N nmeros e os sorteios so
de K nmeros. Um jogador pode tentar a sorte apostando em J nmeros. Numa primeira verso do
jogo, qual voc denominou SENA-M501, foi estipulado que N = 6, K = 2 e J = 2 ou 3. Pede-se ento:

a) Calcule C, o nmero possvel de combinaes de dois nmeros na SENA-M501. Liste as possveis
combinaes.

6
15
2
N
C
K
| | | |
= = =
| |
\ \


(1,2) (1,3) (1,4) (1,5) (1,6)
(2,3) (2,4) (2,5) (2,6)
(3,4) (3,5) (3,6)
(4,5) (4,6)
(5,6)

b) Calcule P
2
, a probabilidade de um jogador ganhar na SENA-M501 apostando em dois nmeros.

Se apostarmos em qualquer par de nmeros, poderemos observar que haver um evento favorvel
contra 15 eventos possveis e, portanto, P
2
= 1/15.

c) Calcule P
3
, a probabilidade de um jogador ganhar na SENA-M501 apostando em trs nmeros.

Observamos abaixo que, por exemplo, se o jogador apostar nos nmeros 2, 3 e 5 ele ter 3 eventos
favorveis sua premiao. Portanto P
3
= 3/15 = 1/5.



Observando os nmeros apostados e as possibilidades de acertar no sorteio, percebemos que as trs
possibilidades marcadas acima nada mais so do que o nmero de combinaes de 2 elementos em 3,
ou seja
15
3
3!
3
2 2!(3 2)!
| |
= =
|

\


d) A partir dos resultados dos itens b e c determine a expresso de clculo de P
J
, a probabilidade de
um jogador ganhar em uma verso genrica da SENA-M501 que contenha N nmeros, sorteios de K
nmeros e apostas de J nmeros.

Observando os resultados b e c, percebemos que na definio clssica de probabilidade o numerador,
correspondente ao nmero de eventos favorveis, ser
J
K
| |
|
\
e o denominador, correspondente ao
nmero total de possibilidades, ser
N
K
| |
|
\
. Ento, a probabilidade procurada ser:
J
J
K
P
N
K
| |
|
\
=
| |
|
\



e) Mostrar que
n k n j n
j k j k k

| | | | | | | |
=
| | | |

\ \ \ \
.



f) Sabendo que a MEGA-SENA real possui 60 nmeros e sorteios de 6 nmeros, calcule P
6
, P
7
, P
8
, P
9

e P
10
, as probabilidades de um jogador ganhar apostando em 6, 7, 8, 9 e 10 nmeros. Para facilitar a
interpretao dos resultados, faa um grfico com os valores encontrados.

16
6 7
8 9 10
6 7
6 6
1.997E-8 , 1.398E-7
60 60
6 6
8 9 10
6 6 6
5.593E-7 , 1.678E-6 , 4.195E-6
60 60 60
6 6 6
J
J
K
P P P
N
K
P P P
| | | | | |
| | |
\ \ \
= = = = =
| | | | | |
| | |
\ \ \
| | | | | |
| | |
\ \ \
= = = = = =
| | | | | |
| | |
\ \ \




No grfico ao lado a escala logartmica
no eixo das probabilidades torna mais
fcil a leitura dos valores envolvidos.
Isto acontece em situaes em que os
valores de probabilidade no seguem
um comportamento linear, caso em que
uma escala linear seria mais adequada.

Com o objetivo de se acostumar a este
tipo de representao logartmica, muito
utilizado em telecomunicaes, faa
como exerccio a leitura dos valores de
probabilidade da forma mais precisa
que puder. Compare sua leitura com os
valores exatos obtidos anteriormente.



Amostragem COM reposio e SEM ordenao

O nmero de modos diferentes de escolher k objetos de um conjunto de n objetos distintos com
reposio e sem ordenao dado por:



Exemplo slide 35, porm com reposio: no exemplo das 5 bolas numeradas, suponha que retiramos
uma bola da caixa aleatoriamente e, aps recoloc-la de volta, selecionamos a segunda bola. Qual o
nmero de possibilidades de escolha das duas bolas, sem nos preocuparmos com a ordem em que elas
so escolhidas?

As possibilidades sero:

17


De onde conclumos que, de fato h

1 5 1 2 6
6! 720
15 possibilidades
2 2 2!(6 2)! 48
n k
k
+ +
| | | | | |
= = = = =
| | |

\ \ \


Podemos resolver tambm assim:

1
( 1 )! 6!
15 possibilidades
!( 1 )! 2!4!
n k
n k
k k n k k
+
| | +
= = =
|
+
\



Experimentos seqenciais e diagrama de rvore

Como complemento estude o item 1.8 da apostila, p. 16-19, objetivando entender como se aplica o
diagrama em rvore na soluo de problemas com experimentos seqenciais. Refaa os exemplos 1.13
a 1.16 para certificar-se de que entendeu o que estudou.

O diagrama de rvore pode ser considerado como uma ferramenta para a soluo de problemas
probabilsticos em que o experimento sob anlise consiste de uma seqncia de sub-experimentos.
Nesta seqncia, um sub-experimento depende do resultado de sub-experimentos anteriores. A
utilizao dessa ferramenta em M501 no obrigatria, podendo ser vista apenas como uma forma
adicional que os alunos podero utilizar para resolver exerccios ou questes de provas.


FIM DA AULA

18

Aula n Data Tema Exerccios de fixao
Contedo Exerccios de fixao sobre probabilidade.
Objetivos
Permitir que os alunos revisitem os conceitos tericos e conheam exemplos de
aplicao destes conceitos na soluo de problemas.


1) Estabelecer a relao entre a PERMUTAO de k objetos em k, a COMBINAO de k objetos em
n e o nmero de POSSVEIS k-uplas ORDENADAS DISTINTAS em n.

Como exemplo, seja os n elementos, n = 4: 1, 2, 3 e 4, com k = 2.
As possveis combinaes so
n
k
| |
|
\
=
4
2
| |
|
\
= 6:
1,2 1, 3, 1,4
2,3 2,4
3,4

Os possveis pares ordenados distintos so n(n 1)(n 2)...(n k + 1) = 4x3 = 12:

1,2 1,3, 1,4
2,1 2,3 2,4
3,1 3,2 3,4
4,1 4,2 4,3

O nmero de permutaes possveis com cada combinao k! = 2! = 2.

Por analogia verificamos ento que: n(n 1)(n 2)...(n k + 1) =
n
k
| |
|
\
k!


2) Mostre que se P(A) = P(B) = 1, ento P(AB) = 1.



Percebemos que se P[A] = P[B] = 1, a nica possibilidade de fazer com que P(AB) seja um resultado
vlido em termos de probabilidade ter P(AB) = 1. Neste caso, ento P(AB) = 1.

3) Mostre que P[A
c
] = 1 P[A].


19


4) Usando diagramas de Venn, faa um exemplo que mostre que P(AB) = P(A) + P(B) P(AB).

Seja o exemplo abaixo, onde S = {0, 1, 2, 3, 4, 5, 6, 7}, A = {1, 2, 3}, B = {3, 4, 5, 6}, AB = {3} e
AB = {1, 2, 3, 4, 5, 6}. Percebemos que P(AB) a probabilidade de ocorrncia dos elementos {1, 2,
3, 4, 5, 6}. Nas probabilidades de ocorrncia dos elementos e A e dos elementos de B, o nmero 3
aparece duas vezes e, portanto, precisa ser eliminado da dupla contagem retirando-se a interseo
entre A e B.



Vejamos os valores numricos: P[A] = 3/8, P[B] = 4/8, P[AB] = 6/8, P(AB) = 1/8.
De fato P(AB) = P(A) + P(B) P(AB): 6/8 = 3/8 + 4/8 1/8.

5) Usando diagramas de Venn, faa um exemplo que mostre que P(AB) P(A) + P(B).

Utilizando os resultados do exerccio anterior conclumos que P(AB) = P(A) + P(B) se no houver
interseo entre os eventos A e B. Por outro lado, P(AB) < P(A) + P(B) se existir alguma interseo.
Portanto, com estas nicas possibilidades mostramos o que o exerccio pede, ou seja P(AB) P(A) +
P(B).

6) Mostre que para eventos A, B e C quaisquer:
P[ABC] = P[A] + P[B] + P[C] P[AB] P[AC] P[BC] + P[ABC].



OBS: repita o exerccio utilizando diagramas de Venn.


7) Um sistema de comunicao de microondas conecta os equipamentos de edio de uma emissora de
rdio ao sistema de transmisso por meio de trs links, conforme ilustrado a seguir. Tais links podem
falhar de forma independente com probabilidades P1, P2 e P3. Qual a probabilidade de falha no sistema
de comunicao como um todo?

20

Soluo por 1 P[sistema no falhar]



Soluo pela unio dos eventos individuais de falha

A probabilidade de falha em um sistema serial como este a probabilidade da UNIO dos eventos de
falha. Vejamos: P[falha] = P[falha link1 falha link 2 falha link 3] = P1 + P2 + P3 P1P2 P2P3
P1P3 + P1P2P3.

8) Repita o exerccio 7 considerando que os links esto em paralelo. Da soluo deste exerccio voc
tirar uma concluso muito til soluo de problemas deste tipo.

Agora o sistema falhar se todos os links falharem ao mesmo tempo. Portanto estamos interessados na
probabilidade conjunta de falha dos links. Como os eventos de falha so independentes,
P[falha] = P[falha link 1 falha link 2 falha link 3] = P[falha link1, falha link 2, falha link 3] =
P1P2P3.

Assim, conclumos: sistemas em paralelo tm probabilidade de falha igual INTERSEO dos
eventos de falha (probabilidade conjunta). Sistemas e srie tm probabilidade de falha igual UNIO
dos eventos de falha. Sistemas combinados tm probabilidades de falha calculadas pela combinao
destes eventos de falha.


Outros exerccios para casa

9) Se retirarmos, de uma nica vez, 3 bolas de uma caixa com 10 bolas numeradas, qual a
probabilidade de retirarmos o conjunto de bolas (1, 2, 3), nesta ordem?

10) Se retirarmos, de uma nica vez, 3 bolas de uma caixa com 10 bolas numeradas, qual a
probabilidade de retirarmos o conjunto de bolas (1, 2, 3), em qualquer ordem?

11) Num sorteio, 60 bolas numeradas de 1 a 60 so misturadas em uma gaiola rotativa e depois, uma a
uma, so retiradas. Qual a probabilidade de se retirar os nmeros 1, 33, 27, 45, 46 e 59 nas primeiras 6
retiradas?

12) Num sorteio, 60 bolas numeradas de 1 a 60 so misturadas em uma gaiola rotativa e depois, uma a
uma, so retiradas. Qual a probabilidade de se acertar 6 nmeros em 6 retiradas, apostando 7 nmeros?
21


13) Associar a coluna da esquerda coluna da direita, apresentando os clculos pertinentes aos trs
casos listados na coluna da direita.

(A) 720
(B) 56
(C) 7.776
(D) 3.628.800
(E) 120
(F) 10
(G) 30
(H) 40.320

( ) o nmero de possveis resultados de uma corrida com 10 competidores,
listando-se apenas as trs primeiras posies (pdio de 3 lugares).

( ) o nmero de diferentes palavras de 8 bits que pode ser formado a partir
de 5 uns e 3 zeros.

( ) o nmero de resultados diferentes que podem ser obtidos lanando-se 5
dados de uma vez e observando a soma do nmero de pontos de cada lance.


FIM DA AULA

22

Aula n Data Tema Variveis aleatrias - 1
Contedo Introduo s variveis aleatrias.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) definir corretamente o
conceito de varivel aleatria (v.a.). 2) realizar clculos de probabilidade por
meio da Funo de Distribuio Cumulativa (FDC).


Varivel aleatria definio simplificada

Uma varivel aleatria (v.a.) nada mais do que o mapeamento dos resultados aleatrios de um
experimento em nmeros que vo ser, por conseqncia, aleatrios. Como exemplo, seja o experimento
de se lanar uma moeda 2 vezes consecutivas e seja o evento correspondente contagem do nmero de
caras observado. Podemos ento definir uma varivel aleatria X que corresponda a este evento. A
varivel aleatria X ter aqui os seguintes valores {0, 1 e 2}.


Eventos equivalentes

Quando calculamos probabilidades a partir de representaes com diagramas de Venn obtemos
resultados idnticos queles obtidos por meio das variveis aleatrias correspondentes. Por exemplo, o
conjunto referente ocorrncia de cara em dois lances consecutivos no exemplo anterior tem
associao equivalente ocorrncia do valor 2 da varivel aleatria X definida.


Funo de Distribuio Cumulativa (FDC)

Num primeiro momento, vamos nos contentar apenas com a definio matemtica da FDC, que :



onde a letra F (sempre maiscula) indica que estamos nos referindo a uma FDC; o sobrescrito X
(sempre maisculo) est associado varivel aleatria a que a FDC se refere; x (sempre minsculo)
significa um valor especfico para a varivel aleatria e P[X x] a probabilidade da varivel aleatria
X assumir um valor menor ou igual a x.

Exemplo: Vamos determinar a FDC da v.a. X, sendo X o nmero de caras (C) em trs arremessos de
uma moeda ideal, ou seja, X assume apenas os valores 0, 1, 2 e 3. Para uma moeda justa, as
probabilidades para cada resultado so 1/8, 3/8, 3/8 e 1/8, respectivamente, valores estes obtidos por
meio da definio clssica de probabilidade, seja operando no espao amostral de caras e coroas ou
com os valores da varivel aleatria. Por exemplo, 3/8 a probabilidade de ocorrncia de duas caras:
este valor pode ser obtido dividindo-se o nmero de eventos favorveis apario de duas caras (3)
pelo nmero total de possibilidades (8) ou dividindo-se o nmero de eventos favorveis apario do
valor 2 da v.a. (3) pelo nmero total de possibilidades (8).



23

F
X
(x) simplesmente a soma das probabilidades de ocorrncia dos resultados que so menores ou
iguais a x, ou seja: P[X 0] = 1/8, P[X 1] = 1/8 + 3/8 = 1/2, P[X 2] = 1/8 + 3/8 + 3/8 = 7/8 e P[X
3] = 1/8 + 3/8 + 3/8 + 1/8 = 1. Como resultado temos a FDC ilustrada a seguir:




Propriedades da FDC


1 ) ( 0 x F
X

Estes so os possveis valores para a FDC


0 ) ( lim =

x F
X
x

A FDC comea sempre em zero, no importa o quanto esquerda do grfico.


1 ) ( lim =

x F
X
x

A FDC termina sempre em um, no importa o quanto direita do grfico.

A FDC uma funo no decrescente de x, isto , se a < b, ento F
X
(a) F
X
(b). Em outras palavras, se
a < b o valor da FDC no ponto a ser sempre menor ou igual ao valor da FDC no ponto b.

[ ] ( ) ( )
X X
P a X b F b F a < =


Podemos utilizar esta propriedade para calcular probabilidades. Por exemplo, na FDC abaixo seja
calcular a probabilidade da v.a. X assumir os valores entre 2 e 3, ou seja, queremos calcular P[2 X
3] = F
X
(3) F
X
(2) = 0,9 0,5 = 0,4.



24
Se a FDC contnua em um ponto b, ento o evento {X = b} tem probabilidade nula. Isto significa que
a probabilidade de ocorrncia de um valor especfico de uma v.a. que tem FDC contnua nula. No
exemplo logo acima, se fizermos o ponto da esquerda, a, se aproximar cada vez mais do ponto 3,
teremos F
X
(3) F
X
(a) cada vez menor. No limite, quando estivermos a um valor infinitesimal distante
do ponto 3, F
X
(3) F
X
(a) ser P[X = 3] = 0.

[ ] ( ) ( )
X X
P a X b F b F a

=

Esta propriedade, de aplicao bastante til, diz que a probabilidade da v.a. X assumir valores entre a e
b determinada pela subtrao do valor da FDC no ponto b do valor da FDC imediatamente esquerda
de a.

Para o exemplo anterior, P[2 X 3] = F
X
(3) F
X
(2

) = 0,9 0,5 = 0,4. No caso do jogo das


moedas, suponha que quisssemos a probabilidade de X assumir o valor 2. Ento teramos: P[X = 2] =
P[2] P[2

] = 7/8 1/2 = 3/8.



Se a FDC contnua, [ ] [ ] [ ] [ ] P a X b P a X b P a X b P a X b < < = < = < = . Isto significa que incluir ou no
os valores especficos de a e b no clculo de probabilidades no altera o resultado. Podemos tambm
interpretar esta propriedade lembrando que a probabilidade de ocorrncia de um valor especfico de
uma v.a. cuja FDC contnua nula e, portanto, incluir ou no este valor nulo no clculo torna-se
indiferente.


Exerccio para casa

Para a FDC abaixo, pede-se:
a) Recalcular [| 1| 1/ 2] 1 [1/ 2 3/ 2] 1 [ (3/ 2) (1/ 2)] 7/16
X X
P x P X F F > = = = .
b) Calcular P[X = 1,5].




Tipos de variveis aleatrias

Os tipos de v.a. esto associados s possibilidades para os valores da v.a.. Por exemplo, numa
transmisso de dados, a varivel aleatria pode ser a ocorrncia dos bits zeros e uns. Portanto, e
obviamente, os valores desta v.a. so discretos e iguais a 0 ou 1. Por conseqncia, a correspondente
FDC ser tambm discreta:
25



Uma varivel aleatria contnua pode assumir quaisquer valores dentre os nmeros reais na faixa em
que tal v.a. existe. Por exemplo, suponha que a vazo mxima no cano da COPASA que alimenta sua
residncia com gua seja de 1 m
3
/hora e a mnima seja de 0. Em um determinado momento, a vazo
poder ter qualquer valor real entre 0 e 1 m
3
/hora, como ilustrado pela FDC da v.a. em questo:



Uma varivel aleatria mista, como o nomesugere, pode assumir valores discretos e contnuos. Sua
FDC , portanto, composta de partes discretas e de partes contnuas, conforme ilustrao a seguir:



Na prxima aula iniciaremos com o estudo da funo densidade de probabilidade (FDP), a qual possui
associao direta com a FDC. Em seguida estudaremos vrios tipos de variveis aleatrias discretas e
contnuas.

FIM DA AULA

26

Aula n Data Tema Variveis aleatrias - 2
Contedo
Funo densidade de probabilidade para v.a. contnuas e discretas. Densidades
condicionais.
Objetivos
Continuao do estudo de variveis aleatrias: Funo densidade de probabilidade
para variveis aleatrias discretas e contnuas. Densidades condicionais. Histograma.


Funo massa de probabilidade (FMP)

A funo massa de probabilidade simplesmente representa em um grfico as probabilidades de
ocorrncia de cada um dos valores de uma v.a. discreta. Como exemplo, seja uma v.a. que pode
assumir os valores {0, 1, 2, 3} com probabilidades 0.3, 0.2, 0.4 e 0.1, respectivamente. Teremos a
seguinte FMP e correspondente FDC:



Matematicamente: p
X
(x
k
) = P[X = x
k
]


Funo densidade de probabilidade (FDP)

Para entendermos o conceito de FDP, vamos analisar um exemplo: suponha que coletamos a estatura
de 100 alunos do Inatel, obtendo os mais variados valores. Suponha que, dentro da faixa de valores
encontrados, criamos 7 sub-faixas (ou classes) e contamos quantos alunos tm estatura dentro daquela
sub-faixa. Um possvel resultado seria:



27

Com este exemplo acabamos aprendendo o conceito de HISTOGRAMA, ou seja, a figura acima o
histograma que mostra a distribuio da estatura dos alunos consultados.

Se, no limite, fizermos cada sub-faixa ter uma largura tendendo a zero, teremos como resultado uma
funo contnua que mostrar, mais uma vez, como as estaturas dos alunos consultados se distribui. A
esta funo contnua damos o nome de funo densidade de probabilidade. Para o exemplo, teremos:

1.3 1.4 1.5 1.6 1.7 1.8 1.9
0
1
2
3
4
Valores de X
F
r
e
q

n
c
i
a

r
e
l
a
t
i
v
a


A relao entra uma funo densidade de probabilidade e uma funo de distribuio cumulativa
dada por:

( )
( )
X
X
dF x
f x
dx
=


ou seja, determinamos a FDP de uma v.a. por meio da derivada da funo de distribuio cumulativa.
Portanto, a FDC determinada pela integral da FDP.




Funo densidade de probabilidade (FDP) para v.a. discretas

A FDP de uma v.a. discreta determinada simplesmente substituindo os traos da FMP por funes
impulso, conforme ilustrado a seguir. O uso de representaes diferentes de um impulso, na figura, no
corresponde a um erro.



Matematicamente,
( ) ( ) ( )
X X k k
k
p x p x x x =

28


Funo densidade de probabilidade (FDP) para v.a. contnuas

Aproveitando a definio de FDP dada anteriormente, definimos a FDP de uma varivel aleatria
contnua por meio de uma funo contnua de rea unitria. A FDP representa a densidade de
probabilidade no ponto x no seguinte sentido: a probabilidade de X estar em um intervalo pequeno na
vizinhana de x:



Na definio de histograma, vimos um exemplo referente estatura de um grupo de alunos do Inatel.
Vimos, naquele exemplo, que fazendo as sub-faixas tenderem a zero teramos como resultado uma
funo contnua. Se normalizarmos esta funo resultante de forma que tenha rea unitria, o resultado
ser uma forma aproximada da FDP da estatura dos alunos do Inatel.


Propriedades de uma PDF

Para v.a. contnuas temos as seguintes propriedades:



A primeira propriedade diz que uma FDP no pode ter valores negativos, o que implicaria em
valores negativos de probabilidade.

A segunda propriedade permite que calculemos probabilidades a partir de uma FDP. Por exemplo, a
probabilidade da v.a. X estar entre os valores a e b, denotada por [ ] P a X b , calculada pela
integral da FDP entre os pontos a e b.

A terceira propriedade apenas repete o que j estudamos, ou seja, a FDC a integral da FDP e a
FDP a derivada da FDC.

29
A ltima propriedade uma condio para que possamos calcular probabilidades a partir do clculo
de rea sob a FDP. Como exemplo, suponha que uma v.a. X tenha valores somente entre 1,4 e 2.
Portanto, a probabilidade de X estar entre 1,4 e 2 ser a rea da FDP correspondente entre os pontos
1,4 e 2. Este valor dever ser, obviamente, igual a 1.

Para v.a. discretas temos as seguintes propriedades:



A primeira propriedade diz que uma FDP no pode ter valores negativos, o que implicaria em
valores negativos de probabilidade.

A segunda propriedade permite que calculemos probabilidades a partir de uma FDP. Por exemplo, a
probabilidade da v.a. X assumir os valores 1, 2 e 7 dada pela soma das probabilidades de
ocorrncia dos valores 1, 2 e 7, lidas diretamente no eixo vertical da FDP.

A terceira propriedade apenas repete o que j estudamos, ou seja, a FDC a integral da FDP, agora
na verso discreta em que a integral se torna um somatrio. Assim, para determinarmos a FDC a
partir da FDP, basta ir acumulando os valores de probabilidade a cada valor da v.a. discreta. Para
determinarmos a FDP a partir da FDC, basta plotar no eixo horizontal, em cada valor da v.a., um
impulso cuja amplitude igual ao correspondente salto da FDC.

A ltima propriedade uma condio para que possamos calcular probabilidades a partir do clculo
de rea sob a FDP. Como exemplo, suponha que uma v.a. X tenha valores somente entre 1,4 e 2.
Portanto, a probabilidade de X estar entre 1,4 e 2 ser a rea da FDP correspondente entre os pontos
1,4 e 2. Este valor dever ser, obviamente, igual a 1.


Densidades condicionais

Densidades condicionais so aquelas que nos permitem obter informaes probabilsticas sobre uma
v.a. com um conhecimento adicional sobre o experimento correspondente. Por exemplo, ao fazermos
apostas em um hipdromo, se sabemos que um determinado cavalo est machucado ou doente, mesmo
sendo um campeo, diminumos nossa confiana em apostar nele.

A funo de distribuio condicional de uma v.a. X, dado o conhecimento do evento B definida por:

[ , ]
( | ) [ | ]
[ ]
X
P X x B
F x B P X x B
P B

= =

30
Determina-se a funo densidade de probabilidade de uma v.a. contnua da mesma forma que
definimos anteriormente, ou seja, pela derivada da FDC:

( | ) ( | )
X X
d
f x B F x B
dx
=

Para uma v.a. discreta, a FMP condicional dada por:

[ , ]
( | ) [ | ]
[ ]
k
X k k
P X x B
p x B P X x B
P B
=
= = =

Exemplo: o tempo de vida X de uma mquina tem distribuio exponencial. Vamos determinar a FDC
e a FDP condicionadas ao evento A = {X > t}, ou seja, a mquina ainda se encontra em funcionamento
no instante t:

[ ] { } { }
( | ) [ | ]
[ ]
X
P X x X t
F x X t P X x X t
P X t
>
> = > =
>


Por meio da figura a seguir percebemos que os eventos no numerador acima no tm interseo quando
x t e tm interseo quando x > t em t < X x.



Ento teremos a FDC condicional:

0,
( | ) ( ) ( )
,
1 ( )
X X X
X
x t
F x X t F x F t
x t
F t

> =

>



Diferenciando a FDC em relao a x obtemos a FDP condicional:

( )
( | ) ,
1 ( )
X
X
X
f x
f x X t x t
F t
> =



Exerccio para casa: usando o resultado do exemplo anterior, determine a estimativa do tempo de vida
da mquina estar entre 2,5 a 3 unidades de tempo, conhecendo-se ou no conhecendo-se o dado
adicional: a mquina est em funcionamento em t = 2.


Conceito de histograma estudo dirigido

Faa uma pesquisa sobre o conceito de HISTOGRAMA em livros e/ou pginas da Internet sobre
estatstica. Como sugesto, tente resolver a questo por meio da enciclopdia Wikipedia:
http://en.wikipedia.org/wiki/Histogram. Faa um resumo sobre o assunto, contendo ao menos um
31
exemplo da utilizao de histogramas em anlises estatsticas. Estabelea a relao entre um
histograma e uma funo densidade de probabilidade em termos de seu formato e da sua normalizao
para probabilidade total unitria (rea unitria).


Histograma FDP

Suponha que temos um conjunto de 100 valores de uma varivel aleatria discreta e queremos, a partir
deste conjunto, determinar a FMP da v.a. em questo. Contando o nmero de ocorrncias de cada valor
e construindo o correspondente histograma obtivemos o resultado:

0 1 2 3 4 5 6 7 8 9 10
0
20
40
60
Valores de X
F
r
e
q

n
c
i
a

d
e

o
c
o
r
r

n
c
i
a


Utilizando o conceito de probabilidade por freqncia relativa, podemos calcular a probabilidade de
ocorrncia de cada valor dividindo o nmero de ocorrncias de um valor pelo nmero total de valores,
o que nos levaria a:

0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
Valores de X
P
r
o
b
a
b
i
l
i
d
a
d
e

Entretanto, pelo fato de termos utilizado um nmero muito pequeno de amostras, as probabilidades
estimadas podem ter valores bastante incorretos. Vejamos o que acontece se aumentarmos o nmero de
valores disponveis para 10.000. Com este valor as estimativas de probabilidade por freqncia relativa
se tornaro bastante precisas e, por conseqncia, a FMP estimada ser tambm bastante precisa,
conforme ilustrado a seguir:

0 1 2 3 4 5 6 7 8 9 10
0
2000
4000
6000
Valores de X
F
r
e
q

n
c
i
a

d
e

o
c
o
r
r

n
c
i
a


32
0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
Valores de X
P
r
o
b
a
b
i
l
i
d
a
d
e


Para uma varivel aleatria contnua, a regra que pode ser extrada do exemplo anterior tambm
vlida: quanto maior o nmero de valores da v.a. considerados na construo do histograma, mais este
histograma se assemelhar FDP da v.a. em questo. No devemos nos esquecer, no entanto, que a
aproximao do histograma da FDP se dar com as medidas adicionais: largura das sub-faixas (ou
classes) to pequenas quanto possvel e normalizao do histograma para que tenha rea unitria.

A seguir temos o histograma de uma v.a. contnua, construdo a partir de 100 amostras desta v.a..

35 40 45 50 55 60 65
0
5
10
15
20
25
Valores de X
F
r
e
q

n
c
i
a

d
e

o
c
o
r
r

n
c
i
a

Veja agora o histograma construdo com 10.000 amostras da v.a. contnua, normalizado para rea
unitria e com classes bem estreitas. Observe a grande semelhana com a FDP real da v.a. em questo.




FIM DA AULA

33

Aula n Data Tema Variveis aleatrias - 3
Contedo
Continuao do estudo de variveis aleatrias: Variveis aleatrias discretas mais
comuns; Variveis aleatrias contnuas mais comuns.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) realizar clculos de
probabilidade envolvendo as variveis aleatrias discretas e contnuas estudadas.


Varivel aleatria discreta de Bernoulli

utilizada para modelar qualquer fenmeno aleatrio que possa ser descrito como tendo dois estados.
Por exemplo: ligado/desligado, aceso/apagado, cara/coroa, bit0/bit1, etc... Adicionalmente, uma v.a. de
Bernoulli pode modelar qualquer fenmeno aleatrio ao qual se possa associar a um evento de interesse
A uma probabilidade de ocorrncia p = P[A], a partir de uma funo indicadora I
A
que assume o valor 1
sempre que o evento de interesse ocorrer e 0 quando no ocorrer. Por exemplo, suponha que
associamos o valor 1 ocorrncia de uma descarga eltrica dentro do Campus do Inatel e 0 fora do
Campus. Se p a probabilidade de um raio atingir o Campus, o evento em questo pode ser modelado
por uma v.a. de Bernoulli com probabilidade de sucesso p.

Abaixo temos a FMP para esta varivel.




Varivel aleatria discreta Binomial

Esta varivel est associada ao nmero de sucessos em n testes de Bernoulli. Por exemplo, suponha que
a probabilidade de uma lmpada queimar p. Portanto, para este experimento, sucesso significa a
lmpada queimar. Num conjunto de n lmpadas, a probabilidade de x lmpadas queimarem dada pela
distribuio Binomial.

A FMP para uma v.a. Binomial dada a seguir.



34
Num outro exemplo, suponha que queremos calcular a probabilidade de termos mais de 5 bits errados
em um bloco de n bits, num sistema de comunicao em que o canal causa erros de bit com uma
probabilidade p. Neste caso, o sucesso no teste de Bernoulli corresponde a um erro de bit. Ento, a
probabilidade de termos 5 ou mais erros em n bits ser calculada por:

P[X 5] = 1 P[X < 5] =
4
0
1 (1 )
x n x
x
n
p p
x

=
| |

|
\

.


Varivel aleatria discreta de Poisson

Uma v.a. de Poisson modela fenmenos aleatrios em um intervalo de observao. Por exemplo, a taxa
de solicitaes de chamadas telefnicas encaminhadas a uma central de comutao de solicitaes
por segundo. Em um determinado intervalo de observao T, o nmero de solicitaes segue uma
distribuio de Poisson. Nesta distribuio = T o nmero mdio de ocorrncias do evento no
intervalo considerado.



Num outro exemplo, o nmero de clientes que chegam a uma fila de espera em um Banco durante um
determinado intervalo de observao T segue uma distribuio de Poisson, onde = T o nmero
mdio de clientes que chegam ao banco neste intervalo e a taxa de chegada dos clientes
(clientes/segundo).


Aproximao de Poisson para a distribuio Binomial

Quando n grande os clculos envolvendo a distribuio Binomial apresentam um complicador que o
clculo fatorial presente no coeficiente binomial. Nestes casos, adicionalmente quando p tem valor
pequeno, a distribuio de Poisson aproxima-se da distribuio Binomial, ou seja:

( ) ( ) 1 ,
!
x
n x
x
X
n
p x p p e np
x x


| |
= =
|
\


Como exemplo, suponha que queremos calcular a probabilidade de um bloco de 1.000 bits ter 5 ou
mais bits em erro, num sistema de comunicao em que a probabilidade de erro de bit de 110
3
.
Neste exemplo o sucesso no teste de Bernoulli, que corresponde probabilidade p = 110
3
est
associado ao erro em um bit. Aqui, se tentarmos aplicar diretamente a distribuio Binomial, que
modela eventos como o descrito, teremos problema para calcular o valor do coeficiente binomial por
causa do valor de n = 1.000. Como p tem valor pequeno,podemos usar a aproximao de Binomial para
Poisson, com = np = 1.00010
-3
.

35

Varivel aleatria discreta Geomtrica

Usamos esta distribuio sempre que queremos modelar um experimento no qual estamos interessados
em contar o nmero de insucessos antes que o primeiro sucesso ocorra. Por exemplo, suponha que
queremos determinar X, o nmero necessrio de lances de um dado antes que o nmero 3 (3 pontos)
aparece pela primeira vez. A varivel aleatria X tem distribuio Geomtrica.



Esta varivel dita SEM MEMRIA. Para ilustrar este conceito, no exemplo do dado se ainda no
ocorreu um sucesso aps lanar-se o dado um determinado nmero de vezes, o nmero de insucessos
adicionais at a ocorrncia do primeiro sucesso continua tendo uma distribuio Geomtrica. Por
exemplo, se aps lanarmos o dado 5 vezes no observamos a ocorrncia de um sucesso (3 pontos, para
o caso), a probabilidade de aparecer 3 pontos aps mais 3 lances continua sendo calculada por p
X
(x)
para x = 3.


Varivel aleatria contnua Uniforme

Uma v.a. contnua tem distribuio Uniforme quando as probabilidades de ocorrncia da v.a esto
uniformemente distribudas dentro da faixa de valores onde ela existe. Por exemplo, na FDP abaixo, se
calcularmos a probabilidade da v.a. assumir valores entre a e a + , encontraremos o mesmo valor que
entre b e b .


Como exemplo, quando amostras de um sinal de udio so quantizadas, gera-se um erro entre a
amostra quantizada e o valor real da amostra do sinal. Este erro tem distribuio Uniforme de q/2 a
+q/2, onde q o passo de quantizao (distncia entre um nvel de quantizao e seus vizinhos mais
prximos).

Num outro exemplo, quando transmitimos um sinal num canal de comunicao mvel sem fio, como
acontece em sistemas celulares, a fase do sinal recebido aleatria com distribuio Uniforme entre
36
e , ou seja, o sinal recebido pode assumir qualquer valor de fase dentro destes limites, com a mesma
probabilidade.


Varivel aleatria contnua Exponencial

Utilizamos uma distribuio Exponencial para modelar eventos que, com o passar do tempo, tm
menor probabilidade de ocorrncia. Por exemplo, a durao de uma chamada telefnica uma v.a. com
distribuio exponencial, pois a probabilidade de uma chamada durar menos tempo maior que a
probabilidade de durar mais tempo.

A v.a. exponencial tambm utilizada para modelar o tempo de vida de algumas mquinas e
equipamentos. Neste caso, quanto mais o tempo passar, menor a probabilidade de ocorrncia de falha.
Assim, um automvel, por exemplo, tem mais chance de apresentar defeito nos primeiros dois meses
de uso do que nos dois meses seguintes ao primeiro ano de uso. Obviamente este modelo se aplica ao
intervalo de tempo antes que falhas comeam a aparecer por envelhecimento ou desgaste de peas.

Como vimos anteriormente, o nmero de chegadas de clientes em uma fila tem distribuio de Poisson.
Neste caso, o intervalo entre as chegadas tem distribuio Exponencial, ou seja, mais provvel que os
intervalos entre chegadas consecutivas sejam menores; intervalos elevados entre chegadas consecutivas
so mais raros.

A seguir tem-se a FDP para a varivel aleatria Exponencial.



Varivel aleatria contnua Gaussiana

A distribuio Gaussiana tem uso muito freqente em vrias reas do conhecimento. Por exemplo, ela
caracteriza grande parte dos fenmenos aleatrios naturais e o rudo trmico em sistemas de
telecomunicaes. Adicionalmente, sob uma grande faixa de condies a varivel aleatria Gaussiana
pode ser usada para aproximar a distribuio da soma de um grande nmero de variveis aleatrias
independentes com distribuio qualquer.

A seguir tem-se a FDP para a varivel aleatria Gaussiana, onde podemos notar a presena dos
parmetros (mdia) e (desvio padro). A mdia, ou valor mais provvel, corresponde posio
central da PDF. O desvio padro est associado disperso da FDP, ou seja, quanto maior o valor de ,
mais dispersos os valores da v.a. em questo estaro em relao sua mdia.

37



Clculo numrico de rea de uma Gaussiana via funo erfc(x) ou Q(x)

Quando os problemas sobre probabilidade envolvendo uma v.a. Gaussiana demandam clculos de rea
da FDP, nos deparamos com um obstculo: o clculo da rea sob a cauda de uma Gaussiana no tem
soluo analtica exata. Nestes casos utilizamos as funes erfc(x) e Q(x) cujo objetivo permitir um
clculo numrico dessa rea. Tais funes so definidas por meio das expresses:

2
2
( ) exp
x
erfc x u du

( =

2
1
( ) exp
2 2
x
u
Q x du

(
=
(



Estas funes se relacionam por meio de:

( )
( ) 2 2 erfc x Q x =
1
( )
2 2
x
Q x erfc
| |
=
|
\
.

Muitos softwares de clculo e at calculadoras mais modernas contm ao menos uma dessas funes
embutidas. Ainda assim, muitas referncias contm tabelas de valores destas funes para uma grande
faixa de argumentos. Como alternativa, a expresso a seguir corresponde expanso da funo erfc(x)
em uma srie. Para 50 ou mais termos no somatrio, o valor obtido com a srie se aproxima bastante do
valor exato da funo. Verifique esta afirmao como exerccio.



A funo Q(x) possui algumas aproximaes, conforme ilustrado na figura a seguir, onde se pode
identificar claramente em que faixa de valores do argumento tais aproximaes so mais ou menos
precisas.

38


Na apostila define-se ainda a funo

2
1
( ) exp
2 2
x
u
x du


| |
=
|
\

,

para a qual se apresenta uma tabela de valores no Apndice F desta apostila.

Portanto, observando a definio da funo Q(x) dada anteriormente, facilmente chegamos relao:

( ) 1 ( ) x Q x =

Ento, para uma v.a. Gaussiana de mdia e desvio padro , a FDC pode ser calculada por meio de:

( ) 1
X
x x
F x Q



| | | |
= =
| |
\ \



FIM DA AULA

39

Aula n Data Tema Variveis aleatrias - 4
Contedo Variveis aleatrias mltiplas. Funes e transformaes de variveis aleatrias.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) realizar clculos de
probabilidade envolvendo variveis aleatrias mltiplas, funes de variveis
aleatrias e transformaes de variveis aleatrias.


Variveis aleatrias mltiplas

Variveis aleatrias mltiplas surgem em problemas nos quais estamos interessados no evento
combinado de dois ou mais experimentos ou no evento combinado referente repetio de um mesmo
experimento.

Como exemplo, quando analisamos o lance de um dado definimos uma nica varivel aleatria. Se
lanarmos dois dados ou repetirmos o lance de um nico dado, criaremos duas variveis aleatrias
sobre as quais poderemos extrair informaes probabilsticas.

A funo de distribuio cumulativa conjunta para duas v.a. contnuas definida por:



Atravs desta funo conseguimos obter probabilidades associadas ocorrncia conjunta das variveis
em questo.


Independncia de variveis aleatrias

Se as variveis aleatrias em questo so independentes, encontramos a FDC ou a FDP conjuntas pela
multiplicao das FDCs ou FDPs de cada uma das v.a. envolvidas, ou seja:




Como exemplo, sejam duas variveis aleatrias Gaussianas X e Y, independentes e de mesmo desvio
padro. A FDP conjunta ser dada pelo produto das correspondentes FDPs. O resultado ser:

2 2
2 2
2 2
2 2
( , ) ( ) ( )
1 ( ) 1 ( )
exp exp
2 2 2 2
1 ( ) ( )
exp
2 2
XY X Y
X Y
X Y
f x y f x f y
x y
x y




=
( (
=
( (

( +
=
(


40

Se esboarmos esta funo teremos como resultado a curva a seguir:



Assim como qualquer FDP, a integral em todas as variveis deve ter valor unitrio:




Obtendo densidades marginais a partir de densidades conjuntas

A partir do conhecimento de densidades conjuntas, podemos determinar a FDC ou a FDP de cada uma
das v.a. envolvidas. Nestes casos as FDPs ou FDCs obtidas so denominadas de densidades marginais.
Para v.a. contnuas, encontramos a FDP de uma das variveis integrando a FDP conjunta na outra
varivel:



Para variveis aleatrias discretas, encontramos a FMP (ou FDP) de uma das variveis somando todas
as probabilidades referentes outra varivel, ou seja:

( ) ( , )
X i XY i j
j
f x f x y

=
=

( ) ( , )
Y i XY i j
i
f y f x y

=
=




Transformao de FPDs

A transformao de FDPs uma ferramenta bastante til para que tenhamos condies de conhecer a
FDP simples (unidimensional) ou conjunta (multidimensional) de variveis aleatrias que foram
geradas pela modificao de outras variveis aleatrias.

Embora haja ferramentas que permitem a transformao de FDPs conjuntas com qualquer nmero de
variveis aleatrias, veremos apenas os casos particulares nos quais: a) um valor de uma das variveis
41
corresponde a um nico valor da outra e b) um par de valores de uma das variveis conjuntas
corresponde a um nico par de valores da outra.


Transformao de FPDs de primeira ordem

Sejam X e Y duas v.a. relacionadas por meio de Y = g(X), onde g(X) qualquer funo que mapeia um
valor da v.a. X em um nico valor da v.a. Y. Encontramos a FDP de Y utilizando a expresso:



onde |g(X)| o mdulo da derivada de g(X) e g
1
(y) a funo inversa de y, ou seja, simplesmente a
funo g(X) reescrita de tal forma que a varivel x fique isolada. Por exemplo, se y = g(x) = ax + b,
g
1
(y) = x = (y b)/a.


Transformao de FDPs de segunda ordem

Quando o problema de transformao envolve duas variveis aleatrias, respeitada a condio acima,
ou seja, um par de valores das variveis U e V tm somente um par de valores correspondentes das
variveis X e Y, e vice-versa, utilizamos as expresses a seguir:



onde J( . ) denominado Jacobiano da transformao e dado pelo determinante:



Apenas para relembrar, o determinante de uma matriz 2 2 calculado da seguinte maneira:

a b
ad bc
c d
=


FIM DA AULA

42

Aula n Data Tema Exerccios de fixao
Contedo Exerccios de fixao sobre variveis aleatrias.
Objetivos
Permitir que os alunos revisitem os conceitos tericos e conheam exemplos de
aplicao destes conceitos na soluo de problemas.


1) O tempo de espera, X, para transmisso em um sistema de comunicao varia segundo um
comportamento exponencial parametrizado por , isto P[X > x] = e
-x
, x > 0. Encontre a FDC de X.
Encontre P[T < X 2T] para T = 1/.

Soluo no slide 14

2) O tempo de espera X de um usurio em um sistema de filas zero se ele encontra o sistema livre e
exponencialmente distribudo se ele encontra o sistema ocupado. As probabilidades de ele encontrar o
sistema livre ou ocupado so p e (1 p), respectivamente. Encontre a FDC de X.

Soluo no Slide 16

3) Um sistema de comunicao transmite informao binria atravs de um canal que introduz erros
aleatoriamente distribudos com probabilidade e = 10
3
. O transmissor transmite cada bit de informao
trs vezes (cdigo de repetio) e o receptor decide sobre o bit transmitido com base em uma lgica
majoritria. Qual seria a probabilidade do receptor errar a deciso?

Soluo no Slide 24

4) As solicitaes de chamadas em ligaes telefnicas chegam central de comutao numa taxa de
solicitaes por segundo. Sabendo que o nmero de solicitaes em um determinado intervalo uma
varivel de Poisson, encontre a probabilidade de no haver solicitaes de chamadas em um intervalo
de t segundos. Encontre tambm a probabilidade de haver n ou mais solicitaes nesse intervalo.

Soluo no Slide 27

5) O nmero de acessos a uma pgina da Internet em qualquer intervalo de observao uma v.a. de
Poisson. Suponha que a pgina do Inatel recebe em mdia 2 acessos por segundo. Pede-se: a) Qual a
probabilidade de no haver nenhum acesso no intervalo de 0,25 segundos? b) Qual a probabilidade de
haver no mais que 2 acessos no intervalo de 1 segundo?

Soluo a
Seja N(T) o nmero de acessos em T segundos.
Para T = 0,25 s , = T = 2 acessos/segundo 0,25 segundo = 0,5 acessos.
P[N(0,25) = 0] =
0
0,5
0, 5
(0) 0, 607
0!
X
p e

= =

Soluo b
Para T = 1 s , = T = 2 acessos/segundo 1 segundo = 2 acessos.
P[N(1) 2] =
0 1 2 2
2 2 2
0
2 2 2
( ) 0, 677
0! 1! 2!
X
x
p x e e e

=
= + + =


43


6) Usando a aproximao da distribuio Binomial com a distribuio de Poisson, resolva: a
probabilidade de erro de bit em um sistema de comunicao de 10
3
. Encontre a probabilidade de um
bloco de 1.000 bits ter 5 ou mais bits em erro.

Soluo

Neste caso temos um tpico exemplo onde a distribuio Binomial parece ser aplicvel, pois queremos
encontrar a probabilidade de ocorrncia de um determinado nmero de sucessos (erros de bit), x, em
um nmero n de eventos de Bernoulli. Entretanto, no clculo com a distribuio Binomial h o
coeficiente binomial que requer que n! seja determinado. Neste exerccio, como n = 1.000, o clculo
exato seria impraticvel. Em situaes como esta podemos aproximar a distribuio Binomial pela
distribuio de Poisson, quando, adicionalmente, p tem valor pequeno.

Para calcularmos P[X 5] torna-se mais fcil calcular 1 P[X < 5]:



O parmetro , neste caso, o nmero mdio de bits em erro em um bloco de 1.000 bits. Portanto, =
np = 1.00010
3
= 1. Ento,



7) O tempo de vida X de uma mquina tem distribuio exponencial. Determine a FDC e a FDP
condicionadas ao evento A = {X > t}, ou seja, a mquina ainda se encontra em funcionamento no
instante t.

Soluo parcial no Slide 44. Dica para encontrar o intervalo de interseo: ver notas da aula 17.
Para a soluo deste problema precisamos lembrar, do Captulo 1, que: P[A|B] = P[A,B]/P[B] =
P[AB]/P[B]. Assim podemos escrever:

[ ] [ ] { },{ } { } { }
( | ) [ | ]
[ ] [ ]
X
P X x X t P X x X t
F x X t P X x X t
P X t P X t
> >
> = > = =
> >


Para determinarmos a interseo contida na expresso acima vamos utilizar a figura a seguir, de onde
percebemos que no haver interseo enquanto x t. Ento, [ ] { } { } P X x X t > = 0 para x t. Para
x > t temos que calcular P[t < X < x] = F
X
(x) F
X
(t). Ento teremos:

0,
( | ) ( ) ( )
,
1 ( )
X X X
X
x t
F x X t F x F t
x t
F t

> =

>


44



Finalmente, derivando a FDC encontraremos a FDP de X:

( )
1 ( )
( ) ( ) ( ) ( )
1 ( ) 1 ( )
X
X X X X
X X
d d f x
f x F x F x F t
dx F t dx F t
= = =

para x > t e f
X
(x) = 0 em caso contrrio.


8) Usando o resultado do exerccio anterior, estime de forma aproximada a probabilidade de o tempo
de vida da mquina estar entre 2,5 a 3 unidades de tempo, conhecendo ou no se conhecendo o dado
adicional: a mquina est em funcionamento em t = 2.

Soluo

A seguir temos as FDPs e FDCs referentes ao problema. Ambas foram plotadas de acordo com a
distribuio exponencial em sua verso original e em sua verso condicionada, de acordo com o
exerccio anterior. Podemos calcular P[2,5 X 3] pela rea sob as FDPs ou por meio da subtrao
dos valores das FDCs nos pontos 3 e 2,5, como ilustrado nas figuras.


Curiosamente P[2,5 X 3 | X > 2] maior que P[2,5 X 3]. Este resultado nos diz que o fato de
conhecermos a situao de funcionamento da mquina no instante t = 2 eleva a expectativa de que a
mquina esteja funcionando entre 2,5 e 3 unidades de tempo.

Por outro lado, se estivssemos interessados na probabilidade da mquina estar funcionando num
intervalo de 0,5 unidades de tempo aps o instante 0 e aps o instante 2, tendo notado que a mquina
ainda no apresentou falha at o instante 2, chegaramos aos mesmos resultados.

45
Estes exemplos nos mostram que uma v.a. com distribuio Exponencial no tem memria sobre as
ocorrncias do passado, ou seja, enquanto o evento de interesse no ocorrer, a probabilidade de
ocorrncia futura deste evento a mesma que aquela que seria calculada considerando-se o instante 0
como referncia. Por esta razo a v.a. com distribuio Exponencial dita sem memria. Perceba que
temos a mesma denominao dada varivel com distribuio Geomtrica, o que faz sentido, pois
podemos dizer que a Geomtrica a verso discreta da Exponencial.

Outros exerccios para casa

1) Estude o Exemplo 1.12 na pgina 15 da apostila e, por induo, a partir dos resultados P[k = 0], P[k
= 1], P[k = 2] e P[k = 3], comprove a validade da expresso para a funo densidade de probabilidade
da distribuio Binomial apresentada no slide 23 do Captulo 2.

2) Sabendo que a estatura dos alunos do Inatel segue uma distribuio Gaussiana de mdia 1,65 m e
desvio padro de 0,1 m, determine a probabilidade de um estudante escolhido aleatoriamente ter
estatura maior ou igual a 1,90 m.

3) Esboce, utilizando uma FDP Gaussiana f
X
(x), os significados dos clculos realizados pelas funes
erfc(u), (u) e Q(u) em termos de rea sob f
X
(x).



4) Dada a FDP conjunta abaixo, onde X e Y so v.a. contnuas independentes, determine f
X
(x). Dica:
para resolver a integral que faz parte da soluo do problema, reescreva-a utilizando a ltima diretiva
do Apndice A.5 da apostila, pgina 236.

2 2
2 2
1 ( ) ( )
( , ) exp
2 2
X Y
XY
x y
f x y


( +
=
(



5) Duas linhas de produo fabricam certo tipo de pea. A capacidade de produo em qualquer dia
de 5 peas na linha I e de 3 peas na linha II. O nmero de peas realmente produzido em cada dia
pelas duas linhas uma v.a., onde (X,Y) representa o nmero de peas produzidas pela linha I e pela
linha II, conjuntamente. A tabela a seguir fornece a distribuio de probabilidades conjunta de (X,Y).
Calcule as probabilidades marginais e esboce as correspondentes FMPs.



A ttulo de curiosidade, veja como ficaria a FMP conjunta para o problema em questo:

46


6) As v.a. X e Y tm FDP conjunta dada pela expresso a seguir. Pede-se: a) determine as FDPs
marginais de X e de Y. b) com base nos resultados obtidos, responda: as v.a. em questo so
independentes? Justifique. Dica: utilize como auxlio a 4 diretiva de integrais indefinidas do Apndice
A.4 da apostila, pgina 235.

( )
, 0, 0
( , )
0, caso contrrio
x y
XY
e x y
f x y

+

=



7) Seja X uma v.a Gaussiana com FDP dada pela expresso abaixo. Pede-se: a) determine a FDP de Y =
aX + b. b) a partir do resultado obtido, determine
Y
e
Y
por comparao com a expresso de f
X
(x).

2
2
1 ( )
( ) exp
2 2
X
X
X X
x
f x


(
=
(



8) As variveis aleatrias R e tm a FDP conjunta dada a seguir. Utilizando as relaes entre as
variveis X, Y, R e tambm dadas abaixo, determine a FDP conjunta de X e Y, pede-se: a) determine
as FDPs marginais de X e de Y. b) responda: X e Y so ou no so v.a. independentes? Justifique.

2
2 2
( , ) exp
2 2
R
r r
f r

(
=
(

( )
2 2
arctan / cos R X Y Y X X R = + = =

9) Seja X uma v.a. Gaussiana com FDP dada pela expresso abaixo e seja Y = (X )/. Mostre que
f
Y
(y) uma v.a. Gaussiana de mdia 0 e desvio padro 1.

2
2
2
1 ( )
( ) exp
2
2
X
x
f x

(
=
(



10) Para melhor fixar os conceitos, refaa os exemplos da apostila e dos slides, referentes aos assuntos
estudados no Captulo 2.

FIM DA AULA

47

Aula n Data Tema Mdias estatsticas - 1
Contedo
Mdias Estatsticas de Variveis Aleatrias: mdia de variveis aleatrias
discretas e contnuas, mdia de funes de variveis aleatrias, mdia da soma e
do produto de variveis aleatrias, momentos.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) conceituar o significado de
mdia de uma v.a. discreta ou contnua. 2) calcular a mdia para v.a. discretas ou
contnuas. 3) calcular a mdia da soma e do produto de v.a. discretas ou contnuas.
4) calcular os momentos de ordem n de uma v.a. discreta ou contnua. 5)
interpretar os momentos de 1 e 2 ordens para v.a. de tenso ou de corrente. 6)
aplicar os conceitos acima em clculos de probabilidade.


Conceito de mdia de uma varivel aleatria

A importncia deste conceito reside no fato de que um determinado experimento aleatrio no permite
que conheamos um resultado futuro qualquer, mas, se conhecemos algum comportamento de
tendncia mdia referente a este experimento melhor que no conhecer nada. Em outras palavras,
fenmenos aleatrios no permitem que tenhamos conhecimento preciso sobre um valor futuro, mas,
felizmente, permite que tenhamos um conhecimento sobre seu comportamento mdio.

Seja uma v.a. X que pode assumir K valores x
1
, ..., x
K
. Suponha que o experimento foi repetido N vezes,
sendo m
1
, ..., m
K
o nmero de tentativas favorveis aos resultados x
1
, ..., x
K
, respectivamente. Ento o
valor mdio de X dado por:

( )
1 2
1 1 2 2 1 2
1
K
K K K
m m m
X m x m x m x x x x
N N N N
= + + + = + + +

No limite, quando N , m
i

/N tende probabilidade de ocorrer x
i
. Portanto tem-se:

1
( )
K
i X i
i
X x p x
=
=



O valor mdio de uma v.a. muitas vezes denominado de valor esperado e representado pelo
operador E[X], onde se l: mdia de X, valor esperado de X, ou ainda esperana de X. A letra grega
(mu) tambm muito utilizada para identificar a mdia de uma varivel aleatria. A mdia indica, em
grande parte dos casos, a regio da FDP ou da FMP com valores mais provveis para a v.a. em questo.
Excluem-se desta interpretao as variveis aleatrias com distribuio uniforme e outras cuja
densidade ou a funo massa de probabilidade no sejam maiores em torno da mdia.

Exemplo Usando o histograma a seguir, estime o valor mdio da v.a. Binomial X com parmetros n =
10 e p = 0,2. Compare com o clculo exato de E[X], lembrando que a FMP Binomial dada por:

( ) (1 )
x n x
X
n
p x p p
x

| |
=
|
\


48


Realizando o clculo aproximado teremos:

0 11.000 1 27.000 2 31.000 3 20.000
1
[ ]
4 8.000 5 2.500 6 200 0 0 0 0 100.000
[ ] 1, 947
E X
E X
+ + + | |

|
+ + + + + + +
\



Realizando o clculo exato a partir da FMP Binominal teremos:

10 10
10
0 0
10
[ ] ( ) 0, 2 0,8 2
x x
x x
E X xp x x
x

= =
| |
= = =
|
\



Como concluso, observamos que o clculo por meio do histograma se aproximou muito do
clculo exato da mdia da v.a. Binomial em questo.


Exemplo Sendo x
1
correspondente ao valor 1 da v.a. Binomial, ou seja x
1
= 1, calcule a probabilidade
P[X = x
1
] e compare com o valor m
1
/N estimado a partir do histograma do exemplo anterior.

Realizando o clculo aproximado pela definio de probabilidade por freqncia relativa,
teremos:

27.000
[ 1] 0, 27
100.000
P X = = .

Realizando o clculo exato a partir da FMP Binomial teremos:

1 10 1
10
[ 1] 0, 2 0,8 0, 268
1
P X

| |
= = =
|
\


Mais uma vez observamos a similaridade entre os resultados obtidos por meio do clculo
aproximado e do clculo terico.



49
Mdia de uma varivel aleatria discreta e de uma funo de uma v.a. discreta

Os exemplos anteriores so, nitidamente, exemplos associados a v.a. discretas. Ento podemos
formalizar os resultados obtidos afirmando que a mdia de uma v.a. discreta qualquer pode ser
calculada por:

1
[ ] ( )
K
i X i
i
X E X x p x
=
= =



Se a varivel em questo funo de uma outra varivel, ou seja, se Y = g(X), mdia calculada por
meio de:


Mdia de uma varivel aleatria contnua e de uma funo de uma v.a. contnua




[ ] ( )
X
X E X x f x

= =



Se a varivel em questo funo de uma outra varivel, ou seja, se Y = g(X), mdia calculada por
meio de:

x


Exemplo Calcular a mdia de uma v.a. contnua com distribuio Uniforme entre q/2+ e +q/2+.






Mdia da soma de variveis aleatrias

A mdia da soma de variveis aleatrias igual soma das mdias individuais. Para duas v.a. teremos:

50
[ ] [ ] [ ] E X Y E X E Y + = +


Exemplo Sejam dois conjuntos de blocos de madeira. A altura dos blocos do primeiro conjunto uma
v.a. X e a altura dos blocos do segundo conjunto uma v.a. Y, cujas mdias so E[X] e E[Y]. Suponha
agora que colocamos, um a um, os blocos do segundo conjunto sobre os blocos do primeiro. A altura
dos blocos compostos ser uma v.a. Z = X + Y, cuja mdia ser, obviamente, E[Z] = E[X + Y] = E[X] +
E[Y].


Mdia do produto de variveis aleatrias independentes

Se as v.a. so independentes, a mdia do produto destas variveis igual ao produto das mdias
individuais. Para duas variveis teremos:

[ ] [ ] [ ] E XY E X E Y =


Exemplo Suponha que o seguinte jogo seja inventado: lana-se uma moeda 3 vezes por rodada,
definindo-se a v.a. X como sendo o nmero de caras obtido a cada rodada. Os possveis valores desta
v.a. sero x
i
= 0, 1, 2 e 3. Faz-se a mesma coisa com outra moeda, agora associada v.a. Y. Ganha o
jogo quem acertar o nmero de caras do evento combinado W = XY. Para aumentar suas chances de
ganhar voc poderia apostar no valor E[XY]. Ento vejamos: calcule este valor para: a) moedas justas e
b) moedas com probabilidade de cara p = 0,4. c) interprete os resultados e a influncia da probabilidade
de cara ou coroa de cada moeda na sua aposta.

Nitidamente as v.a. em questo so independentes, pois o lance de uma moeda no influencia o
lance da outra. Ento, E[XY] = E[X]E[Y]. Adicionalmente, percebemos que cada v.a. conta o
nmero de sucessos (caras) em n = 3 experimentos de Bernoulli. Portanto, X e Y so v.a.
Binomiais. Assim teremos:

a)


Obviamente E[Y] ter o mesmo valor. Ento E[W] = E[X]E[Y] = 2,25


b)


Para este caso, [W] = E[X]E[Y] = 1,44

51
c) Observe que os valores das mdias individuais e da mdia de W no so nmeros inteiros, ou
seja, neste caso as mdias no representam os valores mais provveis, dado que no possvel
que o nmero de caras seja 1.5, 2.25, 1.2 ou 1.44.

Para uma anlise mais aprofundada, em sendo independentes os eventos em questo, a
densidade de probabilidade conjunta o produto das densidades individuais. Para o problema
teremos o produto de duas Binomiais com n = 3 e p = 0,5 para o item a e n = 3 e p = 0,4 para
o item b. A seguir tm-se as distribuies de probabilidade p
XY
(x,y), para x = 0, 1, 2 e 3 e y =
0, 1, 2 e 3. Observe que para p = 0,5 os valores mais provveis so 1 e 2, tanto para X quanto
para Y. Portanto, apostar nos resultados 1, 2 ou 4 para o produto voc teria a mesma chance de
ganhar. Observe agora que para p = 0,4 os valores mais provveis so 1 para X e para Y.
Portanto, apostar no resultado 1 para o produto aumentar sua chance de ganhar.



p = 0,5 p = 0,4



Como complemento, veja as correspondentes FMPs. As barras de maior amplitude (em
vermelho) indicam os valores mais provveis para o experimento.

p = 0,5 p = 0,4



Momentos para uma varivel aleatria

A mdia de uma v.a. no tem somente o significado estudado at aqui. Se modificarmos uma v.a., por
exemplo elevando-a a um expoente inteiro, definimos um outro tipo de mdia cujo significado fsico
depender da natureza da v.a. em questo. Mdias calculadas desta maneira so genericamente
52
denominadas de momentos. Mais adiante veremos alguns significados fsicos de interesse para o nosso
curso, quando as v.a. sob anlise so obtidas a partir de sinais aleatrios de tenso ou de corrente.

O n-simo momento de uma v.a. X definido como o valor esperado da n-sima potncia de X:

[ ] ( )
n n
X
E X x f x dx



O n-simo momento central de uma v.a. X seu momento ao redor de seu valor mdio m, e dado por:

[( ) ] ( ) ( )
n n
X
E X X x X f x dx



O segundo momento central de uma v.a. X chamado de varincia e calculado por meio de:

2 2 2
var[ ] [( ) ] ( ) ( )
X X
X E X X x X f x dx

= = =



Observe que o clculo do valor esperado de uma v.a. contnua corresponde integral do produto da sua
FDP pelo argumento A do operador E(A), substituindo as v.a. em letra maiscula pela varivel
minscula correspondente. Para v.a. discreta faz-se observao anloga.

Vamos agora expandir a expresso de definio da varincia:

( )
[ ] [ ] [ ]
2
2 2 2
2 2 2 2
[ ] 2 [ ] [ ]
2 [ ]
X
E X E X E X XE X E X
E X E X E X E E X E X E X

(
( = = +


( ( ( = + =



De onde tiramos o importante resultado:

2 2 2
[ ] [ ]
X
E X E X =


Exemplo Usando o resultado anterior vamos determinar a varincia de uma varivel aleatria
Gaussiana. Encontraremos como resultado:

[ ] ( )
2
2 2 2 2 2
var( ) X E X E X ( = = + =

.


Propriedades da varincia

A varincia de uma constante nula: se X = a sempre, var[X] = var[a] = 0.

A varincia independe da mdia: Se Y = X + b, var[Y] = var[X] + var[b] = var[X].

Se Y = aX, var[Y] = a
2
var[X].

53

Alguns significados fsicos para os momentos

Considere um sinal aleatrio de tenso ou corrente X(t) e suas possveis realizaes X(t,
1
)... X(t,
4
),
conforme ilustrao a seguir. Se amostrarmos este conjunto de formas de onda em t
1
e t
2
, o conjunto de
amostras compor as variveis aleatrias X(t
1
), ou simplesmente X
1
e X(t
2
), ou simplesmente X
2
, com
valores x
1
e x
2
. Suponha adicionalmente que as caractersticas estatsticas de X
1
e X
2
no dependem dos
valores especficos de t
1
e t
2
, mas dependem somente do intervalo t
2
t
1
.



Poderemos ter os seguintes significados fsicos envolvendo X, se o sinal amostrado for um sinal
aleatrio de tenso:



FIM DA AULA

54

Aula n Data Tema Mdias estatsticas - 2
Contedo
Mdias Estatsticas de Variveis Aleatrias continuao: momentos conjuntos,
variveis aleatrias descorrelacionadas, ortogonais e independentes, coeficiente de
correlao.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) conceituar momentos
conjuntos, especialmente o primeiro momento conjunto (correlao) e o primeiro
momento conjunto central (covarincia). 2) realizar, na prtica, estimativas de um
momento qualquer a partir de amostras. 3) conceituar o significado do coeficiente de
correlao, calcular seu valor e interpretar o resultado. 4) conceituar o significado de
variveis aleatrias descorrelacionadas, ortogonais e independentes.


Momentos conjuntos

Os momentos conjuntos para um par de variveis aleatrias so definidos por:



Os momentos conjuntos centralizados (desconsiderando-se as mdias) so definidos por:




Como estimar na prtica os momentos de uma varivel aleatria

Em grande parte dos problemas prticos no temos conhecimento prvio das densidades de
probabilidade das variveis aleatrias envolvidas, o que nos impede de realizar os clculos exatos dos
momentos de interesse. Ainda assim, se tivermos um nmero suficientemente grande de amostras das
v.a. sob anlise podemos estimar seus momentos e, utilizando histogramas, estimar at suas densidades
de probabilidade para que clculos futuros ou a comprovao das estimativas possam ser realizados.

Pois bem, inicialmente perceba que todos os momentos estudados tm em sua definio um clculo de
valor esperado do tipo E[Y] = E[g(X)]. Recorde agora que o valor esperado nada mais do que a mdia
da v.a. definida segundo o argumento g(X). Ento, se tivermos uma grande quantidade de amostras da
v.a. original X, podemos aplicar a eles a transformao dada por g(X) e tentar realizar um clculo to
prximo quanto possvel de:

1 1
1 1
[ ] [ ( )] lim lim ( )
N N
i i
N N
i i
E Y E g X y g x
N N

= =
= = =



Exemplo Vamos estimar alguns momentos para uma v.a. X para a qual foram obtidas as amostras x
i
, i
= 1, 2... 100, mostradas no quadro a seguir. Suponha que tais amostras foram obtidas a partir da medida
da estatura de 100 alunos do Inatel.

55
Mdia = primeiro momento:
100
1
1
[ ] 1, 663
100
X i
i
E X x
=
= =


Valor quadrtico mdio = segundo momento:
100
2 2
1
1
[ ] ( ) 2, 773
100
i
i
E X x
=
=


Varincia = segundo momento central:
100
2 2 3
1
1
[( ) ] var[ ] ( ) 7, 255 10
100
X i X
i
E X X x

=
= =


Desvio padro = raiz quadrada da varincia:
3
var[ ] 7, 255 10 0, 085
X
X

= =
Clculo alternativo da varincia:
2 2 2 2
[ ] [ ] 2, 773 1, 663
X
E X E X = = =
3
7, 255 10



1.729
1.753
1.662
1.738
1.638
1.785
1.705
1.674
1.575
1.671
1.623
1.671
1.718
1.520
1.676
1.687
1.834
1.696
1.758
1.596
1.569
1.589
1.722
1.631
1.673
1.585
1.708
1.744
1.628
1.628
1.736
1.536
1.813
1.520
1.655
1.677
1.817
1.565
1.689
1.784
1.752
1.612
1.671
1.627
1.794
1.672
1.662
1.651
1.701
1.646
1.744
1.688
1.532
1.572
1.740
1.561
1.787
1.664
1.618
1.717
1.629
1.660
1.629
1.659
1.599
1.692
1.915
1.635
1.786
1.540
1.691
1.623
1.587
1.680
1.577
1.654
1.608
1.620
1.764
1.557
1.693
1.638
1.672
1.799
1.830
1.555
1.579
1.640
1.543
1.640
1.750
1.559
1.476
1.775
1.444
1.561
1.631
1.606
1.753
1.676

Abaixo se tem o histograma para a v.a. em questo e uma funo densidade de probabilidade gaussiana
sobreposta. Embora possamos supor que tal v.a. tem distribuio Gaussiana, apenas um nmero
bastante elevado de amostras permitiria que o histograma convergisse, em formato, para a FDP
procurada. Talvez chegssemos concluso que tal v.a. no Gaussiana...



Correlao entre variveis aleatrias

A correlao entre duas v.a. dada pelo primeiro momento conjunto destas variveis, ou seja:



56
A correlao entre duas variveis aleatrias oferece uma informao sobre a tendncia de uma varivel
em funo da tendncia de outra. Por exemplo, se o valor de uma v.a. cresce, o valor da outra tem
grande chance de crescer se a correlao entre tais variveis for elevada.


Covarincia entre variveis aleatrias

A covarincia entre duas v.a. dada pelo primeiro momento central conjunto destas variveis, ou seja:



A covarincia tem o mesmo significado da correlao, mas elimina a influncia da mdia destas
variveis nos clculo. Por esta razo pode nos dar uma informao mais precisa sobre a tendncia de
uma v.a. em relao outra, o que poderia ser camuflado pelo clculo de correlao se as v.a.
envolvidas tiverem mdias elevadas.


Coeficiente de correlao entre variveis aleatrias

O grau de correlao entre duas variveis aleatrias X e Y pode ser medido pelo coeficiente de
correlao:
XY
XY
X Y
K


=

Sua faixa de valores vai de 1 a +1. Uma interpretao para este coeficiente sugere que ele nos oferece
uma medida da quantidade de informao que ganhamos sobre Y ao observar X e vice-versa. Por
exemplo,
XY
> 0 sugere que se X tem valor elevado em relao sua mdia, Y tambm ter. Quando X
baixo provvel que Y tambm o seja. Quando
XY
< 0 temos o comportamento inverso, ou seja, se X
tem valor alto em relao sua mdia, Y ter valor baixo e vice-versa.

Exemplo preo da saca de caf e a cotao da Bolsa de New York: suponha que queiramos investigar
a influncia da cotao da Bolsa de New York (v.a. X) no preo da saca de caf (v.a. Y) aqui no Brasil
na semana seguinte. Para resolvermos este problema devemos ter, obviamente, um histrico que mostre
como a Bolsa e o preo da saca variaram num perodo passado to grande quanto possvel.
Suponhamos que as variaes observadas em 10 semanas tenham o aspecto ilustrado a seguir:



57
Por observao percebemos que no h grande influncia da cotao de um no preo do outro. Se
utilizarmos o clculo de correlao entre as correspondentes v.a. poderemos ter a informao falsa de
que as cotaes so correlacionadas, pois os valores mdios de ambas as v.a. so elevados, o que
possivelmente elevar o valor estimado para a correlao. Entretanto, se utilizarmos o coeficiente de
correlao, que depende da covarincia (correlao entre as v.a. sem levar em conta as mdias),
teremos a informao precisa sobre a correlao que queremos conhecer. Para o grfico exemplificado,
bem provvel que tenhamos um valor baixo para
XY
.


Variveis aleatrias descorrelacionadas

Duas variveis aleatrias so ditas descorrelacionadas se sua covarincia ou seu coeficiente de
correlao so nulos. Neste caso a correlao entre tais variveis pode ser calculada pelo produto das
suas mdias.

Variveis aleatrias descorrelacionadas K
XY
= 0 E[XY] = E[X]E[Y]


Variveis aleatrias ortogonais

Duas variveis aleatrias so ditas ortogonais se sua correlao nula. Observando a expresso do
clculo da covarincia percebemos que para que a correlao seja nula a covarincia deve ser nula
(devem ser descorrelacionadas) e a mdia de uma das v.a. ou de ambas deve ser nula.

Variveis aleatrias ortogonais E[XY] = 0 K
XY
= 0 e uma ou as duas mdias nula


Variveis aleatrias independentes

Recordando, duas ou mais variveis aleatrias so ditas independentes se a FDP ou a FDC conjuntas
puder ser calculada pelos produtos das FDPs ou FDCs de cada uma das v.a. envolvidas:

Variveis aleatrias independentes F
XY
(x,y) = F
X
(x)F
Y
(y), f
XY
(x,y) = f
X
(x)f
Y
(y)

Adicionalmente teremos:

E[XY] = E[X]E[Y]
K
XY
= 0
var[X + Y] = var[X] + var[Y]
E[X | Y = y] = E[X] e E[Y | X = x] = E[Y]

--------------------------------------------------------------------------------------------------------------
FIM DA AULA

58

Aula n Data Tema Mdias estatsticas - 3
Contedo
Mdias Estatsticas de Variveis Aleatrias Funo caracterstica para variveis
aleatrias e para a soma de variveis aleatrias independentes.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) determinar a aplicao da
funo caracterstica de uma varivel aleatria. 2) determinar a aplicao da
funo caracterstica da soma de v.a. independentes. 3) realizar clculos de
momentos de uma v.a. a partir da funo caracterstica.


Funo Caracterstica para variveis aleatrias

O clculo de momentos na forma direta, como definido anteriormente, s vezes bastante complexo e
em certos casos intratvel matematicamente. Nestes casos tem-se como opo o uso da funo
caracterstica. Conceitualmente, operar com a funo caracterstica anlogo a operar no domnio da
freqncia quando os clculos no domnio do tempo so complexos ou intratveis.

A funo caracterstica de uma varivel aleatria X definida como a mdia estatstica:

( ) [ ] ( )
j X j x
X
j E e e f x dx




Pode-se ver a funo caracterstica como uma transformada de Fourier da FDP da v.a. em questo.
Portanto possvel obter a FDP a partir da funo caracterstica, usando a transformada inversa:

1
( ) ( )
2
j x
X
f x e j d



A grande aplicao da funo caracterstica consiste no fato de se observar que a sua derivada n-sima
avaliada no ponto = 0 fornece o n-simo momento da v.a. X, o que leva ao chamado Teorema do
Momento:

0
( )
[ ] ( )
n
n n
n
d j
E X j
d

=
=

Portanto podemos usar a funo caracterstica para determinar os momentos de uma v.a. quando o
clculo destes momentos a partir da definio for mais complicado.

Exemplo Vamos determinar a mdia e a varincia de uma v.a. Exponencial cuja FDP dada a seguir.
Use o conceito de funo caracterstica.

, 0
( )
0 , 0
x
X
e x
f x
x



=

<



( ) ( )
0 0 0
( ) [ ] ( )
j X j x x j x j x j x
X
j E e e f x dx e e dx e dx e
j j





( = = = = =




59
[ ]
2
0 0 0
/( ) ( ) 1
[ ] ( ) [ ]
( )
n
n n
n
d j d j j
E X j E X j j
d d j



= = =
(
= = = =
(



[ ]
2
2 2 2
2 3 2
0 0
2 2
2 2 2
/( ) 2 2
[ ] ( ) ( )
( )
2 1 1
Var[ ] [ ] [ ]
d j
E X j j
d j
X E X E X




= =
(
= = =
(


= = =


Como exerccio, refaa os clculos por meio dos conceitos de mdia e de varincia e compare os
resultados com aqueles obtidos via funo caracterstica.


Funo Caracterstica para a soma de v.a. independentes

Em muitos problemas prticos estamos interessados em analisar o resultado da soma de v.a.
independentes. Mais uma vez a funo caracterstica se mostra ser uma ferramenta bastante til
simplificao dos clculos.

Sejam as variveis aleatrias X
i
, i = 1, 2, ..., n, independentes entre si e seja Y formada a partir da soma
destas v.a.:
1
n
i
i
Y X
=
=



A funo caracterstica para este caso dada pelo produto das funes caractersticas de cada uma das
variveis X
i
, ou seja:
1
( ) ( )
i
n
Y X
i
j j
=
=




Funo Caracterstica para a soma de v.a. independentes e identicamente distribudas (i.i.d.)

Adicionalmente, se as. v.a. em questo forem identicamente distribudas, a funo caracterstica da
soma destas v.a. igual n-sima potncia da funo caracterstica de uma delas:

[ ] ( ) ( )
n
Y X
j j =

Ento, para determinarmos a FDP da soma de v.a. i.i.d. basta fazer a transformada inversa do resultado
obtido a partir da expresso anterior. Caso tomssemos o caminho de calcular a FDP diretamente,
teramos que fazer n convolues entre as FDPs de cada uma das v.a. X
i
, o que poder ser bem mais
complexo.

----------------------------------------------------------------------------------------------------------------------------
FIM DA AULA

60

Aula n Data Tema Exerccios de fixao
Contedo Exerccios de fixao sobre mdias estatsticas de variveis aleatrias.
Objetivos
Permitir que os alunos revisitem os conceitos tericos e conheam exemplos de
aplicao destes conceitos na soluo de problemas.


1) Calcule, usando as correspondentes definies, a mdia e a varincia para a v.a. X que tem FDP:

2
1
( ) exp 1
4 4
X
x
f x x

(
= +
(





Como exerccio para casa, calcule a varincia para a v.a. X. Dica: use
2 2
Var[ ] [ ] [ ] X E X E X = .

----------------------------------------------------------------------------------------------------------------------------
2) Sabe-se que o erro de quantizao uniforme entre um sinal de voz (por exemplo) e o sinal
quantizado tem distribuio Uniforme entre q/2 e +q/2, onde q o passo de quantizao ou resoluo
do quantizador. Pede-se calcular e interpretar os resultados solicitados a seguir: a) A varincia do rudo
de quantizao. b) Supondo que o sinal de voz tem distribuio de Laplace com mdia zero e
parmetro = 1, determine seu valor quadrtico mdio. c) Determine a expresso de clculo da relao
sinal-rudo de quantizao para esta situao. d) Sabendo que o sinal de voz limitado em v volts,
reescreva a expresso encontrada no item 3 em funo de v e do nmero de bits do quantizador, N. e)
Para v = 5 V, determine o nmero de bits do quantizador para que RSR
q
90 dB.

O erro de quantizao definido da maneira ilustrada pela figura a seguir:
61


Soluo a:



Como a mdia do rudo de quantizao nitidamente nula (se quiser, faa o clculo para comprovar), a
varincia assume o significado de potncia total mdia deste rudo, pois, lembrando P
AC
= P
Tot
P
DC
ou
var[X] = E[X
2
] E
2
[X].

Soluo b:


O valor quadrtico mdio encontrado representa a potncia mdia total de sinal.

Soluo c:
A relao sinal-rudo de quantizao ser ento: RSR
q
= 2/(q
2
/12) = 24/q
2
.

Soluo d:
Como visto no incio do exerccio, o passo de quantizao dado por q = 2v/(2
N
1), onde v
corresponde aos limites do sinal de voz de entrada do quantizador e N o nmero de bits deste
quantizador. Veja ilustrao a seguir para N = 3 bits.
62
Ento a relao sinal-rudo de quantizao ser RSR
q
= 24/q
2
= 24/[2v/(2
N
1)]
2
=
( )
2
6 2 1
N
v
(


.
Observe que aumentando o nmero de bits do quantizador (conversor analgico/digital) aumenta-se a
RSR
q
, como esperado.


Soluo e:
Faa como exerccio para casa.

----------------------------------------------------------------------------------------------------------------------------
3) Uma aplicao do uso de mdias estatsticas ocorre na anlise de jogos de azar. Por exemplo, no
jogo de Roleta h 38 resultados igualmente provveis. Um apostador que aposta em um nico nmero e
acerta, recebe 35 vezes o valor da aposta, mais o valor apostado de volta. Calcule o valor mdio de
lucro resultante da aposta de $1 em um nico nmero.

L
mdio
= $1(37/38) + $35(1/38) = $0,0526

Assim, um apostador espera perder, em mdia, $0,0526 a cada $1 apostado. Em outras palavras, na
mdia a casa ganha $0,0526 por aposta em um nico nmero.

Em jogos de azar, quando o valor esperado do lucro para o apostador igual a zero (ele no ganha e
nem perde, em mdia), diz-se que o jogo em questo justo.

----------------------------------------------------------------------------------------------------------------------------
4) Existem outras mdias estatsticas alm dos momentos estudados, com aplicaes especficas. Faa
uma pesquisa e defina os conceitos de MODA e de MEDIANA, citando uma aplicao para cada uma
destas mdias.

----------------------------------------------------------------------------------------------------------------------------
5) Determinar a FDP da v.a
1
S
i
i
Y X
=
=

, onde X
i
= R
i
2
, onde R
i
tem FDP
2
2
exp , 0
( )
0 , 0
i
i i
i
R i
i
r r
r
f r
r
| |
>
|
=
\


e onde X
i
so variveis aleatrias independentes e identicamente distribudas (i.i.d.). Caso queira
associar este exerccio com uma aplicao em telecomunicaes, estude o exemplo apresentado ao final
dos slides do Captulo 3 (slides 27-34).

Passos para soluo:
a) encontre a FDP de X
i
por transformao da FDP de R
i
:
( ) | | ( ) | |
i i
R i i X i i
f r dr f x dx = ;
b) Encontre a funo caracterstica de X, dada por:
63
( ) ( )
j x
X X
j e f x dx

;
c) Sabendo que as v.a so i.i.d, determine a funo caracterstica de Y por meio de:
[ ]
( )
1
( ) ( )
1
S
Y X S
j j
j

= =

;
d) Finalmente, encontre f
Y
(y) por meio da transformada inversa da funo caracterstica, ou seja:
( )
1 1
( )
2 1
j y
Y S
f y e d
j



----------------------------------------------------------------------------------------------------------------------------
6) Calcular a mdia e o valor quadrtico mdio da v.a. Gaussiana X, cuja FDP dada por:



A resoluo deste exerccio bastante similar resoluo do exerccio 1 e, por esta razo, ele
deixado proposto para que voc o resolva em casa.

----------------------------------------------------------------------------------------------------------------------------
7) As tabelas a seguir apresentam 100 valores para cada uma de duas variveis aleatrias: X representa
a cotao da saca de caf (US Dollar) obtida em 100 dias teis consecutivos e Y representa a cotao da
Bolsa de NY (volume de pontos negociados), tambm obtida em 100 dias teis consecutivos. Pede-se:

a) Estime a mdia, a varincia, e o 2 momento para as variveis aleatrias em questo.
b) Estime a correlao entre X e Y.
c) Estime a covarincia entre X e Y.
d) Estime o coeficiente de correlao entre X e Y.
e) Se voc tivesse que tomar decises sobre vender ou no vender seu estoque de caf num
determinado dia, poderia tomar a cotao da Bolsa de NY como referncia? Justifique.
f) Verifique se as v.a. X e Y so ortogonais, descorrelacionadas ou independentes.
g) Faa histogramas para X e Y e sugira FDPs para represent-las, no se esquecendo de determinar os
parmetros das FDPs sugeridas. Sugesto: faa os clculos por computador usando, por exemplo:
Excel, Mathcad ou Matlab. Isto facilitar os clculos, evitar erros e tornar o processo mais rpido.

Valores de X
103 100 102 108 99 99 119 98 94 92
98 85 104 85 108 83 86 98 88 88
97 104 115 96 120 109 109 90 109 94
102 95 114 89 97 95 118 98 92 105
98 98 101 88 103 90 107 93 101 90
107 96 85 118 104 112 96 82 92 101
88 125 102 92 96 89 98 105 107 115
88 105 93 111 88 106 106 92 90 102
100 112 108 90 100 101 104 116 95 101
99 91 119 105 99 92 102 99 103 104



64

Valores de Y
64080 50460 51858 39682 48308 52654 52846 57635 53347 51904
44796 53025 66087 50035 51642 45370 51301 51892 47067 42859
46069 45692 49684 45753 50100 51099 53043 45920 46629 57238
51098 46240 52957 41834 50989 50382 50692 55374 56924 42253
44355 57226 48398 46604 52469 55984 52124 65964 48246 49163
44727 41056 50876 48261 52639 50935 60812 51555 49420 54409
43682 50468 48305 46321 51802 44650 45323 55115 46890 51920
52418 48200 50848 45794 43510 52829 48762 54778 40825 47765
57259 45158 49284 50983 49550 49833 53183 45777 52950 46808
51945 50495 45480 43774 59169 55923 55935 45682 48602 50394


Soluo:

A seguir so apresentados os clculos solicitados a partir das tabelas fornecidas.

Mdia
1
N
0
N 1
i
X
i

=
99.836 =
1
N
0
N 1
i
Y
i

=
50204 =
2 momento
1
N
0
N 1
i
X
i ( )
2

=
1.005 10
4
=
1
N
0
N 1
i
Y
i ( )
2

=
2.546 10
9
=
1
N
0
N 1
i
X
i

X

( )
2

=
85.277 =
1
N
0
N 1
i
Y
i

Y

( )
2

=
2.521 10
7
=
Varincia
1
N
0
N 1
i
X
i
Y
i


=
5.012 10
6
=
Correlao
Covarincia
1
N
0
N 1
i
X
i

X

( )
Y
i

Y

( )


=
105.874 =
Coeficiente de correlao
1
N
0
N 1
i
X
i

X

( )
Y
i

Y

( )

X

Y

0 =


Com relao ao item e, como o coeficiente de correlao nulo significa que no h nenhuma
amarrao estatstica entre a cotao do caf e a cotao da Bolsa de NY. Em outras palavras, se a
cotao da Bolsa subir, no podemos utilizar esta informao com preciso para decidirmos se vamos
ou no vamos colocar venda nosso estoque de caf. Adicionalmente, perceba que se utilizarmos a
correlao como parmetro de deciso, diramos que X e Y tm grande amarrao estatstica, pois o
valor encontrado elevado. Contudo, este valor elevado conseqncia dos altos valores das mdias
das v.a. envolvidas e, portanto, a correlao no se presta deciso em questo.
65

Com relao ao item f, como a correlao no nula as v.a. no so ortogonais. Como a covarincia
no nula, podemos dizer que as v.a. so aproximadamente descorrelacionadas, mas esta afirmativa
seria mais precisa se analisssemos o coeficiente de correlao, o qual nos diz que as v.a. so
descorrelacionadas.

Ainda com relao ao item f, para determinarmos precisamente se as v.a. so independentes,
precisaramos conhecer a FDC conjunta ou a FDP conjunta e verificar se elas so o resultado da
multiplicao das FDCs ou FDPs de cada uma das v.a. Entretanto, podemos supor que tais v.a. so
independentes pela natureza at certo ponto independente dos fenmenos que elas representam.
Adicionalmente verificaramos as propriedades:

E[XY] = E[X]E[Y]
K
XY
= 0
var[X + Y] = var[X] + var[Y]
E[X | Y = y] = E[X] e E[Y | X = x] = E[Y]

----------------------------------------------------------------------------------------------------------------------------
7) Suponha que cada chamada telefnica para transmisso de voz custe $0,20 e para transmisso de
dados custe $0,30. A probabilidade de ocorrncia de uma chamada de voz P[V] = 0,6; para uma
chamada de dados P[D] = 0,4. Seja C o custo da chamada. Pede-se: a) Encontra a FMP de C. b)
Calcule E[C], o custo mdio de uma chamada.

Soluo a:

Soluo b:
E[C] = $0,200,6 + $0,300,4 = $0,24

----------------------------------------------------------------------------------------------------------------------------
8) Num determinado jogo de raspadinha, suponha que a chance de obter uma cartela premiada seja
de uma em mil. Suponha ainda que uma pessoa compre uma cartela por dia durante 50 anos. Pede-se:
a) Qual o nmero esperado de cartelas premiadas nestes 50 anos? b) Se cada cartela premiada lhe paga
$1.500, qual a sua receita mdia? c) Se cada cartela custa ao apostador $2, qual o seu lucro esperado?

O nmero de cartelas compradas em 50 anos de 50365 = 18.250.

Soluo a:
O evento correspondente a uma cartela estar ou no estar premiada est associado a uma v.a. de
Bernoulli com probabilidade de sucesso p = 0,001. Portanto, a varivel aleatria correspondente ao
nmero de cartelas premiadas em n = 18.250 uma v.a. Binomial P com mdia E[P] = np =
18.2500,001 = 18,25.

Soluo b:
66
Seja a v.a. receita R = $1.500P . Ento E[R] = E[$1.500P] = $1.500E[P] = $27.375.

Soluo c:
L = R 18.2502. Ento E[L] = E[R] 36.500 = $9.125. Ou seja, sua persistncia em apostar, em 50
anos, dar um lucro mdio de $9.125 para a casa.

----------------------------------------------------------------------------------------------------------------------------
9) Refaa os exemplos da apostila referentes mdia de variveis aleatrias e tambm os exerccios
propostos da apostila (1, 2, 5-10, 13, 15, 17-20) e dos livros complementares sugeridos, de acordo com
as recomendaes registradas no Portal Universitrio.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

67

Aula n Data Tema Gerao de nmeros aleatrios
Contedo
Mtodos de gerao de nmeros aleatrios: Resduos de potncia, Transformada,
Rejeio e Box Muller.
Objetivos
Ao final da aula os alunos devero ser capazes de implementar os seguintes
mtodos computacionais para gerao de nmeros aleatrios: Mtodo dos
Resduos de potncia, Mtodo da Transformada, Mtodo da Rejeio e Mtodo
Box Muller.


Atividades de pesquisa e desenvolvimento de produtos ou processos da Engenharia demandam, por
questes de otimizao na utilizao dos recursos, que os modelos sistmicos de tais produtos ou
processos sejam simulados por computador. Entretanto, muitas das situaes reais de funcionamento
destes produtos e processos esto associadas a fenmenos de entrada e/ou sada, ou at mesmo
internos, que so inerentemente aleatrios. Da a necessidade de saber como estes fenmenos podem
ser simulados.

Nesta aula estudaremos alguns dos mtodos mais simples e utilizados para gerao de variveis
aleatrias. So eles: Resduos de potncia, Transformada, Rejeio e Box Muller. Para melhor
aproveitamento deste estudo, recomenda-se que ele seja efetuado com o auxlio de alguma ferramenta
computacional de clculo, como por exemplo o Mathcad ou o Matlab, ou mesmo o Excel.


Mtodo dos Resduos de Potncia

Este mtodo utilizado para gerar nmeros aleatrios com distribuio Uniforme, os quais so, muitas
vezes, base para gerao de v.a. com outras distribuies. O mtodo opera a partir de frmulas
recursivas como a que segue:

1
mod
k k
Z Z M

=

onde inteiro entre 0 e M, e M um nmero primo p ou uma potncia inteira de p, ou seja p
m
. Z
0

denominado de semente ou valor inicial (seed value) e determina se o comprimento da seqncia
gerada ser mximo ou no. Em sendo mximo este perodo vale M 1 e a seqncia ter, num perdo,
todos os valores inteiros entre 1 e M 1. Por esta razo estas seqncias so denominadas pseudo-
aleatrias. Em outras palavras, quando escolhemos um valor de M estamos escolhendo o comprimento
da seqncia que queremos gerar. Entretanto, somente alguns valores de permitiro que o
comprimento mximo M 1 seja conseguido.

A operao mod M, que significa mdulo M, nada mais que o resto da diviso em inteiros do
resultado da operao realizada, qualquer que seja esta operao, pelo valor de M. Por exemplo: 47
mod 5 = resto de 28/5 = 3; 34 mod 6 = resto de 12/6 = 0; 24 mod 10 = resto de 8/10 = 8; 8/2 mod 6 =
resto de 4/6 = 4.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Vamos encontrar a seqncia gerada para M = 11, = 7 e Z
0
= 1. Como exerccio, escolha
um valor diferente de e verifique se ser gerada uma seqncia de comprimento mximo.
68




----------------------------------------------------------------------------------------------------------------------------

Vrias combinaes dos parmetros do mtodo foram estudadas e, dentre as encontradas, a seguinte
combinao apresenta bons resultados: M = 2
31
1, = 7
5
. A seqncia gerada tem perodo igual a
2.147.483.646, valor suficientemente alto para a maior parte das aplicaes. Em outras palavras, com
este comprimento a seqncia gerada talvez no se repita antes que o experimento simulado termine.

comum necessitarmos de nmeros aleatrios entre 0 e 1. Neste caso, basta dividir os nmeros
gerados pelo mtodo dos resduos pelo valor mximo M 1. O valor mnimo no ser realmente 0, mas
quanto mais longa a seqncia, mais o valor mnimo se aproximar de 0. Por exemplo, para a seqncia
com M = 2
31
1, o mximo valor ser 1 e o mnimo ser 1/(2
31
1), que ser praticamente igual a 0.


Mtodo da Transformada

O mtodo da transformada consiste em se gerar nmeros com distribuio Uniforme, U, entre 0 e 1 e,
conhecendo-se a FDC da v.a. X que se deseja gerar, encontrar-se o valor de X responsvel por gerar o
valor de U. A v.a. X ter a distribuio desejada. Veja a ilustrao a seguir.



Em resumo tem-se:
69



----------------------------------------------------------------------------------------------------------------------------

Exemplo: vamos gerar uma v.a. X com distribuio exponencial utilizando o mtodo da transformada.

Para a distribuio Exponencial sabemos que F
X
(x) = 1 e
x
. Ento fazemos:
1 1
1 ln(1 ) ln(1 ) ln(1 )
x
u e u x x u X U

= = = = . Em resumo, geramos U e,
aplicando
1
ln(1 ) X U

= obtemos a v.a. X desejada, com FDP exponencial.



----------------------------------------------------------------------------------------------------------------------------

Exemplo: como um outro exemplo, vamos agora gerar uma v.a. discreta a partir de uma v.a. Uniforme
em (0, 1]. O mtodo da transformao se aplica de forma bastante simples. Vamos criar tantos pontos
de comparao quantos sejam os possveis valores da v.a. desejada e seguir a regra:

X = x
0
se U < p(x
0
)
X = x
1
se p(x
0
) U < p(x
1
)
X = x
2
se p(x
1
) U < p(x
2
)
e assim por diante at
X = x
n
se U p(x
n-1
)

Como exemplo, vamos gerar uma v.a. Binomial com n = 5 e p = 0,5. A FDC e os pontos de
comparao so ilustrados na figura a seguir. Como exemplo, a v.a X ter valor 2 para todos os valores
da v.a. U entre 0,2 e 0,5 aproximadamente.



----------------------------------------------------------------------------------------------------------------------------

Mtodo da Rejeio

Este mtodo implementado da seguinte maneira:

1 - Gere uma varivel aleatria U com distribuio Uniforme em (0, 1].
2 - Faa X = F
1
(U), onde F
1
(U) o valor de x quando F
X
(x) = U .

70



----------------------------------------------------------------------------------------------------------------------------

Exemplo: vamos gerar uma v.a. que tenha a FDP f
U
(u) ilustrada na figura a seguir. Nesta figura est
tambm ilustrada uma possvel FDP escalonada, Kf
X
(x), que envolve completamente a FDP desejada.



Seguindo os passos citados anteriormente, vamos encontrar uma FDP escalonada que envolva a FDP
desejada. Esta FDP pode ser uma Exponencial com = 0.45, deslocada de 2 para a direita e
multiplicada pela constante K = 3. Como resultado teremos a FDP escalonada ilustrada na figura
anterior, dada por Kf
X
(x) = 3e
(x 2)
.

A varivel aleatria exponencial correspondente poder ser gerada pelo mtodo da transformada, como
descrito anteriormente, ou seja:
1
ln(1 ) 2 X U

= + , onde U uma v.a. com distribuio Uniforme,


gerada, por exemplo, a partir do mtodo dos resduos de potncia.

Assim, o algoritmo a seguir poder ser utilizado para gerar a v.a. com a distribuio f
U
(u) desejada:

1 - Configure o nmero desejado de valores para a v.a. em questo: N
2 - Para i variando de 0 a N 1:
3 - Gere U entre 0 e 1.
4 - Gere
1
ln(1 ) 2
0.45
X U = + .

1 - Escolha uma FDP f
X
(x) de tal sorte que K f
X
(x) envolva a FDP desejada
f
U
(u) completamente.
2 - Gere uma varivel aleatria X com a FDP f
X
(x), usando qualquer mtodo.
3 - Calcule o valor B(X) = K f
X
(X).
4 - Gere uma varivel aleatria Y com distribuio Uniforme em (0, B(X)].
5 - Se Y f
U
(X), aceite X como valor vlido para a v.a. desejada. Caso
contrrio rejeite X e retorne ao passo 2.

71
5 - Calcule B(X) = K f
X
(X).
6 - Gere a v.a. Uniforme Y entre 0 e B(X).
7 - Se Y f
U
(X), D
i
X e retorne ao passo 2, caso contrrio retorne ao passo 3.
8 - D o vetor que conter os valores da v.a. desejada.
----------------------------------------------------------------------------------------------------------------------------

O mtodo da rejeio tem a grande vantagem de gerar uma v.a. com praticamente qualquer FDP, o que
o torna bastante verstil. Entretanto, como pode ser observado no algoritmo anterior, ao menos duas
v.a. intermedirias devero ser geradas, o que pode tornar o processo computacionalmente lento para
algumas aplicaes.


Mtodo Box Muller

O mtodo de Box Muller pode gerar duas v.a. Gaussianas a partir de duas v.a. Uniformes U
1
e U
2
, no
intervalo (0, 1]. Teremos como resultado as v.a. Gaussianas X e Y com mdias
X
e
Y
e desvios padro

X
e
Y
, respectivamente dadas por:

2
1 2
cos(2 ) 2 ln( )
X X
X U U = +
2
1 2
cos(2 ) 2 ln( )
Y Y
Y U U = +

Dada a importncia das variveis aleatrias Gaussianas representao de grande parte dos fenmenos
aleatrios reais e tambm de vrios fenmenos aleatrios encontrados em Telecomunicaes, o mtodo
Box Muller ter grande aplicao prtica.

O mtodo em questo bastante rpido em termos de clculo, pois envolve operaes que so
executadas de forma rpida nos computadores de hoje, alm de envolver variveis aleatrias com
distribuio Uniforme, as quais podem ser geradas facilmente via mtodo dos resduos de potncia.


Exerccios de fixao

1 Implementar uma rotina no Mathcad ou Matlab, ou um sistema em blocos no VisSim/Comm capaz
de gerar uma varivel aleatria U com distribuio uniforme no intervalo (0,1], usando o mtodo dos
resduos de potncia com semente aleatria (random seed). Faa uma descrio detalhada da sua
implementao.

2 Implementar uma rotina no Mathcad, ou um sistema em blocos no VisSim/Comm, capaz de gerar
uma varivel aleatria B com distribuio Binomial com parmetro n = 3 e com parmetro p
configurvel. Faa uma descrio detalhada da sua implementao.

3 Utilizando o mtodo da rejeio, implementar uma rotina no Mathcad capaz de gerar uma varivel
aleatria X com a distribuio dada abaixo. Faa uma descrio detalhada da sua implementao.

72
1/ 6, 0 1
( ) 1/ 2, 1 2
1/ 3, 2 3
X
x
f x x
x
<

= <



4 Utilizando o mtodo da transformada, gere uma seqncia de bits 0 e 1 com P[0] = P[1] = 0,5.

5 Suponha que voc queira simular o funcionamento de um sistema de comunicao digital. Para isto
voc ir gerar smbolos 1 e +1 que representaro os bits 0 e 1, respectivamente, contaminar estes
smbolos com rudo e tomar a deciso sobre o bit recebido. Ento far a comparao do smbolo
recebido com o smbolo transmitido, contar os erros e os bits gerados e, por freqncia relativa,
estimar a probabilidade de erro de bit. Implemente esta simulao utilizando o algoritmo a seguir.
Faa uma descrio detalhada de cada passo, de forma a permitir que voc entenda a simulao.

1 inicialize a varivel que determinar quantos erros de bit voc aguardar ocorrer: N = 100.
2 inicialize a varivel que determinar a varincia de rudo: = 1.
3 inicialize o contador de bits gerados: N
b
= 0.
4 inicialize o contador de bit errados: N
e
= 0.
5 enquanto N
e
< N:
6 gere um valor de uma v.a. U com distribuio Uniforme entre 0 e 1.
7 se u > 0,5, faa o smbolo s = 1; faa s = 1 caso contrrio. Faa N
b
N
b
+ 1.
8 gere um valor de uma v.a. G com distribuio Gaussiana, mdia 0 e varincia
2
.
9 faa r = s + g.
10 se r > 0, faa s
r
= 1; caso contrrio faa s
r
= 1.
11 se s
r
s, faa N
e
N
e
+ 1; caso contrrio N
e
N
e
.
12 calcule a probabilidade de erro de bit P
e
= N
e
/N
b
.
13 mostre o valor de P
e
.

5 Fazer uma rotina para aplicar a operao mdulo M ao resultado de uma operao matemtica qualquer.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

73

Aula n Data Tema Soma de variveis aleatrias - 1
Contedo
Anlise estatstica da soma de variveis aleatrias: mdia e varincia, funo
densidade de probabilidade e funo geratriz de momentos.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) realizar clculos de mdia e
varincia da soma de variveis aleatrias. 2) encontrar a funo densidade de
probabilidade da soma de variveis aleatrias via convoluo ou via funo
geratriz de momentos. 3) calcular momentos de uma varivel aleatria via funo
geratriz de momentos.


Mdia de varincia da soma de variveis aleatrias

Para qualquer conjunto de variveis aleatrias X
1
, ..., X
n
o valor esperado da soma W = X
1
+ X
2
+ ... +
X
n
dado pela soma dos valores esperados de cada uma das v.a. somadas, ou seja:

1 2
[ ] [ ] [ ] [ ]
n
E W E X E X E X = + + +

A varincia da soma W = X
1
+ X
2
+ ... + X
n
dada por:

1
1 1 1
var[ ] var[ ] 2 cov[ , ]
n n n
i i j
i i j i
W X X X

= = = +
= +



Exemplo: vamos encontrar a mdia e a varincia de Z = X + Y:

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

2 2 2 2 2 2
2 2
2 2 2
2 2 2 2
2 2 2 2
var[ ] [( [ ]) ] [ ] 2 [ ] [ ] [ ] [ ]
[( ) ] [ ]
[ ] 2 [ ] [ ] ( [ ] [ ])
[ ] 2 [ ] [ ] [ ] 2 [ ] [ ] [ ]
{ [ ] [ ]} { [ ] [ ]} 2{ [ ] [ ] [ ]}
var[ ] var[
Z E Z E Z E Z E Z E Z E Z E Z
E X Y E X Y
E X E XY E Y E X E Y
E X E XY E Y E X E X E Y E Y
E X E X E Y E Y E XY E X E Y
X Y
= = + =
= + +
= + + +
= + +
= + +
= + ] 2cov[ , ] X Y +



Varincia da soma de variveis aleatrias independentes

Se as variveis aleatrias so independentes, a covarincia entre elas nula. Ento, a partir da
expresso anterior teremos:
1
var[ ] var[ ]
n
i
i
W X
=
=





74
Mdia e varincia da soma de variveis aleatrias Gaussianas independentes

Para um conjunto de variveis aleatrias Gaussianas e independentes X
1
, ..., X
n
a soma W = X
1
+ X
2
+ ...
+ X
n
ser tambm Gaussiana com valor esperado e com varincia dados por:

1 2
[ ] [ ] [ ] [ ]
n
E W E X E X E X = + + +
1
var[ ] var[ ]
n
i
i
W X
=
=




Funo densidade de probabilidade da soma de variveis aleatrias

Encontrar a FDP da soma de variveis aleatrias pode ser uma problema bastante complexo
dependendo das FDPs das v.a. somadas e do nmero de v.a. somadas. Para duas variveis aleatrias
somadas temos: se W = X + Y, ento

( ) ( , ) ( , )
W XY XY
f w f x w x dx f w y y dy
+ +

= =



ou seja, tomamos a integral da FDP conjunta, substituindo uma das variveis em funo da soma
realizada: se W = X + Y substitumos y por w x e integramos f
XY
(x, w x) em x; ou substitumos x por
w y e integramos f
XY
(w y, y) em y.


Funo densidade de probabilidade da soma de variveis aleatrias independentes

Genericamente, a FDP da soma de n v.a. independentes a convoluo entre as n FDPs. Como
exemplo, para duas variveis aleatrias somadas temos que se W = X + Y, ento

( ) ( ) ( ) ( ) ( ) ( ) ( )
W X Y X Y X Y
f w f x f y f w y f y dy f x f w x dx
+ +

= = =




Funo geratriz de momentos

O processo de convoluo mencionado acima pode se tornar complexo para certas FDPs e/ou para n
elevado, o que dificultar a obteno dos momentos da soma de variveis aleatrias. Como soluo
pode-se usar a multiplicao das transformadas, por meio da Funo Geratriz de Momentos (FGM),
similar conceitualmente Funo Caracterstica j estudada.

A Funo Geratriz de Momentos (FGM) , por definio:

( )
sX
X
s E e ( =



Para variveis aleatrias contnuas tem-se:

( ) ( )
sx
X X
s e f x dx


75

Para variveis aleatrias discretas tem-se:

( ) ( )
i
i i
sy
X Y i
y S
s e p y

=



Assim como a funo caracterstica, a FGM tem a propriedade de gerar momentos de ordem n para
uma varivel aleatria qualquer por meio da derivada de ordem n da FGM em relao a s, para s = 0:

0
( )
[ ]
n
n X
n
s
d s
E X
ds

=
=

----------------------------------------------------------------------------------------------------------------------------

Exemplo: vamos determinar, via FGM, os momentos de uma v.a. Exponencial cuja FDP :

, 0
( )
0 , 0
x
X
e x
f x
x



=

<



Teremos a FGM:

0
( ) ( )
sx sx x
X X
s e f x dx e e dx
s

= = =




Primeiro momento:


Segundo momento:


Terceiro momento:


Por induo podemos verificar que o n-simo momento da v.a. em questo ser:


----------------------------------------------------------------------------------------------------------------------------


76
Propriedades da FGM

O conhecimento sobre a aplicao das propriedades da FGM pode facilitar a soluo de problemas.
Vejamos algumas destas propriedades e como utiliz-las:

Para se verificar se uma determinada FGM vlida, pode-se testar se:

0
( ) 1
X
s
s
=
=

A FGM da v.a. modificada Y = aX + b dada por:

( ) ( )
sb
Y X
s e as =

----------------------------------------------------------------------------------------------------------------------------

Exemplo: vamos calcular a FGM da v.a. Y = 2X + 3, onde X uma v.a. exponencial.

Do exemplo anterior temos ( )
X
s
s

. Para determinar a FGM de Y basta substituir s por as na


FGM de X e multiplicar o resultado por e
sb
, ou seja:
3
( )
2
sb s
Y
s e e
as s


= =



----------------------------------------------------------------------------------------------------------------------------


Para qualquer conjunto de variveis aleatrias independentes X
1
, ..., X
n
a FGM da soma W = X
1
+ X
2
+
... + X
n
dada pelo produto das FGMs de cada v.a. somada, ou seja:

1
( ) ( )
i
n
W X
i
s s
=
=



Se alm de independentes as variveis aleatrias somadas forem identicamente distribudas (i.i.d), a
FGM da v.a. correspondente soma dada pelo produto de n FGMs idnticas, ou seja:

[ ] ( ) ( )
n
W X
s s =

Esta propriedade e a anterior so de grande utilidade quando estamos interessados em calcular os
momentos de uma varivel aleatria resultante da soma de outras variveis aleatrias.

Como propriedade adicional, a FGM de uma v.a. Gaussiana X de mdia e varincia
2
dada por:

( )
2 2
1
2
( ) exp
X
s s s = +



77
Exerccios de fixao

1 Seja {X
i
}, i = 1, 2, ..., n, um conjunto de variveis aleatrias independentes e identicamente
distribudas (i.i.d.) com mdias
X
idnticas e varincias
X
2
tambm idnticas. Calcule a mdia e a
varincia da varivel aleatria S definida por:

1
2
n
i X
i
X
X n
S
n



Soluo

Se as variveis aleatrias so independentes, a covarincia entre elas nula e, desta forma, a varincia
da soma igual soma das varincias. Ento teremos:

2
1
2 2 2
2 2
1 1
1 1 1
var[ ] var var var 0 var[ ] 1
n
i n n
X i
i i X
i i X X X
X X
X
n
S X X n
n n n
n n



=
= =
(
( (
(
= + = = = = ( (
(
( (

(



1
2 2 2 2 2 2
1
1
[ ] [ ] 0
n
i n
X X X X i
i
i
X X X X X X
X
n n n n
E S E E E X
n n n n n n


=
=
(
( (
= + = = = ( (
( (

(



----------------------------------------------------------------------------------------------------------------------------

2 Seja X uma varivel aleatria Geomtrica com Funo Massa de Probabilidade dada por:

1
(1 ) , 1, 2,...
( )
0, caso contrrio
x
X
p p x
f x

=
=



Mostre que a Funo Geratriz de Momentos para esta varivel pode ser escrita como:
( )
1 (1 )
s
X s
pe
s
p e
=

.

Dado:
0 1
Se , ento
1 1 1
k k
k k
a a ar
ar ar a
r r r

= =
= = =










78
Soluo

1 1
1 1
1
( 1) 1
1 1 1
1
( ) [ ] ( ) (1 ) (1 )
[ (1 )]
(1 ) (1 )
(1 )
[ (1 )] usando a expresso de srie dada
(1 )
X
sx
sX sx sx x s x
X X s
x S x x
s x
x
s s x x s s s
s
x x x
s
s x
s
x
e
s E e e f x e p p e p p
e
e p
pe e p pe e p pe
e p
pe
e p
e p



= =


= = =

=
= = = =

( = = =


=

tem-se:
(1 )
( ) , CQD
(1 ) 1 (1 ) 1 (1 )
s s s
X s s s
pe e p pe
s
e p e p p e


= =



----------------------------------------------------------------------------------------------------------------------------

3 Fazer exerccios adicionais recomendados no plano desta aula publicado no Portal Universitrio,
principalmente os exerccios 6.1.1 a 6.4.6 marcados como EASY no livro do Yates/Goodman.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

79

Aula n Data Tema Soma de variveis aleatrias - 2
Contedo Anlise estatstica da soma de variveis aleatrias: o Teorema do Limite Central.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) conceituar o Teorema do
Limite Central (TLC). 2) conceituar a aproximao Gaussiana de uma v.a.
segundo o TLC. 3) explicar algumas aplicaes do TLC. 4) realizar clculos
envolvendo a aplicao do TLC.


O Teorema do Limite Central (TLC), em termos gerais, diz que se somarmos um nmero
suficientemente grande de variveis aleatrias independentes, quaisquer que sejam suas distribuies
individuais, a varivel aleatria correspondente soma ter distribuio aproximadamente Gaussiana.

Como veremos mais adiante, este teorema encontra aplicaes nas mais variadas reas do
conhecimento, em particular na rea de Telecomunicaes.

Exemplo: A seguir temos quatro figuras e em cada uma delas duas FDPs: em linha cheia temos a FPD
resultante da convoluo de n FDPs Uniformes no intervalo (20, 32], com mdia 25.5 e varincia 12.
Esta a FDP da soma de n v.a. independentes e com distribuio Uniforme. Em linha tracejada temos
uma FDP Gaussiana de mdia 25.5n e varincia 12n. As quatro figuras correspondem a n = 1, 2, 3 e 10,
respectivamente. Observe que medida que o nmero de v.a. somadas aumenta a FDP da soma tende a
uma FDP Gaussiana, conforme prev o Teorema do Limite Central.

n = 1 n = 2


n = 3 n = 10



80


Teorema do Limite Central

De forma genrica, matematicamente podemos enunciar o TLC assim: seja X
1
, X
2
, ..., X
n
um conjunto
de n variveis aleatrias independentes, tendo cada v.a. X
i
uma distribuio de probabilidades qualquer,
mdia
i
e varincia
i
2
. A varivel normalizada

1 1
2
1
n n
i i
i i
n
i
i
X
Z

= =
=



tem, no limite ou para n suficientemente elevado, uma funo de distribuio cumulativa (FDC) que se
aproxima da FDC de uma Gaussiana Normal N(0,1), ou seja, a FDP de Z se aproxima de uma FDP
Gaussiana com mdia nula e varincia unitria.

Se as variveis aleatrias somadas tm mdias e varincias iguais, a varivel

1
1 n
i
i
Z X
n
=
=



ser, no limite ou para n suficientemente elevado, uma varivel aleatria Gaussiana com mdia
Z
=
X

e varincia
2 2
/
Z X
n = .

Como exerccio, mostre que as mdias e as varincias para as duas variveis Z definidas acima tm os
valores mencionados no texto.


Aproximao para o Teorema do Limite Central

Sabemos que a funo de distribuio cumulativa (FDC) para uma v.a. N(0,1) pode ser escrita como

2
1
( ) ( ) exp
2 2
x
X
u
F x x du


| |
= =
|
\

,

para a qual se apresenta uma tabela de valores no ANEXO destas notas de aula. A seguir tem-se uma
ilustrao da funo (x) = F
X
(x).


81

Seja W = X
1
+ X
2
+...+ X
n
uma soma de variveis aleatrias independentes e identicamente distribudas
(i.i.d.) com E[X
i
] =
X
e var[X
i
] =
X
2
. medida que n aumenta a FDC de W se aproxima de

2
( )
W X
W
W
X
w w n
F w
n


| |
| |
| =
|
|
\
\


Chamamos esta aproximao de aproximao Gaussiana para a v.a. W ou, de forma equivalente, de
aproximao Gaussiana para a soma de n variveis aleatrias i.i.d.


Aplicaes do Teorema do Limite Central

Aproximao Gaussiana para a distribuio Binominal

Sabemos que uma v.a. Binomial corresponde ao nmero de sucessos em n testes de Bernoulli que tm
probabilidade de sucesso p. Ento uma v.a. Binominal de fato a soma do resultado de n v.a. de
Bernoulli e, portanto, para n elevado pode ser aproximada por uma Gaussiana pelo Teorema do Limite
Central.

Recordando, uma v.a. Binomial X tem FMP dada por

[ ] (1 )
x n x
n
P X x p p
x

| |
= =
|
\


Como a mdia de uma v.a. de Bernoulli p e a varincia p(1 p), a v.a. Binomial ter mdia np e
que a varincia np(1 p), o que levar aproximao Gaussiana para X:

2 2
2
2
1 ( ) 1 ( )
[ ] exp exp
2 2 (1 ) 2 (1 )
2
X
X
X
x x np
P X x
np p np p

( (
= =
( (




Como ilustrao desta aproximao, vejamos que acontece se p 0,5 e n pequeno. A figura a seguir
ilustra esta situao para p = 0,8 e n = 10. Observe que o formato assimtrico da FMP Binomial no se
aproxima do formato da FDP Gaussiana de mesma mdia e mesmo desvio padro.




82
Vejamos que acontece com p = 0,5 e n ainda pequeno. A figura a seguir ilustra esta situao para n =
10. Observe que o formato simtrico da FMP Binomial se aproxima naturalmente do formato da FDP
Gaussiana de mesma mdia e mesmo desvio padro.




Agora vamos ver o que acontece se p 0,5 e n elevado. A figura a seguir ilustra esta situao para p
= 0,8 e n = 1.000. Observe que o formato assimtrico da FMP Binomial no se manifesta sobremaneira,
o que faz com que ele se aproxime muito do formato da FDP Gaussiana de mesma mdia e mesmo
desvio padro, conforme prev o Teorema do Limite Central.





Aproximao Gaussiana para a interferncia de mltiplo acesso em sistemas celulares CDMA

A figura a seguir ilustra, na parte da esquerda, um tpico cenrio de comunicao entre os terminais
celulares e a estao radio-base em um sistema celular CDMA (Code Division Multiple Access). Neste
sistema todos os usurios compartilham a mesma banda de freqncias e podem transmitir
simultaneamente.

Suponha que a estao radio-base esteja demodulando o sinal do usurio em destaque na figura. Ento
S ser o sinal desejado e I
1
+ I
2
+ ... + I
n
compor a interferncia de mltiplo acesso, a MAI (Multiple
Access Interference). Se n elevado, pelo Teorema do Limite Central podemos dizer que a MAI uma
varivel aleatria Gaussiana de mdia n
I
e varincia n
I
2
.

Na parte da direita da figura em questo ilustra-se o comportamento da probabilidade de erro de bit P
e

no sistema, em funo da relao entre a potncia de sinal e a potncia de rudo + interferncia,
S/(N+I). Devido MAI, mesmo aumentando-se a relao entre a potncia de sinal e a potncia de rudo
S/N, a partir de um ponto a MAI passa a ficar muito maior que o rudo e, portanto, causar um patamar
de erro de bit irredutvel. por esta razo que sistemas CDMA convencionais tm forte limitao do
nmero de usurios ativos numa clula. Quanto maior este nmero, maior a MAI e pior a qualidade da
comunicao em termos de taxa de erro de bit.
83



O Teorema do Limite Central auxiliar no modelamento da interferncia e, portanto, dar subsdios ao
dimensionamento do sistema para que uma sobracarga no ocorra.


Aproximao Gaussiana para o sinal recebido em um ambiente de propagao por multipercurso

Em um ambiente de comunicao mvel urbano tpico, reflexo, difrao e espalhamento fazem com
que a onda eletromagntica transmitida pela estao raio-base (ERB) chegue ao terminal mvel (TM)
por infinitos percursos de propagao. A figura a seguir ilustra este conceito.




Admitindo a transmisso de um sinal que possa ser representado na forma complexa, com certa
magnitude e fase, o TLC diz que a soma dos sinais dos infinitos percursos de propagao forma uma
varivel aleatria complexa Rexp(j) com FDP conjunta Gaussiana dada por:

84
( )
2 2
2 2
2 2
Rayleigh
1 arctan / Uniforme
( , ) exp , onde
2 2
sin Gaussiana
cos Gaussiana
XY
R X Y
x y Y X
f x y
Y R
X R

= +

( + =
=

(
=



Em outras palavras, sendo independentes as partes real e imaginria dos infinitos sinais que chegam
antena receptora, a soma destes sinais ter parte real e imaginria que se aproximam de variveis
aleatrias Gaussianas.

Numa etapa mais avanada do curso de Engenharia de Telecomunicaes voc ver como o TLC ser
aplicado para caracterizar e dimensionar sistemas de comunicao para operar em ambientes de
propagao por mltiplos percursos. A disciplina que trata desse assunto chamada de Comunicaes
Mveis.


Exemplos de clculo envolvendo a aproximao Gaussiana postulada pelo Teorema do Limite
Central

Exemplo 1

Amostras independentes de uma forma de onda so digitalizadas e geram uma varivel aleatria X com
distribuio Uniforme na faixa (V 0,5 mV) < X < (V + 0,5 mV), onde V o valor exato da forma de
onda no instante de cada amostragem. Para melhorar a preciso das amostras digitalizadas, cada
conjunto de 8 amostras gera uma mdia, formando a varivel aleatria W. Utilizando o TLC, pede-se
calcular a probabilidade do erro |W V| ser maior que 0,05 mV.

Soluo
A varivel aleatria X ter FDP:



Como W est sendo aproximada por uma Gaussiana pela aplicao do Teorema do Limite Central, a
probabilidade procurada corresponde ao dobro a rea direita do valor E[W] + 0,05, para uma
Gaussiana de mdia E[W] e varincia var[W], conforme ilustrao:


85
Assim,

2
[ ] 0,05
1 ( [ ])
[| | 0, 05] 2 exp
2var[ ] 2 var[ ]
E W
u E W
P W V du
W W

+
(
> =
(



Agora temos que calcular a mdia E[W] e a varincia var[W]:

8
1
8 8
1 1
2 2 8 8 8
2
1 1 1
1
8
1 1 1
[ ] [ ] 8
8 8 8
1 1 1 1 8 1 1
var[ ] var var var[ ] 8 mV
8 64 64 64 12 64 12 96
i
i
i i
i i
i i i
i i i
W X
E W E X E X V V
q
W X X X
=
= =
= = =
=
(
= = = =
(

| | ( (
= = = = = =
|
( (
\





Ento:
2
0,05
2
0,05
1 ( [ ])
[| | 0, 05] 2 exp
2var[ ] 2 var[ ]
1 ( [ ]) 0, 05 [ ]
2 1 exp 2 1
2var[ ] 2 var[ ] var[ ]
0, 05 0, 05
2 1 2 1
1/ 96 1/ 96
V
V
u E W
P W V du
W W
u E W V E W
du
W W W
V V

+
+

(
> =
(

( | |
( +
= =
( | `
(
( ) \
( + | | |
= =
( |
\ \

( )
( ) ( )
0, 05
2 1 2 1 0, 49
1/ 96
2 0, 49 do ANEXO: 0, 49 0, 312 [| | 0, 05] 2 0, 312 0, 624 P W V
( ( | | |
= = (
( ( | |
\
= = > =


----------------------------------------------------------------------------------------------------------------------------

Exemplo 2

Um modem transmite 1.000.000 de bits. Cada bit 0 ou 1 com a mesma probabilidade. Estime a
probabilidade de ocorrncia de ao menos 502.000 uns num bloco de 1.000.000 de bits.

O nmero de uns em um bloco de 1.000.000 de bits nitidamente uma v.a. Binomial que, para n
elevado, se aproxima de uma Gaussiana pelo Teorema do Limite Central. Lembrando que a mdia de
uma v.a. Binomial np e que a sua varincia np(1 p), a v.a. Gaussiana resultante ter mdia E[W] =
np = 1.000.0000,5 = 500.000 e varincia var[W] = np(1 p) = 1.000.0000,5
2
= 250.000, o que leva a

W
= 500. Ento

502.000 500.000
[ 502.000] 1 [ 502.000] 1 1 1 (4)
500
W
W
w
P W P W

| |
| |
= < = = =
| |
\
\


Pela tabela de (x) no ANEXO temos ( 4) = 1 (4) = 3,167110
5
. Ento,

86
5
[ 502.000] 1 [ 502.000] 1 (4) 3,1671 10 P W P W

= < = =

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

87

Aula n Data Tema Mdia amostral - 1
Contedo
A mdia amostral: desigualdade de Chebyshev, definio de mdia amostral,
mdia amostral de uma grande quantidade de nmeros.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) interpretar o conceito da
probabilidade estimada via desigualdade de Chebyshev. 2) interpretar o conceito
de mdia amostral e da influncia do nmero de amostras no valor estimado da
mdia e na varincia deste valor estimado. 3) realizar clculos de mdia amostral
e analisar os resultados em termos de mdia e de varincia.


Muitos experimentos aleatrios no possuem, a priori, modelos probabilsticos conhecidos, o que nos
impede de prever um determinado resultado. Entretanto, padres de comportamento mdios previsveis
emergem quando coletamos mais e mais dados sobre o experimento sob anlise. A mdia amostral a
ferramenta que nos permite conhecer estes padres de comportamento e nos prepara para uma
justificativa matemtica formal para a definio de probabilidade por freqncia relativa.


Desigualdade de Chebyshev

Seja uma varivel aleatria X com mdia E[X] e varincia var[X] finita. A desigualdade de Chebyshev
diz que para todo nmero positivo c tem-se:

2
var[ ]
[| [ ] | ]
X
P X E X c
c


Nesta desigualdade l-se: a probabilidade de um valor da v.a. X estar distante de pelo menos c unidades
do valor mdio desta v.a. sempre menor ou igual a var[X]/c
2
. A figura a seguir ilustra o conceito
desta probabilidade estimada via desigualdade de Chebyshev.



Note que o clculo envolvendo esta desigualdade necessita de apenas dois parmetros: var[X] e prprio
valor de c. Portanto esta desigualdade permite que calculemos estimativas de probabilidades
envolvendo a v.a. sob anlise sem que tenhamos que conhecer a distribuio de probabilidades desta
varivel. Esta justamente a grande aplicao da desigualdade de Chebyshev: permitir estimativas de
probabilidades sem que conheamos a real distribuio de probabilidades da v.a. sob anlise.

88
Esta desigualdade vlida para v.a. com quaisquer distribuies, mas fornece estimativas at certo
ponto folgadas, ou seja, via de regra a probabilidade P[| X
X
| c] real ser bastante menor que
var[X]/c
2
.


A mdia amostral definio

A mdia amostral definida como a mdia aritmtica entre as variveis aleatrias independentes e
identicamente distribudas X
1
, X
2
, ... X
n
, ou seja:

1 2
1
1
( )
n
n
n i
i
X X X
M X X
n n
=
+ + +
= =



Como os valores de cada uma das variveis aleatrias aleatrio, M
n
(X) tambm uma varivel
aleatria com mdia e varincia dadas respectivamente por:

[ ( )] [ ]
n
E M X E X =
var[ ]
var[ ( )]
n
X
M X
n
=

Vejamos as provas:

( )
1 2
1 2
1 2
( )
[ ( )]
1
[ ] [ ] [ ]
1
[ ] [ ( )] [ ]
n
n
n
n
n
n
X X X
M X
n
X X X
E M X E
n
E X E X E X
n
nE X E M X E X
n
+ + +
=
+ + +
(
=
(

= + + +
= =


[ ]
2
1 2
1 2
2
1 2
2
2
var[ ] var[ ]
var[ ( )] var
var
var[ ] var[ ] var[ ]
var[ ] var[ ]
var[ ( )]
n
n
n
n
n
aY a Y
X X X
M X
n
X X X
n
X X X
n
n X X
M X
n n
=
+ +
(
=
(

+ +
=
+ + +
=
= =



Existe uma associao entre a mdia amostral e o Teorema do Limite Central, fato que ocorre
quando o nmero de amostras processadas pela mdia amostral tende a infinito ou
suficientemente elevado. Neste caso, e somente neste caso, a mdia amostral M
n
(X) se aproximar
de uma v.a. Gaussiana de mdia E[X] e varincia tendendo a zero medida que n aumenta.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Seja n = 10.000 variveis aleatrias i.i.d. com FDP Gaussiana, mdia E[X
i
] = E[X] =
X
= 50
e varincia var[X
i
] = var[X] =
X

2
= 277. Para 10 realizaes de cada uma das variveis a mdia
amostral poderia ter os seguintes valores:

[ ] ( ) = 50,1 50,4 50,0 50,0 50,0 49,7 50,4 50,0 49,9 50,1
n
M X

89
Sendo var[X] = 277, var[M
n
(X)] ser 277/10.000 = 0,03. Isto significa que quanto maior o valor de n,
mais os valores de M
n
(X) convergem para a mdia E[X] = 50. No limite, para n teramos:

lim ( ) =50= [ ]
n
n
M X E X

{ } lim var[ ( )] =0
n
n
M X



Por este exemplo conclui-se que a mdia amostral um estimador no polarizado para a mdia
de uma varivel aleatria qualquer. Em outras palavras, quanto maior o nmero de valores
analisado, mais M
n
(X) se aproximar de E[X]. Ainda, com o aumento de n, M
n
(X) no se
aproximar de nenhum outro valor que no seja E[X].

Quando estudamos o conceito de momentos de uma v.a. utilizamos a mdia amostral para a estimao
destes momentos a partir de um conjunto de n amostras da v.a. sob anlise. Portanto, agora estamos
simplesmente formalizando o tratamento desta ferramenta com o objetivo de extrair dela a maior
quantidade de informao possvel acerca da v.a. sob avaliao.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Seja X a v.a. Gaussiana com valor esperado E[X] = = 50, correspondente s notas dos
alunos do Inatel. Quantas amostras so necessrias para garantir que a varincia da mdia amostral seja
menor ou igual a 0,5 pontos
2
?

Se X uma v.a. Gaussiana, sabemos que aproximadamente 99,73% dos seus valores estaro no
intervalo 3 a + 3. A interpretao desta afirmao ilustrada a seguir:



Ento, considerando-se notas de 0 a 100 temos que 3 = 50 = 50/3 var[X] =
2
= 277,778.
Logo, sabendo que var[M
n
(X)] = var[X]/n, sero necessrias n 277,778/0,5 556 amostras para
garantir que var[M
n
(X)] seja menor ou igual a 0,5 pontos
2
.

----------------------------------------------------------------------------------------------------------------------------

A mdia amostral de uma grande quantidade de nmeros

Recordando, a desigualdade de Chebyshev diz que para uma v.a. X com valor esperado E[X] e
varincia var[X], para todo nmero positivo c tem-se:

[ ]
2
var[ ]
| [ ] |
X
P X E X c
c


Aplicando-se esta desigualdade v.a. Y = M
n
(X) tem-se que, para qualquer constante c, a mdia
amostral M
n
(X) satisfaz s expresses a seguir, para as quais se tem a interpretao ilustrada pela figura
que vem em seguida.
90

[ ]
2
var[ ]
| ( ) |
n X
X
P M X c
nc
= [ ]
2
var[ ]
| ( ) | 1 1
n X
X
P M X c
nc
< =



Os parmetros e (1 ) sero definidos mais adiante, quando estudarmos o conceito de intervalo de
confiana.

Estes resultados afirmam que com o aumento de n a FDC da mdia amostral se aproxima de um degrau
unitrio em x =
X
. Esta proximidade, no intervalo
X
c, governada pelo valor de P[|M
n
(X)
X
|
c] var[X]/nc
2
. A figura a seguir ilustra este conceito: quanto maior o valor de n, mais M
n
(X) se
aproximar de uma Gaussiana de mdia
X
e varincia nula. Desta forma a FDC de M
n
(X) se
aproximar cada vez mais de um degrau unitrio em x =
X
. Em outras palavras, quanto maior o valor
de n, maior a probabilidade de um valor especfico da mdia amostral estar no intervalo
X
c.



Vamos agora analisar a mdia amostral em termos da probabilidade de um valor desta mdia estar
distante de k desvios padro ou mais da mdia real
X
. Para fazer esta anlise basta fazer M
n
(X) = Y e c
= k
Y
em P[|M
n
(X)
X
| c] var[X]/nc
2
, levando a: P[|Y
Y
| k
Y
]
Y
2
/(k
Y
)
2
= 1/k
2


----------------------------------------------------------------------------------------------------------------------------

Exemplo: explorando o conceito anterior, se k = 2 significa que a probabilidade da mdia amostral se
encontrar distante de mais de 2 desvios padro de seu valor esperado real menor que = 1/k
2
= 1/2
2
=
0,25. Pode-se tambm dizer que no mnimo 100(1)% = 75% dos valores estimados da mdia
amostral vo estar no intervalo (
X
2
Y
,
X
+ 2
Y
).

FIM DA AULA
91

Aula n Data Tema Exerccios de fixao
Contedo
Exerccios de fixao sobre gerao de nmeros aleatrios, soma de variveis
aleatrias e mdia amostral.
Objetivos
Permitir que os alunos revisitem os conceitos tericos e conheam exemplos de
aplicao destes conceitos na soluo de problemas.


A seguir so propostos e solucionados alguns exerccios sobre parte do contedo acima. Estes
exerccios no cobrem completamente todo este contedo, pois complementam aqueles j considerados
nas aulas anteriores sobre o mesmo assunto.

Exerccios de fixao

1 Vamos retomar um exemplo de exerccio dado na aula 41: amostras independentes de uma forma
de onda so digitalizadas e geram uma varivel aleatria X com distribuio Uniforme na faixa (V 0,5
mV) < X < (V + 0,5 mV), onde V o valor exato da forma de onda no instante de cada amostragem.
Para melhorar a preciso das amostras digitalizadas, cada conjunto de 8 amostras gera uma mdia
(mdia amostral), formando a varivel aleatria W. Utilizando a desigualdade de Chebyshev, pede-se
estimar a probabilidade do erro |W V| ser maior ou igual a 0,05 mV.

Soluo

Como W no est sendo aproximada por uma Gaussiana, o que foi feito no exemplo original pela
aplicao do Teorema do Limite Central, agora a probabilidade desejada ser calculada via
desigualdade de Chebyshev:

[ ]
2
var[ ]
| ( ) |
n X
X
P M X c
nc
=
2
var[ ]
[| | 0, 05]
8 0, 05
X
P W V


Agora temos que calcular a varincia var[X]:
2
2
1
var[ ] mV
12 12
q
X = =
Ento:
2
1
[| | 0, 05] 4, 2
12 8 0, 05
P W V =



Perceba que este resultado absurdo, j que tem um valor maior que 1. Entretanto ele ainda pode ser
utilizado para analisarmos trs possveis situaes que surgem quando aplicamos a desigualdade de
Chebyshev:

A desigualdade de Chebyshev sendo um limitante, valores extremos fazem parte dos possveis
resultados;
O valor encontrado para o limitante dista muito do valor real, 0.624, o que acontece normalmente
com a desigualdade de Chebyshev;
O valor elevado do limitante nos d um indcio de que a probabilidade real procurada pode no ser
pequena, o que verdade neste exemplo, dado que aproximadamente 62,4% dos valores de erro de
digitalizao estaro acima de 0,05 mV.

----------------------------------------------------------------------------------------------------------------------------
92

2 Um modem transmite 1.000.000 de bits. No receptor a probabilidade de erro de deciso pelos bits
transmitidos de 110
3
. Estime a probabilidade de ocorrncia de ao menos 1.100 bits errados a cada
bloco de 1.000.000 de bits transmitidos.

Soluo

O nmero de erros em um bloco de 1.000.000 de bits uma v.a. Binomial que, para n elevado, se
aproxima de uma Gaussiana pelo Teorema do Limite Central. Lembrando que a mdia de uma v.a.
Binomial np e que a sua varincia np(1 p), a v.a. Gaussiana resultante ter mdia E[W] = np =
1.000.000110
3
= 1.000 e varincia var[W] = np(1 p) = 1.000.000110
3
(1 110
3
) = 999, o que
leva a
W
31,61. Ento

1.100 1.000
[ 1.100] 1 [ 1.100] 1 1 1 (3,16)
31, 61
W
W
w
P W P W

| | | |
= < = = =
| |
\
\


Pela tabela de (x) no ANEXO temos ( 3,16) = 1 (3,16) = 7,8884510
4
. Ento,

4
[ 1.100] 1 [ 1.100] 1 (3,16) 7,88845 10 P W P W

= < = = a probabilidade de ocorrncia de ao
menos 1.100 bits errados a cada bloco de 1.000.000 de bits transmitidos.

----------------------------------------------------------------------------------------------------------------------------

3 O tempo mdio de resposta e o desvio padro em um sistema de computadores multi-usurio so,
respectivamente, 15 segundos e 3 segundos. Estime a probabilidade do tempo de resposta estar 5
segundos acima ou abaixo do tempo mdio.

Soluo

Usando a desigualdade de Chebyshev tem-se:

[ ] [ ]
2
2 2
var[ ] 3
| | | 15| 5 0, 36
5
X
X
P X c P X
c
=

----------------------------------------------------------------------------------------------------------------------------

4 Seja uma v.a. X com mdia
X
e varincia
X
2
. Determine a probabilidade de um valor desta v.a.
estar distante da sua mdia de ao menos 2 desvios padro: a) usando a desigualdade de Chebyshev e b)
sabendo que X uma v.a. Gaussiana. Comente sobre os resultados.

Soluo

Usando a desigualdade de Chebyshev:
[ ] [ ]
2 2 2 2
var[ ] 1 1
| | | | 2 0, 25
2
X X X X
X
X
P X k P X
k k

= =

93
Sabendo que X Gaussiana:
[ ] [ ] ( ) | | 1 | | 1 2 1 2 2 2 ( 2) 2 0, 0228 0, 0456
X
X X
X
k
P X k P X k

| |
= < = = = =
|
\


Observe que a probabilidade estimada via desigualdade de Chebyshev (0,25) bem maior que a
probabilidade real (0,0456). Este exerccio mostra que para certas v.a. a desigualdade de Chebyshev
pode levar a limitantes bem folgados para a probabilidade estimada. Entretanto, se no conhecemos a
distribuio de probabilidades da v.a. sob anlise, a desigualdade de Chebyshev ainda pode ser til.

----------------------------------------------------------------------------------------------------------------------------

5 Deseja-se gerar uma v.a. que tenha a FDP f
U
(u) dada a seguir, usando o mtodo da rejeio. Na
figura a seguir, alm da FDP desejada est tambm ilustrada uma possvel FDP escalonada, Kf
X
(x), que
envolve completamente a FDP desejada.


2
(4 )
, 2 5
( )
3
0, caso contrrio
U
u
u
f u

< <
=



Vamos inicialmente encontrar uma FDP f
X
(x) escalonada que envolva a FDP desejada. Esta FDP pode
ser uma Exponencial com = 0,45, deslocada de 2 para a direita e multiplicada pela constante K = 3.

a) Determine Kf
X
(x)

Sabendo que a v.a. Exponencial deslocada de 2 para a direita tem FDP f
X
(x) = e
(x 2)
, ento Kf
X
(x) =
3e
(x 2)
.

b) Determine a expresso de gerao de X pelo mtodo da transformada.

Sabendo que a v.a. Exponencial deslocada tem FDC F
X
(x) = 1 e
(x 2)
, fazemos:
( 2)
1 1
1 ln(1 ) ( 2) ln(1 ) 2 ln(1 ) 2
x
u e u x x u X U



= = = + = + .

c) Determine a expresso de gerao de U entre 0 e 1 pelo mtodo dos resduos de potncia. Determine
U
1
, o segundo valor gerado de U, para M = 2
31
1, = 7
5
e semente igual a 30.000.

5 31
1
1 31
mod (7 30.000) mod(2 1)
0, 235
1 2 2
k
k
U M
U U
M



= = =



94
d) Calcule B(X) = K f
X
(X) e gere o segundo valor para a v.a. Uniforme Y entre 0 e B(X) usando o
mtodo dos resduos com M = 2
31
1, = 7
5
e semente igual a 10.000.

B(X) = K f
X
(X), onde
1 1
ln(1 ) 2 ln(1 0, 235) 2 2, 595
0, 45
X U

= + = + = . Ento,
( )
0,45(2,595 2)
( ) 3 2, 595 3 0, 45 1, 033
X
B X f e

= = =

Gerando Y via mtodo dos resduos tem-se:
5 31
1
1 31
mod (7 10.000) mod(2 1)
( ) 1, 033 0, 081
1 2 2
k
k
Y M
Y B X Y
M



= =



e) Faa o teste de rejeio ou no rejeio de X.

Se Y f
U
(X), devemos aceitar X como valor vlido para a v.a. desejada. Para o valor de X = 2,595
encontrado no item anterior, f
U
(2,595) 0,658. Portanto, como 0,081 < 0,658 aceitaremos a amostra X
= 2,595 como um valor vlido para a varivel aleatria desejada. Retornando ao item c e usando os
valores anteriores das v.a. Uniformes como a semente para gerar os prximos, repetimos o processo at
que tenhamos o nmero desejado de valores da v.a. de interesse.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

95

Aula n Data Tema Mdia amostral - 2
Contedo
A mdia amostral: Intervalo e Coeficiente de Confiana com a Desigualdade de
Chebyshev.
Objetivos
Ao final da aula os alunos devero ser capazes de:
1) conceituar a influncia do intervalo de confiana e do coeficiente de
confiana na anlise da preciso na estimativa de uma mdia via mdia
amostral.
2) realizar clculos envolvendo a anlise da preciso na estimativa de uma
mdia via mdia amostral, utilizando os conceitos de intervalor de confiana e
coeficiente de confiana.


O estudo do Intervalo e do Coeficiente de Confiana tem grande aplicao em estatstica e basicamente
tem por objetivo quantificar o grau de preciso para a estimativa do valor esperado de uma varivel
aleatria, realizada via mdia amostral.

Abordaremos o assunto a partir de duas vertentes:

1) Se a mdia amostral M
n
(X) tem FDP desconhecida, seja devido a um nmero pequeno de
amostras utilizadas ou dificuldade de obteno de parmetros de uma FDP conhecida,
utilizaremos a desigualdade de Chebyshev como base de clculo. Como resultado, teremos
clculos no muito precisos devido ao fato do limitante de probabilidade de Chebyshev ser
bastante folgado.

2) Utilizaremos clculos bastante precisos se a mdia amostral M
n
(X) for Gaussiana por natureza
ou for obtida por meio de um grande nmero de amostras a ponto de podermos aproxim-la por
uma Gaussiana pelo Teorema do Limite Central. O uso desta aproximao ser possvel se
pudermos calcular a mdia e a varincia de M
n
(X).


Intervalo e Coeficiente de Confiana com a Desigualdade de Chebyshev

Como estudamos em aulas anteriores, aplicando-se a desigualdade de Chebyshev mdia amostral
M
n
(X) tem-se que, para qualquer constante c:

[ ]
2
var[ ]
| ( ) |
n X
X
P M X c
nc
= [ ]
2
var[ ]
| ( ) | 1 1
n X
X
P M X c
nc
< =

cuja interpretao, tambm j estudada, revisitada por meio da figura a seguir e pode ser enunciada
como: a probabilidade de um valor da v.a. M
n
(X) estar distante de pelo menos c unidades do valor
mdio desta v.a. sempre menor ou igual a var[X]/nc
2
.

A inequao | M
n
(X)
X
| < c significa que a mdia amostral dista do valor esperado de no mximo c
(para mais ou para menos). O comprimento do intervalo, 2c, denominado de intervalo de confiana.

A inequao P[| M
n
(X)
X
| < c] 1 significa que a probabilidade da mdia amostral estar no
intervalo de confiana de pelo menos 1 . O valor (1 ), ou 100(1 )%, chamado de
96
coeficiente de confiana ou coeficiente de segurana. Se o coeficiente de confiana grande,
podemos ter grande segurana de que a mdia amostral M
n
(X) estar no intervalo (
X
c,
X
+ c).

Em uma aplicao prtica, c indica a preciso desejada de uma estimativa para
X
, 100(1 )%
indica a confiana que temos de ter alcanado esta preciso e n nos diz quantas amostras foram
necessrias para alcanar o valor desejado de preciso.



Vamos, a partir deste ponto, analisar vrios exemplos por meio de estudos de casos. Estes exemplos
nos permitiro construir uma interpretao mais completa acerca do intervalo de confiana, do
coeficiente de confiana e da aplicao destes na soluo de problemas estatsticos reais.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: suponha que queremos estimar a estatura mdia de uma populao por meio de uma mdia
amostral, de tal forma que nossa estimativa no fique distante de mais de 1 cm da mdia real, com ao
menos 90% de probabilidade. Em outras palavras, se fizermos vrias estimativas da estatura mdia
utilizando vrios conjuntos diferentes com n pessoas, queremos que ao menos 90% dos valores
estimados estejam distantes de no mximo 1 cm da estatura mdia real, a qual no conhecemos.
Vejamos quantas amostras precisamos:

Temos que [ ]
2
var[ ]
| ( ) | 1 1
n X
X
P M X c
nc
< = .

Para o problema o coeficiente de confiana 1 = 0,9 e o intervalo de confiana 2c = 2 cm.

Vamos fazer uma estimativa da varincia da estatura colhendo 20 amostras, por exemplo:

1.55 1.66 1.51 1.61 1.43 1.49 1.55 1.68 1.72 1.53
1.54 1.63 1.54 1.49 1.55 1.64 1.65 1.46 1.33 1.59

Antes, porm, precisamos realizar uma estimativa da mdia E[X]:

1
1
1, 56 m
N
X i
i
X
N

=
=

, ento ( )
2
2 2
1
1
0, 01 m
N
X i X
i
X
N

=
=

.

Assim, voltando desigualdade de Chebyshev, teremos:
2
0, 01
1 0, 9 1.000
0, 01
n
n
= = .
97
Ento, se fizermos sucessivas mdias amostrais para estimar a estatura da populao, cada mdia
realizada com 1.000 amostras, garantiremos que o valor estimado estar distante da mdia real de no
mximo 1 cm em ao menos 90% das mdias obtidas.

A figura a seguir mostra o resultado de 50 mdias amostrais com 1.000 amostras cada. Tais amostras
foram geradas por computador, com mdia 1,60 e varincia 0,01. Observe que praticamente todos os
valores de mdia amostral, e no apenas os 90% previstos, esto confinados no intervalo de confiana.
Este exemplo mostra o quo o intervalo de confiana obtido a partir da desigualdade de Chebyshev
pode ser folgado.



Vale ainda mencionar que no incio da soluo deste problema fizemos uma estimativa de mdia e de
varincia com apenas 20 amostras. Se o valor estimado de varincia fosse de 0,005, em vez de 0,01,
diramos que 500 amostras seriam suficientes. Felizmente a folga na desigualdade de Chebyshev pode
permitir que tenhamos anlises satisfatrias mesmo com erros como este. Ficaramos livres deste
problema se estivssemos interessados em um intervalo de confiana relativo, correspondente a um
determinado nmero de desvios padro esquerda e direita da mdia real, por exemplo.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: suponha que queremos agora estimar a estatura mdia de uma populao por meio de uma
mdia amostral, de tal forma que nossa estimativa no fique distante de mais de 0,1 desvios padro da
mdia real, com ao menos 90% de probabilidade.

O coeficiente de confiana continua sendo 1 = 0.9, mas o intervalo de confiana passa a ser 2c =
2(0,1
X
).
Aplicando estes valores desigualdade de Chebyshev, teremos:
2
2 2
1 0, 9 1.000
0,1
X
X
n
n

= = .
Ento, se fizermos sucessivas mdias amostrais para estimar a estatura da populao, cada mdia
realizada com 1.000 amostras, garantiremos que o valor estimado estar distante de no mximo 0,1
desvios padro da estatura mdia real em ao menos 90% das mdias obtidas.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: vamos comentar a afirmao tipicamente ouvida ou lida em pocas de eleies no Brasil:
98

Com base em uma amostra de 1.103 eleitores, coletada em 8 capitais brasileiras, a porcentagem de
pessoas que apiam o candidato Marcos Fernandes de 58%, com preciso de 3 pontos
percentuais.

O que esta afirmao NO significa justamente a interpretao que ns, enquanto leigos sobre o
assunto, atribuiramos a ela: diramos que a afirmao significa que (58 3)% ou que (58 1,74)% dos
eleitores consultados apiam o candidato Marcos Fernandes. Em ambas as interpretaes a estimativa
realizada nos parece ser bastante precisa.

Na verdade o valor 58% ou 0,58 apenas um dos possveis valores da mdia amostral M
n
(X) para n =
1.103. Vejamos outros valores de M
n
(X) que poderiam ser obtidos consultando 10 grupos diferentes de
1.103 eleitores, nas mesmas cidades:

[ ] ( ) 0,568 0,603 0,591 0,597 0,597 0,568 0,585 0,610 0,580 0,576
n
M X =

M
n
(X) foi obtida da seguinte maneira: definem-se as v.a. X
i
, tal que X
i
= 1 se um eleitor apia o
candidato e X
i
= 0 caso contrrio, i = 1, 2, ..., n. As 1.103 amostras de X
i
geraram, por exemplo, a mdia
amostral:

[ ] 1+1+0+0+0+1+1+0+1+...+0
( ) 0, 58
1.103
n
M X = =

As v.a. X
i
ento possuem distribuio de Bernoulli com P[X
i
= 1] = p
i
= P[apoiar o candidato]. Como
no h como conhecer a priori a inteno de voto de cada eleitor, vamos definir a inteno de voto
mdia em favor do candidato Marcos Fernandes como

1
1
N
k
k
p p
N
=
=



onde N o nmero TOTAL de eleitores. Ento a v.a. X ter distribuio de Bernoulli com mdia E[X]
= p e varincia var(X) = p(1p).

A probabilidade de M
n
(X) estar distante de p de no mximo 0,03, que o significado real dos 3
pontos percentuais enunciados no exemplo, :

2 2
var[ ] (1 )
[| ( ) | 0, 03] 1 1 1
(0, 03) (0, 03)
n
X p p
P M X p
n n


< = =

Observe que o coeficiente de confiana depende de p, mas no conhecemos este parmetro. Queremos
ter confiana no resultado da forma mais independentemente possvel do valor de p. Vejamos, por meio
da figura a seguir, como varia o valor p(1p) em funo de p.

99


Analisando a curva p(1 p) observamos que para qualquer valor de p teremos var[X] = p(1 p) 0,25,
o que nos permite afirmar que o coeficiente de confiana ter seu menor valor justamente quando p(1
p) = 0,25. Ento podemos escrever:

2
0, 25 277, 778
(1 ) 1 1 0, 75
(0, 03) n n



Isto significa que ao menos 75% dos valores estimados de M
n
(X) estaro contidos no intervalo (p
0,03). Isto significa tambm que a probabilidade do valor M
n
(X) = 0,58 estar distante de 0,03 do valor
correto das intenes de voto de no mnimo 0,75. Para aumentar este coeficiente de confiana
devemos aumentar o nmero de amostras, n, ou permitir maior intervalo de confiana, 2c.

Se a inteno mdia de voto se confirmar nas eleies como sendo p = 0,27, por exemplo, o valor do
coeficiente de confiana ser

2
0, 27(1 0, 27)
(1 ) 1 0,19
1.103(0, 03)


=

e poderemos dizer que ao menos 19% dos valores estimados de M
n
(X) estaro na faixa de (0,27 0,03),
o que representa uma pobre estimativa, mesmo com um intervalo de confiana pequeno.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

100

Aula n Data Tema Mdia amostral - 3
Contedo
A mdia amostral: Intervalo e Coeficiente de Confiana com a Desigualdade de
Chebyshev (finalizao). Intervalo e Coeficiente de Confiana com a
aproximao Gaussiana pelo TLC. Lei dos grandes nmeros.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) conceituar as diferenas
nas abordagens utilizadas na anlise do intervalo de confiana pela
Desigualdade de Chebyshev e pela aproximao pelo Teorema do Limite
Central. 2) realizar clculos envolvendo a anlise da preciso na estimativa de
uma mdia via mdia amostral, utilizando os conceitos de intervalo de
confiana e coeficiente de confiana via Desigualdade de Chebyshev e via
aproximao pelo Teorema do Limite Central.


Nesta aula complementaremos a anlise do intervalo e do coeficiente de confiana obtidos com a
Desigualdade de Chebyshev e analisaremos o intervalo e o coeficiente de confiana obtidos por meio
da aproximao Gaussiana para a mdia amostral. Faremos este estudo basicamente atravs de
exemplos.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: neste exemplo vamos realizar a anlise do intervalo de confiana em uma aplicao muito
comum nossa rea de formao: a estimativa de taxa de erro de bit em sistemas de comunicao
digital.

Muitas vezes, seja na simulao de sistemas de comunicao ou em sistemas reais, necessitamos
estimar a probabilidade de erro de bit, P
b
, no receptor, posto que este fator de mrito est diretamente
ligado inteligibilidade da informao que se deseja recuperar no receptor. Para realizar esta estimativa
utilizamos o conceito de probabilidade por freqncia relativa: contamos o nmero de bits errados, n
E
,
e dividimos o resultado pelo nmero de bits transmitidos, n. Obviamente esta estimativa ser to mais
precisa quanto maior o nmero de bits transmitidos, ou seja:

lim
E
b
n
n
P
n

=

Tipicamente a estimativa da probabilidade de erro de bit denominada de taxa de erro de bit e
representada pela sigla BER (Bit Error Rate). Ento podemos escrever simplesmente:

BER
E
n
n
=

Apenas para se ter uma noo de ordem de grandeza da BER, na prtica valores teis de taxa de erro de
bit so normalmente pequenos, tipicamente menores que 110
3
, ou seja, em mdia um bit errado a
cada 1.000 bits transmitidos ou menos que isto.

101
Uma regra emprica diz que se n
E
= 100 teremos uma boa estimativa de BER. O objetivo deste
exemplo melhorar esse julgamento subjetivo, luz da anlise do intervalo de confiana e do
coeficiente de confiana.

Uma medida usual da confiabilidade de uma estimativa realizada via mdia amostral o chamado erro
padro normalizado, definido por:

var[ ( )]
( )
n
X
X X
M X


= =

onde o desvio padro da estimativa, ou seja, o desvio padro da mdia amostral M
n
(X).

Sabendo que os erros de bit em um bloco tm distribuio Binomial, onde p a prpria probabilidade
de erro de bit mdia, tem-se:

var[ ( )] (1 ) / var[ ]/ (1 )
( )
n
M X p p n X n p
p
p p p np


= = = =

Como na prtica p pequena, ou seja, valores teis de probabilidade de erro de bit so normalmente
pequenos, podemos simplificar o resultado acima:

2
1 1
ou n
p np

= =

Como afirmado anteriormente, a regra emprica diz que se contarmos 100 erros em um bloco de
tamanho n teremos uma boa estimativa de p, ou seja, teremos uma boa estimativa da BER.

Ter-se 100 erros em um bloco de n bits significa que, a partir da expresso anterior, a mdia para a v.a.
Binomial correspondente vale np = 1/
2
= 100, o que leva a = 0,1 ou = 0,1p. Vejamos o impacto
deste valor no intervalo de confiana calculado pela desigualdade de Chebyshev, verificando a que
distncia do valor mdio os limites deste intervalo se situam:

( )
( )
2
2 2 2
0,1 var[BER] 1 1
[| BER | ] 1 (1 ) (1 ) 1 1
( 0,1 )
var[BER]
p
P p k k
k p k
k

< = = = =

Interpretando este resultado podemos afirmar: dado um coeficiente de confiana 1 , calculamos k e
ento podemos dizer que ao menos 100(1 )% dos valores de BER estimados estaro dentro do
intervalo de confiana de (p 0,1kp , p + 0,1kp).

A figura a seguir se refere ao resultado de estimao da BER por simulao de Monte Carlo (veja
definio mais frente) de um sistema de comunicao digital, para relao sinal-rudo (RSR) varivel.
Para um coeficiente de confiana 1 = 0,90 temos k 3,2. Podemos ento dizer que no mnimo 90%
dos valores de BER estimados estaro no intervalo de confiana de 3,2 = 0,32p, o que corresponde
ao intervalo de confiana (p 0,32p , p + 0,32p).

102
Percebe-se pela figura em questo que tal intervalo de confiana bastante folgado, o que era
esperado, dado que o mesmo deriva-se da desigualdade de Chebyshev: todos os valores de mdia
amostral esto confinados dentro dos limites do intervalo de confiana e no apenas os 90%
especificados.



Um mtodo de Monte Carlo (MC) qualquer mtodo de estimativa em que os parmetros aleatrios do
problema so gerados por computador e as ocorrncias dos eventos de interesse, associadas a v.a. de
Bernoulli, so contadas para posterior obteno de estimativas das probabilidades de ocorrncia destes
eventos por mdia amostral. Sendo assim, o mtodo MC permite a estimao do parmetro de interesse
por meio da freqncia relativa de ocorrncia dos eventos de interesse.

Em seu algoritmo o mtodo MC faz grande uso de nmeros aleatrios e suas aplicaes vo desde
integrao numrica e soluo de problemas matemticos complexos, passando pela anlise de
desempenho de sistemas de comunicao, finanas, engenharia de trnsito, problemas de fsica e
qumica, e muito mais...

Para conhecer mais curiosidades e especificidades do mtodo MC, vale uma visita ao site da
Wikipedia: http://en.wikipedia.org/wiki/Monte_carlo_method .

----------------------------------------------------------------------------------------------------------------------------

Intervalo e Coeficiente de Confiana obtidos com a aproximao Gaussiana pelo TLC

Se a mdia amostral M
n
(X) for Gaussiana por natureza ou for obtida por meio de um grande nmero de
amostras a ponto de podermos aproxim-la por uma Gaussiana pelo Teorema do Limite Central, a
anlise estatstica nos fornecer intervalos de confiana mais justos ou realistas que aqueles
proporcionados pela desigualdade de Chebyshev.

----------------------------------------------------------------------------------------------------------------------------

103
Exemplo: Vamos retomar o exemplo das eleies: se as v.a. indicadoras da inteno de voto, X
i
,
possuem distribuio de Bernoulli, a mdia amostral M
n
(X) =
1
i
n
i
X

possuir distribuio Binominal


que, para n elevado, se aproximar de uma Gaussiana de mdia e varincia dadas por:

2
2
1 1 (1 )
(1 )
p p
np p np p
n n n


= = = =

Suponha que o valor real da mdia que representa as intenes de voto seja de fato p = 0,58. Como
resultado obteremos a FDP Gaussiana ilustrada na figura a seguir.



Como bem sabemos, aproximadamente 99,73% dos valores de uma v.a. Gaussiana estaro no intervalo
3 a + 3. Ento, para o problema em questo, praticamente todos os valores de M
n
(X) estariam
contidos no intervalo (0,58 0,045).

Para realizarmos uma comparao com a anlise feita via desigualdade de Chebyshev, vamos
determinar os limites do intervalo de confiana para um coeficiente de confiana de 0,75. A figura a
seguir ilustra o valor de c que queremos calcular.



( )
(0, 58 ) 0, 58
0, 75 1 2 0, 75 1 2 0, 75 1 2
0, 015 0, 58(1 0, 58) /1.103
0,125 de uma tabela da funo : 1,15 0, 017
0, 015 0, 015
z c c
c c
x c

| |
| | | |
= = =
|
| |
|
\ \
\
| |
= =
|
\


104
Perceba ento que 75% dos valores da mdia amostral estariam no intervalo (0,58 0,017) e no no
intervalo (0,58 0,03) previsto pela desigualdade de Chebyshev. Perceba mais uma vez a folga
estabelecida por esta desigualdade na anlise do intervalo de confiana.

Vamos agora calcular qual seria de fato o coeficiente de confiana para o intervalo de confiana
analisado originalmente no problema das eleies, ou seja, 2c = 20,03:

( )
(0, 58 0, 03) 0, 58
(1 ) 1 2 1 2 2 1 2 0, 023 0, 954
0, 58(1 0, 58) /1.103

| |

= = =
|
|

\


Ou seja, 95,4% dos valores de mdia amostral estimados estaro no intervalo (0,58 0,03), bem mais
que os 75% previstos via desigualdade de Chebyshev.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: vamos repetir a anlise de um dos problemas da estimativa da estatura de uma populao,
feita na aula anterior via desigualdade de Chebyshev, porm agora utilizando a aproximao Gaussiana
para a mdia amostral. Relembrando, queremos estimar a estatura mdia de uma populao por meio
de uma mdia amostral, de tal forma que nossa estimativa no fique mais de 0,1 desvios padro (da
estatura) distante da mdia real, com ao menos 90% de probabilidade.

O coeficiente de confiana 1 = 0.9 e o intervalo de confiana 2c = 2(0,1
X
).

Ento, usando a aproximao Gaussiana para a mdia amostral teremos:

( ) ( )
2
( 0,1 )
0, 9 1 2 1 2 0,1 0,1 0, 05
/
Da tabela da funo ( ) : 0,1 1, 64 269
X X X
X
n n
n
x n n

| |

| = = =
|
\
=


Ento, se fizermos sucessivas mdias amostrais para estimar a estatura da populao, cada mdia
realizada com 269 amostras, garantiremos que o valor estimado estar distante de no mximo 0,1
desvios padro da estatura mdia real em ao menos 90% das mdias obtidas. Veja mais uma vez o
quanto o intervalo de confiana usando a desigualdade de Chebyshev folgado. Antes havamos
estimado que seriam necessrias 1.000 amostras para atender ao coeficiente de confiana e ao intervalo
de confiana especificados; agora verificamos que de fato precisamos de apenas 269 amostras.

A figura a seguir mostra o resultado de 50 mdias amostrais com 269 amostras cada. As amostras, com
distribuio Gaussiana de mdia 1,60 e varincia 0,01 foram geradas por computador.

105


Observe que alguns valores de mdia amostral no esto confinados no intervalo de confiana, pois o
coeficiente de confiana de 90% e no de 100%.

Este exemplo mostra o quo o intervalo de confiana obtido a partir da aproximao Gaussiana para a
mdia amostral pode ser mais justo e mais coerente que aquele obtido a partir da desigualdade de
Chebyshev.

----------------------------------------------------------------------------------------------------------------------------


Lei dos grandes nmeros

A lei dos nmeros grandes invocada nas situaes em que se deseja dar a noo de que mesmo
os eventos muito improvveis podem ocorrer quando um nmero suficientemente grande de
chances dado.

Sabe-se que a Estatstica deriva-se da teoria de probabilidade e, em Estatstica, a lei dos nmeros
grandes significa que com uma grande amostra mais provvel que se manifestem as caractersticas do
espao amostral (populao) do que com uma pequena amostra.

Esta lei diz ainda que M
n
(X) converge para o valor de com probabilidade 1, o que significa que no
h convergncia da mdia amostral para outro valor que no seja . Isto justifica a interpretao
intuitiva de que o valor esperado de uma v.a. pode ser estimado por meio de uma mdia com n
suficientemente grande.

A figura a seguir mostra, no eixo vertical, o valor estimado da probabilidade de um dado apresentar o
valor 3, por freqncia relativa, M
n
(X), e o valor esperado,
X
. No eixo horizontal a figura mostra o
nmero acumulado de jogadas do dado, n. medida que n aumenta M
n
(X) converge para
X
.

106


----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

107

Aula n Data Tema Exerccios de fixao
Contedo
Exerccios de fixao sobre: intervalo e coeficiente de confiana com a
Desigualdade de Chebyshev, intervalo e coeficiente de confiana com a
aproximao Gaussiana pelo TLC e sobre a Lei dos grandes nmeros.
Objetivos
Permitir que os alunos revisitem os conceitos tericos e conheam exemplos de
aplicao destes conceitos na soluo de problemas.


1 Refaa a anlise do problema da estimativa probabilidade de erro de bit, feita anteriormente via
desigualdade de Chebyshev, agora utilizando a aproximao Gaussiana para a mdia amostral. Pede-se:

a) Calcule o novo intervalo de confiana para um coeficiente de confiana de 0.9, conservadas
iguais as demais condies do problema. Interprete o resultado.
b) Mantendo o intervalo de confiana de (p 0,32p , p + 0,32p), qual a porcentagem dos valores
BER estimados se espera que estejam dentro do intervalo de confiana?

Soluo a)

Vimos na aula passada que com 100 erros em um bloco de n bits, a mdia para a v.a. Binomial
correspondente vale np = 1/
2
= 100, o que leva a = 0,1 ou = 0,1p. Vejamos o impacto deste valor
no intervalo de confiana calculado agora via aproximao Gaussiana para a mdia amostral,
verificando a que distncia do valor mdio exato os limites deste intervalo se situam:

( )
( )
0, 90 1 2 0, 90 1 2 0, 90 1 2
0,1 0,1
0, 05 de uma tabela da funo : 1, 64 0,16
0,1 0,1
z p kp p k
p
k k
x k

| | | | | |
= = =
| | |
\ \ \
| |
= =
|
\


Interpretando este resultado podemos afirmar que no mnimo 90% dos valores de BER estimados
estaro no intervalo de confiana de 0,16p, o que corresponde ao intervalo de confiana (p 0,16p , p
+ 0,16p), onde p o valor exato da probabilidade de erro de bit.

A figura a seguir se refere ao resultado de estimao da BER por simulao de Monte Carlo de um
sistema de comunicao digital, para relao sinal-rudo (RSR) varivel. Nela esto registrados os
intervalos de confiana obtidos via desigualdade de Chebyshev e via aproximao Gaussiana. Como
esperado, perceba que o intervalo de confiana obtido via aproximao Gaussiana mais preciso que
aquele obtido via desigualdade de Chebyshev.

108


Soluo b)

Mantendo o intervalo de confiana igual ao calculado via desigualdade de Chebyshev, ou seja (p
0,32p , p + 0,32p), vamos calcular o novo coeficiente de confiana utilizando a aproximao Gaussiana
para a mdia amostral.

( )
( )
4
( 0, 32 ) 0, 32
(1 ) 1 2 (1 ) 1 2 1 2 3, 2
0,1 0,1
De uma tabela da funo : (1 ) 1 2 6,87 10 0, 9986
p p p
p
x


| | | |
= = =
| |
\ \
= =


Este resultado significa que, se aguardarmos a ocorrncia de 100 erros de bit, aproximadamente
99,87% dos valores de mdia amostral (BER) estimados vo estar no intervalo de confiana (p 0,32p
, p + 0,32p), onde p o valor exato da probabilidade de erro de bit.

----------------------------------------------------------------------------------------------------------------------------

2 Realizamos n tentativas independentes de um experimento e estamos interessados em estimar a
probabilidade de um evento A ocorrer. Vamos calcular o menor valor de n tal que nossa estimativa
esteja em um intervalo de confiana igual a 0.02, com coeficiente de confiana igual a 0.999.

Soluo

Vamos fazer a varivel indicadora X = 1 quando o evento A ocorrer e X = 0 em caso contrrio.
Podemos utilizar a mdia amostral M
n
(X) como estimativa da probabilidade do evento A ocorrer.
Vamos denominar esta estimativa de P[A]. X uma varivel aleatria de Bernoulli com valor esperado
E[X] = p = probabilidade do evento A ocorrer = P[A].

Sabemos que
2
var[ ]
[| ( ) | ] 1 (1 )
n X
X
P M X c
nc
< =

109
Ento teremos [ ]
2
[ ](1 [ ])
| '[ ] [ ] | 1
P A P A
P P A P A c
nc

<

De resultados obtidos em aulas anteriores, p(1 p) 0,25. Logo: [ ]
2
1
| '[ ] [ ] | 1
4
P P A P A c
nc
<

Como queremos um intervalo de confiana de 0,02, temos c = 0,01. Como queremos um coeficiente de
segurana de 0.999, ento:

6
min 2
1
1 0, 999 2, 5 10 tentativas.
4 (0, 01)
n
n
= =

----------------------------------------------------------------------------------------------------------------------------

3 Realizamos n tentativas independentes de um experimento e queremos estimar a probabilidade de
um evento A ocorrer. Calcular o menor valor de n tal que a probabilidade da estimativa diferir em mais
de 10% do valor da probabilidade P[A] seja no mximo 0,001.

Soluo

[ ]
[ ]
2
2 2 2
[ ](1 [ ])
| '[ ] [ ] |
[ ](1 [ ]) 1 [ ]
| '[ ] [ ] | 0,1 [ ]
(0,1) [ ] (0,1) [ ]
P A P A
P P A P A c
nc
P A P A P A
P P A P A P A
n P A n P A



=


Como 1 P[A] menor ou igual a 1, teremos:

[ ]
2
1 [ ] 1 100 100 100
| '[ ] [ ] | 0,1 [ ]
(0,1) [ ] 0, 01 [ ] [ ] [ ] 0.001 [ ]
P A
P P A P A P A n
n P A n P A nP A nP A P A

= = =

Logo, o nmero de tentativas necessrias varia inversamente com a probabilidade do evento,
P[A] e diretamente proporcional ao coeficiente de confiana. Portanto, podemos concluir que se
desejamos fazer uma boa estimativa de um evento raro A, o nmero de chances para que A
ocorra deve ser suficientemente grande. Compare esta concluso com uma das interpretaes da
Lei dos Grandes Nmeros.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA
110

Aula n Data Tema Processos Estocsticos - 1
Contedo
Processos estocsticos: Processo Aleatrio definio. Processo aleatrio
estacionrio. Mdia de um processo estocstico. Funo de auto-correlao de
um processo estocstico. Principais propriedades da funo de auto-correlao.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) conceituar Processos
Estocsticos e citar exemplos de p.a. discretos no tempo e discretos nos valores;
discretos no tempo e contnuos nos valores; continuos no tempo e discretos nos
valores e contnuos no tempo e contnuos nos valores. 2) conceituar a mdia e a
funo de auto-correlao de um processo aleatrio. 3) associar a funo de
autocorrelao com a taxa de variao de um processo aleatrio ao longo do
tempo. 4) realizar clculos de mdia e de auto-correlao de um processo
aleatrio, seja pela definio estatstica ou por aproximao via mdia amostral.


A natureza aleatria de muitos fenmenos observados em Engenharia se manifesta temporal ou
espacialmente. Uma famlia de variveis aleatrias que se manifesta desta maneira recebe o nome de
processo estocstico ou simplesmente processo aleatrio (p.a.).

Deste ponto em diante no nosso curso utilizaremos os conceitos j estudados para caracterizar e
analisar processos aleatrios comumente encontrados em problemas de Telecomunicaes. Devido
grande importncia dos conceitos sobre processos estocsticos no estudo desta rea, vrias partes destas
notas foram baseadas na referncia: HAYKIN, Simon, Communication Systems, 4th Edition, John
Wiley and Sons, Inc.: New York, USA, 2001, Captulo 1. Verso em Portugus disponvel.

Sendo assim, recomenda-se fortemente que esta referncia seja includa como material de estudo.


Processo Aleatrio - definio

Como exemplo, seja um sinal aleatrio de tenso ou corrente e o conjunto de suas possveis realizaes
X(t,
1
) ... X(t,
4
) ilustradas na figura a seguir. A um conjunto como este se d o nome de processo
aleatrio X(t) ou processo estocstico X(t). A cada uma das realizaes citadas d-se o nome de
funo amostra x(t) do processo X(t). Se amostrarmos X(t) em, por exemplo, t
1
e t
2
, o conjunto de
amostras compor as variveis aleatrias X(t
1
) X
1
e X(t
2
) X
2
com valores x
1
e x
2
.

111


A seguir tm-se algumas observaes sobre a definio de processos aleatrios:

Um processo aleatrio um conjunto de valores aleatrias indexados temporal ou espacialmente.
Em outras palavras, um p.a. pode ser visto como um conjunto de variveis aleatrias cujos valores
especficos surgem ao longo do tempo ou em diferentes pontos do espao. Por exemplo, um sinal
de voz um processo aleatrio com variaes temporais. J o ngulo de inclinao de um edifcio
quando sujeito a ao do vento um processo aleatrio que se manifesta espacialmente.

Se o ndice mencionado discreto tem-se um processo aleatrio discreto; se o ndice contnuo
tem-se um processo contnuo. Os possveis valores do processo aleatrio tambm podem ser
discretos ou contnuos. Tem-se ento quatro combinaes: 1) p.a. discreto no tempo e discreto nos
valores; 2) p.a. discreto no tempo e contnuo nos valores; 3) p.a. continuo no tempo e discreto nos
valores e 4) p.a. contnuo no tempo e contnuo nos valores;

No caso de uma v.a. o resultado de cada experimento aleatrio um nmero chamado amostra.
Para um processo estocstico o resultado de cada experimento uma forma de onda chamada
funo amostra.

O nmero de formas de onda no conjunto pode ser finito ou infinito.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: A sada de um gerador de pulsos binrios de durao T, se analisada em perodos de 10T,
um conjunto com 2
10
possveis formas de onda. A figura a seguir ilustra quatro realizaes deste
conjunto. Neste caso temos um exemplo em que o nmero de formas de onda no conjunto finito, da
forma como o processo aleatrio foi definido.

112


Se analisssemos trechos de durao equivalente em um sinal de sada de transmissor ao longo da
transmisso de um programa de rdio qualquer, perceberamos infinitas possibilidades para as funes
amostra observadas. Neste caso temos um exemplo em que o nmero de formas de onda no conjunto
infinito.

----------------------------------------------------------------------------------------------------------------------------

Processo aleatrio estacionrio

Em sendo aleatrio, um processo estocstico analisado com ferramentas estatsticas. Sendo assim, ao
analisarmos um p.a., obtemos dele propriedades estatsticas. Um processo aleatrio dito estacionrio
se possuir propriedades estatsticas independentes do instante de tempo em que a observao do
processo se inicia. Isto significa que se um processo aleatrio dividido em vrias sees, estas sees
exibiro propriedades estatsticas idnticas.

Normalmente um processo aleatrio estacionrio origina-se de fenmenos fsicos estveis, como na
maior parte dos casos que encontraremos em Telecomunicaes.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Seja determinar a probabilidade de se obter uma funo amostra x(t) de um p.a. X(t) que
passe pelas janelas de amplitude mostradas na figura a seguir. Isto equivale a se determinar a
probabilidade do evento conjunto: A = {a
i
< X(t
i
) b
i
}, para i = 1, 2, 3.


113

Se o p.a. X(t) em questo for estacionrio, a probabilidade do suas funes amostra passarem pelas
janelas de amplitude na parte (a) da figura a seguir igual probabilidade de suas funes amostra
passarem pelas janelas de amplitude na parte (b) desta figura.





----------------------------------------------------------------------------------------------------------------------------

Como estamos tratando de processos aleatrios, as ferramentas que utilizaremos para analis-los nos
fornecero informaes estatsticas e no determinsticas. Dentre estas informaes destacam-se as
mdias estatsticas, as quais j foram estudadas no contexto de variveis aleatrias. Vamos a seguir
estudar as principais mdias estatsticas de anlise de um processo aleatrio.


Mdia de um processo estocstico

A mdia de um processo aleatrio X(t) observado no instante t
i
dada por:

( )
( ) [ ( )] ( )
i
X i i X t
t E X t xf x dx

= =



Interpreta-se esta expresso da seguinte maneira: a mdia de um processo aleatrio X(t) observado no
instante t
i
a mdia da varivel aleatria obtida pela amostragem do processo X(t) no instante t
i
. A
funo densidade de probabilidade desta v.a.
( )
( )
i
X t
f x .

Para um processo aleatrio estacionrio a mdia independe de t, ou seja:

114
( ) para qualquer
X X
t t =

Isto significa que se amostrarmos um processo aleatrio em qualquer instante de tempo, teremos
variveis aleatrias sempre com a mesma mdia.

A mdia pode ser estimada via mdia amostral se colhermos um nmero suficientemente grande de
amostras do p.a. analisado. Em outras palavras, a mdia pode ser determinada por meio de:

1
1
( ) lim ( )
N
X i j i
N
j
t X t
N

=
=



onde X
j
(t
i
) o valor da amostra da j-sima funo-amostra no instante de tempo t
i
.

As estatsticas de primeira ordem, ou seja, aquelas que envolvem apenas uma varivel aleatria obtida
a partir de amostras um processo aleatrio, podem no ser suficientes para caracteriz-lo. Como
exemplo, o p.a. Y(t) ilustrado na figura a seguir simplesmente o p.a. X(t) comprimido no tempo.
Ambos tm a mesma FDP (de primeira ordem), mas Y(t) tem componentes de freqncia mais
elevadas, pois varia mais rapidamente. Como podemos levar isso em conta nas estatsticas do processo?
A resposta reside no estudo de estatsticas de segunda ordem, aquelas que envolvem duas variveis
aleatrias obtidas a partir de amostras do processo aleatrio sob anlise em dois instantes de tempo
quaisquer.

A funo de auto-correlao, que o nosso prximo assunto, a estatstica de segunda ordem de maior
interesse no estudo de processos estocsticos comumente encontrados em Telecomunicaes.




Funo de auto-correlao de um processo estocstico

A funo de auto-correlao de um p.a. X(t) o valor esperado do produto de duas v.a. X(t
1
) e X(t
2
),
obtidas pela observao do p.a. nos instantes t
1
e t
2
, respectivamente, ou seja:

115
1 2
1 2 1 2 1 2 ( ), ( ) 1 2 1 2
( , ) [ ( ) ( )] ( , )
X X t X t
R t t E X t X t x x f x x dx dx


= =



Trata-se de uma funo, pois o valor especfico da correlao entre as variveis aleatrias
correspondentes depende dos instantes de tempo em que foram geradas.

Perceba que a funo de auto-correlao revela a taxa de variao de um processo aleatrio, posto que
se o processo lento, amostras espaadas de um determinado intervalo levaro a valores de
correlao maiores entre as v.a. correspondentes que aqueles obtidos a partir de amostras de um
processo rpido, para o mesmo espaamento entre tais amostras.

A funo de auto-correlao tambm pode ser estimada via mdia amostral se colhermos um nmero
suficientemente grande de amostras do p.a. analisado, ou seja:

1 2 1 2
1
1
( , ) lim ( ) ( )
N
X j j
N
j
R t t X t X t
N

=
=



Para um processo estocstico estacionrio a funo de auto-correlao independe do momento em que
as amostras so colhidas, dependendo somente do espaamento temporal entre elas. Assim teremos:

1 2 2 1
( , ) ( ) ( )
X X X
R t t R t t R = =
1 2
para qualquer valor de e de t t


Principais propriedades da funo de auto-correlao

A funo de auto-correlao uma funo par:

( ) ( )
X X
R R = .

O seu mximo valor ocorre em = 0, ou seja:

| ( ) | (0)
X X
R R .

O valor quadrtico mdio do p.a. dado por:

2
[ ( )] (0)
X
E X t R = .

A figura a seguir ilustra estas propriedades e mostra que a funo de auto-correlao de um processo
aleatrio est intimamente ligada com o contedo de freqncias deste processo. Um p.a. que tem
flutuaes mais rpidas e que, portanto, tem componentes de freqncia mais elevadas, tem uma
funo de auto-correlao mais aberta. Um p.a. que tem flutuaes mais lentas e que, portanto, no
tem componentes de freqncias altas, tem uma funo de auto-correlao mais estreita. Veremos
mais adiante no nosso curso que, de fato, a forma como as componentes de freqncia de um sinal
aleatrio de tenso se distribuem ser determinada pela Transformada de Fourier da funo de auto-
correlao do processo aleatrio correspondente.

116


----------------------------------------------------------------------------------------------------------------------------

Exemplo: A funo amostra x(t) dada na figura a seguir pertence ao p.a. X(t) referente a uma seqncia
binria aleatria tal que: bit 1 +A, bit 0 A. Os pulsos no so sincronizados: o instante de incio
td do primeiro bit completo pode estar entre 0 e T com FDP uniforme. Bits consecutivos tm valores 0
ou 1 igualmente provveis E[X(t)] = 0, e cada bit tem seu valor independente de qualquer valor
anterior ou posterior. Vamos determinar a funo de auto-correlao do p.a. X(t).



Inicialmente vamos considerar | t
k
t
i
| T. Neste caso X(t
k
) e X(t
i
) ocorrem em diferentes intervalos de
pulso e so, portanto, independentes:

[ ( ) ( )] [ ( )] [ ( )] 0, | |
k i k i k i
E X t X t E X t E X t t t T = =

Agora vamos considerar |t
k
t
i
| < T, com t
i
< t
k
. Neste caso X(t
k
) e X(t
i
) vo ocorrer no mesmo intervalo
de pulso somente se t
d
< T |t
k
t
i
|. Ento:

2
, | |
[ ( ) ( )| ]
0, caso contrrio
d k i
k i d
A t T t t
E X t X t t
<
=



Para eliminar o condicionamento ao valor de t
d
aplicamos a Lei da Esperana Total que diz que:

{ } [ ] [ | ] E X E E X Y =

Assim, realizando a mdia sobre todos os possveis valores de t
d
, obtemos:

117
2
| | | |
2 2
0 0
| |
[ ( ) ( )] ( ) 1
k i k i
d
T t t T t t
k i
k i T d d d
A t t
E X t X t A f t dt dt A
T T

| |
= = =
|
\



E finalmente, fazendo = t
k
t
i
tem-se a funo de auto-correlao desejada

2
| |
1
( ) , | |
0, | |
X
A
R T T
T

| |

|
= <
\

,

cujo esboo mostrado na figura a seguir.


----------------------------------------------------------------------------------------------------------------------------

Na prtica muitas vezes suficiente verificar se somente as estatsticas de primeira e de segunda ordem
no variam com o tempo. Um p.a. cuja mdia independe do tempo e a funo de auto-correlao
depende somente da diferena entre os instantes de observao, no do valor especfico destes
instantes, denominado processo aleatrio estacionrio no sentido amplo (Wide-Sense Stationary,
WSS), ou simplesmente estacionrio.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

118

Aula n Data Tema Processos Estocsticos - 2
Contedo
Processos estocsticos: Funo de correlao cruzada para dois processos
estocsticos estacionrios. Funo de auto-covarincia de um processo
estocstico. Funo de covarincia cruzada para dois processos estocsticos
estacionrios. Processos estocsticos ergdicos.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) identificar processos
aleatrios ortogonais e descorrelacionados a partir de anlise das funes de
correlao cruzada e de auto-covarincia. 2) determinar as funes de
correlao cruzada e de auto-covarincia de processos aleatrios, seja pela
definio estatstica ou por aproximao via mdia amostral. 3) conceituar
processos estocsticos ergdicos e sua importncia em termos de simplificao
na estimativa de suas mdias estatsticas em termos de mdias temporais. 4)
realizar clculos de mdias estatsticas de processos aleatrios ergdicos por
meio de mdias temporais.


Funo de correlao cruzada para dois processos estocsticos estacionrios

A funo de correlao cruzada para os processos estocsticos estacionrios X(t) e Y(t) :

( ) [ ( ) ( )] e ( ) [ ( ) ( )]
XY YX
R E X t Y t R E Y t X t = + = +

Esta funo par e mede a correlao entre a varivel aleatria gerada por amostragem do processo
X(t) em um instante t qualquer e a varivel aleatria gerada por amostragem do processo Y(t) em um
instante t + . Sua principal aplicao reside na verificao do grau de ortogonalidade entre processos
aleatrios: dois processos estocsticos so ditos ortogonais se a funo de correlao cruzada nula.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Em sistemas de comunicao comum encontrarmos o que chamado de modulao em
quadratura. Neste tipo de modulao tem-se

1
( ) ( ) cos(2 )
c
X t I t f t = + e
2
( ) ( )sin(2 )
c
X t Q t f t = + ,

onde I(t) e Q(t) so sinais relacionados informao que se deseja transmitir e uma fase aleatria
uniformemente distribuda em (0, 2]. Vamos determinar a funo de correlao cruzada entre os
processos X
1
(t) e X
2
(t):

12 1 2
1
2
1
2
( ) [ ( ) ( )]
[ ( ) ( ) cos(2 )sin(2 2 )]
[ ( ) ( )] [cos(2 )sin(2 2 )]
( ) [sin(4 2 2 ) sin(2 )]
( )sin(2 )
c c c
c c c
IQ c c c
IQ c
R E X t X t
E I t Q t f t f t f
E I t Q t E f t f t f
R E f t f f
R f





=
= + + +
= + + +
= +
=


119
onde fizemos o uso do fato que independente de I(t) e Q(t) e da identidade sin(a)cos(b) = sin(a
b) + sin(a + b).

Note que para = 0 teremos R
12
() = 0. Isto significa que se os processos X
1
(t) e X
2
(t) forem
amostrados simultaneamente, sero obtidas variveis aleatrias ortogonais. De um ponto de vista mais
relacionado s telecomunicaes, isto significa ainda que os sinais I(t) e Q(t) no se interferiro quando
transmitidos por portadoras em quadratura.

----------------------------------------------------------------------------------------------------------------------------


Funo de auto-covarincia para um processo estocstico

A funo de auto-covarincia de um p.a. X(t) a covarincia das v.a. X(t
1
) e X(t
2
), obtidas pela
observao do p.a. nos instantes t
1
e t
2
, respectivamente. Pode ser interpretada como a funo de auto-
correlao do processo centralizado (retirando-se a mdia) e definida por:

[ ][ ] { }
1 2 1 1 2 2 1 2 1 2
( , ) ( ) ( ) ( ) ( ) ( , ) ( ) ( )
X X X X X X
K t t E X t t X t t R t t t t = =

Para um p.a. estacionrio, a funo de auto-covarincia vale:

2
1 2 2 1
( , ) ( )
X X X
K t t R t t =

Fazendo t
2
t
1
= , podemos escrever:

2
( ) ( )
X X X
K R =

Se a funo de auto-covarincia de um processo aleatrio nula, significa que as variveis obtidas por
amostragem deste processo nos instantes t
1
e t
2
so descorrelacionadas. Neste caso a correlao entre
estas variveis passar a ser determinada pelo produto das mdias do processo em questo, avaliadas
nos instantes t
1
e t
2
.

Da mesma forma que no estudo de variveis aleatrias, a covarincia uma medida da amarrao
estatstica entre os processos aleatrios analisados. Assim, se a funo de auto-covarincia tem um
valor elevado a um dado = t
2
t
1
, as estatsticas obtidas da varivel aleatria X(t
1
) tm grande
probabilidade de ser observadas tambm na varivel aleatria X(t
2
). Como exemplo, se X(t
1
) tem mdia
elevada, X(t
2
) provavelmente o ter.


Funo de covarincia cruzada para dois processos estocsticos estacionrios

Em se tratando de dois processos aleatrios, pode-se definir a funo de covarincia cruzada que, para
processos estacionrios, vale:

( ) ( )
XY XY X Y
K R =

120
Se os processos X(t) e Y(t) so descorrelacionados, K
XY
() = 0 e a funo de correlao cruzada entre
os processos passa a ser determinada pelo produto das suas mdias, ou seja:

( )
XY X Y
R =

Observe que para processos ortogonais R
XY
() = 0. Estes processos sero tambm descorrelacionados se
a mdia
X
ou a mdia
Y
for nula, ou ambas forem nulas.


Processos estocsticos ergdicos

O conceito de processos estocsticos ergdicos um dos mais teis ao estudo de sistemas de
comunicao e, por esta razo, daremos a este estudo uma grande importncia.

As mdias de um p.a. so, por definio, mdias estatsticas tomadas atravs do processo, ou seja,
operando no conjunto de funes amostra. Para os processos ergdicos, as mdias estatsticas podem
ser obtidas por meio de medias temporais realizadas a partir de uma nica funo amostra, ou seja, ao
longo do processo. Felizmente, em telecomunicaes os processos aleatrios podem ser considerados,
em sua maioria, ergdicos.

A classe de processos ergdicos compreende uma classe especial de processos aleatrios estacionrios.

A figura a seguir, praticamente uma rplica daquela utilizada quando definimos processos aleatrios,
ilustra o conceito de obteno de amostras atravs e ao longo de um processo aleatrio.





Para um processo ergdico X(t), considere um intervalo de observao T de uma de suas funes
amostra, x(t). A mdia e a funo de auto-correlao podem ser determinadas pelas mdias temporais:

121
/ 2
/ 2
1
( ) ( )
T
X
T
T x t dt
T


/ 2
/ 2
1
( , ) ( ) ( )
T
X
T
R T x t x t dt
T

= +



[ ]
[ ] { }
lim ( )
lim var ( ) 0
X X
T
X
T
T
T

=
=

[ ]
[ ] { }
lim ( , ) ( )
lim var ( , ) 0
X X
T
X
T
R T R
R T

=
=


Em termos da funo de correlao cruzada, para dois processos aleatrios ergdicos teremos:

/ 2
/ 2
1
( , ) ( ) ( )
T
XY
T
R T x t y t dt
T

= +



[ ]
[ ] { }
lim ( , ) ( )
lim var ( , ) 0
XY XY
T
XY
T
R T R
R T

=
=


Em outras palavras, se o processo aleatrio ergdico, as mdias estatsticas podem ser calculadas
temporalmente, ou seja, em vez de realizar os clculos atravs do processo, por meio do
operador E[ ], realizam-se os clculos ao longo de uma nica funo amostra do processo, por
meio de mdias temporais.

As expresses complementares envolvendo limites significam que medida que o intervalo de
observao T aumenta, maior a convergncia da mdia temporal em relao ao valor real da
mdia estatstica e menor a varincia da mdia temporal em relao ao valor real da mdia
estatstica.

As mdias temporais pressupem o conhecimento da representao matemtica para x(t). Entretanto,
como x(t) aleatrio, na prtica as integrais que fazem parte da definio da mdia e da funo de auto-
correlao de um p.a. ergdico so aproximadas por somatrios das amostras de uma funo amostra
do processo sob anlise. Em outras palavras, em situaes prticas as mdias temporais de processos
estocsticos ergdicos podem ser estimadas por meio de mdias amostrais dos processos em questo:

1
1
( ) ( )
N
X i
i
N x t
N

=
=


1
1
( , ) ( ) ( )
N
X i i
i
R N x t x t
N

=
= +



[ ]
[ ] { }
lim ( )
lim var ( ) 0
X X
N
X
N
N
N

=
=

[ ]
[ ] { }
lim ( , ) ( )
lim var ( , ) 0
X X
N
X
N
R N R
R N

=
=


Em termos da funo de correlao cruzada, para dois processos aleatrios ergdicos teremos:

1
1
( , ) ( ) ( )
N
XY i i
i
R N x t y t
N

=
= +



122
[ ]
[ ] { }
lim ( , ) ( )
lim var ( , ) 0
XY XY
N
XY
N
R N R
R N

=
=


----------------------------------------------------------------------------------------------------------------------------

Exerccio de fixao

Suponha que um dado gerador de forma de onda aleatria possa ser programado para gerar diferentes
tipos de processos aleatrios. Utilizando este gerador, pede-se:

a) Proponha um experimento que lhe permita estimar a mdia e a funo de auto-correlao de um
p.a. qualquer de sada.
b) Proponha um experimento que lhe permita determinar se o processo aleatrio de sada do
gerador ou no ergdico.
c) Sabendo que os p.a. gerados so ergdicos, proponha um experimento que lhe permita estimar a
mdia e a funo de auto-correlao de um p.a. qualquer de sada.
d) Sabendo que os p.a. gerados so ergdicos, proponha um experimento que lhe permita
determinar de forma aproximada a funo densidade de probabilidade de um p.a. qualquer de
sada do gerador.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

123

Aula n Data Tema Processamento de sinais aleatrios - 1
Contedo
Processamento de sinais aleatrios: Principais mdias estatsticas envolvendo
sistemas lineares. Densidade espectral de potncia (DEP) de um processo
aleatrio. Algumas propriedades da DEP.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) calcular a mdia e
determinar a funo de autocorrelao do processo aleatrio de sada de um
sistema linear inveriante no tempo. 2) conceituar densidade espectral de
potncia. 3) realizar clculos de densidade espectral de potncia via
transformada de Fourier de uma funo de auto-correlao. 4) realizar clculos
simplificados de densidade espectral de potncia de processos aleatrios que
correspondam a seqncias binrias bipolares.


No estudo de sistemas de comunicao comum encontrarmos problemas que envolvem a passagem
de sinais aleatrios por sistemas lineares, tais como filtros de transmisso e recepo, multiplicadores,
integradores, etc. Nesta parte do curso utilizaremos de forma combinada os conceitos sobre processos
aleatrios e sobre sistemas lineares, objetivando caracterizar os processos aleatrios de entrada e de
sada destes sistemas.

Mais uma vez, devido grande importncia dos conceitos sobre processos estocsticos no estudo de
sistemas de comunicaes, vrias partes destas notas foram baseadas na referncia: HAYKIN, Simon,
Communication Systems, 4th Edition, John Wiley and Sons, Inc.: New York, USA, 2001, Captulo 1.
Sendo assim, recomenda-se fortemente que esta referncia seja includa como material de estudo.

----------------------------------------------------------------------------------------------------------------------------

Principais mdias estatsticas envolvendo sistemas lineares

A figura a seguir mostra um sistema linear invariante no tempo com resposta ao impulso h(t), tendo
como entrada o processo aleatrio X(t) e como sada o processo Y(t).



O processo aleatrio de sada do sistema linear, embora no possa ser determinado em termos de uma
expresso matemtica, continua sendo dado pela convoluo do processo de entrada com a resposta ao
impulso do sistema, ou seja:

( ) ( ) ( ) ( ) ( ) ( ) ( ) Y t X t h t h u X t u du X u h t u du


= = =



A mdia do processo aleatrio de sada dada por:

( ) [ ( )] ( ) [ ( )] ( ) ( )
Y X
t E Y t h u E X t u du h u t u du


= = =


124

Se o processo X(t) for estacionrio, teremos como mdia de sada:

2
0
( ) ( ) (0)
j ft
Y X X X
f
h t dt h t e dt H


=
= = =



A funo de auto-correlao do processo de sada dada por:

( , ) [ ( ) ( )] ( ) ( ) ( ) ( )
( ) ( ) [ ( ) ( )]
Y
R t E Y t Y t E h u X t u du h v X t v dv
h u h v E X t u X t v dudv





(
= + = +
(

= +




Se o processo X(t) for estacionrio, teremos como funo de auto-correlao do processo de sada:

( ) ( ) ( ) ( )
Y X
R h u h v R v u dudv


= +



Esta expresso, embora de resoluo difcil razoavelmente, permite que a funo de auto-correlao do
processo de sada do sistema linear seja determina conhecendo-se a resposta ao impulso do sistema e a
funo de auto-correlao do processo de entrada.


Densidade espectral de potncia (DEP) de um processo aleatrio

A densidade espectral de potncia descreve como a potncia de um sinal X(t), seja ele aleatrio ou
determinstico, se distribui na freqncia e, por esta razo, medida em watts/Hertz (W/Hz). Trata-se
de um parmetro de extrema importncia no estudo de sistemas de comunicao, pois permite que
conheamos o contedo de freqncia de um sinal qualquer.

Quando temos um sinal determinstico, o contedo de freqncias pode ser determinado por meio da
conhecida transformada de Fourier. Entretanto, com processos aleatrios no possvel realizar o
clculo terico da transformada, posto que tais processos no podem ser descritos com expresses
matemticas determinsticas. Felizmente existe uma forma simples de contornar este problema,
utilizando a funo de auto-correlao do processo estocstico sob anlise. A densidade espectral de
potncia e a funo de auto-correlao de um p.a. estacionrio formam um par na transformada de
Fourier, ou seja:

2
( ) ( )
j f
X X
S f R e d


2
( ) ( )
j f
X X
R S f e df




Algumas propriedades da DEP

O valor quadrtico mdio, ou segundo momento de um p.a. dado pela rea sob a curva de densidade
espectral de potncia:

125
2
( ) (0) [ ( )]
X X
S f df R E X t

= =



Em outras palavras, se estivermos analisando um sinal de tenso, a potncia mdia deste sinal, dada
pelo valor quadrtico mdio, poder ser determinada pela integral da funo que descreve a DEP do
sinal.

A densidade espectral de potncia uma funo par, ou seja: ( ) ( )
X X
S f S f = .

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Retornemos ao exemplo referente a uma seqncia binria aleatria, apresentado na primeira
aula sobre processos estocsticos, de onde obtivemos a funo de auto-correlao:

2
| |
1 , | |
( )
0, | |
X
A T
R T
T

| |
<

|
=
\




De uma tabela de transformada de Fourier podemos obter:

2 Transformada
de Fourier
2
| |
1 , | | sin ( )
( )
0, | |
t
t T fT
T T
fT
t T

<



Ento, a DEP de uma seqncia binria aleatria de pulsos de durao T e amplitudes { A} ser:

[ ]
2
2 2 2
2
sin ( )
( ) ( ) sinc ( )
( )
X X
fT
S f R A T A T fT
fT

= = =

A DEP em questo mostrada na figura a seguir em escala linear (linha cheia) e em escala logartmica
(linha tracejada). Em telecomunicaes comum o uso de escala logartmica para que, visualmente, as
grandes discrepncias entre baixas e altas intensidades sejam diminudas. Perceba que o uso deste
recurso nos permitir vozualizar com maior preciso lbos espectrais de intensidade bastante pequena.


126


Vamos estimar o valor quadrtico mdio E[X
2
(t)] por meio da rea sob S
X
( f ) e comparar com R
X
(0).
Podemos fazer isto calculando de forma aproximada a rea do lbo principal, posto que ela nitidamente
maior que a rea dos demais lbos. Aproximando-a pela rea de um tringulo de base 2/T e altura
A
2
T, temos que E[X
2
(t)] A
2
, que de fato o valor da funo de auto-correlao para = 0, R
X
(0).

----------------------------------------------------------------------------------------------------------------------------

O valor de S
X
( f ) encontrado no exemplo anterior pode ser escrito envolvendo a densidade espectral de
energia (DEE) de um pulso g(t) retangular, de amplitude A e durao T. A DEE de um pulso g(t) nada
mais que o mdulo ao quadrado da transformada de Fourier de g(t). Assim teremos:

2
( )
| ( ) |
( )
g
X
f
G f
S f
T T
= =
E


que para o exemplo anterior vale
2 2 2 2 2
( ) sinc ( ) / sinc ( )
X
S f A T fT T A T fT = = .

Este importante resultado pode ser generalizado: uma onda binria aleatria composta por
pulsos +g(t) e g(t) tem densidade espectral de potncia S
X
(f) dada pela diviso da densidade
espectral de energia E EE E
g
(f) do pulso formatador g(t) pela durao do pulso, T.

----------------------------------------------------------------------------------------------------------------------------

Desafio: Como desafio para casa, determinar a densidade espectral de potncia para a seqncia binria
aleatria x(t) ilustrada a seguir, correspondente a uma funo amostra do processo X(t). O formato de
pulso g(t) um semi-ciclo senoidal de amplitude unitria e durao T.



127
----------------------------------------------------------------------------------------------------------------------------

Exemplo: Uma situao que ocorre tipicamente em sistemas de comunicao o processo de
modulao de uma portadora por um sinal de informao aleatrio, conforme abaixo:

( ) ( ) cos(2 )
c
Y t X t f t = +

onde Y(t) o p.a. modulado, X(t) o p.a. modulador associado informao e cos(2f
c
t + ) o p.a.
correspondente portadora de freqncia f
c
e fase aleatria uniformemente distribuda em (0, 2].
Seja determinar a DEP do sinal modulado Y(t) a partir da DEP do sinal modulador X(t).

Inicialmente identificamos que o sinal modulador X(t) independente da fase da portadora, . Ento
podemos escrever:

( ) [ ( ) ( )]
[ ( ) cos(2 ) ( ) cos(2 2 )]
[ ( ) ( )] [cos(2 ) cos(2 2 )]
Y
c c c
c c c
R E Y t Y t
E X t f t X t f t f
E X t X t E f t f t f



= +
= + + + +
= + + + +


Usando a identidade cos(a)cos(b) = cos(a b) + cos(a + b), tem-se:

1
2
1
2
( ) ( ) [cos(2 ) cos(4 2 2 )]
( ) cos(2 )
Y X c c c
X c
R R E f f t f
R f


= + + +
=


Tomando a transformada de Fourier de ambos os lados e sabendo que a transformada de um produto de
funes no tempo a convoluo das correspondentes transformadas, tem-se:

[ ] { }
[ ]
1 1 1
2 2 2
1
4
( ) ( ) ( ) ( )
( ) ( )
Y X c c
X c X c
S f S f f f f f
S f f S f f
= + +
= + +


De acordo com este resultado, para determinarmos a DEP de um sinal modulado Y(t) basta
replicar a DEP S
X
( f ) do sinal modulador X(t) em torno de f
c
e multiplicar o resultado por .

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA
128

Aula n Data Tema Processamento de sinais aleatrios - 2
Contedo
Processamento de sinais aleatrios: Estimando a DEP de um processo aleatrio
ergdico.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) conceituar a dificuldade
de obteno da densidade espectral de potncia de um processo aleatrio
qualquer. 2) realizar estimativas da DEP de um processo aleatrio qualquer por
meio de estimativas da funo de auto-correlao do processo. 3) conceitura o
processo de estimao da DEP de um processo aleatrio ergdico via
transformada discreta de Fourier.


Estimando a DEP de um processo aleatrio ergdico

Estimar a DEP de um processo aleatrio nem sempre uma tarefa fcil, na maior parte das vezes por
dificuldade de tratamento matemtico na obteno da funo de auto-correlao. Uma tentativa de
driblar este problema poderia fazer uso de estimativas aproximadas desta funo. Vamos analisar este
problema luz de um exemplo.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Vimos que a densidade espectral de potncia para um processo aleatrio estacionrio X(t)
pode ser determinada pela transformada de Fourier do processo, ou seja:

2
( ) ( )
j f
X X
S f R e d



Vrios livros trazem expresses para as funes de auto-correlao para processos aleatrios
conhecidos. Nestes casos torna-se bastante simples obter a DEP para estes processos, pois nos restar
apenas fazer um clculo de transformada de Fourier.

Vamos supor que temos um processo aleatrio ergdico para o qual a funo de auto-correlao no
encontrada nos livros e o clculo exato desta complexo. Vamos verificar como faramos para estimar
a funo de auto-correlao do processo sob anlise para posteriormente estimarmos a sua DEP.

Recordando, a funo de auto-correlao de um processo X(t) dada por:

( ) [ ( ) ( )]
X i i
R E X t X t = +

para qualquer t
i
se o p.a. for estacionrio. Vamos analisar o processo de estimao de R
X
() por mdia
amostral. Teramos que calcular:

1
1
( , ) ( ) ( )
N
X i i
i
R N x t x t
N

=
= +

,

fazendo N to grande quanto possvel para que a estimativa convirja para R
X
(). Para tanto colheramos
N amostras de uma funo amostra do processo sob anlise, mais N amostras espaadas de das
129
primeiras, multiplicaramos cada par de amostras, somaramos os N resultados e dividiramos por N.
Teramos que fazer isto para um conjunto de espaamentos que fosse suficiente para que tivssemos
uma boa estimativa de R
X
(). Isto corresponderia a um trabalho imenso!

Imagine agora que o processo no fosse ergdico. Teramos que realizar as mdias com amostras
tomadas atravs de N funes amostra do processo, o que dificultaria ainda mais nossa tarefa.

----------------------------------------------------------------------------------------------------------------------------

Ento, por dificuldade de tratamento matemtico na obteno da funo de auto-correlao de um
processo aleatrio especfico, algumas vezes temos que nos contentar com estimativas da DEP obtidas
pela observao de uma funo amostra do processo aleatrio em um intervalo T, assim como fazemos
para obter mdias estatsticas de um processo ergdico por meio de mdias temporais. Nestes casos
teremos:

2 1
( ) lim ( , )
X
T
S f E X f T
T

(
=



onde |X( f,T )| a magnitude da transformada de Fourier de uma funo amostra observada em T
segundos. Diz-se que tal funo amostra foi janelada. Na prtica diferentes tipos de janela e
diferentes formas de clculo de mdia so empregados. Tais janelas so chamadas de window type e as
mdias so muitas vezes associadas a certo tipo de alisamento (smoothing) do resultado.

Na figura a seguir temos um exemplo de como o aplicativo VisSim/Comm trata esta questo de
estimativa da DEP de um processo aleatrio. Esta figura corresponde a uma cpia da tela do aplicativo.
Segue a descrio sucinta dos principais blocos da figura:

1 O bloco random binary wave gera uma funo amostra do processo correspondente a uma
seqncia binria aleatria. Outro tipo de p.a. poderia ser gerado para anlise.

2 O bloco trigger apenas habilita o incio de clculo da DEP do sinal sob anlise.

3 neste bloco que a estimativa da DEP realizada por meio da ltima expresso dada. O
clculo de |X( f,T )|, a magnitude da transformada de Fourier de uma funo amostra observada
em T segundos, realizado por meio da chamada transformada rpida de Fourier (FFT Fast
Fourier Transform) que opera em um vetor com as amostras do sinal colhidas no intervalo T.
Esta transformada nada mais do que uma verso discreta da transformada de Fourier que
permite que se obtenha o resultado da transformada sem que se tenha que operar com uma
expresso matemtica do sinal analisado.

4 O resultado da estimativa da magnitude da DEP ento apresentado num grfico, tendo a
freqncia como varivel no eixo das abscissas e a DEP, em dBm/Hz, no eixo das ordenadas.

O bloco 3 da figura em questo tem como principais parmetros:

a O tipo de janela (window type) escolhido aqui. Na janela retangular (rectangular)
determina-se apenas o tamanho do intervalo em que as amostras do p.a. sob anlise sero
coletadas para clculo da FFT. Nos outros tipos as amostras da parte mais externa da janela so
130
ponderadas de acordo com regras especficas que esto alm do escopo deste texto. Cada janela
tem suas vantagens e desvantagens em termos da preciso na estimativa da DEP, um assunto
abordado de forma aprofundada no estudo de processamento digital de sinais aleatrios.

b O intervalo de observao traduzido em um nmero de amostras processadas pela FFT,
nmero este que determinado pela diviso do intervalo T pelo inverso da freqncia de
simulao (freqncia de amostragem) utilizada pelo aplicativo. Para o exemplo o nmero de
amostras de 2k = 2.048.



c aqui que se configura como o operador E[.] processado no aplicativo. Para o caso ele
corresponde mdia aritmtica entre 10 resultados de estimativa de DEP, obtidos em 10
intervalos consecutivos contendo 2.048 amostras cada um.

d Este parmetro especifica a resistncia de carga simulada, de tal sorte que os valores de
DEP sejam corretamente determinados.

e Aqui se especifica que unidade se deseja para a representao da DEP, sendo a ltima
(dBm/Hz) a mais utilizada tanto em clculos tericos como em equipamentos de anlise
espectral.

A teoria que acaba de ser descrita e exemplificada uma forma muito usual de se estimar a DEP de um
processo aleatrio e adotada em muitos softwares de simulao ou de clculo matemtico e
analisadores de espectro digitais, nos quais se opera com amostras do processo aleatrio analisado de
forma muito similar quela ilustrada na figura anterior.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA
131

Aula n Data Tema Processamento de sinais aleatrios - 3
Contedo
Processamento de sinais aleatrios: DEP na entrada e na sada de um sistema linear.
Densidades espectrais cruzadas para p.a. estacionrios. Processo aleatrio
Gaussiano.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) determinar a densidade e
espectral de potncia (DEP) de sada de um sistema linear em funo da DEP do
processo de entrada e da resposta em freqncia do sistema. 2) determinar a DEP da
soma de dois processos aleatrios estacionrios e analisar nesta DEP a influncia das
densidades cruzadas. 3) conceituar um processo aleatrio Gaussiano e a passagem
deste por um sistema linear. 4) conceituar um processo aleatrio Gaussiano
complexo.


DEP na entrada e na sada de um sistema linear

Seja um processo estocstico estacionrio X(t) aplicado entrada de um sistema linear invariante no
tempo cuja resposta em freqncia H(f). A densidade espectral de potncia do processo aleatrio de
sada Y(t) determinada por meio de:

2
( ) ( ) ( )
Y X
S f S f H f =

----------------------------------------------------------------------------------------------------------------------------

Exemplo: A magnitude da resposta em freqncia de um filtro passa-baixas tipo RC dada por:

2
1
| ( ) |
1 (2 )
H f
fRC
=
+
,

entrada deste filtro aplica-se um processo aleatrio X(t) cuja densidade espectral de potncia
constante e vale S
X
(f) = 110
3
watts/Hz. Vamos calcular a potncia mdia do processo aleatrio Y(t) de
sada deste filtro, dado que R = 5 k, C = 1 F e

1
2 2
1 1
tan
x
dx
a x a a
| |
=
|
+
\

.

132
2 3 2 3
2
3 3
2 2 2 2 2 2 2
2
2
2 2 2
1
( ) ( ) | ( ) | 1 10 | ( ) | 1 10
1 (2 )
Escrevendo esta integral na forma da diretiva dada, temos:
1 10 1 1 10 1
=
1
4 4
1
4
2
Y Y X
Y
P S f df S f H f df H f df df
fRC
P df
R C R C
f
f
R C
RC


= = = =
+

=
| |
+
+
|
\

3
1
2 2 2
3 3 3
2 2 2 3 6
1 10
que resolvendo resulta em: = 2 tan (2 )
4
1 10 1 10 1 10
2 0,1watts
4 2 2 2 2 5 10 1 10
Y
Y
df
P RC fRC
R C
RC P
R C RC

(

( | |
= + = = =
|
(

\



----------------------------------------------------------------------------------------------------------------------------


Densidades espectrais cruzadas para p.a. estacionrios

Embora tenham significados menos intuitivos que a DEP de um nico p.a., as densidades espectrais
cruzadas estabelecem certa dependncia entre as componentes de freqncia de processos X(t) e Y(t)
quaisquer. Elas so definidas por:

2 2
( ) ( ) e ( ) ( )
j f j f
XY XY YX YX
S f R e d S f R e d





= =



Um exemplo pode melhor ilustrar uma aplicao do conhecimento das densidades espectrais cruzadas.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Suponha que os processos X(t) e Y(t) tm mdia nula e so individualmente estacionrios.
Seja o p.a. Z(t) = X(t) + Y(t), para o qual se deseja determinar a densidade espectral de potncia.

( ) [ ( ) ( )]
{[ ( ) ( )][ ( ) ( )]}
[ ( ) ( )] [ ( ) ( )] [ ( ) ( )] [ ( ) ( )]
( ) ( ) ( ) ( )
Z
X XY YX Y
R E Z t Z t
E X t Y t X t Y t
E X t X t E X t Y t E Y t X t E Y t Y t
R R R R




= +
= + + + +
= + + + + + + +
= + + +


Tomando a transformada de Fourier de ambos os lados, tem-se:

( ) ( ) ( ) ( ) ( )
Z X XY YX Y
S f S f S f S f S f = + + +

Desse resultado conclumos que as densidades espectrais cruzadas S
XY
(f) e S
YX
(f) representam as
componentes de freqncia que precisam ser adicionadas s DEPs dos processos X(t) e Y(t) para que a
DEP da soma Z(t) = X(t) + Y(t) seja corretamente obtida.

133
Observe que se os processos X(t) e Y(t) forem ortogonais as correlaes cruzadas sero nulas e neste
caso teremos, como esperado:

( ) ( ) ( )
Z X Y
S f S f S f = + ,

ou seja, se os processos X(t) e Y(t) forem ortogonais, a DEP da soma destes processos ser igual
somas de suas DEPs. Assim podemos interpretar as densidades cruzadas como parcelas da DEP que
levam em conta o grau de ortogonalidade entre os processos aleatrios envolvidos.

----------------------------------------------------------------------------------------------------------------------------

Processo aleatrio Gaussiano

Em uma forma simples de definio, um processo aleatrio dito Gaussiano se a funo densidade de
probabilidade (FDP) de uma varivel aleatria gerada por amostragem do citado processo for
Gaussiana. Se o processo em questo for ergdico, tais amostras podem ser coletadas temporalmente,
ou seja, ao longo de uma das funes amostra do processo, em vez de colhidas atravs do processo,
envolvendo as suas vrias funes amostra.

Numa definio mais formal e estatisticamente mais correta, seja uma varivel aleatria Y definida a
partir de uma relao funcional linear com um processo aleatrio X(t), conforme expresso a seguir,
onde g(t) uma funo qualquer e T um intervalo de observao arbitrrio:

0
( ) ( )
T
Y g t X t dt =



Se a v.a. Y Gaussiana independente da escolha da funo g(t) e do intervalo de tempo T na relao
funcional dada, dizemos que o p.a. X(t) Gaussiano. Em outras palavras, se um processo aleatrio X(t)
for processado linearmente segundo a expresso acima e se Y for uma v.a. Gaussiana
independentemente da escolha arbitrria de g(t), dizemos ento que X(t) um p.a. Gaussiano.

Perceba que se revisitarmos a expresso de convoluo de um processo aleatrio de entrada de um
sistema linear com sua resposta ao impulso, visualizaremos um exemplo de relao funcional. Ento,
desta definio formal de um processo Gaussiano obtemos o importante resultado:

Um processo aleatrio Gaussiano, ao atravessar um sistema linear, gera como sada um processo
aleatrio tambm Gaussiano.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Em receptores de sistemas de comunicao usual que seja inserido logo na entrada um
filtro de recepo, cujo objetivo reduzir a influncia do rudo na recuperao da informao
transmitida. Como veremos mais adiante, este rudo normalmente um p.a. Gaussiano. Portanto, na
sada do filtro de recepo teremos tambm um p.a. Gaussiano, o que nos permitir analisar
matematicamente o comportamento do sinal a partir do qual recuperaremos a informao. Esta
concluso extensivamente utilizada na concepo e no projeto de receptores em sistemas de
comunicao sujeitos influncia desse rudo.

134
----------------------------------------------------------------------------------------------------------------------------

Exemplo: Sistemas celulares, por exemplo, fazem parte de uma famlia mais abrangente de sistemas
que englobam todos os tipos de sistemas de comunicao mvel. Em um sistema como este, devido
mobilidade relativa entre transmissor e receptor, o sinal recebido sofre variaes de fase e de
magnitude, s quais damos o nome de desvanecimento. Experimentos demonstram que a magnitude
R(t) e a fase (t) do desvanecimento em um canal de comunicao mvel so processos aleatrios que
tipicamente variam com distribuio de Rayleigh e Uniforme, respectivamente. Podemos ento definir
o chamado processo Gaussiano Complexo R(t)e
j(t)
, no qual a parte real X(t) e a parte imaginria Y(t)
so p.a. Gaussianos de mdia nula. Tal processo gaussiano pode ser obtido por meio de:

2 2
( ) ( ) ( ) R t X t Y t = + [ ] ( ) arctan ( ) ( ) t Y t X t =

Sendo assim, se quisermos gerar este p.a. Gaussiano complexo por simulao, com o atributo de
permitir o ajuste da velocidade de variao do desvanecimento, poderemos implementar o esquema da
figura seguinte. Nele, filtros controlam a taxa de variao dos processos Gaussianos componentes e,
assim, controlam a taxa de variao da magnitude e da fase do desvanecimento. A freqncia de corte
desses filtros diretamente proporcional velocidade relativa entre o transmissor e o receptor que se
deseja simular. Em outras palavras, quanto mais lento se desejar o desvanecimento, mais lentamente
devero variar os processos Gaussianos componentes X(t) e Y(t). Isto conseguido estreitando-se a
largura de faixa dos citados filtros. Numa simulao, X(t) e Y(t) poderiam ser gerados pelo mtodo de
Box-Muller, por exemplo, e filtrados utilizando-se modelos matemticos de filtros digitais.



As figuras a seguir ilustram o aspecto das variaes de magnitude do sinal recebido por um terminal
mvel para duas diferentes velocidades de movimento.



135


A ttulo de complementao ou de curiosidade, faa uma breve pesquisa procurando entender como se
implementa um modelo de um filtro digital, como funciona a estrutura correspondente e como amostras
de um sinal aleatrio ou determinstico so processadas por este filtro digital.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA
136

Aula n Data Tema Rudo
Contedo
Rudo. Rudo trmico. Rudo branco. Largura de faixa equivalente de rudo.
Correlao entre o rudo branco e uma portadora co-senoidal.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) conceituar rudo, rudo
impulsivo e , principalmente rudo trmico. 2) conceituar rudo branco e interpretar
seu modelo matemtico em termos de densidade espectral de potncia e funo de
auto-correlao. 3) conceituar a definio de largura de faixa equivalente de rudo.
4) determinar o resultado da correlao entre o rudo branco e uma portadora co-
senoidal e conceituar a aplicao desta correlao. 5) realizar exerccios relacionados
ao processamento de sinais aleatrios, ao rudo branco e largura de faixa
equivalente de rudo.


Rudo

Em sistemas de comunicao damos o nome de rudo a qualquer sinal aleatrio indesejado que
comprometa a transmisso e o processamento de recepo da informao. Dentre os tipos mais comuns
destacam-se o rudo impulsivo e o rudo trmico. Daremos mais ateno ao rudo trmico, devido
sua presena em todos os sistemas de comunicao e sua importncia para o correto
dimensionamento destes sistemas.

O rudo impulsivo, embora menos freqente, pode ser muito danoso, por exemplo, em sistemas de
recepo de TV Digital. J o rudo trmico o grande limitador de desempenho de qualquer sistema de
comunicao, principalmente quando a intensidade do sinal recebido pequena, ou seja, quando o
sistema opera com baixa relao sinal-rudo.


Rudo trmico

O rudo trmico causado pelo movimento aleatrio dos eltrons em um condutor qualquer. Pode-se
mostrar que o valor quadrtico mdio da tenso V
TN
do rudo trmico nos terminais de um resistor,
medido em uma banda de B Hertz, :

2 2
4 volts
TN
E V kTBR ( =



onde k a constante de Boltzmann, que vale 1,3810
23
Joules/Kelvin (J/K), T a temperatura
absoluta em graus Kelvin (K) e R a resistncia em ohms (). A figura a seguir apresenta o circuito
equivalente de Thvenin para este processo de gerao do rudo trmico.



137
Na condio de mxima transferncia de potncia a carga conectada aos terminais do circuito dado
deve ter resistncia igual a R. Neste caso a potncia mdia de rudo trmico sobre esta carga ser:

( ) ( )
2
2
2
[ ] 2
4 2
watts
TN
E V
kTBR
N kTB
R R
= = =

Sendo grande o nmero de eltrons em um resistor, com movimentos aleatrios independentes, o
teorema do limite central indica que o rudo trmico Gaussiano de mdia nula. Em outras palavras, o
movimento aleatrio e independente de um nmero muito elevado de eltrons, em direes tambm
aleatrias, produz um efeito conjunto de rudo que, pelo teorema do limite central, ter FDP Gaussiana
de mdia nula.


Rudo branco

Em sistemas de comunicao o rudo trmico tem a seguinte forma idealizada: sua densidade espectral
de potncia constante para qualquer freqncia. Da o nome rudo branco, em aluso composio da
luz branca por componentes de freqncia correspondentes a toda faixa espectral da luz.

O processo aleatrio rudo branco W(t), de funo amostra w(t), tem ento uma densidade espectral de
potncia bilateral constante com componentes em f + , ou seja:

0
( ) W/Hz
2
W
N
S f =

onde N
0
= kT
e
a densidade espectral de potncia de rudo produzida na entrada do receptor de um
sistema de comunicao cuja temperatura equivalente de rudo T
e
. Esta temperatura equivalente de
rudo a temperatura a que um resistor deve ser submetido para que, ao conect-lo entrada de uma
verso sem rudo do sistema, produza a mesma potncia mdia de rudo que aquela produzida por todas
as fontes de rudo do sistema real.

A temperatura equivalente de rudo T
e
depende somente dos parmetros e componentes do sistema, ou
seja, o que vai determinar na prtica a intensidade do rudo trmico a temperatura (obviamente) e a
qualidade do projeto do sistema e de seus componentes, almejando reduzir a potncia de rudo gerada
pelo movimento aleatrios dos eltrons dos condutores do sistema.

O rudo branco se manifesta de forma aditiva ao contaminar um sinal e, por esta razo, poder ser
denominado daqui em diante de rudo aditivo Gaussiano branco (AWGN Additive White Gaussian
Noise).

Como a densidade espectral de potncia e a funo de auto-correlao de um processo aleatrio se
relacionam atravs da transformada de Fourier, para o rudo branco temos que:

0 0
( ) ( ) ( )
2 2
W W
N N
S f R = =

138
A densidade espectral de potncia e a funo de auto-correlao para o rudo branco so ilustradas nas
figuras a seguir.



Perceba que este modelo idealizado do rudo branco a ltima palavra em termos de aleatoriedade,
ou seja, duas amostras de W(t) tomadas em instantes diferentes, no importando o quo prximas
estejam no tempo, tm correlao nula.

O rudo branco tal como foi definido um modelo fisicamente irrealizvel, pois sua potncia mdia,
que a integral de S
W
(f), infinita. Entretanto, pode-se modelar o rudo como sendo aproximadamente
branco sempre que a largura de faixa de rudo for significativamente maior que a largura de faixa do
sistema sob anlise e, nesta faixa, a DEP do rudo for aproximadamente plana.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Seja o rudo branco W(t) aplicado a um filtro passa-baixas ideal de banda B Hz e de
magnitude da resposta em freqncia unitria. A DEP do rudo N(t) de sada ser ento:

0 0
0
( ) exp( 2 ) ,
( ) 2 2
sinc(2 ) 0, | |
B
N
B
N
N N
R j f df B f B
S f
N B B f B

= < <

= >




As figuras a seguir ilustram a densidade espectral de potncia e a funo de auto-correlao para o
rudo de sada do filtro em questo. Perceba que a ao do filtro de reduzir a banda do processo
aleatrio de entrada refletida tanto pelo estreitamento da DEP do processo de sada quanto pelo
alargamento da funo de auto-correlao deste processo. Isto far com que o processo aleatrio de
sada tenha variaes mais lentas que o processo de entrada.



A figura a seguir ilustra o efeito de filtragem de um processo aleatrio Gaussiano correspondente ao
rudo branco. Perceba que, sendo W(t) um p.a. Gaussiano, N(t) tambm o ser, mas o processo de sada
ter variaes mais suaves ou lentas que o processo de entrada.

139


Neste exemplo, se N(t) amostrado a 2B amostras por segundo, tais amostras sero Gaussianas, mas
tero correlao nula, conforme se pode notar na funo de auto-correlao obtida.

As amostras em questo tero mdia
Y
=
X
H(0) = 0 e varincia igual a N
0
B. Este ltimo valor
correspondente ao segundo momento de um processo aleatrio de mdia nula. O valor N
0
B tambm
corresponde a R
N
(0), conforme funo de auto-correlao obtida.

Adicionalmente, como a covarincia
2
( ) ( )
Y Y Y
K R = , seu valor ser tambm nulo. Portanto, as
amostras em questo sero descorrelacionadas. Por fim, tais variveis ainda sero estatisticamente
independentes, pois a FDP conjunta ser o produto das suas FDPs marginais.

----------------------------------------------------------------------------------------------------------------------------


Largura de faixa equivalente de rudo

Em grande parte dos problemas envolvendo sistemas de comunicao preciso considerar o rudo
como sendo branco na faixa de operao do sistema, mas muitas vezes tal sistema no pode ser
considerado com tendo resposta em freqncia ideal, ou seja, banda B Hz e |H( f )| constante. A soluo
consiste em considerar o rudo como sendo branco numa largura de faixa equivalente de rudo. Isto
feito substituindo-se a resposta em freqncia do filtro ou sistema por uma resposta ideal de tal forma
que ambas produzam e mesma potncia mdia de rudo em suas sadas. Vejamos como isto feito.

Considere as respostas dos filtros real e ideal mostradas na figura a seguir. A potncia mdia do rudo
de sada do filtro real ser:

0
2 2
0 2
0
| ( ) | | ( ) |
N
N H f df N H f df

= =





Para o mesmo rudo conectado entrada de um filtro ideal de banda B Hz e |H( f )| constante, teremos:

0
2
2
(0) 2
N
N H B =
140

Igualando-se os dois resultados anteriores, temos:

2 2 0
0
0
| ( ) | (0) 2
2
N
N H f df H B



de onde obtm-se a largura de faixa equivalente de rudo:

2
0
2
| ( ) |
(0)
H f df
B
H

=




Correlao entre o rudo branco e uma portadora co-senoidal de energia unitria

Seja o rudo branco W(t) de densidade espectral de potncia N
0
/2 W/Hz aplicado a um CORRELATOR
que efetua a correlao entre W(t) e uma portadora co-senoidal de energia unitria. Este dispositivo tem
utilizao muito freqente em receptores de sistemas de comunicao, dando importncia ao seu estudo
no contexto de processos aleatrios. A estrutura de um correlator mostrada na figura a seguir.



Inicialmente vamos comprovar o valor de energia unitria para a portadora co-senoidal:

2
2 2 1 1
2 2
0 0 0
cos (2 ) cos(4 ) 1, CQD.
T T T
c c T T
E f t dt dt f t dt
(
= = + =
(




onde admitiu-se que a freqncia da onda co-senoidal um mltiplo inteiro de 1/T, o que levou a
integral da direita na expresso anterior a se anular.

De acordo com a definio de processo estocstico Gaussiano, o processo de sada N(t) Gaussiano,
pois estamos aplicando um processo Gaussiano W(t) entrada de um sistema que estabelece uma
relao funcional de W(t) com a funo cos(2f
c
t). Revisite a definio de um processo aleatrio
Gaussiano para relembrar este conceito.

Amostrando o processo N(t) em t = T tem-se:

2
0
( ) ( ) cos(2 )
T
c T
N T W t f t dt =



Portanto N(T) uma v.a. Gaussiana com mdia E[N(T)] = 0 e varincia calculada por meio de:

141
( )
2
2
( ) [ ( )] E N T E N T
(
=



Desenvolvendo a expresso da varincia obtemos:

( )
2
2
2
0
2
0 0
2
0 0
2
0 0
( ) cos(2 )
( ) cos(2 ) ( ) cos(2 )
[ ( ) ( )]cos(2 ) cos(2 )
( , ) cos(2 ) cos(2 )
T
c T
T T
c c T
T T
c c T
T T
W c c T
E W t f t dt
E W t f t W u f u dtdu
E W t W u f t f u dtdu
R t u f t f u dtdu




(
=
(

(
=
(

=
=




,

onde foi feito o uso da funo de auto-correlao do rudo branco:
0
( , ) ( )
2
W
N
R t u t u = .

Ento:
0
2
0 0
( ) cos(2 ) cos(2 )
T T
N
c c T
t u f t f u dtdu =



A propriedade sifiting (ou sampling) da funo (t) diz que
0 0
( ) ( ) ( ) x t t t dt x t

.

Aplicando esta propriedade presente anlise teremos:

[ ] [ ]
0
0
0 0
2
0 0
2
0
1 1
2 2 2
0
( ) cos(2 ) cos(2 )
cos (2 )
cos(4 ) 0
T T
N
c c T
T
N
c T
T
N N
T
c T T
t u f t f u dtdu
f t dt
f t dt

=
=
= + = +



2 0
2
N
=

Este um importante resultado que diz que se aplicarmos rudo branco de densidade espectral de
potncia N
0
/2 W/Hz a um correlator alimentado com uma portadora co-senoidal de energia
unitria, obteremos como resultado um processo de sada cujas amostras tero varincia N
0
/2.

Como os processos de entrada e de sada tm mdia nula, ento podemos dizer que a potncia mdia de
rudo contida nas amostras do processo de sada do correlator igual a N
0
/2 watts. Este resultado ser
extensivamente utilizado no estudo de sistemas de comunicao em perodos posteriores a este.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA
142

Aula n Data Tema Exerccios de fixao
Contedo
Exerccios de fixao sobre processos aleatrios, processamento de sinais aleatrios
e rudo.
Objetivos
Permitir que os alunos revisitem os conceitos tericos e conheam exemplos de
aplicao destes conceitos na soluo de problemas.


1 Sejam os p.a. contnuos X(t) e V(t), onde X(t) = 10 + V(t). Encontre a mdia e a varincia da
varivel aleatria N
T
definida a seguir, para T = 5 e para T = 100. Dados: E[V(t)] = 0 e R
V
() = 2().


Soluo



A mdia independente de T e vale E[N
T
] = 10.
A varincia para T = 5 ser 1/5 e para T = 100 ser 1/100.
Perceba que a varincia reduzida com o aumento de T, algo esperado, pois quanto maior T, mais a
mdia amostral definida para N
T
se aproximar da mdia real.

----------------------------------------------------------------------------------------------------------------------------

2 Seja um rudo branco W(t) com densidade espectral de potncia N
0
/2 watts/Hz aplicado a um filtro
passa-baixas ideal de banda B Hz e de magnitude da resposta em freqncia unitria. Pede-se:
143

a) Calcule e esboce S
N
(f), a densidade espectral de potncia do rudo N(t) de sada do filtro.

( )
0
2
0
,
( ) ( ) ( ) 1 2
2
0, | |
N W
B f B
N
B f B N
S f S f H f
f B

= = =

>





b) Calcule e esboce R
N
(), a funo de auto-correlao do processo N(t) de sada do filtro.

0
0
( ) ( ) exp( 2 ) exp( 2 ) sinc(2 )
2
B
N N
B
N
R S f j f df j f df N B B


= = =





c) Calcule N, a potncia do rudo de sada do filtro.

0
( ) (0) watts
N N
N S f df R N B

= = =



----------------------------------------------------------------------------------------------------------------------------

3 Seja um p.a. estacionrio Z(t) = Acos(2f
c
t + ), correspondente a uma portadora co-senoidal de
amplitude A, freqncia f
c
e fase aleatria uniformemente distribuda em (0, 2]. Pede-se:

a) Determine e esboce a funo de auto-correlao R
Z
().

2
( ) [ ( ) ( )]
[ cos(2 ) cos(2 2 )]
[ ] [cos(2 2 ) cos(2 )]
Z
c c c
c c c
R E Z t Z t
E A f t A f t f
E A E f t f f t



= +
= + + +
= + + +


Usando a identidade cos(a)cos(b) = cos(a b) + cos(a + b), tem-se:
144

2
2
( ) [cos(2 ) cos(4 2 2 )]
2
cos(2 )
2
Z c c c
c
A
R E f f t f
A
f


= + + +
=




b) Determine e esboce a densidade espectral de potncia S
Z
( f).

A densidade espectral de potncia a transformada direta de Fourier da funo de auto-
correlao, ou seja:

2 2 2
( ) { ( )} cos(2 ) ( ) ( )
2 4 4
Z Z c c c
A A A
S f R f f f f f

= = = + +
`
)




c) Calcule o valor quadrtico mdio E[Z
2
(t)].

2
2
[ ( )] [ ( ) ( )] (0)
2
Z
A
E Z t E Z t Z t R = = = . Um clculo alternativo seria:

2 2 2 2 2
2
2 2
[ ( )] [ cos (2 )] [cos (2 )]
1 1 1
cos(4 2 ) 0
2 2 2 2
c c
c
E Z t E A f t A E f t
A
A E f t A

= + = +
( (
= + + = + =
( (



d) Sendo Z(t) independente de um processo aleatrio X(t), determine a funo de auto-correlao do
processo Y(t) = X(t)Z(t).

e) Determine S
Y
( f ), a densidade espectral de potncia de Y(t). Compare o resultado com aquele obtido
no exemplo de modulao de uma portadora por um sinal aleatrio.

( )
Z
R
S
Z
(f)
145
f) Esboce S
Y
( f ), considerando que X(t) uma seqncia binria aleatria de pulsos equiprovveis de
durao T e amplitudes {1}.

----------------------------------------------------------------------------------------------------------------------------

4 A figura ao lado mostra a magnitude da resposta
em freqncia de um filtro passa-baixas RC, dada por:

2
1
| ( ) |
1 (2 )
H f
fRC
=
+
, onde R = 5 k e C = 1 F.

entrada deste filtro aplica-se um rudo Gaussiano
branco com densidade espectral de potncia de N
0
/2 =
110
3
watts/Hz. Pede-se:

a) Calcule a largura de faixa equivalente de rudo para o filtro em questo, dado que:

1
2 2
1 1
tan
x
dx
a x a a

| |
=
|
+
\



2
2
2 0
0
2 2 2
0
2 2 2 2 2 2 2
0 0
2
2
2 2 2
1
2 2 2 2 2 2
0
1
| ( ) |
1 (2 )
1
(0) (0) 1 (2 )
1 1 1 1
1
4 4
1
4
2
1 1
Da integral dada: 2 tan (2 ) 2 0
4 4 2
Ent
df
H f df
fRC
B df
H H fRC
df df
R C R C
f
f
R C
RC
RC fRC RC
R C R C

(
(
+
(

= = =
+
= =
| |
+
+
|
\
(
( =
(



3 6
1 1
o: 50Hz
4 4 5 10 1 10
B
RC

= = =



b) Calcule a potncia mdia do rudo de sada deste filtro.

2 1 0 0
2 2 2
3 0 0
2 2 2 3 6
1
( ) | ( ) | 2 tan (2 )
2 2 4
1 1 1
2 1 10 0,1watts
2 4 2 2 2 2 2 5 10 1 10
N
N N
N S f df H f df RC fRC
R C
N N
RC N
R C RC

( = = =

( | |
= + = = =
|
(

\



Vejamos outra soluo, levando em conta o conceito de largura de faixa equivalente de rudo:

146
2 2 0 0
3 0
0
( ) | '( ) | (0)
2 2
2 10 50 0,1watts
2
B
N
B
B
B
N N
N S f df H f df H df
N
df N B

= = =
= = = =



c) Sobre a figura dada, esboce a magnitude da resposta em freqncia de um filtro ideal que fornea em
sua sada a mesma potncia mdia de rudo calculada no item b.

De acordo com o conceito de largura de faixa equivalente de rudo, o filtro ideal ter banda B =
50 Hz e H
2
(0) = 1. Veja esboo na figura.

----------------------------------------------------------------------------------------------------------------------------

5 Determine e esboce a densidade espectral de potncia do cdigo de linha Manchester mostrado na
figura a seguir, gerado pela seqncia de bits aleatria tambm mostrada na figura. Dica: interprete o
cdigo Manchester como uma seqncia de pulsos g(t). Apenas a ttulo de curiosidade, o cdigo
Manchester utilizado em redes locais de computadores com fio, tais com as que temos no Inatel.



----------------------------------------------------------------------------------------------------------------------------

6 Suponha que um rudo Gaussiano branco, aps filtrado por um filtro passa-baixas ideal de banda B
Hz, seja amostrado a uma taxa de 2B amostras por segundo:

a) Justifique porque as amostras resultantes sero Gaussianas.
b) Justifique porque a correlao entre tais amostras ser nula.
c) Justifique porque a mdia da varivel aleatria composta por essas amostras ser nula.
d) Justifique porque a varincia da varivel aleatria composta por essas amostras ser N
0
B.
e) Justifique porque a covarincia para essa varivel aleatria ser tambm nula.
f) Justifique porque tais amostras sero descorrelacionadas.
g) Em que condies tais amostras tambm sero estatisticamente independentes?

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

147

Aula n Data Tema Cadeias de Markov - 1
Contedo
Processos de Markov. Cadeias de Markov. Cadeias de Markov de tempo discreto.
Probabilidades de transio homogneas.
Objetivos
O final da aula o aluno dever ser capaz de: 1) conceituar um processo de Markov e
verificar se um dado processo ou no um processo de Markov. 2) conceituar uma
cadeia de Markov. 3) conceituar as as cadeias de Markov de tempo discreto e
probabilidades de transio homogneas. 4) determinar o diagrama de estados e a
matriz de probabilidades de transio de estados de uma cadeia de Markov.


Vamos iniciar nosso estudo com um simples exemplo, o qual contm vrios conceitos e notaes que
utilizaremos nesta parte do curso.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Suponha que o gato Tom e o rato Jerry esto em um ambiente com 6 compartimentos
interconectados conforme ilustra a figura a seguir. Jerry pode percorrer os mais variados caminhos que
o levaro de um compartimento a outro. Neste exemplo, Tom est preso no compartimento 5 e Jerry, se
chegar a este compartimento, ter 100 % de chance de ser capturado, pois as portas somente de entrada
deste compartimento o mantero l, cara a cara com Tom. Suponha ainda que a probabilidade de Jerry
permanecer em outro compartimento qualquer seja nula.



Vamos iniciar nossa anlise definindo um diagrama de estados que represente o movimento de Jerry
(transies) ao longo dos compartimentos (estados). A figura a seguir mostra tal diagrama, no qual as
transies esto rotuladas com as probabilidades de chegada e de sada de e para cada estado.



148
Vamos agora registrar todas as probabilidades de transio de estados em uma matriz qual, por razes
bvias, denominaremos matriz de transies. Nesta matriz, p
ij
a probabilidade de transio do
estado i para o estado j, sedo i = 0, 1, ..., 5 e j = 0, 1, ..., 5 neste exemplo.

1 1
2 2 00 01 02 03 04 05
1 1
2 2 10 11 12 13 14 15
1 1 1
3 3 3 20 21 22 23 24 25
1 1 1
3 3 3 30 31 32 33 34 35
1 1
2 2 40 41 42 43 44 45
50 51 52 53 54 55
0 0 0 0
0 0 0 0
0 0 0
0 0 0
0 0 0 0
0 0 0 0 0 1
p p p p p p
p p p p p p
p p p p p p
p p p p p p
p p p p p p
p p p p p p
( (
( (
( (
( (
= =
( (
( (
( (
( (

P

Observe que a soma das probabilidades nas linhas da matriz de transies igual a 1, o que tem que
ocorrer em qualquer matriz deste tipo. Observe tambm que, para este exemplo, a probabilidade de
transio no estado 5 unitria, ou seja, tendo chegado ao compartimento 5 o rato ser inevitavelmente
capturado. Observe ainda que o menor nmero de passos (transies de estados) necessrio para que
Jerry chegue ao compartimento 5 igual a 3, valor que pode ser obtido diretamente do diagrama de
estados: por exemplo, Jerry parte do estado 0, vai para o estado 3, depois vai para o estado 4 e em
seguida vai para o estado 5.

Este um exemplo tpico de processo de Markov. No nosso estudo aprenderemos como obter vrias
informaes estatsticas de fenmenos aleatrios como este, modelados a partir de um diagrama de
estados e de uma matriz de transies.

----------------------------------------------------------------------------------------------------------------------------


Processos de Markov

Muitas vezes temos que lidar com processos aleatrios associados a variveis aleatrias dependentes. O
estudo dos processos aleatrios de Markov permitir descrever estatisticamente de maneira simples a
dependncia entre estas variveis, seja em regime transitrio ou em regime permanente. Tal assunto
tem grande aplicao no estudo de Sistemas com Filas e em Redes de Telecomunicaes, em clculos
como a durao mdia de uma conexo, o nmero de usurios ativos em um sistema, o tempo de
ocupao e de servio e a probabilidade de bloqueio de chamadas, apenas para citar alguns exemplos.

Em um processo de Markov tem-se a seguinte propriedade: o futuro, dado o presente, independe do
passado. Se um processo aleatrio de Markov X(t) assume valores discretos, matematicamente
podemos escrever a frase em destaque como:

1 1 1 1 1 1
1 1
[ ( ) | ( ) , ( ) , , ( ) ]
[ ( ) | ( ) ]
n n n n n n
n n n n
P X t x X t x X t x X t x
P X t x X t x
+ +
+ +
= = = =
= = =



Esta expresso pode ser interpretada da seguinte maneira: a probabilidade do processo aleatrio
assumir o valor x
n + 1
no instante de tempo discreto futuro t
n + 1
, dado que tal processo apresentou os
valores x
n
, x
n 1
,

..., x
1
no instante de tempo presente t
n
e nos instantes de tempo passados t
n 1
, ..., t
1
,
respectivamente, depende somente do valor x
n
do processo no instante de tempo presente, t
n
.
149

Se o processo aleatrio X(t) assume valores contnuos, para que seja um processo de Markov ele deve
atender a:

1 1 1 1 1
1
[ ( ) | ( ) , ( ) , , ( ) ]
[ ( ) | ( ) ]
n n n n n
n n n
P a X t b X t x X t x X t x
P a X t b X t x
+
+
< = = =
= < =



cuja interpretao anloga quela dada expresso para o caso discreto.

Quando um processo aleatrio X(t) discreto, ele definido somente nos instantes de tempo discretos
t
n
, para n inteiro, ou seja, X(t
n
) significa que estamos nos referindo ao processo no instante de tempo
discreto t
n
. Neste instante o valor do processo x
n
. Neste caso, por razes de simplificao na notao,
podemos denominar o processo simplesmente de X
n
.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Considere o processo discreto Y
n
definido a seguir, correspondente a uma filtragem do tipo
mdia mvel (moving average) realizada nas amostras do processo discreto X
n
:

( )
1
1
2
n n n
Y X X

= +

A mdia mvel, como o nome indica, realiza, neste exemplo, a mdia aritmtica entre duas amostras
consecutivas do processo de entrada, da seguinte maneira: o valor Y
1
a mdia aritmtica entre os
valores X
1
e X
0
; o valor Y
2
a mdia aritmtica entre os valores X
2
e X
1
; o valor Y
3
a mdia aritmtica
entre os valores X
3
e X
2
, e assim por diante. Perceba que podemos analisar a mdia mvel como uma
janela de 2 amostras (neste exemplo) que vai se movendo ao longo da seqncia de amostras de X
n
e
realizando a mdia entre os valores destas amostras. O filtro de mdia mvel bastante utilizado na
prtica, em Processamento Digital de Sinais (DSP Digital Signal Processing). Neste exemplo os
valores do processo X
n
so uma seqncia de variveis aleatrias independentes de Bernoulli {0, 1}
com probabilidade de sucesso p = .

As duas figuras a seguir ilustram o processo de mdia mvel referente a este exemplo, para uma
seqncia de Bernoulli com 50 amostras.



150


A ttulo de complementao, as duas figuras a seguir ilustram o processo de mdia mvel referente
filtragem de uma seqncia de 100 amostras com distribuio Uniforme entre 1 e +1, utilizando um
filtro de mdia mvel com janela de 10 amostras, ou seja, com 10 amostras operadas na mdia. Com
este exemplo mais fcil verificar visualmente o efeito de filtragem: perceba que a seqncia de
amostras de Y
n
tem variaes mais suaves que as variaes da seqncia de amostras de X
n
.





Voltando anlise do exemplo inicial, nosso objetivo verificar se o processo Y
n
= (X
n
+ X
n1
) ou
no um processo Markoviano. Perceba que seramos induzidos a afirmar que se trata de um processo
de Markov, pois observando a expresso de definio de Y
n
, conclumos que um valor do processo num
instante futuro n somente depende da amostra futura X
n
e da amostra presente X
n 1
. Mas para testarmos
se o processo Markoviano, o que temos que verificar se um valor futuro de Y
n
depende ou no
depende somente do valor presente Y
n 1
, no dependendo do valor passado Y
n 2
.

Se X
n
pode assumir os valores 0 ou 1, os possveis resultados para os valores de Y
n
so: 0 (quando X
n
e
X
n 1
so nulos), 1/2 (quando X
n
ou X
n 1
so nulos) e 1 (quando X
n
e X
n 1
tm valor 1). Ento a funo
massa de probabilidade (FMP) de Y
n
vale:



Vamos agora considerar um clculo de probabilidade envolvendo um valor futuro (instante n) e um
valor presente (instante n 1) de Y
n
. Por exemplo, vamos calcular P[Y
n
= 1 | Y
n 1
= ], fazendo uso da
relao entre probabilidade conjunta e probabilidade condicional

151
P[A | B] = P[A , B]/P[B].



Suponha agora que temos conhecimento adicional sobre o passado. Por exemplo, sabemos que Y
n 2
=
0 e queremos calcular P[Y
n
= 1 | Y
n 1
= , Y
n 2
= 0]:



Pelos resultados obtidos constatamos que Y
n
no um processo de Markov, pois:

.

Em palavras, o evento futuro Y
n
= 1, dado o presente Y
n 1
= , depende do passado Y
n 2
= 0, pois,
caso contrrio, o conhecimento deste passado no alteraria o resultado de clculo da probabilidade de
ocorrncia do evento futuro Y
n
= 1.

----------------------------------------------------------------------------------------------------------------------------


Cadeias de Markov

Um processo de Markov que assume somente valores inteiros chamado de Cadeia de Markov.
A partir deste ponto nos concentraremos neste tipo de processo de Markov.

Se X(t) uma cadeia de Markov, a FMP conjunta para trs instantes de tempo arbitrrios assim
determinada:

3 3 2 2 1 1
3 3 2 2 1 1 2 2 1 1
3 3 2 2 2 2 1 1
3 3 2 2 2 2 1 1 1 1
[ ( ) , ( ) , ( ) ]
[ ( ) | ( ) , ( ) ] [ ( ) , ( ) ]
[ ( ) | ( ) ] [ ( ) , ( ) ]
[ ( ) | ( ) ] [ ( ) | ( ) ] [ ( ) ]
P X t x X t x X t x
P X t x X t x X t x P X t x X t x
P X t x X t x P X t x X t x
P X t x X t x P X t x X t x P X t x
= = =
= = = = = =
= = = = =
= = = = = =


onde se fez uso da propriedade de um processo de Markov que diz: o futuro, dado o presente,
independe do passado, em termos matemticos.

Em geral, a FMP conjunta para (n + 1) instantes de tempo arbitrrios dada por:
152

1 1 1 1
1 1 1 1 2 2 1 1 1 1
[ ( ) , ( ) , , ( ) ]
[ ( ) | ( ) ] [ ( ) | ( ) ] [ ( ) | ( ) ] [ ( ) ]
n n n n
n n n n n n n n
P X t x X t x X t x
P X t x X t x P X t x X t x P X t x X t x P X t x
+ +
+ +
= = =
= = = = = = = =



Deste resultado podemos concluir que a FMP conjunta de X(t) em instantes de tempo arbitrrios dada
pelo produto da FMP para o instante de tempo inicial, P[X(t
1
) = x
1
], pelas probabilidades de transio
de estado subseqentes, P[X(t
i+1
) = x
i+1
| X(t
i
) = x
i
], i = 1, 2, ..., n. Estas probabilidades de transio de
estado determinam o comportamento estatstico da cadeia de Markov e podem ser escritas de maneira
sintetizada como:
[ ]
1
|
n n ij
P X j X i p
+
= = =


Cadeia de Markov de tempo discreto

Seja X
n
uma cadeia de Markov de tempo discreto, ou seja, as transies de estado ocorrem somente em
instantes de tempo discretos, comeando, por exemplo, em n = 0. Para esta cadeia de Markov, a FMP
conjunta para os primeiros n + 1 valores do processo dada por:

1 1 0 0
1 1 1 1 2 2
1 1 0 0 0 0
[ ( ) , ( ) , , ( ) ]
[ ( ) | ( ) ] [ ( ) | ( ) ]
[ ( ) | ( ) ] [ ( ) ]
n n n n
n n n n n n n n
P X t x X t x X t x
P X t x X t x P X t x X t x
P X t x X t x P X t x


= = =
= = = = =
= = =




Probabilidades de transio homogneas

A cadeia de Markov X
n
tem probabilidades de transio homogneas se as probabilidades de transio
para um passo so fixas e no variam com o tempo, isto , as probabilidades de transio de um estado
i para um estado j independem do instante de observao da cadeia.

[ ]
1
| ,
n n ij
P X j X i p n
+
= = =

Neste contexto, o termo passo est associado ao nmero de transies intermedirias entre dois estados
quaisquer. Por exemplo, P[X
n+3
= j | X
n
= i] significa a probabilidade de transio do estado i para o
estado j realizando-se trs passos (trs transies).

Vamos usar a seguinte notao para a FMP do instante inicial:

0
(0) [ ], 0, 1, 2, ...
j
p P X j j = =

Assim, a FMP conjunta para os primeiros n + 1 valores do processo, para cadeias de Markov com
probabilidades de transio homogneas, dada por:

[ ]
1 0 1 0
1 1 0 0 , ,
, , , (0)
n n
n n n n i i i i i
P X i X i X i p p p


= = = =

153
Desta forma, X
n
completamente especificado pela FMP inicial p
i
(0) e pela matriz de probabilidades
de transio de um passo, P, dada por:

00 01 02
10 11 12
1,0 1,1 1,2
,0 ,1 ,2
i i i
i i i
p p p
p p p
p p p
p p p

(
(
(
(
=
(
(
(
(

P




Para esta matriz P a soma de cada linha deve ser igual a 1, ou seja:

1
[ | ] 1,
n n ij
j j
P X j X i p i
+
= = = =



----------------------------------------------------------------------------------------------------------------------------

Exemplo: Cadeias de Markov de dois estados so bastante teis para modelar sistemas que alternam
entre dois estados, como ON e OFF, por exemplo.

Como exemplo, um modelo de Markov para transmisso de voz por pacotes assume que se o n-simo
pacote contm silncio, a probabilidade de silncio no prximo pacote (1 ) e a probabilidade do
prximo pacote conter atividade de voz . Similarmente, se o n-simo pacote contiver atividade de
voz, a probabilidade de o prximo pacote conter voz (1 ) e a probabilidade de silncio . Apenas
em carter informativo, este ciclo de atividade/silncio utilizado tambm em sistemas CDMA (Code-
Division Multiple Access) na reduo de potncia mdia de transmisso e em sistemas TDMA (Time-
Division Multiple Access) na chamada multiplexao estatstica de voz, para o aumento da capacidade
do sistema. A transmisso por pacotes tem como exemplo o modo GPRS (General Packet Radio
Service) do padro celular GSM (Global System for Mobile communications).

Vamos construir a cadeia de Markov para este problema e determinar a matriz de transio
correspondente:

Supondo que X
n
seja a funo indicadora da atividade da voz em um determinado pacote no instante n,
ento X
n
uma cadeia de Markov com diagrama de dois estados e com matriz de probabilidades de
transio como mostrado a seguir:


1
1

(
=
(


P
----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA
154

Aula n Data Tema Cadeias de Markov - 2
Contedo
Cadeias de Markov: Probabilidades de transio para 2 passos. Probabilidades de
transio para n passos.
Objetivos
O final da aula o aluno dever ser capaz de: 1) determinar e interpretar
probabilidades de transio de n passos para uma cadeia de Markov. 2) realizar
clculos de probabilidade envolvendo uma matriz de probabilidades de transio de
n passos.


Probabilidades de transio para 2 passos

Para determinar a FMP conjunta em instantes de tempo quaisquer, necessitamos conhecer as transies
de probabilidade para um nmero qualquer de passos. Ento, vamos definir P(n) como sendo a matriz
de probabilidades de transio para n passos, com elementos {p
ij
(n)} tais que:

[ ] ( ) | , , , 0
ij n k k
p n P X j X i n i j
+
= = =

onde l-se: p
ij
(n) a probabilidade de transio do estado i para o estado j em n passos, ou seja, a
probabilidade de transio do estado i para o estado j realizando-se n transies de estado
intermedirias.

Note que

[ ] [ ]
0
| | , , 0
n k k n
P X j X i P X j X i n k
+
= = = = = ,

pois as probabilidades de transio no dependem do tempo. Em outras palavras, a probabilidade de
transio de um estado i para um estado j em n passos independe do instante de tempo em que se
observa a cadeia.

Considere agora a probabilidade de sair do estado i em t = 0 e chegar ao estado j em t = 2, passando
pelo estado intermedirio k em t = 1. Para esta situao podemos escrever:

2 1 0
2 1 0
0
2 1 0 1 0
0
2 1 1 0 0
0
2 1 1 0
[ , , ]
[ , | ]
[ ]
[ | , ] [ , ]
[ ]
[ | ] [ | ] [ ]
[ ]
[ | ] [ | ] (1) (1)
kj ik
P X j X k X i
P X j X k X i
P X i
P X j X k X i P X k X i
P X i
P X j X k P X k X i P X i
P X i
P X j X k P X k X i p p
= = =
= = = =
=
= = = = =
=
=
= = = = =
=
=
= = = = = =


Note que p
ik
(1) e p
kj
(1) so componentes de P, a matriz de transio de um passo.

Obtemos p
ij
(2), a probabilidade de ir do estado i em t = 0 para o estado j em t = 2, realizando a soma
sobre todos os possveis estados intermedirios k, ou seja:
155

(2) (1) (1) , ,
ij ik kj
k
p p p i j =



O conjunto de equaes que compem os resultados da expresso anterior leva seguinte notao
matricial:

2
(2) (1) (1) = = P P P P

ou seja, a matriz de probabilidades de transio de 2 passos igual ao quadrado da matriz de
probabilidades de transio de um passo.


Probabilidades de transio para n passos

Por meio dos mesmos argumentos apresentados anteriormente para as probabilidades de transio de
dois passos, podemos escrever por induo:

( ) ( 1) (1) ( 1) n n n = = P P P P P

Assim, a matriz de probabilidades de transio de n passos ser a n-sima potncia da matriz de
probabilidades de transio de um passo, ou seja:

( )
n
n = P P

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Para o exemplo de transmisso de voz por pacotes, seja = 1/10 e = 1/5. Vamos encontrar
P(n) para n = 2, 4, 8 e 16, lembrando que a matriz de transio de um passo :

1
1

(
=
(


P

2
2
0.9 0.1 0.83 0.17
0.2 0.8 0.34 0.66
( (
= =
( (

P
4
4
0.9 0.1 0.7467 0.2533
0.2 0.8 0.5066 0.4934
( (
= =
( (

P

8
8
0.9 0.1 0.6859 0.3141
0.2 0.8 0.6282 0.3718
( (
= =
( (

P
16
16
0.9 0.1 0.6678 0.3322
0.2 0.8 0.6644 0.3356
( (
= =
( (

P

Observe que medida que n h uma tendncia para:

2/ 3 1/ 3
2/ 3 1/ 3
n
(
=
(

P ,

156
ou seja, quando o sistema se encontra em regime permanente as probabilidades de transio na cadeia
tendem para os valores dados por P
n
, para n . Para o exemplo em questo isto significa que, em
regime permanente, a probabilidade de a voz estar em estado de no atividade (estado 0) de 2/3 e a
probabilidade de a voz estar em estado de atividade (estado 1) de 1/3.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Em uma casa h duas lmpadas de reserva. A probabilidade de ser necessria uma nova
lmpada durante o dia n p e a probabilidade de no ser necessria uma nova lmpada neste dia
q = 1 p. Seja Y
n
o nmero de lmpadas de reserva existentes na casa ao final do dia n., considerando
n = 0 como sendo o dia inicial de anlise. O processo Y
n
uma cadeia de Markov para o qual o
diagrama de estados e a matriz de probabilidades de transio so dados a seguir:


1 0 0
0
0
p q
p q
(
(
=
(
(

P

A matriz de probabilidades de transio para n passos, P(n), obtida elevando-se a matriz P n-sima
potncia, o que leva a:

1 1
1 0 0
( ) 1 0
1
n n
n n n n
n q q
q npq npq q

(
(
=
(
(

P

Fazendo-se n em P(n) obtm-se:

1 0 0
( ) 1 0 0
1 0 0
n
n

(
(
=
(
(

P

Como em regime permanente a probabilidade do estado 0 unitria, isto significa que no final das
contas (para n elevado) certo que ficaremos sem lmpadas de reserva.

Abaixo se tm algumas matrizes de transio de n passos para vrios valores intermedirios de n,
considerando que a probabilidade de uma lmpada queimar em um dia qualquer p = 0,1.

1 0 0
(2) 0.19 0.81 0
0.01 0.18 0.81
(
(

(
(

P
1 0 0
(20) 0.878 0.122 0
0.608 0.27 0.122
(
(

(
(

P
-4
-3 -4
1 0 0
(50) 0.999 6.2 10 0
0.995 4.9 10 6.3 10
(
(

(
(

P
0 1 2
p p
q = 1 p 1 q = 1 p
157

Perceba que aps cerca de 50 dias, a probabilidade de no haver mais lmpadas de reserva na casa
maior que 0.99, ou seja, a chance de no termos mais lmpadas de reserva aps 50 dias praticamente
igual a 100%.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Retomando o exemplo do Tom e Jerry, suponha que voc queira dar uma mo ao Tom,
colocando uma ratoeira em um dos compartimentos, exceto no compartimento 5, pois no necessrio.
A regra : se Jerry for apanhado nesta ratoeira aps passar por trs compartimentos (trs transies de
estado) voc poder d-lo de presente ao Tom. Qual seria o melhor local a se colocar a ratoeira?

Para responder questo vamos elevar a matriz de transies terceira potncia, o que resultar em:

0 0.35 0 0.43 0 0.22
0.35 0 0.35 0 0.14 0.17
0 0.23 0 0.29 0 0.48
(3)
0.29 0 0.29 0 0.15 0.28
0 0.14 0 0.22 0 0.64
0 0 0 0 0 1
(
(
(
(
=
(
(
(
(

P

Perceba que a probabilidade p
03
(3) = 0.43, que o maior valor da matriz P(3), excetuando alguns
valores referentes s transies para o quinto compartimento. Ento, nada mais sensato que colocar a
ratoeira no compartimento 3.

Suponha agora que voc queira analisar a convergncia da matriz de probabilidades de transio para n
. Por exemplo, para n = 300 a matriz P(300) = P
300
ser aproximadamente dada por:

0 0 0 0 0 1
0 0 0 0 0 1
0 0 0 0 0 1
(300)
0 0 0 0 0 1
0 0 0 0 0 1
0 0 0 0 0 1
(
(
(
(

(
(
(
(

P

Em poucas palavras pode-se dizer que aps um longo intervalo de tempo (n elevado) a chance de Jerry
ter chegado ao estado 5 e, portanto, ser capturado por Tom, praticamente 100%.


----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

158

Aula n Data Tema Cadeias de Markov - 3
Contedo
Cadeias de Markov: Probabilidades dos estados. Probabilidades em regime
permanente. Exerccios de fixao.
Objetivos
O final da aula o aluno dever ser capaz de: 1) determinar e interpretar
probabilidades transitrias e em regime permanente para os estados de uma cadeia
de Markov. 2) realizar exerccios envolvendo todos os assuntos estudados sobre
processos e cadeias de Markov.


Probabilidades dos estados

A probabilidade de estado a probabilidade de uma cadeia de Markov se encontrar em um de seus
estados, ou seja, a probabilidade do processo de Markov correspondente apresentar um de seus
possveis valores. Assim, a probabilidade da cadeia de Markov estar em um estado j corresponde
soma de todas as probabilidades conjuntas referentes a se estar em um estado i num determinado
instante de tempo e se estar no instante j num instante posterior.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: A probabilidade do estado 3 na cadeia de Markov referente ao exemplo do Tom e do Jerry,
de acordo com a definio dada logo acima e com o diagrama de estados reapresentado a seguir :

[ ] [ ] [ ] [ ]
1 1 1
3 3, 0 3, 2 3, 4
n n n n n n n
P X P X X P X X P X X

= = = = + = = + = =



----------------------------------------------------------------------------------------------------------------------------

Matematicamente, seja p(n) o vetor transposto (matriz linha) de probabilidades dos estados no instante
n, com elementos {p
j
(n)} dados por:

[ ] [ ]
[ ] [ ]
1
1 1
( ) ,
| ( 1)
j n n n
i
n n n ij i
i i
p n P X j P X j X i
P X j X i P X i p p n


= = = = =
= = = = =




De onde se pode escrever:

( ) ( 1) n n = p p P

159
Similarmente, entendendo que as probabilidades de se estar em cada um dos estados podem ser
determinadas envolvendo quaisquer estados anteriores, pode-se escrever p
j
(n) em funo do estado
inicial da cadeia, ou seja:

[ ]
[ ] [ ]
0
0 0
( ) ,
| ( ) (0)
j n
i
n ij i
i i
p n P X j X i
P X j X i P X i p n p
= = =
= = = = =




que em notao matricial resulta em:

( ) (0) ( ) (0)
n
n n = = p p P p P

onde p(0) a FMP inicial dos estados da cadeia de Markov. Em palavras, a funo massa de
probabilidade (FMP) dos estados no instante n obtida multiplicando-se a FMP do instante
inicial pela n-sima potncia da matriz de probabilidades de transio de um passo.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Retornando ao exemplo da transmisso de voz por pacotes, sejam as probabilidades iniciais
dos estados dadas por:

0 0 0 1 0
[ 0] (0) [ 1] (0) 1 (0) P X p P X p p = = = = = .

Vamos encontrar as probabilidades dos estados medida que n . O vetor que contm estas
probabilidades dos estados no instante n :

[ ]
0 0
( ) (0) (0) 1 (0)
n n
n p p = = p p P P

medida que n tem-se que:

[ ] [ ]
0 0
2/ 3 1/ 3
( ) (0) 1 (0) 2/ 3 1/ 3
2/ 3 1/ 3
n p p
(
= =
(

p

De onde se conclui que as probabilidades dos estados no dependem das probabilidades do estado
inicial medida que n . Em outras palavras, a probabilidade do processo aleatrio estar em um
determinado estado, em regime permanente, independe do estado inicial do processo.

----------------------------------------------------------------------------------------------------------------------------


Probabilidades em regime permanente

Diz-se que uma cadeia de Markov est em equilbrio ou em regime permanente quando, medida
que n , a sua matriz das probabilidades de transio aproxima-se de uma matriz em que todas as
linhas so iguais, ou seja:

160
( ) ,
ij j
p n i

onde
j
so os elementos de cada uma das linhas. Estas linhas iguais determinam as probabilidades de
estado em regime permanente, cujos valores so independentes do tempo e das probabilidades de
estado iniciais.

Na anlise de probabilidades dos estados vimos que:

( ) ( 1)
j ij i
i
p n p p n =



medida que n , p
j
(n)
j
e p
i
(n 1)
i
. Assim, podemos reescrever a equao acima como:

j ij i
i
p =



que em notao matricial pode ser escrita como:

= P

Esta equao tem em geral (n 1) equaes linearmente independentes. A equao adicional que
permitir compor um sistema de equaes de fcil soluo :


1
i
i
=



A matriz chamada de FMP estacionria dos estados da cadeia de Markov, ou simplesmente FMP
em regime permanente.

Se iniciarmos a cadeia de Markov com FMP inicial p(0) = , combinando as equaes p(n) = p(0)P
n
e
= P teremos:

( ) ,
n
n n = = p P

Note que as probabilidades dos estados em regime permanente so sempre as mesmas,
independentemente do nmero de transies efetuadas e das probabilidades de estado iniciais.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Vamos encontrar a FMP de regime permanente da cadeia de Markov do exemplo da
transmisso de voz por pacotes, para = 0.1 e = 0.2, lembrando que:

1
1

(
=
(


P
Assim teremos:
161
[ ] [ ]
0 1 0 1
1
1


(
= =
(


P

de onde obtemos as equaes:

0
= (1 )
0
+
1

1
=
0
+ (1 )
1

Da 1 equao:
0
=
1
. Como
0
+
1
= 1,
0
= (1
0
) ( + )
0
=
0
= /( + ). Como

0
=
1
, tem-se que
1
=
0
/ = /( + ) = /( + ). Ento, para = 0.1 e = 0.2, teremos:

0
2
3


= =
+

1
1
3


= =
+


----------------------------------------------------------------------------------------------------------------------------

Exemplo: Um apostador vai a um cassino e participa de um jogo de apostas que aparentemente justo.
Em tal jogo as apostas so de valor 10 e a probabilidade de ganhar . Admite-se que a quantidade de
recursos financeiros do cassino infinita ou muito maior que a quantidade de recursos do apostador.
Construa o diagrama de estados para a cadeia de Markov correspondente e interprete o resultado.



Para o jogo de apostas em questo, enquanto o apostador tiver recursos ele pode continuar apostando e,
portanto, a cadeia de Markov no tem fim. Por esta razo a matriz de probabilidades de transio ter
um nmero de linhas e de colunas infinito. Se o apostador tiver apenas o valor 10 e perder, no mais
poder apostar, ou seja, a probabilidade de permanecer nesse estado unitria.

Devido ao fato da matriz P no ter nmero finito de linhas e colunas, no possvel, com os conceitos
estudados at aqui, determinar as probabilidades dos estados em regime permanente. Entretanto, se
compararmos o diagrama de estados deste exerccio com aquele construdo para o exemplo do Tom e
Jerry, podemos verificar que ambos possuem um estado sem volta. A este estado d-se o nome de
estado absorvente. Sempre que uma cadeia de Markov tiver um estado absorvente significa que, aps
um grande nmero de passos (n ), o estado do processo convergir para o estado absorvente com
probabilidade 1, independente do estado inicial. Para o exemplo em questo, inevitavelmente, em
termos probabilsticos, o apostador ficar sem dinheiro. Perceba que, embora o jogo parea justo, a
diferena na quantidade de recursos iniciais coloca o apostador em desvantagem em termos
probabilsticos.



162
Exerccios de fixao

----------------------------------------------------------------------------------------------------------------------------

1 Uma mquina de uma linha de produo possui vrias peas idnticas que falham com certa
freqncia devido ao desgaste excessivo. O Gerente de Produo, procurando evitar que a mquina
pare por um tempo maior que aquele necessrio para a substituio de uma pea danificada, solicita
que sejam mantidas 2 peas de reserva no almoxarifado. Dados do fabricante da mquina indicam que
a probabilidade de uma pea falhar em um dia qualquer p = 0,1 e a probabilidade de no falhar q =
1 p. Considera-se ainda que probabilidade de mais de uma pea falhar num mesmo dia praticamente
nula. Ento, seja Z
n
a varivel aleatria correspondente ao nmero de peas sobressalentes restantes no
almoxarifado ao final do dia n. Ento Z
n
forma a uma cadeia de Markov para a qual se pede:

a) Desenhe o diagrama de estados.



Observao: se considerssemos a possibilidade de serem retiradas duas peas
simultaneamente do almoxarifado, este evento corresponderia pane em duas peas da
mquina, simultaneamente. Ento existiria uma transio do estado 2 para o estado 0, com
probabilidade de transio p
20
= p
2
. Neste caso a probabilidade p
22
seria igual a 1 (p + p
2
), ou
seja, a probabilidade de no ser retirada nenhuma pea do almoxarifado seria igual a
P(nenhuma pane) = 1 [P(pane em uma pea) + P(pane em duas peas)] = 1 (p + p
2
).


b) Determine a matriz de probabilidades de transio, P.

1 0 0
0
0
p q
p q
(
(
=
(
(

P


c) A matriz P(n) a seguir corresponde matriz de transies de estado de n passos. Complete os
espaos da matriz com as probabilidades de transio correspondentes.

1
0 0
( ) 1 0
1
n
n n n
n q
q npq q

(
(
=
(
(

P
1 1
1 0 0
( ) 1 0
1
n n
n n n n
n q q
q npq npq q

(
(
=
(
(

P


0 1 2
p p
q = 1 p 1 q = 1 p
163
d) Determine a matriz P(n) em regime permanente.

Em regime permanente basta fazer n na matriz P(n) acima, o que leva a:

1 0 0
( ) 1 0 0
1 0 0
n
n

(
(
=
(
(

P

Alternativamente se pode encontrar as probabilidades dos estados em regime permanente, , e
repeti-las em todas as linhas da matriz P.


e) Determine a probabilidade [ ]
2
0 | 2 ,
k k
P Z Z k
+
= = .

Basta substituir n = 2, p = 0,1 e q = 0,9 na matriz P(n) do item c ou elevar a matriz P do item
b ao quadrado, obtendo:

2
1 0 0
(2) 0,19 0,81 0
0, 01 0,18 0,81
(
(
= =
(
(

P P , de onde se obtm [ ]
2 20
0 | 2 , (2) 0, 01
k k
P Z Z k p
+
= = = =


f) Calcule as probabilidades dos estados em regime permanente, utilizando = P e
i
= 1.

Construindo e resolvendo o sistema de equaes, teremos:

[ ] [ ]
[ ] [ ]
0 1 2 0 1 2
0 1 0 1
1 2 1 2 1 1 2 1
2 2 2 1 0 2 1
0 1 2
1 0 0
0
0
0
(1 )
0 0 1 1
Ento, finalmente: 1 0 0
p q
p q
p p
q p p q p
q





(
(
= =
(
(

+ = =
+ = = = =
= = = = =
= =
P




g) Interprete o resultado obtido no item f.

Como em regime permanente a probabilidade do estado 0 unitria, isto significa que no final
das contas (para n elevado) certo que ficaremos sem peas reservas e que, portanto, a mquina
ir parar de funcionar por um tempo maior que o permitido.

----------------------------------------------------------------------------------------------------------------------------
164

2 Mostre que P(n) dada pela matriz a seguir, onde P tambm dada a seguir. Dica: obtenha P
2
,
depois P
3
, depois P
4
e tente, por induo, obter a forma genrica para P(n) = P
n
.

1 0 0
0
0
p q
p q
(
(
=
(
(

P
1 1
1 0 0
( ) 1 0
1
n n
n n n n
n q q
q npq npq q

(
(
=
(
(

P

----------------------------------------------------------------------------------------------------------------------------

3 Seja S
n
um processo de Markov referente a um processo de contagem Binomial formado pela soma
de variveis aleatrias de Benoulli com probabilidade de sucesso p. Em um determinado instante de
tempo discreto n, S
n
pode se manter com o mesmo valor ou ser incrementado de 1. O processo S
n

poderia, por exemplo, representar o nmero de lmpadas queimadas em uma residncia at o dia n,
sendo p a probabilidade de uma lmpada queimar num dia qualquer. Pede-se: a) Verificar se S
n

realmente um processo de Markov. b) Desenhar o diagrama de estados e a matriz de probabilidades de
transio. Dica: ver livro do Leon Garcia, pgina 463.

Observao complementar: O processo S
n
uma tpica cadeia de Markov que no converge
para um comportamento estvel, pois cresce cada vez mais medida que n .

----------------------------------------------------------------------------------------------------------------------------

4 Um apostador vai a um cassino e participa de um jogo de apostas que aparentemente justo. Em tal
jogo as apostas so de valor 1 e a probabilidade de ganhar . Admite-se que a quantidade de recursos
do apostador menor ou igual a 3 e que a quantidade mxima paga pelo cassino neste tipo de jogo de
4. Pede-se: a) Construa o diagrama de estados para a cadeia de Markov correspondente. b) Determine a
matriz de probabilidades de transio para n e interprete o resultado supondo que o apostador
iniciou o jogo de posse dos valores 1, 2 ou 3.

Observao complementar: Este exerccio se refere a uma cadeia de Markov na qual as
probabilidades dos estados em regime permanente depende do estado inicial. Neste caso a
matriz P(n) para n no ter todas as linhas iguais.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA
165

Aula n Data Tema Teoria de filas - 1
Contedo Noes sobre a Teoria de Filas: Modelo de um sistema de filas. A frmula de Little.
Objetivos
Ao final da aula os alunos devero ser capazes de: 1) conceituar um modelo de filas,
citando exemplos reais que se encaixam neste modelo. 2) realizar clculos em
sistemas de filas utilizando a frmual de Little.


A teoria que permite o estudo do comportamento das filas chamada de teoria de filas (queueing
theory). Trata-se de uma aplicao das cadeias de Markov (ou processos de Markov discretos). Sua
importncia reside no dimensionamento e anlise de sistemas de filas quaisquer, como em bancos e em
sistemas semelhantes, em servidores ou em processadores em sistemas de computao, em
comutadores, em roteadores e no controle de erros em redes de telecomunicaes, apenas para citar
alguns exemplos.


Modelo de um sistema de filas

Seja um exemplo de um sistema de filas e o seu correspondente modelo genrico onde, em estado
permanente, as taxas de chegada e de atendimento so constantes e valem e clientes por segundo,
respectivamente. A figura a seguir ilustra este modelo genrico.



Em notao simplificada tal modelo pode ser representado por meio da figura a seguir. Nele, as
chegadas ou solicitaes de servio so encaminhadas a uma memria (buffer), a qual representa a fila.
O nmero de clientes na fila N
Q
e o tempo de permanncia de um cliente na fila T
Q
. Os clientes so
atendidos por m servidores, onde cada servidor atende apenas a um cliente por vez. O tempo de
permanncia de um cliente em atendimento T
S
e o nmero de clientes em atendimento N
S
. Aps o
atendimento os clientes saem do sistema sendo que, em regime permanente, a taxa de sada igual
taxa de entrada no sistema. O tempo total de permanncia no sistema T = T
Q
+ T
S
e o nmero total de
clientes no sistema N = N
Q
+ N
S
.

Em sistemas de filas reais os termos genricos cliente, fila e servidor assumem nomenclaturas
mais especficas e adequadas a cada situao. Por exemplo, se estivermos analisando um sistema de
comutao de pacotes em sistemas de telecomunicaes, o termo cliente estar associado ao pacote de
166
bits de informao, a fila estar associada a uma memria de armazenamento temporrio conhecida
como buffer e os servidores estaro associados a comutadores que daro destino aos pacotes na rede.



As chegadas e sadas dos clientes podem ser modeladas como processos de contagem (tipicamente
processos de Poisson). Estas chegadas e sadas podem ser denotadas por A(t) e D(t), onde os valores de
A(t) e D(t) se referem ao nmero de chegadas e de sadas no intervalo [0, t], respectivamente. A figura
a seguir ilustra um comportamento tpico das chegadas e sadas de clientes em um sistema de fila.



Note na figura em questo que A(t) D(t) para qualquer instante de tempo, pois no se pode atender
um cliente que ainda no chegou fila Note ainda que o tempo que cada cliente permanece no sistema
a diferena entre o instante de chagada e o subseqente instante de sada do servidor.


A frmula de Little

Seja t
i
, i = 1, 2, 3, ... o tempo de permanncia no sistema para a i-sima chegada. Se A(t) o nmero de
chegadas no intervalo [0, t], o tempo mdio de permanncia de um cliente no sistema de fila, calculado
neste intervalo de observao [0, t], pode ser determinado por:

167
( )
1
1
( )
A t
i
i
t t
A t
=
=



Perceba que a expresso anterior nada mais que uma estimativa, por mdia amostral, do tempo mdio
de permanncia de um cliente no sistema, calculado pela soma dos tempos de permanncia de cada um
dos clientes pelo nmero total de clientes que chegaram at o instante t.

De maneira anloga, a taxa mdia de chegada de clientes no sistema, medida em clientes por unidade
de tempo, pode tambm ser estimada a partir do intervalo de observao [0, t] por:

( ) A t
t
=

Um outro parmetro de importncia, o nmero mdio de clientes no sistema, pode ser medido pela
diviso do tempo total de permanncia no sistema para todos os clientes, medido no intervalo [0, t],
pela durao do intervalo, t, ou seja:

( )
1
1
A t
i
i
n t t
t

=
= =



Da teoria das mdias amostrais, sabemos que medida que o nmero de amostras aumenta uma mdia
amostral tende mdia estatstica. No presente contexto, um maior nmero de ocorrncias de um
evento (chegada ou sada, por exemplo) corresponde a um intervalo de anlise [0, t] maior, para o qual
teremos as mdias amostrais se aproximando dos valores esperados, ou seja:

[ ] t E T [ ] n E N

Combinando estes resultados com o resultado anterior, teremos uma importante expresso denominada
de Frmula de Little:

[ ] [ ] E N E T =


----------------------------------------------------------------------------------------------------------------------------

Exemplo: Na tabela a seguir tm-se os dados de uma fila com disciplina FIFO (first-in-first-out) com
variveis: t
A
= instante de tempo de chegada, t
Q
= intervalo de permanncia na fila, t
S
= intervalo de
permanncia no servidor e t
D
= instante de tempo de sada. Seja calcular n , o nmero mdio de
clientes no sistema de fila.

Para facilitar a anlise e interpretao dos dados e dos resultados, vamos, a partir da tabela dada,
construir o grfico que mostra a evoluo das chegadas e das sadas ao longo do tempo. A figura a
seguir corresponde a este grfico, no qual alguns valores esto em destaque e correspondem aos valores
marcados na tabela anterior.

No grfico a seguir, observe especificamente como o tempo de permanncia do cliente 7 no sistema
dividido entre o tempo de permanncia na fila mais o tempo de permanncia no servidor: ele chega ao
168
sistema no instante 11.3 minutos e neste instante entra na fila. Aps 0.2 minutos, no instante 11.5
minutos, o cliente 6 sai do sistema, o que significa que um servidor se tornou vago para atender o
cliente 7. Tal atendimento dura at que este cliente saia do sistema, o que acontece no instante 13.1
minutos. Assim, o tempo em servio de 13.1 11.5 = 1.6 minutos. O tempo de permanncia total no
sistema para o cliente 7 , portanto, 0.2 + 1.6 = 1.8 minutos.



Para termos maior preciso nas nossas estimativas, vamos considerar o intervalo de observao como
sendo o intervalo [0, t] = [0, 20.7]. De acordo com a tabela anterior, quando t = 20.7, A(t) = i = 10, o
que nos permite escrever:

( ) 10
clientes/min
20.7
A t
t
= =

( )
1
1 2 3.4 4.8 3.7 4 1.5 1.8 2.3 2.7 5.2 31.4
min
( ) 10 10
A t
i
i
t t
A t
=
+ + + + + + + + +
= = =



10 31.4
1.52 clientes
20.7 10
n t = = =



----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA
169

Aula n Data Tema Teoria de filas - 2
Contedo
Noes sobre a Teoria de Filas: Notao A/S/m para nomear as filas. Processo de
nascimento e morte. Equao de balano global. Fila M/M/1.
Objetivos
Ao final da aula o aluno dever ser capaz de: 1) dar o significado dos termos na
notao A/S/m para as filas. 2) conceituar um processo de nascimento e morte. 3)
conceituar a equao de balano global. 4) conceituar o modelo de fila M/M/1 e citar
exemplos de casos reais que se encaixem em neste modelo.


Notao A/S/m para identificar as filas

Existem vrias formas de identificar uma fila por meio de notaes at certo ponto padronizadas.
Normalmente esta identificao feita por meio de um conjunto de letras e nmeros, sendo que cada
uma destas letras e nmeros representa uma caracterstica particular da fila em questo. Utilizaremos
neste nosso estudo introdutrio a notao simplificada A/S/m, na qual a letra na posio A descreve
a dinmica das chegadas ao sistema, a letra na posio S descreve a dinmica utilizada pelos
servidores para atender os clientes e o nmero na posio m representa o nmero de servidores.
Adicionalmente, admite-se que as chegadas e os atendimentos no sistema de fila so independentes,
exceto pelo fato de que no se pode atender um cliente que ainda no chegou fila.

Nesta notao o nmero de estados da cadeia da Markov correspondente igual ao nmero de clientes
no sistema, considerando os clientes na fila mais os clientes em atendimento.

Estudaremos como exemplo os sistemas de fila M/M/1 e M/M/m, os quais possuem dinmica de
entrada referente a processos Markovianos com distribuio de Poisson, dinmica de atendimento
Exponencial (tempo de servio Exponencial), tendo 1 e m servidores, respectivamente. Antes,
porm, vamos definir um processo que se manifesta nestas filas: o processo de nascimento e morte.


Processo de nascimento e morte

Trata-se de um caso especial de uma cadeia de Markov de tempo contnuo no qual transies de estado
ocorrem apenas entre estados adjacentes, ou seja, a probabilidade de transio entre estados no-
vizinhos nula ou desprezvel.

Em telecomunicaes, processos de nascimento e morte so teis para modelar alteraes na
quantidade de usurios em um sistema de filas. Assim, um estado S
k
nesta cadeia est associado
quantidade k de usurios no sistema.

A figura a seguir mostra um diagrama de estados para uma cadeia de Markov referente ao processo de
nascimento e morte. Como estamos agora nos referindo a uma cadeia de Markov de tempo contnuo,
em vez de probabilidades de transio temos taxas de chegada e de sada para os estados: Se o sistema
se encontra no estado S
k
no instante t, a probabilidade de transio para o estado S
k+1
no instante (t + t)
ser
k
t. Referimos-nos a
k
como a taxa de nascimento (chegada) referente ao estado S
k+1
. Se o
sistema se encontra no estado S
k
no instante t, a probabilidade de transio para o estado S
k1
no
instante (t + t) ser
k
t. Referimos-nos a
k
como a taxa de morte (sada) para estado S
k1
.

170


O sistema de filas discutido no exemplo dado anteriormente um processo de nascimento e morte.


Equao de balano global

medida que t , as probabilidades dos estados em uma cadeia de Markov convergem para uma
FMP que no dependente das condies iniciais. Este um comportamento tpico de sistemas que
alcanam uma condio de equilbrio ou regime permanente. Para tais sistemas, em cada estado, o
somatrio dos fluxos de entrada igual ao somatrio dos fluxos de sada, ou seja:

fluxo sada fluxo entrada =



Esta equao tem grande aplicao no estudo da teoria de filas. Logo adiante veremos casos onde tal
aplicao estar presente.


Fila M/M/1

Na fila M/M/1 o nmero de servidores m = 1, as dinmicas de entrada e de sada so processos de
Markov com distribuio de Poisson, com taxa de entrada constante com valor e taxa de sada
constante de valor . A dinmica de atendimento um processo Markoviano com distribuio
Exponencial. Em outras palavras, a dinmica de entrada tipicamente aquela em que as chegadas
ocorrem segundo a distribuio de Poisson, para a qual o intervalo de tempo entre os eventos de
chegada tem distribuio Exponencial. A dinmica de atendimento aquela na qual o tempo de servio
(atendimento a cada cliente) tambm uma varivel aleatria com distribuio Exponencial.

Para recordar, uma varivel aleatria X com distribuio Exponencial possui funo densidade de
probabilidade e mdia dadas respectivamente por:

, 0 , 0
( )
0 , 0
x
X
e x
f x
x

>
=

<


1
[ ] E X

=

Sendo assim, o intervalo entre as chegadas ao sistema de filas ter distribuio Exponencial com mdia
1/ e o intervalo entre as sadas do sistema de fila ter distribuio Exponencial com mdia 1/. O
intervalo de atendimento ou de servio tambm ter distribuio Exponencial.

A figura a seguir ilustra o diagrama de estados para a cadeia de Markov em tempo contnuo referente
fila M/M/1. Vale lembrar que o nmero de estados igual ao nmero de clientes no sistema, levando
em conta os clientes na fila e o cliente em atendimento no servidor.

171


Vimos na definio da equao de balano global que, para sistemas em equilbrio, o somatrio do
fluxo de entrada igual ao somatrio do fluxo de sada. O fluxo de sada de um determinado estado
pode ser determinado pelo produto da probabilidade de ocorrncia do estado pela soma de seus fluxos
de sada. Por exemplo, o fluxo de sada do estado S
3
pode ser determinado por p
3
( + ), onde p
3
a
probabilidade do sistema estar no estado 3.

Ento a equao de balano global pode ser adaptada a um processo de nascimento e morte qualquer
(ver diagrama de estados no item anterior), formando as novas equaes de balano global:

( )
0 0 1 1
1 1 1 1
, 0
, 1
k k k k k k k
p p k
p p p k


+ +
= =
+ = +


onde p
k
a probabilidade do sistema estar no estado k ou, em outras palavras, a probabilidade de
existirem k usurios no sistema (fila mais em servio).

Ento, utilizando as novas equaes de balano global e definindo = / como o fator de utilizao
do sistema de fila M/M/1, podemos escrever as relaes:

( )
( )
0 1 1 0
2
1 0 2 2 0
3
2 1 3 3 0
p p p p
p p p p p
p p p p p



= =
+ = + =
+ = + =



de onde pode-se obter, por induo:
0
j
j
p p =

Adicionalmente, sabendo que a soma das probabilidades dos estados unitria, ou seja,

0
1
j
j
p

=
=

,
tem-se:
0
0
1
j
j
p

=
=



onde identifica-se a progresso geomtrica

0
1
1
j
j

=
=


Ento,
172

0 0
1
1 1
1
p p

= =



que levando expresso p
j
=
j
p
0
resulta em:

(1 )
j
j
p =

Entendendo que o nmero mdio de clientes no sistema pode ser calculado por meio de

0
[ ]
j
j
E N jp

=
=

,
tem-se:
2
0 0
[ ] (1 ) (1 ) (1 )
(1 )
j j
j j
E N j j


= =
= = =




o que resulta em:
[ ]
(1 )
E N



Observe na figura a seguir que, como esperado, medida que o fator de utilizao do sistema = /
cresce, o nmero de clientes (na fila e no servidor) aumenta, com aumentos drsticos quando est
prximo de 1.



Usando a frmula de Little, o tempo mdio de permanncia no sistema de fila M/M/1 ser:

[ ]
[ ]
(1 )
E N
E T


= =


o que resulta em:
1
[ ] E T

=


173

A figura a seguir ilustra o comportamento do tempo mdio de permanncia no sistema de fila M/M/1,
normalizado em relao ao intervalo mdio entre as chegadas com distribuio de Poisson, 1/. De
forma similar ao nmero mdio de clientes no sistema, medida que o fator de utilizao = /
cresce, o tempo mdio de permanncia (na fila e no servidor) aumenta, com aumentos mais
pronunciados quando est prximo de 1.



Em carter complementar, na anlise de algum problema ainda podemos querer conhecer a
probabilidade do nmero de clientes no sistema de fila exceder um dado valor ou a probabilidade do
tempo de permanncia no sistema exceder um dado valor. Estas probabilidades so dadas
respectivamente por:

[ ] (1 )
L
L
N
L
N N
P N N

=
=


( ) 1
[ ] exp
[ ]
L
L
S
T
P T T
E T
(
> =
(



----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA

174

Aula n Data Tema Teoria de filas - 3
Contedo
Fila M/M/m sem buffer e a Frmula Erlang-B. Exerccios de fixao sobre a teoria
de filas.
Objetivos
Permitir que os alunos revisitem os conceitos tericos e conheam exemplos de
aplicao destes conceitos na soluo de problemas. Ao final da aula os alunos
devero ser capazes de: 1) entender a deduo da frmula Erlang-B a partir da fila
M/M/m. 2) realizar clculos com os modelos de fila M/M/1 e M/M/m, epecialmente
aqueles que envolvam a frmula Erlang-B.


Fila M/M/m sem buffer e a Frmula Erlang-B

Estudaremos o sistema de fila M/M/m sem buffer por meio de um estudo de caso que levar deduo
da frmula Erlang-B, um dos resultados mais teis no dimensionamento de sistemas de
telecomunicaes com comutao de circuitos, os quais possuem as seguintes caractersticas em
comum:

Chegadas (chamadas) com distribuio de Poisson. Tempo de servios (atendimento) com
distribuio Exponencial, sem fila (sem buffer).
Sistema com comutao de circuitos para o qual um circuito servidor (canal) se mantm
ocupado durante o tempo de conexo.
Uma chamada encaminhada ao destino se h algum servidor (canal) ocioso; se no h, a
chamada bloqueada.
O sistema aloca um canal por chamada completada.

Clculos de interesse com a frmula Erlang-B que ser deduzida:

Probabilidade de bloqueio de uma chamada em funo do nmero de canais, para um
determinado trfego oferecido ou fator de utilizao do sistema.
Nmero de canais necessrios em funo da probabilidade de bloqueio desejada e do trfego
oferecido ao sistema.

A figura a seguir apresenta o diagrama de estados para a cadeia de Markov referente a um sistema de
fila M/M/m sem buffer. Perceba que se no h fila, o nmero mximo de clientes no sistema igual ao
nmero de servidores e, portanto, o nmero de estados da cadeia igual a m. Adicionalmente, se o
processo de chegada segue uma distribuio de Poisson, a taxa de chegadas constante e tem valor .
Em outras palavras, o incremento do nmero de usurios no sistema tem taxa fixa . Finalmente, como
h m servidores no sistema e no h fila de espera, a taxa de atendimento ser tanto maior quanto mais
clientes estiverem sendo atendidos. Por esta razo a taxa de sada em cada estado proporcional ao
estado, sendo a taxa de atendimento quando houver apenas um cliente no sistema.



Aplicando as equaes de balano global ao modelo em questo, pode-se escrever:
175

1 0
2
2 0
3
3 0
2
3 2
p p
p p
p p

=
=
=


de onde pode-se obter, por induo:

0
!
j
j
p p
j

=
Como se sabe:
0
1
j
j
p

=
=



Ento, combinando as duas ltimas expresses obtm-se:

1
0
0
!
j
j
p
j

=
| |
=
|
\



Combinando os dois resultados anteriores que esto em destaque, tem-se finalmente:

1
0
! !
j j
j
j
p
j j

=
| |
=
|
\



A probabilidade dos m canais estarem ocupados, que correspondente probabilidade de bloqueio de
novas solicitaes de chamada, dada pela expresso de p
j
fazendo j = m, ou seja:

1
0
[ ]
! !
m j m
m
j
P B p
m j


=
| |
= =
|
\



onde = / o fator de utilizao do sistema ou, no presente contexto, a quantidade de trfego
oferecida ao sistema. Esta quantidade de trfego medida em Erlangs (Er), em homenagem ao
matemtico francs que a desenvolveu. A quantidade de trfego pode ser determinada por

o
c c
N

=

onde N
c
o nmero de chamadas de durao mdia
c
no intervalo de observao
o
.

----------------------------------------------------------------------------------------------------------------------------

176
Exemplo: Para termos noo da ordem de grandeza da quantidade de trfego correspondente a 1
Erlang, vamos analisar o seguinte exemplo: suponha que uma central de comutao receba 120
solicitaes de chamadas telefnicas num intervalo de observao de 1 hora e que a durao mdia das
chamadas completadas seja de 2 minutos. O trfego oferecido central dado por:

0
120 2
4 Er
60
c c
N

= = =

e o trfego mdio gerado por usurio de 4/120 0,033 Er. Por este exemplo possvel verificar que a
intensidade de trfego de 1 Erlang um valor bastante elevado quando se refere ao trfego gerado por
um nico usurio.

----------------------------------------------------------------------------------------------------------------------------

Na figura a seguir so apresentadas vrias curvas para a probabilidade de bloqueio em funo da
intensidade de trfego oferecida ao sistema, onde m o nmero de canais (servidores) disponveis.



Valores prticos de probabilidade de bloqueio normalmente se situam na faixa de 0,01 a 0,05. Por esta
razo, na tabela a seguir so apresentados vrios valores para a probabilidade de bloqueio em funo do
nmero de canais e da intensidade de trfego oferecida ao sistema de filas M/M/m.

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Vamos determinar o nmero de canais necessrios em um sistema de comutao de circuitos
de tal forma que a probabilidade de bloqueio esteja por volta de 1% e que o nmero de assinantes
atendidos seja 1.000, sabendo que a intensidade de trfego gerada por usurio de 0,02 Er. A
intensidade de trfego total oferecida ser de 1.000 0,02 = 20 Er. Pela tabela dada anteriormente
percebe-se que o nmero necessrio de canais est por volta de 30. Desta forma, com 30 canais ser
possvel atender a 1.000 assinantes, sendo que a probabilidade de uma solicitao de chamada ser
bloqueada ser de apenas 0,008.

177
----------------------------------------------------------------------------------------------------------------------------

Nmero de canais
10 20 30 40 50 60 70 80 90 100
5 0.018
10 0.215 0.002
15 0.410 0.046
20 0.538 0.159 0.008
25 0.622 0.280 0.053 0.002
30 0.681 0.380 0.132 0.014
35 0.725 0.459 0.220 0.054 0.003
40 0.758 0.521 0.299 0.116 0.019
45 0.784 0.571 0.367 0.185 0.054 0.005
50 0.805 0.612 0.425 0.250 0.105 0.022 0.003
55 0.822 0.646 0.473 0.308 0.161 0.053 0.007
60 0.837 0.674 0.515 0.360 0.216 0.096 0.024 0.002
65 0.849 0.699 0.550 0.406 0.267 0.144 0.052 0.009
70 0.859 0.720 0.581 0.445 0.314 0.192 0.090 0.025 0.003
75 0.869 0.738 0.608 0.480 0.356 0.237 0.131 0.051 0.011
80 0.877 0.754 0.632 0.511 0.393 0.279 0.173 0.084 0.026 0.004
85 0.884 0.768 0.653 0.539 0.427 0.317 0.213 0.121 0.050 0.012
90 0.890 0.781 0.672 0.564 0.457 0.352 0.251 0.158 0.080 0.027
I
n
t
e
n
s
i
d
a
d
e

d
e

t
r

f
e
g
o
,

E
r

95 0.896 0.792 0.689 0.586 0.484 0.384 0.287 0.195 0.112 0.049

----------------------------------------------------------------------------------------------------------------------------

Exemplo: Vamos calcular o nmero de usurios que poderia ser suportado por cada um de dois
sistemas celulares em uma determinada rea, para uma probabilidade de bloqueio de 1% e trfego
mdio gerado por usurio de 0,03 Er. O sistema A contm uma nica clula com 100 canais e o sistema
B contm 5 clulas com 20 canais cada. A rea atendida pelos dois sistemas a mesma. Vamos ainda
tentar justificar os resultados obtidos.

Realizando os clculos com e frmula Erlang-B, temos:
Sistema A: 100, [ ] 0, 01 84 Er.
Sistema B: 20, [ ] 0, 01 12 Er =5 12= 60 Er.
Agora vamos calcular o nmero de usurios suportado:
Sistema A:
A
B
A
m P B
m P B
U


= =
= =
/ 84/ 0, 03 2800 usurios.
Sistema B: / 60/ 0, 03 2000 usurios.
A U
B B U
U


= = =
= = =


----------------------------------------------------------------------------------------------------------------------------


Probabilidade
de bloqueio
178
Exerccios de fixao

----------------------------------------------------------------------------------------------------------------------------

1 Um n de uma rede de comutao de pacotes de dados recebe em mdia 480 pacotes por minuto
(segundo uma distribuio de Poisson), comutados para uma das suas linhas de sada a uma taxa de 64
kbps. A distribuio do tamanho da mensagem Exponencial com um tamanho mdio de 4.000 bits.
Considerando o buffer do comutador infinito, calcule:

a) O tempo de servio.
b) O fator de utilizao do sistema.
c) O nmero mdio de pacotes na fila (sem incluir o que est em transmisso)
d) O tempo mdio que um pacote fica retido no comutador.
e) A probabilidade do tempo de permanncia no sistema ultrapassar 3 vezes o seu valor mdio.
f) A probabilidade de que 10 ou mais mensagens estejam esperando para serem transmitidas.
g) Recalcule tudo considerando que a carga subiu para 864 pacotes por minuto.

----------------------------------------------------------------------------------------------------------------------------

2 Um PABX possui 4 troncos e atende a 20 ramais. A taxa de gerao de chamada de cada ramal de
3 chamadas por hora, cada uma com um tempo mdio de durao de 3 minutos. Calcule a
probabilidade de bloqueio.

----------------------------------------------------------------------------------------------------------------------------

3 Um PABX atende a 40 ramais, cada um gerando em mdia 4 chamadas por hora, cada uma com um
tempo mdio de durao de 3 minutos. Deseja-se que a probabilidade de bloqueio seja menor ou igual a
1%. Quantos troncos so necessrios?

----------------------------------------------------------------------------------------------------------------------------

4 Suponha que a probabilidade de bloqueio encontrada no exerccio 3 seja inaceitavelmente alta.
Como paliativo, instalou-se no PABX um circuito que permite que duas chamadas permaneam em
espera caso todos os troncos estejam ocupados. Desenhe o diagrama de estado deste novo sistema.
Determine a probabilidade associada a cada estado (em funo de p
0
). Com os dados do exerccio 3
calcule a probabilidade de bloqueio.

----------------------------------------------------------------------------------------------------------------------------

5 Calcular o nmero de usurios que poderia ser suportado por cada um de dois sistemas celulares em
uma determinada rea, para uma probabilidade de bloqueio de 2% e trfego mdio gerado por usurio
de 0,05 Er. O sistema A contm uma nica clula com 100 canais e o sistema B contm 5 clulas com
20 canais cada. A rea atendida pelos dois sistemas a mesma. Comentar sobre os resultados obtidos.

----------------------------------------------------------------------------------------------------------------------------

6 Qual o nmero de canais necessrios em um sistema de comutao de circuitos de tal forma que a
probabilidade de bloqueio esteja por volta de 2% e que o nmero de assinantes atendidos seja 2.000,
sabendo que a intensidade de trfego gerada por usurio de 0,03 Er?
179

----------------------------------------------------------------------------------------------------------------------------

Desafio - Outra aplicao das cadeias de Markov ocorre na simulao de um canal de comunicao
mvel em modelo discreto. Sabe-se que num canal deste tipo o desvanecimento tem sua magnitude e
sua fase com distribuies de Rayleigh e Uniforme, respectivamente. Realize uma pesquisa com o
objetivo de entender como se aplica o modelo discreto de Gilbert para o canal de comunicao mvel.
Procure encontrar informaes que permitam que voc possa comparar os modelos contnuo e discreto
em termos de facilidade de implementao e de preciso. Faa uma dissertao sobre as suas
concluses, usando aproximadamente 4 pginas A4, caractere Times New Roman, 12 pontos,
espaamento simples, margens de 2 cm.

----------------------------------------------------------------------------------------------------------------------------

FIM DA AULA & FIM DO CURSO

180

Apndice


Identidades trigonomtricas






181
Derivadas



182


183

Integrais indefinidas



184


185

Integrais definidas











186

Propriedades da transformada de Fourier




187

Pares de transformada de Fourier





188
Variveis aleatrias discretas


Bernoulli




Binomial




Geomtrica 2










189

Geomtrica 2




Poisson



190

Variveis aleatrias contnuas


Uniforme




Exponencial




Gaussiana








191
Gama




Chi-quadrada




Rayleigh





Laplace



192

Valores da FDC para uma varivel aleatria N NN N(0,1)

2
1
( ) ( ) exp
2 2
x
X
u
F x x du


| |
= =
|
\








193










194







----------------------------------------------------------------------------------------------------------------------------


195


Referncias

1. Leon-Garcia, Alberto. Probability and Random Processes for Electrical Engineering. Addison-
Wesly, 2nd edition, July 1993.
2. Roy Yates and David J. Goodman. Probability and Sthocastic Processes: A Friendly
Introduction for Electrical & Computer Engineers. John Wiley, August 1998.
3. Sheldon M Ross. Introduction to Probability Models. AP Professional, 7
th
Edition, February
2000.
4. Samuel Karlin and Howard M. Taylor. An Introduction to Stochastic Modeling. Academic
Press, 3
rd
edition, February 1998.
5. Henry Stark and John W. Woods, Probability and Random Processes with Applications to
Signal Processing, Prentice Hall, 3
rd
edition, July 2001.
6. Sheldom M. Ross. Stochastic Processes. John Wiley & Sons, 2
nd
edition, January 1996.
7. John G. Proakis, Digital Communication, MC Graw Hill Series in Electronic and Computer
Engineering; 3
rd
Edition, 1995.
8. John E. Freund. Modern Elementary Statistic, Prentice Hall International Editions, 1988.
9. Simon Haykin. Communication Systems, John Wiley & Sons Inc, 4
th
Edition, 2001.
10. Murray R. Spiegel. Probabilidade e Estatstica, Mc Graw Hill, 1978.
11. Bernard Sklar. Digital Communications Fundamentals and Applications, Prentice Hall Inc, 2
nd

Edition, 2001.
..12. Jos M. C. Brito. Notas de aula, exerccios e slides sobre Probabilidade, Estatstica e Processos
Estocsticos. Inatel, 2007.
..13. Estevan M. Lopes. Notas de aula, exerccios e slides sobre Probabilidade, Estatstica e
Processos Estocsticos. Inatel, 2007.
..14. Carlos A. Ynoguti. Apostila sobre Probabilidade, Estatstica e Processos Estocsticos. Inatel,
2007.

----------------------------------------------------------------------------------------------------------------------------