Escolar Documentos
Profissional Documentos
Cultura Documentos
Agrade imentos
Sumrio
Lista de Figuras
vii
1 Probabilidade
1.1
Introduo.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Teoria de Conjuntos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1
Lei de De Morgan.
1.2.2
1.3
1.4
1.5
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
Denies de Probabilidade. . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1
Frequn ia Relativa.
. . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2
Axiomti a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.3
Clssi a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
8
1.4.1
1.4.2
. . . . . . . . . . .
1.4.3
1.4.4
. . . . . . . . . . .
10
1.4.5
. . . . . . . . . . .
11
Probabilidade Conjunta. . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
1.5.1
Probabilidades Marginais. . . . . . . . . . . . . . . . . . . . . . .
Regra de Bayes. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
1.7
Eventos independentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
1.8
1.9
Exer ios
1.6.1
. . . . . . . . . . . . . . . . . . . . . . . . .
12
1.6
. . . . . . . . . . . . .
16
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2 Variveis Aleatrias
2.1
Denio.
12
25
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.2
27
2.3
. . . . . . . . . . . . . . . . . . . . . . . .
30
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
2.4
2.5
2.3.1
Dis retas
2.3.2
Contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
2.3.3
Mistas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
33
2.4.1
33
Denio
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.2
Propriedades
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.4.3
35
Bernoulli
. . . . . . . . . . . .
36
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
SUMRIO
2.6
iii
2.5.2
Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
2.5.3
Poisson
37
2.5.4
Geomtri a
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
38
2.6.1
39
Uniforme
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6.2
Exponen ial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
2.6.3
Rayleigh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
2.6.4
Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
2.6.5
Gama
45
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6.6
m-Erlang
2.6.7
Chi-Quadrado ( ) . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
2.6.8
Cau hy
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
2.6.9
Lapla e
46
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
2.7
49
2.8
51
2.8.1
51
2.9
2.8.2
Densidades marginais
. . . . . . . . . . . . . . . . . . . . . . . .
52
2.8.3
Caso multidimensional . . . . . . . . . . . . . . . . . . . . . . . .
53
2.8.4
54
2.8.5
56
56
. . . . . . . . .
2.9.1
Caso Unidimensional . . . . . . . . . . . . . . . . . . . . . . . . .
56
2.9.2
Caso Multidimensional . . . . . . . . . . . . . . . . . . . . . . . .
61
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2
64
72
Mdias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
3.1.1
72
3.1.2
74
3.1.3
3.1.4
3.1.5
3.1.6
77
3.1.7
. . . . . . . . . . . . . . . . . . . . . . . . . .
78
Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
. . . . . . . . .
. . . . . . . . . . . . . . . . . .
75
. . . . . . . . . . . . . . . . . . . . .
76
77
3.2.1
N -simo
3.2.2
Momentos Centrais . . . . . . . . . . . . . . . . . . . . . . . . . .
79
3.2.3
Varin ia
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
3.2.4
Caso Multidimensional . . . . . . . . . . . . . . . . . . . . . . . .
80
3.2.5
momento
3.3
3.4
Exer ios
3.3.1
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
Caso multidimensional . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
82
82
85
85
90
4.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
4.2
. . . . . . . . . . . . . . . . . . . . . . .
90
4.3
Mtodo da transformada . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
iv
SUMRIO
4.4
O mtodo da rejeio . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
4.5
. . . . . . . . . . . . . . .
97
4.6
. . . . . . . . . . . . . . . .
98
4.7
Exer ios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
100
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
100
100
5.2
Mdias de somas
5.3
5.4
5.5
5.6
5.7
112
5.8
116
5.9
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
103
105
109
111
. . . . . . . . . . . . . . . . .
118
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
120
125
6.1
Desigualdade de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2
Desigualdade de Chebyshev
6.3
Limitante de Cherno
6.4
Exer ios
125
. . . . . . . . . . . . . . . . . . . . . . . . .
126
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
128
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
129
7 A mdia amostral
132
7.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
132
7.2
132
7.3
7.4
7.5
. . . . . . . . . . . . . . . . . . . .
134
. . . . . . . . . . . . . . . . . . . . . . . . . .
135
7.4.1
. . . . . . . . . . . . . . . . . . .
7.4.2
. . . . . . . . . . . . . . . . . . .
137
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
138
Exer ios
136
140
8.1
Denio
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
140
8.2
142
143
8.3
8.4
8.5
. . . .
145
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
147
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
148
8.6
8.7
. . . . . . . . . . . . . . . . . . . . .
152
8.8
154
8.9
. . . . . . . . . . . . . . . . .
155
8.9.1
Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
159
8.9.2
159
160
160
161
164
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
166
SUMRIO
173
9.1
173
9.2
174
9.3
177
9.4
Correlaes ruzadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
181
9.4.1
181
9.4.2
184
9.4.3
. . . . . . . . . . . . . . . .
186
9.5
188
9.6
. . . . . . . . . . . . . . . . . . . . . .
191
9.7
Exer ios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
193
10 Cadeias de Markov
199
199
202
. . . . . . . . . . . . . . . . . . .
passos . . . . . . . . . . . . . .
203
. . . . . . . . . . . . . . . . . . . . .
204
. . . . . . . . . . . . . . . . . . . . . .
206
207
209
210
214
218
. . . . . . . . . . . . . . . . . . . . . . . . . .
218
220
223
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A Tabelas Matemti as
228
234
A.1
Identidades trigonomtri as
A.2
A.3
Derivadas
A.4
Integrais indenidas
A.5
Integrais denidas
. . . . . . . . . . . . . . . . . . . . . . . . .
234
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
235
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
235
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
236
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
237
238
B.1
Denio
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.2
Propriedades
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
238
B.3
Pares de transformadas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
239
C Sries de Taylor
238
240
C.1
. . . . . . . . . . . . . . .
240
C.2
240
vi
SUMRIO
242
D.1
Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
242
D.2
Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
242
242
D.3
Geomtri a
D.4
Binomial negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
243
D.5
Poisson
243
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
244
E.1
Uniforme
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
244
E.2
Exponen ial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
244
E.3
Gaussiana (Normal)
E.4
Gama
E.5
m-Erlang
E.6
Chi-Quadrado ( ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
245
E.7
Rayleigh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
245
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
244
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
245
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
245
E.8
Cau hy
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
246
E.9
Lapla e
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
246
247
Bibliograa
253
Lista de Figuras
1.1
1.2
1.3
. . . . . . . . . . . . . . . . . . . .
1.4
13
2.1
Uma v.a.
d) eventos disjuntos.
amostral
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
asso ia um nmero
. . . . . . . . . . . . . .
x = X()
a ada resultado
no espao
de um experimento aleatrio. . . . . . . . . . . . . . . . . . .
25
2.2
Eventos equivalentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
2.3
2.4
. . . . . . . . . . . . . . . . . . . . . . .
28
31
X.
2.5
2.6
Gr o de
2.7
2.8
FX (x). .
. . . . . . . . . . . . . . . . . . . . .
31
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
. . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . .
A probabilidade de um intervalo
33
34
intervalo. 34
. . . . .
51
. . . . .
57
Y.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
59
X.
. . . . . . . . . . . . . . . . .
60
64
2.
3.1
3.2
Y = g(X).
4.1
4.2
93
94
e varin ia
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
FX (x).
4.3
4.4
4.5
fX (x).
. .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1
5.2
FW (w).
FW (w).
73
74
92
95
96
. . . . . . . . . . . . .
103
. . . . . . . . . . . . .
104
viii
5.3
LISTA DE FIGURAS
O nmero de
aras em 50 arremessos de uma moeda ideal: 400 repeties
experimentais versus a fmp binomial. . . . . . . . . . . . . . . . . . . . .
6.1
Regio
6.2
(sombreada). . . . . . . . . . . . . . . . . . . . . . . . . . . . .
117
127
128
137
8.1
141
8.2
141
8.3
X(t)
um
Y (n),
Y (t).
. . . . . . . . .
143
. . . . . . . . . . . . . . .
148
8.4
8.5
8.6
8.7
8.8
8.9
y.
p(t).
. . . . . . . . . . .
152
. . . . . . . . . . . . . . . . . . . . . . . .
155
. . . . . . . . . . . . . . . . . . . . . .
157
. . . . . . . . . . . . . . . . . . . . . . . . . . .
157
9.1
B
9.2
Hz.
Y (t).
158
. . . . . . . . . . . . . . . . .
162
. . . . . . . . . . . . . . . . . .
165
X(t) = A cos(c t + ). .
X(t)
. . . . . . . .
156
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
179
A
orrelao
ruzada entre a entrada e a sada de um ltro linear invariante no tempo a
onvoluo da resposta a impulso do ltro
om a
funo de auto
orrelao da entrada. A densidade espe
tral
ruzada entre a entrada e a sada o produto do espe
tro densidade de potn
ia da
entrada
om a funo de transfern
ia do ltro. A densidade espe
tral de
potn
ia da sada o produto da densidade espe
tral
ruzada da entrada
e da sada e o
omplexo
onjugado da funo de transfern
ia do ltro. .
j.
. . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . .
. . . . . . . .
188
211
215
216
10.4 Diagrama de taxa de transio para um pro
esso de nas
imento e morte
geral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10.5 Instantes de re
orrn
ia para o estado
i.
. . . . . . . . . . . . . . . . . .
217
224
Captulo 1
Probabilidade
1.1 Introduo.
Em muitos problemas fsi
os de interesse, existe um elemento de in
erteza, ou aleatoriedade. Independente de quanto possamos
onhe
er da histria passada de um dado
fenmeno, somos essen
ialmente in
apa
itados de predizer seu
omportamento futuro
de forma pre
isa. Ex.
ara ou
oroa.
Foi observado que nestes
asos
ertas mdias tendem a um valor
onstante medida
em que o nmero de observaes
res
e.
estas mdias?) Desde que as mdias geralmente exibem tal regularidade, e so portanto
razoavelmente previsveis, pare
e ser desejvel desenvolver um estudo sobre o
l
ulo
destas mdias. Este o domnio da teoria matemti
a da probabilidade e estatsti
a.
O propsito desta des
rever e predizer tais mdias em termos de probabilidades de
eventos.
seu resultado no pode ser predito pre
isamente porque as
ondies em que realizado
no podem ser predeterminadas
om pre
iso su
iente.
Exemplo:
Exemplo:
ara, oroa.
Probabilidade
i aes.
Exemplo:
o espao amostral
Exemplo 1.1.
4 , 5 , 6 ,
onde os
1 , 2 , 3 ,
um sub
onjunto de S.
O evento nmero mpar em um arremesso, denotado por
S (ou um
onjunto
om os elementos
em um arremesso, denotado por
elementos
2 , 4
6 ).
Ae
1 , 3
5 ).
Ao
, um sub onjunto de
1 , 2 , 3
4 .
Na Figura 1.1 abaixo, tem-se uma representao gr a destes eventos em um diagrama de Venn.
S
B
Ao
Ae
Probabilidade
Denio 1.5.
que no esto em
A.
Denio 1.6.
Ao , Ae ,
A B = B A.
Denio 1.8.
AB ,
S : = Sc.
Ao Ae , Ao B , Ae B ).
Observe
Observe que
evento nulo,
B.
mente
?.
todos os pontos em
que
e denotado por
Denio 1.7.
AB = BA.
e a
B.
AB .
Denio 1.9.
eventos
Se os eventos
so tais que
AB =
ento
amente ex lusivos).
so ditos
Ac
so mutu-
Probabilidade
g repla ements
Ac
A
A
b)
a)
B
d)
Se
A+B =AB
(1.1)
AB = A + B
(1.2)
Demonstrao. A lei de De Morgan pode ser fa ilmente demonstrada por meio de diagramas de Venn:
A+B
AB
Observao
A apli
ao repetida da equao (1.1) leva ao seguinte: se em uma identidade de
onjuntos substituimos todos os
onjuntos pelos seus
omplementos, todas as unies por
interse
es, e todas as interse
es por unies, a identidade preservada.
Exemplo 1.2.
Seja a identidade
Probabilidade
A(B + C) = AB + AC
(1.3)
A(B + C) = A + B + C = A + B C
Similarmente
AB + AC = AB AC = (A + B)(A + C)
e desde que os dois lados de (1.3) so iguais, seus
omplementos tambm o so. Portanto
A + B + C = (A + B)(A + C)
(1.4)
Estas identidades podem ser fa ilmente onferidas por meio de diagramas de Venn.
S =
= S.
barras forem removidas, a identidade preservada. Isto leva seguinte verso da lei de
De Morgan:
Proposio 1.1.
pelos onjuntos
A(B + C) = AB + AC
S =A+S
obtemos as identidades
A + BC = (A + B)(A + C)
= A
Probabilidade
Denio 1.10.
A probabilidade
P (A)
P (A) = lim
onde
nA
de um evento
nA
n
(1.5)
o nmero de tentativas.
Observaes importantes
1. Segue da denio que
2. Se
0 P (A) 1.
3. Se
A1 , A2 , ..., AN
nA + nB
n
(1.6)
(1.7)
1.3.2 Axiomti
a.
Denio 1.11.
P (A)
de um evento
evento
P (A) 0
(1.8)
P (S) = 1
3. Se os eventos
(1.9)
P (A + B) = P (A) + P (B)
(1.10)
Propriedades:
P () = 0
P (Ac ) = 1 P (A)
P (A + B) = P (A) + P (B) P (AB) P (A) + P (B)
Exemplo 1.3.
evento impossvel
Ac
omplemento de
probabilidade da unio
Probabilidade
Soluo.
1) a, a, a
5) o, a, a
2) a, a, o
6) o, a, o
3) a, o, a
7) o, o, a
4) a, o, o
8) o, o, o
P (Ai ) = 1/8
1.3.3 Clssi
a.
Denio 1.12.
A probabilidade
P (A)
de um evento
P (A) =
nA
n
(1.11)
onde:
ao evento
A.
dos favorveis e o nmero total de resultados, desde que todos os resultados sejam
equiprovveis.
Exemplo 1.4.
Arremesso de um dado
Probabilidade
Suponha que um teste de mltipla es
olha tem
ni
uma
distintos?
O nmero de
onjunto
om
ni
k -uplas
ordenadas distintas
(x1 , . . . , xk )
om omponentes
xi ,
de um
= n1 n2 . . . nk
(1.12)
Muitos problemas de
ontagem podem ser
olo
ados
omo problemas de amostragem onde sele
ionamos bolas em urnas ou objetos em populaes. Iremos agora usar
a Equao 1.12 para desenvolver frmulas
ombinatoriais para vrios tipos de amostragem.
objetos de um onjunto
uma
Exemplo 1.5.
= nk
(1.13)
Soluo.
52 = 25.
Na Tabela
5/25 = 0, 2.
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
de
objetos distintos.
Claramente,
n 1 = n,
k n.
O nmero de resultados
Probabilidade
retirada
n2 = n 1,
nk = n (k 1)
nmero de
Exemplo 1.6.
k -uplas
ordenadas distintas
= n(n 1) . . . (n k + 1)
(1.14)
duas bolas da urna em su
esso, e sem reposio. Quantos pares ordenados distintos
so possveis? Qual a probabilidade de que a primeira bola tenha um nmero maior
que a segunda?
Soluo.
20.
5(4) =
primeiro nmero maior que o segundo, de forma que a probabilidade deste evento
10/20 = 0,5.
(1,2)
(2,1)
(1,3)
(1,4)
(1,5)
(2,3)
(2,4)
(2,5)
(3,4)
(3,5)
(3,1)
(3,2)
(4,1)
(4,2)
(4,3)
(5,1)
(5,2)
(5,3)
(4,5)
(5,4)
k = n.
n objetos
k = n. Da
uma urna at que ela esteja vazia. Ento o nmero de seqn
ias possveis de
distintos igual ao nmero de
n-uplas
Exemplo 1.7.
123
(1.15)
n!
Soluo.
= n(n 1) . . . (2)(1) = n!
2 nn+ 2 en
(1.16)
3! = 6.
312
321
231
132
213
As seis permutaes so
10
Probabilidade
objetos de um onjunto de
k ".
Ckn k! = n(n 1) . . . (n k + 1)
k
k n,
(1.17)
de um onjunto de tamanho
Ckn
A expresso
n
k
n(n 1) . . . (n k + 1)
n!
=
=
k!
k!(n k)!
n
k
(1.18)
objetos de um onjunto de
equivalente a es olher os
n
n
=
k
nk
Exemplo 1.8.
4, 5}
n,
(1.19)
Soluo.
(n k)
A = {1, 2, 3,
5
5!
= 10
=
2!3!
2
(1.20)
(1,3)
(1,4)
(1,5)
(2,3)
(2,4)
(2,5)
(3,4)
(3,5)
(4,5)
Exemplo 1.9.
bolas bran as e
(nk)
bolas pretas.
Soluo.
etiquetas numeradas de 1 a
n em uma urna,
(n k)
bolas pretas.
Ckn .
bolas bran as e
(n k)
bolas pretas
Probabilidade
11
Este exemplo mostra que a amostragem sem reposio e sem ordenao equivalente
a parti
ionar o
onjunto de
Bc,
ontendo os
(n k)
B,
ontendo os
deixados na urna.
F sub
onjuntos
k1 +k2 +. . .+kF =
objetos distintos em
so asso iados
kj
elementos e
n!
k1 !k2 ! . . . kF !
(1.21)
F =2
objetos de um onjunto de
e armazenamos os resultados sem nos importarmos
om a ordem. Isto pode ser feito
preen
hendo-se um formulrio
om
Cada
vez que um objeto sele ionado, um x olo ado na oluna orrespondente.
Por
Objeto 2
Objeto 3
Objeto 4
xx
xx
Note que este formulrio pode ser resumido pela sequn
ia xx / / x / xx, onde o
smbolo / usado para separar as entradas para as diferentes
olunas. Desta forma os
(n -1) /'s indi
am as linhas entre as
olunas, e onde nada apare
e entre /'s
onse
utivos
se o objeto
orrespondente no foi sele
ionado.
Cada arranjo diferente de 5 x's e 3 /'s leva a um formulrio distinto.
Se identi
armos os x's
om bolas bran
as e os /'s
om bolas pretas, ento este
problema foi
onsiderado no Exemplo 1.9, e o nmero de arranjos diferentes dado por
8
3 .
No
aso geral o formulrio ir envolver
diferentes de es olher
x's e
objetos de um onjunto de
n1+k
k
n1+k
n1
(1.22)
(i, j),
onde
i, j = 1, 2, 3, 4, 5, 6.
Se os
dados so ideais, a
ada ponto do espao amostral asso
iada uma probabilidade 1/36.
Podemos agora
onsiderar eventos
onjuntos tais
omo {i par,
= 3}, e determinar
12
Probabilidade
as probabilidades asso
iadas a tais eventos a partir do
onhe
imento das probabilidades
dos pontos amostrais.
Denio 1.14.
Ai , i = 1, 2, ..., n,
Bj , j = 1, 2, ..., m, ento os
resultados possveis do experimento
ombinado so dados pelo
onjunto (Ai , Bj ), i =
1, 2, ..., n, j = 1, 2, ..., m. A
ada resultado
onjunto (Ai , Bj ) asso
ia-se uma probabilidade
onjunta P (Ai , Bj ) que satisfaz a
ondio
Se os resultados possveis de um experimento so
0 P (Ai , Bj ) 1
(1.23)
Evento
Evento
AB
A:
B:
Bj , j = 1, 2, ..., m
m
X
P (Ai , Bj ) = P (Ai )
(1.24)
j=1
Similarmente, se os resultados
Ai , i = 1, 2, ..., n
n
X
P (Ai , Bj ) = P (Bj )
(1.25)
i=1
m
n X
X
P (Ai , Bj ) = 1
(1.26)
i=1 j=1
P [Ai ]
P [Bj ]
so hamadas de
probabilidades marginais.
f il ver que a
P (A, B).
de o
orrn
ia do evento
e denota-se por
A.
P (A|B).
Probabilidade
13
Exemplo 1.11.
B.
Ento,
(1.27)
N:
nB :
nAB :
B;
dentro das
nB
tentativas.
.....
................ .......................
........
......
......
.....
.....
.....
.....
....
.
.
.
...
..
.
...
.
...
...
.
...
.. .................
.
...
B
............
.....
.
.
.
.
.
.
.
.
.
.......
...
..... ...
.
.
.
.
.
.
.
.
...
......
.
....
.
.
.
.
.
.
.
.
.
.....
...
...
.
.
.
...
.
.
...
...
..
...
.
.
...
...
..
.
..
.
.
.
.
...
...
.
...
...
...
...
AB
...
...
...
...
...
..
...
...
.....
..
.
.
.
.
.....
.
.
.....
....
......
...
...
.....
.......
...
... .........
.........
...
......................................
...
.
.
.
...
...
...
...
...
.....
....
.....
....
.
.
.
......
.
.....
.......
.......
..........
.................................
nAB
n n
nAB
B
AB
P (AB) = lim
= lim
N N
N N
nB
AB .
Assim
(1.28)
nB
N N
P (B) = lim
nAB
N nB
P (A|B) = lim
(1.29)
(1.30)
14
Probabilidade
Aqui estamos impli
itamente usando o fato que
Observe que
nAB
nB
B.
N
nB
P (A|B).
medida que
dentro das
P (A|B) =
P (AB)
P (B)
(1.31)
P (B|A) =
P (AB)
P (A)
(1.32)
(1.33)
Ai , i = 1, 2, . . . , n,
n
[
Ai = S
(1.34)
i=1
e um evento arbitrrio
P (Ai |B) =
P (B|Ai )P (Ai )
P (Ai , B)
= n
X
P (B)
P (B|Aj )P (Aj )
(1.35)
j=1
Um evento
dito independente de
se
P (A|B) = P (A)
Teorema 1.3.
Se
(1.36)
(1.37)
Probabilidade
15
P (A|B) = P (A)
Substituindo este resultado na Equao a
ima,
hegamos a
Exemplo 1.12.
p,
Se assumimos que as
Soluo.
P [{CCC}]
P [{CCK}]
P [{CKC}]
P [{KCC}]
P [{KKC}]
P [{KCK}]
P [{CKK}]
P [{KKK}]
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
p3
p2 (1 p)
p2 (1 p)
p2 (1 p)
p(1 p)2
p(1 p)2
p(1 p)2
(1 p)3
o nmero de aras em
P [k
P [k
P [k
P [k
= 0]
= 1]
= 2]
= 3]
=
=
=
=
P [KKK] = (1 p)3
P [KKC, KCK, CKK] = 3p(1 p)2
P [CCK, CKC, KCC] = 3p2 (1 p)
P [CCC] = p3
Observa 12 12 o
A denio de independn
ia estatsti
a pode ser estendida a trs ou mais eventos. Para
que trs eventos
A1 , A2
A3
as seguintes ondies
P (A1 , A2 )
P (A1 , A3 )
P (A2 , A3 )
P (A1 , A2 , A3 )
Para o
aso geral, os eventos
=
=
=
=
P (A1 )P (A2 )
P (A1 )P (A3 )
P (A2 )P (A3 )
P (A1 )P (A2 )P (A3 )
(1.38)
16
Probabilidade
B1 , , Bm , ento {B1 , , Bm }
ramos para
ada evento Bi . Seguir
um ramo a partir da raiz
orresponde a observar os resultados do primeiro subexperimento. Asso
iamos a
ada ramo as probabilidades a priori
ada evento
Bi ,
P [B1 ], , B[Bm ].
Para
subexperimento.
Se seguirmos uma
Exemplo 1.13. Uma
ompanhia tem trs mquinas B1 , B2 e B3 que fabri
am resistores
de
1k.
B2
B2
B1
50 do
50 do valor
a mquina B1
tm tolern ia de
B3
B3
Soluo.
e
Seja
B2
50?
o omplemento de
A:
testar um resistor pode ser de
omposto em dois passos: primeiro, identi
amos qual
mquina (B1 ,
B2
ou
B3 ) produziu
Probabilidade
17
.
......
.....
.....
......
B1
0, 3 ..................
.
.....
.....
.....
......
.....
.
.
.
.
.
......
.....
.....
.....
......
.
.
.
.
.....
.................................................................................................
.....
.....
......
.....
.....
.....
......
.....
.....
.....
......
.....
.....
......
.....
.....
.....
......
.....
.....
....
0, 4
B2
0, 3
B3
..........
................
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. .............
................
................
................
................
...........
0, 8
B1 A
0, 24
0, 2
B1 N
0, 06
.....
................
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..................
................
................
................
................
...........
0, 9
B2 A
0, 36
0, 1
B2 N
0, 04
0, 6
B3 A
0, 18
0, 4
B3 N
0, 12
.
................
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......................
................
................
................
................
...........
B2 N ,
um resistor no
a
eitvel da mquina
al
anar
B2
multipli amos
Exemplo 1.14.
zao de dois faris para en
orajar uma sequn
ia de faris verdes. Em parti
ular, a
temporizao foi projetada de modo que,
om probabilidade 0,8 um motorista en
ontre o
segundo farol
om a mesma
or do primeiro. Assumindo que o primeiro farol seja verde
ou vermelho
om a mesma probabilidade, qual a probabilidade
farol seja verde? Cal
ule
P [G1 |R2 ],
P [G2 ]
Soluo.
0, 5
.........
........
........
.........
........
.
.
.
.
.
.
.
.........
........
.........
.........
................
.........
.........
.........
.........
.........
.........
.........
.........
.........
......
0, 5
G1
R1
de que o segundo
....
................
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................
................
................
................
................
...........
0, 8
G2
G1 G2
0, 4
0, 2
R2
G1 R2
0, 1
0, 2
G2
R1 G2
0, 1
0, 8
R2
R1 R2
0, 4
...............
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
........................
................
................
................
................
...........
18
Probabilidade
O evento
W = {R1 G2 G1 R2 R1 R2 }
e desta forma, a probabilidade de esperar por pelo menos um farol dada por
Notando que
R2 = {G1 R2 R1 R2 },
P [G1 R2 ] = 0, 1,
P [G1 |R2 ] =
Exemplo 1.15.
0, 1
P [G1 R2 ]
=
= 0, 2
P [R2 ]
0, 5
(1.39)
P [W ],
Soluo.
Seja
Ci
o evento C a
i-sima
32
o evento
A1
1/3
1/3
21
1/2
22
A1 22
1/6
1/2
........
................
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
................
................
................
................
................
...........
32
A1 32
1/6
1/2......................................... A2
21 A2
1/6
1/2
2 1 32
1/6
..
................
................
.............................
................
................
................
................
...........
32
1/3
Vo ven e se
A1 22 , 21 A2
ou
31
31
31
1/3
dada por
Exemplo 1.16.
2
11 11 1
+
+ =
32 32 3
3
Suponha que vo tem duas moedas, uma vi iada e outra no, mas vo
( ara) e
P [C1 |H],
a probabilidade de vo
ter sele
ionado a moeda vi
iada. Dado que o resultado uma
oroa,
al
ule
P [C1 |T ],
Probabilidade
Soluo.
19
........
........
........
.........
........
.
.
.
.
.
.
.
..
.........
........
........
.........
................
.........
.........
.........
.........
.........
.........
.........
.........
.........
......
1/2
1/2
C1
C2
.
................
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
......................
................
................
................
................
...........
3/4
C1 H
3/8
1/4
C1 T
1/8
1/2
C2 H
1/4
1/2
C2 T
1/4
..............
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........................
................
................
................
................
...........
P [C1 |H] =
P [C1 H]
3/8
3
P [C1 H]
=
=
=
P [H]
P [C1 H] + P [C2 H]
3/8 + 1/4
5
Similarmente,
P [C1 |T ] =
P [C1 T ]
P [C1 T ]
1/8
1
=
=
=
P [T ]
P [C1 T ] + P [C2 T ]
1/8 + 1/4
3
Como espervamos, mais provvel termos sele
ionado a moeda 1 quando o primeiro
arremesso resultou em
ara, e mais provvel termos sele
ionado a moeda 2 quando o
primeiro arremesso resultou em
oroa.
Resp:
(a) 16
(b)
P [4
P [1
P [2
P [3
P [4
oroas]
= 1/16
ara] = 1/4
aras] = 3/8
aras] = 1/4
aras] = 1/16
Resp:
P [8] = 21/216
P [9] = 25/216
P [10] = 27/216
20
Probabilidade
3. Uma
erta
idade tem 8 faris aleatoriamente lo
alizados, quatro dos quais
am
verdes por meio minuto na direo leste-oeste e meio minuto na direo nortesul, trs permane
em verdes por 1/4 de minuto na direo leste-oeste e 3/4 de
minuto na direo norte-sul, e o ltimo permane
e verde 3/4 de minuto na direo
leste-oeste e 1/4 de minuto na direo norte-sul.
Assuma que todos os faris so independentes, isto , no existe nenhum tipo de
sin
ronizao entre eles.
Um automvel est viajando de forma aleatria atravs da
idade.
En ontre a
Resp:
P [verde
na direo L-O]
= 7/16
P [verde
na direo N-S]
= 9/16
P [verde] = 1/2
4. Uma urna
ontm 3 bolas vermelhas e 2 bran
as.
Resp:
(a) 4
(b)
5. Repita o problema anterior se a primeira bola no for re
olo
ada antes da segunda
retirada.
(a) 4
(b)
6. No problema anterior, se sabemos que a primeira retirada foi de uma bola bran
a,
qual a probabilidade de a segunda retirada ser tambm de uma bola bran
a ?
Resp: 1/4
Probabilidade
21
Resp: a) 1/2
b) 1/2
8. Uma urna
ontm 3 bolas vermelhas, 5 bolas bran
as e 8 bolas pretas. Outra urna
ontm 6 bolas vermelhas, 7 bolas bran
as e 4 bolas pretas. Uma bola retirada
de
ada urna. En
ontre a probabilidade de obter duas bolas da mesma
or.
Resp: 85/272
9. A
aixa I
ontm 3 bolas vermelhas e 5 bolas bran
as, e a
aixa II, 4 vermelhas
e 2 bran
as.
gunda, sem observar a
or. Extrai-se ento uma bola da segunda
aixa. Qual a
probabilidade da mesma ser bran
a?
Resp: 21/56
10. Em
erto
olgio, 25 % dos estudantes foram reprovados em matemti
a, 15 %
em qumi
a e 10 % em matemti
a e qumi
a ao mesmo tempo. Um estudante
sele
ionado aleatoriamente.
a) Se ele foi reprovado em qumi
a, qual a probabilidade de ele ter sido reprovado em matemti
a?
b) Se ele foi reprovado em matemti
a, qual a probabilidade de ele ter sido
reprovado em qumi
a?
) Qual a probabilidade de ele ter sido reprovado em matemti
a ou qumi
a?
Resp: a) 2/3
b) 2/5
) 0,30
11. A rede
omutada mostrada na gura abaixo opera se e somente se existe pelo
menos um
aminho fe
hado de
omutadores entre a entrada e a sada. Assumindo
que os
omutadores falhem de forma independente e que a probabilidade de falha
de
ada
omutador so aquelas dadas na gura,
al
ule a probabilidade de esta
rede fun
ionar.
.......................................................................................
.......................................................................................
0,2
....
....
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
..
.
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........................................................................
.............................
0,4
0,4
....
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
....
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
......................................................................................
0,3
Resp: 0,865
0,1
...........................................
22
Probabilidade
12. Uma urna ontm duas bolas pretas e trs bolas bran as.
Resp: 1/10
13. Lana-se uma moeda vi
iada de modo que
P [cara] = 2/3
P [coroa] = 1/3.
Se
Resp:
p = 58/135
Resp:
p = 5/8
15. Telefones elulares realizam handos medida em que se movem de uma lula para outra. Suponha que durante uma hamada, os telefones realizam zero
handos (H0 ), um hando (H1 ), ou dois handos (H2 ). Adi
ionalmente,
ada
hamada pode ser longa (L) ou breve (B).
Sabendo que
0.5,
P [H0 ] =
al ule:
handos.
Resp: a) 0.5
16. Trs mquinas
b) 0.6
A, B
) 0.5
Resp: a) 0,037
A.
b) 15/37
Um 1 observado.
Probabilidade
23
1
.....................................................................................................................................................................................................................................................................................................................................................................
. ..................
......... .
....... ............
............ ......
....... .............
............ ......
............
.......
............ ............
............
.......
............
.
.
.
.
.
.
.
.
.
.
.
.
.
............
.
.
.
.......
.
.
.....
............
......
.......
............
............
.......
.......
............
............
.......
.......
............
............
.......
.......
............
............
.......
.......
............
.
.
.
.
.
.
............
.
.
.
.
.
.
.
.
.......
.
.
.
.................
.....
.......
.......
.......
............ .......................
.......
............
............
.......
............ ............
....... ........................
.................
..........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
............
.......
.....
.....
............
.......
............
.......
............
.......
............
............
.......
.......
............
............
.......
.......
............
............
.......
............
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
............
.
.
.
.
.
.
.
.
.
.
...
...
.......
......................................................................................................................................................................................................................................................................................................................................................................................................
............
.
.
.
.
.
....
.
.
.
.
.......
............
....
............
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
............
.
.
.
.
.......
...
............
.......
.......
............
............
.......
.......
............
.
.
.
.
.
.
.
.
.
.
............
.
.
.
.
.
.
.
.......
..
....
............
....... .......................
............ ............
.. ...
.........
......................
....... ........................
............
.......
............
.......
............
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......
....................
......
.......
..... ...............
.......
.......
............
............
.......
.......
............
............
.......
.......
............
............
.......
.......
............
............
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......
............
....
........
.
.
.
.
.
.
.
.
.......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
............
.......
........
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
............
.
.
.
.... ...................
.
............ .............
.
.
.
.
.
............ ......
.......................
.
.
.
.
......... .....
.
.
.. .....
.............................................................................................................................................................................................................................................................................................................................................................................
....
....
X=1
/2
Y =1
/2
/2
1 /2
/2
X=2
Y =2
/2
/2
X=3
Resp:
1
1 + + 1, 5
1 /2
Y =3
a probabilidade de que um
a)
....
....
....
....
..... ................................................................................................................................................ ................................................................................................................................................ ................................................................................................................................................ .....
....
....
....
....
b)
......
...... ......
.................. ......... .....................................
..................
...................
...................
...................
..................
.
...................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................
....
...................
...................
A
B
...................
..................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................
............
.
.
.
.
.
.
.
...................
.
.
.
.
.
.
.
.
.
.
.....
....
........................
..... .......................................
.............. ..........
.
....
...................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................
.......
...................
...................
...................
..................
...................
..................
...................
...................
...................
..................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................
.
...................
..................
.................................................................
... ...
....
Resp: a)
b)
2p(1 p) + p2
2
Resp:
31/60
20. Num
erto
olgio, 4% dos homens e 1% das mulheres tm mais do que 1,60m de
altura. Alm disso, 60% dos estudantes so mulheres Sabendo que a probabilidade
de um homem viver mais de dez anos 1/4, a probabilidade de sua esposa viver
mais de dez anos 1/3, en
ontre a probabilidade dos seguintes eventos
(a) ambos estarem vivos depois de dez anos,
(b) ao menos um estar vivo depois de dez anos,
(
) nenhum deles estar vivo depois de dez anos,
(d) somente a esposa estar viva depois de dez anos.
24
Probabilidade
Di
a:
onsidere os eventos
A:
B:
Resp: a) 1/12
b) 1/2
) 1/2
d) 1/4
21. A urna 1
ontm 5 bolas bran
as e 7 bolas pretas. A urna 2
ontm 3 bolas bran
as
e 12 bolas pretas. Uma moeda ideal arremessada. Se o resultado
ara, ento
sele
iona-se uma bola da urna 1, enquanto que se o resultado
oroa, sele
iona-se
uma bola da urna 2. Suponha que uma bola bran
a tenha sido sele
ionada. Qual
a probabilidade do resultado do arremesso da moeda ter sido
oroa?
Resp: P [co|B]
= 12/37
A:
B:
Captulo 2
Variveis Aleatrias
2.1 Denio.
O resultado de um experimento aleatrio pode ser um nmero real (
omo no
aso do
arremesso de dados) ou pode ser no numri
o, mas des
rito por palavras (por exemplo
ara e
oroa).
Entretanto estamos geralmente interessados no no resultado, mas em alguma medida ou atributo numri
o deste. Por exemplo, se jogamos uma moeda
n vezes, podemos
Denio 2.1.
X()
a ada resultado
Lembre-se que uma funo simplesmente uma regra que asso
ia um valor numri
o
a
ada elemento de um
onjunto,
omo mostrado gra
amente na Figura 2.1.
X() = x
reta real
Sx
Figura 2.1:
amostral
Uma v.a.
asso ia um nmero
de um experimento aleatrio.
x = X()
a ada resultado
no espao
26
Variveis Aleatrias
A espe
i
ao de uma medida de um experimento aleatrio dene uma funo no
SX
O espao amostral
o domnio da v.a., e o
a faixa da v.a.
Ento
SX
um
em nmeros reais
Exemplo 2.1.
Soluo.
em
de
X()
X
moeda.
CCC
CCK
CKC
KCC
CKK
KCK
KKC
KKK
SX = 0, 1, 2, 3.
A funo ou regra que asso
ia valores a
ada resultado xa ou determinsti
a,
omo,
por exemplo, na regra nmero de
aras em 3 jogadas de uma moeda. A aleatoriedade
nos valores observados deve-se aleatoriedade dos argumentos da funo
resultados
X,
ou seja os
do experimento.
induzida pelo
Exemplo 2.2.
O evento
{X = k}, k = 0, 1, 2, 3.
Soluo.
resultados orrespondentes ou
(1 p)
A probabilidade do evento
p0
p1
p2
p3
=
=
=
=
P [X
P [X
P [X
P [X
= 0]
= 1]
= 2]
= 3]
=
=
=
=
P [{KKK}] = (1 p)3
P [{CKK}]P [{KCK}]P [{KKC}] = 3(1 p)2 p
P [{CCK}]P [{CKC}]P [{KCC}] = 3(1 p)p2
P [{CCC}] = p3
Variveis Aleatrias
27
A = { : X()
ento o evento
em
SX o
orre sempre
B dada por
em
B}
A
em
em
B]
que o evento
probabilidade do evento
reta real
FX (x) = P [X x],
isto , a probabilidade da v.a.
<x<
FX (x)
{X x}
denida
(2.1)
(, x].
{X x}:
{ : X() x}.
x.
28
Variveis Aleatrias
Propriedades
Os axiomas de probabilidade e seus
orolrios impli
am que a fd
tem as seguintes
propriedades:
1.
2.
3.
4.
0 FX (x) 1
lim FX (x) = 1
lim FX (x) = 0
FX (x)
x,
isto , se
a < b,
ento
FX (a) FX (b).
(a < X b)
(2.2)
Demonstrao.
P [X b]
......................................................................................................................................................................................................................................................................................................................................................................
.
..
.
..
..
..
..
...
.
.....
.
.........................................................................................................................................................................................................................................................................................................................................................................
..
..
..
.....
..
..
..
..
..
....................................................................................
....................................................................................................................................................................................................................................................................
P [X a]
v
f
Figura 2.3:
b,
P [a < X b]
b.
b, dada
P [X = b].
Seja
a = b ,
> 0.
Usando
0,
P [X = b] = FX (b) FX (b )
P [X = b],
(2.3)
e ento
(2.4)
Variveis Aleatrias
7. Seja o intervalo
29
{a X b} = {X = a}
{a < X b}.
Ento
P [a X b] = P [X = a] + P [a < X b]
= FX (a) FX (a ) + FX (b) FX (a)
= FX (b) FX (a )
(2.5)
8. Se a fd
ontnua nos limites de um intervalo, ento os limites tm probabilidade zero, e portanto podem ser in
ludos ou ex
ludos do intervalo sem afetar a
probabilidade. Em outras palavras, se a fd
ontnua nos pontos
x=a
x = b,
ento
Exemplo 2.3.
(2.6)
FX (x) =
0
x<0
1 2
4 (x + 1) 0 x < 1
1
1
x+
4
2
1x<2
x2
{X < 1}
Soluo.
b)
{X = 1}
{X = 0}
d)
e)
{x 0}
A primeira oisa a fazer analisar omo esta funo se omporta: das equa-
fX (x)
1
0.75
0.5
0.25
x > 2.
1x<2
6
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ..........................................................................................................
...... .
....... .
.......
...
......
.
.
.
.
.
.
.......
..
.......
.
.
.
.
.
.
..
.....
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ........
....
..
..
..
..
..
....
....
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .....
..
.... ....
.
.
.
..
.
.
..... .
.....
.
.
.
.
....
.
.
...
.
.
.
.
.
.
.
.......
..
..
.......
.
.
.
.
.
.
.
.
..
.
.
.
....... ....... ....... ....... ....... ....... ....... ................
....
....
....
..
..
..
..
..
..
..
..
....
.
.
...........................................................................................
.
-1
a) A probabilidade do evento
mente anterior a
da fd no ponto imediata-
30
Variveis Aleatrias
b) A probabilidade do evento
Portanto,
P [X = 1] = 1/4.
{X = 1}
d) O evento
em
Desta forma,
7/16
e)
X = 1.
P [X = 0 = 1/4].
1/2
om entro
P [X 0] = FX (0) = 1/4
xn }.
SX = {x0 , x1 , . . . ,
Apare em geralmente em apli aes que envolvem ontagem, de modo que geral-
mente temos
SX = {0, 1, . . . }.
Denio 2.3.
probabilidades
pX (xk ) = P [X = xk ]
Denio 2.4.
dos elementos em
o onjunto de
SX .
A fd de uma v.a. dis reta pode ser es rita omo uma soma ponde-
FX (x) =
X
k
onde
pX (xk ) = P [X = xk ]
Exemplo 2.4.
Seja a v.a.
Soluo.
(2.7)
X.
pX (xk )u(x xk )
p = 0.5
FX (x)
Do
x.
A fd resultante
Variveis Aleatrias
31
FX (x)
1
7/8
1/2
1/8
1
2.3.2 Contnuas
So as v.a.'s
ujas fd
's
FX (x)
mente, so su
ientemente suaves de modo que podem ser es
ritas
omo uma integral
de alguma funo
f (x)
no negativa.
FX (x) =
f (t)dt
(2.8)
Para v.a.'s ontnuas, a fd ontnua em todos os pontos, de modo que a propriedade 6 impli a que
Exemplo 2.5.
P [X = x] = 0, x.
O tempo de transmisso
Soluo.
Por denio, a fd de
dada por
, isto
1/.
P [X > x] =
(
0,
x0
FX (x) =
x
1e
, x>0
Na Figura 2.5 tem-se um desenho da fd
de X.
FX (x)
1
x
Figura 2.5: Gr
o da fd
de v.a.
ontnua
Da propriedade 5 temos que
X.
32
Variveis Aleatrias
todo
x.
FX (x).
FX (x)
x
Figura 2.6: Gr
o de
FX (x).
2.3.3 Mistas
So v.a.'s
ujas fd
's tm saltos em um nmero nito de pontos
x0 , x1 , . . . , xn
mas que
x.
(2.9)
onde
0<p<1
F1 (x)
F2 (x)
Exemplo 2.6.
O tempo de espera
Soluo.
(1 p),
X.
Variveis Aleatrias
Note que
33
FX (x)
Desta forma
x.
FX (x)
1
x
Figura 2.7: Um exemplo de v.a. mista.
fX (x) =
{x < X x + h}
(2.10)
no seguinte sentido:
fX (x)
x,
isto
FX (x + h) FX (x)
h
h
medida que h 0
Ento
se existir,
dFX (x)
dx
X,
FX (x):
x,
ento
fX (x)h,
(2.11)
(2.12)
no sentido de
34
Variveis Aleatrias
fX (x)
fX (x)dx
x x + dx
2.4.2 Propriedades
1. A derivada da fd
, quando existir, positiva desde que a fd
uma funo no
de
res
ente de
x,
ento
fX (x) 0
2. Seja
fX (x)
(2.13)
dx
ao redor do ponto
x.
As probabilidades de
dx.
[a, b]
dada por
P [a x b] =
fX (x)dx
(2.14)
fX (x)
naquele intervalo
intervalos disjuntos pode ser en
ontrada adi
ionando-se as integrais da fdp sobre
ada um dos intervalos.
fX (x)
.................
...... .............................
.....
.......................................
.....
...
....................................
.
.
..
..........................................
.
.
..............................................
...
...
.....................................................
.
.
..
..........................................................
.
.
..
................................................................
.
.
..
.
.......................................................................
.
.
.
................................................................. .......
....
.
.
.
...
................................................................. ........
.
.
.
.
.......
...
.
.................................................................
.
.
.
.
.........
.
.....
.
.
.................................................................
.
.
..............................
.
.
.
.
.
.
.
.
.
.
..............
.................................
.
a
Figura 2.9: A probabilidade de um intervalo
3. A fd de
[a, b]
FX (x) =
fX (t)dt
(2.15)
Variveis Aleatrias
4. Fazendo
as fdp's
x +
35
na equao (2.15), obtemos a
ondio de normalizao para
fX (t)dt = 1
(2.16)
g(x)
no negativa
Fazendo
fX (x) = g(x)/c
g(x)dx = c <
(2.17)
x; se X
fX (x) = 0
lizao. Note que a fdp pre
isa ser denida para todos os valores reais de
no toma valores em alguma regio da reta real, simplesmente fazemos
na regio.
Ento a noo de
fdp denida na equao (2.10) no se apli
a a v.a.'s dis
retas nos pontos em que a fd
no
ontnua. Podemos generalizar a denio da funo densidade de probabilidade
notando a relao entre as funes degrau unitrio e delta de Dira
.
Denio 2.6.
A funo
Denio 2.7.
A funo
delta de Dira
x<0
x0
(x)
(2.18)
u(x) =
(t)dt
(2.19)
FX (x) =
X
k
pX (xk )u(x xk )
(2.20)
pX (x) = P [X = x].
Para generalizar a denio da fdp de modo que a Equao (2.15) valha tambm para
v.a.'s dis
retas, podemos notar o seguinte: a integral de uma funo delta lo
alizada
36
Variveis Aleatrias
x = b,
u(x b).
em
isto
Denio 2.8.
(x b),
x = b,
isto ,
Usando a equao (2.15), podemos denir a fdp de uma v.a. dis reta
omo
pX (x) =
X
k
P [X = xk ](x xk )
(2.21)
P [X = xk ]
xk
nos pontos
onde a fd no ontnua.
2.5.1 Bernoulli
Usos mais frequentes
A distribuio de Bernoulli o valor da funo indi
adora
A o
orre, e X = 0
A o
orrer p.
se
de
Domnio:
IA
A; X =
SX = {0, 1}
pX (x) 6
(p
= q = 0.5)
0.5
0p1
x<0
0,
FX (x) = 1 p, 0 x < 1
1,
x1
..
..
...
.......................................................
..
..
...
.
...
.
......................................................
1p
Variveis Aleatrias
37
2.5.2 Binomial
Usos mais frequentes
X o nmero de su
essos em n experimentos de Bernoulli e, portanto, a soma
n variveis aleatrias independentes e identi
amente distribudas,
om distribuio
Bernoulli
om probabilidade de su
esso igual a p.
Domnio:
de
de
SX = {0, 1, . . . , n}
n x
pX (x) =
p (1 p)nx
x
(n
= 10, p = 0.5)
x = 0, 1, . . . , n
0 1 2 3 4 5 6 7 8 9 10 x
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...................................................
...................
...
...
.
.
..
..
...................
..
..
..
..
..
..
...
...
...................
...
...
...
..
...
..
.
.
.
.
.
.
..
..
..
.
..
..
....................
..
..
..
..
..
...
...
...
...
...
...
...
.
.
.
.
.
.
.................
..
..
..
..
..
..
..
......................
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
................................
X n
FX (x) =
px (1 p)nx u(x xk )
x
k
9 10
2.5.3 Poisson
Usos mais frequentes
Em muitas apli
aes, estamos interessados em
ontar o nmero de o
orrn
ias de um
evento em um
erto intervalo de tempo ou em uma determinada regio do espao. A
varivel aleatria de Poisson
onta o nmero de eventos que o
orrem em uma unidade
de tempo quando o tempo entre os eventos exponen
ialmente distribudo
om mdia
1/.
A distribuio de Poisson pode ser derivada da distribuio binomial fazendo-se
p 0.
Domnio:
SX = {0, 1, 2, . . . }
>0
pX (x)
0.2
6
(
= 4)
-
0 1 2 3 4 5 6 7 8 9 10 x
38
Variveis Aleatrias
FX (x) =
X
k e
k=0
k!
u(x k)
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .....................................................................................
......................
.........................
...
...
...
.
.
.
.
.
..........................
.
.
.
.
...
....
....
....
....
...
...
...
...
..........................
...
...
.
.
.
.
.
.
.
.
..
..
..
..
..
..
.
.
.
.
.
.
.
.
.
.
....
.
.
.
......................
.
.
.
.
...
...
...
...
...
...
...
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........................
....
..
....
....
....
....
....
....
....
.......................
...
...
...
...
...
...
...
...
..
..
.............................................
.
.
.
.
.
.
.
.
.
10
2.5.4 Geomtri
a
Usos mais frequentes
X
p.
a ni a
Domnio SX = {0, 1, 2, . . . }
Funo massa de probabilidade
pX (x)
6
0.5
pX (x) = p (1 p)x
(p
= 0, 5)
x = 0, 1, 2, . . .
-
0 1 2 3 4 5 6 7 8 9 10 x
FX (x) =
X
k=0
p (1 p)k u(x k)
9 10
Entretanto, existem
vrias razes pelas quais interessante utilizar modelos que utilizem variveis aleatrias
ontnuas. Primeiro, em geral, variveis aleatrias
ontnuas so em geral mais f
eis de
lidar analiti
amente. Segundo, as formas limite de muitas variveis aleatrias dis
retas
Variveis Aleatrias
39
geram variveis aleatrias
ontnuas. Finalmente, existem algumas famlias de variveis aleatrias
ontnuas que podem ser utilizadas para modelar uma grade variedade
de situaes pelo ajuste de alguns pou
os parmetros.
2.6.1 Uniforme
Usos mais frequentes
A varivel aleatria uniforme apare
e em situaes onde todos os valores em um intervalo
da reta real so equiprovveis. Esta distribuio bastante usada em modelamentos de
rudo de quantizao.
Domnio:
SX = [a, b]
1
fX (x) = b a
0
1
ba
axb
aso
ontrrio
1.
x<a
FX (x) =
xa
1
dy =
ba
ba
ba
1
dy =
=1
ba
ba
0 dy = 0
2.
3.
axb
x>b
FX (x) =
FX (x) =
Portanto, temos:
FX (x)
FX (x) =
x a
ba
x<a
axb
x>b
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .............................................
.... .
..... ...
......
.....
..
.....
.
.
.
..
.
..
.....
.....
.
.
.
.....
.
...
.
.
.
.
.
.
.....
..
.....
.
.
.
.
..
.
..
.....
.....
.
.
...
.
.
....
.
.
.
.
.
.
.....
..
.....
.
.
.
.
..
.
.....................................................
40
Variveis Aleatrias
Domnio:
SX = [0, )
(
ex
fX (x) =
0
x0
>0
aso ontrrio
0.6
0.4
0.2
6
...
...
...
...
...
...
...
...
...
...
...
...
......
..
......
....... .......
....... .....
........ ....
..............
...........
...........
..................
....... ............
........ ...............
.
..........
............. ............................................
....................
.
................................................................................
...............
= 1.0
= 0.5
e
0
x
ey
= 1(ex e0 )
dy =
0
FX (x)
1.0
(
1 ex
FX (x) =
0
0.8
x 0, > 0
aso ontrrio
0.6
0.4
0.2
= 1.0
................................................
........................
...............
......
...........
...................
........
...............
.
.
.
.
.
.
.
.
.
.
... .......
.......
...........
.........
......
.
.
.
.
.
.
.
.
.
.
.
.
.
....
........
.....
........
.....
.......
.......
.....
......
....
.
.
.
.
.
.
.
...
......
...
......
.....
...
.....
...
.....
.
.
..
.
.
.
.
....
... .....
... ......
... .....
.. .......
.
.......
......
....
...
= 0.5
2.6.3 Rayleigh
Usos mais frequentes
Modelamento de desvane
imento.
Domnio:
SX = [0, )
Variveis Aleatrias
41
fX (x) =
x x22
2 e 2
=1
........
..... .....
... .. .....
... .. ......
..
...
.
...
.....
...
...
...
...
..
...
.
.
..
...
..
.
.
...
....
...
...
.... ..............................................................
.
.........
.
...
.
.
.
.
........
....
.
.
.
.
........
....
.. .....
.
... ...
.
.
........
.
.
...
.
.. .....
.
........
....
.
.
.
.
.
.
.........
.
.
.
.....
..
..........
.....
....
....
.... .........
...........
......
....
... .......
.......
...........
..
..
..........
.........................................................
..
...
..
x > 0, > 0
=2
aso ontrrio
x2 /2
FX (x) =
y y22
e 2 dy
2
Fazendo
u = y 2 /2,
1 e 2
1 u2
du =
e
2
2 12
temos que
x2 /2
x2
= 1 e 22
0
FX (x)
1
(
x2
1 e 22
FX (x) =
0
du = ydy.
=1
x 0, > 0
=2
aso ontrrio
2.6.4 Gaussiana
Usos mais frequentes
Curvas em forma de sino apare
em em vrias apli
aes de teoria de probabilidade. Os
modelos de probabilidade nestas apli
aes so menbros da famlia de v.a.'s Gaussianas.
De fato, sob uma grande faixa de
ondies
X
mdia
2.
Nesta notao, o
Domnio:
om distribuio Gaussiana de
SX = (, )
normal.
N (, 2 )
e varin ia
42
Variveis Aleatrias
fX (x) =
....
..... .....
... .....
..
...
..
.
...
.
0.5
...
...
...
....
...
.
.
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.
......
(
)
...
.
.
.
.
...
.
.
.
. .....
...
.
.
...
.
.
. ....
..
...
.
.
.
.
...
...
..
...
.
.
.
...
...
.
)
...
...
...
...
...
...
...
...
...
...
...
...
...
..
...
...
.
.
...
.
.
...
.
.
.
.
.
...
.
...
..
.
.
.
.
.
...
...
.
..
.
.
.
.
.
...
...
.
..
.
.
.
...
.
.
....
..
.
.
.
.
...
.
.
.
.
.
.....
...
..
.
.
.
.
.
.
.
.
...... .......
..
...
.
.
.
.
.
.
.
.
.
.
.
........ .......
...
....
.
.
.
.
.
.
.
........................
.
.
.
.
.
.
.
.
.
....................................
...............................................................................................
= 1, = 0.5
(x )2
2 2
e
1
2
= 0, = 1
-4
O gr
o de
do sino: se
fX (x)
-3
-2
-1
x = .
reete a largura
por
1/( 2)
1
FX (x) =
2
(y)2
2 2
dy
= 0, = 1
-4
-3
-2
-1
= 1, = 0.5)
Observaes
N (0, 1)
para valores de -4 a 0.
N (0, 1)
simtri a em relao
Para aprender
omo usar esta tabela, vamos introduzir a seguinte propriedade das
variveis aleatrias Gaussianas:
Teorema 2.1.
ento
Se
Y = aX + b
e ,
a + b e a .
Este teorema diz que qualquer transformao linear de uma varivel aleatria Gaussiana produz outra varivel aleatria Gaussiana. Este teorema nos permite rela ionar
Variveis Aleatrias
43
FZ (z).
=0
= 1.
(z)
1
(z) =
2
Dada a tabela de valores de
(z),
2 /2
eu
Teorema 2.2.
X
Se
du
fd de
FX (x) =
E a probabilidade de
(a, b]
a
b
P [a < X b] =
estar no intervalo
X,
parti ular
da varivel aleatria
X,
Z.
Para um valor
z=
Note que
Exemplo 2.7.
(2.22)
omo um nmero de desvios padres
X.
x = 46,
uma amostra de
uma varivel aleatria Gaussiana
om valor esperado 61 e desvio padro 10. Expresse
este resultado
omo uma amostra da varivel aleatria normal padro
Soluo.
Z.
44
Variveis Aleatrias
z=
46 61
= 1.5
10
Assim, esta pontuao orresponde a 1.5 desvios padres menos que o valor esperado.
(z)
apresentados nas tabelas. Note que estas foram al uladas apenas para
valores negativos de
Teorema 2.3.
x.
(z) = 1 (z)
Exemplo 2.8.
Se
= 61
= 10,
al ule
P [X 46]
Soluo.
1
Q(x) =
2
ey
2 /2
dy
(2.23)
x],
sendo portanto o
Q(x) + FX (x) = 1
(2.24)
Q(x)
Q(x)
se j temos a funo
to, vamos dar uma olhada em outra funo, denominada funo erro
omplementar,
denida
omo
Variveis Aleatrias
45
2
erf c(x) =
ey dy
(2.25)
"
#
2 X (1)i x(2i+1)
erf c(x) = 1
(2i + 1)i!
(2.26)
i=0
1
Q(x) = erf c
2
(2.27)
da funo
ex /2
Q(x) =
x 2
13 135
1
+
1 2 +
x
x4
x6
(2.28)
1
2
Q(x) ex /2 , x 1
x 2
1
0.7
2
Q(x)
1 2 ex /2 , x > 2
x
x 2
(2.29)
(2.30)
2.6.5 Gama
Usos mais frequentes
A distribuio gama no tem muitas apli
aes prti
as, mas tem um interesse teri
o
bastante grande, pois serve de base para a derivao de outras distribuies, estas sim
de grande interesse prti
o.
Domnio:
SX = [0, )
..
.
..
..
6
..
.
..
..
..
..
,
..
..
..
..
..
...
...
... .............
... ... ...
...
... ...
..
... ..
...
......
...
.....
...
....
.
...
,
.....
...
......
...
.......
...
...
.... ....
...
. ..
...
... ...
...
.. ..
...
.. ..
... .....
...
...
. ...
...
...
...
...
...
...
...
...
.....
...
.....
...
......
....
......
......
......
........
.................................... ..............................................
....................................
.
= 3 = 0.5
1.0
0.8
fX (x) =
(x)1 ex
()
=3 =3
0.6
0.4
0.2
46
Variveis Aleatrias
FX (x) =
(y)1 ey
dy
()
6 = 3, = 0.5
............................................................................................................
......................
....
.......
.........
.....
.......
....
......
.
....
.
..
.
.
.
....
...
....
...
...
...
...
..
.
....
...
..
...
...
...
...
,
..
....
.
..
...
...
...
..
....
.
...
..
...
...
...
...
.... .....
.. ....
............
=3 =3
2.6.6 m-Erlang
Usos mais frequentes
A varivel aleatria m-Erlang obtida pela soma de
om distribuio exponen
ial de parmetro
=m
Domnio:
SX = [0, )
..
.
..
..
6
..
.
..
..
..
..
,
..
..
..
..
..
...
...
... .............
... ... ...
...
... ...
..
... ..
...
... ..
...
......
...
....
..
...
,
...
......
...
......
...
... ....
...
... ...
...
...
... ...
...
.. ..
.. ..
...
.. ..
...
... .....
...
...
...
...
...
...
...
...
...
...
.....
...
.....
...
......
....
......
.......
........
.........
.
.................................................................................................................
m = 3 = 0.5
1.0
0.8
fX (x) =
ex (x)m1
,x > 0
(m 1)!
m=3 =3
0.6
0.4
0.2
....................................................................................................................................
.........
.....
.....
.......
....
.
......
.
....
.
.
...
.
.
.
...
...
....
...
...
...
...
...
....
.
..
...
...
...
...
...
,
..
.
....
...
..
...
...
..
.
....
...
..
...
...
...
...
.... .....
.. ...
............
FX (x) =
ey (y)m1
dy
(m 1)!
6 m = 3, = 0.5
m=3 =3
Variveis Aleatrias
47
2.6.7 Chi-Quadrado (2 )
Usos mais frequentes
k
A soma de
om
graus de
liberdade.
Observao: um
aso espe
ial da distribuio Gama, fazendo-se
positivo, e
= k/2, k
inteiro
= 1/2.
Domnio:
SX = [0, )
x(k2)/2 ex/2
fX (x) = k/2
2 (k/2)
0.3
0.2
0.1
6
......
......
.......
........
.. ...
... ...
... ...
.... .....
.. .
.. ...
.. ..
.. ....
...
...
...
..
...
..
...
...
...
...
.
...
...
.....
..... ..............................................................
.
.... .....
.............
...
..............
............
..............
..
....... .......................
................................................................................................................................................
..............................
k=2
k = 10
10
15
20
FX (x) =
y (k2)/2 ey/2
dy
2k/2 (k/2)
6
.....................................................................................
.......................
.............
.........
..........
.......
.......
.....
.
......
.
.
......
...
.
.
.
.
.
.
.
.
..
......
...
.....
...
.....
....
...
....
..
.
.
.
.
.....
...
....
...
....
....
...
....
.
.
.
....
....
..
....
....
...
....
...
....
.
.
.
....
.
.....
..
....
...
....
.....
...
......
.
.
.
.
....
.
.
..........................
k=2
k = 10
10
15
20
2.6.8 Cau
hy
Usos mais frequentes
A distribuio de Cau
hy no tem apli
ao prti
a, mas tem um grande interesse
teri
o pelas suas pe
uliaridades.
Domnio:
SX = [, )
48
Variveis Aleatrias
fX (x) =
/
, > 0
+ 2
0.4
x2
0.2
6
.....
.. ..
.. ...
.. ..
... ....
.. ..
... ....
... ....
...
....
...
..
.
..
.. ........... ..
........ .........
......
......
...
.
.
......
....
......
.......
.
.
........
......
.
.
..........
.
.........
.
............
.
.
.
.
.................
...............
.
.
.
.
.
.
.
.
..................................
.
....... ......
...............................................................
.............................................................................
= 0.5
=1
-6
-4
-2
/
du
+ u2
u x
a 1
arctan
=
a
a
FX (x) =
FX (x)
1
1
FX (x) =
x
1
+ arctan
2
0.5
= 0.5
...................................
....................................................
..........
..
....... ...................
.
.
.
.
...
.....
.... ......
... .......
... ....
.. ....
.
... ....
... ..
......
........
....
.....
...
.....
.
......
.......
... ..
.. ...
.
. .
... ...
.... ..
.... ..
..... .....
.
.
.
.
.... ......
.
.......
.......... .............
.
...............
.........................................................................
.............
=1
-6
-4
-2
2.6.9 Lapla
e
Usos mais frequentes
A distribuio de Lapla
e tambm
onhe
ida
omo distribuio exponen
ial dupla.
a distribuio das diferenas entre duas variveis aleatrias iid
om distribuio exponen
ial.
Domnio:
SX = [, )
Variveis Aleatrias
49
0.3
0.2
0.1
6
...
.........
.......
...........
.. ...
... .. ...
... .. ...
.... .. ....
.. .. ....
...
...
... .. ..
.
.. .. ....
........
.
.
. . ... ... . ...
.
.
.. . .. . ... ....
... .. .........
...
...
...
...
...
... .... ........ ...
...
.....
.
..... .
. ...
.
.
...
.
.....
.
....
...
.
.
.
.
.
.
.
.
.
...
..........
.
...
.
.
.
.
.
.
.
.
.
.
.
........ ........
....
.....
.
.
.
.
.
.
.
.
.
.
....................
.
.
.
.
.
......
.... ..
.
.
.
.....................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..................................
.......................................................................................................
..
..
= 1, = 2
= 0.5, = 0
-8
-6
-4
-2
Primeira etapa:
FX (x) =
FX (x) =
|y|
e
dy
2
Segunda etapa:
FX (x) =
FX (x) =
Fazendo
z = y ,
dz = dy ,
e ento
x
ey
1
z
e
dz =
= e(x)
2
2
2
x>
Z x
|y|
|y|
e
dy +
e
dy
Fazendo z = y , dz = dy , e ento:
2
2
x
Z x
z
z
ey
ey
1 1 (x)
e
dz +
e
dz =
+
= 22e
2
2
2
FX (x)
FX (x) =
temos que
1 (x)
e
,
1 1 e(x) , x >
2 2
.............................................
.................................
.........
...............
.
.
.
.
.
..... ...
..... ..
..... ....
....
..
....
.
.
.
...
.
...
...
..
..
.
.
...
...
...
...
,
...
...
..
..
.
.
..
..
...
..
.
.
.
.
.
....
...
.....
...
.....
...
.....
...
.....
.
.
.
.
.
.
.
.
.
.
.
....
......
..........
.........
.................
................................................................................................................
=1 =2
= 0, 5, = 0
-8
-6
-4
-2
50
Variveis Aleatrias
FX (x|B)
FX (x|B) = P [X x|B] =
A funo de distribuio
dado o evento
denida omo
P [X x, B]
P [B]
Propriedades
A funo distribuio
ondi
ional
FX (x|B)
FX (|B) = 0
2.
FX (|B) = 1
3.
Denio 2.12.
Se
P [X = xk , B]
P [B]
fX (x|B) =
dFX (x|B)
dx
1. para
FX (x|B) =
Desta
P [X 10, X x]
P [X 10]
=
=1
P [X 10]
P [X 10]
2. para
FX (x|B) =
P [X x]
P [X 10, X x]
=
P [X 10]
P [X 10]
Desta
Variveis Aleatrias
FX (x)
1
51
6
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .......................................................................................................................
.
......... .
........
....
........
........
.
.......
.
.
.
.
.
.
.
.....
.
.
.
.
.
.
....
.....
.
.
.
.
.
.
.
X
...................
.......
....
..................
.......
.
.
.
.
.
.
.................
................
.......
..........................
......
.
.
.
.
.
.
.
.
.
.
.
...
......
............. .
......
............
....
............
......
...........
.
......
...........
.
.....
.
.
.
.
.
.
.
.
.
.
.
.
......
.
....
.
.
.
X
.
.
.
.
.
.
.
....
.
.
...
......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.........
......
....
.........
.....
.
.
.
.
.
.
.
.
.
.
.
.
.
.....
........
.....
........
....
.....
........
.....
........
.......
.....
.
.
.
.
.
.
.
.
.
.
...
... ..........
.
.
.
.
.
.
.
..... .......
.
................
.
.
.
....
.
............
.
.
.
.
.. ...
...
............
.......
.
F (x|B)
F (x)
10
12
14
X.
Variveis aleatrias
X1
Denio 2.13.
X2 ,
onde
x1
x2
(2.31)
Esta
fX1 X2 (x1 , x2 ) =
2
FX X (x1 , x2 )
x1 x2 1 2
(2.32)
52
Variveis Aleatrias
Teorema 2.4.
fX1 X2 (x1 , x2 )
As fdp's
fX1 (x1 )
hamadas de
fX2 (x2 )
fdp's marginais.
Corolrio 2.5.
Se
Corolrio 2.6.
obtemos
(2.33)
F (, ) = F (, x2 ) = F (x1, ) = 0
Teorema 2.7.
fX (xi ) = P [X = xi ] = P [X = xi , Y = y1
Y,
ou
temos:
X = xi , Y = y2
ou
...]
fXY (xi , yj )
...]
fXY (xi , yj )
j=
fY (yj ) = P [Y = yj ] = P [Y = yj , X = x1
ou
Y = yj , X = x2
ou
i=
Variveis Aleatrias
Teorema 2.8.
53
i= j=
Exemplo 2.10.
fXY (xi , yj ) = F (, ) = 1
(2.34)
a
apa
idade (em qualquer dia) seja 5 peas na linha I e 3 peas na linha II. Admita que
o nmero de peas realmente produzidas em qualquer linha seja uma v.a. e que
represente a v.a.
(X, Y )
(X, Y ).
Soluo.
Soma
0,01
0,03
0,05
0,07
0,09
0,25
0,01
0,02
0,04
0,05
0,06
0,08
0,26
0,01
0,03
0,05
0,05
0,05
0,06
0,25
0,01
0,02
0,04
0,06
0,06
0,05
0,24
Soma
0,03
0,08
0,16
0,21
0,24
0,28
fXY (xi , yj ) = P [X = xi , Y = yj ]
A ltima linha e a ltima
oluna forne
em os totais marginais, isto , a soma das
6
olunas e 4 linhas da tabela. As probabilidades que apare
em nas margens, linha e
oluna, representam a distribuio de probabilidade de
exemplo,
P [Y = 1] = 0.26, P [X = 3] = 0.21,
e de
X , respe tivamente.
Por
et .
(X, Y ),
ou distribuio marginal de
Xi , i = 1, 2, . . . , n
onde
a fdp onjunta.
(2.35)
54
Variveis Aleatrias
Tomando as derivadas par
iais de
mos
n
FX X ...X (x1 , x2 , . . . , xn )
x1 x2 xn 1 2 n
+ Z +
(2.36)
x2
x3
leva a
X1
X2
om fdp onjunta
fX1 X2 (x1 , x2 ).
A fd
x2 x2 < X2 x2
onde
x2
X1 e X2 duas v.a.'s
P [X1 x1 ]
ondi
ionada por
Demonstrao. Sejam
determinar
x1
om fdp onjunta
fX1 X2 (x1 , x2 ).
Queremos
x2 x2 < X2 x2
onde
x2
babilidade do evento
P [X1 x1 , x2 x2 < X2 x2 ]
P [x2 x2 < X2 x2 ]
Z x1 Z x2
fX1 X2 (u1 , u2 )du1 du2
x2 x2
=
Z x2
fX2 (u2 )du2
x2 x2
(2.38)
Variveis Aleatrias
55
Vamos agora utilizar um resultado da teoria do
l
ulo diferen
ial e integral para
ontinuarmos
om a nossa prova:
e diferen ivel em
ento existe
se
c (a, b)
c (x2 x2 , x2 )
Z
x1
aproximam-se de
x2
x2 x2
Z x2
x2 x2
Fazendo agora
tais que
x1
x2 0,
temos que
(2.39)
fX2 (c )x2
x2 ,
e desta forma,
x1
X1
dada a v.a.
Corolrio 2.11.
FX1 X2 (|x2 ) = 0
x1
X2 ,
fX2 (x2 )
ou seja
x1
fX2 (x2 )
FX1 X2 (+|x2 ) = 1.
Teorema 2.12.
fX1 X2 (x1 |x2 ) =
fX1 X2 (x1 , x2 )
fX2 (x2 )
(2.42)
x1 ,
obtemos a fdp
orrespondente na forma
fX1 X2 (x1 , x2 )
em termos das
fX1 X2 (x1 , x2 ) = fX1 X2 (x1 |x2 )fX2 (x2 ) = fX2 X1 (x2 |x1 )fX1 (x1 )
(2.43)
56
Variveis Aleatrias
A extenso das relaes dadas a
ima para o
aso multidimensional direta:
(2.44)
onde
=
fXk+1 Xn (xk+1 , . . . , xn )
(2.45)
Esta fd
ondi
ional satisfaz as propriedades previamente estabele
idas para estas
funes tais
omo
FX1 X2 Xn (, x2 , . . . , xk |xk+1 , . . . , xn ) = 0
S.
Este on eito pode ser estendido para variveis aleatrias denidas em um espao
Denio 2.14.
e somente se
(2.46)
ou alternativamente
(2.47)
X,
fX (x),
Y = g(X),
Variveis Aleatrias
onde
g(X)
X.
alguma funo de
Teorema 2.13.
de
57
Chamemos a fdp desejada de
Y,
om
Y = g(X).
fY (y).
dada por
fX (x)
fY (y) =
|g (X)| x=g1 (y)
fX (x)
fY (y)
Y = g(X)
X
b)
a)
fX (x),
e )
fY (y).
(2.48)
x0
(2.49)
x0
Y ,
respe tiva-
Observe que
a
ima, a varivel
uma inversa
fX (x)
f (x)
= X
fY (y) =
|g (X)|
dY
dX
de
y.
(2.50)
em termos de
y.
fX (x)
fY (y) =
|g (X)| x=g1 (y)
Assumindo que
y = g(x)
tem
(2.51)
58
Variveis Aleatrias
Exemplo 2.11.
dada por
2
x
,
fX (x) = 81
0,
3 < x < 6
aso
ontrrio
Soluo.
Neste aso,
dadas por:
1
U = (12 x).
3
1
1
g (x) = (0 1) =
3
3
g(x)
so
g 1 (U ) = 12 3U
Ainda, para
X 2
(4 U )2
x2
81
=
=
fU (u) =
27 g1 (U )
3
1
3 1
g (U )
variando no intervalo
(3, 6), U
varia no intervalo
(2, 5),
e a soluo
(4 u)2
, 2<u<5
fU (u) =
3
0,
aso
ontrrio
Exemplo 2.12.
dada por
Soluo.
fX (x),
Considere a v.a.
en
ontre a fdp de
Y
Y
denida omo
Y = aX + b, a > 0.
X.
Se
tem fdp
em termos da fdp de
FX (x)
tivamente. Ento
Z yb
a
yb
yb
FY (y) = P [Y y] = P [aX +b y] = P X
=
fX (x)dx = FX
a
a
y,
fdp's
1
fY (y) = fX
a
Ou seja, se a fdp de
yb
a
na Figura 2.12
).
Uma outra forma de resolver este problema apli
ando diretamente o Teorema 2.13.
Neste
aso, temos:
Variveis Aleatrias
Y
59
fX (x)
Y = aX + b, a > 0
fY (y)
1
a
ba
b)
a)
-1
b+a
Y.
1
yb
fX (x)
fX (x)
= fX
fY (y) =
=
a x=(yb)/a a
a
g (x) x=g1 (y)
At agora assumiu-se impli itamente que existe uma orrespondn ia biunvo a entre
para um dado
Corolrio 2.14.
Quando a equao
Y = g(X)
x1
x2 ,
a fdp
fY (y)
dada por
fX (x2 )
fX (x1 )
+
fY (y) =
|g1 (x1 )| x1 =g1 (y) |g2 (x2 )| x2 =g1 (y)
1
Y = g(X)
g2 (x2 )
g1 (x1 )
y
x1
x2
x1
x2
X.
Y = g(X)
60
Variveis Aleatrias
(2.52)
x1 0
x2 0
fX (x2 )
fX (x1 )
+
fY (y) =
|g1 (x1 )| x1 =g1 (y) |g2 (x2 )| x2 =g1 (y)
Se existirem
valores de
Y,
(2.53)
Corolrio 2.15.
Quando a equao
Y = g(X)
tem
razes,
x1 , . . . , xn ,
a fdp
fY (y)
dada por
fX (x1 )
fX (xn )
fY (y) =
+ +
|g1 (x1 )| x1 =g1 (y)
|gn (xn )| xn =gn1 (y)
1
onde
x1 , x2 , . . . , xn
Exemplo 2.13.
fX (x),
dada por
Soluo.
so os valores de
Y
de Y
Considere a v.a.
en
ontre a fdp
quando
Y = y.
Y = aX 2 + b, a > 0.
da fdp de X .
denida
omo
em termos
em relao a
X.
Y,
observamos que
X.
yb
]
a
Se
tem fdp
Variveis Aleatrias
61
r
FY (y) = FX
yb
a
fX
fY (y) =
q
y,
FX
solues reais
x1 =
yb
a e
yb
a
Y
q
fX yb
a
q
+
2a yb
a
obtemos a fdp de
yb
a
q
2a yb
a
q
x2 = yb
a ,
!
em termos da fdp de
g(X) = aX 2 + b = y
e portanto,
fY (y)
tem duas
q
q
q
q
yb
yb
yb
yb
fX x1 =
fX
fX x2 =
fX
a
a
a
a
q
q
fY (y) =
+
+
=
q
q
g x1 = yb g x2 = yb
2a yb
2a yb
a
a
a
a
X
X
Y,
omo
X eY e
a X e Y
assumem valores
e vi e-versa. Ento
fU V (u, v) =
fXY (x, y)
u, v
J
x, y
e sua fdp
onjunta
por
U = U (X, Y )
observe que
(2.54)
Portanto
fXY (x, y)
fU V (u, v) =
dudv
dxdy
(2.55)
A relao entre os dois elementos de rea nos dois sistemas de
oordenadas pode ser
expressa em termos do Ja
obiano
omo
62
Variveis Aleatrias
dudv = J
onde
u, v
x, y
dxdy
(2.56)
u
x
u, v
=
J
v
x, y
x
Portanto
fU V (u, v) =
u
y
v
y
(2.57)
fXY (x, y)
u, v
J
x, y
(2.58)
em relao a
Teorema 2.17.
Se X e Y
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) so
V (X, Y ) ento
so
funes
de
mltiplos
fXY (x1 , y1 )
f (x2 , y2 )
+ XY
+ +
fU V (u, v) =
u, v
u, v
J
J
x1 , y1
x2 , y2
valores,
isto
U = U (X, Y )
f (xn , yn )
XY
u, v
J
xn , yn
v.a.'s
X1 , X2 , . . . , Xn
X1 , X2 , . . . , Xn
,
e
se
V =
(2.59)
Suponha
fX1 X2 Xn (x1 , x2 , . . . , xn ).
fY1 Y2 Yn (y1 , y2 , . . . , yn ) de n v.a.'s rela
ionadas
por
Yi = Yi (X1 , X2 , . . . , Xn ), i = 1, 2, . . . , n
Xj = Xj (Y1 , Y2 , . . . , Yn ), j = 1, 2, . . . , n
Assume-se que todas essas funes sejam de valor ni
o e
om derivadas par
iais
ontnuas em todos os pontos. Assim, temos
Portanto
(2.60)
Variveis Aleatrias
63
fY1 Y2 Yn (y1 , y2 , . . . , yn ) =
fX1 X2 Xn (x1 , x2 , . . . , xn )
dy1 , dy2 , . . . , dyn
dx1 , dx2 , . . . , dxn
(2.61)
y1 , y2 , . . . , yn
x1 , x2 , . . . , xn
y1 ,...,yn
x1 ,...,xn
(2.62)
onde
y1 , y2 , . . . , yn
=
J
x1 , x2 , . . . , xn
Portanto
y1
x1
y2
x1
y1
x2
y2
x2
.
.
.
..
yn
x1
yn
x2
...
.
.
.
fY1 Y2 Yn (y1 , y2 , . . . , yn ) =
y1
xn
y2
xn
...
...
.
.
.
yn
xn
(2.63)
fX1 X2 Xn (x1 , x2 , . . . , xn )
y1 , y2 , . . . , yn
J
x1 , x2 , . . . , xn
(2.64)
Se
Y1 , Y2 , . . . , Yn
y1 , y2 , . . . , yn
x1 , x2 , . . . , xn
=
J
1
x1 , x2 , . . . , xn
y1 , y2 , . . . , yn
(2.65)
X1 , X2 , . . . , Xn ,
uma equao
Exemplo 2.14.
que des
revem as
oordenadas de um ponto onde o dardo atinge o alvo so independentes
e tem fdp's normais (gaussianas)
fX (x) =
En
ontre a fdp
x2
1
2 2
e 22
fY (y) =
2 2
y 2
e 22
Soluo.
R,
X, Y
R
X
R
Y
ngulo do
64
Variveis Aleatrias
Assim, a fdp
A varivel
fR (r, )
r x2 +y2 2
r r22
fXY (x, y)
2
=
fR (r, ) = =
e
e 2
r,
2 2
2 2
J x,y
so independentes e
[0, 2],
evidente que
Desde que
varia no intervalo
a termos
f ()d = 1.
Portanto
fR (r, ) =
1
2
r r22
e 2
2
R 2
= fR (r)f ()
onde
f () =
1
2 ,
0 < < 2
0,
aso ontrrio
fR (r) =
fR (r)
r r22
e 2
2
fR (r)
6
.........
...... .. .......
..... .. .........
...
....
..
...
.
.
...
.
...
.
...
...
..
...
.
.
...
..
..
.
.
...
..
.
...
.
..
...
.
.
...
..
..
.
...
..
.
.
...
..
..
...
.
.
...
....
...
.
.
.
.
...
..
.....
....
.....
..
...
.....
.
.
.
.
.....
.....
....
......
.
...
.
.
......
.
.......
....
.........
.
...............
.
.
...................................
...
...
Resp: a)
2e1
b)
2e1 3e2
Variveis Aleatrias
65
fXY (x, y)
dada por
x2 +y 2
2
u(x)u(y)
fX (x), fY (y),
so independentes?
Resp:
(a)
fX (x) = xe
fY (y) = ye
x2
2
y2
2
fXY (x|Y = y) = xe
fXY (y|X = x) = ye
x2
2
y2
2
(b) sim
3. A funo densidade de probabilidade
onjunta
fXY (x, y)
dada por
2 +2xy+2y 2 )
k.
y),
k = 1/
x2
1
fX (x) = e 2
2
1 y2
fY (y) = e
1
2
2
fXY (x|Y = y) = e(x +2xy+y )
r
2 ( x2 +2xy+2y2 )
e 2
fXY (y|X = x) =
( ) no
4. O sinal de entrada
e o sinal de sada
(
X 2, X > 0
Y =
0,
X0
A funo densidade de probabilidade do sinal de entrada dada por
66
Variveis Aleatrias
fX (x) =
x2
1
e 22
2
fY (y).
y
1
e 22 , y > 0
fY (y) = 2 2y
aso
ontrrio
0,
En ontre
Resp:
Resp:
y
1
e 22 , y > 0
fY (y) = 2y
aso
ontrrio
0,
6. Suponha que trs usurios de telefone tenham uma linha em
omum. Qual a probabilidade de mais de um deles utilizar a linha ao mesmo tempo? Admita que,
em mdia, um usurio utilize o aparelho durante 5 minutos por hora.
Resp:
425/21600 0, 0197
Resp: a) 0,4096
b) 0,4096
) 0,1808
Resp: a)
e5/2 0, 082
b)
e2 e5/2 0, 053
1 e2 0, 865
Resp: 0,0017
10. Suponha que a varivel aleatria
b,
tais que
Variveis Aleatrias
67
(a, b)
que sa-
a = 4, 45
b = 16, 97
12. Verique quais das funes abaixo podem ser
onsideradas fd
's. Justique sua
resposta.
a)
0 x<0
x2 0 x < 1
y=
1 x1
b)
y=
1 e2x x 0
0
x<0
y=
2x x 0
0
x<0
FXY (x, y) =
(1 ex) (1 ey) x 0, y 0
0
aso
ontrrio
A = {X 1, Y 1}
B = {X > x, Y > y}, x > 0, y > 0
(a)
(b)
(
1 ex , x 0
FX (x) =
aso
ontrrio
0,
(
1 ey , y 0
FY (y) =
0,
aso
ontrrio
i.
ii.
P [X 1, Y 1] = (1 e )(1 e )
P [X > x, Y > y] = ex ey
fX (x) =
c
, <X <
x2 + 1
c.
[1/3 X 2 1].
X.
68
Variveis Aleatrias
Resp:
(a)
c = 1/
(b)
P [1/3 X 2 1] = 1/6
1 1
FX (x) = + arctg(x)
2
( )
(
6x(1 x), 0 < x < 1
fX (x) =
aso
ontrrio
0,
Y = h(X)
(
12y 3 (1 y 2 ), 0 < y < 1
fY (y) =
0,
aso
ontrrio
XxeY y
P [X x] = P [Y y],
FX (x) = FY (y).
Y = X
ou seja
Resp:
1 2
1
2
exp (x + y )
fXY (x, y) =
2
2
Sejam duas outras variveis aleatrias
U = 3X + 5Y
W = X + 2Y
Resp:
uma onstante.
k.
Resp:
P [1 X 2]
P [1 X 2]
X.
= 1.
usando a fd , para
= 1.
W.
Variveis Aleatrias
(a)
(b)
(
)
(d)
(e)
k=
69
1 ex ,
x<0
FX (x) = 2 1
1 ex , x 0
2
2
E[X] = 0, Var[X] = 2
1 1
(e e2 ) 0, 1163
2
1 1
(e e2 ) 0, 1163
2
FT (t) =
f dp
Qual a
f dc
(
minutos
exponen ial
1 et/3 t 0
0
aso
ontrrio
Qual a
Resp:
(a)
(b)
1 et/3 , t 0
fT (t) = 3
0,
aso
ontrrio
P [2 t 4] = e2/3 e4/3 0, 25
f dc's FX (x)
(a)
(
)
Resp: a) 0
b) 1
f dc's
onjuntas
FXY (, 2)
FXY (, y)
)
FXY (x, y)
por nmeros ou em
FY (y).
FY (y)
(b)
(d)
FXY (, )
FXY (, )
d) 0
(
4xy
fXY (x, y) =
0
om
f dp
onjunta
0 x 1, 0 y 1
aso
ontrrio
X e Y so independentes?
Resp: sim
21. Sejam
(
A(x + y), 0 x 1, 0 y 1
fXY (x, y) =
aso
ontrrio
0,
70
Variveis Aleatrias
(a) Cal
ule o valor de
A.
so independentes?
Resp:
(a)
A=1
(b)
fX (x) = x + 1/2
fY (y) = y + 1/2
(
) no
22. Que distribuio de probabilidade vo
pode utilizar para modelar as seguintes
situaes?
(a) Nmero de toques entre erros de digitao, dado que
ada toque tem uma
erta probabilidade de estar
om erro;
(b) Nmero de toques
om erro dentre
mria, em srie.
Y = eX .
Resp:
Y se X = N (, 2 ).
(ln(y))2
1
y>0
e 22
fY (y) =
2y
0
aso
ontrrio
En
ontre a fdp de
A.
0 x /2, 0 y /2
Variveis Aleatrias
71
FXY (x, y)
FX (x)
FY (y).
X .
6
4
Resp:
(a)
A = 0, 5
(b)
( )
(d) 0,18
26. Uma
ompanhia area sabe que 5% das pessoas que fazem reservas em um determinado vo no
ompare
em para o embarque. Consequentemente, sua polti
a
vender 52 passagens para um vo que pode transportar at 50 passageiros. Qual
a probabilidade de haver assentos disponveis para todos os passageiros que
ompare
erem ao embarque?
Resp: 0,7405
27. Suponha que um sinal
os esboos das
urvas pertinentes, indi
ando valores em alguns pontos notveis
(onde a funo
orta os eixos ou muda abruptamente).
Resp:
y
e ,
fY (y) = 2
0,
y
e ,
FY (y) = 2
1,
2 = 100.
Resp:
(a)
(b)
{X > r}
seja
e1 .
Captulo 3
regularidade estatsti a.
pro
esso no pode ser predito espe
i
amente, mas pode ser predito em uma base mdia. Por exemplo, no experimento de jogar moedas no possvel prever o resultado de
uma jogada parti
ular, mas em mdia, podemos
onar que metade das jogadas iro
ser
aras, e a outra metade,
oroas, dado que esta mdia seja feita sobre um nmero
su
ientemente grande de jogadas.
X)
foi repetido
vezes (N
X=
valores
dado por
1
m1
m2
mn
(m1 x1 + m2 x2 + + mn xn ) =
x1 +
x2 + +
xn
N
N
N
N
No limite quando
N ,
a razo
mi
N tende a
fX (xi )
(3.1)
de a ordo om a denio
X=
n
X
xi pX (xi )
(3.2)
i=1
E[X].
e denotado por
Denio 3.1.
73
n
X
X = E[X] =
xi pX (xi )
(3.3)
i=1
Se
X = E[X] =
xfX (x)dx
(3.4)
Exemplo 3.1.
fX (x) =
En
ontre o valor mdio de
Soluo.
(xm)2
1
e 22
2
X.
X=
Fazendo
X=
X = Y + m,
1
2
1
2
fX (x).
(xm)2
2 2
xe
dx
y2
(y + m)e 22 dy =
1
2
Z
y2
ye 22 dy + m
y,
y,
y2
e 22 dy
1
X=
2m
2
fX (x)
1
2 2
y2
e 22 dy =
1
1
2m
2 2 = m
2
2
e varin ia
2.
74
X.
Y = g(X)
Teorema 3.1.
mdio de
a qual
(3.5)
Y = g(X).
Ento o valor
dado por
Y = E[Y ] =
yfY (y)dy =
g(X)fX (x)dx
(3.6)
Y
y + dy
dy
x2
x1
dx1
x3
dx3
dx2
Figura 3.2:
Y = g(X).
y,
(3.7)
obtemos
yfY (y)dy = g(x1 )fX (x1 )dx1 + g(x2 )fX (x2 )dx2 + g(x3 )fX (x3 )dx3
(3.8)
Ento para
ada diferen
ial em (3.8)
orrespondem um ou mais diferen
iais em (3.6).
medida que
todo o eixo
ompleta.
x.
dy
obre o eixo
y,
os
dx's
Teorema 3.2.
Se
75
uma v.a. dis reta, (3.6) pode ser rees rita omo
Y = E[Y ] =
g(xi )P [X = xi ] =
Exemplo 3.2.
(3.9)
plo 3.1.
Soluo.
Temos que
Y = g(X) = X 2 .
Ento
1
Y =
2
Fazendo
u = x m,
x2 e
(xm)2
2 2
dx
1
Y =
2
u2
(u + m)2 e 22 du
Y = X 2 = 2 + m2
Z = g(X, Y )
(3.10)
Ento
Z = E[Z] =
zfZ (z)dz
(3.11)
Podemos al ular
E[Z]
onjunta
Teorema 3.3.
denida por
Z = g(X, Y ).
om fdp onjunta
Z = E[Z] =
+ Z +
e a v.a.
dado por
(3.12)
Z est
[z, z +z], ento as variveis X e Y esto na regio limitada por [x, x+x]
[y, y + y]. A rea desta regio obviamente xy . Segue tambm que
76
(3.13)
Teorema 3.4.
Para v.a.'s dis retas, (3.12) pode ser rees rita omo
Z = E[Z] =
XX
i
(3.14)
Corolrio 3.5.
Seja
n v.a.'s:
X1 , . . . , Xn :
Z = g(X1 , . . . , Xn )
Z
Ento a mdia de
Z = E[Z] =
dada por
(3.15)
Se algumas das v.a.'s so dis
retas, a equao (3.15) ainda vlida desde que a
distribuio dis
reta
onsiderada um
aso limite da distribuio
ontnua atravs do
uso da funo impulso.
Se
g1 (X, Y ),
...,
gn (X, Y )
so funes de
ento
(3.16)
(3.17)
(3.18)
77
mdias individuais.
Demonstrao. Se
Z = XY
E[Z] =
+ Z +
Se
so independentes
(3.19)
rever
E[Z] =
xfX (x) dx
Ento, se
(3.20)
so v.a.'s independentes
E[XY ] = E[X]E[Y ]
(3.21)
Teorema 3.8.
Se
Z = g1 (X) g2 (Y )
temos que
(3.22)
(3.23)
Em outras palavras
E[Z 2 ]
= E[(X + Y
Z =X +Y
)2 ]
+ Z +
+ Z +
+2
+ Z +
dado por
+ Z +
(3.24)
78
so independentes, ento
+ Z +
x fX (x) dx
Z +
fY (y) dy =
x2 fX (x) dx = E[X 2 ]
Similarmente
+ Z +
fX (x) dx
y 2 fY (y) dy =
y 2 fY (y) dy = E[Y 2 ]
+ Z +
temos
E[X]
ou
E[Y ]
(3.25)
(3.26)
Y =y
denotada por
E[X|Y = y] =
E[X|Y = y]
e denida omo
xfX (x|Y = y) dx
(3.27)
3.2 Momentos
3.2.1 N -simo momento
Denio 3.3.
esperado da
n-simo momento
n-sima
potn ia de
de uma v.a.
X.
n
E[X ] =
xn fX (x) dx
(3.28)
79
m,
e dado por
E[(X m) ] =
(x m)n fX (x) dx
(3.29)
3.2.3 Varin
ia
Denio 3.5.
2
X
= E (x m)2
varin
ia
(3.30)
2
X
= E x2 2mE [x] + E m2 = E x2 2mm + m2 = E x2 m2 = E[X 2 ] m2
(3.31)
Ento a varin ia de uma v.a. igual sua mdia quadrti a menos o quadrado de
sua mdia.
Exemplo 3.3.
En ontre a varin ia
2
X
om distribuio
gaussiana.
Soluo.
E[X] = m,
E[X 2 ] = 2 + m2 .
Desta forma, pela equao (3.31) temos que
2 = 2 + m2 m2 = 2 .
X
A varin ia tem uma grande importn ia prin ipalmente na anlise de sinais, pois
est intimamente ligada pot n
ia dos mesmos (na verdade, ela
orresponde pot n
ia
de um sinal de mdia nula). Nos teoremas a seguir so derivadas algumas propriedades
importantes da varin
ia.
Teorema 3.9.
a,
ento
Var[A] = 0.
X sempre toma o
Var[X] = (a a)2 P [X = a] = 0.
valor
a, P [X = a] = 1.
Se
E[X] = a,
Neste aso,
80
Teorema 3.10.
Se
Y = X + b,
ento
determinsti a.
Var[Y ] = Var[X].
zero quando
dada por
Var[Y ] = E ((X + b) (E[X] + b))2
= E (X E[X])2 = Var[X]
Ou seja, o deslo
amento da varivel aleatria
varin ia.
Teorema 3.11.
Se
Y = aX ,
ento
Var[Y ] = a2 Var[X].
E[Y ] = aE[X],
temos
Var[Y ] = E (aX aE[X])2 = E a2 (X E[X])2 = a2 Var[X].
Denio 3.7.
X1k X2n
X1
X2
+ Z +
X1
X2
+ Z +
onde
mi = E[Xi ].
fX1 X2 (x1 , x2 ).
om fdp onjunta
om fdp onjunta
fX1 X2 (x1 , x2 ).
mo-
(3.32)
mo-
81
Sejam
duas variveis
aleatrias. Ento
[E(XY )]2 E X 2 E Y 2
Demonstrao. Considere a expresso
e
em
E (X Y )2
(3.34)
E (X Y )2 0
mnimo:
E[XY ]
E[Y 2 ]
E[X 2 ]
2 2
[E(X, Y )]2
2
[E(XY
)]
E
X E Y
E [Y 2 ]
k = n = 1.
Para v.a.'s multidimensionais podemos denir momentos onjuntos de qualquer ordem. Entretanto, os momentos que so mais teis em apli aes prti as so as orrela-
Xi , i = 1, 2, . . . , n so v.a.'s
om
fXi Xj (xi , xj ) a fdp
onjunta das v.a.'s Xi
fX1 X2 Xn (x1 , x2 , . . . , xn ).
Seja
Xj .
Denio 3.8.
ij = E[Xi Xj ] =
+ Z +
(3.35)
82
Denio 3.9.
Kij
+ Z +
+ Z +
(3.36)
= E[Xi Xj ] mi mj
As matrizes
n x n om elementos ij
ij
matriz
Duas v.a.'s
Xi
Xj
so ditas
Kij = 0.
Xi
Xj
Xi
so estatisti
amente
e
Xj
so des orrela-
Denio 3.11.
Duas v.a.'s
Xi
Xj
Xi
so ditas
Xj
ortogonais se E[Xi Xj ] = 0.
estatsti a
jX
(j) E[e
onde a varivel
real e
j=
]=
ejx fX (x) dx
a onstante imaginria.
(3.37)
83
fX (x).
Assim, a
fX (x) =
1
2
(j)ejx d
(3.38)
Teorema 3.13.
tersti
a
(j).
Ento
nd
E[X ] = (j)
d(j)
=j
d
Avaliando a expresso a
ima em
d n
(j)
n (j)
(3.39)
=0
em relao a
leva a
xejx fX (x) dx
= 0,
d(j)
= j
d =0
E[X] = mX
(j)
avaliada em
=0
(3.40)
(3.41)
n-sima
derivada de
dn (j)
E[X ] = (j)
d n =0
n
(3.42)
Ento os momentos de uma v.a. podem ser determinados a partir da funo
ara
tersti
a. Por outro lado suponha que a funo
ara
tersti
a possa ser expandida em
uma srie de Taylor sobre o ponto
= 0,
(j) =
isto
n
X
d (j)
n=0
d n
=0
n
n!
(3.43)
Usando a relao em (3.42) para eliminar a derivada em (3.43), obtemos uma expresso para a funo ara tersti a em termos de seus momentos na forma
(j) =
n=0
E[X n ]
(j)n
n!
(3.44)
84
Teorema 3.14.
Seja
Xi , i = 1, 2, . . . , xn
um onjunto de
independentes e seja
n
X
Y =
Xi
i=1
dada por
Y (j) =
n
Y
Xi (j)
i=1
Y.
trando primeiro a sua funo
ara
tersti
a a ento
al
ulando a transformada inversa
de Fourier.
Y (j) = E ejY
"
= E exp j
=E
"
n
X
Xi
i=1
n
Y
i=1
ejXi
!#
(3.45)
Y (j) =
n
Y
Xi (j)
Xi .
integrais
Portanto
(3.46)
i=1
Corolrio 3.15.
budas, as
Xi (j)
Xi
(3.47)
Observaes:
A fdp de
Y (j),
85
pendentes igual ao produto das funes ara tersti as das v.a.'s individuais
Xi , i = 1, 2, . . . , n,
Xi .
a onvo-
o mtodo da funo ara tersti a des rito a ima para determinar a fdp de
Y.
n-dimensional
da fdp onjunta.
Denio 3.13.
a
Se
Xi , i = 1, 2, . . . , n
so v.a.'s om fdp
fX1 X2 Xn (x1 , x2 , . . . , xn ),
n
X
(j1 , j2 , . . . , jn ) = E exp j
exp j
n
X
i X i
i=1
i X i
i=1
!#
(j1 , j2 ) =
+ Z +
(j1 , j2 )
em relao a
e a
(3.49)
podem ser
E[X1 , X2 ] =
2 (j1 , j2 )
1 2
1 =2 =0
(3.50)
Resp:
Resp:
Q(5) 2, 89 107
3. Se
mn =
xn fX (x) dx
de probabilidade
86
dn FX ()
mn = (j)
d n
n
(b) se
FX ()
=0
X
m3 3
m2 2
+j
+ =
(j)n mn
FX () = m0 jm1
2!
3!
n=0
n
n!
Di a: en ontre
FX ()
rior. O segundo e ter
eiro
oe
ientes representam os valores mdios e quadrti
o
mdio, respe
tivamente.
Resp:
(a)
E[X] = m
(b)
E[X] = 2
E[X 2 ] = 2 + m2
E[X 2 ] = 6
5. Seja
n-simo
intervalo [a, b].
6. En
ontre o
no
E[X n ] =
Resp:
momento de
X,
se
bn+1 an+1
(b a)(n + 1)
7. En
ontre a mdia e a varin
ia de uma v.a. gaussiana apli
ando o teorema dos
momentos sobre a funo
ara
tersti
a.
8. Dado que
m=
xfx (x)dx
E[X ] =
x fx (x)dx
Mostre que
2
X
(x m)2 fx (x)dx
2 = E[X 2 ] m2
X
fX (x) =
Resp:
(j) = ea
a
,
(x2 + a2 )
< x <
om distribuio de
Y = a cos(t + )
onde a,
87
e t so onstantes, e
(0, 2).
En ontre E[Y e
2 .
E[Y ] = 0
Resp:
a2
2
E[Y 2 ] =
11. Mostre que o primeiro e segundo momentos de uma varivel aleatria om distribuio
2n
so respe tivamente
(n2 + 2n),
2n
fY (y) =
onde
(p)
y0
n
2
(p) =
tp1 et dt,
p>0
(p + 1) = p (p)
Di
a: faa
u = y/2
X
om
(
0
n = 1, 3, 5, 7, . . .
E[X n ] =
1 3 5 (n 1) n = 2, 4, 6, 8, . . .
Resp:
p e q , respe
tivamente,
= 0, 25.
bilidades
2
qual
Resp:
N (0, 1).
prove que
2 0, 25.
q = 0, 5
2
tos so dados por 2 e
a varin
ia de
Resp:
distribuio
8 4 , respe tivamente. Se
Y = X 2,
determine a mdia e
Y.
E[Y ] = 2 2
Var[Y ] = 4 4 .
0, 5 x = 1
pX (xk ) = 0, 5 x = +1
aso
ontrrio
0
dada por
cos().
88
16. Demonstre a onsist n ia da denio da funo ara tersti a. Faa as suposies ne essrias para a demonstrao.
Di a:
fX (x) dx =
ento
18. Seja
X.
Z
Mostre que se
fX (x) dx
FX () = 1/2.
(X, Y )
fXY (x, y) =
fX (x|X > 0)
E[X|X > 0]
( ) Cal ule
V ar[X|X > 0]
N (0, 2 ).
Resp:
(a)
fX (x|X > 0) =
(b)
( )
x2
1
2
e 22
2
x<0
x0
2
2
0, 363 2
1
(
1/3 (0, 1), (1, 0), (2, 1)
pXY (x, y) =
0
aso
ontrrio
(a) En
ontre as fmps marginais.
(b)
so independentes?
( )
Resp:
(X, Y )
seja
(a)
(
1/3 x = 0, 1, 2
pX (x) =
0
aso
ontrrio
1/3 x = 0
pY (y) = 2/3 x = 1
aso
ontrrio
0
(b) no
(
) sim
89
Captulo 4
[0, 1]
s pode representar nmeros
om pre
iso nita. Pre
isamos nos
ontentar ento em
gerar nmeros de forma equiprovvel dentro de um
onjunto limitado, por exemplo
{0, 1, . . . , M 1} ou {1, 2, . . . , M }.
M , obtemos nmeros no
M bastante
grande.
O prximo passo
onsiste em en
ontrar um me
anismo para gerar nmeros de forma
aleatria.
Zk = Zk1
onde
um inteiro entre 0 e
m
de um nmero primo (p ).
M,
mod M
(4.1)
Exemplo 4.1.
1.
M = 11, = 7, Z0 = 1
2.
M = 11, = 3, Z0 = 1
3.
M = 22 , = 7, Z0 = 1
Soluo.
91
M = 11, = 7
1. Para
Z0 = 1,
Z1 =
resto de
Z2 =
resto de
temos:
71
=7
11
7 Z1
=
11
resto de
77
=
11
resto de
49
=5
11
1, 3, 9, 5, 4, 1, 3, 9, 5, 4, 1, 3, 9, 5, 4, . . .
Esta sequn
ia no passa por todos os inteiros de 1 a 0 antes de
omear a se
repetir.
3. Para o ltimo
aso, a sequn
ia gerada :
1, 2, 0, 0, 0, . . .
se
divisor de
M,
inui diretamente
na sequn-
eventualmente ser toda nula;
aso
ontrrio, a sequn
ia ser peridi
a
om perodo
mximo
M 1.
M,
deve
Uma
oisa a ser notada sobre este algoritmo que as sequn
ias produzidas pela
Equao (4.1) no so realmente aleatrias, mas sim peridi
as.
sequn
ias produzidas por (4.1) so
hamadas de
Se zermos
pseudo-aleatrias.
durante uma dada simulao, e a sequn
ia gerada tem a aparn
ia de uma sequn
ia
aleatria.
92
Uma ombi-
Zi = 75 Zi1
ou seja,
= 75 = 16807
aleatrias de omprimento
mod (231 1)
(4.2)
M = 231 1. Esta ombinao gera sequn ias pseudoM 1 = 231 1 1 = 2147483646 elementos, o que mais
Z0
[0, 1].
Seja
FX (x)
a fd
de uma varivel aleatria que estamos interessados em gerar. Vamos denir a varivel
aleatria
Z = FX1 (U );
e depois en ontramos
Z,
omo
uniformemente distribuda em
[0, 1]
Ento:
0 h 1,
ento
P [U h] = h.
P [Z x] = FX (x)
e
Z = FX1 (U )
tem a fd
desejada.
1.0
........................................................................................................................................................................................................................................................................................................................
...
...
...
...........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.........
.
.
.
X
.
.
.
.
.....
.
.
.
.
.
.........
...
...........
...
..........
..........
...
.
.
.
.
.
.
.
.....
.
.
.
.
.
.
.....
.
....
.
.
.
.
.
...
.
.
.....
.
.
.
...
.
.
.
.....
.
.
.
.
....
.
....
.
.
.
.
...
.
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .................
...
.... .
.
...
.
.
.
...
.
...
.
.
.
.
.
.
...
....
.
.
.
.
.
.
...
.
.
.
.
.....
.
...
.
.
.
.
...
.
.
.
...
.
.
...
.
.
...
.
.
.
.
....
.
.
.
...
.
.
.
.
...
.
.
....
.
...
.
.
.
...
...
.
.
.
.
.
.
...
...
.
.
.
...
....
..
.
.
.
..
.
.
.
.....
.
..
.
...
.
.
..
.
...
.
.
.
.
..
.
....
.
..
.
.
...
.
.
..
..
.
...
.
.
..
...
.
.
.
..
...
.
.
.
.
.
...
...
.
.
.
.
.....
.
.
..
...
...
.
.
1
.
.
...
.
..
...
....
.
.
X
.
..
...
.
.
..
.
...
.
.
.
..
...
F (x)
0.8
0.6
0.4
0.2
Z=F
(U )
0
Figura 4.1: Mtodo da transformada para gerar uma varivel aleatria
om fd
FX (x).
93
2. Faa
X = FX1 (U )
Exemplo 4.2.
Determine
[0, 1].
Soluo.
u = FX (x) = 1 ex .
1
X = ln(1 U )
Note que podemos usar a expresso mais simples X = ln(U )/, desde que (1 U )
tambm uniformemente distribuda no intervalo [0, 1].
Exemplo 4.3.
probabilidade de su esso
p,
(
0,
X=
1,
U p
U >p
air.
1 p,
1.0
0.8
[0, 1]
.....................................................................................................................................................................................................................................................................................................................................................................
...
...
....
...
.
...
...
....
...
...
....
....
.
...
.
.....
....
...
...
...
...
.
...
.
....
....
...
...
...
...
.
...
.
...
....
...
...
...
...
...
.
...
.
...
....
...
..................
...
...
.
.....
...
.
...
....
...
...
...
....
.
...
.
...
....
...
.....
...
...
.
...
..
....
..
...
...
...
.
.
X=1
0.6
U
0.4
0.2
?
6
X=0
-0.5
0.5
1.5
X
Figura 4.2: Gerando uma varivel aleatria
om distribuio de Bernoulli.
94
Exemplo 4.4.
n=5
Soluo.
n=5
p = 1/2.
Para gerar uma varivel aleatria
om distribuio binomial de parmetros
p = 1/2,
Alternativamente, podemos usar diretamente o mtodo da transformada,
omo mostrado na Figura 4.3. O intervalo unitrio agora parti
ionado em seis elementos.
e
in
ia do algoritmo de partio depende da ordem na qual fazemos a bus
a.
Por
exemplo, se fazemos a bus
a nos segmentos em ordem (de 0 a 5), sero ne
essrias em
mdia 3.5
omparaes para
ada nmero gerado. Se zermos a bus
a nos segmentos
em ordem de
res
ente de probabilidade, ento o nmero mdio de
omparaes
ai para
2.38.
1.0
............................................................................................................................................................................................................................................................................................................................................................................................................................................
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
..
X=5
X=4
0.8
X=3
0.6
U
0.4
0.2
X=2
X=0
0
X=1
X
Figura 4.3: Gerando uma varivel aleatria
om distribuio Binomial.
Claramente qualquer varivel aleatria nita dis
reta pode ser gerada dividindose o intervalo unitrio em subintervalos
om
omprimentos determinadospela fmp. O
prximo mtodo baseado na fdp ao invs da fd
de
Z.
[0, a];
[0, b].
om fdp
fX (x),
95
...............................................................................................................................................................................................................................................................................................
...
......................
.....
.....
......
...
....
.....
....
....
...
.
.
.
...
.
....
.
...
..
.
...
.
...
Rejeitar
...
...
...
.
...
...
..
.
...
.
...
.
.
...
...
X
...
.
.
...
..
.....
.
...
.
.
...
.
.
...
...
...
.
.
...
.
.
.
.
....
A
eitar
...
...
...
.
.
...
..
...
.
...
.
.
...
.
.
...
..
...
.
.
.
.
..........
..
...
.
.
.
.
..
...
........................
.
.....
.
.
........... ...
.
.
.
...
.
.
................. ......
..
.
.
.
...
.
.
.
.
................ ......
....
.
.
.
.
....
.
.....
.................
...
.
.
.
.
.
.
...
.
.
.
......
................
...
.
.
.
.
.
...
.
.
.
.
.
.
........
.................
....
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.
...............
.....
......
............................
.............
...................................
f (x)
x x + dx
Figura 4.4: Mtodo da rejeio para gerar uma varivel aleatria om fdp
fX (x).
X1
2. Gere
3. Se
Y fX (X1 ),
ento
Z = X1 ;
seno, rejeite
[0, a].
[0, b].
X1
e retorne ao passo 1.
Note que este algoritmo ir realizar um nmero aleatrio de passos antes de produzir
a sada
Z.
e altura
b.
A probabilidade
fX (x)
ab.
dividida por
ab.
X1
a rea da
1/(ab).
probabilidade:
Ento,
X1 ,
ser a eito
}] =
X1 's
que devem
ser gerados antes da a
eitao pode ser ex
essivamente alto; segundo, este mtodo no
pode ser utilizado se
fX (x)
A verso geral deste algoritmo resolve estes dois problemas: suponha que queremos
gerar
om fdp
fX (x).
Seja
FW (x)
que f il de
K > 1,
KfW (x)
ontm
fX (x),
96
0.8
0.6
0.4
0.2
..........................................................................................................................................................................................................................................................................................................................................................................
.. ..
...
.
... ....
.....
...
..
...
...
...
...
...
...
..
....
...
...
...
...
...
...
..
...
...
...
...
..
...
..
.
...
.
.....
...
...
...
...
...
..
...
...
....
...
...
.
...
...
..
...
...
.....
...
...
.....
...
..
.....
...
.
.
.
...
.....
.....
..
.....
.....
...
.
...
.
...
.. Rejeitar...
...
....
...
...
...
..
...
..
.
...
.
...
...
....
..
...
...
.
...
.
.....
..
...
...
W
...
.....
...
..
X
....
....
...
...
...
..
...
...
...
...
....
...
...
..
...
..... ....
.. ..
.....
........
...
.......
...
.
.
.
.............
. ........
....
.................
...
A
eitar
........................
...
...
....... ..................
....... ...................
...
....... . ...................
...
...... .....
.....................
.. ....... ..
..........................
....
..... ....... ....... ......................................
....... ....... ....... ............................................................................................
....... ....... ....... ....... .......
Kf (x)
f (x)
Figura 4.5: Mtodo da rejeio para gerar uma varivel aleatria
om distribuio gama
(0
X1
2. Gere
3. Se
om fdp
ento
0<<1
Uma funo
fW (x)
KfW (x)
fX (x) =
A fdp
X = X1 ;
= 1,
X1
e retorne ao passo 1.
que obre
fX (x)
1
x
, 0x1
()
x1 ex
KfW (x) =
()
ex
,
()
fW (x) =
A fd de
seno, rejeite
gama de parmetros
Soluo.
Dena
Y fX (X1 ),
Exemplo 4.5.
fW (x).
ex1
+e
0x1
ex
e
, x>1
+e
x>1
FW (x) =
ex
+ e
97
0x1
ex
1 e
, x>1
+e
1
FW
(u) =
( + e)u 1/
u e/( + e)
(1 u)
, u > e/( + e)
ln ( + e)
e
fW (x),
e ento o mtodo
0 < < 1
= 1.
W = X ,
ento
ter
h(X1 , X2 , . . . , Xn ),
onde
X1 , X2 , . . . , Xn
so
n sadas do
U1
U2
so variveis
q
2 +
X = cos(2U2 ) 2 ln(U1 )X
X
q
Y = sen(2U2 ) 2 ln(U1 )Y2 + Y
varin ias
2
X
Y2 ,
respe tiva-
mente. Este resultado pode ento ser utilizado para produzir duas variveis aleatrias
gaussianas a partir de duas variveis aleatrias
om distribuio uniforme.
Exemplo 4.7.
Seja
X1 , X2 , . . . , Xm
aleatria
Y = X1 + X2 + + Xm
m-Erlang
om parmetro . Podemos ento gerar uma varivel
m-Erlang gerando primeiro m variveis aleatrias
om distribuio exponenparmetro atravs do mtodo da transformada, e tomando a soma destas.
98
gama, para
m-Erlang
grande pode ser prefervel usar o mtodo da rejeio des rito anterior-
mente.
Exemplo 4.8.
b,
respe tivamente.
Se o resultado for um fra asso, use o mtodo da transformada para gerar uma
p.
a.
b.
Z1000 ;
om semente
Z0 = 1,
522329230.
(b) Gere 10000 nmeros aleatrios no intervalo unitrio e plote o histograma. O
resultado o esperado? Justique sua resposta.
2. Suponha que estamos interessados em utilizar arremessos de uma moeda ideal para
simular um experimento aleatrio no qual existem seis resultados equiprovveis,
S = {0, 1, 2, 3, 4, 5}.
1) Jogue uma moeda ideal trs vezes e obtenha um nmero binrio, asso
iando
ara
om o zero e
oroa
om o 1.
2) Se o resultado dos arremessos do passo 1) for a representao binria de um
nmero em
S,
99
um nmero
Y.
5. Espe
ique o mtodo de transformao ne
essrio para gerar uma varivel aleatria
om distribuio de parmetro
omparaes ne
essrio na bus
a.
Captulo 5
Wn ,
v.a.'s
Wn = X 1 + X 2 + + X n
(5.1)
Pelo fato de
onjuntas de
natureza da anlise das propriedades das v.a.'s nos permite apli
ar t
ni
as que so
mais simples do que analizar um modelo de probabilidade
n-dimensional.
Wn = X 1 + X 2 + + X n
X1 , X2 , . . . , Xn ,
o valor esperado de
g1 (X1 , X2 ) = X1 , g2 (X1 , X2 ) = X2
E[g(X1 , X2 )] =
+ Z +
+ Z +
+ Z +
+ Z +
101
Assumimos agora
Wn = Wn1 + Xn .
Desde que
Wn
Wn1
Xn ,
Ou seja, a esperana da soma igual soma das esperanas quer as v.a.'s sejam
independentes ou no. Para a varin
ia de
Teorema 5.2.
A varin ia de
Var[Wn ] =
Wn ,
temos
Wn = X 1 + X 2 + + X n
n
X
Var[Xi ] + 2
i=1
n1
X
n
X
Cov[Xi , Xj ]
i=1 j=i+1
h
i
Var[Wn ] = E (Wn E[Wn ])2
Pn
i = E[Xi ].
Desde que
Wn =
i=1 i ,
Var[Wn ] = E
n
X
i=1
(Xi i )
Var[Wn ] =
n
X
i=1
n
X
i=1
!2
i=1
j=1
temos
E (Xi i )2 +
Var[Xi ] +
i=1 Xi e
E[Wn ] =
n
n
X
X
= E (Xi i )
(Xj j )
i = j,
Pn
X
j6=i
n X
X
(Xi i )(Xj j )
Cov[Xi , Xj ]
i=1 j6=i
Cov[Xi , Xj ] = Cov[Xj , Xi ],
e desta forma
102
n X
X
Cov[Xi , Xj ] = 2
Quando
j 6= i
X1 , X2 , . . . , Xn
Cov[Xi , Xj ] = 0
Teorema 5.3.
de
Cov[Xi , Xj ]
i=1 j=i+1
i=1 j6=i
se
n X
n
X
X1 , X2 , . . . , Xn
Wn = X1 + X2 + + Xn a soma
Quando
Exemplo 5.1.
X n = X 0 , X1 ,
X2 , . . .
O valor esperado de Xn a funo X (n) = 0, n. A funo de
ovarin
ia de Xn
CX [Xn , Xk ] = CX [n k] = 0, 8|nk| . A sada do ltro uma sequn
ia aleatria Yn ,
rela
ionada a Xn por
Yn = Xn + Xn1 + Xn2 ,
Qual a varin
ia de
Soluo.
Yn ?
i,
Var[Xj ] = CX [0]
Cov[Xi , Xj ] = CX [i j],
Yn =
N
1
X
i=0
ai Xni
103
W =X +Y
Teorema 5.4.
A fdp de W=X+Y
fW (w) =
fXY (x, w x) dx =
fXY (w y, y) dy
usando um
FW (w) integrando a fdp
onfXY (x, y) sobre a regio X +Y w mostrada na Figura 5.1, e depois en
ontramos
fdp fW (w) derivando a expresso de FW (w).
Y
w
X +Y w
X
FW (w) = P [X + Y w] =
+ Z wx
FW (w).
fXY (x, y) dy dx
dFW (w)
=
fW (w) =
dw
+
d
dw
Z
wx
fXY (x, y) dy
dx =
fXY (x, w x) dx
fW (w) =
fXY (w y, y) dy
104
Exemplo 5.2.
En ontre a fdp de
W =X +Y
(
2
fXY (x, y) =
0
Soluo.
X
A fdp de
W = X +Y
se
tm fdp onjunta
0 y 1, 0 x 1, x + y 1
aso
ontrrio
X, Y
y
1
y =wx
0 X + Y 1.
Assim,
FW (w).
Para
fW (w) =
2 dx = 2w
(0 w 1)
(
2w
fW (w) =
0
Quando
0w1
aso ontrrio
0 w 1,
Teorema 5.5.
Quando
fW (w) =
fX (w y)fY (y) dy =
W =X +Y
fX (x)fY (w x) dx
105
fX () e fY () para produzir
fW (). A
ombinao no teorema 5.5,
hamada de
onvoluo,
fW () = fX () fY (). De maneira geral, melhor usar mtodos de
momentos.
funo geratriz de
X,
X (s) = E esX
Esta denio se apli
a tanto a v.a.'s
ontnuas
omo dis
retas. O que muda de um
aso para outro a forma de
l
ulo da esperana. Quando
X (s) =
esx fX (x) dx
(5.2)
Esta equao indi
a que a FGM de uma v.a.
ontnua similar transformada de
Lapla
e de uma funo temporal. Para uma v.a. dis
reta
Y (s) =
a FGM torna-se
esyi pY (yi )
(5.3)
yi SY
Na forma integral da Equao (5.2), a FGM lembra a transformada de Lapla
e que
geralmente utilizada na teoria de sistemas lineares. A prin
ipal diferena que a FGM
denida para valores reais de
Para uma dada v.a.
X (s)
existe.
X,
s.
O onjunto de valores de
para os quais
Por exemplo, se
uma v.a.
para os quais
existe hamada de
no negativa, a regio de
s 0.
X (s)
A exemplo da fmp de uma v.a. dis
reta e da fdp de uma v.a.
ontnua, a FGM
um modelo de probabilidade
ompleto para uma v.a. Usando mtodos de transformada
inversa, possvel
al
ular a fmp ou a fdp a partir da FGM.
106
Exemplo 5.3.
Se
X = a,
X (s) =
Exemplo 5.4.
Quando
X (s) =
0X1
aso ontrrio
esx dx =
Exemplo 5.5.
Seja a v.a.
X (s) =
x0
aso ontrrio
esx ex dx =
Exemplo 5.6.
a FGM de
Seja
1 p
fX (x) = p
es 1
s
(
ex
fX (x) =
0
a FGM de
esx (x a) dx = esa
(
1
fX (x) =
0
a FGM de
fX (x) = (x a),
x=0
x=1
aso
ontrrio
Exemplo 5.7.
Seja
om fmp geomtri a
(
(1 p)x1 p
fX (x) =
0
a FGM de
x = 1, 2, . . .
aso
ontrrio
X (s) =
X
x=1
X
x=1
pes
1 (1 p)es
Exemplo 5.8.
Seja
om fmp de Poisson
(
x e /x!
pX (x) =
0
a FGM de
107
x = 0, 1, 2, . . .
aso
ontrrio
X (s) =
esx x e /x! = e
X
s
(es )x /x! = e(e 1)
x=0
x=0
Teorema 5.6.
X,
a FGM satisfaz
X (s)|s=0 = 1
Demonstrao.
X (s)|s=0 = E esX s=0 = E e0 = 1
Este teorema bastante til para veri ar se uma funo pode ser uma FGM vlida.
Teorema 5.7.
A FGM de
Y = aX + b
satisfaz
Demonstrao.
X (s)
X.
Teorema 5.8.
n-simo
dn X (s)
n
E[X ] =
dsn s=0
X (s)
tem
momento
108
dX (s)
d
=
ds
ds
Z
Similarmente, a
X (s)
Z
e fX (x) dx =
sx
xesx fX (x) dx
s = 0,
n=1
Z +
dX (s)
xfX (x) dx = E[X]
=
ds s=0
n-sima
X (s)
derivada de
dn X (s)
=
dsn
Avaliando a expresso a
ima em
dada por
xn esx fX (x) dx
s=0
Exemplo 5.9.
En ontre o
n-simo
x0
aso ontrrio
1
dX (s)
=
=
E[X] =
2
ds
( s) s=0
s=0
2
2
d2 X (s)
=
= 2
E[X ] =
2
3
ds
( s) s=0
s=0
2
d3 X (s)
E[X ] =
ds3
3
s=0
6
6
=
=
( s)4 s=0 3
n-simo
momento de
dado por
dn X (s)
n!
n!
E[X ] =
=
= n
n
n+1
ds
(
s)
s=0
s=0
n
(
ex
fX (x) =
0
Soluo.
109
W = X +Y
X eY
de W
onde
a transformada
so v.a.'s om transformadas
X (s)
Y (s)
W (s) = E esW = E es(X+Y ) = E esX esY
X (s)
Y (s).
E esX E esY .
(5.4)
Entretanto, quando
W (s)
esX esY
omo o produto
a f il se onhe ermos
W (s) = E esX esY = E esX E esY = X (s)Y (s)
n v.a.'s X1 , X2 , . . . , Xn so independentes, a
g1 (X1 ) g2 (X2 ) gn (Xn ) pode ser es
rita
omo o produto das
Quando as
Se
respe tivamente,
(5.5)
esperana do produto
esperanas
E[g1 (X1 )g2 (X2 ) gn (Xn )] = E[g1 (X1 )]E[g2 (X2 )] E[gn (Xn )]
(5.6)
W = X1 + X2 + + Xn
h
i
W (s) = E es(X1 +X2 ++Xn ) = E esX1 esX2 esXn
gi (Xi ) = esXi ,
a esperana do produto
E[W ] = E esX1 E esX2 E esXn = X1 (s)X2 (s) Xn (s)
Quando
X (s)
distribudas,
Xi (s) =
para todo
Corolrio 5.10.
Para as v.a.'s
W (s) = [X (s)]n
dis-
110
individuais
Exemplo 5.10.
Seja
Soluo.
s 1)
. Pelo Corolrio
5.10,
W (s) = e1 (e
onde
s 1)
e2 (e
s 1)
T = 1 + 2 + + n .
en (e
s 1)
s 1)
= e(T )(e
T .
s 1)
W (s)
Portanto
(
/w! w = 0, 1, . . . , n
w
Te
fW (w) =
0
aso
ontrrio
Exemplo 5.11.
pK (k) =
Soluo.
(
n
pk (1 p)(nk)
Xi
om fmp
k = 0, 1, . . . , n
aso
ontrrio
diretamente omo
Exemplo 5.12.
fTn (t) =
En
ontre a FGM de
Tn
Tn
tem fdp
n tn1 et
(n1)!
t0
aso ontrrio
A FGM de
Tn (s) =
Tn
st
111
n tn1 et
(n 1)!
dt =
n Z
|0
A integral (1) igual a 1 pois a integral de um fdp Erlang sobre todos os valores
possveis. Ento
Tn (s) =
n
distribudas.
X1 , X2 , . . . , Xn
X1 + X2 + + X n .
Quando
n = 1, W = X1
Teorema 5.11.
gaussiana
gaussiana.
Wn =
Para
N (0, 1).
unitria
Z (s) = es
Z
Demonstrao. A FGM de
Z (s) =
2 /2
1
esz fZ (z) dz =
2
esz ez
2 /2
dz
1
Z (s) =
2
21 (z 2 2sz+s2 ) s2 /2
s2 /2
dz = e
2
|
e 2 (zs) dz
{z
}
1
O teorema se sustenta pois no lado direito temos uma integral de uma fdp gaussiana
om mdia
e varin ia 1.
112
Teorema 5.12.
X (s) = es+
X
Z N (0, 1)
e varin ia
2 s2 /2
om mdia
e varin ia
omo
X = Z +
Consequentemente, do Teorema 5.7, a FGM de
2 s2 /2
Teorema 5.13.
Xn
A soma de
Wn = X1 + X2 + +
i = E[Xi ]
i2 = Var[Xi ].
Desde que os
Xi
so
= es1 +1 s
2 2 /2
es2 +2 s
2 2 /2
esn +n s
2
1 + 2 + + n
e varin ia
2 /2
de uma v.a.
gaussiana om
omo uma
Referimo-nos
X1 , X2 , . . . , XN
iden-
R = X1 + X2 + + XN
(5.7)
113
Os dois exemplos a seguir des
revem pro
essos esto
sti
os nos quais as observaes
so somas aleatrias de v.a.'s.
Exemplo 5.13.
Soluo.
hegam
Se o nmero de pessoas no
N,
i-simo
Ki
nibus
R = K1 + K2 + + KN
Em geral, o nmero
Exemplo 5.14.
Conte o nmero
Soluo.
p,
R = X1 + X2 + + XN
onde
Xi
ser aleatrio,
R no a v.a.
Pelo
binomial usual.
fN R (n, r).
fR (r).
omo
R (s).
Embora nos exemplos a
ima tenhamos
onsiderado apenas
asos nos quais os
v.a.'s dis
retas, ser mais instrutivo enfatizar o
aso em que os
Xi
Xi
so
so v.a.'s ontnuas.
Sejam as v.a.'s
Wn = X 1 + X 2 + + X n
(5.8)
R = X1 + X2 + + XN
(5.9)
114
Teorema 5.14.
das
R = X1 + X2 + + XN
R (s) =
n=0
sR
E e |N = n pN (n) =
Pelo fato de os
Xi
n=0
serem independentes de
h
i
E es(X1 +X2 ++XN ) |N = n pN (n)
N,
h
i
h
i
E es(X1 +X2 ++XN ) |N = n = E es(X1 +X2 ++Xn ) = E esWn = Wn (s)
Wn (s) = [X (s)]n ,
R (s) =
o que impli a em
[X (s)]n pN (n)
n=0
Observamos que podemos es
rever
impli
a
R (s) =
n
[X (s)]n = eln(X (s))
= e[ln(X (s))]n .
Isto
n=0
Re
onhe
endo que esta soma tem a mesma forma daquela da Equao (5.3), obtemos
Exemplo 5.15.
O nmero
mtri a om mdia
1/q = 4.
O nmero
Soluo.
Quando a
i-sima
pgina tem
Ki
aleatria
B = K1 + K2 + + KN
Ento
115
N (s) =
Para
al
ular
B (s),
qes
1 (1 q)es
substitumos
K (s) =
pes
1 (1 p)es
substituio leva a
pes
pqes
1 (1 p)es
B (s) =
=
pes
1 (1 pq)es
1 (1 q)
1 (1 p)es
q
1/(pq) = 400000
bits.
Teorema 5.15.
budas
N (ln(X (s)))
para en on-
R = X1 + X2 + + XN
X (0) = 1,
avaliando em
s = 0,
R (s)
N (ln(X (s)))
Novamente, avaliando em
X (s)
X (s)
X (s)
s = 0,
X (s)
X (s)
temos
X (0)
= E[N ]E[X]
X (0)
temos
2
+ N (ln(X (s)))
temos
Subtraindo
a prova.
(E[R])2 = (N X )2
[X (s)]2
116
Observe que
aleatoriedade de
aleatoriedade de
da
da
Suponha que
Suponha que
exemplo,
X1 , X2 , . . . , Xn ,
seja independente
Exemplo 5.16.
Seja
X 1 , X2 , . . .
identi
amente distribudas
om mdia 100 e varin
ia 100. Se K uma v.a. de Poisson
om mdia 1, en
ontre a mdia e a varin
ia de
Soluo.
A distribuio de
R = X 1 + X2 + + XK .
ou mesmo a FGM de
tanto, o Teorema 5.15 torna o
l
ulo dos momentos bastante f
il. Sabemos que uma
v.a. de Poisson
om mdia 1 tambm tem varin
ia 1. Ento
K.
Isto
117
Figura 5.3: O nmero de
aras em 50 arremessos de uma moeda ideal: 400 repeties
experimentais versus a fmp binomial.
Wn = X1 + X2 + +
Var[Wn ] = n Var[X] tendem
Xn .
n , E[Wn ] = nX
a innito, o que faz
om que seja muito dif
il fazer uma armao matemti
a sobre
a
onvergn
ia da fd
FWn (w).
Zn =
Zn
n
X
i=1
Xi nX
q
2
nX
E[Zn ] = 0
Var[Zn ] = 1
118
2 ,
X
a fd de
q
P
2
Zn = ( ni=1 Xi nX ) / nX
X1 , X2 , . . . de
X e varin
ia
satisfaz
n
onde
(z)
N (0, 1).
a fd de uma v.a.
A prova deste teorema bastante
omplexa, e est fora do es
opo deste texto. Alm
do Teorema 5.16 existem outros teoremas do limite
entral,
ada um deles
om sua
prpria restrio sobre a natureza da sequn
ia
Wn
de v.a.'s.
Xi
Xi
Wn = X 1 + X 2 + + X n
q
2 Z + n
Wn = nX
n
X
A fd de
Wn
Para
Zn
omo
(5.10)
omo
w nX
FWn (w) q
2
nX
(5.11)
Esta aproximao
w nX
FWn (w) q
2
nX
Seja
Wn = X1 +
distribudas om
Wn .
119
Exemplo 5.17.
0, 5
mV.
Para minimizar o erro de reproduo, a forma de onda sobreamostrada tomandose oito medidas independentes para
ada amostra. O valor nal da amostra da forma
de onda obtido
al
ulando a mdia (mdia amostral) de oito medidas.
Qual a probabilidade de o erro na amostra da forma de onda ser maior que 0.05
mV?
Soluo.
As medidas
X < (V + 0, 5
mV), onde
produz a sada
W8 =
8
X
Xi
i=1
Para en
ontrar
de probabilidade
Xi
en
ontrar o modelo
da fdp uniforme de
extremamente omplexo.
W8
= 8X = 8mV e varin
ia Var[W8 ] = 8/12.
Portanto, U uma v.a. Gaussiana
om E[U ] = E[W8 ]/8 = V e Var[W8 ]/64 = 1/96.
Finalmente, o erro U V na amostra da forma de onda de sada Gaussiano
om
Alternativamente, podemos usar o Teorema do Limite Central para modelar
h
i
p
P [|U V | > 0, 05] = 2 1 0, 05/ 1/96 = 0, 62
Exemplo 5.18.
Cada bit 0 ou 1 om
Soluo. Seja W o nmero de uns em um milho de bits. Note que E[W ] = 500000 e
Var[W ] = 106 /4 = 250000, de modo que W = 500. Pela aproximao do Teorema do
Limite Central,
()
502000 500000
500
= 1 (4)
120
Wn
a soma de
Resp:
E[Wn ] = 2, 5n
Wn .
Var[Wn ] = 1, 25n
2. Sejam
Resp:
3. A v.a.
om mdias
E[X] = 1/3
(
0.2, k = 0, 1, 2, 3, 4
fK (k) =
0,
aso
ontrrio
En
ontre a FGM
de
K (s) de K .
K.
Resp:
E[K] = 2
4. Seja
E[K 2 ] = 6
K 1 , K2 , . . .
E[K 3 ] = 20
E[K 4 ] = 70, 8
(
1/n, k = 1, 2, . . . , n
fK (k) =
aso
ontrrio
0,
J = K1 + K2 + + Km
ens )m
J (s) = m
n (1 es )m
En ontre a FGM de
Resp:
5. Seja
ems (1
X1 , X2 , . . . , Xn
Var[Xi ] = i.
En ontre a fdp de
W = X1 + 2 X2 + + n Xn
Resp:
6. Seja
fW (w) = q
X 1 , X2 , . . .
1
2
2W
ew
2 /2 2
W
(
ex , x 0
fX (x) =
0,
aso
ontrrio
N uma v.a. geomtri
a
om mdia 1/p. Qual
+ XN ? Adi
ionalmente, en
ontre a fdp de R.
Seja
Resp:
a FGM de
R = X 1 + X2 +
p
R (s) =
ps
X
7. A v.a.
121
milissegundos.
(a) Cal
ule
E[X],
Var[X],
A ,
P [A > 75
ms], a probabilidade
P [A < 48
ms], a probabilidade
E[X] = 6ms
P [A > 75] 0, 4013
Var[X] = 12
) E[A] = 72ms
f ) P [A < 48] 0, 0227
Resp: a)
e)
8. Seja
X 1 , X2 , . . .
b)
d)
Var[A] = 144
uma v.a.
geomtri a om mdia
1/p.
a) Qual a FGM de
R = X 1 + X2 + + XN ?
R.
Resp:
(a)
(b)
9. Seja
p(es 1)
s (1 p)(es 1)
1
3 2p
E[R] =
Var[R] =
2p
12p2
R (s) =
uma v.a.
N (0, 1).
Y = 2X + 1
usando
Resp:
E[Y ] = 1
Var[Y ] = 4
10. Seja a funo geratriz de momentos de uma v.a. dis reta dada por
122
Resp:
11. Seja
K 1 , K2 , . . .
P [X = 2] = 0
P [X = 3] = 0, 35
Seja
1 p k = 0
pK (k) = p
k=1
aso
ontrrio
0
M = K1 + K2 + . . . + Kn .
K (s)
M (s)
( ) Use
M (s)
para al ular
E[M ]
V ar[M ].
Resp:
(a)
K (s) = 1 p + pes
(b)
M (s) = (1 p + pes )n
( )
E[M ] = np
Xi
armazenada por um
(32 i)/4
kWh
k -simo
E[X k ] = 0.8, k = 1, 2, . . .
(a) En
ontre a funo geratriz de momentos de
(b) En
ontre
P [X = 0]
X.
P [X = 1].
Resp:
(a)
X (s) = 0, 2 + 0, 8es
(b)
P [X = 0] = 0, 2
14. Seja
P [X = 1] = 0, 8.
Resp:
N (0, 1).
n = 1, 2, 3.
de momentos, determine
E[X n ]
E[X] = 0, E[X 2 ] = 1
para
E[X 3 ] = 0.
(D),
123
(V ), se algum
P [D] = 0.2.
P [V ] = 0.8
E[K100 ],
Kn
de 100
hamadas.
(b) Cal
ule
K100 ,
P [K100 18],
ou seja, a
Di a:
Q(x) = 1 Q(x).
Resp: (a) 20
16. Sejam
(b) 4
( ) 0,6915
X1 , X2 , . . . , Xn n
fX (x) =
Seja a varivel aleatria
(d) 0,6826
Yn
(x 21
a
, < x <
+ a 12 )
dada por
1X
1
Xi
Yn = (X1 + Xn ) =
n
n
i=1
Yn .
Yn .
Resp: (a)
Y duas variveis
intervalo (0, 1). En
ontre
17. Sejam
no
Di a :
X (j) = ea||
e
(b)
e esbo e a fdp de
z
fZ (z) = 2 z
a
(yn2 + a2 )
( ) no
FYn (yn ) =
0<z<1
1<z<2
aso
ontrrio
Z =X +Y.
(0 < z < 1)
124
18. Seja
probabilidade
p = 0, 4
P [K = 8],
Usando o Teorema
probabilidade.
Di a: Considere
a
qu ?)
Resp:
P [K = 8].
(Por
P [K = 8] 0, 1811.
19. O nmero
p,
1/.
En
ontre a fdp da soma dos tempos de exe
uo dos trabalhos submetidos em uma
hora.
Resp:
(
p ep
fR (r) =
0
a
r0
aso ontrrio
Resp: 0,9164
Usando o
P [1900 r1 + r2 + r3 + r4 2100].
Captulo 6
E[X] =
Z
Z
no
E[X]
c
P [X c]
Demonstrao. Desde que
c > 0,
X
c
xfX (x) dx +
para
x<0
xfX (x) dx
fX (x) = 0
no negativo,
xfX (x) dx c
fX (x) dx = cP [X c]
126
Exemplo 6.1.
Seja
E[X] = 5, 5,
Soluo.
menos 11 ps satisfaz
P [X 11]
5, 5
= 0, 5
11
Exemplo 6.2.
valor
E[Y ] = pc
c>0
om probabilidade
e o
temos
P [Y c] E[Y ]/c = p
Desde que
P [Y c] = p,
Seja
mx
P [|X mx | ]
P [|X mx | ] a probabilidade
A {x : |X mx | }, mostrada na Figura 6.1.
Demonstrao.
2
X
2
da v.a.
...................
.....
......
.....
.....
...
.....
.
.
...
..
.
...
.
..
...
.
.
...
..
.
.
...
..
.
...
.
...
...
.
..
.
.
.
......
.
.......
.
.
.
................
.
.................
.
.
.
.........................
.
........................
.
.
.
....................................
.
.....................................
.
.
.
.
.
......................................................
.
.........................................
.
.
.
.
........................................
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........
127
x
(sombreada).
2
X
(x mx ) fX (x) dx
A,
temos
Assim
Mas
(x mx )2 fX (x) dx
|X mx | |X mx |2 2 , x A.
(x mx ) fX (x) dx
fX (x) dx = P [|X mx | ]
fX (x) dx
A
2
X
2 P [|X mx | ] P [|X mx | ]
2
X
2
esperado de uma v.a., a desigualdade de Chebyshev ne
essita tambm da varin
ia. Por
usar mais informaes sobre a v.a., a desigualdade de Chebyshev geralmente forne
e um
limitante mais apertado do que a desigualdade de Markov.
Exemplo 6.3.
E[X] = 5, 5
Se a altura
X = 1 ps, use
P [X 11].
Soluo.
X 11 pode
P [X 11] = P [X X 11 X ] = P [|X X | 5, 5]
Usamos agora a desigualdade de Chebyshev para obter
P [X 11] = P [|X X | 5, 5]
1
V ar[X]
=
= 0, 033
2
(5, 5)
(5, 5)2
Embora este limitante seja melhor que o obtido pela desigualdade de Markov,
tambm bastante folgado. De fato,
menor que 0,033.
128
(, ).
Em
(, )
e uma onstante
arbitrrias,
P [X c] =
fX (x)dx =
Para todo
que passa
P [X c]
s(xc)
sc
fX (x)dx = e
de urvas
s 0.
que minimiza
esc X (x).
es(xc)
PSfrag repla
ements
u(x c)
0
Figura 6.2:
O limitante de Cherno pode ser apli
ado a qualquer v.a. Entretanto, para valores
pequenos de
c, esc X (x)
s.
Neste aso, o
valor de
trivial:
Exemplo 6.4.
X de um adulto
E[X] = 5, 5 ps e
Se a altura
Desde que
N (5, 5, 1),
X = 1
P [X 11]
desvio padro
Soluo.
s = 0,
129
a FGM de
X (s) = e(11s+s
2 )/2
2 )/2
s0
s que
11s.
Para en
ontrar
nimize
h(s) =
s2
zero
= min e(s
2 11s)/2
s0
h(s)
em relao a
que mi-
e igualando a
dh(s)
= 2s 11 = 0 s = 5, 5
ds
Substituindo este valor de s ao limitante de Cherno,
hegamos a
2
2
P [X 11] e(s 11s)/2
= e(5,5) /2 = 2, 7 107
s=5,5
= 0.5
Seja
trens/minuto.
igual ao tempo em minutos requerido para servir os passageiros em espera.
P [X 30
Di
as: i) o tempo entre
hegadas pode ser modelado por uma varivel aleatria
om distribuio exponen
ial; ii) a soma de m variveis aleatrias
om distribuio
exponen
ial uma varivel aleatria
om distribuio m-Erlang.
Resp:
Markov :
1
1
Chebyshev : P [X 30] =
5
48
4
P [X 30] = 7, 68 10
P [X 30] =
Cherno :
2. A mdia e a varin
ia do tempo de resposta de um sistema de
omputador multiusurio so 15 segundos e 4 segundos, respe
tivamente. Estime a probabilidade
de o tempo de resposta ser superior a 4 segundos da mdia, usando a desigualdade
de Chebyshev.
Resp: 0,25
130
+4)
usando:
(a) a funo
(2 X +2), (3 X +3)
2 , estime a
(4 X
Q(x);
Resp:
Q(x):
P [2 X 2] = 0, 9545
P [3 X 3] = 0, 9973
P [4 X 4] = 0, 9999
P [2 X 2] = 0, 75
P [3 X 3] = 0, 89
P [4 X 4] = 0, 9375
P [2 X 2] = 0, 7293
P [3 X 3] = 0, 9778
P [4 X 4] = 0, 9993
4. Use o limitante de Cherno para mostrar que uma v.a.
om distribuio N(0,1)
satisfaz
P [Z c] ec
Para
c = 1, 2, 3, 4,
2 /2
bilidade.
Q(x).
Cherno
P [Z
P [Z
P [Z
P [Z
P [Z
1]
2]
3]
4]
5]
0, 6065
0, 1353
0, 0111
0, 0003
3, 7267 106
X,
Q(x)
0, 1587
0, 0228
1, 35 103
3, 17 105
3, 0 107
desvios padres da
mdia.
Resp:
1/k 2 .
Resp:
P [X c] e
(c)2
2 2
N (, 2 .
P [X c]
131
Resp:
8. Seja
1/k 2 .
sobre
Resp:
Captulo 7
A mdia amostral
7.1 Introduo
Vimos no Captulo 1 que a frequn
ia relativa a razo entre o nmero de vezes que
um evento o
orre e o nmero de vezes que um experimento realizado. Se realizamos
um experimento repetidas vezes, esperamos que a frequn
ia relativa de
ada evento
onvirja para uma
onstante medida em que o nmero de repeties
res
e.
Neste
aptulo vamos denir a
quantidades interessantes, in
luindo a frequn
ia relativa, podem ser expressas em termos da mdia amostral. Em sees posteriores, iremos mostrar matemati
amente
omo
a mdia amostral
onverge para uma
onstante medida que o nmero de repeties
de um experimento
res
e.
Este
aptulo, portanto, forne
e a base matemti
a para a armativa de que embora
o resultado de um ni
o experimento aleatrio seja imprevisvel, padres de
omportamento previsveis emergem quando
oletamos mais e mais dados.
fdp de
X.
n v.a.'s X1 , X2 , . . . , Xn
X.
Depois
todas om a mesma
Para as v.a.'s
fX (x),
X1 , X2 , . . . , Xn independentes
X a varivel
a mdia amostral de
aleatria
Mn (X) =
X1 + X2 + + Xn
1X
=
Xi
n
n
i=1
Mn (X)
X1 , X2 , . . . , Xn
Mn (X) do
E[X]
da v.a.
X.
Enquanto
Mn (X)
uma v.a.,
E[X]
um nmero.
A mdia amostral
133
forma o propsito maior deste aptulo explorar o fato de que medida que
Mn (X)
sem limite,
aproxima
res e
E[X].
X,
P [A], a probaA, podemos denir uma v.a. indi
adora XA tal que
XA = 1 se o evento A o
orre, e XA = 0
aso
ontrrio. Neste
aso, XA uma v.a.
de Bernoulli
om probabilidade de su
esso P [A] de modo que E[XA ] = P [A]. Desde
que as propriedades gerais do valor esperado de uma v.a. apli
am-se a E[XA ], podemos
ver que as t
ni
as para estimar valores esperados iro tambm nos permitir estimar as
probabilidades de eventos arbitrrios.
O valor esperado e a varin
ia de
mais importantes
da mdia amostral:
Teorema 7.1.
A mdia amostral
Mn (X)
Var[X]
n
E[Xi ] = E[X]
i,
E[Mn (X)] =
1
1
(E[X1 ] + E[X2 ] + + E[Xn ]) = (E[X] + + E[X]) = E[X]
{z
}
n
n|
n vezes
n
n
n
1 XX
1 X
2
E[Xi ] + 2
E[Xi Xj ] E 2 [X]
= 2
n
n
i=1
i=j
=
=
Quando
Mn (X)
i=1 j=1
i6=j
1 2
1
X + E 2 [X] + 2 n(n 1)E 2 [X] E 2 [X]
n
n
2
X
n
mx
mx ,
de
134
A mdia amostral
2 tende a zero.
n , a varin
ia X
mdia mx ) que satisfaz a
ondio de
Uma estimativa de um
que seu valor esperado
onverge para o valor real do parmetro e a varin ia onverge para zero medida que
dita uma
estimativa onsistente.
Y = Mn (X),
obtemos informaes
Teorema 7.2.
Mn (X)
a mdia amostral
satisfaz
Var[X]
=
nc2
(a)
P [|Mn (X) X | c]
(b)
Demonstrao. Seja
c,
Y = Mn (X).
Var[X]
=1
nc2
Y = Mn (X),
Observaes
O Teorema 7.2(b)
ontm duas desigualdades. Uma desigualdade,
c unidades do valor
2c unidades,
hamado
intervalo de onana.
A outra desigualdade arma que a probabilidade da mdia amostral estar no intervalo de
onana pelo menos
de
1.
Mn (X)
est no intervalo
Chamaremos a quantidade
Se pequeno,
(X c, X + c)
1 = 1 Var[X]/(nc2 )
positivo, independente
c indi a
1 .
X ,
A mdia amostral
135
Alternativamente, dados
Var[X], n
do
intervalo de onana.
Exemplo 7.1.
tais
omo:
Baseada em uma amostra de 1103 eleitores, a por
entagem de pessoas que apoiam o
andidato Jos da Silva de 58
Soluo.
X=1
X=0
aso ontrrio.
Portanto,
e varin
ia
p (1 p)
=1
n(0, 03)2
1=1
dado por
p (1 p)
n(0, 03)2
Devemos sempre ter em mente que temos grande onana em nosso resultado
p,
gostaramos
Analisando a funo
mesma tem
entre 0 e 1,
quando
11
Ento para
p.
0, 25
277, 778
=1
2
n(0, 03)
n
136
A mdia amostral
c > 0,
a mdia amostral
Mn (X)
Se
Var[X] < ,
ento para
satisfaz
A lei fra a de nmeros grandes arma que, para um valor su ientemente grande e
f ixo
de
n,
real alta.
Como podemos ver no exemplo seguinte, a lei fra
a de nmeros grandes tambm
valida a interpretao de frequn
ia relativa de probabilidades.
Exemplo 7.2.
(
1,
Xi =
0,
se
omo
o orre na tentativa
aso ontrrio
om probabilidade de su esso
X1 + X2 + + X n
n
n
Portanto, medida que
n , Rn P [A],
mao de que medida que o nmero de observaes
res
e sem limite, a frequn
ia
relativa de qualquer evento aproxima a probabilidade do evento.
A mdia amostral
137
X 1 , X2 , . . .
Seja
M1 , M2 , . . . ,
onde
Mj
X1
at
Xj .
Por ausa da
regularidade estatsti a do experimento, espera-se que esta sequn ia de mdias amostrais onvirja para
Teorema 7.4.
Seja
e identi a-
Este resultado similar quele obtido no Teorema 7.3, mas na verdade faz uma
armao dramati
amente diferente: arma que
om probabilidade 1, toda sequn
ia
de
l
ulos de mdias amostrais ir eventualmente aproximar-se e permane
er perto de
E[X] = .
138
A mdia amostral
Resp:
P [|N (t)/t | ] /2 t
n
fA (n)
2. Suponha que 10 % dos eleitores esto a favor de
erta lei. Um grande nmero
de eleitores
onsultado e obtm-se uma estimativa por frequn
ia relativa
da proporo a
ima. Use o Teorema 7.2 para determinar quantos eleitores devem
ser
onsultados de modo a termos uma probabilidade de pelo menos 0,95 de
fA (n)
Resp:
n = 4500
3. Um dado ideal arremessado 100 vezes. Use o Teorema 7.2 e en ontre um limitante para a probabilidade de o nmero total de pontos estar entre 300 e 400.
Resp:
4. Seja
Xi
rin
ia unitria. Compare o limitante dado pela Teorema 7.2
om o valor exato
para
n = 10
Resp: Para
n = 100.
c = 4,
temos:
5. (Para ser feito no MATLAB) Gere sequn
ias de nmeros aleatrios
om diversas
distribuies, variando a mdia (e a varin
ia, quando for o
aso) e
al
ule as
sequn
ias de mdias amostrais.
om a tenso do rudo
Nj
Xj
na
de mdia zero e
V
Xj = v + N j
Mn (X)
esteja a
= 1V
da mdia
Resp:
7. Seja
seja
n 100
fX (x),
A mdia amostral
139
n
Xn =
1
1X
(X1 + + Xn ) =
Xi
n
n
i=1
Seja
X1 , X2 , . . . , Xn
Quantas amostras de
n 2000
om mdia
e varin ia
2.
Resp:
/10
0, 95?
Captulo 8
Considere, por
uma
v.a. e toma valores diferentes a ada dia. Para obter as estatsti as ompletas de
X,
pre
isamos armazenar valores de temperatura durante vrios dias (um grande nmero
de tentativas). A partir destes dados podemos determinar
fX (x),
a fdp da v.a.
X.
Denio 8.1.
X(t).
X,
fX (x).
X(t),
pro esso
t.
ada instante do dia. Este pro edimento forne e uma forma de onda
X(t; i )
onde
indi
a o dia em que foi feita a medida. Pre
isamos repetir este pro
edimento todos os
dias por um grande nmero de dias.
onjunto do
funo amostra
X(t),
(ao invs de um ponto amostral) do pro
esso esto
sti
o. As amplitudes das funes
amostra em algum instante
t = t1
X(t1 )
assume em vrias
tentativas. Na Figura 8.1 tem-se o
on
eito que a
abamos de denir em forma gr
a.
Podemos ver um pro
esso esto
sti
o de outra forma. No
aso de uma v.a., o resultado de
ada tentativa de um experimento aleatrio um nmero. Para um pro
esso
esto
sti
o o resultado de
ada tentativa uma forma de onda (uma funo amostra)
que uma funo de
ou innito.
t.
X(t)
141
X(t1 ) = x1
X(t2 ) = x2
X(t, 1 )
t
X(t, 2 )
X(t, 3 )
t
X(t, 4 )
t1
t2
Figura 8.1: Um pro esso esto sti o que representa a temperatura de uma idade.
210
X(t, 1 )
t
X(t, 2 )
t
X(t, )
PSfrag repla
ements3
X(t, 4 )
t
Figura 8.2: Um
onjunto
om um nmero nito de funes amostra.
Um ponto que pre
isa ser es
lare
ido que as formas de onda (funes amostra) no
so aleatrias, mas determinsti
as. A aleatoriedade neste
aso asso
iada no
om a
forma de onda mas
om a in
erteza de qual delas vai o
orrer em uma dada tentativa.
142
Isto
ompletamente anlogo ao
aso de uma v.a. Por exemplo, no experimento de jogar
uma moeda quatro vezes em su
esso, existem 16 resultados possveis, todos
onhe
idos.
A aleatoriedade nesta situao est asso
iada no aos resultados mas
om a in
erteza
de qual deles ir o
orrer em uma dada tentativa.
X(t) um
X(t) para
ontrrio, X(t) um
um onjunto ontvel
SX ;
aso
X(t)
instantes de tempo tn
X(t)
= nT , onde T
X(t)
O pro esso
uma onstante e
Estes
on
eitos so ilustrados na Figura 8.3. Nesta, podemos identi
ar que para o
pro
esso
X(t),
Para um pro
esso de tempo dis
reto, a funo amostra
ompletamente des
rita
pela sequn
ia ordenada de variveis aleatrias
Xn = X(nT ).
X 0 , X1 , . . .
143
X(t)
X(n)
Y (t)
Y (n)
Figura 8.3:
X(n),
X(t)
um
b)
X(t)
t < t1 .
de durao nita
t 2 t1
se para todo
) aso ontrrio,
X(t)
s, x(t, s) = 0
para
s, x(t, s) = 0,
para
t1 .
x(t, s) e esta funo amostra espe
i
a o valor de x(t1 , s). Cada vez que
experimento, temos um novo s e observamos um novo x(t1 , s). Portanto,
funo amostra
realizamos o
144
ada
X(t1 )
para esta varivel aleatria. Como qualquer outra varivel aleatria, tem ou uma fdp
fX(t1 ) (x)
ou uma fmp
pX(t1 ) (x).
X(t)
pro
esso esto
sti
o
omo a uma varivel aleatria,
orrespondente ao valor do pro
esso
esto
sti
o no instante
t.
Exemplo 8.1. Seja X(t) = R| cos(2f t)| um sinal
ossenoidal reti
ado
om amplitude
aleatria
fR (r) =
Qual a fdp de
Soluo.
e
fX(t1 ) (x)?
Desde que
cos(2f t) 6= 0,
1 r/10
,
10 e
0,
cos(2f t) 6= 0,
cos(2f t) 6= 0,
a df ompleta de
FX(t) (x) =
Quando
aso ontrrio
r0
X(t)
x<0
a fdp ompleta de
0,
dFX(t) (x)
fX(t) (x) =
dx
x0
0,
Quando
X(t)
x<0
1
ex/10| cos(2f t)| , x 0
10| cos(2f t)|
Quando
de quo grande
varivel
X(t) um pro
esso de tempo dis
reto, toda informao sobre o mesmo est
T na Denio 8.3 e a sequn
ia de variveis aleatrias,
X(nT ), n = . . . , 2, 1, 0, 1, 2, . . .
Quando
Exemplo 8.2.
145
T = 0, 1, 2, . . . , jogamos um dado
NT , onde 1 NT 6. Denimos um pro
esso esto
sti
o
T T < T + 1, X(t) = NT . Neste
aso, o experimento
onsiste em
e anotamos o resultado
X(t)
uma sequn
ia innita de jogadas, e uma funo amostra apenas uma forma de onda
orrespondente sequn
ia parti
ular dos resultados observados.
Seja
Xn = X(nT ).
Soluo.
Qual a fmp de
a varivel aleatria
X3
X3 ?
(
1/6, x = 1, 2, . . . , 6
pX3 (x) =
0,
aso
ontrrio
X.
fX2 (x2 )
fX (x)
Para pro essos esto sti os, a situao similar. Se amostramos um pro esso em
instantes de tempo
t1 , . . . , tk ,
obtemos
X(t1 ), . . . , X(tk ).
k -dimensional [X(t1 ),
variveis aleatrias
distribuda
(iid)
. . . , X2 , X1 , X0 , X1 , X2 , . . .
Uma
uma
sequn ia
sequn ia
aleatria
aleatria
independente
Xn
para
qual
Exemplo 8.3.
Xi tem fmp
fXi (x) = fX (x).
Xi
tem fdp
1000,
a resistn ia real de
950 e 1050.
Assuma que os valores das resistn
ias dos diferentes resistores so independentes. A
ompanhia tem uma en
omenda de resistores de
990
1010).
1%
n.
Rn
Rn
1% en ontrados
146
pRn (r) =
60
r
0,
pr (1 p)60r ,
r = 0, 1, . . . , 60
aso
ontrrio
1%
independentemente de todos
1%
en ontrados a ada
R1 , R2 , . . .
. . . , Xn
X 1 , X2 ,
Teorema 8.1.
Seja
Xn
Xn1 , . . . , Xnk
k
Y
pX (xi )
k
Y
fX (xi )
i=1
Xn1 , . . . , Xnk
dada
por
i=1
De todas as sequn ias iid, talvez a mais simples seja a sequn ia aleatria de Bernoulli.
Denio 8.7.
Exemplo 8.4.
Yn
1%,
aso ontrrio
Yn = 0.
Yn = 1
se no
i-simo
A sequn ia aleatria
Exemplo 8.5.
Soluo.
maneira
Xn
om probabilidade de su esso
p,
X1 , . . . , Xn .
147
(
pxi (1 p)1xi , xi {0, 1}
pXi (xi ) =
0,
aso
ontrrio
Quando
xi {0, 1}
para
i = 0, . . . , n,
n
Y
i=1
onde
k = x1 + + xn .
(
px1 ++xn (1 p)n(x1 ++xn ) , xi {0, 1}, i = 1, 2, . . . , n
pX1 ,...,Xn (x1 , . . . , xn ) =
0,
aso
ontrrio
Estes eventos so em geral
hamados de
hegadas desde que os pro
essos de
ontagem
so mais usados para modelar a
hegada de
lientes a um determinado servidor.
n(t, s) = 0
Podemos imaginar
intervalo
(0, t].
N (t)
para
0 a fmp de Nm
N (T )
om fmp
m ,
om distribuio de Poisson
148
6
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...........................................
...
...
....
..
...
..
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...............................................................................................................
..
...
...
...
....
...
..
....
.
....
....... ....... ....... ....... ....... ....... ....... ....... ....... ............................................................................................................................................
..
...
....
...
..
....
....
.
.
....
...
...
....
....
.
.
....... ....... ....... ....... ....... ..........................................................
..
...
....
....
.
.
.
....
...
....
....
....
...
...
....
....
....
...
.
.
.
.
.
....... ....... ....... .....................................
.
.
.
.
.
....
....
....
....
....
...
...
...
...
...
...
.
.
.
.
...
..
.
.
.
.
....
....
....
....
....
S1
S2
S3
.
.
.
X1.................
..........
.............
...............
................................................
X3 ...X4
.
. X2 ..
.
..........
.
S4
-
S5
.
...............................................................................................
.
.
.............................................
.
5
(
(T )n eT /n!, n = 0, 1, 2, . . .
PN (t) (n) =
aso
ontrrio
0,
(t0 , t1 ], o
nmero de
hegadas poderia ter uma fmp de Poisson
om parmetro T onde T = t1 t0 .
Alm disso, o nmero de
hegadas em (t0 , t1 ] depende das tentativas independentes de
Podemos generalizar este argumento e dizer que para qualquer intervalo
0,
obtemos um
Poisson. Na prxima seo iremos examinar o pro esso de Poisson om mais detalhes.
ento um pro esso esto sti o ontnuo no tempo, no des res ente e que
= t/n.
[0, t]
seja dividido em
subintervalos de durao
observadas:
149
A primeira suposio impli
a que o resultado em
ada subintervalo pode ser visto
omo o resultado de um teste de Bernoulli. A segunda suposio impli
a que estes testes
de Bernoulli so independentes.
pro
esso de
ontagem
N (t)
testes de Bernoulli.
t.
[0, t]
np.
p,
ento o
[0, t]
t = np
t = np xo,
ento a distribuio binomial tende a uma distribuio de Poisson
om parmetro t.
Podemos
on
luir ento que o nmero de o
orrn
ias N (t) de eventos no intervalo [0, t]
tem uma distribuio de Poisson de mdia t:
Se zermos agora
n (isto
0),
P [N (t) = k] =
Por esta razo,
p 0 enquanto
mantemos
(t)k t
e , k = 0, 1, 2, . . .
k!
(8.2)
N (t)
um pro-
se
N (t1 ) N (t0 )
m
[(t1 t0 )] (t1 t0 )
e
, m = 0, 1, . . .
PM (m) =
m!
0,
aso
ontrrio
(8.3)
N (t1 ), . . . , N (tk )
150
Teorema 8.2.
N (t)
de taxa
a fmp onjunta de
dada por
n n
n
n n
k k1 ek
1 1 e1 2 2 1 e2
k
,
pN (t1 ),...,N (tk ) (n1 , . . . , nk ) =
n1 !
(n2 n1 )!
(nk nk1 )!
0,
onde
0 n1 nk
aso ontrrio
i = (ti ti1 ).
Demonstrao. Seja
M1 = N (t1 )
e para
Exemplo 8.6.
ompletamos a prova.
pro
esso de Poisson de taxa 15 a
essos por minuto. En
ontre a probabilidade de, em
um intervalo de tempo de 1 minuto, 3 a
essos sejam feitos nos primeiros 10 segundos e
2 a
essos sejam feitos nos ltimos 15 segundos.
Soluo.
= 15/60 = 1/4
P [N (10) = 3
N (60) N (45) = 2]
P [N (10) = 3
[0, t]
(t, t + ]
> 0.
Essen ialmente, a
151
Esta propriedade de ser sem memria pode tambm ser vista quando examinamos
Xn
n1
n
hamado de n-simo
hamamos o instante X1 , da primeira
hegada,
e a
hegada
Teorema 8.3.
X 1 , X2 , . . .
(
ex ,
fX (x) =
0,
Demonstrao. Dado
x0
aso ontrrio
X1 = x1 , X2 = x2 , . . . , Xn1 = xn1 ,
a hegada
instante
n1
o orre no
tn1 = x1 + + xn1
Xn
independente de
fX (x),
Xn
fXn (x) =
Exemplo 8.7.
plo 8.6.
Soluo.
A taxa de hegada de
1/2
.
1/
10
= 40 segundos
10
Var[S10 ] = 10 Var[T ] = 2 = 160 segundos2 .
E[S10 ] = 10E[T ] =
152
A propriedade de ser sem memria do pro
esso de Poisson pode tambm ser vista
nos tempos entre
hegadas exponen
iais. Desde que
ondi
ional de que
Xn x > x
dado que
Xn > x ,
(8.4)
x , o tempo
Xn . Isto ,
Xn x ,
N (t),
1/.
N (t).
Isto
impli
a que uma representao equivalente do pro
esso de Poisson uma sequn
ia
aleatria iid
X 1 , X2 , . . .
Teorema 8.4.
independentes
X 1 , X2 , . . .
om mdia
E[Xi ] = 1/
..
X(t) .........6
.
1
....
...
..
.......... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....
..
....
..
...
...
...
...
...
...
...
..............................................................................................................................................................................................................................................................................................................................................................................................................................................
...
...
...
...
...
...
...
...
...
.
.......... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....
....
...
...
..
..
..
..
..
..
..
......................................................................................................................................................................................................................................................................................................................................................................................................................
..
..
..
..
..
..
..
- --
X1
X2 X3
-
X4
-
-
X5
X6
X7
X(t)
dada por
(8.5)
153
X(0)
X(t)
(0, t].
Ento
X
(t)2j t
=
e
(2j)!
par]
j=0
1 t
e + et
2
1
=
1 + e2t
2
= et
X(t)
X(0)
(8.6)
(0, t]
for mpar:
X
(t)2j+1 t
=
e
(2j + 1)!
j=0
1 t
e et
2
1
1 e2t
=
2
= et
(8.7)
11
1
11
{1 + e2t } +
{1 e2t } =
22
22
2
1
P [X(t) = 1] = 1 P [X(t) = 1] =
2
P [X(t) = 1] =
(8.8)
X(t)
so dadas por:
X(t)
dada por:
154
X(t)
X(0) = 0
X(t )
para todo
e para
tt.
X(t)
(8.9)
Embora esta expanso possa pare er trivial, pela denio de movimento Browni-
Y = X(t + ) X(t),
varin
ia . Esta propriedade
X(t)
ano, o in remento
independente de
e Gaussiano de
mdia zero e
a posio da
X(t).
Teorema 8.5.
X(t1 ), . . . , X(tk )
X(t),
a fdp onjunta de
k
Y
n=1
1
p
2 /[2(t
2(tn tn1 )
e(xn xn1 )
n tn1 )]
(8.10)
Note que
xk xk1 .
fYn (y) = p
1
2(tn tn1 )
ey
2 /[2(t
n tn1 )]
(8.11)
k
Y
n=1
(8.12)
155
mdias de onjunto.
aleatrio.
Se adotarmos a idia de que um pro
esso aleatrio
funo do tempo,
hegaremos
on
luso de que
a fdp de
t.
X(t)
X(t)
uma v.a.
que uma
t.
X(t)
t = t1 .
da
m=0
p(t), mostrado na
p(t). Determine
p(t)
PSfrag repla
ements
Ap
Tp
Soluo.
n(t),
Seja
Ap
p(t) em t = Tp .
p(t) + n(t) (Figura 8.7).
a amplitude de pi o de
p(t).
Para dete
tar os pulsos no re
eptor,
ada pulso amostrado em sua amplitude de
pi
o. Na ausn
ia de rudo, a sada do amostrador
m = 0).
Ap
(para
m = 1) ou Ap (para
Ap + n, onde n, a
156
P [|1], a probabilidade
Ap + n. Se Ap + n > 0, fazemos
equivalentemente n < Ap , tomamos uma
Ap + n < 0,
ou
de iso errada.
Interpretando a probabilidade em termos de frequn ia relativa, se repetimos o experimento (de transmitir e re eber o smbolo 1)
N vezes (N ),
Ap + n < 0, ento
e se
vezes a
P [ |1] =
N
N
ts .
ts ,
e se
n < Ap
pelas amplitudes em
n(t).
Esta a v.a.
A fdp
da fdp de primeira ordem insu iente para espe i ar um pro esso aleatrio.
Para
Exemplo 8.9.
X(t)
fX (x; t)
independente de
t,
Y (t),
de
Y (t)
um
Soluo.
a mesma, isto
X(t)
Y (t).
X(t)
idnti a
X(t) idnti
a
de Y (t).
157
fX (x)
ou
fY (y)
ou
y.
Entretanto estes pro
essos so bastante diferentes entre si pois o pro
esso
ontm
omponentes em frequn
ias mais altas do que as de
de
Y (t)
X(t)
X(t).
Y (t)
k.
Este exemplo mostra
laramente que a fdp de primeira ordem no su
iente para
espe
i
ar
ompletamente um pro
esso esto
sti
o. O
ontedo de freqn
ias de um
pro
esso depende da velo
idade
om que as amplitudes variam
om o tempo. Isto pode
ser medido
orrela
ionando amplitudes em
as amplitudes em
t1
t1 +
t1
t1 + .
t1
t2 = t1 + .
158
t1
t2
o
onjunto.
No exemplo a
ima, pode-se ver que para um valor pequeno de
ser positivo para a maioria das funes amostra de
X(t),
o produto
mas o produto
Y1 Y2
X 1 X2
poder
Ento
RX (t1 , t2 ),
X(t),
X(t)
Y (t).
tantes sobre o
ontedo de freqn
ias do pro
esso, e pode ser derivada da fdp
onjunta
de
X1
X2 .
t1 , t2 , . . . , tn .
fX1 X2 Xn (x1 , x2 , . . . , xn ).
nos instantes
x1 , x2 , . . . , xn
ordem n,
variveis
felizmente, na maioria dos
asos, iremos pre
isar apenas das estatsti
as de primeira e
segunda ordens.
Podemos sempre derivar a fdp de ordem inferior a partir de fdp's de ordem superior
por simples integrao. Por exemplo,
fX1 (x1 ) =
n.
159
8.9.1 Momentos
Denio 8.12.
n-simo
momento da v.a.
Xti
E
X(t)
e seja tambm
denido omo
Xtni
Xti X(ti ).
Denio 8.13.
X(t) =
xfX (x; t) dx
a fdp de
m(t1 )
m(t2 )
so as mdias de
Xt1
Xt2 ,
respe tivamente.
Momentos
onjuntos de ordem superior de duas ou mais v.a.'s derivadas de um pro
esso esto
sti
o so denidos da mesma maneira. Entretanto,
om a possvel ex
eo
do pro
esso gaussiano, para o qual os momentos de ordem superior podem ser expressos
em termos do primeiro e segundo momentos, estes momentos de ordem superior so
en
ontrados
om pou
a frequn
ia na prti
a.
160
Para um
pro
esso esta
ionrio, podemos dizer que uma mudana da origem de tempo ser
impossvel de dete
tar; o pro
esso ir pare
er o mesmo.
novamente
fX1 (x1 ; t1 ).
O instante
densidade de primeira ordem de um pro
esso esto
sti
o esta
ionrio pode ser expressa
omo
fX (x; t) = fX (x)
De forma similar, podemos ver que a funo de auto
orrelao
funo apenas de
t 2 t1 .
RX (t1 , t2 ) = RX (t1 t2 ) = RX ( ),
= t 1 t2
RX ( ) = X(t)X(t + )
(8.13)
KX (t1 , t2 ) = KX (t1 t2 ) = KX ( ) = RX ( ) m2
onde
= t1 t2 .
Para um pro esso esta ionrio, a funo densidade de probabilidade onjunta para
Exemplo 8.10. O pro
esso aleatrio X(t) que representa a temperatura de uma
idade
um exemplo de pro
esso esto
sti
o no esta
ionrio, pois as estatsti
as da temperatura
(valor mdio por exemplo) dependem da hora do dia.
esto
sti
o representado por um rudo bran
o um pro
esso esta
ionrio, porque suas
estatsti
as no se alteram
om o tempo.
n (n ).
161
Denio 8.16.
X(t) =
onstante
RX (t1 , t2 ) = RX ( ),
= t 1 t2
Note que a esta
ionariedade um
ondio muito mais forte do que a esta
ionariedade no sentido amplo: todos os pro
essos esta
ionrios so esta
ionrios no sentido
amplo, mas o inverso no ne
essariamente verdade.
Assim
omo no existem sinais senoidais na prti
a, no existem tambm pro
essos
esta
ionrios.
t =
Exemplo 8.11.
(0, 2),
X(t) = A cos(c t + ),
onde
uma
amplo.
Soluo.
c
e freqn ia
(0, 2),
om distribuio uniforme.
ser uma v.a. uniformemente distribuda sobre a faixa (0, 2), podemos
determinar fX (x; t) e, portanto, X(t).
Para este
aso parti
ular, entretanto, X(t) pode ser determinada diretamente:
Pelo fato de
X(t) = Acos(c t + )
E
omo
cos(c t + )
cos(c t + ) =
temos
cos(c t + )f () d
mas
f () = 1/2
no intervalo
(0, 2)
1
cos(c t + ) =
2
cos(c t + ) d
162
X(t) = A cos(c t + ).
E portanto
X(t) = 0
Desta forma, a mdia do
onjunto das amplitudes das funes amostra em qualquer
instante
zero.
A funo de auto orrelao para este pro esso pode tambm ser determinada diretamente a partir da Equao 8.13
cos A cos B =
1
2
1
cos[c (t1 + t2 ) + 2] =
2
Portanto,
e sua mdia
163
RX (t1 , t2 ) =
A2
cos[c (t1 t2 )]
2
ou
RX ( ) =
E portanto
X(t)
A2
cos[c ],
2
= t 1 t2
Demonstrao.
Fazendo
2.
RX ( ) = X(t)X(t + ) RX ( ) = X(t)X(t )
= t ,
temos
RX ( ) = X( + )X() = RX ( )
RX (0) = X 2
Demonstrao.
3.
RX ( ) = RX ( )
RX (0) 0
Demonstrao.
Desde que
4. Se
ento
devemos ter
E[X 2 (t)] 0.
RZ ( ) = RX ( ) + RY ( ) + RXY ( ) + RY X ( )
Demonstrao.
RZ ( ) = Z(t)Z(t + )
= [X(t) + Y (t)][X(t + ) + Y (t + )]
= X(t)X(t + ) + X(t)Y (t + ) + Y (t)X(t + ) + Y (t)Y (t + )
= RX ( ) + RXY ( ) + RY X ( ) + RY ( )
X(t) = X(t + nT ) RX ( ) = RX ( + nT )
6. Se
X(t)
lim RX ( ) = E 2 [X]
164
7.
E X 2 (t) 2X(t)X(t + ) + X 2 (t + ) 0
que pode ser rees
rita em termos da funo de auto
orrelao
omo
Por exemplo,
t, e
X(t2 ).
X(t1 )
X(t)
a mdia de on-
Denio 8.17.
A mdia temporal,
X(t, i ),
X(t, i )
por
1
X(t, i ) = lim
T T
T /2
X(t, i ) dt
T /2
Similarmente, temos
Denio 8.18.
1
RX (, i ) = X(t, i )X(t + , i ) = lim
T T
RX (, i )
dada por
T /2
T /2
X(t, i ) X(t + , i ) dt
dada
165
Denio 8.19.
so iguais s mdias temporais de qualquer funo amostra. Ento para um pro
esso
ergdi
o
X(t)
X(t) = X(t, i )
RX ( ) = RX (, i )
Estas so apenas duas das mdias possveis. Para um pro
esso ergdi
o, todas as
possveis mdias de
onjunto so iguais s mdias temporais
orrespondentes de uma de
suas funes amostra. Pelo fato de uma mdia temporal no poder ser uma funo do
tempo, evidente que um pro
esso ergdi
o ne
essariamente um pro
esso esta
ionrio,
mas o inverso no verdadeiro. Na Figura 8.12 tem-se um diagrama
om a
lassi
ao
dos pro
essos esto
sti
os quanto esta
ionariedade e ergodi
idade.
Exemplo 8.12.
de at segunda ordem.
166
Soluo.
1
X(t) = lim
T T
1
T T
= lim
=0
T /2
X(t) dt
T /2
T /2
A cos(c t + ) dt
T /2
RX ( ) = X(t)X(t + )
= A2 cos(c t + ) cos(c (t + ) + )
i
A2 h
=
cos(2c t + c + 2) + cos(c )
2
i
A2 h
cos(2c t + c + 2) + cos(c )
=
2
A2
=
cos(c )
2
Exemplo 8.13.
O on eito de ergodi idade pode ser expli ado por um exemplo simples
t,
ento 75% dos motoristas ir en ontrar um farol verde, e os 25% restantes iro en-
x(t) = ax + b
onde
167
uma onstante e
na faixa (0,100).
(a) Esbo
e o
onjunto deste pro
esso.
(b) Apenas observando o
onjunto, determine se este um pro
esso esto
sti
o
esta
ionrio ou no esta
ionrio. Justique sua resposta.
2. Desenhe algumas funes amostra do pro
esso esto
sti
o denido por
x(t) = A cos(t + )
(a) Se
(b) Se
( ) Se
(, ).
x(t) = k cos(0 t + )
onde
RX ( ) = x(t)x(t + ) = k2
cos(0 )
x(t) = sen(t + )
onde
so onstantes e
(a) Cal
ule a mdia, a funo de auto
orrelao e a funo de auto
ovarin
ia.
(b) Este pro
esso esta
ionrio no sentido amplo?
Resp:
(a)
(b) no
5. En
ontre uma expresso para
relao.
Resp:
E (Xt2 Xt1 )2
[0, 2].
fc
e fase aleatria
que uniformemente
X(t) = A cos(2fc t + )
distribuda no intervalo
168
X(t).
Resp:
(a)
E[X(t)] = 0
RX (t1 , t2 ) =
A2
cos(2fc (t1 t2 ))
2
(b) sim
7. Seja o pro
esso esto
sti
o
x(t) = A cos(t + )
onde
so onstantes e
no intervalo (-1,1).
(a) Esbo
e o
onjunto deste pro
esso.
(b) Apenas pela observao do
onjunto, determine se este pro
esso esta
ionrio ou no esta
ionrio. Justique sua resposta.
Resp:
(a)
(b) No. Em
A cos(t+
)
8. Seja o pro
esso esto
sti
o denido por
onde
X(t)
X(t)
Di a:
Considere
E[X 3 (t)].
Resp:
(a)
(b)
E[X(t)] = 0
RX (t1 , t2 ) = E[A2 ] cos((t1 t2 ))
X(t)
dado por
X(t) = Y cos t, t 0
onde
(0, 1).
uma onstante e
169
E[X(t)].
RX (t1 , t2 ).
KX (t1 , t2 ).
Resp:
(a)
(b)
( )
1
cos(t)
2
1
RX (t1 , t2 ) = cos(t1 ) cos(t2 )
3
1
KX (t1 , t2 ) =
cos(t1 ) cos(t2 )
12
E[X(t)] =
(d) no
1000,
950
1050.
Assuma que os valores das resistn
ias dos diferentes resistores so independentes.
A
ompanhia tem uma en
omenda de resistores de
990
entre
1010).
1%
mede sua resistn ia exata (este teste demora 1 segundo). O pro esso esto sti o
N (t)
p,
1%
en ontrados em
se-
Tr segundos
1%.
1%.
N (t)?
E[T1 ], o
1%.
tolern ia de
1%
ser en-
1%,
em 10 segundos.
Resp:
(a) 0.2
(b)
pN (t) (n) =
(
t
n
0,
pn (1 p)tn , n = 0, 1, . . . , t
(
) 5
(d)
(e) 15
aso ontrrio
170
fX(1),...,X(m) (x1 , . . . , xm ) =
Resp:
Xn
de mdia zero e
X1 , . . . , Xm .
1
2
2
e(x1 ++xm )/2
m/2
(2)
12. Pa
otes de dados transmitidos por um modem sobre uma linha telefni
a formam
um pro
esso de Poisson de taxa 10 pa
otes/segundo. Usando
nmero de pa
otes transmitidos na
e
k -sima
Mk
para denotar o
M1
M2 .
Resp:
13. Seja
m1 +m2 2
e
, m1 = 0, 1, . . . ; m2 = 0, 1, . . .
pM1 ,M2 (m1 , m2 ) =
m1 !m2 !
0,
aso
ontrrio
X(t)
Y (t) = X(t)/
Var[Y (t)] = t.
Mostre que
X(t)
Y (t)
X(t) = A cos(t + )
A
onde
0, 2 .
dados por:
Y (t) = A sen(t + )
uma v.a.
RXY ( ), RY X ( ), e mostre
so onstantes e
Cal ule
Var[X(t)] = t.
RXY ( ) = RY X ( ).
Resp:
A2
sen((t2 t1 ))
2
A2
RY X (t1 , t2 ) =
sen((t2 t1 ))
2
RXY (t1 , t2 ) =
15. Seja
X(t)
(a)
Y (t) = X(t + a)
(b)
Z(t) = X(at), a 6= 0,
(b) sim.
X(t)
denido por
<t<
-2 e 1
om probabilidades
(a) Cal
ule
E[X(t)].
RX (t1 , t2 ).
1/3
2/3,
respe tivamente.
(b)
171
2 cos(t2 t1 )
( ) sim.
= 1/10
25 e6
E[X(t)].
RX (t1 , t2 ).
KX (t1 , t2 ).
(d) Este pro esso esta ionrio no sentido amplo? Justique sua resposta.
Resp: (a)
(d) no
1
cos(t)
2
(b)
1
cos(t1 ) cos(t2 )
3
v(t)
v(t)
( )
1
cos(t1 ) cos(t2 )
12
(t)
s(t) = S0 et .
Resp: no.
20. Seja um pro
esso esto
sti
o
ergdi
o, e
v(t) = (t) + ,
onde
sentido amplo.
Resp: sim.
21. Suponha que uma se
retria re
eba
hamadas que
hegam de a
ordo
om um
pro
esso de Poisson a uma taxa de 10
hamadas por hora. Qual a probabilidade
de a se
retria atender a todas as
hamadas, dado que ela est fora de seu es
ritrio
nos 15 minutos ini
iais e nais de
ada hora?
Resp:
e5 .
Wn = 2Wn1 + Xn , W0 = 0
1
Zn = Zn1 + Xn , Z0 = 0
2
172
Wn
Zn
Xn , Xn1 , . . . , X1 ,
em termos de
E[Wn ]
P [Zn = 1] = p
e ento en ontre
E[Zn ].
Resp:
Wn =
Zn =
Pn
ni X
n
i=1 2
Pn 1 ni
Xn
i=1 2
Z1 , Z2 , . . . , Zn um
onjunto de variveis
P [Zn = 1] = q = 1 p para todo n. Seja
23. Seja
Xn =
n
X
aleatrias iid, om
Zi , n = 1, 2, . . .
i=1
X0 = 0.
{Xn , n 0}
X(n).
X(n).
(b) Sabendo que para este pro esso, a fdp de primeira ordem dada por:
pn (k) =
al
ule a probabilidade de
n
p(n+k)/2 q (nk)/2
(n + k)/2
X(n) = 2
depois de 4 passos.
Resp:
24. Seja
X(n) = 2
depois de 4 passos.
P [X(4) = 2] = 4pq 3
Xn , n 0
1. Mostre que
{Xn , n 0}
Captulo 9
derivar a funo de auto
orrelao do pro
esso esto
sti
o na sada de um ltro em
termos da funo de auto
orrelao do pro
esso de entrada e da resposta a impulso do
ltro. Vamos denir tambm a funo espe
tro densidade de potn
ia de um pro
esso
esto
sti
o.
posio, isto
(9.1)
Se
A resposta impulsiva
h(t)
ento
de um sistema
h(t) = T [(t)]
onde
(t)
(9.2)
t = 0.
174
h(t):
Z
h(s)x(t s) ds =
h(t s)x(s) ds
(9.3)
h[n j]x[j]
(9.4)
j=
h[j]x[n j] =
j=
h(t) = 0,
t < 0
(9.5)
fX (x)
RX ( ).
h(t). Se
v(t), a sada w(t) dada pela integral de
onvoluo
Z
h(u)v(t u) du
w(t) =
(9.6)
As funes
g(t)
G(f )
so hamadas
G(f ) =
g(t) ej2f t dt
g(t) =
G(f ) ej2f t df
(9.7)
h(t),
a transformada de Fourier
H(f )
v(t) do
multipli ao
invariante no
h(t),
175
H(f )
V (f )
W (f ),
por
W (f ) = H(f )V (f )
(9.8)
X(t),
y(t, s) =
y(t; s)
Pelo fato de
x(t; s),
h(u)x(t u; s) du
Y (t).
(9.9)
de um experimento,
y(t; s)
x(t; s)
posta a impulso
X(t)
s.
h(t).
Observao da sada
y(t; s)
do ltro.
a
e
Y (t)
Y (t). Y (t)
X(t)
pela integral
de onvoluo
Y (t) =
h(u)X(t u) du =
h(t u)X(u) du
u) X(u) du
E[Y (t0 )] = E
Z
X(u),
para
Y (t0 ) =
< u < .
h(u)X(t0 u) du
(9.10)
h(t0
Desde que
Y (t0 )
Para avaliar o valor esperado desta integral, lembremos que esta
orresponde ao
limite
Y (t0 ) = lim
X
n
h(n)X(t0 n)
Desde que a esperana da soma igual soma das esperanas, temos para valores
pequenos de
176
E[Y (t0 )] E
"
X
n
h(n)X(t0 n) =
0,
E[Y (t0 )] = E
Z
h(n)E[X(t0 n)]
temos
h(u)X(t0 u) du =
h(u)E[X(t0 u)]du
(9.11)
Embora o argumento a
ima no seja uma prova,
ontm a idia bsi
a que uma
integral o limite de uma soma a qual podemos tro
ar de posio
om a esperana. O
Y e
X(t).
seguinte Teorema usa a Equao (9.11) para rela
ionar o valor mdio
auto
orrelao
RY ( )
Teorema 9.1.
impulso
om
h(t)
e os parmetros orrespondentes de
a funo de
h(t) um pro
esso esta
ionrio no sentido amplo X(t), a sada um pro
esso
Y (t)
om valor mdio e funo de auto
orrelao dados
Y = X
h(t) dt = X H(0)
(9.12)
RY ( ) =
h(u)
h(v)RX ( + u v) dvdu
Y = E
Z
h( )X(t ) d =
Desde que
Y =
E[X(t)] = X
para todo
h(u)X du = X H(0).
(pois
X(t)
Para en ontrar
Y (t)
(9.13)
h(u)E[X(t u)]du
esta
ionrio no sentido amplo),
usamos
RY (t, ) = E
Z
Como
h(u)X(t u) du
h(u)
h(v)X(t + v) dv
de modo que
RY (t, ) = RY ( ) =
h(u)
h(v)RX ( v + u) dvdu
177
determinsti os,
RY ( )
a partir de
RX ( )
h(u)
Alm disso,
extremamente
Exemplo 9.1.
esperado
X(t), um
= 10 volts,
a impulso do ltro
(
et/0,2
h(t) =
0
Qual o valor esperado do pro
esso
Soluo.
0 t 0, 1
aso ontrrio
Y (t)
de sada do ltro?
Y = X
h(t) dt = 10
0,1
0
0,1
et/0,2 dt = 2 et/0,2 = 2(e0,5 1) = 1, 30
0
volts
X(t) esta
ionrio no sentido amplo, a funo de auto
orrelao e o espe
tro densidade
de potn
ia SX (f ) so o par de transformadas de Fourier
Z
Z
j2f
SX (f )ej2f df
RX ( )e
d
RX ( ) =
SX (f ) =
Pelo fato de
expresso de uma, podemos sempre derivar a expresso da outra. O espe
tro densidade
de potn
ia tem algumas propriedades importantes.
178
Teorema 9.2.
SX (f )
2
a) E[X (t)]
= RX (0) =
X(t)
SX (f ) df
b)
SX (f ) = SX (f )
= 0 para RX ( )
SX (f ) =
RX ( ) = RX ( )
impli a
RX ( )ej2f d
Fazendo
SX (f ) =
temos
j2f ( )
RX ( )e
(d ) =
RX ( )ej2(f ) d = SX (f )
Teorema 9.3.
X(t)
Y (t)
H(f ), a densidade
SY (f ) = |H(f )|2 SX (f )
(9.14)
SY (f ) =
Fazendo
Z
= + v u
SY (f ) =
temos
j2f u
h(u)e
|
{z
H(f )
= |H(f )| SX (f )
j2f v
du
h(v)e
} | {z
H (f )
dv
RX ( )ej2f d
}|
{z
}
SX (f )
179
Estamos prontos agora para fazer novas interpretaes sobre o espe
tro densidade
de potn
ia. Como mostrado na Figura 9.1, suponha que
ideal
om largura de banda
entrada em
f0 ,
H(f )
isto
(
1 |f f0 | B/2
H(f ) =
0
aso
ontrrio
H(f )
B
1
f0
f0
H(f )
om frequn ia entral
f0
e largura de banda
Hz.
SY (f ) = |H(f )|2 SX (f )
Alm disso, a potn
ia mdia de
E[Y 2 (t)] =
SY (f ) df =
satisfaz
f0 +B/2
SX (f ) df +
SX (f ) = SX (f ),
quando
f0 +B/2
SX (f ) df
f0 B/2
f0 B/2
Desde que
Y (t)
pequeno, temos
(9.15)
Podemos ver que a potn
ia mdia da sada do ltro aproximadamente o espe
tro
densidade de potn
ia da entrada na frequn
ia
entral do ltro vezes a largura de faixa
Teorema 9.4.
SX (f )
SX (f ) 0
X(t)
para todo
pequeno.
f.
180
Exemplo 9.2.
orrelao
RX ( ) = eb| |
X(t)
(
et/(RC)
h(t) =
0
Assumindo que
b > 0
b 6= 1/(RC),
t0
aso ontrrio
SY (f )
en ontre
RY ( )
da sada
Y (t)
do
ltro. Qual a potn ia mdia do pro esso esto sti o na sada do ltro?
Soluo.
a = 1/(RC).
rn ia do ltro
H(f ) =
eat ej2f t dt =
1
a + j2f
Portanto
1
1
1
= 2
a + j2f a j2f
a + (2f )2
SX (f ) =
=
Z 0
eb| | ej2f d
b j2f
e e
d +
eb ej2f d
1
1
+
b j2f
b + j2f
2b
=
(2f )2 + b2
SY (f ) =
2b/(b2 a2 ) 2b/(b2 a2 )
2b
=
[(2f )2 + a2 ][(2f )2 + b2 ]
(2f )2 + a2
(2f )2 + b2
c > 0, ec| |
2c/((2f )2 + c2 ) so pares
Y (t)
RY ( ) =
b/a a| |
1
e
2
eb| |
2
a
b a2
b2
b/a 1
1
=
2
2
b a
a(b + a)
181
H(f ),
a sada
Y (t)
X(t)
Y,
a fdp ou
fmp onjunta um modelo de probabilidade ompleto. Para dois pro essos esto sti os
X(t) e Y (t), um modelo de probabilidade
ompleto
onsiste de uma fdp ou fmp
onjunta
das v.a.'s
n, k, t1 , t2 , . . . , tn
para todo
X(t)
Y (t).
independentes.
X(t) e Y (t)
t1 , t2 , . . . , tn e
pro essos
t1 , t2 , . . . , tm
X(t)
Y (t + ).
X(t)
Y (t)
Y (t),
trabalhamos om a
X(t)
dada por
182
X(t)
Y (t),
esta ionrios no sentido amplo, so ditos des orrela ionados se sua funo de orrelao ruzada igual ao produto de suas mdias, isto
RXY ( ) = X(t)Y (t + ) = X Y
x(t)
y(t + )
X(t)
RXY ( ) = 0
Observe que os pro
esso ortogonais so pro
essos des
orrela
ionados
om
e/ou
X = 0
Y = 0.
Assim
omo para a auto
orrelao, existem muitas apli
aes prti
as nas quais a
orrelao
ruzada depende somente da diferena entre dois instantes de tempo
X(t)
Y (t)
RX ( ) = RX ( ).
A
orrelao
ruzada de pro
essos esto
sti
os
onjuntamente esta
ionrios tem uma
simetria ligeiramente diferente:
Teorema 9.5.
Se
X(t)
Y (t)
ento
RXY ( ) = RY X ( )
Fazendo
u = t+ , temos
183
Desde que
on
luir que
Teorema 9.6.
Se
X(t)
Y (t)
ento
Teorema 9.7.
Se
X(t)
Y (t)
p
RX (0)RY (0)
ento
|RXY ( )|
1
[RX (0) + RY (0)]
2
Demonstrao.
E [X(t) Y (t + )]2 0
E X 2 (t) 2X(t)Y (t + ) + Y 2 (t + ) 0
E X 2 (t) 2E [X(t)Y (t + )] + E Y 2 (t + ) 0
Rees revendo esta equao em termos das funes de auto orrelao e orrelao ruzada, temos
1
[RX (0) + RY (0)]
2
184
Teorema 9.8.
Se
RXY ( ) = RY X ( ) = X Y
Demonstrao.
RXY ( ) = E[X(t)Y (t + )]
Como
E[X(t)Y (t + )] = E[X(t)]E[Y (t + )] = X Y
X(t)
Y (t)
on-
SXY (f ) =
RXY ( )ej2f d
Teorema 9.9. Para os pro
essos X(t) e Y (t)
onjuntamente esta
ionrios no sentido
amplo, a densidade espe
tral
ruzada apresenta a seguinte simetria
SXY (f ) = SY X (f )
En ontramos orrelaes ruzadas em experimentos que envolvem observaes ruidosas de um pro esso esto sti o
X(t)
Exemplo 9.3.
185
X(t)
N (t)
um pro esso esta ionrio no sentido amplo om mdia zero, que interfere
X(t) e N (t) so
onjuntamente esta
ionrios no sentido amplo. Para
ara
terizar Y (t), en
ontre a mdia E[Y (t)], a funo
de auto
orrelao RY ( ), e o espe
tro densidade de potn
ia SY (f ).
om nossa observao de
X(t).
Assumimos que
Soluo. Desde que o valor esperado de uma soma igual soma dos valores esperados,
E[Y (t)] = E[X(t)] + E[N (t)] = E[X(t)]
desde que
E[N (t)] = 0
(dado do problema).
Quando
RXN ( )
RY (t, ) = RX ( ) + RXN ( ) + RN X ( ) + RN ( )
RY (t, ) depende somente de . Isto impli
a
Y (t) esta
ionrio no sentido amplo
om funo de auto
orrelao RY (t, ) =
RY ( ). Tomando a transformada de Fourier de ambos os lados, obtemos a densidade
espe
tral de potn
ia de Y (t)
O lado direito desta equao indi
a que
que
SY (f ) = SX (f ) + SXN (f ) + SN X (f ) + SN (f )
Exemplo 9.4.
X(t).
Soluo.
N (t)
Y (t).
Neste aso,
RN X (t, ) = 0.
Isto impli a
RY ( ) = RX ( ) + RN ( )
SY (f ) = SX (f ) + SN (f )
186
X(t) e Y (t) so os pro
essos de entrada e sada de um ltro linear invariante no tempo
h(t), podemos usar a Denio 9.6 para
al
ular a
orrelao
ruzada RXY (t, ).
Teorema 9.10. Quando um pro
esso X(t) esta
ionrio no sentido amplo a entrada
de um ltro linear invariante no tempo
h(t),
Y (t + ) =
h(u)RX ( u) du
h(u)X(t + u) du.
Z
h(u)E[X(t)X(t + u)]du
=
Z
h(u)RX ( u) du
=
Quando a entrada
X(t)
esta
ionrio no sentido amplo, e o Teorema 9.10 diz que a
orrelao
ruzada
depende somente de
Teorema 9.11.
X(t)
X(t)
e a sada
Y (t)
so
No Teorema 9.10 vimos que a orrelao ruzada entre a entrada e a sada dada
RX ( )
RXY ( )
podemos pensar em
da entrada e a resposta a
omo a sada do ltro
h(t)
Exemplo 9.5.
Um pro
esso X(t) esta
ionrio no sentido amplo
om funo de autob| | a entrada de um ltro RC
om resposta impulsiva
orrelao RX ( ) = e
187
(
et/(RC)
h(t) =
0
b > 0,
Assumindo que
t0
aso ontrrio
RXY ( )
entre a entrada e a
sada.
Soluo.
Seja
a = 1/(RC).
RXY ( ) =
Para
0,
h(u)RX ( u) du =
eau eb| u| du
RXY ( ) =
e(ab)ub du +
<0
e(a+b)u+b du =
Quando
u 0,
ento
| u| = u
RXY ( ) =
eb
2bea
2
a b a b2
eau eb(u ) du =
eb
a+b
b
e
a + b
RXY ( ) =
2bea
e
2
a b a b2
<0
O Teorema 9.10 nos en
oraja a reexaminar o Teorema 9.1 desde que a integral dupla
para
RY ( )
RXY ( )
Teorema 9.12. Quando um pro
esso X(t) esta
ionrio no sentido amplo a entrada
de um ltro linear
da sada
Y (t)
dada por
RY ( ) =
h(w)RXY ( w) dw
Demonstrao.
RY ( ) =
h(u)
h(v)RX ( + u v) dv du =
{z
}
|
h(u)RXY ( + u) du
RXY ( +u)
A substituio
w = u
188
h(t)
RXY ( )
atravs de um
RY ( ).
Teorema 9.13.
Seja
X(t)
H(f ).
A entrada
X(t)
Y (t)
satisfazem
SY (f ) = H (f )SXY (f )
As relaes entre
e a sada
RXY ( )
h( )
........................................................................
H(f )
........................................................................
RX ( )
........................................................................
SX (f )
........................................................................
SXY (f )
h( )
........................................................................
RY ( )
H (f )
........................................................................
SY (f )
Figura 9.2: A
orrelao
ruzada entre a entrada e a sada de um ltro linear invariante
no tempo a
onvoluo da resposta a impulso do ltro
om a funo de auto
orrelao
da entrada.
X = [X (t1 ),
X ,
X(ti ) e X(tj ).
a matriz de ovarin ia
Gaussiana multidimensional.
Usando o vetor
e seu
189
X(t1 ), . . . , X(tk )
X(t)
(2)k/2 |C|1/2
t C1 (x )
X
e 2 (xX )
Embora esta expresso possa pare
er bastante
ompli
ada, pode ser reduzida para
expresses familiares em vrios
asos.
simplesmente o es
alar
k = 1,
a matriz
o es alar
E[X(t1 )] =
e a fdp onjunta pode ser simpli ada para a densidade Gaussiana ordinria
Similarmente, para
1
e
fX(t1 ) (x1 ) = p
212
k = 2, X(t1 )
(x1 1 )2
2
21
X(t2 )
mensional
X(t1 )
X(t2 )
"
exp
x1 1
1
21 2
E[X(t1 )] = 1
2(x1 1 )(x2 2 )
+
1 2
2(12 )
x2 2
2
2 #
1 2
= CX (t1 , t2 t1 )/(1 2 )
Var[X(t1 )] = 12
E[X(t2 )] = 2
Var[X(t2 )] = 22
X(tk )
rin ia
C dado por
(i, j)
X(t1 ), . . . ,
da matriz de ova-
(
Var[X(ti )] i = j
Cij = CX (ti , tj ti ) =
0
aso
ontrrio
Isto , a matriz
o
i-simo
C1 tambm diagonal,
om
= 1/ Var[X(ti )]. Usando i e i2 para
Neste aso,
Cii1
X =
1
1
(x X )t C1 (x X ) =
2
2
(x1 1 )2
(xk k )2
+
+
12
k2
e(x1 1 ) /(21 )
e(xk k ) /(2k )
p
q
fX(t1 ), ,X(tk ) (x1 , . . . , xk ) =
212
2 2
k
190
X(t1 ) , . . . , X(tk )
CX (ti , tj ti ).
e as
CX (t, )).
Nosso interesse prin
ipal est nos pro
essos Gaussianos esta
ionrios no sentido
amplo. Neste
aso,
E[X(ti )] = X
para ada
ti
CX (ti , tj ti ) = RX (tj ti ) 2X .
Isto , quando o pro esso Gaussiano esta ionrio no sentido amplo, sua distribuio
Teorema 9.14.
ento
X(t)
Se
X(t)
RX ( ).
Demonstrao. Sejam e
[X(t1 ), . . . , X(tk )]t . Sejam
ado no tempo
e C as mesmas quantidades para o vetor aleatrio deslo[X(t1 + T ), . . . , X(tk + T )]t . Desde que X(t) esta ionrio no sentido
amplo,
E[X(ti )] = E[X(ti + T )] = X
O elemento
(i, j)
de
C = C ,
o que impli a em
X(t)
X(t).
sobre um intervalo
(0, T ),
X(t)
g(t)
obtemos a v.a.
Y =
g(t)X(t) dt
Teorema 9.15.
X(t)
g(t)
tal que
E[Y 2 ] < .
Y =
g(t)X(t) dt
Este teorema nos permite mostrar fa
ilmente que a ltragem linear de um pro
esso
Gaussiano gera um outro pro
esso Gaussiano.
Teorema 9.16.
ltro linear
h(t),
191
X(t)
Y (t)
om mdia
Demonstrao. A sada
Y (t)
Y (t) =
h(t )X( ) d
Y (t)
sempre
Y (t)g(t) dt =
X( )
Z
h(t )g(t) dt d
Y (t)
normalmente modelado por um pro esso esto sti o Gaussiano esta ionrio
W (t).
E[W (t1 )] = W = 0
Alm disso, para enfatizar a natureza imprevisvel do pro
esso de rudo, assumimos
t1 , . . . , tk , W (t1 ), . . . , W (tk )
t1
tj , j =
6 i. Uma
onsequn
ia desta
6= 0,
W (t),
SW (f ) =
SW (f )
RW (0).
Para isto,
da Denio 9.7
RW ( )ej2f d
Com
RW ( ) = 0
para
Embora o
pro
esso rudo bran
o Gaussiano seja um modelo matemti
o bastante til, ele no se
onforma
om nenhum sinal real. Note que a potn
ia mdia do rudo
192
SW (f ) df =
N0
df =
2
Isto , o rudo bran o tem potn ia innita, o que si amente impossvel.
h(t)
Y (t) =
h(t )W ( ) d
nita.
Exemplo 9.6.
N0 = 1015
W/Hz inserido em
(
6
2106 e210 t
h(t) =
0
t0
aso ontrrio
Soluo.
Y (t).
SY (f ).
RY ( ).
E[Y 2 (t)].
SX (f ) = 1015 /2
f.
|H(f )|2 =
(2106 )2
(2f )2 + (2106 )2
SY (f ) = |H(f )|2 SX (f ) =
(2106 )2
2(2106 )
109
1015
=
2 (2f )2 + (2106 )2
2
(2f )2 + (2106 )2
2(2106 )
(2f )2 + (2106 )2
dada por
e210
6 | |
impli a que
RY ( ) =
109 2106 | |
e
2
RY (0) = /2 109
W.
. Isto
193
= n/(2B),
n,
(0, B).
Em outras palavras, o pro
esso pre
isa ser um rudo bran
o limitado em banda.
2. Suponha que em um sistema de
omuni
ao existem dois sinais sendo transmi-
x(t)
tidos:
re
eptor os sinais
sinal foi
Y (t)
X(t)
por
intervalo
(0, 2).
Mostre que
1
RY ( ) = RX ( ) cos(0 )
2
1
SY () = [SX ( + c ) + SX ( c )]
4
Esta a extenso do teorema da modulao para pro
essos esto
sti
os.
x(t)
y(t)
so independentes, ento
x(t) = A cos(1 t + )
y(t) = B cos(2 t + )
onde
pela equao
x(t) = A cos(0 t + )
onde
A, B
so onstantes e
buda no intervalo
(0, 2).
y(t) = B cos(n0 t + n)
194
6. Seja
h(t)
(
et
h(t) =
0
A entrada do ltro
esperado
X = 2
X(t),
E[Y (t)] = 2
aso ontrrio
Resp:
t0
X(t)
RY ( ) =
Y (t)
RX ( ) = ( ).
1 | |
e
2
RX ( ) = ( ).
(
e2t
h(t) =
0
t0
aso ontrrio
Resp:
SY (f ) =
8. O pro esso
Y (t)?
1
4 + 4 2 f 2
X(t)
delay line
SXY (f )
e a orrelao ruzada
RXY ( ).
Resp:
X(t)
um pro esso esto sti o Gaussiano de mdia zero om funo de auto or-
relao
Resp:
RX ( ) = 2| | .
fX(t),X(t+1) (x0 , x1 ) =
1
3 2
X(t)
X(t + 1)?
e 3 (x0 x0 x1 +x1 )
N (t)
om densidade espe
tral de potn
ia de
Z t
N (u) du.
integrador gerando a sada Y (t) =
Resp:
RY (t, ).
RY (t, ) = min{t, t + }
11. Verique quais das funes abaixo podem ser
onsideradas espe
tro densidade de
potn
ia de um pro
esso esto
sti
o real. Em
aso positivo,
al
ule a potn
ia do
pro
esso.
195
(a)
1
2 + 16
(b)
j[( 0 ) + ( + 0 )]
( )
1
4 + 9 2 + 18
(d)
2
+ 16
(e)
j 2
2 + 16
(f )
3
4 + 9 2 + 18
Resp:
(a) Sim.
P = 1/8.
(b) No.
(
) Sim.
P =
6 3
0, 0282.
18 2
(d) No.
(e) No.
(f ) No.
12. A funo de auto
orrelao de um sinal telegr
o dada por
RX ( ) = e2| |
Cal
ule o espe
tro densidade de potn
ia deste pro
esso.
Resp:
SX (f ) =
42
4
+ (2f )2
X(t),
to orrelao
RX ( ) = ea| |
onde
b
e
Resp: RY ( ) =
(a2 b2 )b
onde
sada
14. Seja um pro
esso rudo bran
o
ujas
omponentes de frequn
ia so limitadas
faixa
W f W .
Determine:
Resp:
196
(a)
(b)
(
)
N0 , |f | W
SX (f ) =
2
0,
aso
ontrrio
RX ( ) = N0 W sinc(2W )
P = N0 W
X(t)
X(t) = A cos(t + )
A
onde
intervalo
Y (t)
so dados por
Y (t) = A sen(t + )
so
onstantes
(0, 2).
uma v.a.
X(t)
Y (t).
RXY ( ) = RY X ( )
Resp:
(a)
A2
sen( )
2
A2
sen( )
RY X (t, t + ) =
2
RXY (t, t + ) =
(b)
16. Mostre que o espe
tro densidade de potn
ia de um sinal real real e par.
17. Seja
Y (n)
Y (n).
Resp:
(a)
E[Y (n)] = 0
2 + 2 (k)
RY (n, n + k) = A
(b)
2 () + 2 ,
SY () = 2A
Y (t)
denido por
Resp:
SY () =
A2
[SX ( c ) + SX ( + c )]
4
197
19. Na entrada de um ltro, tem-se um pro esso esto sti o om espe tro densidade
de pot n ia
S ().
a
S () = S0 .
S ()
-
Resp: (a)
S0
S ()
(b)
S0 2
.
2 + 2
S () =
S () = S0
........................................................................
S () = S0 exp 2( 0 )2 .
H(j)
e(0 )
........................................................................
( )
1p 2
+ 2
S0 = 120V2 /Hz.
Dados
R1 = R2 = 104
L = 102 H ,
a
a
densidade de pot n
ia, a funo de auto
orrelao e a pot n
ia do pro
esso de
sada.
L
R1
U1
R2
U2
H() =
Resp:
21. Seja
R2
U2 ()
=
=
,
U1 ()
R1 + R2 + jL
1 + jT
SY () =
S0 2
1 + (T )2
onde
RY ( ) =
d
RX ( )
R2
,
R1 + R 2
2 S0 | |
e T
2T
T =
L
.
R1 + R 2
2 S0
E Y 2 (t) =
T
um atraso onstante e
SX (f ).
Resp:
RY X ( ) = RX ( d)
RY ( ) = RX ( )
22. Seja
X(t)
um pro esso esto sti o diferen ivel, esta ionrio no sentido amplo.
Seja tambm
198
Y (t) =
En
ontre uma expresso para
SY (f )
RY ( )
SY (f ) = 4 2 f 2 SX (f )
RY ( ) =
X(t)
Y (t)
X(t) = A cos(t + )
Ae
so onstantes, e
no intervalo
em funo de
RX ( ).
d2
RX ( )
d 2
so dados por
Y (t) = A sen(t + )
(0, 2).
Resp: RXY
SX (f )
H(f ) = j2f .
onde
d
X(t)
dt
( ) =
RXY ( ) = RY X ( )
X(t)
Y (t).
A2
sen( )
2
a
SX ()
real.
SX ()
par.
SX ():
ej = cos() + j sen()
e os on eitos de funes
Captulo 10
Cadeias de Markov
Em geral, uma varivel aleatria dentro de um
onjunto, denindo um pro
esso esto
sti
o, no independente e de fato pode ser estatisti
amente dependente de vrias formas
omplexas. Neste
aptulo ser introduzida a
lasse dos pro
essos aleatrios de Markov
que tem uma forma simples de dependn
ia e bastante utilizada em modelamento de
problemas en
ontrados na prti
a.
t1 <
se
X(t)
se
X(t)
(10.1)
(10.2)
Se as amostras de
X(t)
valente a
tn
o presente,
tn+1
o futuro, e
(10.3)
propriedade de Markov.
t1 , . . . , tn1 ,
o passado.
200
Cadeias de Markov
Desta maneira, para os pro
essos de Markov, as fmp's e fdp's que so
ondi
ionadas
a vrios instantes de tempo, sempre se reduziro a fmp's e fdp's
ondi
ionadas apenas
ao mais re
ente instante de tempo. Por esta razo nos referimos ao valor de
instante
omo o
Exemplo 10.1.
X(t)
no
Sn = X1 + X2 + + Xn = Sn1 + Xn
onde os
Xi 's
distribudas e onde
Soluo.
Sn
S0 = 0,
Exemplo 10.2.
1
Yn = (Xn + Xn1 )
2
onde os
Xi
p = 1/2.
Verique se
Yn
Soluo.
A fmp de
Yn
1
4
1
2
1
4
Consideremos agora as seguintes probabilidades ondi ionais para dois valores onse utivos de
Yn :
P [Yn = 1, Yn1 = 1/2]
P [Yn1 = 1/2]
P [Xn = 1, Xn1 = 1, Xn2 = 0]
=
1/2
(1/2)3
1
=
1/2
4
Suponhamos agora que temos um onhe imento adi ional sobre o passado:
Cadeias de Markov
201
1
P [Yn = 1, Yn1 = 1/2, Yn2 = 0]
P Yn = 1|Yn1 = , Yn2 = 0 =
2
P [Yn1 = 1/2, Yn2 = 0]
P [Xn = 1, Xn1 = 1, Xn2 = 0, Xn3 = 0]
=
P [Xn1 = 1, Xn2 = 0, Xn3 = 0]
1
1/16
=
=
1/8
2
Desta forma,
1
1
P Yn = 1|Yn1 = , Yn2 = 0 6= P Yn = 1|Yn1 =
2
2
e este no um pro
esso de Markov.
Denio 10.2.
hamado de
Cadeia de Markov.
X(t) uma adeia de Markov, ento a fmp onjunta para trs instantes de tempo
arbitrrios
(10.4)
n+1
(10.5)
X(t)
202
Cadeias de Markov
Xn
n = 0 om a seguinte
fmp
(10.6)
por
(10.7)
Desta forma a fmp
onjunta para uma sequn
ia parti
ular simplesmente o produto
da probabilidade para o estado ini
ial
om as probabilidades para as transies de um
passo subsequentes.
Xn
Xn , Xn1 , . . . , X0
(10.8)
Xn
p00
p01
p02
p10
p
p12
11
.
.
.
.
.
.
.
.
.
P =
pi1,0 pi1,1 pi1,2
pi,0
pi,1
pi,2
A matriz
.
.
.
hamada de
.
.
.
e pela matriz
.
.
.
pi (0)
(10.9)
(10.10)
Note que a
1=
X
j
P [Xn+1 = j|Xn = i] =
X
j
pij
(10.11)
Cadeias de Markov
Exemplo 10.3.
203
que se o
Soluo.
Supondo
no instante
P =
passos, onde
n, i, j 0
(10.12)
n 0, k 0,
desde que as
em
t=2
em
t = 0,
em
t = 1,
e terminando
P [X2 = j, X1 = k|X0 = i] =
P [X2 = j, X1 = k, X0 = i]
P [X0 = i]
P [X2 = j|X1 = k]P [X1 = k|X0 = i]P [X0 = i]
P [X0 = i]
204
Cadeias de Markov
pik (1) e pkj (1) so
omponentes de P , a matriz de transio de
pij (2), a probabilidade de ir do estado i em t = 0 para o estado j
sobre todos os possveis estados intermedirios k
Note que
Obtemos
somando
pij (2) =
um passo.
t = 2,
em
i, j
(10.13)
O onjunto de equaes forne ido pela equao (10.13) arma que a matriz
P (2)
(10.14a)
P (n 1)
por
P (n)
en ontrada
P
P (n) = P (n 1)P
(10.14b)
P (n) = P n
isto , a
n-sima
(10.15)
n-sima
potn ia da matriz
n.
o vetor (linha) de
A probabilidade
rela iona-se a
p(n 1)
Seja
p(n) = pj (n)
pj (n)
atravs da expresso
pj (n) =
X
i
(10.16)
pij pi (n 1)
P
p(n) = p(n 1)P
Similarmente,
pj (n)
pj (n) =
p(0)
(10.17)
por
(10.18)
n = 1, 2, . . .
(10.19)
Cadeias de Markov
205
n
P n.
Exemplo 10.4.
Seja
= 1/10
= 1/5
no Exemplo 10.3.
En ontre
P (n)
para
n = 2, 4, 8, 16
Soluo.
P2
P4
P8
P 16
0.9 0.1
0.2 0.8
2
0.9 0.1
0.2 0.8
4
0.9 0.1
0.2 0.8
8
0.9 0.1
0.2 0.8
16
0.83 0.17
0.34 0.66
0.7467 0.2533
0.5066 0.4934
0.6859 0.3141
0.6282 0.3718
0.6678 0.3322
0.6644 0.3356
Pn
2/3 1/3
2/3 1/3
n ,
1
P =
+
n
(1 )n
+
+
1
+
Exemplo 10.5.
2/3 1/3
2/3 1/3
por
P [X0 = 0] = p0 (0)
P [X0 = 1] = 1 p0 (0)
Soluo.
n .
medida que
n ,
2/3 1/3
2/3 1/3
2 1
,
=
3 3
n .
206
Cadeias de Markov
n ,
a matriz
pij (n) j , i
medida que
n ,
(10.20)
pj (n)
j pi (0) = j
(10.21)
Uma adeia
n ,
pj (n) j , j
(10.22)
j =
pij i
(10.23a)
= P
(n 1)
(10.23b)
i = 1
(10.23 )
Nos referimos a
omo a
Se
p(n) = P n = ,
(10.24)
i0 , i1 , . . . , in
Cadeias de Markov
207
P [Xn+k = in , . . . , Xk = i0 ] =
= P [Xn+k = in |Xn+k1 = in1 ] P [X1+k = i1 |Xk = i0 ]P [Xk = i0 ]
= pin1 ,in pi0 ,i1 i0
a qual independente do instante ini
ial
k.
(10.25)
Observao:
Note que,
omo o pro
esso est em regime, as Equaes (10.23) e (10.24) so equivalentes. Em outras palavras, em regime permanente, as probabilidades dos estados so
sempre as mesmas, independentemente do nmero de transies efetuadas.
Exemplo 10.6.
10.3
Soluo.
0 = (1 )0 + 1
1 = 0 + (1 )1
o que impli
a que
e
= 1/5,
temos
0 = 1 = (1 0 )
0 =
2
=
+
3
desde que
1 =
0 + 1 = 1.
Ento, para
= 1/10
1
=
+
3
(10.26)
Este resultado vale independente do pro
esso ser de tempo dis
reto ou de tempo
ontnuo. No
aso
ontnuo, a equao (10.26) requer que saibamos as probabilidades
de transio no intervalo entre um instante de tempo arbitrrio
tempo arbitrrio
s + t:
P [X(s + t) = j|X(s) = i],
t0
e outro instante de
208
Cadeias de Markov
X(t)
Teorema 10.1.
tem
Seja
t 0, s
(10.27)
um
intervalo de omprimento
P (0) = I
onde
(10.28)
I a matriz identidade.
Exemplo 10.7.
pij (t) = P [j i
eventos em
segundos]
= p0,ji (t)
(t)ji t
e ,
(j i)!
ji
Portanto
P =
medida que
t
0
0
e
tet
...
.
.
.
.
.
.
.
.
.
t 0, et 1 t.
.
.
.
.
.
.
0
...
0
1
...
0
0
1 . . .
.
.
.
.
.
.
.
.
.
.
.
.
Exemplo 10.8.
Cadeias de Markov
209
1
1 + e2t
2
1
P [X(t) = a|X(0) = b] =
1 e2t ,
2
P [X(t) = a|X(0) = a] =
se
a 6= b
P (t) =
ontnuo, isto :
X(t)
gastar mais de
Ti
i.
A probabilidade de
P [Ti > t]
Suponha agora que o pro
esso j tenha estado no estado
probabilidade de gastar mais
por
segundos; ento a
de tempo
(10.29)
Somente a varivel aleatria exponen
ial satisfaz esta propriedade de ser sem memria. Ento o tempo gasto no estado
mdia
1/vi :
P [Ti > t] = evi t
(10.30)
ir geralmente ser diferente para
ada estado.
O resultado a
ima nos d uma outra maneira de olhar para
adeias de Markov
de tempo
ontnuo. A
ada vez que um estado
de o
upao de estado
prximo estado
Ti
om probabilidades de transio
sele
ionado de a
ordo
om
Markov embutida.
Tj ,
qij .
qij
de uma
adeia de
210
Cadeias de Markov
Exemplo 10.9.
1/
q00 = 0
q10 = 1
q01 = 1
q11 = 0
durante o
intervalo
=1
1 pii () = vi o()
Chamamos
vi
qij .
X(t)
i, ele
(10.31)
deixa o estado
i.
entra no estado
om probabilidade
Ento
(10.32)
= ij o()
Chamamos
estado
1
i.
no estado
partindo do
Denimos
Uma funo
g(h)
o(h)
se
lim
h0
g(h)
= 0,
h
isto , se
g(h)
h.
Cadeias de Markov
211
pii () 1 = ii o()
(10.33)
0,
e tomarmos o
obtemos
pij ()
= ij ,
0
lim
i 6= j
(10.34a)
pii () 1
= ii ,
0
lim
(10.34b)
desde que
o()
=0
0
lim
pois
o()
de ordem superior a
t,
> 0,
pj (t + ) = P [X(t + ) = j]
X
=
P [X(t + ) = j|X(t) = i]P [X(t) = i]
i
...
...
..
...
...
...
...
..........
...
..........
i j
..........
...
..........
...
..........
..........
...
..........
...
..........
..........
...
..........
...
..........
..........
...
..........
..........
...
..........
...
........
...
...
....
..........
...
..........
.
.
.
.
.
.
.
...
.
.
......
.
.
.
.
.
.
.
...
.
.
....
..........
...
..........
...
..........
..........
...
..........
.
.
.
.
.
.
.
...
.
.
.....
...
..........
..........
...
..........
...
..........
ij
...
...
...
...
...
..
.......................................................................................................................................................................................................................................................................................................................................
..
..
X(t)
X(t + )
p ()
q t
1
p ()
t+
pj (t)
j.
(10.35)
212
Cadeias de Markov
pj (t + ) pj (t) =
i6=j
i6=j
0,
(10.36)
obtemos
pj (t) =
ij pi (t)
(10.37)
Equaes de Chapman-Kolmogorov
pj (t)
este sistema de equaes diferen
iais
om
ondies ini
iais espe
i
adas pela fmp de
estado ini
ial
{pj (0), j = 0, 1, . . . }.
Importante:
Note que se resolvemos a Equao (10.37)
om a suposio de que o sistema estava no
i no instante ini
ial, isto ,
om
ondio ini
ial pi (0) = 1 e pj (0) = 0 para todo
j 6= i, ento a soluo de fato pij (t), a
omponente ij de P (t). Ento a Equao (10.37)
estado
pode tambm ser utilizada para en
ontrar a matriz de probabilidades de transio. Veja
o exemplo abaixo:
1/.
p0 (0)
No estado 0, o sistema
1/ .
En ontre as
p1 (0).
Soluo.
00 =
01 =
10 =
11 =
p0 (t) + p1 (t) = 1,
e do estado 1
Cadeias de Markov
213
p0 (0) = p0
+ Ce(+)t
+
p0 (t) =
Obtemos
fazendo
t=0
p0 (0). Assim,
p0 (t) =
+ p0 (0)
e(+)t
+
+
e resolvendo em termos de
en ontramos
e(+)t
+ p1 (0)
p1 (t) =
+
+
Note que medida que
t
p0 (t)
p1 (t)
t , as probabilidades
Exemplo 10.11.
Soluo.
taxa
Ento
ii =
i,i+1 =
p0 (t) = p0 (t),
j=0
j1
p0 (0) = 1,
a primeira equao
p0 (t) = et
Para a segunda equao, temos
p1 (t) = p1 (t) + et ,
p1 (0) = 0
que tambm uma equao diferen ial de primeira ordem, uja soluo
214
Cadeias de Markov
t t
e
1!
p1 (t) =
Adi ionalmente pode-se mostrar atravs de induo que a soluo para o estado
dada por
(t)j t
e
j!
pj (t) =
Note que para qualquer
j , pj (t) 0
medida que
t .
t .
Isto onsistente om o fato de que o pro esso res e de forma onstante om o tempo.
onvergem para uma fmp que no depende das ondies ini iais. Este omportamento
pj (t) pj
pj (t) 0,
0=
X
i
ij pi , j,
(10.38a)
jj = vj ,
vj pj =
X
i6=j
ij pi , j
(10.38b)
pj
desde que
X
i6=j
ji =
vj =
ij pi
(10.38 )
i6=j
ji
i6=j
de
j,
equaes lineares podemos obter a fmp dos estados do sistema em regime permanente
(quando existir).
p = {pi }
Cadeias de Markov
215
pi (t) = pi , t
O pro
esso resultante esta
ionrio, desde que a probabilidade da sequn
ia de
estados
i0 , i1 , . . . , in
nos instantes
P [X(t) = i0 ].
Mas
P [X(t) = i0 ] = pi0
para todo
t.
Exemplo 10.12.
Soluo.
p0 = p1
Notando que
p0 + p1 = 1,
p1 = p0
p1 =
obtemos
p0 =
Considere um
sistema de las no qual os
lientes so servidos um de
ada vez pela ordem de
hegada.
O tempo entre
hegadas de
lientes exponen
ialmente distribudo
om taxa
requerido para atender um
liente exponen
ialmente distribudo
om taxa
, e o tempo
. En
ontre
a fmp para o nmero de lientes no sistema quando este est em regime permanente.
216
Cadeias de Markov
Soluo.
taxa
ento
i,i+1 = i = 0, 1, 2, . . .
Quando o sistema no est vazio, os
lientes saem a uma taxa
Ento
i,i1 = i = 1, 2, 3, . . .
O diagrama de taxa de transio mostrado na Figura 10.3.
p0 = p1 , j = 0
(10.39a)
(10.39b)
pj pj+1 = pj1 pj , j = 1, 2, . . .
o que impli
a que
pj1 pj =
onstante, j = 1, 2, . . .
A Equao (10.40)
om
j = 1,
(10.40)
onstante
= p0 p1 = 0
pj1 = pj
ou equivalentemente,
pj = pj1 , j = 1, 2, . . .
e por induo
p j = j p 0
onde
= /.
Obtemos
p0
um:
1=
X
j=0
pj = (1 + + 2 + )p0 =
1
p0
1
Cadeias de Markov
217
< 1.
Ento
pj = (1 )j , j = 1, 2, . . .
(10.41)
A ondio para a existn ia de uma soluo de regime permanente tem uma expli ao simples. A ondio
<1
equivalente a
<
isto , a taxa na qual os
lientes
hegam pre
isa ser menor que a taxa na qual o sistema
possa atend-los. Caso
ontrrio, a la
res
e sem limite medida que o tempo passa.
Exemplo 10.14.
Um
para a qual o
orrem transies apenas entre estados adja
entes,
omo mostrado na Figura 10.4. O sistema de las dis
utido no exemplo anterior um exemplo de um pro
esso
de nas
imento e morte. Repita o exer
io anterior para um pro
esso de nas
imento e
morte geral.
Figura 10.4: Diagrama de taxa de transio para um pro
esso de nas
imento e morte
geral.
Soluo.
As Equaes de balano global para um pro esso de nas imento e morte geral
so
0 p0 = 1 p1 , j = 0
(10.42a)
(10.42b)
pj = rj pj1 , j = 1, 2, . . .
e
pj = rj rj1 r1 p0 , j = 1, 2, . . .
onde
rj = (j1 )/j .
Se denirmos
Rj = rj rj1 r1
ento en
ontramos
p0
atravs de
R0 = 1,
218
Cadeias de Markov
1=
X
j=0
Rj p 0 .
Se a srie da Equao a ima onverge, ento a fmp esta ionria dada por
pj =
Rj
X
Ri
(10.43)
i=0
pj = 0
para todo
j.
estado
de
a partir de
notao:
Os estados
a essvel a partir de
i.
a essvel a partir do
iej
se omuni am se
i a essvel
pii (0) = 1.
isto , se
Cadeias de Markov
para
para
k.
k.
219
razes.
Note que duas
lasses de estados diferentes pre
isam ser disjuntas desde que se
tiverem um estado em
omum, isto impli
aria que os estados de ambas as
lasses se
omuni
ariam entre si. Ento os estados de uma
adeia de Markov
onsistem de uma
ou mais
lasses de
omuni
ao disjuntas.
Exemplo 10.15.
Exemplo 10.16.
{0}, {1, 2}
{3}
Exemplo 10.17.
{0, 1, 2, 3}.
...
220
Cadeias de Markov
Exemplo 10.18.
{0, 1, 2, },
p > 0,
O estado
hamado
re orrente se o pro-
fi = P [alguma
O estado
i] = 1
hamado
transiente se
fi < 1
i,
ento o estado
o
orre novamente um nmero innito de vezes. Se ini
iamos uma
adeia de Markov em
um estado transiente, o estado no o
orre novamente depois de algum nmero nito
de retornos. Cada nova o
orrn
ia do estado pode ser vista
omo uma falha em uma
tentativa de Bernoulli. A probabilidade de falha
estado
fi .
om mdia
(1 fi )1 .
Se
fi < 1,
Cadeias de Markov
221
Xn
i,
isto ,
Ii (x) = 1 se
i ento
"
Ii (Xn )|X0 = i =
n=1
pii (n)
(10.44)
n=1
n=1
desde que
n=1
Similarmente, o estado
re orrente se e somente se
pii (n) =
(10.45)
transiente se e somente se
n=1
Exemplo 10.19.
(10.46)
Soluo.
n=1
1
p00 (n) = +
2
de modo que
2 3
1
1
+
+ = 1 <
2
2
Por outro lado, se o pro
esso se ini
iar no estado 1, teramos o pro
esso de dois
estado dis
utidos no Exemplo 10.4. Para este pro
esso mostramos que
p11 (n) =
1/2 + 1/4(7/10)n
+ (1 )n
=
+
3/4
de modo que
p11 (n) =
n=1
X
2
n=1
(7/10)n
3
Exemplo 10.20.
so transientes.
222
Cadeias de Markov
Soluo.
pii (n) =
n=1
n=1
Exemplo 10.21.
(1 p)n =
p > 0,
1p
<
p
transiente ou re orrente.
Soluo.
n+1
n1
o orrem durante os
2n
p00 (2n) =
A frmula de Stirling para
onde
an bn
quando
lim
n!
2n
2n n
p (1 p)n
n
2n n
(4p(1 p))n
p (1 p)n
n
n
an
= 1.
bn
n=1
p00 (2n)
X
(4p(1 p))n
n
n=1
re orrente.
Se o estado
re orrente e
i j,
ento o estado
pii (n),
a probabilidade de transio de
passos do estado
Cadeias de Markov
223
no mltiplo de
d,
onde
i tem perodo d
pii (n) = 0 quando
d,
isto ,
Exemplo 10.22.
Soluo.
n = 1, 2, . . .
Portanto
Exemplo 10.23.
perodo.
Soluo.
2, 4, 6, . . .
4, 6, 8, . . .
2.
Exemplo 10.24.
10.18.
Soluo.
Para este pro esso, um estado o orre novamente quando o nmero de su essos
(+1s) igual ao nmero de falhas (-1s). Isto a
onte
e somente depois de um nmero
par de eventos, e portanto este pro
esso tem perodo 2.
n .
tem algumas
lasses transientes e outras
lasses re
orrentes,
omo a
adeia do Exemplo
10.15, ento eventualmente o pro
esso ir entrar e permane
er em uma das
lasses
re
orrentes. Assim, podemos nos
on
entrar nas
lasses re
orrentes para o estudo das
probabilidades limite de uma
adeia.
224
Cadeias de Markov
i.
Figura 10.5).
Os
Ti
i=
depois de
retornos a
k
Ti (1) + Ti (2) + + Ti (k)
(10.47)
um nmero innito
aproxima
1
= i
E[Ti ]
(10.48)
onde
A Equao
i > 0,
Se
E[Ti ] = , ento
se o estado
re orrente positivo
i re orrente
nulo.
i = 0,
re orrente nulo
A Equao (10.48)
se o estado
ergdi os.
Uma
adeia de Markov ergdi
a denida
omo uma
adeia irredutvel, aperidi
a e
re
orrente positiva.
Exemplo 10.25.
Soluo.
E[T0 ]e 0 .
1/2.
1/2
Cadeias de Markov
225
1
1
E[T0 ] = (2) + (4) = 3
2
2
Portanto o estado 0 re
orrente positivo e a proporo de longo prazo de tempo em
que o sistema permane
e no estado 0
0 =
Exemplo 10.26.
1
3
atria re orrente se
mdio de
re orrn ia innito
da adeia
so re orrentes nulos.
Os
j 's
onrio
j =
X
i
i Pij , j
(10.49a)
i = 1
(10.49b)
i Pij
todos os estados
i,
Exemplo 10.27.
segue o estado
i.
Se somarmos sobre
j , j .
Exemplo 10.16.
Soluo.
1
0 = 1 + 3 ,
2
1
2 = 1 ,
2
1 = 0 ,
1 = 0
3 = 2
2 = 3 = 0 /2.
1 = 0 =
Note que
1
3
2 = 3 =
1
3
10.26.
Na Seo 10.2 vimos que para
adeias de Markov que exigem um
omportamento
esta
ionrio, a matriz de transio de
iguais medida que
Iremos agora
226
Cadeias de Markov
Teorema 10.2.
sitiva,
n
onde
Uma prova deste teorema pode ser en
ontrada em [Ros83. O Teorema 10.5.3 arma
que para
adeias de Markov irredutveis, aperidi
as e re
orrente positivas, as probabilidades dos estados aproximam-se de valores de estado de regime permanente que
so independentes da
ondio ini
ial. Estas probabilidades de regime permanente
orrespondem s probabilidades esta
ionrias obtidas nas Equaes (10.49a) e (10.49b) e
portanto
orrespondem proporo de longo prazo do tempo gasto no estado dado. Esta
a razo pela qual
adeias de Markov irredutveis, aperidi
as e re
orrente positivas
so
hamadas de ergdi
as.
Para pro
essos peridi
os, temos o seguinte resultado:
Teorema 10.3.
tiva om perodo
d,
lim pjj (nd) = dj
n
onde
Como antes,
o estado
o orrn ia do estado
Exemplo 10.28.
j.
Entretanto, o fato de
Soluo.
Nos Exemplos 10.25 e 10.27 vimos que proporo de longo prazo de tempo
gasto no estado 0
0 = 1/3.
estados pares nos instantes de tempo pares. Ento nestes instantes de tempo pares a
probabilidade do estado 0
2/3
e a probabilidade do estado 2
1/3.
Em instantes de
X(t) pode
ser vista
omo sendo
onstituda de uma sequn
ia de estados determinada por alguma
adeia de
Markov dis
reta
Xn
om probabilidades de transio
qij
Cadeias de Markov
227
j ,
X(t)
no estado
i /vi
pi = X
j /vj
j
onde
1/vi
i.
pi
que o estado
transies, e seja
Xn irredutvel
Ni (n) o nmero
Ti (j)
e re
orrente positiva,
de vezes que o estado
o tempo de o upao da
j -sima
vez
transies
Ni (n)
tempo gasto no estado
Ti (j)
j=1
i (n)
X NX
Ti (j)
j=1
Ni (n) 1
n Ni (n)
=
X Ni (n)
i
medida que
dade um,
n ,
(10.50)
Ni (n)
Ti (j)
j=1
Ni (n)
X
1
Ti (j)
Ni (n)
j=1
Ni (n)
i
n
(10.51)
a fmp esta ionria da adeia de Markov embutida. Adi ionalmente, temos que
medida que
bilidade um,
n ,
Ni (n)
Ni (n)
X
1
1
Ti (j) E[Ti ] =
Ni (n)
vi
(10.52)
j=1
1/vi .
tem mdia
i /vi
pi = X
= ci /vi
j /vj
j
aproxima
(10.53)
228
onde
Cadeias de Markov
j
j =
i qij ,
(10.54)
(10.53) e
qij = ij /vi
na Equao (10.54):
vj pj =
pi ij ,
i6=j
Ento os
pi 's
i = vi pi /c da Equao
Exemplo 10.29.
Soluo.
[
qij ] =
A equao
= [
qij ]
0 1
1 0
impli a que
0 = 1 =
v0 =
Adi ionalmente,
p0 =
v1 = .
1
2
Ento
1/2(1/)
=
1/2(1/ + 1/)
+
p1 =
Tn
o tempo de hegada do
n-simo
e do liente
n 1,
Zn
isto
Zn = Tn Tn1 , n 1
e
T0 = 0.
Seja
Mostre que se
0 0.5 0.5
P = 0.5 0 0.5
0.5 0.5 0
0
1
P =
0
0
0 0.5 0.5
0 0
0
1 0
0
1 0
0
P =
0
0 0 0.6 0.4
0
0 0 0
1
0
0 1 0
0
Cadeias de Markov
229
P =
1
0
1/2 1/2
{0, 1}
e matriz de pro-
P =
(a) En
ontre
(b) En
ontre
1a
a
b
1b
P n.
P n para n .
Resp:
a a
b a
n
+(1 a b)
b b
b a
1
b a
lim P n =
n
a+b b a
n
(a) P
(b)
1
=
a+b
n-
(1 )
Similarmente, se o
n-simo
(1 ),
e a probabilidade de siln io
= 1/10
= 1/5,
passo.
(
) Dadas as probabilidades ini
iais dos estados
p0 = p1 = 0, 5,
determine as
Resp:
(a)
0, 9 0, 1
0, 2 0, 8
(b)
P =
( )
3
4
P =
1
2
1
4
1
2
230
Cadeias de Markov
(a) En
ontre a distribuio esta
ionria de estados
(b) En
ontre
lim P n .
Resp:
(a)
(b)
21
p
=
33
2/3 1/3
n
P =
2/3 1/3
Xn1 = 0
Xn = 0
1a
-
................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
........
........
........
..
..
..
........
........
........
.......
.......
.......
........
........
........
........
........
........
........
........
........
........
........
........
........
........
........
.......
.......
.......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
........
.
........
........
..
..
........
........
........
........
........
........
........
.......
........
........
.......
.......
........ ...............
........ ...............
........ ...............
.. ..
..
..
...................
...................
...................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
........
........
........
.
.......
.......
........
........
........
........
.......
.......
.......
........
........
........
........
........
.......
........
........
........
........
........
........
........
........
........
........
........
.
.
........
........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
........
........
........
....
....
.
.
.....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
......
.
.
.
.
.
........ .......
........ .......
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
................................................................................................................................................... .................................................................................................................................................. .........................................................................................................................................................
Xn1 = 1
Aqui,
Xn
b 1b
Xn = 1
n-simo
estgio do anal, e
X0
denota o
P =
Assuma que
1a
a
b
1b
a = 0, 1 e b = 0, 2,
0 < a, b < 1
P [X0 = 0] = P [X0 =
1] = 0, 5.
Xn .
Xn
quando
n .
Di a:
1
P =
a+b
n
b a
b a
+ (1 a b)
a a
b b
Cadeias de Markov
231
Resp:
(a)
(b)
2 (0, 7)n
3
6
2
1
3
3
1 (0, 7)n
3
6
8. Considere uma adeia de Markov om dois estados e matriz de transio dada por
P =
0 1
1 0
lim P n
n
2
Di
a: Cal
ule P ,
Resp: (a)
[1/2
no existe.
P 3, P 4,
1/2]
i
j (i, j = 1, 2, 3) o
orre em uma unidade de tempo
om probabilidade
Ci e|ij| , > 0
Esbo
e uma
adeia de Markov para este problema e
al
ule as
onstantes
Resp:
C1 =
1
1+
e2
C2 =
1
1 + 2e
C3 =
Ci .
1
1+
+ e2
10. Dada a
adeia de Markov abaixo,
al
ule as probabilidades dos estados em regime
permanente (se existirem).
Resp:
5
=
9
2
9
2
9
pij
possui um estado
Mostre que
pk (n) = q, n.
232
Cadeias de Markov
12. Uma urna ontm ini ialmente 5 bolas bran as e 5 bolas pretas.
O seguinte
Xn
Xn
testes.
um pro esso de Markov? Se sim, esbo e uma adeia para este pro esso.
P (n), n ,
n?
Resp:
(a) Sim. Para
(b) No.
13. Seja
X(n)
X(n)
Resp:
p, j = i + 1
P = q, j = i 1
0, aso ontrrio
Apndi e A
Tabelas Matemti
as
A.1 Identidades trigonomtri
as
sen2 () + cos2 () = 1
sen( + ) = sen cos + cos sen
sen( ) = sen cos cos sen
cos( + ) = cos cos sen sen
cos( ) = cos cos + sen sen
sen 2 = 2 sen cos
cos 2 = cos2 sen2 = 2 cos2 1 = 1 2 sen2
1
sen sen = [cos( ) cos( + )]
2
1
cos cos = [cos( ) + cos( + )]
2
1
sen cos = [sen( + ) + sen( )]
2
1
cos sen = [sen( + ) sen( )]
2
1
sen2 = (1 cos 2)
2
1
cos2 = (1 + cos 2)
2
ej = cos + j sen
cos =
ej + ej
2
sen =
ej ej
2j
234
Tabelas Matemti as
A.3 Derivadas
Nas expresses a seguir,
u, v
so funes de
d
(c) = 0
dx
d
(cx) = c
dx
d
(cxn ) = ncxn1
dx
du dv
dw
d
(u v w ) =
dx
dx dx
dx
du
d
(cu) = c
dx
dx
d
dv
du
(uv) = u
+v
dx
dx
dx
du
dv
dw
d
(uvw) =
vw + u w + uv
dx
dx
dx
dx
d u
v(du/dx) u(dv/dx)
=
dx v
v2
du
d n
(u ) = nun1
dx
dx
dy
dy du
=
dx
du dx
du
d
sen(u) = cos(u)
dx
dx
du
d
cos(u) = sen(u)
dx
dx
x; a, b
so onstantes.
Tabelas Matemti as
235
loga (e) du
d
loga (u) =
, a > 0 e a 6= 1
dx
u dx
d
d
1 du
ln(u) =
loge (u) =
dx
dx
u dx
d u
du
a = au ln(a) , a > 0
dx
dx
d u
du
e = eu
dx
dx
d v ln(u)
d
du
dv
d v
u =
e
= ev ln(u) (v ln(u)) = vuv1
+ uv ln(u)
dx
dx
dx
dx
dx
d
1 du
arctg(u) =
dx
1 + u2 dx
udv = uv
xn dx =
vdu,
xn+1
,
n+1
onde
ex eto para
x1 dx = ln x
eax dx =
eax
a
ln xdx = x ln x x
(ln x)n
1
dx =
(ln x)n+1
x
n+1
1
x
1
dx = tan1
a2 + x2
a
a
xn ln(ax) dx =
xeax dx =
x2 eax dx =
cos(ax) dx =
xn+1
xn+1
ln(ax)
n+1
(n + 1)2
eax (ax 1)
a2
so funes de
n = 1
1
sen(ax) dx = cos(ax)
a
1
sen(ax)
a
sen2 (ax) dx =
x sen(2ax)
2
4a
x.
236
Z
Tabelas Matemti
as
1
(sen(ax) ax cos(ax))
a2
x sen(ax)dx =
x2 sen(ax)dx =
cos2 (ax)dx =
x cos(ax)dx =
x sen(2ax)
+
2
4a
1
(cos(ax) + ax sen(ax))
a2
x2 cos(ax)dx =
1
2 2
2ax
cos(ax)
2
sen(ax)
+
a
x
sen(ax)
a3
tn1 e(a+1)t dt =
(n)
(a + 1)n
n > 0, a > 1
um inteiro positivo
(n) = (n 1)! se n
1
=
2
1
1 3 5 (2n 1)
n+
n = 1, 2, 3, . . .
=
2
2n
2 x2
e
dx =
2
0
Z
1
2 2
xe x =
22
0
2 2 x2
=
x e
43
0
Z
n+1
n 2 x2
/ 2n+1
=
x e
2
0
Z
a
dx = , a > 0
2 + x2
a
2
0
Z
sen2 (ax)
dx = |a| , a > 0
2
x
2
0
Z
cos(mx)
ma
dx =
e
2
2
x +a
2a
0
r
Z
b2 4ac
(ax2 +bx+c)
e
dx =
e 4a
a
Apndi e B
Tabelas de transformadas de
Fourier
B.1 Denio
G(f ) = F {g(t)} =
g(t) = F
g(t)ej2f t dt
{G(f )} =
G(f )ej2f t df
B.2 Propriedades
Linearidade:
Es alonamento no tempo:
Dualidade:
se
F {g(t)ej2f0 t } = G(f f0 )
Diferen iao:
Integrao:
F {g(t)} = G(f )
Z
g(s)ds
ento
F {G(t)} = g(f )
Multipli ao no tempo:
Convoluo no tempo:
238
|t|
T ,
|t| < T
aso ontrrio
G(f )
sen(f T )
f T
(
1, W f W
0,
aso
ontrrio
T
sen2 (f T )
(f T )2
1
a + j2f
a2
2a
+ (2f )2
ef
(t)
(f )
(t t0 )
ej2f t0
ej2f0 t
(f f0 )
cos(2f0 t)
1
[(f f0 ) + (f + f0 )]
2
sen(2f0 t)
1
[(f f0 ) + (f + f0 )]
2j
u(t)
1
1
(f ) +
2
j2f
Apndi e C
Sries de Taylor
C.1 Srie de Taylor para funes de uma varivel
f (x) = f (a) + f (a)(x a) +
onde
Rn ,
o resto aps
Forma de Lagrange
Forma de Cau
hy
f (a)(x a)2
f (n1) (a)(x a)(n1)
+ +
+ Rn
2!
(n 1)!
Rn =
Rn =
determina se
+ , < x <
3!
5!
7!
x2 x4 x6
cos(x) = 1
+
+ , < x <
2!
4!
6!
x3 x5 x7
+
+
+ , < x <
senh(x) = x +
3!
5!
7!
ex = 1 + x +
240
x2 x4 x6
+
+
+ , < x <
2!
4!
6!
x2 x4
x5
esen(x) = 1 + x +
+ , < x <
2
8!
15!
x2 x4 31x6
ecos(x) = e 1
+
+ , < x <
2
6
720
cosh(x) = 1 +
Sries de Taylor
Apndi e D
p1 = p
0p1
Var[X] = p(1 p)
GX (z) = (q + pz)
Observaes : a varivel aleatria de Bernoulli o valor da funo indi
adora
algum evento
A; X = 1
se
IA
para
D.2 Binomial
SX = {0, 1, . . . , n}
n k
pk =
p (1 p)nk
k
E[X] = np
k = 0, 1, . . . , n
Var[X] = np(1 p)
GX (z) = (q + pz)n
Observaes :
o nmero de su essos em
D.3 Geomtri
a
Primeira verso
SX = {0, 1, 2, . . . }
pk = p(1 p)k
k = 0, 1, . . .
E[X] =
Var[X] =
1p
p
GX (z) =
1p
p2
p
1qz
Observaes :
242
Segunda verso
SX = {1, 2, . . . }
pk = p(1 p)k1
E[X ] =
1
p
GX (z) =
k = 1, 2, . . .
Var[X ] =
1p
p2
pz
1qz
Observaes :
X =X +1
um inteiro positivo
k = r, r + 1, . . . , n
r
r(1 p)
Var[X] =
p
p2
r
pz
GX (z) = 1qz
E[X] =
Observaes :
o nmero de tentativas at o
r-simo
D.5 Poisson
SX = {0, 1, 2, . . . }
pk =
k
e ,
k!
E[X] =
k = 0, 1, . . .
>0
Var[X] =
GX (z) = e(z1)
Observaes :
1/.
Apndi e E
fX (x) =
E[X] =
axb
a+b
2
X (j) =
Var[X] =
(b a)2
12
ejb eja
j(b a)
X (j) =
>0
Var[X] =
1
2
(x)2
1
e 22
2
>0
Var[X] = 2
X (j) = ej
2 2 /2
244
E.4 Gama
SX = (0, )
(x)1 ex
> 0, > 0
()
Var[X] = 2
E[X] =
1
X (j) =
(1 j/)
fX (x) =
E.5 m-Erlang
SX = (0, )
ex (x)m1
> 0, m
(m 1)!
m
m
Var[X] = 2
E[X] =
m
X (j) =
j
fX (x) =
Observaes :
inteiro positivo.
= m,
onde
variveis
um inteiro positivo.
x(k2)/2 ex/2
2k/2 (k/2)
E[X] = k
X (j) =
onde
um inteiro positivo.
Var[X] = 2k
k/2
1
1 j2
E.7 Rayleigh
SX = [0, )
x
2
2
fX (x) = 2 ex /(2 )
> 0.
om
E.8 Cau hy
2
Var[X] = 2
SX = (, )
fX (x) =
2
(x + 2 )
>0
X (j) = e||
E.9 Lapla
e
SX = (, )
fX (x) = e|x|
2
E[X] = 0
X (j) =
> 0.
Var[X] =
2
2 + 2
2
2
245
Apndi e F
N (0, 1).
(x)
de
(x)
247
(x)
(x)
(x)
-4.00
0.000031671
-3.50
0.000232629
-3.00
0.001349898
-2.50
0.006209665
-3.99
0.000033036
-3.49
0.000241510
-2.99
0.001394887
-2.49
0.006387154
-3.98
0.000034457
-3.48
0.000250706
-2.98
0.001441241
-2.48
0.006569119
-3.97
0.000035936
-3.47
0.000260229
-2.97
0.001488998
-2.47
0.006755652
-3.96
0.000037474
-3.46
0.000270087
-2.96
0.001538195
-2.46
0.006946850
-3.95
0.000039075
-3.45
0.000280293
-2.95
0.001588869
-2.45
0.007142810
-3.94
0.000040740
-3.44
0.000290857
-2.94
0.001641061
-2.44
0.007343630
-3.93
0.000042472
-3.43
0.000301790
-2.93
0.001694810
-2.43
0.007549411
-3.92
0.000044274
-3.42
0.000313105
-2.92
0.001750156
-2.42
0.007760253
-3.91
0.000046148
-3.41
0.000324814
-2.91
0.001807143
-2.41
0.007976260
-3.90
0.000048096
-3.40
0.000336929
-2.90
0.001865813
-2.40
0.008197535
-3.89
0.000050122
-3.39
0.000349463
-2.89
0.001926209
-2.39
0.008424186
-3.88
0.000052228
-3.38
0.000362429
-2.88
0.001988375
-2.38
0.008656319
-3.87
0.000054417
-3.37
0.000375840
-2.87
0.002052358
-2.37
0.008894042
-3.86
0.000056693
-3.36
0.000389712
-2.86
0.002118205
-2.36
0.009137467
-3.85
0.000059058
-3.35
0.000404057
-2.85
0.002185961
-2.35
0.009386705
-3.84
0.000061517
-3.34
0.000418891
-2.84
0.002255676
-2.34
0.009641869
-3.83
0.000064071
-3.33
0.000434229
-2.83
0.002327400
-2.33
0.009903075
-3.82
0.000066725
-3.32
0.000450087
-2.82
0.002401182
-2.32
0.010170438
-3.81
0.000069483
-3.31
0.000466479
-2.81
0.002477074
-2.31
0.010444077
-3.80
0.000072348
-3.30
0.000483424
-2.80
0.002555130
-2.30
0.010724110
-3.79
0.000075323
-3.29
0.000500936
-2.79
0.002635402
-2.29
0.011010658
-3.78
0.000078414
-3.28
0.000519035
-2.78
0.002717944
-2.28
0.011303844
-3.77
0.000081623
-3.27
0.000537737
-2.77
0.002802814
-2.27
0.011603791
-3.76
0.000084956
-3.26
0.000557061
-2.76
0.002890068
-2.26
0.011910625
-3.75
0.000088417
-3.25
0.000577025
-2.75
0.002979763
-2.25
0.012224472
-3.74
0.000092010
-3.24
0.000597648
-2.74
0.003071959
-2.24
0.012545461
-3.73
0.000095739
-3.23
0.000618951
-2.73
0.003166716
-2.23
0.012873721
-3.72
0.000099611
-3.22
0.000640952
-2.72
0.003264095
-2.22
0.013209383
-3.71
0.000103629
-3.21
0.000663674
-2.71
0.003364160
-2.21
0.013552581
-3.70
0.000107799
-3.20
0.000687137
-2.70
0.003466973
-2.20
0.013903447
-3.69
0.000112127
-3.19
0.000711363
-2.69
0.003572600
-2.19
0.014262118
-3.68
0.000116616
-3.18
0.000736375
-2.68
0.003681108
-2.18
0.014628730
-3.67
0.000121275
-3.17
0.000762194
-2.67
0.003792562
-2.17
0.015003422
-3.66
0.000126107
-3.16
0.000788845
-2.66
0.003907032
-2.16
0.015386334
-3.65
0.000131120
-3.15
0.000816352
-2.65
0.004024588
-2.15
0.015777607
-3.64
0.000136319
-3.14
0.000844739
-2.64
0.004145301
-2.14
0.016177383
-3.63
0.000141710
-3.13
0.000874031
-2.63
0.004269243
-2.13
0.016585806
-3.62
0.000147301
-3.12
0.000904255
-2.62
0.004396488
-2.12
0.017003022
-3.61
0.000153098
-3.11
0.000935436
-2.61
0.004527111
-2.11
0.017429177
-3.60
0.000159108
-3.10
0.000967603
-2.60
0.004661188
-2.10
0.017864420
-3.59
0.000165338
-3.09
0.001000782
-2.59
0.004798796
-2.09
0.018308899
-3.58
0.000171797
-3.08
0.001035002
-2.58
0.004940015
-2.08
0.018762766
-3.57
0.000178490
-3.07
0.001070293
-2.57
0.005084925
-2.07
0.019226172
-3.56
0.000185427
-3.06
0.001106684
-2.56
0.005233608
-2.06
0.019699270
-3.55
0.000192615
-3.05
0.001144206
-2.55
0.005386145
-2.05
0.020182215
-3.54
0.000200063
-3.04
0.001182890
-2.54
0.005542623
-2.04
0.020675162
-3.53
0.000207779
-3.03
0.001222768
-2.53
0.005703126
-2.03
0.021178269
-3.52
0.000215773
-3.02
0.001263873
-2.52
0.005867741
-2.02
0.021691693
-3.51
0.000224053
-3.01
0.001306238
-2.51
0.006036558
-2.01
0.022215594
248
(x)
(x)
(x)
(x)
-2.00
0.022750131
-1.50
0.066807201
-1.00
0.158655253
-0.50
0.308537538
-1.99
0.023295467
-1.49
0.068112117
-0.99
0.161087059
-0.49
0.312066949
-1.98
0.023851764
-1.48
0.069436623
-0.98
0.163543059
-0.48
0.315613696
-1.97
0.024419185
-1.47
0.070780876
-0.97
0.166023246
-0.47
0.319177508
-1.96
0.024997895
-1.46
0.072145036
-0.96
0.168527607
-0.46
0.322758110
-1.95
0.025588059
-1.45
0.073529259
-0.95
0.171056126
-0.45
0.326355220
-1.94
0.026189844
-1.44
0.074933699
-0.94
0.173608780
-0.44
0.329968553
-1.93
0.026803418
-1.43
0.076358509
-0.93
0.176185542
-0.43
0.333597820
-1.92
0.027428949
-1.42
0.077803840
-0.92
0.178786379
-0.42
0.337242726
-1.91
0.028066606
-1.41
0.079269841
-0.91
0.181411254
-0.41
0.340902973
-1.90
0.028716559
-1.40
0.080756659
-0.90
0.184060125
-0.40
0.344578258
-1.89
0.029378980
-1.39
0.082264438
-0.89
0.186732943
-0.39
0.348268273
-1.88
0.030054038
-1.38
0.083793322
-0.88
0.189429654
-0.38
0.351972707
-1.87
0.030741908
-1.37
0.085343450
-0.87
0.192150202
-0.37
0.355691245
-1.86
0.031442762
-1.36
0.086914961
-0.86
0.194894521
-0.36
0.359423566
-1.85
0.032156774
-1.35
0.088507991
-0.85
0.197662543
-0.35
0.363169348
-1.84
0.032884118
-1.34
0.090122672
-0.84
0.200454193
-0.34
0.366928263
-1.83
0.033624969
-1.33
0.091759135
-0.83
0.203269391
-0.33
0.370699981
-1.82
0.034379502
-1.32
0.093417508
-0.82
0.206108053
-0.32
0.374484165
-1.81
0.035147893
-1.31
0.095097917
-0.81
0.208970087
-0.31
0.378280478
-1.80
0.035930319
-1.30
0.096800484
-0.80
0.211855398
-0.30
0.382088577
-1.79
0.036726955
-1.29
0.098525329
-0.79
0.214763884
-0.29
0.385908118
-1.78
0.037537980
-1.28
0.100272567
-0.78
0.217695437
-0.28
0.389738752
-1.77
0.038363570
-1.27
0.102042315
-0.77
0.220649946
-0.27
0.393580126
-1.76
0.039203903
-1.26
0.103834681
-0.76
0.223627292
-0.26
0.397431886
-1.75
0.040059156
-1.25
0.105649773
-0.75
0.226627352
-0.25
0.401293674
-1.74
0.040929508
-1.24
0.107487697
-0.74
0.229649997
-0.24
0.405165128
-1.73
0.041815137
-1.23
0.109348552
-0.73
0.232695092
-0.23
0.409045884
-1.72
0.042716220
-1.22
0.111232437
-0.72
0.235762497
-0.22
0.412935577
-1.71
0.043632936
-1.21
0.113139446
-0.71
0.238852068
-0.21
0.416833836
-1.70
0.044565462
-1.20
0.115069670
-0.70
0.241963652
-0.20
0.420740290
-1.69
0.045513977
-1.19
0.117023196
-0.69
0.245097093
-0.19
0.424654565
-1.68
0.046478657
-1.18
0.119000107
-0.68
0.248252230
-0.18
0.428576284
-1.67
0.047459681
-1.17
0.121000484
-0.67
0.251428895
-0.17
0.432505068
-1.66
0.048457226
-1.16
0.123024403
-0.66
0.254626914
-0.16
0.436440537
-1.65
0.049471468
-1.15
0.125071935
-0.65
0.257846110
-0.15
0.440382307
-1.64
0.050502583
-1.14
0.127143150
-0.64
0.261086299
-0.14
0.444329995
-1.63
0.051550748
-1.13
0.129238112
-0.63
0.264347292
-0.13
0.448283213
-1.62
0.052616138
-1.12
0.131356881
-0.62
0.267628893
-0.12
0.452241573
-1.61
0.053698928
-1.11
0.133499513
-0.61
0.270930903
-0.11
0.456204687
-1.60
0.054799291
-1.10
0.135666060
-0.60
0.274253117
-0.10
0.460172162
-1.59
0.055917402
-1.09
0.137856572
-0.59
0.277595324
-0.09
0.464143607
-1.58
0.057053433
-1.08
0.140071090
-0.58
0.280957308
-0.08
0.468118627
-1.57
0.058207555
-1.07
0.142309654
-0.57
0.284338849
-0.07
0.472096829
-1.56
0.059379940
-1.06
0.144572299
-0.56
0.287739718
-0.06
0.476077817
-1.55
0.060570758
-1.05
0.146859056
-0.55
0.291159686
-0.05
0.480061194
-1.54
0.061780176
-1.04
0.149169950
-0.54
0.294598516
-0.04
0.484046563
-1.53
0.063008364
-1.03
0.151505002
-0.53
0.298055965
-0.03
0.488033526
-1.52
0.064255487
-1.02
0.153864230
-0.52
0.301531787
-0.02
0.492021686
-1.51
0.065521712
-1.01
0.156247645
-0.51
0.305025730
-0.01
0.496010643
ndi
e Remissivo
N -simo
Denio
lssi
a, 7
Denio por frequn
ia relativa, 5
A essibilidade, 218
Delta de Dira , 35
o, 11
Amostragem sem reposio e
om ordenao, 8
Amostragem sem reposio e sem ordenao., 10
Bayes, Teorema de, 13
Bernoulli, Distribuio de, 36
Densidades marginais, 52
Densidades marginais:
aso multidimensional, 53
Desigualdade de Chebyshev, 126
Desigualdade de Markov, 125
Dualidade, Prin
pio da, 5
Equaes de Balano Global, 214
Binomial, Distribuio, 37
Espao amostral, 2
Evento omplementar, 3
Evento nulo, 3
Eventos, 1
Causalidade, 174
Eventos equivalentes, 27
Eventos independentes, 14
Chi-Quadrado, Distribuio, 47
Experimento aleatrio, 1
rvore, 16
Exponen
ial, Distribuio, 40
Fdp e fmp onjunta de sequn ias de variveis aleatrias iid, 146
Correlao, 81
sionais, 85
Covarin ia, 81
atravs da, 83
Denio axiomti
a, 6
aleatrias usando a, 84
250
NDICE REMISSIVO
tar, 44
Funo distribuio de probabilidade
on-
Linearidade, 173
di
ional, 54
Funo
ara
tersti
a
n-dimensional,
85
m-Erlang, Distribuio, 46
Mtodo da rejeio, 94
Mtodo da transformada, 92
junta, 51
nmeros aleatrios, 90
ional, 55
Funo densidade de probabilidade da soma
de duas variveis aleatrias, 103
Funo densidade de probabilidade da soma Mdia do Produto de Duas Variveis Aleatrias Independentes, 77
de duas variveis aleatrias independetes, 104
Funo distribuio
umulativa, 27
Funo geratriz de momentos da soma de
variveis aleatrias iid, 109
Funo geratriz de momentos da soma de
variveis aleatrias independentes,
109
tidimensional, 61
Funes de variveis aleatrias:
aso unidimensional, 56
Fun
ional linear, 190
Gama, Distribuio, 45
Geomtri a, Distribuio, 38
Momento onjunto, 80
Momentos, 78
tria, 97
Gerao de misturas de variveis aleatrias, 98
Momentos Centrais, 79
Momentos de v.a.'s multidimensionais, 80
Mdia amostral, 132
mdia amostral, Mdia e varin
ia da, 133
Interse o de eventos, 3
Mtodos de ontagem, 7
NDICE REMISSIVO
251
Rayleigh, Distribuio de, 40
Probabilidade
onjunta, 11
Probabilidade de transio para
passos,
203
Probabilidade marginal, 12
um, 140
um, 174
Pro
esso rudo bran
o gaussiano, 191
Pro
essos
onjuntamente esta
ionrios no
sentido amplo, 182
Pro
essos de durao nita, semi-innita e
innita, 143
Pro
essos des
orrela
ionados, 181
Pro
essos ergdi
os, 164
118
Uniforme, Distribuio, 39
Unio de eventos, 3
Variveis aleatrias
ontnuas, 38
Variveis aleatrias dis
retas, 36
Variveis aleatrias a partir de pro
essos
esto
sti
os, 143
Varin
ia, 79
Variveis aleatrias
ontnuas, 31, 32
Variveis aleatrias dis
retas, 30
Variveis aleatrias independentes, 56
Variveis aleatrias mltiplas, 51
Varivel aleatria, 25
Varin
ia da soma de variveis aleatrias,
101
Varin
ia da soma de variveis aleatrias
independentes, 102
ons of sto
hasti
pro
esses - theory, problems and solutions, Resear
h Studies
Press, Taunton, Somerset, England, 1989.
[Fel68
W. Feller, An introdu
tion to probability theory and its impli
ations, vol. I,
John Wiley and Sons, New York, 1968.
[Hay01
[Hsu96
Simon Haykin, Communi
ation systems, John Wiley and Sons, 2001.
Hwei P. Hsu, Probability, random variables and sto
hasti
pro
esses, M
GrawHill, 1996.
[Jr.87
Wilber B. Davenport Jr., Probability and random pro esses. an introdu tion
Bhagwandas Pannalal Lathi, Modern digital and analog ommuni ation sys-
Alberto Leon-Gar ia, Probability and random pro esses for ele tri al engine-
[Pap84
Athanasios Papoulis, Probability, random variables and sto
hasti
pro
esses,
M
Graw-Hill, 1984.
[Pro95
[Ros83
Sheldon. M. Ross, Sto
hasti
pro
esses, John Wiley and Sons, New York,
1983.
[Spi78
[SW94
tion theory for engineers - se
ond edition, Prenti
e Hall, New Jersey, 1994.
[Swo94
[YG98
Roy D. Yates and David J. Goodman, Probability and sto hasti pro esses -
a friendly introdu
tion for ele
tri
al and
omputer engineers, John Wiley and
Sons, New York, 1998.