01 - tp501

Probabilidade, Estatsti
a e Pro essos Esto sti os
Carlos Alberto Ynoguti

24 de julho de 2007
Agrade imentos
Ao Prof. Dr. Dayan Adionel Guimares pela riteriosa reviso do texto.
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
Prin pio da Dualidade.
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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Cl ulo de probabilidades usando mtodos de ontagem. . . . . . . . . .
7
8
1.4.1
Amostragem om reposio e ordenao. . . . . . . . . . . . . . .
1.4.2
Amostragem sem reposio e om ordenao.
. . . . . . . . . . .
1.4.3
Permutao de n objetos distintos. . . . . . . . . . . . . . . . . .
1.4.4
Amostragem sem reposio e sem ordenao.
. . . . . . . . . . .
10
1.4.5
Amostragem om reposio e sem ordenao.
. . . . . . . . . . .
11
Probabilidade Conjunta. . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
1.5.1
Probabilidades Marginais. . . . . . . . . . . . . . . . . . . . . . .
Probabilidade Condi ional.
Regra de Bayes. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
1.7
Eventos independentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
1.8
Experimentos sequen iais e diagramas em rvore
1.9
Exer ios
1.6.1
. . . . . . . . . . . . . . . . . . . . . . . . .
12
1.6
. . . . . . . . . . . . .
16
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2 Variveis Aleatrias
2.1
Denio.
12
25
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.2
Funo distribuio umulativa. . . . . . . . . . . . . . . . . . . . . . . .
27
2.3
Tipos de Variveis Aleatrias
. . . . . . . . . . . . . . . . . . . . . . . .
30
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
2.4
2.5
2.3.1
Dis retas
2.3.2
Contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
2.3.3
Mistas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
Funo Densidade de Probabilidade . . . . . . . . . . . . . . . . . . . . .
33
2.4.1
33
Denio
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.2
Propriedades
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.4.3
Caso Dis reto . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
Algumas variveis aleatrias dis retas importantes

2.5.1
Bernoulli
. . . . . . . . . . . .
36
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
SUMRIO
2.6
iii
2.5.2
Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
2.5.3
Poisson
37
2.5.4
Geomtri a
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
Algumas variveis aleatrias ontnuas importantes . . . . . . . . . . . .
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
Densidades Condi ionais . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
2.8
Variveis Aleatrias Mltiplas . . . . . . . . . . . . . . . . . . . . . . . .
51
2.8.1
51
2.9
Funo Distribuio de Probabilidade Conjunta . . . . . . . . . .
2.8.2
Densidades marginais
. . . . . . . . . . . . . . . . . . . . . . . .
52
2.8.3
Caso multidimensional . . . . . . . . . . . . . . . . . . . . . . . .
53
2.8.4
Funo distribuio de probabilidade ondi ional
54
2.8.5
Independn ia Estatsti a de Variveis Aleatrias . . . . . . . . .
56
Funes de Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . .
56
. . . . . . . . .
2.9.1
Caso Unidimensional . . . . . . . . . . . . . . . . . . . . . . . . .
56
2.9.2
Caso Multidimensional . . . . . . . . . . . . . . . . . . . . . . . .
61
2.10 Exer ios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 Mdias Estatsti as de Variveis Aleatrias

3.1
3.2
64
72
Mdias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
3.1.1
Mdia de uma Varivel Aleatria . . . . . . . . . . . . . . . . . .
72
3.1.2
Mdia de uma Funo de uma Varivel Aleatria
74
3.1.3
Mdias para Variveis Mltiplas
3.1.4
Mdia da Soma de Funes
3.1.5
Mdia do Produto de Duas Variveis Aleatrias Independentes
3.1.6
Mdia Quadrti a da Soma de Duas Variveis Aleatrias . . . . .
77
3.1.7
Mdia ondi ional
. . . . . . . . . . . . . . . . . . . . . . . . . .
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
Variveis Aleatrias Des orrela ionadas e Ortogonais . . . . . . .
momento
3.3
Funes Cara tersti as
3.4
Exer ios
3.3.1
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
Caso multidimensional . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4 Mtodos omputa ionais para gerao de nmeros aleatrios
78
82
82
85
85
90
4.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
4.2
Mtodo do resduo da potn ia
. . . . . . . . . . . . . . . . . . . . . . .
90
4.3
Mtodo da transformada . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
iv
SUMRIO
4.4
O mtodo da rejeio . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
4.5
Gerao de funes de uma varivel aleatria
. . . . . . . . . . . . . . .
97
4.6
Gerao de misturas de variveis aleatrias
. . . . . . . . . . . . . . . .
98
4.7
Exer ios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
5 Somas de Variveis Aleatrias e o Teorema do Limite Central

5.1
100
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
100
100
5.2
Mdias de somas
5.3
Fdp da soma de duas v.a.'s
5.4
Funo geratriz de momentos
5.5
FGM da soma de v.a.'s independentes
5.6
Somas de v.a.'s gaussianas independentes
5.7
Somas aleatrias de v.a.'s independentes . . . . . . . . . . . . . . . . . .
112
5.8
Teorema do limite entral
116
5.9
Apli aes do Teorema do Limite Central
5.10 Exer ios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .
103
105
109
111
. . . . . . . . . . . . . . . . .
118
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
120
6 Limitantes Superiores para a Probabilidade de Cauda
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
Valor esperado e varin ia . . . . . . . . . . . . . . . . . . . . . . . . . .
132
7.3
Mdia amostral de nmeros grandes
7.4
Leis de Nmeros Grandes
7.5
. . . . . . . . . . . . . . . . . . . .
134
. . . . . . . . . . . . . . . . . . . . . . . . . .
135
7.4.1
Lei Fra a de Nmeros Grandes
. . . . . . . . . . . . . . . . . . .
7.4.2
Lei Forte de Nmeros Grandes
. . . . . . . . . . . . . . . . . . .
137
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
138
Exer ios
8 Pro essos Esto sti os
136
140
8.1
Denio
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
140
8.2
Tipos de pro esos esto sti os . . . . . . . . . . . . . . . . . . . . . . . .
142
143
8.3
Variveis aleatrias a partir de pro essos esto sti os . . . . . . . . . . .
8.4
Sequn ias aleatrias independentes e identi amente distribudas
8.5
Pro esso de Contagem
. . . .
145
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
147
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
148
8.6
Pro esso de Poisson
8.7
Pro esso sinal telegr o aleatrio
. . . . . . . . . . . . . . . . . . . . .
152
8.8
Pro esso movimento Browniano . . . . . . . . . . . . . . . . . . . . . . .
154
8.9
Mdias estatsti as de pro essos aleatrios
. . . . . . . . . . . . . . . . .
155
8.9.1
Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
159
8.9.2
Funo de auto ovarin ia . . . . . . . . . . . . . . . . . . . . . .
159
8.10 Classi ao dos pro essos esto sti os . . . . . . . . . . . . . . . . . . .
160
8.10.1 Pro essos esto sti os esta ionrios e no esta ionrios . . . . . .
160
8.10.2 Pro essos esta ionrios no sentido amplo . . . . . . . . . . . . . .
161
8.10.3 Pro essos ergdi os . . . . . . . . . . . . . . . . . . . . . . . . . .
164
8.11 Exer ios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
166
SUMRIO
9 Pro essamento de Sinais Aleatrios
173
9.1
Sistemas lineares e invariantes no tempo . . . . . . . . . . . . . . . . . .
173
9.2
Filtragem linear de um pro esso esto sti o
174
9.3
Espe tro densidade de potn ia . . . . . . . . . . . . . . . . . . . . . . .
177
9.4
Correlaes ruzadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
181
9.4.1
Funo de orrelao ruzada . . . . . . . . . . . . . . . . . . . .
181
9.4.2
Densidade espe tral ruzada . . . . . . . . . . . . . . . . . . . . .
184
9.4.3
. . . . . . . . . . . . . . . .
Filtragem de pro essos esto sti os . . . . . . . . . . . . . . . . .
186
9.5
Pro essos gaussianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
188
9.6
Pro esso rudo bran o gaussiano
. . . . . . . . . . . . . . . . . . . . . .
191
9.7
Exer ios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
193
10 Cadeias de Markov
199
10.1 Pro essos de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
199
10.2 Cadeias de Markov de Tempo dis reto
202
10.2.1 Probabilidade de transio para

10.2.2 Probabilidades dos estados
10.2.3 Probabilidades em regime
. . . . . . . . . . . . . . . . . . .
passos . . . . . . . . . . . . . .
203
. . . . . . . . . . . . . . . . . . . . .
204
. . . . . . . . . . . . . . . . . . . . . .
206
10.3 Cadeias de Markov em tempo ontnuo . . . . . . . . . . . . . . . . . . .
207
10.3.1 Tempos de o upao de estados . . . . . . . . . . . . . . . . . . .
209
10.3.2 Taxas de transio e probabilidades de estados dependentes de

tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
210
10.4 Probabilidades de Estados em Regime e Equaes de Balano Globais
214
10.5 Classes de estados, propriedades de re orrn ia e probabilidades limite
218
10.5.1 Classes de estados
. . . . . . . . . . . . . . . . . . . . . . . . . .
218
10.5.2 Propriedades de re orrn ia . . . . . . . . . . . . . . . . . . . . .
220
10.5.3 Probabilidades limite . . . . . . . . . . . . . . . . . . . . . . . . .
223
10.5.4 Probabilidades limite para as adeias de Markov de tempo ontnuo226

10.6 Exer ios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A Tabelas Matemti as
228
234
A.1
Identidades trigonomtri as
A.2
Coe ientes Binomiais
A.3
Derivadas
A.4
Integrais indenidas
A.5
Integrais denidas
. . . . . . . . . . . . . . . . . . . . . . . . .
234
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
235
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
235
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
236
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
237
B Tabelas de transformadas de Fourier
238
B.1
Denio
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.2
Propriedades
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
238
B.3
Pares de transformadas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
239
C Sries de Taylor
238
240
C.1
Srie de Taylor para funes de uma varivel
. . . . . . . . . . . . . . .
240
C.2
Expanses mais utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . .
240
vi
SUMRIO
D Variveis aleatrias dis retas
242
D.1
Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
242
D.2
Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
242
242
D.3
Geomtri a
D.4
Binomial negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
243
D.5
Poisson
243
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
E Variveis aleatrias ontnuas
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
F Valores da distribuio normal
247
Bibliograa
253
Lista de Figuras
1.1
Espao amostral para o arremesso de um dado.
1.2
Representao do a) omplemento, b) unio, ) interseo de eventos, e
1.3
Demonstrao da lei de De Morgan.
. . . . . . . . . . . . . . . . . . . .
1.4
Espao amostral para a derivao da regra de Bayes. . . . . . . . . . . .
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
P [a < X b] = FX (b) FX (a)
2.4
. . . . . . . . . . . . . . . . . . . . . . .
28
Exemplo de uma fd de uma v.a. dis reta. . . . . . . . . . . . . . . . . .
31
X.
2.5
Gr o da fd de v.a. ontnua
2.6
Gr o de
2.7
Um exemplo de v.a. mista.
2.8
A funo densidade de probabilidade espe i a a probabilidade de inter-
FX (x). .
. . . . . . . . . . . . . . . . . . . . .
31
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
. . . . . . . . . . . . . . . . . . . . . . . . .
valos de largura innitesimal.

2.9
. . . . . . . . . . . . . . . . . . . . . . . .
A probabilidade de um intervalo
[a, b] a rea sob a fdp naquele

X. . . . . . . . . . . . . . .
fX (x), e ) fY (y). . . . . . . .
33
34
intervalo. 34
2.10 Fd 's ondi ional e in ondi ional de
. . . . .
51
2.11 a) Dependn ia entre X e Y, b)
. . . . .
57
2.12 Uma transformao da v.a.

de
Y.
e um exemplo das fdp's orrespondentes
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
2.13 Funo de uma v.a. om duas razes. . . . . . . . . . . . . . . . . . . . .
59
X.
. . . . . . . . . . . . . . . . .
60
2.15 Funo densidade de probabilidade de Rayleigh. . . . . . . . . . . . . . .
64
2.14 Uma transformao quadrti a da v.a.
2.
3.1
Funo densidade de probabilidade gaussiana om mdia
3.2
Y = g(X).
4.1
Mtodo da transformada para gerar uma varivel aleatria om fd
4.2
Gerando uma varivel aleatria om distribuio de Bernoulli. . . . . . .
93
94
e varin ia
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
FX (x).
4.3
Gerando uma varivel aleatria om distribuio Binomial. . . . . . . . .
4.4
Mtodo da rejeio para gerar uma varivel aleatria om fdp
4.5
Mtodo da rejeio para gerar uma varivel aleatria om distribuio

gama (0
< < 1).
fX (x).
. .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1
Regio de integrao para a obteno de
5.2
Regio de integrao para a obteno de
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
Um limitante superior exponen ial usado para obter a probabilidade de
(sombreada). . . . . . . . . . . . . . . . . . . . . . . . . . . . .
auda (limitante de Cherno ). . . . . . . . . . . . . . . . . . . . . . . . .

7.1
117
127
128
Convergn ia de uma sequn ia de mdias amostrais obtidas a partir

de uma sequn ia de v.a.'s om distribuio Gaussiana de mdia 4 e
varin ia 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
137
8.1
Um pro esso esto sti o que representa a temperatura de uma idade.
141
8.2
Um onjunto om um nmero nito de funes amostra. . . . . . . . . .
141
8.3
Funes amostra de quatro tipos de pro essos esto sti os:
X(t)
um
X(n), obtido a partir da

amostragem de X(t) em instantes de tempo inteiros n, dis reto no tempo
e ontnuo na amplitude; Y (t) obtida a partir da quantiza o de X(t)
pro esso ontnuo no tempo e na amplitude;
nos instantes de amostragem, e um pro esso dis reto na amplitude e

ontnuo no tempo; nalmente,
Y (n),
um pro esso dis reto no tempo e
na amplitude, obtido a partir da amostragem de
Y (t).
. . . . . . . . .
143
. . . . . . . . . . . . . . .
148
8.4
Funo amostra de um pro esso de ontagem
8.5
Funo amostra de um pro esso telegr o aleatrio
8.6
Forma de onda do pulso
8.7
Erro de deteo devido ao rudo.
8.8
Pro esso esto sti o omprimido no tempo.
8.9
Fdp dos pro essos
y.
p(t).
. . . . . . . . . . .
152
. . . . . . . . . . . . . . . . . . . . . . . .
155
. . . . . . . . . . . . . . . . . . . . . .
157
. . . . . . . . . . . . . . . . . . . . . . . . . . .
157
9.1
Filtro passa faixa ideal
B
9.2
Hz.
Y (t).
158
. . . . . . . . . . . . . . . . .
162
. . . . . . . . . . . . . . . . . .
165
X(t) = A cos(c t + ). .
8.12 Classi ao dos pro essos esto sti os.
X(t)
. . . . . . . .
8.10 Funes de auto orrelao para os pro essos

8.11 Pro esso aleatrio
156
. . . . . . . . . . . . . . . .
H(f ) om frequn ia entral f0 e largura de banda
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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. .
10.1 Transies para o estado
j.
. . . . . . . . . . . . . . . . . . . . . . . . .
10.2 Balano global de uxo de probabilidade.
. . . . . . . . . . . . . . . . .
10.3 Diagrama de transio de estados para o sistema M/M/1.
. . . . . . . .
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.
(No exemplo da ara e oroa, quais seriam
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.
Algumas denies importantes:

Denio 1.1. Experimento aleatrio:
um experimento hamado aleatrio se
seu resultado no pode ser predito pre isamente porque as ondies em que realizado
no podem ser predeterminadas om pre iso su iente.
Exemplo:
arremesso de dados ou moedas.
Denio 1.2. Resultados:

perimento.
Exemplo:
ara, oroa.
so os resultados parti ulares da exe uo de um ex-
Probabilidade
Denio 1.3. Eventos:
so onjuntos de resultados que atendem a algumas espe-
i aes.
Exemplo:
no aso de jogar dados, o evento nmero mpar em um arremesso pode
resultar de qualquer um de 3 resultados 1,3,5. Desta forma este um evento de 3

resultados. Portanto, eventos so agrupamentos de resultados em lasses.
1.2 Teoria de Conjuntos.

Denio 1.4. Espao amostral:
o espao amostral
denido omo uma oleo
de todos os resultados possveis de um experimento aleatrio. Cada resultado um

elemento ou amostra deste espao e pode ser onvenientemente representado por um
ponto no espao amostral.
Exemplo 1.1.
4 , 5 , 6 ,
No aso do dado, o espao amostral onsiste de 6 elementos
onde os
1 , 2 , 3 ,
representam o resultado i pontos. O evento, por outro lado,
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
Similarmente, o evento nmero par
outro sub onjunto de S (ou um onjunto om os
O evento nmero menor ou igual a 4 em uma jogada, denotado
por B formado pelos elementos
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
Figura 1.1: Espao amostral para o arremesso de um dado.
Probabilidade
Denio 1.5.
omplemento de um evento A, denotado por Ac , o evento que
ontm todos os pontos de
que no esto em
A.
No exemplo a ima, quais so os eventos omplementares de
Denio 1.6.
Ao , Ae ,
Observe que o evento nulo o omplemento do espao amostral
A B = B A.
Denio 1.8.
AB ,
S : = Sc.
Ao Ae , Ao B , Ae B ).
Observe
interseo dos eventos A e B , denotada por A B ou simples-
o evento que ontm pontos omuns a
onhe ido omo evento onjunto
Observe que
evento nulo,
B.
Verique no exemplo anterior quais so os eventos
mente
?.
unio de eventos A e B , denotada por AB , aquele que ontm
todos os pontos em
que
Um evento que no ontm elementos hamado de
e denotado por
Denio 1.7.
AB = BA.
e a
B.
Este evento tambm
AB .
Na gura 1.2 abaixo, tem-se estes on eitos mostrados
gra amente em diagramas de Venn.
Denio 1.9.
eventos
Se os eventos
so tais que
disjuntos ou mutuamente ex lusivos.
Isto quer dizer que
AB =
ento
no podem o orrer simultaneamente. (A e
amente ex lusivos).
Estes on eitos so mostrados de forma gr a na Figura 1.2.
so ditos
Ac
so mutu-
Probabilidade
g repla ements
Ac
A
A
b)
a)
B
d)
Figura 1.2: Representao do a) omplemento, b) unio, ) interseo de eventos, e d)

eventos disjuntos.
1.2.1 Lei de De Morgan.

Teorema 1.1.
Se
so eventos em um espao amostral ento:
A+B =AB
(1.1)
Equivalentemente, podemos es rever:
AB = A + B
(1.2)
Demonstrao. A lei de De Morgan pode ser fa ilmente demonstrada por meio de diagramas de Venn:
Sfrag repla ements
A+B
AB
Figura 1.3: Demonstrao da lei de De Morgan.
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)
Usando (1.1) segue que
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.
1.2.2 Prin pio da Dualidade.

Sabemos que
S =
= S.
Alm disso, se em uma identidade omo (1.3) todas as
barras forem removidas, a identidade preservada. Isto leva seguinte verso da lei de
De Morgan:
Proposio 1.1.
Se em uma identidade de onjuntos substitumos todas as unies
por interse es, todas as interse es por unies, e os onjuntos
pelos onjuntos
respe tivamente, a identidade preservada.
Apli ando o teorema a ima s identidades
A(B + C) = AB + AC
S =A+S
obtemos as identidades
A + BC = (A + B)(A + C)
= A
1.3 Denies de Probabilidade.

1.3.1 Frequn ia Relativa.
Embora o resultado de um experimento aleatrio seja imprevisvel, existe uma regularidade estatsti a sobre este, e a denio por freqn ia relativa baseia-se nesta regularidade.
Probabilidade
Denio 1.10.
A probabilidade
P (A)
P (A) = lim
onde
nA
o nmero de o orrn ias de
de um evento
dada pelo limite
nA
n
(1.5)
o nmero de tentativas.
Observaes importantes
1. Segue da denio que
2. Se
0 P (A) 1.
so dois eventos mutuamente ex lusivos
P (A + B) = P (A) + P (B) = lim
3. Se
A1 , A2 , ..., AN
nA + nB
n
(1.6)
no forem mutuamente ex lusivos ento:
P (A1 + A2 + ... + AN ) < P (A1 ) + P (A2 ) + . . . + P (AN )
(1.7)
1.3.2 Axiomti a.
Denio 1.11.
A aproximao axiomti a para a probabilidade baseada nos trs
postulados seguintes e nada mais:

1. A probabilidade
P (A)
de um evento
um nmero positivo asso iado a este
evento
P (A) 0
(1.8)
2. A probabilidade do espao amostral igual a 1
P (S) = 1
3. Se os eventos
(1.9)
so mutuamente ex lusivos, ento
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
Determinar a probabilidade de obteno de uma ara e duas oroas em
3 arremessos de uma moeda ideal.
Probabilidade
Soluo.
Neste aso, os resultados possveis so:
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
So possveis 8 resultados mutuamente ex lusivos
P (1ca, 2co) = P (A4 ) + P (A6 ) + P (A7 ) = 3/8.
P (Ai ) = 1/8
1.3.3 Clssi a.
Denio 1.12.
A probabilidade
P (A)
de um evento
determinada a priori sem
experimentao real, e dada pela expresso
P (A) =
nA
n
(1.11)
onde:
n: nmero de resultados possveis,

nA : nmero de resultados favorveis
ao evento
A.
Verso melhorada da denio lssi a

Denio 1.13.
A probabilidade de um evento igual razo entre seus resulta-
dos favorveis e o nmero total de resultados, desde que todos os resultados sejam
equiprovveis.
Exemplo 1.4.
Arremesso de um dado
P (mpar) = 3/6 = 1/2.
1.4 Cl ulo de probabilidades usando mtodos de ontagem.

Em muitos experimentos om espaos amostrais nitos, os resultados podem ser assumidos omo sendo equiprovveis. A probabilidade de um evento ento a razo entre
o nmero de resultados no evento de interesse e o nmero total de resultados no espao
amostral. O l ulo das probabilidades se reduz a ontar o nmero de resultados de um
evento.
Probabilidade
Suponha que um teste de mltipla es olha tem
estudante pre isa sele ionar uma entre
ni
questes e para a questo
respostas possveis. Qual o nmero total de
modos de responder a todo o teste?
i pode ser vista omo a espe i ao da i-sima omponente de

k -upla, de modo que a questo a ima equivalente a: quantas k -uplas ordenadas
distintas (x1 , . . . , xk ) so possveis se xi um elemento de um onjunto om ni elementos
A resposta questo
uma
distintos?
O nmero de
onjunto om
ni
k -uplas
ordenadas distintas
(x1 , . . . , xk )
om omponentes
xi ,
de um
elementos distintos dado por

nmero de k-uplas ordenadas distintas
= 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.
1.4.1 Amostragem om reposio e ordenao.

Suponha que es olhemos
A que tem n objetos distintos, om

A omo a populao. O experimento produz
xi A, i = 1, 2, . . . , k. A Equao 1.12, om
objetos de um onjunto
reposio. Iremos nos referir ao onjunto
k -upla ordenada (x1 , . . . , xk ), onde

n1 = n2 = . . . = nk = n impli a que
uma
nmero de k -uplas ordenadas distintas
Exemplo 1.5.
= nk
(1.13)
Uma urna ontm in o bolas numeradas. Suponha que sele ionamos
duas bolas da urna om reposio.
Quantos pares ordenados distintos so possveis?
Qual a probabilidade de retirar duas vezes a mesma bola?
Soluo.
A Equao 1.13 diz que o nmero de pares ordenados
abaixo temos os pares possveis.
52 = 25.
Na Tabela
Cin o dos resultados possveis so de bolas om o
mesmo nmero. Se supomos que todos os resultados possveis so equiprovveis, ento

a probabilidade de retirar a mesma bola duas vezes
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)
1.4.2 Amostragem sem reposio e om ordenao.

O problema agora onsiste em es olher
populao
de
objetos distintos.
possveis na primeira retirada
objetos em su esso, sem reposio, de uma
Claramente,
n 1 = n,
k n.
O nmero de resultados
e o nmero de resultados possveis na segunda
Probabilidade
retirada
n2 = n 1,
nk = n (k 1)
e assim por diante, at
forma, a Equao 1.12 forne e
nmero de
Exemplo 1.6.
k -uplas
ordenadas distintas
na retirada nal. Desta
= n(n 1) . . . (n k + 1)
(1.14)
Uma urna ontm in o bolas numeradas. Suponha que sele ionamos
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.
A Equao 1.14 mostra que o nmero de pares ordenados possveis
Estes so mostrados na Tabela abaixo.
5(4) =
Dez pares ordenados nesta tabela tm o
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)
1.4.3 Permutao de n objetos distintos.

Considere uma amostragem sem reposio om
k = n.
Isto equivale a retirar objetos de
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
da amostragem sem reposio om
Equao 1.14, temos
nmero de permutaes de n objetos

Para
Exemplo 1.7.
123
(1.15)
grande, a frmula de Stirling bastante til:
n!
Soluo.
= n(n 1) . . . (2)(1) = n!
2 nn+ 2 en
(1.16)
En ontre o nmero de permutaes de trs objetos distintos 1,2,3.
A Equao 1.15 forne e
3! = 6.
312
321
231
132
213
As seis permutaes so
10
Probabilidade
1.4.4 Amostragem sem reposio e sem ordenao.

Suponha que pegamos
objetos de um onjunto de
objetos distintos sem reposio e
armazenamos o resultado sem nos importarmos om a ordem. Chamamos o sub onjunto

resultante de
objetos sele ionados de uma ombinao de tamanho
k ".
k! sequn ias nas quais os objetos sele ionados podem ter

Ckn denota o nmero de ombinaes de tamanho k de um
n, ento Ckn k! o nmero total de amostras ordenadas distintas
Da Equao 1.15, existem

sido sele ionados. Ento se
onjunto de tamanho
de
objetos, a qual dada pela Equao 1.14. Ento
Ckn k! = n(n 1) . . . (n k + 1)
k
e o nmero de ombinaes diferentes de tamanho
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)
hamada de oe iente binomial.
Note que es olher
equivalente a es olher os
objetos que no foram sele ionados. Segue ento que

n
n
=
k
nk
Exemplo 1.8.
4, 5}
n,
(1.19)
En ontre o nmero de modos de sele ionar dois objetos de
sem se importar om a ordem.
Soluo.
(n k)
A = {1, 2, 3,
A Equao 1.18 forne e

5
5!
= 10
=
2!3!
2
(1.20)
Abaixo temos a listagem destes 10 pares.

(1,2)
(1,3)
(1,4)
(1,5)
(2,3)
(2,4)
(2,5)
(3,4)
(3,5)
(4,5)
Exemplo 1.9.
En ontre o nmero de permutaes distintas de
bolas bran as e
(nk)
bolas pretas.
Soluo.
Este problema equivalente ao seguinte problema de amostragem: oloque
etiquetas numeradas de 1 a
n em uma urna,
onde ada etiqueta representa uma posio
no arranjo das bolas; pegue uma ombinao de
k etiquetas e oloque as k bolas bran as
nas posies orrespondentes.

Cada ombinao de tamanho
bran as e
(n k)
k leva a um arranjo diferente (permutao) de k bolas
bolas pretas.
Ento o nmero de permutaes distintas de
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
objetos distintos em dois onjuntos:
itens que foram retirados da urna, e
Bc,
ontendo os
Suponha que parti ionemos um onjunto de
B1 , B2 , . . . , BF , onde ao sub onjunto Bj

n.
(n k)
B,
ontendo os
deixados na urna.
F sub onjuntos
k1 +k2 +. . .+kF =
objetos distintos em
so asso iados
kj
elementos e
Neste aso, o nmero de ombinaes distintas dado por
n!
k1 !k2 ! . . . kF !
(1.21)
A Equao 1.21 hamada de oe iente multinomial. O oe iente binomial o

aso
F =2
dos oe ientes multinomiais.
1.4.5 Amostragem om reposio e sem ordenao.

Suponha que tomemos
objetos distintos om reposio
e armazenamos os resultados sem nos importarmos om a ordem. Isto pode ser feito
preen hendo-se um formulrio om
olunas, uma para ada objeto distinto.
Cada
vez que um objeto sele ionado, um x olo ado na oluna orrespondente.
Por
exemplo, se sele ionamos 5 objetos de 4 objetos distintos, um formulrio destes poderia

ter a seguinte forma:
Objeto 1
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
(n 1) /'s. Ento o nmero de modos

n objetos distintos om reposio e
sem ordenao dado por
n1+k
k
n1+k
n1
(1.22)
1.5 Probabilidade Conjunta.

Ao invs de lidar om um experimento, onsideremos agora dois experimentos e seus
respe tivos resultados. Por exemplo, os dois experimentos podem ser dois arremessos
onse utivos de um ni o dado ou um ni o arremesso de dois dados. Em ambos os
asos, o espao amostral onsiste de 36 duplas
(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
e os resultados possveis de um segundo experimento so
0 P (Ai , Bj ) 1
(1.23)
Exemplo 1.10. Retirar duas artas em su esso ( om ou sem reposio) de um baralho.

Soluo.
Vamos onsiderar os seguintes eventos
Evento
Evento
AB
A:
B:
retirar um s na primeira tentativa

retirar um s na segunda tentativa
o evento de retirar dois ases.
1.5.1 Probabilidades Marginais.

Assumindo que os resultados
Bj , j = 1, 2, ..., m
m
X
so mutuamente ex lusivos, segue que
P (Ai , Bj ) = P (Ai )
(1.24)
j=1
Similarmente, se os resultados
Ai , i = 1, 2, ..., n
n
X
so mutuamente ex lusivos ento
P (Ai , Bj ) = P (Bj )
(1.25)
i=1
Alm disso, se todos os resultados dos dois experimentos so mutuamente ex lusivos

temos
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
generalizao do tratamento a ima para mais de dois experimentos direta.
1.6 Probabilidade Condi ional.

Considere um experimento ombinado no qual um evento onjunto o orre om probabilidade
P (A, B).
Suponha que o evento
de o orrn ia do evento
e denota-se por
A.
P (A|B).
o orreu e queremos determinar a probabilidade
Esta probabilidade hamada de probabilidade ondi ional
Probabilidade
13
Exemplo 1.11.
No exemplo anterior, se a primeira arta no re olo ada no baralho,
a evidente que a retirada de um s na segunda tentativa inuen iada pelo resultado

da primeira.
1.6.1 Regra de Bayes.

Teorema 1.2. Teorema de Bayes.
dos
B.
Seja um experimento forne endo dois resulta-
Ento,
P (AB) = P (A|B)P (B) = P (B|A)P (A)
(1.27)
Demonstrao. Sejam as seguintes grandezas:
N:
nB :
nmero total de tentativas;

nmero de resultados favorveis ao evento
nAB :
B;
nmero de resultados favorveis ao evento
dentro das
nB
tentativas.
Estas grandezas so mostradas em um diagrama de Venn na Figura 1.4.
.....
................ .......................
........
......
......
.....
.....
.....
.....
....
.
.
.
...
..
.
...
.
...
...
.
...
.. .................
.
...
B
............
.....
.
.
.
.
.
.
.
.
.
.......
...
..... ...
.
.
.
.
.
.
.
.
...
......
.
....
.
.
.
.
.
.
.
.
.
.....
...
...
.
.
.
...
.
.
...
...
..
...
.
.
...
...
..
.
..
.
.
.
.
...
...
.
...
...
...
...
AB
...
...
...
...
...
..
...
...
.....
..
.
.
.
.
.....
.
.
.....
....
......
...
...
.....
.......
...
... .........
.........
...
......................................
...
.
.
.
...
...
...
...
...
.....
....
.....
....
.
.
.
......
.
.....
.......
.......
..........
.................................
Figura 1.4: Espao amostral para a derivao da regra de Bayes.

Observe que
nAB
o nmero de tentativas que so favorveis ao evento
n n
nAB
B
AB
P (AB) = lim
= lim
N N
N N
nB
AB .
Assim
(1.28)
Do diagrama a ima, podemos extrair as seguintes expresses:
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
tentativas favorveis ao evento
B.
N
nB
P (A|B).
medida que
o nmero de tentativas favorveis ao evento
dentro das
Isto representa a probabilidade ondi ional
Combinando (1.28), (1.29) e (1.30), temos:
P (A|B) =
P (AB)
P (B)
(1.31)
E por um desenvolvimento similar, pode-se demonstrar que
P (B|A) =
P (AB)
P (A)
(1.32)
Combinando 1.31 e 1.32, hegamos Regra de Bayes
P (AB) = P (A|B)P (B) = P (B|A)P (A)
(1.33)
Extenso para mais eventos

Uma generalizao bastante til da regra de Bayes a seguinte: onsidere os eventos
Ai , i = 1, 2, . . . , n,
mutuamente ex lusivos tais que
n
[
Ai = S
(1.34)
i=1
e um evento arbitrrio
om probabilidade no nula. Ento, a regra de Bayes pode
ser rees rita omo
P (Ai |B) =
P (B|Ai )P (Ai )
P (Ai , B)
= n
X
P (B)
P (B|Aj )P (Aj )
(1.35)
j=1
1.7 Eventos independentes.

Denio 1.15.
Um evento
dito independente de
se
P (A|B) = P (A)
Teorema 1.3.
Se
(1.36)
so eventos independentes ento
P (AB) = P (A)P (B)
(1.37)
Probabilidade
15
Demonstrao. Pela Regra de Bayes, temos que
P (AB) = P (A|B)P (B)

Mas omo A e B so independentes,
P (A|B) = P (A)
Substituindo este resultado na Equao a ima, hegamos a
P (AB) = P (A)P (B)
Exemplo 1.12.
Suponha que uma moeda jogada trs vezes.
jogadas so independentes e a probabilidade de aras
p,
Se assumimos que as
en ontre a probabilidade dos
eventos nenhuma oroa, uma oroa, duas oroas e trs oroas.
Soluo.
A probabilidade para as sequn ias de aras e oroas dada por
P [{CCC}]
P [{CCK}]
P [{CKC}]
P [{KCC}]
P [{KKC}]
P [{KCK}]
P [{CKK}]
P [{KKK}]
=
=
=
=
=
=
=
=
P [{C}]P [{C}]P [{C}]

P [{C}]P [{C}]P [{K}]
P [{C}]P [{K}]P [{C}]
P [{K}]P [{C}]P [{C}]
P [{K}]P [{K}]P [{C}]
P [{K}]P [{C}]P [{K}]
P [{C}]P [{K}]P [{K}]
P [{K}]P [{K}]P [{K}]
=
=
=
=
=
=
=
=
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
onde usamos o fato de que as jogadas so independentes. Seja
o nmero de aras em
trs tentativas. Ento
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
sejam estatisti amente independentes, pre isam satisfazer
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)
Ai , i = 1, 2, . . . , n so estatisti amente independentes se as

2, 3, . . . , n eventos de ada vez possam
probabilidades dos eventos onjuntos tomados
ser fatoradas no produto das probabilidades dos eventos individuais.
16
Probabilidade
1.8 Experimentos sequen iais e diagramas em rvore

Muitos experimentos onsistem de uma sequn ia de subexperimentos. O pro edimento
adotado para ada subexperimento pode depender dos resultados dos subexperimentos
anteriores. Podemos usar um diagrama em rvore para representar a natureza sequen ial
dos subexperimentos. Seguir o pro edimento e anotar as observaes do experimento
equivalente a seguir a sequn ia de rami aes da raiz para as folhas da rvore. Cada
folha orresponde a um resultado do experimento.
natural modelar probabilidades ondi ionais em termos de experimentos sequen iais e ilustr-las atravs de diagramas em rvores. Na raiz da rvore, a probabilidade de
um evento parti ular des rito pelo nosso onhe imento a priori. Se os resultados possveis do primeiro resultado so des ritos pelos eventos
um espao de eventos. A partir da raiz, desenhamos
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
temos probabilidades ondi ionais des revendo o resultado do segundo
subexperimento.
Ento para ada um dos ramos do primeiro onjunto, desenhamos
um novo ramo e asso iamos a ele esta probabilidade ondi ional.
Se seguirmos uma
sequn ia de ramos da raiz a uma determinada folha, espe i amos o resultado de um

dado subexperimento. Desta forma, as folhas representam os resultados do experimento
ompleto. A probabilidade de ada resultado o produto das probabilidades dos ramos
entre a raiz da rvore e a folha que orrespondente ao resultado. Em geral, asso iamos
s folhas os resultados e as probabilidades orrespondentes.
Isto uma des rio ompli ada para um pro edimento extremamente simples, omo
veremos nos exemplos a seguir.
Exemplo 1.13. Uma ompanhia tem trs mquinas B1 , B2 e B3 que fabri am resistores
de
1k.
Observou-se que 80% dos resistores produzidos por
valor nominal. A mquina
B2
nominal. A por entagem para a mquina

produz 3000 resistores,
B2
B1
50 do
50 do valor
a mquina B1
tm tolern ia de
produz 90% dos resistores om tolern ia de
B3
de 60%. A ada hora,
produz 4000 resistores, e
B3
produz 3000 resistores. Todos os
resistores so misturados em um re ipiente omum e empa otados para envio. Desenhe

um diagrama em rvore para este experimento.
resistor da mquina
Soluo.
e
Seja
B2
om tolern ia maior que
Qual a probabilidade de es olher um
50?
o evento o resistor sele ionado a eitvel (tem tolern ia de 50),
o omplemento de
A:
o resistor sele ionado no a eitvel. O pro edimento de
testar um resistor pode ser de omposto em dois passos: primeiro, identi amos qual
mquina (B1 ,
B2
ou
B3 ) produziu
o resistor; depois, veri amos se o resistor a eitvel
ou no. Estes dois passos orrespondem seguinte rvore:
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
.
................
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......................
................
................
................
................
...........
Para usar a rvore para en ontrar a probabilidade do evento
B2 N ,
um resistor no
B2 , omeamos da esquerda e veri amos que a probabilidade de

P [B2 ] = 0, 4. Andamos ento para a direita em direo ao n B2 N e
P [B2 ] por P [N |B2 ] = 0, 1, e obtemos P [B2 N ] = 0, 4 0, 1 = 0, 04.
a eitvel da mquina
al anar
B2
multipli amos
Podemos observar neste exemplo uma propriedade geral de todos os diagramas em

rvore que representam experimentos sequen iais: a soma das probabilidades dos ramos
que deixam um determinado n sempre 1. Isto uma onsequn ia da lei da probabilidade total e da propriedade da probabilidade ondi ional, vistas anteriormente.
Exemplo 1.14.
Suponha que os engenheiros de trfego tenham oordenado a tempori-
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 ]
a probabilidade ondi ional de que o primeiro farol
seja verde, dado que o segundo vermelho.
Soluo.
Neste aso, a rvore que des reve o problema :
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
...............
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
........................
................
................
................
................
...........
A probabilidade do segundo farol ser verde
P [G2 ] = P [G1 G2 ] + P [R1 G2 ] = 0, 4 + 0, 1 = 0, 5
18
Probabilidade
O evento
de ter que esperar por pelo menos um farol dado por
W = {R1 G2 G1 R2 R1 R2 }
e desta forma, a probabilidade de esperar por pelo menos um farol dada por
P [W ] = P [R1 G2 ] + P [G1 R2 ] + P [R1 R2 ] = 0, 1 + 0, 1 + 0, 4 = 0, 6

Para en ontrar
temos:
P [G1 |R2 ], pre isamos de P [R2 ].
Notando que
R2 = {G1 R2 R1 R2 },
P [R2 ] = P [G1 R2 ] + P [R1 R2 ] = 0, 1 + 0, 4 = 0, 5

Desde que
P [G1 R2 ] = 0, 1,
a probabilidade ondi ional de observar o primeiro farol
verde dado que o segundo vermelho dada por:
P [G1 |R2 ] =
Exemplo 1.15.
0, 1
P [G1 R2 ]
=
= 0, 2
P [R2 ]
0, 5
(1.39)
Considere o jogo do Trs. Vo embaralha um baralho de trs artas:
s, 2 e 3. Se o s vale um ponto, vo retira artas do baralho at que a soma seja 3 ou

mais. Vo ganha se o total for 3. Cal ule
P [W ],
Soluo.
arta retirada. Por exemplo,
Seja
Ci
o evento C a
i-sima
a probabilidade de ven er o jogo.
32
o evento
de tirar um 3 na segunda rodada. A rvore para este experimento ento:

.....
.......
.......
.......
.......
.
.
.
.
.
.....
.......
.......
.......
.......
.
.
.
.
.
......
.......
.......
...................................................................................................
.......
.......
.......
.......
.......
.......
.......
.......
.......
.......
.......
.......
.......
......
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
o orrerem. Desta forma, a probabilidade de ven er
dada por
P [W ] = P [A1 22 ] + P [21 A2 ] + P [31 ] =
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
no sabe qual qual. A moeda 1 vi iada (tem probabilidade

que vo pegue uma moeda de forma aleatria e a arremesse.
foi sele ionada. Vamos denotar por
( ara) e
3/4 de dar ara). Suponha

Seja Ci o evento a moeda
( oroa) os possveis resultados de
um arremesso. Dado que o resultado de um arremesso uma ara, al ule
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 ],
a probabilidade de ter sele ionado a moeda vi iada.
Probabilidade
Soluo.
19
Primeiro, ontrumos a rvore que des reve o problema:
........
........
........
.........
........
.
.
.
.
.
.
.
..
.........
........
........
.........
................
.........
.........
.........
.........
.........
.........
.........
.........
.........
......
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
..............
................
................
................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........................
................
................
................
................
...........
Para en ontrar as probabilidades ondi ionais, temos:
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.
1.9 Exer ios

1. Quatro moedas ideais so arremessadas simultaneamente.
(a) Quantos resultados so possveis?

(b) Asso ie probabilidades adequadas para a obteno de quatro oroas, uma
ara, duas aras, trs aras e quatro aras neste experimento.
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
2. Trs dados no vi iados so jogados. Cal ule as probabilidades dos eventos de se

obter uma soma de 8, 9 e 10 pontos.
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
probabilidade de o automvel en ontrar um sinal verde na direo leste-oeste.

Faa o mesmo para a direo norte-sul.
Qual a probabilidade de um automvel viajando aleatoriamente pela idade
en ontre um sinal verde?
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.
Duas bolas so retiradas em
su esso, a primeira bola sendo re olo ada antes da retirada da segunda.
(a) Quantos resultados so possveis?

(b) Asso ie probabilidades a ada um destes resultados.
Resp:
(a) 4
(b)
P [1a.V, 2a.V] = 9/25

P [1a.V, 2a.B] = 6/25
P [1a.B, 2a.V] = 6/25
P [1a.B, 2a.B] = 4/25
5. Repita o problema anterior se a primeira bola no for re olo ada antes da segunda
retirada.
(a) 4
(b)
P [1a.V, 2a.V] = 3/10

P [1a.V,2a.B] = 3/10
P [1a.B, 2a.V] = 3/10
P [1a.B, 2a.B] = 1/10
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
7. No problema 5), se sabemos que a segunda bola vermelha, qual a probabilidade

de a primeira tambm ter sido vermelha? Qual a probabilidade da primeira bola
ter sido bran a?
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.
Extrai-se ao a aso uma bola da primeira aixa e olo a-se na se-
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.
Duas bolas so sele-
ionadas aleatoriamente da urna sem reposio, e a sequn ia de ores anotada.

En ontre a probabilidade de retirar duas bolas pretas.
Resp: 1/10
13. Lana-se uma moeda vi iada de modo que
P [cara] = 2/3
P [coroa] = 1/3.
Se
apare er ara, ento sele iona-se aleatoriamente um nmero dentre os de 1 a 9;

se apare er oroa, sele iona-se aleatoriamente um nmero dentre os de 1 a 5.
En ontre a probabilidade
Resp:
de um nmero par ser sele ionado.
p = 58/135
14. Dois dgitos so sele ionaodos aleatoriamente de 1 a 9, sem reposio. Se a soma

par, en ontre a probabilidade
Resp:
de ambos os nmeros serem mpares.
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 [L, H0 ] = 0.1, P [B, H1 ] = 0.1, P [H2 ] = 0.3, P [B] = 0.6
P [H0 ] =
al ule:
(a) A probabilidade de no o orrer nenhum hando durante uma hamada.

(b) A probabilidade de uma hamada ser breve.
( ) A probabilidade de uma hamada ser longa ou existirem pelo menos dois
handos.
Resp: a) 0.5
16. Trs mquinas
b) 0.6
A, B
) 0.5
produzem 50%, 30% e 20% respe tivamente, do total de
peas de uma fbri a. As por entagens de produo de peas defeituosas destas

mquinas so 3%, 4% e 5%, respe tivamente.
(a) Se uma pea sele ionada aleatoriamente, a he a probabilidade dela ser

defeituosa.
(b) Suponha que uma pea, sele ionada aleatoriamente, seja onsiderada defeituosa. En ontre a probabilidade dela ter sido produzida pela mquina
Resp: a) 0,037
A.
b) 15/37
17. No sistema de omuni ao ternrio mostrado na gura abaixo, um 3 enviado

trs vezes mais frequentemente que um 1, e um 2 enviado duas vezes mais
frequentemte que um 1.
sido enviado?
Um 1 observado.
Qual a probabilidade de um 1 ter
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
18. Para a omuni ao entre os terminais
Y =3
so ne essrios enla es que so
representados nas guras abaixo por ar os. Sendo
a probabilidade de que um
enla e esteja o upado, determine a probabilidade de que no exista aminho livre

para omuni ao em ada uma das seguintes onguraes:
A
a)
....
....
....
....
..... ................................................................................................................................................ ................................................................................................................................................ ................................................................................................................................................ .....
....
....
....
....
b)
......
...... ......
.................. ......... .....................................
..................
...................
...................
...................
..................
.
...................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................
....
...................
...................
A
B
...................
..................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................
............
.
.
.
.
.
.
.
...................
.
.
.
.
.
.
.
.
.
.
.....
....
........................
..... .......................................
.............. ..........
.
....
...................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................
.......
...................
...................
...................
..................
...................
..................
...................
...................
...................
..................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................
.
...................
..................
.................................................................
... ...
....
Resp: a)
3(1 p)p2 + 3(1 p)2 p + p3
b)
2p(1 p) + p2
2
19. Durante a re epo de mensagens odi adas, onsistindo de pulsos de formas A

e B, estabele eu-se que de ada 10 ombinaes equiprovveis, trs so do tipo
AAB, in o so do tipo AB, e duas so do tipo ABB. Qual a probabilidade de
que um pulso es olhido aleatoriamente seja da forma A?
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:
o homem est vivo daqui a 10 anos.
B:
sua esposa est viva daqui a 1o anos.
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
22. Sejam os seguintes eventos:
A:
B:
uma famlia tem rianas de ambos os sexos.

uma famlia tem no mximo um menino.
(a) Mostre que
so independentes, se uma famlia tem 3 rianas.
(b) Mostre que
so dependentes, se uma famlia tem 2 rianas.
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
estar interessados no nmero total de aras e no na ordem espe a na qual o orreram

as aras e as oroas.
Assim, podemos denir uma funo que asso ia um valor numri o ao resultado do
experimento aleatrio. Desde que os resultados so aleatrios, os resultados das medidas
tambm o sero. Desta forma faz sentido falar em probabilidades dos valores numri os
resultantes.
O on eito de varivel aleatria formaliza esta noo:
Denio 2.1.
X()
Uma varivel aleatria
a ada resultado
uma funo que asso ia um nmero real
no espao amostral de um experimento aleatrio.
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.
PSfrag repla ements
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
espao amostral, e portanto uma v.a.

onjunto
SX
O espao amostral
de todos os valores tomados por
o domnio da v.a., e o
a faixa da v.a.
Ento
SX
um
sub onjunto do onjunto de todos os nmeros reais.
X() omo uma funo que mapeia os pontos amostrais 1 , 2 , . . . , m

x1 , x2 , . . . , xn . Assim, X uma varivel aleatria que assume
valores x1 , x2 , . . . , xn . Observe que m no ne essariamente igual a n. Mais de um
ponto amostral pode ser mapeado em um mesmo valor de x.
Podemos ver
em nmeros reais
Exemplo 2.1.
Espe ique o espao amostral de um experimento que onsiste em jogar
uma moeda 3 vezes.
Soluo.
O espao amostral para este experimento
S = {CCC, CCK, CKC, CKK, KCC, KCK, KKC, KKK},

onde C orresponde a ara"e K orresponde a oroa".
X o nmero de aras em trs jogadas da

S um nmero do onjunto SX = 0, 1, 2, 3. A
S e os valores de X orrespondentes.
Seja
em
de
X()
X
moeda.
asso ia a ada resultado
tabela abaixo lista os oito resultados
CCC
CCK
CKC
KCC
CKK
KCK
KKC
KKK
ento uma v.a. que toma valores no onjunto
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.
Em outras palavras, a aleatoriedade dos valores observados de
induzida pelo
experimento aleatrio, e devemos portanto ser apazes de al ular as probabilidades dos

valores observados em termos das probabilidades dos resultados do experimento.
Exemplo 2.2.
O evento
{X = k} = {k aras em 3 jogadas de uma moeda} o orre

k aras. Cal ule as probabilidades dos eventos
quando o resultado do experimento ontm
{X = k}, k = 0, 1, 2, 3.
Soluo.
resultados orrespondentes ou
(1 p)
{X = k} dada pela soma das probabilidades dos

eventos elementares. Seja p a probabilidades de aras e
A probabilidade do evento
a probabilidade de oroas. Desta forma, temos
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
O exemplo a ima ilustra a seguinte t ni a geral para en ontrar as probabilidades
X : seja SX o onjunto de valores que podem ser assumidos

X , e B algum sub onjunto de SX .
SX pode ser visto omo um novo espao amostral, e B omo um evento neste espao.
Seja A o onjunto de resultados em S que levam a valores X() em B , omo
de eventos envolvendo a v.a.

por
mostrado na Figura 2.2, isto
A = { : X()
ento o evento
em
SX o orre sempre
B dada por
em
B}
A
em
em
B]
que o evento
o orre. Desta forma, a
probabilidade do evento
P [A] = P [B] = P [ : X()

Referimo-nos aos eventos
omo eventos equivalentes.
PSfrag repla ements
reta real
Figura 2.2: Eventos equivalentes.
2.2 Funo distribuio umulativa.

Denio 2.2.
A funo distribuio umulativa (fd ) de uma v.a.
omo a probabilidade do evento
FX (x) = P [X x],
isto , a probabilidade da v.a.
<x<
FX (x)
{X x}
tomar um valor no intervalo
e sua probabilidade variam medida que
uma funo da varivel
denida
(2.1)
(, x].
Em termos do espao amostral, a fd a probabilidade do evento

evento
{X x}:
{ : X() x}.
varia; em outras palavras,
x.
A fd simplesmente uma maneira onveniente de espe i ar a probabilidade de

todos os intervalos semi-innitos da reta real, e seus omplementos, unies e intersees.
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)
uma funo no de res ente de
x,
isto , se
a < b,
ento
FX (a) FX (b).
5. A probabilidade de eventos que orrespondem a intervalos da forma

podem ser expressas em termos da fd
(a < X b)
P [a < X b] = FX (b) FX (a)
(2.2)
Demonstrao.
P [a < X b] = P [X b] P [X a] = FX (b) FX (a)

Isto pode ser fa ilmente visto na Figura abaixo
P [X b]
......................................................................................................................................................................................................................................................................................................................................................................
.
..
.
..
..
..
..
...
.
.....
.
.........................................................................................................................................................................................................................................................................................................................................................................
..
..
..
.....
..
..
..
..
..
....................................................................................
....................................................................................................................................................................................................................................................................
P [X a]
v
f
Figura 2.3:
P [a < X b] = FX (b) FX (a)
6. A probabilidade que uma v.a.
toma em um ponto espe o, digamos
pela magnitude do salto da fd no ponto

ponto
b,
P [a < X b]
b.
b, dada
Segue que se a fd ontnua em um
ento o evento tem probabilidade zero.
Demonstrao. Desejamos al ular

(2.2), podemos es rever
P [X = b].
Seja
a = b ,
> 0.
Usando
P [a < X b] = P [b < X b] = FX (b) FX (b )

medida que
0,
o lado esquerdo de (2.3) aproxima
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
P [a < X < b] = P [a X < b] = P [a < X b] = P [a X b]
Exemplo 2.3.
(2.6)
A fd de uma varivel aleatria X dada por
FX (x) =
0
x<0
1 2
4 (x + 1) 0 x < 1
1
1
x+
4
2
1x<2
x2
En ontre a probabilidade dos eventos:

a)
{X < 1}
Soluo.
b)
{X = 1}
{X = 0}
d)
{|x 1| > 1/2}
e)
{x 0}
A primeira oisa a fazer analisar omo esta funo se omporta: das equa-
es a ima, podemos ver que esta uma funo nula para

a forma de uma parbola, e no intervalo
um valor onstante igual a 1 para
fX (x)
1
0.75
0.5
0.25
x > 2.
1x<2
x < 0; para 0 x < 1 assume
o de uma reta; nalmente, assume
Abaixo temos um gr o desta funo.
6
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ..........................................................................................................
...... .
....... .
.......
...
......
.
.
.
.
.
.
.......
..
.......
.
.
.
.
.
.
..
.....
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ........
....
..
..
..
..
..
....
....
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .....
..
.... ....
.
.
.
..
.
.
..... .
.....
.
.
.
.
....
.
.
...
.
.
.
.
.
.
.
.......
..
..
.......
.
.
.
.
.
.
.
.
..
.
.
.
....... ....... ....... ....... ....... ....... ....... ................
....
....
....
..
..
..
..
..
..
..
..
....
.
.
...........................................................................................
.
-1
A partir da anlise do gr o, a f il resolver o problema:
{X < 1} dado pelo valor

X = 1. Portanto, P [X < 1] = 1/2.
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}
) Pelas mesmas razes do item b),
{|x 1| > 1/2}

X = 1.
d) O evento
em
Desta forma,
7/16
e)
dada pelo valor do salto da fd em
X = 1.
P [X = 0 = 1/4].
pode ser visto omo um r ulo de raio
1/2
om entro
P [|x1| > 1/2] = 1P [1/2 < X 3/2] = 1[FX (3/2)FX (1/2)] =
P [X 0] = FX (0) = 1/4
2.3 Tipos de Variveis Aleatrias

2.3.1 Dis retas
Variveis aleatrias dis retas tomam valores de um onjunto nito
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
funo massa de probabilidade (fmp) de X
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-
rada de funes degrau unitrio
FX (x) =
X
k
onde
pX (xk ) = P [X = xk ]
Exemplo 2.4.
Seja a v.a.
Soluo.
(2.7)
forne e a magnitude dos saltos na fd .
denida omo nmero de aras em trs arremessos de
uma moeda ideal. Determine a fd de
X.
Do Exemplo 2.1 sabemos que
Exemplo 2.2, se zermos
pX (xk )u(x xk )
p = 0.5
toma apenas os valores 0, 1, 2 e 3.
1/8, 3/8, 3/8 e 1/8, respe tivamente, de modo que
FX (x)
simplesmente a soma das
probabilidades dos resultados de 0,1,2,3 que so menores ou iguais a

tem portanto des ontinuidades nos pontos 0,1,2 e 3. A fd de
pode ser vista na Figura 2.4.
Do
as probabilidades para ada um destes resultados so
x.
A fd resultante
denida desta maneira
PSfrag repla ements
Variveis Aleatrias
31
FX (x)
1
7/8
1/2
1/8
1
Figura 2.4: Exemplo de uma fd de uma v.a. dis reta.
2.3.2 Contnuas
So as v.a.'s ujas fd 's
FX (x)
so ontnuas em todos os pontos e, as quais, adi ional-
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
de mensagens em um sistema de omuni-
ao obede e a lei de probabilidade exponen ial om parmetro

ex , x > 0. En ontre a fd de X . Cal ule P [T < X 2T ], T =
Soluo.
Por denio, a fd de
Desta forma, temos
dada por
, isto
1/.
P [X > x] =
FX (x) = P [X x] = 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
PSfrag repla ements
x
Figura 2.5: Gr o da fd de v.a. ontnua
Da propriedade 5 temos que
X.
32
Variveis Aleatrias
P [T < X 2T ] = FX (2T ) FX (T ) = 1 e2 (1 e1 ) = e1 e2 0.233

Note que
FX (x) ontnua para

x = 0.
todo
x.
Note tambm que sua derivada existe para
todos os pontos, ex eto em
Na Figura 2.6 tem-se o gr o de
FX (x).
FX (x)
PSfrag repla ements
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
tambm aumentam de forma ontnua por pelo menos um intervalo de valores de
x.
fd destas variveis tem a forma
FX (x) = pF1 (x) + (1 p)F2 (x)
(2.9)
onde
0<p<1
F1 (x)
a fd de uma v.a. dis reta.
F2 (x)
a fd de uma v.a. ontnua.
Exemplo 2.6.
O tempo de espera
de um usurio em um sistema de las zero se
ele en ontra o sistema livre, e om um tempo de espera exponen ialmente distribudo

se en ontra o sistema o upado. As probabilidades de ele en ontrar o sistema livre ou
o upado so
Soluo.
(1 p),
respe tivamente. En ontre a fd de
X.
FX (x) = P [X x] = P [X x|livre]p + P [X x|ocupado](1 p)
Variveis Aleatrias
Note que
33
P [X x|livre] = 1 quando x 0 e 0 aso ontrrio.

(
0,
x<0
FX (x) =
x
p + (1 p)(1 e
), x 0
O gr o da fd mostrado na Figura 2.7. Note que

a soma de uma funo degrau om amplitude
FX (x)
Desta forma
pode ser expressa omo
e uma funo ontnua de
x.
FX (x)
1
PSfrag repla ements
x
Figura 2.7: Um exemplo de v.a. mista.
2.4 Funo Densidade de Probabilidade

2.4.1 Denio
Denio 2.5.
A funo densidade de probabilidade (fdp) de uma v.a.
denida omo a derivada de
fX (x) =
{x < X x + h}
(2.10)
no seguinte sentido:
esteja em um intervalo pequeno na vizinhana de
Se a fd tem uma derivada em
fX (x)
x,
isto
FX (x + h) FX (x)
h
h
medida que h 0
P [{x < X x + h}] = FX (x + h) FX (x) =
Ento
se existir,
dFX (x)
dx
A fdp representa a densidade de probabilidade no ponto

a probabilidade de que
X,
FX (x):
x,
ento
P [{x < X x + h}] fX (x)h
representa a densidade de probabilidade no ponto
que a probabilidade de que

aproximadamente
fX (x)h,
(2.11)
(2.12)
no sentido de
esteja em um pequeno intervalo na vizinhana de
onforme mostrado na Figura 2.8.
34
Variveis Aleatrias
fX (x)
fX (x)dx
PSfrag repla ements
x x + dx
Figura 2.8: A funo densidade de probabilidade espe i a a probabilidade de intervalos

de largura innitesimal.
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)
uma funo no negativa, a qual hamaremos de funo densidade de
probabilidade, e que espe i a as probabilidades de eventos da forma X ai em

um pequeno intervalo de largura
eventos envolvendo
dx
ao redor do ponto
x.
As probabilidades de
so ento expressas em termos da fdp adi ionando proba-
bilidades de intervalos de largura
dx.
medida que as larguras dos intervalos
se aproximam de zero, obtemos uma integral em termos da fdp. Por exemplo, a

probabilidade de um intervalo
[a, b]
dada por
P [a x b] =
fX (x)dx
A probabilidade de um intervalo portanto a rea sob

(ver Figura 2.9).
(2.14)
fX (x)
naquele intervalo
A probabilidade de qualquer evento que onsiste na unio de
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]
a rea sob a fdp naquele intervalo.
pode ser obtida integrando-se a fdp
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)
5. Uma fdp vlida pode ser formada a partir de qualquer funo
g(x)
no negativa
e ontnua por partes que tenha uma integral nita
Fazendo
fX (x) = g(x)/c
g(x)dx = c <
(2.17)
obtemos uma funo que satisfaz a ondio de norma-
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.
2.4.3 Caso Dis reto

A derivada da fd no existe em pontos onde ela no ontnua.
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
degrau unitrio u(x) denida omo

(
0,
u(x) =
1,
Denio 2.7.
A funo
delta de Dira
x<0
x0
(x)
(2.18)
denida em termos da funo
degrau unitrio pela seguinte equao
u(x) =
(t)dt
(2.19)
Na seo 2.3.1 vimos que a fd de uma v.a.
dis reta pode ser es rita omo uma
soma ponderada de funes degrau unitrio
FX (x) =
X
k
pX (xk )u(x xk )
onde a funo massa de probabilidade dada por
(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),
ir gerar uma funo degrau que omea em
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)
Desta forma, a denio generalizada da funo densidade de probabilidade olo a

uma funo delta de peso
P [X = xk ]
xk
nos pontos
onde a fd no ontnua.
2.5 Algumas variveis aleatrias dis retas importantes

As variveis aleatrias dis retas apare em em geral em apli aes que envolvem ontagens. As distribuies dis retas mais omuns so:
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
para algum evento
A; X =
aso ontrrio. Para estes testes, assume-se que a probabilidade
SX = {0, 1}
Funo massa de probabilidade

(
1 p = q, X = 0
pX (x) =
p,
X=1
pX (x) 6
(p
= q = 0.5)
0.5
0p1
Funo distribuio umulativa

FX (x)
x<0
0,
FX (x) = 1 p, 0 x < 1
1,
x1
....... ....... ....... ....... .....................................................

..
.
..
..
...
.......................................................
..
..
...
.
...
.
......................................................
1p
Variveis Aleatrias
37
2.5.2 Binomial
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}

pX (x)

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

FX (x)
1
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...................................................
...................
...
...
.
.
..
..
...................
..
..
..
..
..
..
...
...
...................
...
...
...
..
...
..
.
.
.
.
.
.
..
..
..
.
..
..
....................
..
..
..
..
..
...
...
...
...
...
...
...
.
.
.
.
.
.
.................
..
..
..
..
..
..
..
......................
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
................................
X n
FX (x) =
px (1 p)nx u(x xk )
x
k
9 10
2.5.3 Poisson
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, . . . }

x
e
pX (x) =
x!
x = 0, 1, . . .
>0
pX (x)
0.2
6
(
= 4)
-
0 1 2 3 4 5 6 7 8 9 10 x
38
Variveis Aleatrias

FX (x)
FX (x) =
X
k e
k=0
k!
u(x k)
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .....................................................................................
......................
.........................
...
...
...
.
.
.
.
.
..........................
.
.
.
.
...
....
....
....
....
...
...
...
...
..........................
...
...
.
.
.
.
.
.
.
.
..
..
..
..
..
..
.
.
.
.
.
.
.
.
.
.
....
.
.
.
......................
.
.
.
.
...
...
...
...
...
...
...
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........................
....
..
....
....
....
....
....
....
....
.......................
...
...
...
...
...
...
...
...
..
..
.............................................
.
.
.
.
.
.
.
.
.
10
2.5.4 Geomtri a
X
o nmero de falhas antes do primeiro su esso em uma sequn ia de testes de
Bernoulli independentes, ada uma om probabilidade de su esso igual a
p.
a ni a
varivel aleatria dis reta sem memria.
Domnio SX = {0, 1, 2, . . . }
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)
FX (x) =
X
k=0
p (1 p)k u(x k)
....... ....... ....... ....... ....... .................................................................................................................................................................

....................
.......................
....
....
...
....
....
....
....
.
..
..
..
..
..
..
..
..
....................
.
..
.
..
..
..
..
..
..
..
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
0.5 ......................
.
.
.
.
.
.
.
.
.
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
....
.
.
.
.
.
.
.
.
.
.
..
..
..
..
..
..
..
..
..
.
.
.
.
.
.
.
.
.
....
..................
.
.
.
.
.
.
.
.
.
9 10
2.6 Algumas variveis aleatrias ontnuas importantes

Estamos sempre limitados a medidas de pre iso nita, de modo que toda varivel aleatria en ontrada na prti a uma varivel aleatria dis reta.
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
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]
Funo densidade de probabilidade

fX (x)
1
fX (x) = b a
0
1
ba
axb
aso ontrrio
....... ....... ....... ....... ...............................................................................................

...
....
.
...
.....
...
...
...
...
...
...
...
...
...
...
...
.....
...
...
...
...
...
....
...
...
...
....
.....................................................
.

Neste aso, temos 3 situaes possveis:
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
2.6.2 Exponen ial

A varivel aleatria exponen ial modela o tempo de durao de eventos que o orrem
segundo a distribuio de Poisson. a ni a varivel aleatria ontnua sem memria.
Domnio:
SX = [0, )

fX (x)
1.0
0.8
(
ex
fX (x) =
0
x0
>0
aso ontrrio
0.6
0.4
0.2
6
...
...
...
...
...
...
...
...
...
...
...
...
......
..
......
....... .......
....... .....
........ ....
..............
...........
...........
..................
....... ............
........ ...............
.
..........
............. ............................................
....................
.
................................................................................
...............
= 1.0
= 0.5

FX (x) =
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
Modelamento de desvane imento.
Domnio:
SX = [0, )
Variveis Aleatrias
41

fX (x)
fX (x) =
x x22
2 e 2
=1
........
..... .....
... .. .....
... .. ......
..
...
.
...
.....
...
...
...
...
..
...
.
.
..
...
..
.
.
...
....
...
...
.... ..............................................................
.
.........
.
...
.
.
.
.
........
....
.
.
.
.
........
....
.. .....
.
... ...
.
.
........
.
.
...
.
.. .....
.
........
....
.
.
.
.
.
.
.........
.
.
.
.....
..
..........
.....
....
....
.... .........
...........
......
....
... .......
.......
...........
..
..
..........
.........................................................
..
...
..
x > 0, > 0
=2
aso ontrrio

FX (x) =
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
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
pode ser usada para aproximar a soma
de um grande nmero de variveis aleatrias independentes.
Pelo fato de o orrerem
to frequentemente na prti a, as v.a.'s Gaussianas so tambm hamadas de v.a.'s

normais.
Tambm, sob uma grande variedade de ondies, a varivel aleatria gaussiana
pode ser utilizada para aproximar a soma de um grande nmero de variveis aleatrias
independentes. (Veja o Teorema do Limite Central no Captulo 5)
X
mdia
Seguindo a onveno de vrios textos na rea, usaremos a notao

para nos referirmos a uma v.a.
2.
Nesta notao, o
Domnio:
om distribuio Gaussiana de
quer dizer (obviamente)
SX = (, )
normal.
N (, 2 )
e varin ia
42
Variveis Aleatrias

fX (x)
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
tem formato de sino, om entro em
x = .
reete a largura
pequeno, o sino estreito, om um pi o agudo e alto. Por outro lado, se
grande, o sino largo, e o pi o baixo e menos pontudo. A altura do pi o dada
por
1/( 2)

FX (x) 6
1
1
FX (x) =
2
(y)2
2 2
dy
....... ....... ....... ....... ..................................................................................

.... ...
........ ......
....... .........
......
.....
.....
.
.
.
.
.
.
.
.
....
...
.....
...
....
...
...
..
...
.
.
.
.
..
...
...
...
...
..
(
) .......
... (
.
.
.
..
...
...
...
...
..
...
...
...
.
.
.
.
.
.
..
....
.....
...
...
.....
.....
......
......
.....
.
.
.
.
.
.
.
.
.
.
.
.
.......
.....
....................................................................................................................
= 0, = 1
-4
-3
-2
-1
= 1, = 0.5)
Observaes
impossvel expressar a integral de uma fdp Gaussiana entre limites nitos de

forma analti a.
Desta forma, a ni a soluo al ular estes valores de forma
numri a. Nas Tabelas do Apndi e F tem-se os valores da fd de uma varivel

aleatria Gaussiana
N (0, 1)
para valores de -4 a 0.
Observe que omo a varivel aleatria gaussiana
Para valores fora deste intervalo, as probabilidades so muito baixas.
N (0, 1)
simtri a em relao
origem, estas tabelas tambm forne em os valores da fd no intervalo 0 a 4.
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 .
uma varivel aleatria Gaussiana om parmetros
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
as propriedades de uma varivel aleatria Gaussiana arbitrria om as propriedades de

uma varivel aleatria Gaussiana espe a.
Denio 2.9. Varivel aleatria normal padro.

padro
A varivel aleatria normal
a varivel aleatria Gaussiana om parmetros
As tabelas denidas ontm valores de
FZ (z).
=0
= 1.
Introduzimos a notao espe ial
(z)
para esta funo.
Denio 2.10. Fd normal padro.
A fd da varivel normal padro
1
(z) =
2
Dada a tabela de valores de
(z),
2 /2
eu
Teorema 2.2.
X
Se
du
usamos o seguinte teorema para en ontrar as
probabilidades de uma varivel aleatria Gaussiana om parmetros
fd de
FX (x) =
E a probabilidade de
(a, b]

a
b
P [a < X b] =
estar no intervalo
Usando este teorema, transformamos os valores de uma varivel aleatria Gaussiana,
X,
para valores equivalentes da varivel aleatria normal padro,
parti ular
da varivel aleatria
X,
Z.
Para um valor
o valor orrespondente para a varivel aleatria
z=
Note que
adimensional. Ele representa
em relao ao valor esperado de
Exemplo 2.7.
(2.22)
omo um nmero de desvios padres
X.
Suponha que a sua pontuao em um teste seja
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.
Pela Equao (2.22),
Z.
44
Variveis Aleatrias
z=
46 61
= 1.5
10
Assim, esta pontuao orresponde a 1.5 desvios padres menos que o valor esperado.
Para en ontrar as probabilidades das variveis aleatrias Gaussianas, usamos os

valores de
(z)
apresentados nas tabelas. Note que estas foram al uladas apenas para
valores negativos de
Teorema 2.3.
x.
Para valores positivos, devemos usar a seguinte propriedade:
Para a varivel aleatria normal padro,
(z) = 1 (z)
Exemplo 2.8.
Se
uma varivel aleatria Gaussiana om
= 61
= 10,
al ule
P [X 46]
Soluo.
Apli ando o Teorema 2.2 e o resultado do Exemplo 2.7, temos
P [X 46] = FX (46) = (1.5) = 0, 067

Isto sugere que, se seu resultado est 1,5 desvios padres abaixo da mdia, vo est
na regio dos 6,7% piores, dentro da populao das pessoas que zeram o teste.
A funo distribuio umulativa omplementar Q(x).

Uma outra maneira de se al ular as probabilidades de eventos de variveis aleatrias
envolvendo distribuies gaussianas atravs do uso da funo distribuio umulativa
omplementar, denida omo
1
Q(x) =
2
ey
2 /2
dy
(2.23)
Q(x) orresponde ao valor da probabilidade do evento P [X >

omplemento da fd FX (x), de modo que vale a identidade
Observe que a funo
x],
sendo portanto o
Q(x) + FX (x) = 1
(2.24)
Desta simetria, pode-se on luir fa ilmente que a tabela de valores da funo
Q(x)
(x). Surge ento a pergunta: por

(x)? Para responder a esta ques-
pode ser obtida diretamente da tabela de valores de

que estudar a funo
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)
Esta funo tem uma expanso em sries da forma
"
#
2 X (1)i x(2i+1)
erf c(x) = 1
(2i + 1)i!
(2.26)
i=0
Comparando as Equaes (2.23) e (2.25), podemos estabele er as seguintes relaes
erf c(x) = 2Q(x 2)

Para
1
Q(x) = erf c
2
(2.27)
x grande o su iente (assintoti amente), podemos usar a seguinte representao

Q(x):
da funo
ex /2
Q(x) =
x 2
13 135
1
+
1 2 +
x
x4
x6
(2.28)
Na prti a, as seguintes aproximaes so utilizadas
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
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, )

fX (x)
..
.
..
..
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)
1
FX (x) =
(y)1 ey
dy
()
6 = 3, = 0.5
............................................................................................................
......................
....
.......
.........
.....
.......
....
......
.
....
.
..
.
.
.
....
...
....
...
...
...
...
..
.
....
...
..
...
...
...
...
,
..
....
.
..
...
...
...
..
....
.
...
..
...
...
...
...
.... .....
.. ....
............
=3 =3
2.6.6 m-Erlang
A varivel aleatria m-Erlang obtida pela soma de
om distribuio exponen ial de parmetro
m variveis aleatrias independentes
Observao: um aso espe ial da distribuio Gama, fazendo-se om que o parmetro
=m
Domnio:
seja um nmero inteiro positivo.
SX = [0, )

fX (x)
..
.
..
..
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)
1
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 )
k
A soma de
variveis aleatrias gaussianas independentes de mdia zero e varin ia
unitria, ao quadrado, uma varivel aleatria om distribuio
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, )

fX (x)
0.5
0.4
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)
1
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
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)
0.6
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
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

fX (x)
0.5
0.4
fX (x) = e|x| , > 0

2
0.3
0.2
0.1
6
...
.........
.......
...........
.. ...
... .. ...
... .. ...
.... .. ....
.. .. ....
...
...
... .. ..
.
.. .. ....
........
.
.
. . ... ... . ...
.
.
.. . .. . ... ....
... .. .........
...
...
...
...
...
... .... ........ ...
...
.....
.
..... .
. ...
.
.
...
.
.....
.
....
...
.
.
.
.
.
.
.
.
.
...
..........
.
...
.
.
.
.
.
.
.
.
.
.
.
........ ........
....
.....
.
.
.
.
.
.
.
.
.
.
....................
.
.
.
.
.
......
.... ..
.
.
.
.....................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..................................
.......................................................................................................
..
..
= 1, = 2
= 0.5, = 0
-8
-6
-4
-2

Por ausa da presena do mdulo na expresso da fdp, pre isamos derivar a fd em duas
etapas:
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
2.7 Densidades Condi ionais

Se temos informao adi ional sobre o experimento sob anlise, ento nossas espe tativas
podem (ou no) ser alteradas. Por exemplo, ao fazermos apostas em um hipdromo,
se sabemos que um avalo est ma hu ado ou doente, mesmo que seja um ampeo,
diminuimos nossa onana nele.
Nesta seo iremos mostrar omo determinar a inun ia de uma informao adi ional na fd de uma varivel aleatria. Isto bastante f il se lembrarmos que a fd
na verdade uma probabilidade:
50
Variveis Aleatrias
Denio 2.11. Funo de distribuio ondi ional.

ondi ional
FX (x|B)
de uma varivel aleatria
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)
tem as mesmas propriedades de uma fd
omum. Dentre elas, podemos desta ar:

1.
FX (|B) = 0
2.
FX (|B) = 1
3.
P [a < X b|B] = FX (b|B) FX (a|B)
Denio 2.12.
Se
uma varivel aleatria dis reta, ento a funo massa de
probabilidade ondi ional dada por
pX (xk |B) = P [X = xk |B] =

Se
P [X = xk , B]
P [B]
uma varivel aleatria ontnua, ento a funo densidade de probabilidade
ondi ional dada por
fX (x|B) =
dFX (x|B)
dx
Exemplo 2.9. Seja B =

{X 10}. Determine FX (x|B).
Soluo. Para resolver este problema, vamos analis-lo em duas partes:
x 10, o evento {X 10} um sub onjunto do evento {X x}.

forma,P [X 10, X x] = P [X 10], e ento podemos es rever
1. para
FX (x|B) =
Desta
P [X 10, X x]
P [X 10]
=
=1
P [X 10]
P [X 10]
x 10, o evento {X x} um sub onjunto do evento {X 10}.

forma,P [X 10, X x] = P [X x], e ento podemos es rever
2. para
FX (x|B) =
P [X x]
P [X 10, X x]
=
P [X 10]
P [X 10]
Na Figura abaixo temos uma verso gr a deste resultado.
Desta
Variveis Aleatrias
FX (x)
1
51
6
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .......................................................................................................................
.
......... .
........
....
........
........
.
.......
.
.
.
.
.
.
.
.....
.
.
.
.
.
.
....
.....
.
.
.
.
.
.
.
X
...................
.......
....
..................
.......
.
.
.
.
.
.
.................
................
.......
..........................
......
.
.
.
.
.
.
.
.
.
.
.
...
......
............. .
......
............
....
............
......
...........
.
......
...........
.
.....
.
.
.
.
.
.
.
.
.
.
.
.
......
.
....
.
.
.
X
.
.
.
.
.
.
.
....
.
.
...
......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.........
......
....
.........
.....
.
.
.
.
.
.
.
.
.
.
.
.
.
.....
........
.....
........
....
.....
........
.....
........
.......
.....
.
.
.
.
.
.
.
.
.
.
...
... ..........
.
.
.
.
.
.
.
..... .......
.
................
.
.
.
....
.
............
.
.
.
.
.. ...
...
............
.......
.
F (x|B)
F (x)
10
12
14
Figura 2.10: Fd 's ondi ional e in ondi ional de
X.
2.8 Variveis Aleatrias Mltiplas

Quando lidamos om experimentos ombinados ou tentativas repetidas de um mesmo
experimento, en ontramos v.a.'s mltiplas e suas fd 's e fdp's.
Variveis aleatrias
mltiplas so basi amente funes multidimensionais denidas em um espao amostral

de um experimento ombinado.
2.8.1 Funo Distribuio de Probabilidade Conjunta

Sejam duas v.a.'s
X1
Denio 2.13.
X2 ,
ada uma delas podendo ser ontnua, dis reta ou mista.
A funo distribuio umulativa onjunta (fd onjunta) para as
duas v.a.'s pode ser denida omo
FX1 X2 (x1 , x2 ) = P [X1 x1 , X2 x2 ] =
onde
x1
x2
fX1 X2 (u1 , u2 )du1 du2
(2.31)
fX1 X2 (x1 , x2 ) a funo densidade de probabilidade onjunta (fdp onjunta).
Esta
ltima pode ser expressa na forma
fX1 X2 (x1 , x2 ) =
2
FX X (x1 , x2 )
x1 x2 1 2
(2.32)
52
Variveis Aleatrias
2.8.2 Densidades marginais
Teorema 2.4.
Quando a fdp onjunta
fX1 X2 (x1 , x2 )
integrada sobre uma das va-
riveis, obtemos a fdp da outra varivel, isto
fX1 X2 (x1 , x2 )dx1 = fX2 (x2 )
fX1 X2 (x1 , x2 )dx2 = fX1 (x1 )
As fdp's
fX1 (x1 )
hamadas de
fX2 (x2 )
obtidas a partir da integrao de uma das variveis so
fdp's marginais.
Corolrio 2.5.
fX1 X2 (x1 , x2 ) integrada sobre ambas as variveis,

Z + Z +
fX1 X2 (x1 , x2 )dx1 dx2 = F (, ) = 1
Se
Corolrio 2.6.
obtemos
(2.33)
F (, ) = F (, x2 ) = F (x1, ) = 0
No aso de v.a.'s dis retas, substitumos as integrais por somatrios.
Teorema 2.7.
Para as v.a.'s dis retas
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=
E a expresso orrespondente Equao 2.33 para o aso dis reto
Variveis Aleatrias
Teorema 2.8.
53
i= j=
Exemplo 2.10.
fXY (xi , yj ) = F (, ) = 1
(2.34)
Duas linhas de produo fabri am um erto tipo de pea. Suponha que
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.
I e a linha II, respe tivamente.

onjunta de
(X, Y )
bidimensional que forne e o nmero de peas produzidas pela linha
(X, Y ).
A Tabela 2.1 forne e a distribuio de probabilidade
Cal ule as probabilidades marginais.
Tabela 2.1: Exemplo de probabilidades onjunta e marginal.
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
Na Tabela 2.1, ada asa representa
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 .
Em virtude da forma de apresentao da Tabela 2.1 aludiremos, de modo muito usual

distribuio marginal de
v.a. bidimensional
(X, Y ),
ou distribuio marginal de
Y , sempre que tivermos uma
quer dis reta, quer ontnua.
2.8.3 Caso multidimensional

A generalizao das expresses a ima para v.a.'s multidimensionais direta. Suponha
que
Xi , i = 1, 2, . . . , n
so v.a.'s om uma fd onjunta denida por
FX1 X2 ...Xn (x1 , x2 , . . . , xn ) = P [X1 x1 , X2 x2 , . . . , Xn xn ]

Z x1 Z x2
Z xn
=
fX1 X2 ...Xn (u1 , u2 , . . . , un )du1 du2 . . . dun
onde
fX1 X2 ...Xn (x1 , x2 , . . . , xn )
a fdp onjunta.
(2.35)
54
Variveis Aleatrias
Tomando as derivadas par iais de
FX1 X2 ...Xn (x1 , x2 , . . . , xn )
dadas por (2.35), obte-
mos
fX1 X2 ...Xn (x1 , x2 , . . . , xn ) =
n
FX X ...X (x1 , x2 , . . . , xn )
x1 x2 xn 1 2 n
Um nmero qualquer de variveis de
fX1 X2 ...Xn (x1 , x2 , . . . , xn )
pode ser eliminado
integrando-se sobre estas variveis. Por exemplo, integrando-se sobre
+ Z +
(2.36)
x2
x3
leva a
fX1 X2 X3 X4 ...Xn (x1 , x2 , x3 , x4 , . . . , xn )dx2 dx3 = fX1 X4 ...Xn (x1 , x4 , . . . , xn )

(2.37)
Segue tambm que

e
FX1 X2 ...Xn (x1 , , , x4 , . . . , xn ) = FX1 X4 ...Xn (x1 , x4 , . . . , xn )

FX1 X2 ...Xn (x1 , , , x4 , . . . , xn ) = 0.
2.8.4 Funo distribuio de probabilidade ondi ional

Teorema 2.9.
FX1 (x1 )
Sejam duas v.a.'s
X1
X2
om fdp onjunta
fX1 X2 (x1 , x2 ).
A fd
ondi ionada por
x2 x2 < X2 x2
onde
x2
algum in remento positivo, dada por
FX1 (x1 |x2 ) =
X1 e X2 duas v.a.'s
P [X1 x1 ] ondi ionada por
Demonstrao. Sejam
determinar
x1
fX1 X2 (u1 , x2 )du1

fX2 (x2 )
om fdp onjunta
fX1 X2 (x1 , x2 ).
Queremos
x2 x2 < X2 x2
onde
x2
algum in remento positivo. Em outras palavras, desejamos al ular a pro-
babilidade do evento
(X1 x1 |x2 x2 < X2 x2 ).
Usando as relaes estabele idas
anteriormente para a probabilidade ondi ional de um evento, a probabilidade do evento
(X1 x1 |x2 x2 < X2 x2 )
pode ser expressa omo
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
P [X1 x1 |x2 x2 < X2 x2 ] =
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:
Teorema 2.10. Teorema do Valor Mdio:

(a, b),
e diferen ivel em
ento existe
for uma funo ontnua em [a, b]
tal que f (b) f (a) = f (c)(b a).
se
c (a, b)
De a ordo om o Teorema do Valor Mdio enun iado a ima, existem pontos
c (x2 x2 , x2 )
Z
x1
aproximam-se de
x2
x2 x2
Z x2
fX1 X2 (u1 , u2 )du1 du2
x2 x2
Fazendo agora
tais que
x1
fX1 X2 (u1 , c)x2 du1
fX2 (u2 )du2
x2 0,
temos que
(2.39)
fX2 (c )x2
x2 ,
e desta forma,
podemos rees rever (2.39) omo
x1
fX1 X2 (u1 , c)x2 du1

fX2 (c )x2
que a fd ondi ional da v.a.
X1
dada a v.a.
FX1 X2 (x1 |x2 ) =
Corolrio 2.11.
FX1 X2 (|x2 ) = 0
x1
X2 ,
fX1 X2 (u1 , x2 )du1

(2.40)
fX2 (x2 )
ou seja
x1
fX1 X2 (u1 , x2 )du1

(2.41)
fX2 (x2 )
FX1 X2 (+|x2 ) = 1.
Teorema 2.12.
fX1 X2 (x1 |x2 ) =
fX1 X2 (x1 , x2 )
fX2 (x2 )
(2.42)
Demonstrao. Este orolrio demonstrado diretamente derivando (2.40) em relao

a
x1 ,
obtemos a fdp
fX1 X2 (x1 |x2 )
orrespondente na forma
Alternativamente, podemos expressar a fdp onjunta
fX1 X2 (x1 , x2 )
em termos das
fdp's ondi ionais
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:
fX1 Xn (x1 , . . . , xn ) = fX1 Xn (x1 , . . . , xk |xk+1 , . . . , xn )fXk+1 Xn (xk+1 , . . . , xn )
(2.44)
k qualquer inteiro na faixa 1 < k < n. A fd ondi ional onjunta orrespondente

fdp fX1 Xn (x1 , . . . , xk |xk+1 , . . . , xn ) dada por
onde
FX1 Xn (x1 , . . . , xk |xk+1 , . . . , xn )

Z x1
Z xk
fX1 Xn (u1 , . . . , uk |xk+1 , . . . , xn )du1 duk
=
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 ) = FX2 Xn (x2 , . . . , xk |xk+1 , . . . , xn )
FX1 X2 Xn (, x2 , . . . , xk |xk+1 , . . . , xn ) = 0
2.8.5 Independn ia Estatsti a de Variveis Aleatrias

J denimos a independn ia estatsti a para dois ou mais eventos de uma espao amostral
S.
Este on eito pode ser estendido para variveis aleatrias denidas em um espao
amostral gerado por um experimento ombinado ou por vrias tentativas de um ni o

experimento.
Se os experimentos gerarem resultados mutuamente ex lusivos, a pro-
babilidade de um resultado em um experimento independente de um resultado em

qualquer outro experimento. Isto , a probabilidade onjunta dos resultados pode ser
fatorada no produto das probabilidades orrespondentes a ada resultado. Consequentemente, as variveis aleatrias orrespondentes aos resultados nestes experimentos so
independentes no sentido de que sua fdp onjunta pode ser fatorada no produto das
fdp's marginais.
Denio 2.14.
As v.a.'s multidimensionais so estatisti amente independentes se
e somente se
FX1 X2 Xn (x1 , x2 , . . . , xn ) = FX1 (x1 )FX2 (x2 ) FXn (xn )
(2.46)
ou alternativamente
fX1 X2 Xn (x1 , x2 , . . . , xn ) = fX1 (x1 )fX2 (x2 ) fXn (xn )
(2.47)
2.9 Funes de Variveis Aleatrias

2.9.1 Caso Unidimensional
Um problema que surge frequentemente em apli aes de probabilidade o seguinte:
dada uma v.a.
X,
ara terizada por sua fdp
fX (x),
al ular a fdp da v.a.
Y = g(X),
Variveis Aleatrias
onde
g(X)
X.
alguma funo de
Teorema 2.13.
de
57
Chamemos a fdp desejada de
Sejam duas v.a.'s
Y,
om
Y = g(X).
fY (y).
Nestas ondies, a fdp
dada por

fX (x)
fY (y) =
|g (X)| x=g1 (y)
PSfrag repla ements
Demonstrao. Ini ialmente, vamos analisar os gr os da Figura 2.11.
fX (x)
fY (y)
Y = g(X)
X
b)
a)
Figura 2.11: a) Dependn ia entre X e Y, b)
fX (x),
e )
fY (y).
Se X sofre uma variao X 0, e a variao orrespondente em Y dada por

Y , ento bvio que a probabilidade de observar X no intervalo [x, x+x] a mesma
de observar Y no intervalo [y, y +y]. Mas estas probabilidades so dadas por fX (x)x
e fY (y)y , respe tivamente. Portanto
lim fX (x)x = fY (y)y
(2.48)
x0
Propriamente falando a equao a ima deveria ser expressa omo
lim fX (x)|x| = fY (y)|y|
(2.49)
x0
pois as probabilidades so iguais s magnitudes das reas sob
Y ,
respe tiva-
mente. Desta forma
fY (y) uma funo

x deve ser expressa
x = g 1 (y), temos
Observe que
a ima, a varivel
uma inversa
fX (x)
f (x)
= X
fY (y) =

|g (X)|
dY
dX
de
y.
(2.50)
Desta forma, no lado direito da equao
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.
A funo densidade de probabilidade de uma varivel aleatria
dada por
2
x
,
fX (x) = 81
0,
3 < x < 6
aso ontrrio
Cal ule a funo densidade de probabilidade da varivel aleatria
Soluo.
Neste aso,
dadas por:
g(x) = 1/3(12 x).
1
U = (12 x).
3
Assim, a derivada e a inversa de
1
1
g (x) = (0 1) =
3
3
g(x)
so
g 1 (U ) = 12 3U
Apli ando o Teorema 2.13, temos:
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
nal ento dada por:
(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
X ontra Y . Notamos que este

FY (y) as fd 's para X e Y , respe -
Na Figura 2.12a) tem-se o mapeamento de
mapeamento linear e monotni o. Sejam
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
Derivando a equao a ima em relao a
y,
obtemos a relao entre as respe tivas
fdp's
1
fY (y) = fX
a
Ou seja, se a fdp de
yb
a
da forma da Figura 2.12b), a fdp de
ser aquela mostrada
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
Figura 2.12: Uma transformao da v.a.

e
ba
b)
a)
-1
b+a
e um exemplo das fdp's orrespondentes de
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
ou seja, existe apenas um valor de
outro lado, para um dado valor de
para um dado
Y , e vi e-versa. Se, por

X , as equaes a ima
existir mais de um valor de
devem ser modi adas. O seguinte orolrio trata deste aso:
Corolrio 2.14.
Quando a equao
Y = g(X)
tem duas razes,
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
PSfrag repla ements
Demonstrao. Considere a relao
Y = g(X)
mostrada na Figura 2.13.
g2 (x2 )
g1 (x1 )
y
x1
x2
x1
x2
Figura 2.13: Funo de uma v.a. om duas razes.

Nesta Figura, para um dado valor de
X.
existem dois valores orrespondentes para
x1 e x2 . Vamos quebrar esta funo

Y = g1 (X1 ) e Y = g2 (X2 ).
Note que agora temos uma orrespondn ia unvo a entre X e Y em ada uma
destas funes. Ento x1 e x2 so funes de y om uma ni a raiz. Chamemos as
Ento a equao
Y = g(X)
tem duas razes,
em duas outras, ada qual om uma ni a raiz:
60
Variveis Aleatrias
x1 = g11 (y) e x2 = g21 (y).

Da Figura 2.13 temos que Y est no intervalo (y, y +y) quando x1 est no intervalo
(x1 , x1 + x1 ) ou quando x2 est no intervalo (x2 , x2 + x2 ). Os dois ltimos eventos
so mutuamente ex lusivos, pois X pode assumir o valor x1 ou o valor x2 mas no
relaes inversas de
ambos. Desta forma, temos
fY (y)|y| = lim (fX (x1 )|x1 | + fX (x2 )|x2 |)
(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
para um dado valor de
Y,
(2.53)
podemos estender este resul-
tado para o seguinte orolrio:
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
Na Figura 2.14 temos o mapeamento de
em relao a
X.
PSfrag repla ements
Figura 2.14: Uma transformao quadrti a da v.a.

Para determinar a fd de
Y,
observamos que
FY (y) = P [Y y] = P [aX 2 + b y] = P [|X|

e ento
X.
yb
]
a
Se
tem fdp
Variveis Aleatrias
61
r
FY (y) = FX
yb
a
Derivando a equao a ima em relao 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
Utilizando agora o Corolrio 2.9.1, temos: a equao
q
x2 = yb
a ,
!
em termos da fdp de
g(X) = aX 2 + b = y
e portanto,
fY (y)
tem duas
onsiste de dois termos
orrespondentes a estas duas solues

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

2.9.2 Caso Multidimensional

Teorema 2.16.
U
Considere duas v.a.'s
outras duas v.a.'s rela ionadas
Suponha que tanto

e
Y,
omo
X eY e
a X e Y
assumem valores
fXY (x, y). Sejam

por U = U (X, Y ) e V = V (X, Y ).
ni os para valores parti ulares de X
sua fdp onjunta
e vi e-versa. Ento
fU V (u, v) =
fXY (x, y). Sejam U e

V = V (X, Y ). Suponha
que tanto U omo V assumem valores ni os para valores parti ulares de X e Y , e vi eversa. Similarmente ao aso unidimensional, para obter fU V (u, v) a partir de fXY (x, y),
Demonstrao. Considere duas v.a.'s
outras duas v.a.'s rela ionadas a
fXY (x, y)

u, v
J
x, y
e sua fdp onjunta
por
U = U (X, Y )
observe que
fU V (u, v)|dudv| = fXY (x, y)|dxdy|
(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)
o Ja obiano da transformao, dado pelo determinante

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)
Note que para que o Ja obiano exista as derivadas par iais de

e a
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
as solues das equaes
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
O resultado a ima pode ser estendido a qualquer nmero de variveis.

que temos
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
om uma fdp onjunta
Desejamos en ontrar a fdp onjunta

om
devem tambm existir.
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
fY1 Y2 Yn (y1 , y2 , . . . , yn )|dy1 , dy2 , . . . , dyn | =
fX1 X2 Xn (x1 , x2 , . . . , xn )|dx1 , dx2 , . . . , dxn |
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)
A razo dos elementos de rea dada pelo Ja obiano da transformao
dy1 , dy2 , . . . , dyn = J
y1 , y2 , . . . , yn
x1 , x2 , . . . , xn
y1 ,...,yn
x1 ,...,xn
dx1 , dx2 , . . . , dxn
(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)
Pode-se mostrar que
Se
Y1 , Y2 , . . . , Yn
y1 , y2 , . . . , yn
x1 , x2 , . . . , xn
=
J
1

x1 , x2 , . . . , xn
y1 , y2 , . . . , yn
so funes de mltiplos valores de
(2.65)
X1 , X2 , . . . , Xn ,
uma equao
similar a (2.59) deve ser utilizada. (Qual ?)
Exemplo 2.14.
Para ilustrar o exemplo de transformao de uma fdp de segunda or-
dem, onsidere o aso do arremesso de um dardo. Assuma que ambas as variveis
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
fR (r, ) onde R a distn ia do ponto origem e o

x. As relaes entre as variveis so as seguintes:

p
Y
2
2
R= X +Y
e
= arctg
X
ponto em relao ao eixo
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
no apare e na equao a ima. Isto quer dizer que as variveis R e
so independentes e
[0, 2],
pode ser es rita omo
f () pre isa ser uma onstante.

f () uma onstante de modo
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
onhe ida omo funo densidade de Rayleigh.
fR (r)
6
.........
...... .. .......
..... .. .........
...
....
..
...
.
.
...
.
...
.
...
...
..
...
.
.
...
..
..
.
.
...
..
.
...
.
..
...
.
.
...
..
..
.
...
..
.
.
...
..
..
...
.
.
...
....
...
.
.
.
.
...
..
.....
....
.....
..
...
.....
.
.
.
.
.....
.....
....
......
.
...
.
.
......
.
.......
....
.........
.
...............
.
.
...................................
...
...
Figura 2.15: Funo densidade de probabilidade de Rayleigh.
2.10 Exer ios

1. A funo densidade de probabilidade da amplitude de um erto sinal (em volts)
dada por
fX (x) = xex u(x)

(a) Qual a probabilidade da amplitude do sinal ser maior que 1 volt?
(b) Qual a probabilidade de observar a amplitude do sinal na faixa de 1 a 2
volts?
Resp: a)
2e1
b)
2e1 3e2
Variveis Aleatrias
65
2. A funo densidade de probabilidade onjunta
fXY (x, y)
de duas v.a.'s ontnuas
dada por
fXY (x, y) = xye
x2 +y 2
2
u(x)u(y)
(a) En ontre as seguintes funes densidade de probabilidade:
fX (x), fY (y),
fXY (x|Y = y), fXY (y|X = x).

(b) As v.a.'s
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)
de duas v.a.'s ontnuas
dada por
fXY (x, y) = ke(x

(a) Determine o valor da onstante
2 +2xy+2y 2 )
k.
(b) Determine as funes densidade de probabilidade
y),
fX (x), fY (y), fXY (x|Y =
fXY (y|X = x).
( ) Estas duas v.a.'s so independentes?

(a)
(b)
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
de um reti ador de meia onda so
rela ionados por
(
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:
5. Repita o problema anterior para um reti ador de onda ompleta.
Di a: para um reti ador de onda ompleta, os sinais de entrada e sada esto

2
rela ionados por Y = X .
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
7. Se 20% dos bits transmitidos por um transmissor a usam defeito, determine a

probabilidade de que, em 4 bits transmitidos ao a aso:
(a) Um seja errado
(b) Nenhum esteja errado
( ) Ao menos dois estejam errados
Resp: a) 0,4096
b) 0,4096
) 0,1808
8. Se os defeitos de um te ido seguem uma lei de Poisson om mdia de defeito a ada

500 m, qual a probabilidade de que o intervalo entre dois defeitos onse utivos
seja:
(a) no mnimo 1250 m
(b) entre 1000 m e 1250 m
( ) menor que 1000 m
Resp: a)
e5/2 0, 082
b)
e2 e5/2 0, 053
1 e2 0, 865
9. Sabe-se que a mdia de arros om um pneu furado durante a travessia de um

determinado tnel de 0,06 asos/ms. Cal ular a probabilidade de pelo menos
2 arros terem um pneu furado ao passar pelo tnel durante um ms de trfego
normal, sabendo-se que a distribuio de Poisson.
Resp: 0,0017
10. Suponha que a varivel aleatria
tem uma distribuio de hi-quadrado, om
10 graus de liberdade. Se pedirmos para determinar dois nmeros
P (a < x < b) = 0, 85,
b,
tais que
por exemplo, deveremos ompreender que existem muitos
Variveis Aleatrias
67
pares dessa esp ie. Determine dois diferentes onjuntos de valores
(a, b)
que sa-
tisfaam ondio a ima. Suponha que, em aditamento ao a ima, se exija que
P (X < a) = P (X > b).

Resp:
a = 4, 45
b = 16, 97
fX (x). Uma varivel aleatria Y denida

Y = aX + b, a < 0. Determine a fdp de Y em termos da fdp de X.

yb
1
, a<0
Resp: fY (y) = fX
a
a
11. A fdp de uma varivel aleatria X

omo
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
Resp: Apenas o item ) no pode ser fd .

13. A fd onjunta de duas variveis aleatrias X e Y dada por
FXY (x, y) =
(1 ex) (1 ey) x 0, y 0
0
aso ontrrio
(a) En ontre as fd 's marginais.

(b) En ontre as probabilidades dos eventos
i)
ii)
A = {X 1, Y 1}
B = {X > x, Y > y}, x > 0, y > 0
Di a: use a lei de De Morgan

Resp:
(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
14. Uma varivel aleatria
tem funo densidade de probabilidade dada por
fX (x) =
c
, <X <
x2 + 1
(a) Determine o valor da onstante
c.
(b) Cal ule a probabilidade do evento
[1/3 X 2 1].
( ) Determine a funo distribuio de probabilidade de
X.
68
Variveis Aleatrias
Resp:
(a)
c = 1/
(b)
P [1/3 X 2 1] = 1/6
1 1
FX (x) = + arctg(x)
2
( )
15. Seja a varivel aleatria
om funo densidade de probabilidade dada por
(
6x(1 x), 0 < x < 1
fX (x) =
aso ontrrio
0,
Y = h(X)
Determine uma funo
que tenha a funo densidade de probabilidade
(
12y 3 (1 y 2 ), 0 < y < 1
fY (y) =
0,
aso ontrrio
XxeY y
P [X x] = P [Y y],
Di a: Admita que a funo in gnita h seja tal que os intervalos

se orrespondam biunvo a e ontinuamente, de forma que
FX (x) = FY (y).
Y = X
ou seja
Resp:
16. Assuma que duas variveis aleatrias
tm funo densidade de probabili-
dade onjunta dada por

1 2
1
2
exp (x + y )
fXY (x, y) =
2
2
Sejam duas outras variveis aleatrias
U = 3X + 5Y
denidas da seguinte maneira:
W = X + 2Y
Detemine a funo densidade de probabilidade onjunta de
Resp:
1 1 (5U 2 26U W +34W 2 )

FU W (u, w) =
e 2
2
17. Seja uma v.a. om fdp dada por
fX (x) = ke|x| , > 0, < x <

onde
uma onstante.
(a) Cal ule o valor de
k.
(b) En ontre a funo distribuio umulativa de

( ) Cal ule
(d) Cal ule
Resp:
P [1 X 2]
P [1 X 2]
X.
usando a fdp, para
= 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
18. A probabilidade de uma hamada telefni a no durar mais do que

geralmente des rita por uma
FT (t) =
f dp
Qual a
f dc
(
minutos
exponen ial
1 et/3 t 0
0
aso ontrrio
da durao em minutos de uma onversa telefni a?
Qual a
probabilidade de uma onversao durar entre 2 e 4 minutos?
Resp:
(a)
(b)
1 et/3 , t 0
fT (t) = 3
0,
aso ontrrio
P [2 t 4] = e2/3 e4/3 0, 25
19. Expresse os valores extremos das

termos das
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)
20. Considere as variveis aleatrias
(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
duas v.a.'s om fdp onjunta dada por
(
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.
(b) Cal ule as fdp's marginais.

( )
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
toques, dado que ada toque tem uma
erta probabilidade de estar om erro;

( ) Tempo entre hegadas su essivas, dado que as hegadas so sem memria;
(d) Tempo de servio de um dispositivo que onsiste de
servidores sem me-
mria, em srie.
Resp: (a) Geomtri a (b) Binomial ( ) Exponen ial (d) m-Erlang

23. Uma fonte binria gera dgitos 0 e 1 de forma aleatria om probabilidades 0,6 e
0,4, respe tivamente.
(a) Qual a probabilidade de que o orram dois 1s e trs 0s em uma sequn ia
de in o dgitos?
(b) Qual a probabilidade de o orrerem pelo menos trs 1s em uma sequn ia de
in o dgitos?
Resp: (a) 0,3456 (b) 0,31744

24. Seja
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
25. A funo densidade de probabilidade onjunta de duas variveis aleatrias

dada por
fXY (x, y) = A sen(x + y),

Determine:
(a) A onstante
A.
0 x /2, 0 y /2
Variveis Aleatrias
71
(b) A funo distribuio de probabilidade onjunta
FXY (x, y)
( ) As funes distribuies de probabilidade marginais

(d) A probabilidade do evento
FX (x)
FY (y).
X .
6
4
Resp:
(a)
A = 0, 5
(b)
FXY (x, y) = 0, 5 [sen(x) + sen(y) sen(x + y)]
( )
FX (x) = 0, 5 [1 cos(x) + sen(x)]
FY (y) = 0, 5 [1 cos(y) + sen(y)]
(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
x(t) alimenta um dispositiva uja sada seja y(t). Se X tem

(0, 2) e y = ln(x), al ule fY (y) e FY (y). Faa
distribuio uniforme no intervalo
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,
< y < ln(2)

y ln(2)
< y < ln(2)
y ln(2)
28. Sabe-se que a distn ia (em metros) do ponto de aterrissagem de um paraquedista

em relao ao entro da rea alvo opde ser modelada omo uma varivel aleatria
ontnua
om distribuio de Rayleigh de parmetro
2 = 100.
(a) En ontre a probabilidade de o paraquedista aterrisar dentro de um raio de

10m do entro da rea alvo.
(b) En ontre o raio
Resp:
(a)
(b)
tal que a probabilidade do evento
{X > r}
seja
e1 .
Captulo 3
Mdias Estatsti as de Variveis

Aleatrias
3.1 Mdias
O on eito de mdias assume uma posio extremamente importante em pro essos aleatrios. Como men ionado anteriormente, os pro essos aleatrios so ara terizados pela
regularidade estatsti a.
Usando o termo regularidade estatsti a indi amos que o
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.
3.1.1 Mdia de uma Varivel Aleatria

Considere uma v.a.
que pode assumir
rimento (representado por
X)
foi repetido
vezes (N
o nmero de tentativas favorveis aos resultados

o valor mdio de
X=
x1 , x2 , . . . , xn . Suponha que o expe ) e sejam m1 , m2 , . . . , mn

x1 , x2 , . . . , xn , respe tivamente. Ento
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
por frequn ia relativa de probabilidade. Portanto
X=
n
X
xi pX (xi )
(3.2)
i=1
O valor mdio tambm hamado de valor esperado da v.a.
E[X].
e denotado por
Mdias Estatsti as de Variveis Aleatrias
Denio 3.1.
73
A mdia ou valor esperado de uma v.a. dis reta dado por
n
X
X = E[X] =
xi pX (xi )
(3.3)
i=1
Se
uma v.a. ontnua, o valor mdio dado por
X = E[X] =
xfX (x)dx
(3.4)
Exemplo 3.1.
Uma fdp gaussiana geral dada por
fX (x) =
En ontre o valor mdio de
Soluo.
(xm)2
1
e 22
2
X.
Na Figura 3.1 tem-se um esboo de
X=
Fazendo
X=
X = Y + m,
1
2
1
2
fX (x).
Para esta distribuio, temos
(xm)2
2 2
xe
dx
podemos rees rever a equao a ima omo
y2
(y + m)e 22 dy =
1
2
Z
y2
ye 22 dy + m
O integrando da primeira integral uma funo mpar de
y,
zero. O da segunda integral uma funo par de
y,
y2
e 22 dy
e por isso, o resultado
de modo que podemos rees rever
a equao a ima omo
1
X=
2m
2
fX (x)
1
2 2
y2
e 22 dy =
1
1
2m
2 2 = m
2
2
....... ....... ....... ....... ....... ....... ....... ....... ......................

.
..
..... ... .........
.....
..
.....
....
...
...
...
.
.
.
.
...
.
..
.
.
.
...
...
...
.
..
.
...
.
.
.
.
...
..
.
.
...
.
...
...
.
.
.
.
...
.
.
.
...
..
.
.
.
...
.
..
.
.
...
.
.
..
...
.
.
...
..
.
.
.
.
.....
..
.
.
.
.
.
.....
.
...
.
.....
.
.
.
.
.....
.
....
.
.
.
.
......
.
.
....
.......
.
.
.
.
.
..........
....
.
.
.
.
.
.
.
.
.
.................
.
.
.
..............
..
Figura 3.1: Funo densidade de probabilidade gaussiana om mdia
e varin ia
2.
74
3.1.2 Mdia de uma Funo de uma Varivel Aleatria

Frequentemente desejamos en ontrar a mdia de uma funo de uma v.a. ao invs da
mdia da prpria v.a. Como um exemplo simples disso, analisemos o aso de um sinal
de rudo uja amplitude representada por uma v.a.
X.
Na prti a estamos mais
interessados no valor quadrti o mdio do sinal do que no valor mdio deste.

De forma geral, desejamos obter a expresso do valor mdio de uma v.a.
por sua vez uma funo da v.a.
Y = g(X)
Teorema 3.1.
mdio de
a qual
Sejam duas v.a.'s
(3.5)
rela ionadas por
Y = g(X).
Ento o valor
dado por
Y = E[Y ] =
yfY (y)dy =
g(X)fX (x)dx
(3.6)
Demonstrao. Considere o gr o da Figura 3.2, onde apare e um esboo da urva de

PSfrag repla ements
ontra Y = g(X)
Y
y + dy
dy
x2
x1
dx1
x3
dx3
dx2
Figura 3.2:
Da gura, podemos ver que
Y = g(X).
y = g(x1 ) = g(x2 ) = g(x3 ),
ento podemos es rever
fY (y)dy = fX (x1 )dx1 + fX (x2 )dx2 + fX (x3 )dx3

Multipli ando ambos os lados da equao por
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
orrespondentes so no sobrepostos e obrem
Desta forma, as integrais em (3.8) e (3.6) so iguais, e a prova est
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.
g(xi )pX (xi )
(3.9)
En ontrar o valor quadrti o mdio da distribuio gaussiana do Exem-
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
rees revemos a equao a ima omo
1
Y =
2
u2
(u + m)2 e 22 du
Resolvendo as trs integrais a ima, hega-se a (resolver)
Y = X 2 = 2 + m2
3.1.3 Mdias para Variveis Mltiplas

Seja
uma v.a. que funo de duas v.a.'s
Z = g(X, Y )
(3.10)
Ento
Z = E[Z] =
zfZ (z)dz
(3.11)
Podemos al ular
E[Z]
a partir de (3.11) e do onhe imento da densidade onjunta
fXY (x, y). Entretanto, podemos determinar E[Z]

fXY (x, y) usando o seguinte teorema
diretamente a partir da densidade
onjunta
Teorema 3.3.
denida por
Sejam duas v.a.'s
Z = g(X, Y ).
om fdp onjunta
Ento o valor mdio de
Z = E[Z] =
+ Z +
fXY (x, y),
e a v.a.
dado por
g(X, Y )fXY (x, y)dxdy
(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
Demonstrao. A prova desta relao similar da equao (3.9). Se a varivel

no intervalo
e
76
fZ (z)z = fXY (x, y)xy
(3.13)
Integrando ambos os lados de (3.13), hegamos equao (3.12).
Teorema 3.4.
Para v.a.'s dis retas, (3.12) pode ser rees rita omo
Z = E[Z] =
XX
i
g(xi , yj )pXY (xi , yj )
(3.14)
Podemos estender fa ilmente a equao (3.12) para o aso de uma funo de
Corolrio 3.5.
Seja
uma v.a. que funo de n v.a.'s
n v.a.'s:
X1 , . . . , Xn :
Z = g(X1 , . . . , Xn )
Z
Ento a mdia de
Z = E[Z] =
dada por
g(X1 , . . . , Xn )fX1 ,...,Xn (x1 , . . . , xn )dx1 . . . dxn
(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.
3.1.4 Mdia da Soma de Funes

Teorema 3.6.
Se
g1 (X, Y ),
...,
gn (X, Y )
so funes de
ento
E[g1 (X, Y ) + + gn (X, Y )] = E[g1 (X, Y )] + + E[gn (X, Y )]
(3.16)
A prova trivial e segue diretamente da denio das mdias. Ento a mdia da

soma igual soma das mdias. Alguns exemplos simples disto so
E[X + Y ] = E[X] + E[Y ]
(3.17)
E[X 2 + Y 2 ] = E[X 2 ] + E[Y 2 ]
(3.18)
Estes resultados podem ser estendidos a funes de qualquer nmero de v.a.'s.
77
3.1.5 Mdia do Produto de Duas Variveis Aleatrias Independentes

Teorema 3.7.
Para v.a.'s independentes a mdia do produto igual ao produto das
mdias individuais.
Demonstrao. Se
Z = XY
E[Z] =
+ Z +
Se
so independentes
xyfXY (x, y) dxdy
(3.19)
fXY (x, y) = fX (x)fY (y),
e desta forma podemos es-
rever
E[Z] =
xfX (x) dx
Ento, se
yfY (y) dy = E[X]E[Y ]
(3.20)
so v.a.'s independentes
E[XY ] = E[X]E[Y ]
(3.21)
Este resultado pode ser estendido a qualquer nmero de variveis. Na verdade, a

equao (3.21) um aso espe ial de um resultado mais geral:
Teorema 3.8.
Se
so independentes, ento para
Z = g1 (X) g2 (Y )
temos que
E[Z] = E[g1 (X)]E[g2 (Y )]
(3.22)
E[g1 (X)g2 (Y )] = E[g1 (X)]E[g2 (Y )]
(3.23)
Em outras palavras
3.1.6 Mdia Quadrti a da Soma de Duas Variveis Aleatrias

O valor quadrti o mdio de
E[Z 2 ]
= E[(X + Y
Z =X +Y
)2 ]
+ Z +
+ Z +
+2
(x + y)2 fXY (x, y) dxdy
x fXY (x, y) dxdy +
+ Z +
dado por
+ Z +
xyfXY (x, y) dxdy
y 2 fXY (x, y) dxdy
(3.24)
78

Se as v.a.'s
so independentes, ento
+ Z +
x fXY (x, y) dxdy =
x fX (x) dx
Z +
fY (y) dy =
x2 fX (x) dx = E[X 2 ]
Similarmente
+ Z +
y fXY (x, y) dxdy =
fX (x) dx
y 2 fY (y) dy =
y 2 fY (y) dy = E[Y 2 ]
E usando (3.21), podemos es rever
+ Z +
xyfXY (x, y) dxdy = E[XY ] = E[X]E[Y ]
Portanto, para as v.a.'s independentes
temos
E[(X + Y )2 ] = E[X 2 ] + E[Y 2 ] + 2E[X]E[Y ]

Se
E[X]
ou
E[Y ]
(3.25)
ou ambos forem zero, ento temos
E[(X + Y )2 ] = E[X 2 ] + E[Y 2 ]
(3.26)
3.1.7 Mdia ondi ional

Denio 3.2.
v.a.
mdia ondi ional (ou valor esperado ondi ional) de uma
dado que outra v.a.
Y =y
denotada por
E[X|Y = y] =
E[X|Y = y]
e denida omo
xfX (x|Y = y) dx
(3.27)
Isto segue da denio bsi a da mdia.
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.
denido omo o valor
X.
n
E[X ] =
xn fX (x) dx
(3.28)
79
3.2.2 Momentos Centrais

Denio 3.4.
n-simo momento entral da v.a.
m,
de seu valor mdio
seu momento ao redor
e dado por
E[(X m) ] =
(x m)n fX (x) dx
(3.29)
3.2.3 Varin ia
Denio 3.5.
O segundo momento entral sobre a mdia hamado de

2
e denotado por X .

2
X
= E (x m)2
varin ia
(3.30)
Das expresses da seo 3.1.4, segue que

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
de uma varivel aleatria
om distribuio
gaussiana.
Soluo.
No Exemplo 3.1 vimos que
E[X] = m,
e no Exemplo 3.2, foi mostrado que
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
sempre toma o valor
Demonstrao. Desde que
E[X] = a,
Neste aso,
80

Este teorema diz que a varin ia de
Teorema 3.10.
Se
Y = X + b,
ento
determinsti a.
Var[Y ] = Var[X].
Demonstrao. Dada a varivel aleatria

de
zero quando
X , E[Y ] = E[X]+b, e desta forma, a varin ia
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
de uma onstante no muda a sua
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].
3.2.4 Caso Multidimensional

Denio 3.6.
Sejam duas v.a.'s
mento onjunto denido omo

E
Denio 3.7.
X1k X2n
X1
X2
+ Z +
Sejam duas v.a.'s
X1
X2
+ Z +
onde
mi = E[Xi ].
fX1 X2 (x1 , x2 ).
xk1 xn2 fX1 X2 (x1 , x2 ) dx1 dx2
mento entral onjunto denido omo

h
i Z
E (X1 m1 )k (X2 m2 )n =
om fdp onjunta
om fdp onjunta
fX1 X2 (x1 , x2 ).
mo-
(3.32)
mo-
(x1 m1 )k (x2 m2 )n fX1 X2 (x1 , x2 ) dx1 dx2

(3.33)
81
Uma propriedade bastante til quando lidamos om distribuies bidimensionais

a desigualdade de Cau hy-S hwarz, que apresentada a seguir
Teorema 3.12. Desigualdade de Cau hy-S hwarz.
Sejam
duas variveis
aleatrias. Ento

[E(XY )]2 E X 2 E Y 2
Demonstrao. Considere a expresso
e
em
quaisquer, e uma varivel real

E (X Y )2
(3.34)
para duas variveis aleatrias
Esta expresso, quando vista omo um quadrado
sempre no negativa, isto :

E (X Y )2 0
Expandindo o quadrado, temos
E[X 2 ] 2E[XY ] + 2 E[Y 2 ] 0

Vamos es olher agora o valor de
de modo que o lado esquerdo da equao a ima seja
mnimo:
E[XY ]
E[Y 2 ]
o que resulta na desigualdade
E[X 2 ]
2 2
[E(X, Y )]2
2
[E(XY
)]
E
X E Y
E [Y 2 ]
De parti ular importn ia para ns so os momentos onjuntos e momentos entrais

onjuntos orrespondentes a
k = n = 1.
Estes momentos onjuntos so hamados de
orrelao e ovarin ia das v.a.'s X1 e X2 , respe tivamente, e sero estudados om

mais detalhes adiante.
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
es e ovarin ias entre pares de v.a.'s. Suponha que

fdp onjunta
e
fX1 X2 Xn (x1 , x2 , . . . , xn ).
Seja
Xj .
Denio 3.8.
orrelao entre Xi e Xj dada pelo momento onjunto
ij = E[Xi Xj ] =
+ Z +
xi xj fXi Xj (xi , xj ) dxi dxj
(3.35)
82
Denio 3.9.
Kij
ovarin ia de Xi e Xj dada por

= E[(Xi mi )(Xj mj )]
=
+ Z +
(xi mi )(xj mj )fXi Xj (xi , xj ) dxi dxj
+ Z +
xi xj fXi Xj (xi , xj ) dxi dxj mi mj
(3.36)
= E[Xi Xj ] mi mj
As matrizes
n x n om elementos ij
ij
so hamadas respe tivamente de
de orrelao e matriz de ovarin ia das v.a.'s Xi , i = 1, 2, . . . , n.
matriz
3.2.5 Variveis Aleatrias Des orrela ionadas e Ortogonais

Denio 3.10.
Duas v.a.'s
Xi
Xj
so ditas
des orrela ionadas se
E[Xi Xj ] = E[Xi ]E[Xj ] = mi mj
Neste aso, a ovarin ia
Kij = 0.
Note que quando
Xi
independentes, tambm so des orrela ionadas. Entretanto, se
Xj
Xi
so estatisti amente
e
Xj
so des orrela-
ionadas, no so ne essariamente estatisti amente independentes.
Denio 3.11.
Duas v.a.'s
Xi
Esta ondio a onte e quando
Xj
Xi
so ditas
Xj
ortogonais se E[Xi Xj ] = 0.
so des orrela ionadas e uma ou ambas as
v.a.'s tem mdia zero.
3.3 Funes Cara tersti as

Denio 3.12.
funo ara tersti a de uma v.a.
denida omo a mdia
estatsti a
jX
(j) E[e
onde a varivel
real e
j=
]=
ejx fX (x) dx
a onstante imaginria.
(3.37)

(j)
83
pode ser vista omo a transformada de Fourier da fdp
fX (x).
Assim, a
transformada inversa de Fourier dada por
fX (x) =
1
2
(j)ejx d
(3.38)
Uma propriedade til da funo ara tersti a sua relao om os momentos da

v.a. O seguinte teorema rela iona estas duas grandezas:
Teorema 3.13.
tersti a
Sejam uma varivel aleatria
(j).
e sua orrespondente funo ara -
Ento
nd
E[X ] = (j)
d(j)
=j
d
Avaliando a expresso a ima em
d n
(j)
Demonstrao. A derivada primeira de
n (j)
(3.39)
=0
em relao a
leva a
xejx fX (x) dx
= 0,
obtemos o primeiro momento (mdia)

d(j)
= j
d =0
E[X] = mX
O pro esso de diferen iao pode ser repetido, de modo que a
(j)
avaliada em
=0
(3.40)
(3.41)
n-sima
derivada de
leva ao n-simo momento

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)
A funo ara tersti a forne e um meio simples de determinar a fdp da soma de

v.a.'s estatisti amente independentes:
84
Teorema 3.14.
Seja
Xi , i = 1, 2, . . . , xn
um onjunto de
v.a.'s estatisti amente
independentes e seja
n
X
Y =
Xi
i=1
Ento a funo ara tersti a de
dada por
Y (j) =
n
Y
Xi (j)
i=1
Demonstrao. O problema onsiste em determinar a fdp de
Y.
Iremos fazer isto en on-
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)
Desde que as v.a.'s so estatisti amente independentes,
fX1 X2 Xn (x1 , x2 , . . . , xn ) = fX1 (x1 )fX2 (x2 ) fXn (xn )

e desta forma a integral mltipla da equao a ima pode ser fatorada em
simples, ada uma orrespondendo funo ara tersti a de um dos
Y (j) =
n
Y
Xi (j)
Xi .
integrais
Portanto
(3.46)
i=1
Corolrio 3.15.
budas, as
Se alm de independentes, as v.a.'s
Xi (j)
Xi
forem identi amente distri-
so idnti as, e a expresso a ima reduz-se a
Y (j) = [Xi (j)]n
(3.47)
Observaes:
A fdp de
Y (j),
dada pela equao (3.38).
pode ser determinada a partir da transformada inversa de Fourier de
85
Desde que a funo ara tersti a da soma de
v.a.'s estatisti amente inde-
pendentes igual ao produto das funes ara tersti as das v.a.'s individuais
Xi , i = 1, 2, . . . , n,
segue que no domnio da transformada, a fdp de
luo das fdp's de
Xi .
a onvo-
Geralmente a onvoluo mais dif il de al ular do que
o mtodo da funo ara tersti a des rito a ima para determinar a fdp de
Y.
3.3.1 Caso multidimensional

Para lidar om v.a.'s
n-dimensional
da fdp onjunta.
Denio 3.13.
a
n-dimensionais, onveniente denir uma transformada de Fourier
Se
Xi , i = 1, 2, . . . , n
so v.a.'s om fdp
fX1 X2 Xn (x1 , x2 , . . . , xn ),
funo ara tersti a n-dimensional denida omo

"
n
X
(j1 , j2 , . . . , jn ) = E exp j
exp j
n
X
i X i
i=1
i X i
i=1
!#
fX1 X2 Xn (x1 , x2 , . . . , xn ) dx1 dx2 . . . dxn

(3.48)
De espe ial interesse a funo ara tersti a bi-dimensional
(j1 , j2 ) =
+ Z +
ej(1 X1 +2 X2 ) fX1 X2 (x1 , x2 ) dx1 dx2
Observe que as derivadas par iais de
(j1 , j2 )
em relao a
e a
(3.49)
podem ser
utilizadas para gerar os momentos onjuntos. Por exemplo, f il mostrar que
E[X1 , X2 ] =
3.4 Exer ios

2 (j1 , j2 )

1 2
1 =2 =0
(3.50)
1. Uma fonte gera um sinal de rudo om distribuio gaussiana de mdia zero e

potn ia 2 W. En ontre a probabilidade de a amplitude do sinal ex eder 5 volts.
Resp:
Q(5/ 2) 2, 0563 104
2. Repita o problema anterior, se a potn ia for de 1 W.
Resp:
Q(5) 2, 89 107
FX () a transformada de Fourier de uma funo densidade

fX (x) e mn representa o n-simo momento da v.a. X ,
3. Se
mn =
xn fX (x) dx
de probabilidade
86

Ento mostre que
(a)

dn FX ()
mn = (j)
d n
n
(b) se
FX ()
=0
expandida em srie de Taylor, ento
X
m3 3
m2 2
+j
+ =
(j)n mn
FX () = m0 jm1
2!
3!
n=0
n
n!
4. Use os resultados do problema anterior para determinar o valor mdio e o valor

quadrti o mdio de
(a) um sinal gaussiano;
(b) um sinal om
Di a: en ontre
fX (x) = xex u(x)
FX ()
e expanda em sries de potn ias omo no problema ante-
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
e desvio padro > 0, e seja X a v.a. padronizada
orrespondente de X , isto X = (X )/ . Mostre que E[X ] = 0 e Var[X ] =

1. (Logo X = 1).
5. Seja
uma v.a. om mdia
n-simo
intervalo [a, b].
6. En ontre o
no
E[X n ] =
Resp:
momento de
X,
se
uma v.a. uniformemente distribuda
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
9. En ontre a funo ara tersti a de uma varivel aleatria
Cau hy, uja funo densidade de probabilidade dada por
fX (x) =
Resp:
(j) = ea
a
,
(x2 + a2 )
< x <
om distribuio de

10. Seja
Y = a cos(t + )
onde a,
87
e t so onstantes, e
(0, 2).
om distribuio uniforme no intervalo
uma varivel aleatria
A varivel aleatria Y resulta na
amostragem da amplitude de uma senide om fase aleatria

E[Y
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),
apli ando o teorema dos momentos
sobre a funo ara tersti a.

A fdp de uma distribuio
2n
fY (y) =
onde
(p)
dada pela expresso

y
n
1
y ( 2 1) e 2 ,
n
2 ( 2 )
y0
n
2
a funo gama, denida por
(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, . . .
12. Determine os momentos de uma varivel aleatria
Resp:
13. Dada uma varivel aleatria dis reta
p e q , respe tivamente,
= 0, 25.
bilidades
2
qual
Resp:
N (0, 1).
que assume dois valores 0 e 1 om proba-
prove que
2 0, 25.
En ontre o valor para o
q = 0, 5
14. Sabe-se que para uma varivel aleatria
2
tos so dados por 2 e
a varin ia de
Resp:
distribuio
positiva, o segundo e o quarto momen-
8 4 , respe tivamente. Se
Y = X 2,
determine a mdia e
Y.
E[Y ] = 2 2
Var[Y ] = 4 4 .
15. Se uma varivel aleatria
tem fmp dada por
0, 5 x = 1
pX (xk ) = 0, 5 x = +1
aso ontrrio
0
mostre que a funo ara tersti a de
dada por
cos().
88

a
16. Demonstre a onsist n ia da denio da funo ara tersti a. Faa as suposies ne essrias para a demonstrao.
Di a:
uni idade das transformadas, funo impulso, e propriedade de deslo a-
mento no domnio do tempo

17. Seja
a mdia de uma varivel aleatria
fX (x) dx =
ento
18. Seja
X.
Z
Mostre que se
fX (x) dx
FX () = 1/2.
(X, Y )
uma v.a. bidimensional om fdp onjunta
fXY (x, y) =
x2 + y 2 (x2 +y2 )/2

e
, < x < , < y <
4
Mostre que X e Y so des orrela ionadas mas no independentes.

19. Seja
(a) Cal ule
fX (x|X > 0)
(b) Cal ule
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
20. Suponha que a fmp onjunta de uma varivel aleatria bidimensional

dada por
(
1/3 (0, 1), (1, 0), (2, 1)
pXY (x, y) =
0
aso ontrrio
(a) En ontre as fmps marginais.
(b)
so independentes?
( )
so des orrela ionadas?
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
Mtodos omputa ionais para

gerao de nmeros aleatrios
4.1 Introduo
Em simulaes de sistemas reais s vezes nos deparamos om a ne essidade de gerar
nmeros aleatrios segundo alguma distribuio para testar nossas idias. Por exemplo,
se queremos simular um anal de omuni ao ruidoso, devemos gerar nmeros aleatrios segundo uma distribuio gaussiana de mdia zero e varin ia igual potn ia do
rudo de anal. Por outro lado, se queremos simular o trfego de dados em um determinado servio, devemos gerar nmeros om distribuio exponen ial para o tempo entre
hegadas de lientes.
Neste aptulo sero apresentados alguns algoritmos omputa ionais para a gerao
de nmeros de forma aleatria, segundo uma dada distribuio. Ini ialmente ser apresentado o algoritmo para a gerao de nmeros om distribuio uniforme entre 0 e 1,
que ir servir de base para os demais algoritmos.
4.2 Mtodo do resduo da potn ia

O primeiro problema a ser abordado quando queremos gerar nmeros aleatrios no
intervalo
[0, 1]
que existem innitos pontos dentro deste intervalo, mas o omputador
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 }.
Dividindo estes nmeros por
M , obtemos nmeros no
M bastante
intervalo unitrio. Podemos gerar distribuies bastante densas se zermos
grande.
O prximo passo onsiste em en ontrar um me anismo para gerar nmeros de forma
aleatria.
A forma preferida para gerar nmeros aleatria atravs do omputador
atravs de frmulas re ursivas que possam ser implementadas de forma f il e rpida.

No mtodo do resduo da potn ia utiliza-se a seguinte frmula:
Zk = Zk1
onde
um inteiro entre 0 e
m
de um nmero primo (p ).
M,
mod M
(4.1)
um nmero primo (p) ou uma potn ia inteira
Mtodos omputa ionais para gerao de nmeros aleatrios
Exemplo 4.1.
En ontre as sequn ias geradas pela Equao (4.1) para:
1.
M = 11, = 7, Z0 = 1
2.
M = 11, = 3, Z0 = 1
3.
M = 22 , = 7, Z0 = 1
Soluo.
91
Usando (4.1), temos:
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
e assim por diante. A sequn ia resultante :
1, 7, 5, 2, 3, 10, 4, 6, 9, 8, 1, 7, 5, 2, 3, 10, 4, 6, 9, 8, 1, 7, 5, 2, 3, 10, 4, 6, 9, 8, . . .

Note que a sequn ia passa por todos os inteiros de 1 a 10, e ento passa a se
repetir indenidamente.
2. Para este aso, a sequn ia gerada :
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, . . .
Do Exemplo a ima, podemos notar que a es olha de

ia gerada:
se
divisor de
M,
inui diretamente
na sequn-
ento a sequn ia gerada pela Equao (4.1) ir
eventualmente ser toda nula; aso ontrrio, a sequn ia ser peridi a om perodo
mximo
M 1.
Para que a sequn ia tenha o mximo omprimento possvel,
ser uma raiz primitiva de
M,
deve
um on eito ujo estudo est fora do es opo deste texto.
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
Por esta razo, as
pseudo-aleatrias.
grande o su iente, ento os nmeros gerados no iro se repetir
durante uma dada simulao, e a sequn ia gerada tem a aparn ia de uma sequn ia
aleatria.
92

Vrios estudos foram feitos para determinar bons valores para
Uma ombi-
nao que bastante usada :
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
que su iente para a maioria das apli aes.

A es olha de
Z0
determina o ponto em que a sequn ia ir se ini iar, e por isso, este
parmetro onhe ido omo a semente do gerador aleatrio.

Nas sees a seguir, iremos des rever algoritmos para gerar sequn ias de nmeros
aleatrios om outras distribuies de probabilidade a partir das sequn ias geradas
nesta seo.
4.3 Mtodo da transformada

Suponha que
seja uniformemente distribuda no intervalo
[0, 1].
Seja
FX (x)
a fd
de uma varivel aleatria que estamos interessados em gerar. Vamos denir a varivel
aleatria
Z = FX1 (U );
isto , primeiro sele ionamos
indi ado na Figura 4.1. A fd da varivel
e depois en ontramos
Z,
omo
en ontrada desta maneira dada por:
FZ (z) = P [Z x] = P [FX1 (U ) x] = P [U FX (x)]

Mas se
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
Mtodo da transformada para gerar X

1. Gere
2. Faa
X = FX1 (U )
Exemplo 4.2.
Determine
[0, 1].
para gerar uma sequn ia de nmeros aleatrios om
a partir de uma sequn ia de nmeros aleatrios

intervalo [0, 1].
distribuio exponen ial de parmetro

uniformemente distribudos no
Soluo.
Pre isamos inverter a expresso
u = FX (x) = 1 ex .
Com isto, obtemos
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.
Para gerar uma varivel aleatria om distribuio de Bernoulli de
probabilidade de su esso
p,
notamos da Figura 4.2 que
(
0,
X=
1,
U p
U >p
Em outras palavras, parti ionamos o intervalo

mentos
air.
1 p,
1.0
0.8
respe tivamente. A sada
[0, 1]
em dois segmentos de ompri-
determinada pelo intervalo em que
.....................................................................................................................................................................................................................................................................................................................................................................
...
...
....
...
.
...
...
....
...
...
....
....
.
...
.
.....
....
...
...
...
...
.
...
.
....
....
...
...
...
...
.
...
.
...
....
...
...
...
...
...
.
...
.
...
....
...
..................
...
...
.
.....
...
.
...
....
...
...
...
....
.
...
.
...
....
...
.....
...
...
.
...
..
....
..
...
...
...
.
.
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
Gere uma varivel aleatria om distribuio binomial de parmetros
p = 1/2.
Para gerar uma varivel aleatria om distribuio binomial de parmetros
p = 1/2,
poderamos simplesmente gerar in o variveis aleatrias om distri-
buio de Bernoulli e assumir
omo sendo o nmero total de su essos.
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.
4.4 O mtodo da rejeio

Iremos onsiderar uma verso simpli ada deste algoritmo para expli ar porque ele
fun iona. Depois o algoritmo ser reapresentado em sua forma geral.
Suponha que estamos interessados em gerar uma varivel aleatria
omo mostrado na Figura 4.4. Em parti ular, assumimos que:
a fdp no nula somente no intervalo
a fdp assume valores no intervalo
[0, a];
[0, b].
om fdp
fX (x),

b
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).
O mtodo da rejeio neste aso fun iona da seguinte maneira:

1. Gere
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.
Iremos mostrar agora que a sada
tem a fdp desejada: os passos 1 e 2 sele ionam
aleatoriamente um ponto em um retngulo de largura
e altura
b.
A probabilidade
de sele ionar um ponto em qualquer regio simplesmente a rea da regio dividida

pela rea total do retngulo,
regio abaixo de
fX (x)
ab.
Ento a probabilidade de a eitar
dividida por
ab.
X1
a rea da
Mas a rea sob qualquer fdp 1, de modo
que on lumos que a probabilidade de su esso
1/(ab).
Considere agora a seguinte
probabilidade:
P [{x < X1 x + dx|X1
Ento,
X1 ,
ser a eito
P [{x < X1 x + dx}, {X1 ser a eito }]

P [X1 ser a eito ]
rea sombreada/(ab)
fX (x) dx/(ab)
=
=
1/(ab)
1/(ab)
= fX (x)dx
}] =
quando a eito, tem a fdp desejada, e portanto
tem a fdp desejada.
O algoritmo a ima pode apresentar dois problemas: primeiro, se a diferena entre

o retngulo e a fdp a ser gerada for muito grande, ento o nmero de
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)
no limitada, ou se seu ontradomnio no limitado.
A verso geral deste algoritmo resolve estes dois problemas: suponha que queremos
gerar
om fdp
fX (x).
Seja
uma varivel aleatria om fdp
gerar, e tal que para alguma onstante
FW (x)
que f il de
K > 1,
KfW (x) fX (x), x

ou seja, a regio sob
KfW (x)
ontm
fX (x),
omo mostrado na Figura 4.5.
96

1.0
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
< < 1).
Mtodo da rejeio para gerar X

1. Gere
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.
usando o mtodo da rejeio.
que obre
fX (x)
1
x
, 0x1
()
x1 ex
KfW (x) =
()
ex
,
()
que orresponde funo no lado direito
fW (x) =
A fd de
seno, rejeite
[0, B(X1 )].
Mostre uma maneira de gerar uma varivel aleatria om distribuio
gama de parmetros
Soluo.
B(X1 ) = KfW (X1 ).
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
pode ser gerada fa ilmente usando o mtodo da transformao om
1
FW
(u) =

( + e)u 1/
u e/( + e)

(1 u)
, u > e/( + e)
ln ( + e)
e
Podemos usar o mtodo da transformada para gerar esta
fW (x),
e ento o mtodo
da rejeio para gerar qualquer varivel aleatria om distribuio gama de parmetros
0 < < 1
= 1.
Finalmente, note que se zermos
distribuio gama om parmetros
W = X ,
ento
ter
4.5 Gerao de funes de uma varivel aleatria

X , podemos gerar
Y = g(x) ou mesmo Z =
Se tivermos um mtodo simples para gerar uma varivel aleatria

fa ilmente qualquer varivel aleatria que seja denida por
h(X1 , X2 , . . . , Xn ),
onde
X1 , X2 , . . . , Xn
so
Exemplo 4.6. Mtodo Box & Muller.
n sadas do
gerador de nmeros aleatrios.
Pode-se mostrar que se
U1
U2
so variveis
aleatrias independentes e uniformemente distribudas no intervalo unitrio, ento
q
2 +
X = cos(2U2 ) 2 ln(U1 )X
X
q
Y = sen(2U2 ) 2 ln(U1 )Y2 + Y
so variveis aleatrias gaussianas de mdias
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
tribuio exponen ial de parmetro
uma sequn ia de variveis aleatrias iid om dis-
Iremos mostrar no Captulo 5 que a varivel
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.
tem uma distribuio

aleatria
ial de
98

Desde que a varivel aleatria
gama, para
m-Erlang
um aso espe ial da varivel aleatria
grande pode ser prefervel usar o mtodo da rejeio des rito anterior-
mente.
4.6 Gerao de misturas de variveis aleatrias

s vezes uma varivel aleatria onsiste de uma mistura de vrias variveis aleatrias.
Para gerar este tipo de varivel aleatria podemos primeiramente sele ionar uma distribuio de a ordo om alguma fmp, e ento gerar uma amostra da varivel aleatria
sele ionada. Este pro edimento pode ser fa ilmente simulado, omo mostrado da seguir:
Exemplo 4.8.
Uma varivel aleatria exponen ial de dois estgios tem fdp
fX (x) = paeax + (1 p)bebx

Fi a laro da expresso a ima que
exponen iais om parmetros
b,
onsiste da mistura de duas variveis aleatrias
respe tivamente.
pode ser gerada da seguinte maneira:
Realize um teste de Bernoulli om probabilidade de su esso
Se o resultado for um su esso, use o mtodo da transformada para gerar uma
Se o resultado for um fra asso, use o mtodo da transformada para gerar uma
varivel aleatria exponen ial de parmetro
varivel aleatria exponen ial de parmetro
p.
a.
b.
4.7 Exer ios

1. Es reva um programa de omputador para implementar um gerador de nmeros
aleatrios segundo a Equao (4.2).
(a) Para he ar seu programa, en ontre
Z1000 ;
om semente
Z0 = 1,
ele deve ser
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}.
O seguinte algoritmo proposto:
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,
gere o nmero; aso ontrrio, retorne ao passo 1).
99
Este algoritmo uma verso simpli ada do mtodo da rejeio.

(a) En ontre a probabilidade de um nmero ser gerado no passo 2).
(b) Mostre que os nmeros gerados no passo 2) so equiprovveis.
( ) Generalize o algoritmo a ima para mostrar omo o arremesso de moedas
pode ser usado para simular qualquer experimento aleatrio om urnas.
3. En ontre a transformao ne essria para gerar uma varivel aleatria om distribuio de Lapla e.
4. Uma varivel aleatria mista
tem fdp dada por
fY (x) = p(x) + (1 p)fX (x)

onde
uma varivel aleatria om distribuio de Lapla e, e
entre 0 e 1. En ontre a transformao ne essria para gerar
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.
pequeno). Cal ule o nmero mdio de
Captulo 5
Somas de Variveis Aleatrias e o

Teorema do Limite Central
5.1 Introduo
Uma grande variedade de questes pode ser respondida estudando-se uma v.a.
denida omo a soma de
Wn ,
v.a.'s
Wn = X 1 + X 2 + + X n
(5.1)
Wn ser uma funo de n v.a.'s, poderamos utilizar as distribuies

X1 , X2 , . . . , Xn para derivar o modelo de probabilidade ompleto de Wn
Pelo fato de
onjuntas de
na forma de uma fdp ou de uma fmp.
Entretanto, em muitas apli aes prti as, a
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.
5.2 Mdias de somas

Teorema 5.1.
Para qualquer onjunto de v.a.'s
Wn = X 1 + X 2 + + X n
X1 , X2 , . . . , Xn ,
o valor esperado de
E[Wn ] = E[X1 ] + E[X2 ] + + E[Xn ]

E[W2 ] = E[X1 ] + E[X2 ].
g(X1 , X2 ) = g1 (X1 , X2 ) + g2 (X1 , X2 ).
Demonstrao. Vamos mostrar ini ialmente que

Sejam
g1 (X1 , X2 ) = X1 , g2 (X1 , X2 ) = X2
Usando a propriedade da mdia de uma funo de duas variveis aleatrias, podemos

es rever (para o aso ontnuo)
E[g(X1 , X2 )] =
+ Z +
g(X1 , X2 )fX1 X2 (X1 , X2 ) dx1 dx2
+ Z +
[g1 (X1 , X2 ) + g2 (X1 , X2 )]fX1 X2 (X1 , X2 ) dx1 dx2
Somas de Variveis Aleatrias e o Teorema do Limite Central
+ Z +
g1 (X1 , X2 )fX1 X2 (X1 , X2 ) dx1 dx2
+ Z +
g2 (X1 , X2 )fX1 X2 (X1 , X2 ) dx1 dx2
101
= E[g1 (X1 , X2 )] + E[g2 (X1 , X2 )]

Portanto mostramos que
E[W2 ] = E[X1 + X2 ] = E[X1 ] + E[X2 ].
Assumimos agora
E[Wn1 ] = E[X1 ] + E[X2 ] + + E[Xn1 ]

Note que
Wn = Wn1 + Xn .
Desde que
Wn
uma soma de duas v.a.'s
Wn1
Xn ,
E[Wn ] = E[Wn1 ] + E[Xn ] = E[X1 ] + E[X2 ] + + E[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
Demonstrao. Da denio de varin ia, podemos es rever
h
i
Var[Wn ] = E (Wn E[Wn ])2
Pn
Por onvenin ia, hamemos
i = E[Xi ].
Desde que
Wn =
i=1 i ,
Var[Wn ] = E
n
X
i=1
(Xi i )
Separando os termos para os quais
Var[Wn ] =
n
X
i=1
n
X
i=1
Por ltimo, notamos que
!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
so mutuamente independentes, os termos
Cov[Xi , Xj ] = 0
(veja Denio 3.9), e temos o seguinte resultado
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
so mutuamente independentes, a varin ia

das varin ias
Var[Wn ] = Var[X1 ] + Var[X2 ] + + Var[Xn ]
Exemplo 5.1.
A entrada de um ltro digital uma sequn ia aleatria
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.
para todo n inteiro
Yn ?
Apli ando o teorema 5.2 obtemos para ada
i,
Var[Yi ] = Var[Xi ] + Var[Xi1 ] + Var[Xi2 ] + 2 Cov[Xi , Xi1 ]

+ 2 Cov[Xi , Xi2 ] + 2 Cov[Xi1 , Xi2 ]
Desde que
Var[Xj ] = CX [0]
Cov[Xi , Xj ] = CX [i j],
Var[Yi ] = 3CX [0] + 4CX [1] + 2CX [2] = 3 0, 80 + 4 0, 81 + 2 0, 82 = 7, 48
A mesma estratgia pode ser utilizada para en ontrar as propriedades de ltros

digitais mais omplexos om relao entre entrada e sada dada pela forma geral
Yn =
N
1
X
i=0
ai Xni
103
5.3 Fdp da soma de duas v.a.'s

Antes de analisar o modelo de probabilidade da soma de
a soma
W =X +Y
Teorema 5.4.
v.a.'s, instrutivo analisar
de duas v.a.'s ontnuas.
A fdp de W=X+Y
fW (w) =
fXY (x, w x) dx =
fXY (w y, y) dy
Demonstrao. Para a prova deste teorema, vamos en ontrar a fdp de
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).
pro edimento em dois passos: primeiro en ontramos a fd

junta
a
Y
w
PSfrag repla ements
X +Y w
X
Figura 5.1: Regio de integrao para a obteno de
FW (w) = P [X + Y w] =
+ Z wx
FW (w).

fXY (x, y) dy dx
Tomando as derivadas da fd para en ontrar a fdp, temos
dFW (w)
=
fW (w) =
dw
+
d
dw
Z
wx
fXY (x, y) dy

dx =
fXY (x, w x) dx
Atravs de um desenvolvimento similar,podemos mostrar tambm que
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
pode ser en ontrada usando-se o teorema 5.4. Note que
so dependentes e que os valores possveis de
X, Y
o orrem na regio triangular
sombreada da Figura 5.2.
y
1
y =wx
PSfrag repla ements
Figura 5.2: Regio de integrao para a obteno de

Portanto
0 X + Y 1.
Assim,
FW (w).
fW (w) = 0 para w < 0 ou w > 1.
Para
apli ando o teorema 5.4, hega-se a
fW (w) =
2 dx = 2w
(0 w 1)
A expresso ompleta para a fdp de
(
2w
fW (w) =
0
Quando
ento dada por
0w1
aso ontrrio
so independentes, a fdp onjunta de
produto das fdp's marginais
0 w 1,
fXY (x, y) = fX (x)fY (y).
pode ser es rita omo o
Neste aso, podemos rees rever
o teorema 5.4 omo
Teorema 5.5.
Quando
fW (w) =
so v.a.'s independentes, a fdp de
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
Neste teorema ombinamos duas funes de uma varivel

uma ter eira funo
e denotada por
transformao para al ular a onvoluo de duas funes. Na linguagem de teoria de

probabilidade, a transformada de uma fdp ou de uma fmp uma
momentos.
funo geratriz de
5.4 Funo geratriz de momentos

X1 , X2 , . . . , Xn
A fdp da soma das v.a.'s independentes

envolvendo as fdp's
fX1 (x), fX2 (x),
uma sequn ia de onvolues
e assim por diante. Na teoria de sistemas lineares,
uma onvoluo no domnio do tempo orresponde a uma multipli ao no domnio da

frequn ia om as funes no tempo e na frequn ia rela ionadas pela transformada de
Fourier. Na teoria de probabilidade podemos, de forma similar, usar mtodos de transformadas para substituir a onvoluo de fdp's por multipli aes de transformadas.
Denio 5.1. Funo geratriz de momentos (FGM):
Para uma v.a.
X,
funo geratriz de momentos (FGM) dada por

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) =
uma v.a. ontnua
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.
existe uma faixa de valores possveis de
O onjunto de valores de
regio de onvergn ia.
para os quais
Por exemplo, se
uma v.a.
para os quais
existe hamada de
no negativa, a regio de
X , X (s) sempre existe para s = 0.

Iremos usar a FGM avaliando suas derivadas em s = 0. medida que a regio de
onvergn ia in lui um intervalo no vazio (, ) em torno da origem s = 0, podemos
avaliar as derivadas da FGM em s = 0.
onvergn ia in lui todo
s 0.
X (s)
Para qualquer v.a.
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,
uma onstante, ento
X (s) =
Exemplo 5.4.
Quando
tem uma fdp uniforme,
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
uma v.a. de Bernoulli om
1 p
fX (x) = p
es 1
s
om fdp exponen ial
(
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
X (s) = E[esx ] = (1 p)e0 + pes = 1 p + pes
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
esx (1 p)x1 p = pes
X
x=1
((1 p)es )x1 =
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
A funo geratriz de momentos tem algumas propriedades:
Teorema 5.6.
X,
Para qualquer v.a.
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
Y (s) = esb X (as)
Demonstrao.
Y (s) = E[es(aX+b) ] = esb E[e(as)X ] = esb X (as)
Como seu nome sugere, a funo

mentos de
X (s)
espe ialmente til para en ontrar os mo-
X.
Teorema 5.8.
n-simo

dn X (s)
n
E[X ] =
dsn s=0
Uma v.a. om FGM
X (s)
tem
momento
108
Demonstrao. A derivada primeira de
dX (s)
d
=
ds
ds
Z
Avaliando esta derivada em
Similarmente, a
X (s)
Z
e fX (x) dx =
sx
xesx fX (x) dx
s = 0,
on lumos a prova para
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
ompletamos a prova do teorema.
Uma vantagem da FGM que geralmente mais f il en ontrar a FGM de

tomar as derivadas para en ontrar os momentos de
Exemplo 5.9.
En ontre o
n-simo
x0
aso ontrrio
Podemos es rever o primeiro momento omo
1
dX (s)

=
=
E[X] =

2
ds
( s) s=0
s=0
o segundo momento omo

2
2
d2 X (s)
=
= 2
E[X ] =

2
3
ds
( s) s=0
s=0
2
e o ter eiro momento omo

d3 X (s)
E[X ] =
ds3
3
Por induo, podemos armar que o
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
do que en ontr-los diretamente.
momento de uma v.a. om fdp exponen ial
(
ex
fX (x) =
0
Soluo.
109
5.5 FGM da soma de v.a.'s independentes

FGM's so parti ularmente teis para analisar a soma de v.a.'s independentes.
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
Geralmente a expresso a ima dif il de al ular.

das esperanas
X (s)
Y (s).

E esX E esY .
Neste aso, en ontrar
(5.4)
Entretanto, quando
so independentes, podemos es rever a esperana do produto
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)
Esta expresso leva ao seguinte teorema
Teorema 5.9. Para uma sequn ia X1 , X2 , . . . , Xn de n v.a.'s independentes, a FGM

de
W = X1 + X2 + + Xn
W (s) = X1 (s)X2 (s) Xn (s)

Demonstrao. Da denio de FGM
h
i

W (s) = E es(X1 +X2 ++Xn ) = E esX1 esX2 esXn
Usando a Equao (5.5) om
gi (Xi ) = esXi ,
a esperana do produto

E[W ] = E esX1 E esX2 E esXn = X1 (s)X2 (s) Xn (s)
Quando
X (s)
X1 , X2 , . . . , Xn so independentes e identi amente

i, e o teorema 5.9 tem um orolrio simples
distribudas,
Xi (s) =
para todo
Corolrio 5.10.
X1 , X2 , . . . , Xn independentes e identi amente

X (s), a FGM de W = X1 + X2 + + Xn
Para as v.a.'s
tribudas ada qual om FGM
W (s) = [X (s)]n
dis-
110
fW (w) obtida atravs da onvoluo das fdp's

fXi (xi ). A FGM W (s) simplesmente a multipli ao das FGM's individuais Xi (s). Geralmente, o l ulo destas onvolues um pro esso omplexo e
tedioso, e a alternativa seria transformar fX (x) em X (s), e ento usar o Corolrio
5.10 para obter W (s), e nalmente al ular a transformada inversa, obtendo-se assim
fW (w).
Vimos anteriormente que a fdp
individuais
Exemplo 5.10.
Seja
K1 , K2 , . . . , Kn um onjunto de n v.a.'s independentes om distriE[Ki ] = i . En ontre a FGM de W = K1 + K2 + + Kn .
buio de Poisson, tais que
Soluo.
Do Exemplo 5.8 sabemos que
Ki tem FGM Ki (s) = ei (e
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)
= e(1 +2 ++n )(e
s 1)
= e(T )(e
Examinando o Exemplo 5.8, observamos que
FGM de uma v.a. om distribuio de Poisson om mdia
T .
s 1)
W (s)
Portanto
(
/w! w = 0, 1, . . . , n
w
Te
fW (w) =
0
aso ontrrio
O modelo de probabilidade da soma de
v.a.'s identi amente distribudas om
distribuio de Poisson tem a mesma forma do modelo de probabilidade de ada v.a.

individual.
Esta propriedade vlida tambm para v.a.'s identi amente distribudas
om distribuio gaussiana. Para v.a.'s om outras distribuies esta propriedade no

mais vlida.
Exemplo 5.11.
En ontre a FGM de uma v.a. Binomial
pK (k) =
Soluo.
(
n
Cal ular a FGM de
pk (1 p)(nk)
Xi
om fmp
k = 0, 1, . . . , n
aso ontrrio
E[esK ] bastante ompli ado. Ao

K omo K = X1 + X2 + + Xn onde
diretamente omo
invs disso, lembremos que podemos representar

ada
uma v.a. de Bernoulli independente. Desta forma, do Exemplo 5.6
K (s) = (X (s))n = (1 p + pes )n
Exemplo 5.12.
Uma v.a. Erlang-n
fTn (t) =
En ontre a FGM de
Tn
Tn
tem fdp
n tn1 et
(n1)!
t0
aso ontrrio

Soluo.
A FGM de
Tn (s) =
Tn
pode ser al ulada diretamente omo
st
111
n tn1 et
(n 1)!
dt =
n Z
|0
( s)n tn1 e(s)t

dt
(n 1)!
{z
}
1
A integral (1) igual a 1 pois a integral de um fdp Erlang sobre todos os valores
possveis. Ento
Tn (s) =
n
X (s) = /(s) a FGM de uma v.a. exponen ial

X om mdia 1/. Portanto, a soma de n v.a.'s exponen iais identi amente distribudas,
n
ada uma om mdia 1/ tem FGM (/ s) , que exatamente a FGM de uma v.a.
Erlang de ordem n.
No Exemplo 5.5 observamos que
Isto mostra que uma v.a.
Erlang a soma de v.a.'s exponen iais identi amente
distribudas.
5.6 Somas de v.a.'s gaussianas independentes

Seja
X1 , X2 , . . . , Xn
um onjunto de v.a.'s gaussianas independentes. Podemos usar a
FGM de ada v.a. na soma para derivar algumas propriedades interessantes de
X1 + X2 + + X n .
Quando
n = 1, W = X1
apenas uma v.a.
en ontrar sua FGM, en ontramos ini ialmente a FGM de uma v.a.
Teorema 5.11.
A FGM de uma v.a.
gaussiana
gaussiana.
Wn =
Para
N (0, 1).
om mdia nula e varin ia
unitria
Z (s) = es
Z
Demonstrao. A FGM de
Z (s) =
2 /2
pode ser es rita omo
1
esz fZ (z) dz =
2
esz ez
2 /2
dz
Esta integral pode ser resolvida ompletando-se o quadrado no expoente
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.
A FGM de uma v.a. gaussiana om mdia
X (s) = es+
X
Demonstrao. Uma v.a. gaussiana

em termos da v.a.
Z N (0, 1)
e varin ia
2 s2 /2
om mdia
e varin ia
pode ser expressa
omo
X = Z +
Consequentemente, do Teorema 5.7, a FGM de
X (s) = es Z (s) = es+
2 s2 /2
Agora podemos apresentar o resultado prin ipal desta seo.
Teorema 5.13.
Xn
A soma de
v.a.'s gaussianas independentes
Wn = X1 + X2 + +
tem uma distribuio gaussiana om mdia e varin ia dadas por
E[Wn ] = E[X1 ] + E[X2 ] + + E[Xn ]

Var[Wn ] = Var[X1 ] + Var[X2 ] + + Var[Xn ]
Demonstrao. Por onvenin ia, seja
i = E[Xi ]
i2 = Var[Xi ].
Desde que os
Xi
so
independentes, sabemos que
W (s) = X1 (s)X2 (s) Xn (s)

2 2 /2
= es1 +1 s
2 2 /2
es2 +2 s
2 2 /2
esn +n s
2
= es(1 +2 ++n )+(1 +2 ++n )s

W (s) a FGM
12 + 22 + + n2 .
Da equao a ima, pode-se ver que

mdia
1 + 2 + + n
e varin ia
2 /2
de uma v.a.
gaussiana om
5.7 Somas aleatrias de v.a.'s independentes

Muitos problemas prti os podem ser analisados pela soma de v.a.'s identi amente distribudas, mas ujo nmero de termos na soma tambm uma v.a.
v.a. resultante
omo uma
Referimo-nos
soma aleatria de v.a.'s independentes e identi amente
distribudas. Ento, dada uma v.a.
e uma sequn ia de v.a.'s
X1 , X2 , . . . , XN
iden-
ti amente distribudas, seja
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.
Em um terminal de nibus, onte o mmero de pessoas que hegam
nos nibus durante uma hora.
Soluo.
hegam
Se o nmero de pessoas no
N,
i-simo
Ki
nibus
e o nmero de nibus que
ento o nmero de pessoas hegando durante uma hora
R = K1 + K2 + + KN
Em geral, o nmero
de nibus que hegam ir ser uma v.a., e desta forma,
uma somas aleatria de v.a.'s.
Exemplo 5.14.
Conte o nmero
de pa otes de dados transmitidos atravs de um
link de omuni aes em um minuto.
Soluo.
Suponha que ada pa ote orretamente de odi ado om probabilidade
p,
independentemente do resultado da de odi ao de qualquer outro pa ote. O nmero

de pa otes de odi ados orretamente em um minuto de transmisso
R = X1 + X2 + + XN
onde
Xi
1 se o i-simo pa ote de odi ado orretamente, e 0, aso ontrrio.
fato de o nmero de pa otes transmitido
ser aleatrio,
R no a v.a.
Pelo
binomial usual.
No exemplo a ima, podemos utilizar os mtodos utilizados para v.a.'s mltiplas

para en ontrar a fmp onjunta
fN R (n, r).
Entretanto no somos apazes de en ontrar
uma expresso simples em forma fe hada para a fmp
fR (r).
Por outro lado, vamos
demonstrar nesta seo que possvel expressar o modelo de probabilidade de

uma frmula para a FGM
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)
Wn da v.a. R. Espe i amente, Wn a

soma de um nmero determinsti o parti ular n dos Xi e no uma soma aleatria de
v.a.'s. Portanto, a fdp de Wn a fdp ondi ional de R dado que N = n. Em geral,
en ontrar a fdp ou a fmp de R bastante dif il. Entretanto, en ontrar a FGM de R
importante sabermos distinguir a v.a.
surpreendentemente f il, omo podemos ver no teorema a seguir
114
Teorema 5.14.
das
A soma aleatria de v.a.'s independentes e identi amente distribu-
R = X1 + X2 + + XN
tem FGM dada por
R (s) = N (ln(X (s)))

R (s) = E esR , iremos usar
iteraes de esperanas,
sR |N = n , e ento tomando a espeesperana ondi ional E e
Demonstrao. Para en ontrar

en ontrando primeiro a
rana sobre
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)
Do teorema 5.10, sabemos que
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
e[ln(X (s))]n pN (n)
n=0
Re onhe endo que esta soma tem a mesma forma daquela da Equao (5.3), obtemos
R (s) = N (ln(X (s)))
Exemplo 5.15.
O nmero
mtri a om mdia
1/q = 4.
de pginas em uma transmisso de fax tem fmp geo-
K de bits em uma pgina de fax tambm tem

1/p = 105 bits, independentemente de qualquer outra
En ontre a FGM de B , o nmero total de bits em uma
O nmero
distribuio geomtri a om mdia

pgina e do nmero de pginas.
transmisso de fax.
Soluo.
Quando a
i-sima
pgina tem
Ki
bits, o nmero total de bits a soma
aleatria
B = K1 + K2 + + KN
Ento
115
B (s) = N (ln(K (s)))

Do exemplo 5.7
N (s) =
Para al ular
B (s),
qes
1 (1 q)es
substitumos
Equivalentemente, podemos substituir
K (s) =
pes
1 (1 p)es
ln(K (s)) para toda o orrn ia de s em N (s).

K (s) para toda o orrn ia de es em N (s). Esta
substituio leva a

pes
pqes
1 (1 p)es

B (s) =
=
pes
1 (1 pq)es
1 (1 q)
1 (1 p)es
q
Podemos ver que
tem FGM de uma v.a. geomtri a om mdia
1/(pq) = 400000
bits.
Usando o teorema 5.14, podemos tomar as derivadas de

trar expresses simples para a mdia e varin ia de
Teorema 5.15.
budas
N (ln(X (s)))
para en on-
A soma aleatria das v.a.'s independentes e identi amente distri-
R = X1 + X2 + + XN
tem mdia e varin ia dadas por
Var[R] = E[N ] Var[X] + Var[N ](E[X])2
E[R] = E[N ]E[X]
Demonstrao. Pela regra da adeia das derivadas,
R (s) = N (ln(X (s)))

Desde que
X (0) = 1,
avaliando em
s = 0,
E[R] = R (0) = N (0)

Para a derivada segunda de
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)))
X (s)X (s) [X (s)]2
temos
E[R2 ] = E[N 2 ]2X + E[N ] E[X 2 ] 2X
Subtraindo
a prova.
(E[R])2 = (N X )2
[X (s)]2
de ambos os lados da equao a ima ompletamos
116
Observe que
aleatoriedade de
aleatoriedade de
Var[R] ontm dois termos: o primeiro termo N Var[X] resulta

X , enquanto que o segundo termo Var[N ]2X uma onsequn ia
N . Para visualizar isto, onsidere estes dois asos
da
da
N determinsti o, de modo que N = n todas as vezes. Neste aso,

N = n e Var[N ] = 0. A soma aleatria R uma soma determinsti a ordinria
R = X1 + X2 + + Xn e Var[R] = n Var[X].
Suponha que
N aleatria, mas ada Xi uma onstante determinsti a x. Neste

X = x e Var[X] = 0. alm disso, a soma aleatria torna-se R = N x e
Var[R] = x2 Var[N ].
Suponha que
exemplo,
importante enfatizar que os teoremas 5.14 e 5.15 exigem que

da sequn ia aleatria
X1 , X2 , . . . , Xn ,
seja independente
isto , o nmero de termos na soma aleatria
no pode depender dos valores dos termos da soma.
Exemplo 5.16.
Seja
X 1 , X2 , . . .
uma sequn ia de v.a.'s gaussianas independentes e
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
so dif eis de se obter. Entre-
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
E[R] = E[X]E[K] = 100

Var[R] = E[K] Var[X] + Var[K](E[X])2 = 100 + (100)2 = 10100
Pode-se ver que a maior parte da varin ia devida aleatoriedade de
a onte e porque muito provvel que
K.
Isto
assuma os valores 0 e 1, e estas duas es olhas
mudam de forma dramti a a soma.
5.8 Teorema do limite entral

Em um grande nmero de situaes prti as, histogramas de medidas seguem aproximadamente uma urva em forma de sino.
Um histograma um gr o de barras
que divide o onjunto de medidas possveis em intervalos iguais e mostra o nmero de

medidas em ada intervalo.
Quando o tamanho de ada intervalo pequeno e o nmero de medidas grande,
a forma da histograma assemelha-se bastante forma da fdp da v.a. que des reve as
medidas.
Por exemplo, o primeiro gr o da Figura 5.3 um histograma derivado a
partir de 400 repeties de um experimento. Em ada experimento algum joga uma

moeda 50 vezes e observa o nmero de oroas. O histograma segue aproximadamente
uma urva em forma de sino. O segundo gr o na Figura 5.3 mostra as probabilidades
binomiais exatas do nmero de aras em 50 jogadas.
117
Figura 5.3: O nmero de aras em 50 arremessos de uma moeda ideal: 400 repeties
experimentais versus a fmp binomial.
Lembremos que a fdp em forma de sino orresponde de uma v.a. gaussiana. O

teorema do limite entral expli a porque muitos fenmenos produzem dados que podem
ser modelados omo v.a.'s gaussianas na prti a.
Iremos usar o teorema do limite entral para estimar as probabilidades asso iadas
Wn = X1 + X2 + +
Var[Wn ] = n Var[X] tendem
om a soma de v.a.'s independentes e identi amente distribudas
Xn .
Entretanto, medida que
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).
Portanto o teorema do limite entral ser es rito em
termos da v.a. normalizada
Zn =
Dizemos que a soma
Zn
n
X
i=1
Xi nX
q
2
nX
est normalizada pois para todo
E[Zn ] = 0
Var[Zn ] = 1
118
Teorema 5.16. Teorema do limite entral.
v.a.'s independentes e identi amente distribudas om valor esperado
2 ,
X
a fd de
q
P
2
Zn = ( ni=1 Xi nX ) / nX
X1 , X2 , . . . de
X e varin ia
Dada uma sequn ia
satisfaz
lim FZn (z) = (z)
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.
Um aspe to singular do Teorema do Limite Central o fato de no haver restries

sobre a natureza das v.a.'s
Xi
na soma. Elas podem ser ontnuas, dis retas ou mistas.
Em todos os asos a fd de sua soma assemelha-se mais e mais da fd Gaussiana

medida que o nmero de termos na soma res e.
Limite Central apli am-se a somas de sequn ias
Xi
Algumas verses do Teorema do

que no so nem independentes e
identi amente distribudas.

Para usar o teorema do limite entral, observe que podemos expressar a soma de
Wn = X 1 + X 2 + + X n
q
2 Z + n
Wn = nX
n
X
v.a.'s identi amente distribudas
A fd de
Wn
Para
Zn
pode ser expressa em termos da fd de
omo
(5.10)
omo
w nX
FWn (w) q
2
nX
n grande, o teorema do limite entral diz que FZn (z) (z).
(5.11)
Esta aproximao
a base para a maneira prti a de se utilizar o teorema do limite entral.
Corolrio 5.17. Aproximao do teorema do limite entral:
X2 + + Xn uma soma de v.a.'s independentes e identi amente

2 . A fd de W pode ser aproximada por
E[X] = X e Var[X] = X
n
w nX
FWn (w) q
2
nX
Seja
Wn = X1 +
distribudas om
Frequentemente hamamos a Denio 5.17 uma aproximao Gaussiana para
Wn .
5.9 Apli aes do Teorema do Limite Central

O Teorema do Limite Central torna possvel fazer l ulos rpidos e pre isos que de
outra maneira seriam bastante omplexos e demorados. Nestes, a v.a. de interesse
119
uma soma de outras v.a.'s, e al ulamos as probabilidades dos eventos referindo-nos

v.a. Gaussiana orrespondente.
Exemplo 5.17.
Um dis o digital ompa to (CD) ontm amostras digitalizadas de uma
forma de onda a sti a.

Em um CD player om um onversor D/A de 1 bit, ada amostra digital representada om uma pre iso de
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.
X1 , . . . , X8 tm distribuio uniforme na faixa (V 0, 5 mV) <

V o valor exato da amostra da forma de onda. O CD player
U = W8 /8 onde
As medidas
X < (V + 0, 5
mV), onde
produz a sada
W8 =
8
X
Xi
i=1
P [|U V | > 0.05] exatamente, pre isaramos

exato para W8 , ou al ulando oito onvolues
Para en ontrar
de probabilidade
Xi
en ontrar o modelo
da fdp uniforme de
ou ainda, usando a funo geratriz de momentos. De qualquer forma, o pro esso
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
omo uma v.a. Gaussiana om
valor esperado zero e varin ia 1/96. Segue ento que
h

i
p
P [|U V | > 0, 05] = 2 1 0, 05/ 1/96 = 0, 62
Exemplo 5.18.
Um modem transmite um milho de bits.
Cada bit 0 ou 1 om
probabilidades iguais. Estime a probabilidade de pelo menos 502000 uns.
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,
P [W 502000] = 1 P [W < 502000] 1

Veri ando os valores da funo
()
502000 500000
500
= 1 (4)
em tabelas matemti as, temos que
1 (4) = Q(4) = 3, 17 105
120
5.10 Exer ios

1. Seja
Wn
a soma de
arremessos independentes de um dado de quatro fa es.
En ontre a mdia e a varin ia de
Resp:
E[Wn ] = 2, 5n
Wn .
Var[Wn ] = 1, 25n
X e Y duas v.a.'s exponen iais independentes

E[Y ] = 1/2. En ontre a fdp de W = X + Y .
2. Sejam
Resp:
3. A v.a.
om mdias
E[X] = 1/3
fW (w) = 6(e2w e3w )

K
tem fmp dada por
(
0.2, k = 0, 1, 2, 3, 4
fK (k) =
0,
aso ontrrio
En ontre a FGM
de
K (s) de K .
Use-a para en ontrar os quatro primeiros momentos
K.
Resp:
K (s) = 0, 2(1 + es + e2s + e3s + e4s )
E[K] = 2
4. Seja
E[K 2 ] = 6
K 1 , K2 , . . .
E[K 3 ] = 20
E[K 4 ] = 70, 8
uma sequn ia de v.a.'s independentes e identi amente distribu-
das, ada uma delas om distribuio dada por
(
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
uma sequn ia de v.a.'s gaussianas independentes de mdia
zero e varin ia tal que
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
das om fdp exponen ial
(
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 epr , r 0
fR (r) =
aso ontrrio
0,
p
R (s) =
ps
X
7. A v.a.
121
milissegundos o tempo total de a esso (tempo de espera + tempo
de leitura) para obter um blo o de informao de um dis o de omputador.
uniformemente distribuda no intervalo de 0 a 12 milissegundos. Antes de realizar

uma determinada tarefa, o omputador pre isa a essar 12 blo os de informao
diferentes do dis o. (Os tempos de a esso para blo os diferentes so independentes
um do outro). O tempo total de a esso para todas as informaes uma v.a.
milissegundos.
(a) Cal ule
E[X],
(b) Cal ule
Var[X],
o valor esperado para o tempo de a esso.

a varin ia do tempo de a esso.
( ) Cal ule E[A, o valor esperado do tempo total de a esso.

(d) Cal ule
A ,
o desvio padro do tempo total de a esso.
(e) Use o Teorema do Limite Central para estimar
P [A > 75
ms], a probabilidade
P [A < 48
ms], a probabilidade
do tempo total de a esso ex eder 75 ms.

(f ) Use o Teorema do Limite Central para estimar
do tempo total de a esso ser menor que 48 ms.
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
das om fdp uniforme entre 0 e 1, e seja
uma v.a.
geomtri a om mdia
1/p.
a) Qual a FGM de
R = X 1 + X2 + + XN ?
b) Cal ule a mdia e a varin ia de
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).
En ontre a mdia e a varin ia de
Y = 2X + 1
usando
a funo geratriz de momentos.
Resp:
E[Y ] = 1
Var[Y ] = 4
10. Seja a funo geratriz de momentos de uma v.a. dis reta dada por
X (s) = 0.25es + 0.35e3s + 0.40e5s

P [X = 0], P [X = 1], P [X = 2], P [X = 3], P [X = 4] e P [X = 5].
P sxi
fX (xi ), e que fX (x0 ) =
Di a: lembre que, para o aso dis reto, X (s) =
ie
P [X = x0 ].
En ontre
122

P [X = 0] = 0
P [X = 1] = 0, 25
P [X = 4] = 0
P [X = 5] = 0, 40
Resp:
11. Seja
K 1 , K2 , . . .
P [X = 2] = 0
P [X = 3] = 0, 35
uma sequn ia de v.a.'s iid om distribuio de Bernoulli, om
fmp dada por
Seja
1 p k = 0
pK (k) = p
k=1
aso ontrrio
0
M = K1 + K2 + . . . + Kn .
(a) En ontre a FGM
K (s)
(b) En ontre a FGM
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
V ar[M ] = np(1 p).
12. Suponha que durante o i-simo dia de dezembro, a energia
Xi
armazenada por um
oletor solar bem modelada por uma v.a. gaussiana om mdia
(32 i)/4
kWh
e desvio padro de 10 kWh. Assumindo que a energia armazenada a ada dia

independente de qualquer outro dia, qual a fdp de
Y , a energia total armazenada
nos 31 dias de dezembro?
Resp: Gaussiana de mdia 124 e varin ia 3100

13. O
k -simo
momento de uma v.a. dis reta dado por
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.
uma varivel aleatria om distribuio
de momentos, determine
E[X n ]
E[X] = 0, E[X 2 ] = 1
para
E[X 3 ] = 0.
Usando a funo geratriz

15. As hamadas telefni as podem ser lassi adas omo sendo de voz
est falando, ou de dados
(D),
123
(V ), se algum
se orresponder a uma transmisso de modem
ou fax. Baseado em uma grande quantidade de observaes realizadas por uma

ompanhia telefni a, temos o seguinte modelo de probabilidade:
P [D] = 0.2.
das outras. Seja a varivel aleatria

dados em uma oleo de
(a) Cal ule
P [V ] = 0.8
As hamadas de voz e de dados o orrem independentemente umas
E[K100 ],
Kn
denida omo o nmero de hamadas de
hamadas telefni as.
o nmero esperado de hamadas de dados em um onjunto
de 100 hamadas.
(b) Cal ule
K100 ,
o desvio padro do nmero de hamadas de dados em um
onjunto de 100 hamadas.

( ) Use o Teorema do Limite Central para estimar
P [K100 18],
ou seja, a
probabilidade de pelo menos 18 hamadas de dados em um onjunto de 100

hamadas telefni as.
(d) Use o Teorema do Limite Central para estimar
P [16 K100 24], ou seja, a
probabilidade de existirem entre 16 e 24 hamadas de dados em um onjunto

de 100 hamadas telefni as.
Di a:
Q(x) = 1 Q(x).
Resp: (a) 20
16. Sejam
(b) 4
( ) 0,6915
X1 , X2 , . . . , Xn n
variveis aleatrias iid om distribuio de Cau hy
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
(a) En ontre a funo ara tersti a de

(b) En ontre a fdp de
Yn .
Yn .
( ) O Teorema do Limite Central se apli a neste aso? Justique sua resposta.
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
faa a anlise para o intervalo
z
fZ (z) = 2 z
a
(yn2 + a2 )
( ) no
aleatrias independentes om distribuio uniforme
(1 < z < 2).

Resp:
FYn (yn ) =
0<z<1
1<z<2
aso ontrrio
Z =X +Y.
(0 < z < 1)
e depois para o intervalo
124
18. Seja
a soma de 20 variveis aleatrias iid om distribuio de Bernoulli om
probabilidade
p = 0, 4
de produzir um resultado igual a 1.
do Limite Central, estime
P [K = 8],
Usando o Teorema
e ompare om o valor exato para esta
probabilidade.
Di a: Considere
a
qu ?)
Resp:
P [7, 5 < Zn < 8, 5]
omo aproximao para
P [K = 8].
(Por
P [K = 8] 0, 1811.
19. O nmero
de servios submetidos a um omputador em uma hora uma varivel
aleatria geomtri a om parmetro
p,
e os tempos de exe uo destes trabalhos
so variveis aleatrias independentes om distribuio exponen ial de mdia
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
20. As resist n ias dos resistores
r1 , r2 , r3 e r4 so variveis aleatrias independentes,
ada uma delas uniformemente distribuda no intervalo (450,550).

Teorema do Limite Central, al ule
Resp: 0,9164
Usando o
P [1900 r1 + r2 + r3 + r4 2100].
Captulo 6
Limitantes Superiores para a

Probabilidade de Cauda
Neste aptulo, iremos desenvolver desigualdades para probabilidades que podem ser
muito dif eis de al ular exatamente.
Geralmente, o desempenho de um sistema
determinado pela probabilidade de um evento indesejvel.
Por exemplo, a medida
prin ipal de um sistema de omuni ao digital a probabilidade de um erro de bit.

Para um alarme de in ndio, a probabilidade de um falso alarme no pode ser muito
grande; aso ontrrio o alarme pode ser ignorado quando houver um in ndio real.
Quando o l ulo exato muito dif il de realizar, um limitante superior ofere e um
meio de garantir que a probabilidade do evento indesejvel no ser muito alta.
6.1 Desigualdade de Markov

Teorema 6.1. Desigualdade de Markov.
negativa e uma onstante
E[X] =
Z
Z
no
E[X]
c
P [X c]
Para uma varivel aleatria
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]
importante lembrar que a desigualdade de Markov vlida somente para variveis

aleatrias no negativas. Como veremos no exemplo a seguir, geralmente o limitante
forne ido pela desigualdade de Markov bastante fra o.
126
Limitantes Superiores para a Probabilidade de Cauda
Exemplo 6.1.
Seja
a altura (em ps) de um adulto sele ionado aleatoriamente. Se
o valor mdio da altura
E[X] = 5, 5,
estime a probabilidade de um adulto ter pelo
menos 11 ps usando a desigualdade de Markov.
Soluo.
A desigualdade de Markov arma que a probabilidade de um adulto ter pelo
menos 11 ps satisfaz
P [X 11]
5, 5
= 0, 5
11
Dizemos que a desigualdade de Markov folgada porque a probabilidade de uma

pessoa ter uma altura maior que 11 ps prati amente zero, enquanto que a desigualdade arma meramente que ela menor ou igual a 0,5. Embora esta desigualdade seja
extremamente folgada para muitas variveis aleatrias, ela apertada (de fato, uma
equao) om relao a algumas variveis aleatrias.
Exemplo 6.2.
valor
Suponha que uma v.a. Y tome o valor
aso ontrrio. Neste aso,
E[Y ] = pc
c>0
om probabilidade
e o
e utilizando a desigualdade de Markov,
temos
P [Y c] E[Y ]/c = p
Desde que
P [Y c] = p,
observamos que a desigualdade de Markov de fato uma
igualdade neste aso.
6.2 Desigualdade de Chebyshev

Teorema 6.2. Desigualdade de Chebyshev.
2
varin ia X nitas. Para todo nmero positivo
Seja
uma v.a. om mdia
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.
ter um valor na regio

fX (x)
...................
.....
......
.....
.....
...
.....
.
.
...
..
.
...
.
..
...
.
.
...
..
.
.
...
..
.
...
.
...
...
.
..
.
.
.
......
.
.......
.
.
.
................
.
.................
.
.
.
.........................
.
........................
.
.
.
....................................
.
.....................................
.
.
.
.
.
......................................................
.
.........................................
.
.
.
.
........................................
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........
127
Figura 6.1: Regio
x
(sombreada).
Usando a expresso da varin ia, podemos es rever
2
X
(x mx ) fX (x) dx
Mas da denio da regio
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
e ento podemos es rever
2
X
2 P [|X mx | ] P [|X mx | ]
2
X
2
Diferentemente da desigualdade de Markov, a desigualdade de Chebyshev vlida

para todas as v.a's.
Enquanto a desigualdade de Markov ne essita apenas do valor
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
de um adulto es olhido aleatoriamente tem valor esperado
ps, e desvio padro
X = 1 ps, use
P [X 11].
a desigualdade de Chebyshev para
en ontrar um limitante superior para
Soluo.
Desde que a altura
no negativa, a probabilidade do evento
ser es rita omo
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.
P [X 11] na prti a muitas ordens de magnitude
128
6.3 Limitante de Cherno

O limitante de Chebyshev dado a ima envolve a rea das duas audas da fdp.
algumas apli aes estamos interessados somente na rea de uma das audas
ou
(, ).
Em
(, )
Neste aso, podemos obter uma estimativa bastante justa, utilizando um
limitante exponen ial.
Teorema 6.3. Limitante de Cherno.
Para uma v.a.
e uma onstante
arbitrrias,
P [X c] min esc X (s)

s0
Demonstrao. Em termos da funo degrau unitrio, observamos que
P [X c] =
fX (x)dx =
u(x c)fX (x)dx
s 0, u(x c) es(xc) , pois es(xc) representa uma famlia

pelo ponto c, omo mostrado na Figura 6.2. Isto impli a em
Para todo
que passa
P [X c]
s(xc)
sc
fX (x)dx = e
de urvas
esx fX (x)dx = esc X (x)
Este limitante vlido para qualquer

obtido sele ionando-se o valor de
s 0.
que minimiza
O limitante superior mais apertado
esc X (x).
es(xc)
PSfrag repla ements
u(x c)
0
Figura 6.2:
Um limitante superior exponen ial usado para obter a probabilidade de
auda (limitante de Cherno ).
O limitante de Cherno pode ser apli ado a qualquer v.a. Entretanto, para valores
pequenos de
c, esc X (x)
ir ser minimizada por um valor negativo de
s.
Neste aso, o

s no negativo
P [X c] 1
valor de
trivial:
Exemplo 6.4.
que minimiza esta expresso
X de um adulto
E[X] = 5, 5 ps e
Se a altura
siana om valor esperado
Desde que
N (5, 5, 1),
o que forne e a resposta
es olhido aleatoriamente uma v.a. gaus-
X = 1
P [X 11]
desvio padro
de Cherno para en ontrar um limitante superior para
Soluo.
s = 0,
129
a FGM de
X (s) = e(11s+s
ps, use o limitante
2 )/2
Ento o limitante de Cherno
P [X 11] min e11s e(11s+s
2 )/2
s0
s que
11s.
Para en ontrar
nimize
h(s) =
s2
zero
= min e(s
2 11s)/2
s0
minimiza a expresso a ima, su iente en ontrar

Tomando a derivada de
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
6.4 Exer ios

1. Em uma estao de metr, existem usurios su ientes para ompletar exatamente
trs trens. Os trens hegam estao segundo um pro esso de Poisson de taxa
= 0.5
Seja
trens/minuto.
igual ao tempo em minutos requerido para servir os passageiros em espera.
En ontre limitantes superiores para

de Markov, Chebyshev e Cherno.
P [X 30
minutos] usando as desigualdades
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
3. Dada uma v.a.
om fdp gaussiana de mdia zero e varin ia
probabilidade dos eventos
+4)
usando:
(a) a funo
(2 X +2), (3 X +3)
2 , estime a
(4 X
Q(x);
(b) a desigualdade de Chebyshev;

( ) a desigualdade de Cherno.
Resp:
Q(x):
P [2 X 2] = 0, 9545
P [3 X 3] = 0, 9973
P [4 X 4] = 0, 9999
(a) Usando a funo
(b) Usando a desigualdade de Chebyshev:
P [2 X 2] = 0, 75
P [3 X 3] = 0, 89
P [4 X 4] = 0, 9375
( ) Usando a desigualdade de Cherno:
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
verique a diferena entre o limitante e o valor real da proba-
bilidade.
Resp: Na tabela abaixo tem-se os valores aproximados pelo limitante de Cherno,

e os valores exatos, dados pela funo
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
5. Para uma varivel aleatria arbitrria

estimar a probabilidade de
X,
Q(x)
0, 1587
0, 0228
1, 35 103
3, 17 105
3, 0 107
use a desigualdade de Chebyshev para
assumir um valor maior que
desvios padres da
mdia.
Resp:
1/k 2 .
6. Use o limitante de Cherno para en ontrar um limitante superior para

quando
Resp:
P [X c] e
(c)2
2 2
N (, 2 .
P [X c]
131
X , use a desigualdade de Chebyshev, al ule

k desvios padres de seu valor
esperado E[x]. Compare os valores obtidos om os valores exatos quando X uma
varivel aleatria om distribuio N (0, 1). Faa para 1, 2, 3 e 4 desvios padres.
7. Para uma varivel aleatria arbitrria

a probabilidade de
Resp:
8. Seja
assumir valores maiores que
1/k 2 .
X uma varivel aleatria

P [5 < X < 15]?
sobre
Resp:
P [|X 10| 5] 2/5
om mdia 10 e varin ia 15. O que podemos dizer
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
mdia amostral de uma v.a.
e mostrar que muitas
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.
7.2 Valor esperado e varin ia

Para denir a mdia amostral, onsideremos tentativas repetidas e independentes de um
experimento aleatrio. Cada tentativa resulta em uma observao da v.a.
de
tentativas, temos valores amostrais de
fdp de
X.
n v.a.'s X1 , X2 , . . . , Xn
X.
Depois
todas om a mesma
A mdia amostral a mdia aritmti a das observaes.
Denio 7.1. Mdia Amostral:

e identi amente distribudas om fdp
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
A primeira oisa a ser notada que
Mn (X)
uma funo das v.a.'s
X1 , X2 , . . . , Xn
Mn (X) do
e portanto tambm uma v.a. importante distinguir a mdia amostral

valor esperado
E[X]
da v.a.
X.
Enquanto
Mn (X)
uma v.a.,
E[X]
um nmero.
A mdia amostral
133
A mdia amostral e o valor esperado de
esto intimamente rela ionados. Desta
forma o propsito maior deste aptulo explorar o fato de que medida que
Mn (X)
sem limite,
aproxima
res e
E[X].
Dependendo da denio da v.a.
X,
podemos usar a mdia amostral para des rever
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
vrios aspe tos de um experimento. Por exemplo, se queremos explorar

bilidade de um evento arbitrrio
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
Mn (X) revelam as propriedades
mais importantes
da mdia amostral:
Teorema 7.1.
A mdia amostral
Mn (X)
tem valor esperado e varin ia dados por
E[Mn (X)] = E[X]

Var[Mn (X)] =
Var[X]
n
Demonstrao. Usando a Denio 7.1, o Teorema 5.1 e o fato de que

para todo
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
Para a varin ia, temos o seguinte:
Var[Mn (X)] = E[Mn2 (X)] E 2 [Mn (X)] = E[Mn2 (X)] E 2 [X]

n
n
1 XX
= 2
E[Xi Xj ] E 2 [X]
n
i=1 j=1
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
vista omo uma estimativa para a mdia
valor esperado igual a
mx
mx ,
nota-se que seu
e sua varin ia de res e inversamente om o nmero
de
134
A mdia amostral
amostras. medida que

parmetro (neste aso a
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.
7.3 Mdia amostral de nmeros grandes

Quando apli amos a desigualdade de Chebyshev a
Y = Mn (X),
obtemos informaes
importantes sobre as amostras independentes de uma v.a.
Teorema 7.2.
Para qualquer onstante
Mn (X)
a mdia amostral
satisfaz
Var[X]
=
nc2
(a)
P [|Mn (X) X | c]
(b)
P [|Mn (X) X | < c] 1
Demonstrao. Seja
c,
Y = Mn (X).
Var[X]
=1
nc2
O Teorema 7.1 diz que
E[Y ] = E[Mn (X)] = X
Var[Y ] = Var[Mn (X)] = Var[X]/n
Apli ando a desigualdade de Chebyshev a
Y = Mn (X),
onseguimos provar o item
a). O item b) apenas uma rearmao do item a), desde que
P [|Mn (X) X | c] = 1 P [|Mn (X) X | < c]
Observaes
O Teorema 7.2(b) ontm duas desigualdades. Uma desigualdade,
|Mn (X) X | < c

dene um evento.
de
c unidades do valor
2c unidades, hamado
Este evento diz que a mdia amostral est
esperado. O omprimento do intervalo que dene este evento,
intervalo de onana.
A outra desigualdade arma que a probabilidade da mdia amostral estar no intervalo de onana pelo menos
de
1.
oe iente de segurana.
Mn (X)
est no intervalo
Chamaremos a quantidade
Se pequeno,
(X c, X + c)
podemos ter grande onana de que
No Teorema 7.2(a) observamos que para qualquer nmero

de quo pequeno seja, podemos fazer
1 = 1 Var[X]/(nc2 )
positivo, independente
to pequeno quanto desejarmos es olhendo
grande o su iente.

Em uma apli ao prti a,
c indi a
a pre iso desejada de uma estimativa para
indi a a oana que temos de ter al anado esta pre iso, e
amostras foram ne essrias para al anar o valor desejado de
1 .
X ,
nos diz quantas
A mdia amostral
135
Alternativamente, dados
Var[X], n
o Teroma 7.2(b) nos diz o tamanho
do
intervalo de onana.
Exemplo 7.1.
O Teorema 7.2(b) d origem a de laraes que ouvimos no noti irio,
tais omo:
Baseada em uma amostra de 1103 eleitores, a por entagem de pessoas que apoiam o
andidato Jos da Silva de 58
% om pre iso de mais ou menos 3 pontos per entuais.
Comente estes fatos.
Soluo.
O experimento onsiste em observar um eleitor es olhido aleatoriamente e
determinar se o mesmo apia ou no o andidato Jos da Silva.

Vamos asso iar o valor
X=1
se o eleitor apoiar o andidato Jos da Silva, e
X=0
aso ontrrio.
X uma v.a. om distribuio de Bernoulli om valor esperado E[X] = p

p (1 p), onde p = pX (1). Para c = 0, 03, o Teorema 7.2(b) diz
Portanto,
e varin ia
P [|Mn (X) p| < 0, 03] 1
p (1 p)
=1
n(0, 03)2
Desta forma o oe iente de onana para a estimativa de
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
x (1 x) para x entre 0 e 1, veri a-se que a

x = 1/2. Ento para todos os valores de p
Var[X] = p (1 p) 0, 25. Desta forma, podemos on luir que
mesma tem
um mximo igual a 1/4 em
entre 0 e 1,
quando
pequeno. Entretanto, dede que no sabemos o valor real de
de ter onana em nossos resultados independentemente do valor de
11
Ento para
p.
0, 25
277, 778
=1
2
n(0, 03)
n
n = 1103 amostras, 1 0, 75. Isto nos diz que nossa estimativa de p

p om probabilidade de pelo menos 1 = 0, 75.
est dentro de 3 pontos per entuais de
7.4 Leis de Nmeros Grandes

Alm da Desigualdade de Chebyshev e do Teorema 7.2(a), os quais des revem as propriedades estatsti as de olees de dados, temos as leis de nmeros grandes, que se
referem a limites quando estas olees res em sem limite.
136
A mdia amostral
7.4.1 Lei Fra a de Nmeros Grandes

Teorema 7.3. Lei Fra a de Nmeros Grandes.
qualquer onstante
(a)
(b)
c > 0,
a mdia amostral
Mn (X)
Se
Var[X] < ,
ento para
satisfaz
lim P [|Mn (X) X | c] = 0
lim P [|Mn (X) X | < c] = 1
Demonstrao. A prova deste teorema segue diretamente dos resultados do Teorema

7.2 desde que
P [|Mn (X) X | c] = 1 P [|Mn (X) X | < c]
A lei fra a de nmeros grandes arma que, para um valor su ientemente grande e
f ixo
de
n,
a probabilidade da mdia amostral usando
amostras estar perto da mdia
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.
Suponha que realizemos
tentativas independentes de um experimento.
Vamos denir a v.a. indi adora para o evento
(
1,
Xi =
0,
se
omo
o orre na tentativa
aso ontrrio
X1 , X2 , . . . uma sequn ia aleatria de Bernoulli

P [A]. Ento E[Xi ] = P [A] e Var[Xi ] = P [A](1 P [A]).
A frequn ia relativa de A em n tentativas
Rn = Mn (X) =
Desde que
E[Rn ] = E[Xi ] = P [A],
om probabilidade de su esso
X1 + X2 + + X n
n
o Teorema 7.3(a) diz que
lim P [|Rn P [A]| c] = 0
n
Portanto, medida que
n , Rn P [A],
que a verso matemti a da ar-
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
7.4.2 Lei Forte de Nmeros Grandes

Suponha que realizemos uma srie de medidas independentes da mesma v.a.
X 1 , X2 , . . .
Seja
a sequn ia resultante de v.a.'s identi amente distribudas om mdia
Considere agora uma
M1 , M2 , . . . ,
onde
sequn ia de mdias amostrais que resulta das medidas a ima:
Mj
a mdia amostral usando as amostras
X1
at
Xj .
Por ausa da
regularidade estatsti a do experimento, espera-se que esta sequn ia de mdias amostrais onvirja para
isto , esperamos que om probabilidade alta, ada sequn ia
parti ular de mdias amostrais aproxime-se de
e permanea l, omo mostrado na
Figura 7.1. Formalmente, podemos es rever este resultado da seguinte maneira:
Teorema 7.4.
Seja
X1 , X2 , . . . uma sequn ia de v.a.'s independentes

E[X] = e varin ia nitas. Ento
h
i
P lim Mn (X) = = 1
e identi a-
mente distribudas om mdia
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] = .
Este o tipo de onvergn ia que esperamos observar em situaes reais
onde haja regularidade estatsti a.
Figura 7.1: Convergn ia de uma sequn ia de mdias amostrais obtidas a partir de

uma sequn ia de v.a.'s om distribuio Gaussiana de mdia 4 e varin ia 10.
138
A mdia amostral
7.5 Exer ios

t set. Use a desigualdade
P [|N (t)/t | > ].
1. Suponha que o nmero de emisses de part ulas de uma massa radioativa em

gundos uma v.a. om distribuio de Poisson om mdia
de Chebyshev para obter um limitante para
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)
diferir de 0,10 em menos de 0,02.
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
P [|Mn (x) 350| 50] = 0, 9994
Xi
uma sequn ia de v.a.'s Gaussianas independentes de mdia zero e va-
rin ia unitria. Compare o limitante dado pela Teorema 7.2 om o valor exato
para
n = 10
Resp: Para
n = 100.
c = 4,
(a) Valor exato:

(b)
( )
temos:
P [|Mn (x) < 4] = 1 2Q(4) 0, 9999367
n = 10: P [|Mn (x) < 4] 0, 99375
n = 100: P [|Mn (x) < 4] 0, 999375
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.
Com isto podemos omprovar na prti a a lei
forte de nmeros grandes.

6. Deseja-se medir uma tenso onstante mas des onhe ida. Cada medida
verdade a soma da tenso desejada
desvio padro de 1
om a tenso do rudo
Nj
Xj
na
de mdia zero e
V
Xj = v + N j
Assuma que as tenses do rudo so v.a.'s independentes. Quantas medidas sero

ne essrias de modo que a probabilidade de
Mn (X)
esteja a
= 1V
da mdia
verdadeira seja pelo menos 0,99?
Resp:
7. Seja
seja
n 100
X uma varivel aleatria om

X1 , X2 , . . . , Xn um onjunto de
funo densidade de probabilidade
fX (x),
variveis aleatrias independentes, ada qual
fX (x). O onjunto de variveis aleatrias

X1 , X2 , . . . , Xn hamado de uma amostra aleatria de tamanho n de X . A mdia
om funo densidade de probabilidade
amostral denida omo
A mdia amostral
139
n
Xn =
1
1X
(X1 + + Xn ) =
Xi
n
n
i=1
Seja
X1 , X2 , . . . , Xn
Quantas amostras de
uma amostra aleatria de
n 2000
om mdia
e varin ia
2.
devemos tomar para que a probabilidade da mdia amos-
tral desviar da mdia real
Resp:
por mais que
/10
seja de pelo menos
0, 95?
Captulo 8
Pro essos Esto sti os

8.1 Denio
A noo de pro esso esto sti o uma extenso do on eito de v.a.
exemplo, a temperatura
Considere, por
de uma erta idade ao meio dia. A temperatura
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.
Mas a temperatura tambm funo do tempo. uma da tarde, por exemplo, a

temperatura pode ter uma distribuio totalmente diferente daquela obtida para o meio
dia. Ento a v.a.
Denio 8.1.
uma funo do tempo, e pode ser expressa omo
X(t).
Uma v.a. que uma funo do tempo hamada de um
esto sti o (ou pro esso aleatrio).

Para espe i ar uma v.a.
X,
repetimos um experimento vrias vezes e a partir dos
fX (x).
resultados, determinamos a sua fdp

esto sti o
X(t),
pro esso
Similarmente, para espe i ar um pro esso
fazemos a mesma oisa para ada valor de
t.
Continuando om nosso exemplo, pre isamos armazenar temperaturas dirias para

ada valor de
( ada hora do dia). Isto pode ser feito armazenando-se temperaturas a
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
A oleo de todas as formas de onda possveis onhe ida omo o

pro esso esto sti o
X(t),
e uma forma de onda nesta oleo uma
(ao invs de um ponto amostral) do pro esso esto sti o. As amplitudes das funes
amostra em algum instante
t = t1
so os valores que a v.a.
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.
O nmero de formas de onda em um onjunto pode ser nito
No aso do pro esso esto sti o
X(t)
(a temperatura de uma idade), o
141
X(t1 ) = x1
X(t2 ) = x2
X(t, 1 )
t
X(t, 2 )
PSfrag repla ements
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.
onjunto tem innitas formas de onda.
Por outro lado, se onsiderarmos a sada de
um gerador de sinais binrios (sobre um perodo de 0 a 10T ) existem no mximo
210
formas de onda neste onjunto (Figura 8.2).
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.
8.2 Tipos de pro esos esto sti os

Os pro essos esto sti os podem ser lassi ados em termos dos valores que podem
assumir assim omo dos instantes de tempo em que podem sofrer mudanas. Segundo
esta ti a, podem ser lassi ados em pro essos de valor dis reto e valor ontnuo, e
pro essos de tempo dis reto e tempo ontnuo.
Denio 8.2. Pro essos de valor ontnuo e de valor dis reto:
X(t) um
X(t) para
ontrrio, X(t) um
pro esso de valores dis retos se o onjunto de todos os valores possveis de

todos os instantes de tempo
um onjunto ontvel
SX ;
aso
pro esso de valores ontnuos.
Denio 8.3. Pro essos de tempo ontnuo e tempo dis reto.

esto sti o
X(t)
de tempo dis reto se
instantes de tempo tn
X(t)
= nT , onde T
X(t)
O pro esso
denido apenas para um onjunto de
uma onstante e
n um inteiro; aso ontrrio,
um pro esso de tempo ontnuo
Estes on eitos so ilustrados na Figura 8.3. Nesta, podemos identi ar que para o
pro esso
X(t),
existem quatro possibilidades bsi as:
amplitude dis reta, tempo dis reto
amplitude dis reta, tempo ontnuo
amplitude ontnua, tempo dis reto
amplitude ontnua, tempo ontnuo
Para um pro esso de tempo dis reto, a funo amostra ompletamente des rita
pela sequn ia ordenada de variveis aleatrias
Denio 8.4. Sequn ia aleatria.

ordenada de variveis aleatrias
Xn = X(nT ).
Uma sequn ia aleatria uma sequn ia
X 0 , X1 , . . .
143
X(t)
X(n)
Y (t)
PSfrag repla ements
Y (n)
Figura 8.3:
Funes amostra de quatro tipos de pro essos esto sti os:
pro esso ontnuo no tempo e na amplitude;
X(n),
X(t)
um
obtido a partir da amostragem de
X(t) em instantes de tempo inteiros n, dis reto no tempo e ontnuo na amplitude;

Y (t) obtida a partir da quantiza o de X(t) nos instantes de amostragem, e um
pro esso dis reto na amplitude e ontnuo no tempo; nalmente, Y (n), um pro esso
dis reto no tempo e na amplitude, obtido a partir da amostragem de Y (t).
Alm de ara terizar os pro essos esto sti os em relao sua natureza temporal
e das amplitudes, podemos lassi -los quanto ao seu tempo de durao:
Denio 8.5. Pro essos de durao nita, semi-innita e innita.

a)
X(t) um pro esso

t < t1 e t > t2 > t1 .
b)
X(t)
t < t1 .
de durao nita
t 2 t1
se para todo
um pro esso de durao semi-innita se para todo
) aso ontrrio,
X(t)
s, x(t, s) = 0
para
s, x(t, s) = 0,
para
um pro esso de durao innita.
8.3 Variveis aleatrias a partir de pro essos esto sti os

Suponha que estamos observando um pro esso esto sti o em um instante de tempo
parti ular
t1 .
Neste aso, ada vez que realizamos um experimento, observamos uma
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 , s)
uma amostra de uma varivel aleatria. Aqui usada a notao
X(t1 )
para esta varivel aleatria. Como qualquer outra varivel aleatria, tem ou uma fdp
fX(t1 ) (x)
ou uma fmp
pX(t1 ) (x).
Note que a notao
X(t)
pode se referir tanto a um
pro esso esto sti o omo a uma varivel aleatria, orrespondente ao valor do pro esso
esto sti o no instante
t.
Nas sees subsequentes, ir ar laro a partir do ontexto
se estamos nos referindo ao pro esso inteiro ou uma varivel aleatria.
Exemplo 8.1. Seja X(t) = R| cos(2f t)| um sinal ossenoidal reti ado om amplitude
aleatria
om fdp exponen ial
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,
x/| cos(2f t)|
a df ompleta de
FX(t) (x) =
Quando
aso ontrrio
X(t) 0 para todo t, P [X(t) x] = 0 para x < 0.
P [X(t) x] = P [R x/| cos(2f t)|] =

Quando
r0
X(t)
fR (r) dr = 1 ex/10| cos(2f t)|
x<0
1 ex/10| cos(2f 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)|
| cos(2f t)| = 0, o que orresponde a t = /2 + k , X(t) = 0 independente

R possa ser. Neste aso, fX(t) (x) = (x). Neste exemplo, existe uma
aleatria diferente para ada valor de 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
ontida no valor da onstante
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
Suponha que nos instantes de tempo
e anotamos o resultado
X(t)
tal que para
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 ?
o valor da jogada do dado no instante 3. Neste aso,
(
1/6, x = 1, 2, . . . , 6
pX3 (x) =
0,
aso ontrrio
Vimos no Captulo 2 que a fdp

varivel aleatria
X.
um modelo probabilsti o ompleto para a
Similarmente, para um par de variveis aleatrias
samos da fdp onjunta
fX2 (x2 )
fX (x)
fX1 ,X2 (x1 , x2 ).
X1 , X2 , pre ifX1 (x1 ) e
Vimos tambm que as fdps marginais
no so su ientes para des rever este par de variveis aleatrias.
Para pro essos esto sti os, a situao similar. Se amostramos um pro esso em
instantes de tempo
t1 , . . . , tk ,
obtemos
X(t2 ) . . . , X(tk )],
X(t1 ), . . . , X(tk ).
k -dimensional [X(t1 ),
variveis aleatrias
possvel ver esta oleo de variveis aleatrias omo um vetor

hamado de vetor aleatrio.
8.4 Sequn ias aleatrias independentes e identi amente

distribudas
Denio 8.6. Sequn ias iid.
identi amente
distribuda
(iid)
. . . , X2 , X1 , X0 , X1 , X2 , . . .
Uma
uma
sequn ia
sequn ia
aleatria
aleatria
independente
Xn
para
qual
so variveis aleatrias iid.
Uma sequn ia aleatria o orre quando realizamos tentativas independentes de um

experimento a uma taxa onstante. Uma sequn ia aleatria pode assumir tanto valores dis retos quanto ontnuos.
pXi (x) = pX (x),
Exemplo 8.3.
Xi tem fmp
fXi (x) = fX (x).
No aso dis reto, ada varivel aleatria
enquanto que no aso ontnuo, ada
Xi
tem fdp
Em uma linha de produo de resistores de
ada resistor uma varivel aleatria
1000,
a resistn ia real de
om distribuio uniforme entre
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%
de tolern ia (resistn ias entre
Um testador automti o toma um resistor por segundo e mede sua re-
sistn ia exata. Seja

durante o minuto
n.
Rn
igual ao nmero de resistores om tolern ia de
Assim, a varivel aleatria
Rn
tem fmp binomial
1% en ontrados
146
pRn (r) =
60
r
0,
pr (1 p)60r ,
r = 0, 1, . . . , 60
aso ontrrio
Desde que ada resistor um resistor de tolern ia
1%
independentemente de todos
os outros resistores, o nmero de resistores om tolern ia de
1%
en ontrados a ada
minuto independente do nmero en ontrado em outros minutos. Ento,
R1 , R2 , . . .
uma sequn ia aleatria iid.
Para uma sequn ia aleatria, a distribuio onjunta de um vetor amostra
. . . , Xn
X 1 , X2 ,
f il de es rever desde que o produto das fdps ou fmps indivivuais.
Teorema 8.1.
Seja
Xn
dis reto, o vetor amostra
uma sequn ia aleatria iid.
Xn1 , . . . , Xnk
Para um pro esso de valor
tem fmp onjunta
pXn1 ,...,Xnk (x1 , . . . , xk ) = pX (x1 )pX (x2 ) pX (xk ) =

Se o pro esso assume valores ontnuos, ento a fdp onjunta de
k
Y
pX (xi )
k
Y
fX (xi )
i=1
Xn1 , . . . , Xnk
dada
por
fXn1 ,...,Xnk (x1 , . . . , xk ) = fX (x1 )fX (x2 ) fX (xk ) =
i=1
De todas as sequn ias iid, talvez a mais simples seja a sequn ia aleatria de Bernoulli.
Denio 8.7.
Xn om probabilidade de su esso p uma

Xn uma varivel aleatria om distribuio de
P [Xn = 1] = p = 1 P [Xn = 0].
Um pro esso de Bernoulli
sequn ia aleatria na qual ada

Bernoulli tal que
Exemplo 8.4.
Para o pro esso do resistor do Exemplo 8.3, seja
segundo en ontramos um resistor de
Yn
1%,
aso ontrrio
Yn = 0.
Yn = 1
se no
i-simo
A sequn ia aleatria
um pro esso de Bernoulli.
Exemplo 8.5.
Para um pro esso de Bernoulli
en ontre a fmp onjunta de
Soluo.
maneira
Xn
om probabilidade de su esso
p,
X1 , . . . , Xn .
Para uma ni a amostra
Xi , podemos es rever a fmp de Bernoulli da seguinte
147
(
pxi (1 p)1xi , xi {0, 1}
pXi (xi ) =
0,
aso ontrrio
Quando
xi {0, 1}
para
i = 0, . . . , n,
pX1 ,...,Xn (x1 , . . . , xn ) =
n
Y
i=1
onde
k = x1 + + xn .
a fmp onjunta pode ser es rita omo
pxi (1 p)1xi = pk (1 p)nk
A expresso ompleta para a fmp onjunta
(
px1 ++xn (1 p)n(x1 ++xn ) , xi {0, 1}, i = 1, 2, . . . , n
pX1 ,...,Xn (x1 , . . . , xn ) =
0,
aso ontrrio
8.5 Pro esso de Contagem

Um pro esso de ontagem
N (t) omea no instante t = 0 e onta a o orrn ia de eventos.
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.
t = 0, n(t, s) = 0 para todo t 0. Ainda, o nmero de

t > 0 qualquer um nmero inteiro que no de res e om o
Desde que ini iamos em

hegadas at um instante
tempo.
Denio 8.8. Pro esso de ontagem.
Um pro esso esto sti o
esso de ontagem se para ada funo amostra,
n(t, s) = 0
assume valores inteiros e no de res entes om o tempo.
Podemos imaginar
intervalo
(0, t].
N (t)
para
N (t) um prot 0 e n(t, s)
omo o nmero de lientes que hega a um sistema no
Uma funo amostra tpi a de um pro esso de ontagem mostrada
na Figura 8.4. Os saltos na funo amostra de um pro esso de ontagem mar am as
(t0 , t1 ] simplesmente N (t1 ) N (t0 ).

X1 , X2 , . . . para derivar um pro esso de
ontagem simples. Considere um intervalo de tempo de tamanho de modo que exista
uma hegada na intervalo (n, (n + 1)] se e somente se Xn = 1. Para uma onstante
arbitrria > 0, podemos es olher pequeno o su iente para assegurar que < 1.
Neste aso, es olhemos a probabilidade de su esso de Xn omo sendo . Isto impli a
que o nmero de hegadas Nm no instante T = m tem fmp binomial
(
m
n
mn , n = 0, 1, . . . , m
n (T /m) (1 T /m)
PNm (n) =
(8.1)
0,
aso ontrrio
hegadas e o nmero de hegadas no intervalo
Podemos usar um pro esso de Bernoulli
Pode-se mostrar que medida que
0 a fmp de Nm
N (T ) om fmp
m ,
ou equivalentemente medida que
aproxima-se da fmp de uma v.a.
om distribuio de Poisson
148

N (t)
5
6
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...........................................
...
...
....
..
...
..
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...............................................................................................................
..
...
...
...
....
...
..
....
.
....
....... ....... ....... ....... ....... ....... ....... ....... ....... ............................................................................................................................................
..
...
....
...
..
....
....
.
.
....
...
...
....
....
.
.
....... ....... ....... ....... ....... ..........................................................
..
...
....
....
.
.
.
....
...
....
....
....
...
...
....
....
....
...
.
.
.
.
.
....... ....... ....... .....................................
.
.
.
.
.
....
....
....
....
....
...
...
...
...
...
...
.
.
.
.
...
..
.
.
.
.
....
....
....
....
....
S1
S2
S3
.
.
.
X1.................
..........
.............
...............
................................................
X3 ...X4
.
. X2 ..
.
..........
.
S4
-
S5
.
...............................................................................................
.
.
.............................................
.
5
Figura 8.4: Funo amostra de um pro esso de ontagem
(
(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
Bernoulli orrespondentes quele intervalo. Ento o nmero de hegadas em intevalos

no sobrepostos ir ser independente.
No limite medida que
0,
obtemos um
pro esso de ontagem no qual o nmero de hegadas em qualquer intervalo uma

varivel aleatria om distribuio de Poisson independente das hegadas em qualquer
outro intervalo no sobreposto.
Chamamos este pro esso limite de um pro esso de
Poisson. Na prxima seo iremos examinar o pro esso de Poisson om mais detalhes.
8.6 Pro esso de Poisson

Considere uma situao na qual os eventos o orrem em instantes de tempo aleatrios a
uma taxa mdia de
eventos por segundo.
Por exemplo, um evento poderia representar
a hegada de um liente a uma estao de servio ou a falha de um omponente em

algum sistema. Seja
[0, t]. N (t)
N (t) o nmero de o orrn ias destes eventos no intervalo de tempo
ento um pro esso esto sti o ontnuo no tempo, no des res ente e que
assume apenas valores inteiros, omo mostrado na Figura 8.4.

Suponha agora que o intervalo
innitesimal
= t/n.
[0, t]
seja dividido em
subintervalos de durao
Assuma tambm que as seguintes ondies sejam tambm
observadas:
1. A probabilidade da o orrn ia de mais de um evento em um destes subintervalos

desprezvel omparada probabilidade de observar zero ou um eventos.
149
2. A o orrn ia de um evento em um dado subintervalo independe dos resultados

observados nos outros subintervalos.
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)
Ento, estas duas suposies juntas impli am que o
pode ser aproximado pelo pro esso de ontagem binomial,
que onta o nmero de su essos em
testes de Bernoulli.
Se a probabilidade de o orrn ia de um evento em ada subintervalo

nmero esperado de eventos no intervalo
uma taxa de
tambm
t.
[0, t]
np.
p,
ento o
Desde que os eventos o orrem a
eventos por segundo, o nmero mdio de eventos no intervalo
[0, t]
Ento devemos ter
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,
N (t) onhe ido
p 0 enquanto
mantemos
(t)k t
e , k = 0, 1, 2, . . .
k!
(8.2)
omo pro esso de Poisson. Formalmente, podemos
denir um pro esso de Poisson omo:
Denio 8.9. Pro esso de Poisson.

esso de Poisson de taxa
Um pro esso de ontagem
N (t)
um pro-
se
O nmero de hegadas em qualquer intervalo
(t0 , t1 ], N (t1 ) N (t0 ), uma

(t1 t0 ).
Para qualquer par de intervalos no sobrepostos,
varivel aleatria om distribuio de Poisson om valor esperado
hegadas em ada intervalo,
N (t1 ) N (t0 )
so variveis aleatrias independentes.
(t0 , t1 ] e (t0 , t1 ], o nmero de
N (t1 ) N (t0 ) respe tivamente,
de taxa do pro esso pois o nmero esperado de hegadas por unidade

de tempo E[N (t)]/t = . Pela denio da varivel aleatria de Poisson, M =
N (t1 ) N (t0 ) tem fmp
Chamamos
m
[(t1 t0 )] (t1 t0 )
e
, m = 0, 1, . . .
PM (m) =
m!
0,
aso ontrrio
Para um onjunto de instantes de tempo
t1 < t2 < < tk ,
(8.3)
podemos usar a propri-
edade de que o nmero de hegadas em intervalos no sobrepostos so independentes

para es rever a fmp onjunta de
N (t1 ), . . . , N (tk )
omo um produto de probabilidades.
150
Teorema 8.2.
Para um pro esso de Poisson
N (t1 ), . . . , N (tk ), t1 < t2 < < tk ,
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 )
i = 2, . . . , k, seja Mi = N (ti ) N (ti1 ). Pela

M1 , . . . , Mk uma oleo de variveis aleatrias
Poisson tal que E[Mi ] = i .
e para
denio do pro esso de Poisson,

independentes om distribuio de
pN (t1 ),...,N (tk ) (n1 , . . . , nk ) = pM1 ,M2 , ,Mk (n1 , n2 n1 , . . . , nk nk1 )
= pM1 (n1 )pM2 (n2 n1 ) pMk (nk nk1 )
Substituindo a Equao (8.3) por
Exemplo 8.6.
pMi (ni ni1 ),
ompletamos a prova.
Um sistema de mensagens gravadas re ebe a essos de a ordo om um
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.
A taxa de hegada em segundos
= 15/60 = 1/4
a essos por segundo.
Es revendo o tempo em segundos, a probabilidade de interesse
P [N (10) = 3
N (60) N (45) = 2]
Apli ando as propriedades de in rementos independentes e in rementos esta ionrios,
P [N (10) = 3
N (60) N (45) = 2] = P [N (10) = 3]P [N (60) N (45) = 2]
= P [N (10) = 3]P [N (60 45) = 2]

=
(10/4)3 e10/4 (15/4)2 e15/4

= 0, 035
3!
2!
importante lembrar que a propriedade dos intervalos independentes do pro esso

de Poisson pre isa se manter mesmo para intervalos bastante pequenos. Por exemplo,
o nmero de hegadas em
sobre
[0, t]
(t, t + ]
pre isa ser independente do pro esso de hegada
independentemente de quo pequeno es olhamos
> 0.
Essen ialmente, a
probabilidade de uma hegada em qualquer instante independente da histria passada

do pro esso. Neste sentido, o pro esso de Poisson sem memria.
151
Esta propriedade de ser sem memria pode tambm ser vista quando examinamos
Xn
os instantes entre as hegadas. Como mostrado na Figura 8.4, o tempo aleatrio

entre a hegada
Adi ionalmente,
n1
n hamado de n-simo
hamamos o instante X1 , da primeira hegada,
e a hegada
tempo entre hegadas.

omo o primeiro tempo
entre hegadas, mesmo no havendo hegadas anteriores.
Teorema 8.3.
X 1 , X2 , . . .
Para um pro esso de Poisson de taxa
os tempos entre hegadas
so uma sequn ia aleatria iid om fdp exponen ial
(
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
x > 0, Xn > x se e s 12 se no o orrerem hegadas no intervalo (tn1 , tn1 +x].

O nmero de hegadas em (tn1 , tn1 + x] independente da histria passada des rita
por X1 , . . . , Xn1 . Isto impli a
Para
P [Xn > x|X1 = x1 , . . . , Xn1 = xn1 ] = P [N (tn1 + x) N (tn1 ) = 0] = ex

Ento
Xn
X1 , . . . , Xn1 e tem fd exponen ial

(
1 ex , x > 0
FXn (x) = 1 P [Xn > x] =
0,
aso ontrrio
independente de
Tomando a derivada da fd , podemos ver que
fX (x),
Xn
tem fdp exponen ial
fXn (x) =
o que demonstra o teorema.
Exemplo 8.7.
En ontre a mdia e a varin ia do tempo at o d imo a esso no Exem-
plo 8.6.
Soluo.
A taxa de hegada de
= 1/4 a essos por segundo,
de modo que os tempos
entre hegadas so variveis aleatrias om distribuio exponen ial de parmetro

Para a distribuio exponen ial, a mdia e a varin ia so, respe tivamente,
e
1/2
(veja Apndi e E).
.
1/
O instante da d ima hegada a soma destas variveis
aleatrias iid, ento
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 ,
P [Xn > x] = ex , a probabilidade
P [Xn x > x|Xn > x ] =
P [Xn > x + x , Xn > x ]

= ex
P [Xn > x ]
(8.4)
A interpretao da Equao (8.4) que dado que a hegada no o orreu no instante
x , o tempo
Xn . Isto ,
adi ional at a hegada,
Xn x ,
tem a mesma distribuio exponen ial de
no importa o quanto esperamos para a hegada, o tempo restante at a
hegada tem sempre uma distribuio exponen ial om mdia

A partir de uma funo amostra de
N (t),
1/.
podemos identi ar os tempos entre he-
X1 , X2 e assim por diante. Similarmente, a partir dos

X1 , X2 , . . . , podemos onstruir a funo amostra do pro esso
gadas
tempos entre hegadas

de Poisson
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
de tempos entre hegadas exponen ialmente distribudos.
Um pro esso de ontagem om tempos entre hegadas exponen iais
X 1 , X2 , . . .
om mdia
E[Xi ] = 1/
um pro esso de Poisson de taxa
8.7 Pro esso sinal telegr o aleatrio

X(t) que assume os valores 1. Suponha que X(0) =
1 om probabilidade 1/2, e suponha que X(t) mude de polaridade om ada evento de
um pro esso de Poisson de taxa . A Figura 8.5 mostra uma funo amostra de X(t).
Considere um pro esso aleatrio
..
X(t) .........6
.
1
....
...
..
.......... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....
..
....
..
...
...
...
...
...
...
...
..............................................................................................................................................................................................................................................................................................................................................................................................................................................
...
...
...
...
...
...
...
...
...
.
.......... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....
....
...
...
..
..
..
..
..
..
..
......................................................................................................................................................................................................................................................................................................................................................................................................................
..
..
..
..
..
..
..
- --
X1
X2 X3
-
X4
-
-
X5
X6
X7
Figura 8.5: Funo amostra de um pro esso telegr o aleatrio

A fmp de
X(t)
dada por
P [X(t) = 1] = P [X(t) = 1|X(0) = 1]P [X(0) = 1]
+ P [X(t) = 1|X(0) = 1]P [X(0) = 1]
(8.5)
153
Podemos en ontrar as fmp's ondi ionais notando que

ridade de
X(0)
X(t)
ir ter a mesma pola-
somente quando o orrer um nmero par de eventos no intervalo
(0, t].
Ento
P [X(t) = 1|X(0) = 1] = P [N (t) = inteiro
X
(t)2j t
=
e
(2j)!
par]
j=0

1 t
e + et
2

1
=
1 + e2t
2
= et
X(t)
X(0)
iro ter sinais opostos quando o nmero de eventos no intervalo
(8.6)
(0, t]
for mpar:
P [X(t) = 1|X(0) = 1] = P [N (t) = inteiro mpar]
X
(t)2j+1 t
=
e
(2j + 1)!
j=0

1 t
e et
2

1
1 e2t
=
2
= et
(8.7)
Substituindo estes resultados na Equao (8.5), temos:
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)
Ento, o sinal telegr o assume os valores -1 e +1 om a mesma probabilidade. A

mdia e a varin ia de
X(t)
so dadas por:
E[X(t)] = 1P [X(t) = 1] + (1)P [X(t) = 1] = 0

Var[X(t)] = E[X 2 (t)] E 2 [X(t)] = (1)2 P [X(t) = 1] + (1)2 P [X(t) = 1] 0 = 1
E a funo de auto ovarin ia de
X(t)
dada por:
CX (t1 , t2 ) = E[X(t1 ), X(t2 )]

= 1P [X(t1 ) = X(t2 )] + (1)P [X(t1 ) 6= X(t2 )]
o 1n
o
1n
=
1 + e2|t2 t1 |
1 e2|t2 t1 |
2
2
= e2|t2 t1 |
Pode-se ver ento que as amostras de
X(t) tornam-se ada vez menos orrela ionadas
medida que o tempo entre elas aumenta.
154
8.8 Pro esso movimento Browniano

O pro esso de Poisson e o pro esso telegr o so exemplos de pro essos de tempo
ontnuo e valor dis reto.
Agora iremos examinar o pro esso movimento Browniano,
que um pro esso de tempo e valores ontnuos.
Denio 8.10. Pro esso movimento Browniano.

Browniano
X(t)
tem a propriedade de que
X(0) = 0
uma varivel aleatria gaussiana om mdia 0 e varin ia
X(t )
para todo
Um pro esso movimento
> 0, X(t + ) X(t)

que independente de
e para
tt.
Para o movimento Browniano, podemos ver
X(t)
omo a posio de uma part ula
em uma linha. Para um pequeno in remento de tempo
X(t + ) = X(t) + [X(t + ) 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
do movimento Browniano hamada de
in rementos independentes. Ento, depois de um intervalo de tempo

part ula moveu-se de uma quantidde
A mudana de posio
a posio da
que independente da posio anterior
X(t).
pode ser positiva ou negativa. Por esta razo, o movimento
Browniano tambm hamado de uma aminhada aleatria unidimensional.
Teorema 8.5.
X(t1 ), . . . , X(tk )
Para o pro esso movimento Browniano
X(t),
a fdp onjunta de
fX(t1 ),...,X(tk ) (x1 , . . . , xk ) =
k
Y
n=1
1
p
2 /[2(t
2(tn tn1 )
e(xn xn1 )
n tn1 )]
(8.10)
X(0) = 0, X(t1 ) = X(t1 ) X(0) uma varivel aleatria

t1 , . . . , tk , denimos t0 = 0 e, para n =
1, . . . , k, Yn = X(tn ) X(tn1 ). Note que Y1 , . . . , Yk so variveis aleatrias Gaussianas
independentes de mdia zero tais que Yn N (0, (tn tn1 )).
Gaussiana.
Note que
xk xk1 .
Dados os instantes de tempo
fYn (y) = p
1
2(tn tn1 )
ey
2 /[2(t
n tn1 )]
(8.11)
X(t1 ) = x1 , . . . , X(tn ) = xn se e somente se Y1 = x1 , Y2 = x2 x1 , . . . , Yk =
Depois de alguma manipulao, hegamos a
fX(t1 ),...,X(tk ) (x1 , . . . , xk ) =
k
Y
n=1
fYn (xn xn1 )
(8.12)
155
Substituindo (8.11) em (8.12), ompletamos a prova.
8.9 Mdias estatsti as de pro essos aleatrios

Assim omo denimos mdias estatsti as para v.a.'s, podemos de forma similar, denir
mdias estatsti as para um pro esso esto sti o. Tais mdias so tambm hamadas
de
mdias de onjunto.
Estas sero ento utilizadas para espe i ar um pro esso
aleatrio.
Se adotarmos a idia de que um pro esso aleatrio
funo do tempo, hegaremos on luso de que
a fdp de
espe i ada para ada valor de
t.
X(t)
X(t)
uma v.a.
que uma
ompletamente espe i ada se
Iremos ver rapidamente que as oisas
no so assim to simples. Entretanto, ome emos om a idia de espe i ar uma v.a.
para ada valor de
t.
Para o pro esso esto sti o
X(t)
representando a temperatura de uma idade, isto
impli ar em onsiderar as amplitudes das funes amostra em algum instante
t = t1 .
X(t1 ; 1 ) representa a temperatura no instante t1 no i -simo dia e o resultado

i -sima tentativa. Ento, todas as amplitudes das funes amostra em t = t1
representam valores tomados pela v.a. X em t = t1 , isto X(t1 ).
Podemos fazer isto para ada valor de t. A fdp de X pode ser diferente para
diferentes valores de t em geral. Para indi ar este fato, a fdp de X no instante t
expressa por fX (x; t).
valor
da
Exemplo 8.8. Limiar de deteo.

m=1
Sobre um anal binrio, as mensagens
m=0
so transmitidas om probabilidades iguais usando um pulso positivo e negativo,
respe tivamente. O pulso transmitido orrespondente mensagem 1

Figura 8.6, e o pulso transmitido orrespondente mensagem 0 ser
as estatsti as de primeira ordem.
p(t), mostrado na
p(t). Determine
p(t)
PSfrag repla ements
Ap
Tp
Figura 8.6: Forma de onda do pulso
Soluo.
n(t),
Seja
Ap
p(t) em t = Tp .
p(t) + n(t) (Figura 8.7).
a amplitude de pi o de
os pulsos re ebidos sero
p(t).
Por ausa do rudo de anal
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
Por ausa do rudo do anal, a sada do amostrador
m = 1) ou Ap (para
Ap + n, onde n, a
amplitude do sinal de rudo no instante de amostragem, uma v.a. No re eptor, utiliza-
se um limiar de deteo igual a 0, isto , se o pulso amostrado em seu pi o tem um valor

positivo, a de iso 1, e se menor que 0, a de iso 0.
156
Figura 8.7: Erro de deteo devido ao rudo.
Vamos tentar interpretar
P [|1], a probabilidade
de erro dado que 1 foi transmitido.
Ap + n. Se Ap + n > 0, fazemos
equivalentemente n < Ap , tomamos uma
Se 1 transmitido, a sada do amostrador no re eptor

uma de iso orreta, e se
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
amostra do rudo foi negativa o su iente para que
P [ |1] =
N
N
ts .
Vamos examinar o sinal de rudo no instante
Em ada tentativa, temos um
novo sinal de rudo (funo amostra) do onjunto de rudo e um valor diferente de

no instante de amostragem
ts ,
e se
n < Ap
digamos 100 vezes em 100 milhes de
P [ |1] = 100/100 106 = 106 .

n < Ap , onde n uma v.a. formada
tentativas, ento a probabilidade de erro dada por

Mas este nmero tambm a probabilidade de
t = ts das funes amostra

n(ts ) uja fdp fn (n; ts ).
pelas amplitudes em
n(t).
Esta a v.a.
A fdp
do onjunto do pro esso esto sti o
fX (x; t) onhe ida omo fdp de primeira ordem.
Infelizmente o onhe imento
da fdp de primeira ordem insu iente para espe i ar um pro esso aleatrio.
Para
entender o porque, um exemplo bastante instrutivo.
Exemplo 8.9.
Seja um pro esso esto sti o
X(t)
ujo onjunto mostrado na Figura
8.8a). Suponha que a distribuio de amplitudes em qualquer instante
fX (x; t)
independente de
t,
Y (t),
de
Y (t)
um
omo mostrado na Figura 8.8b). Verique porque as estatsiti as
de primeira ordem no so su ientes para diferen iar
Soluo.
a mesma, isto
fX (x; t) = fX (x), omo mostrado na Figura 8.9.

X(t) por um fator k (k > 1), formamos
Se omprimirmos no tempo o pro esso

novo pro esso
X(t)
Y (t).
Pode-se ver fa ilmente que a distribuio de amplitudes de
e, desta forma, a fdp de primeira ordem de
X(t)
idnti a
X(t) idnti a
de Y (t).
157
Figura 8.8: Pro esso esto sti o omprimido no tempo.
fX (x)
ou
fY (y)
PSfrag repla ements
Figura 8.9: Fdp dos pro essos
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)
ser o espe tro de
X(t)
expandido por um fator
X(t).
Y (t)
De fato, o espe tro
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 + .
Se o pro esso varia lentamente,
devem ser similares (Figura 8.8a). Por outro lado, se o
pro esso varia rapidamente, as amplitudes em t1 e t1 + no tero nenhuma semelhana

(Figura 8.8b). Podemos usar a orrelao para medir a similaridade das amplitudes em
t1
t2 = t1 + .
158
Denio 8.11. Funo de auto orrelao.
Se as variveis aleatrias X(t1 ) e

X2 respe tivamente, ento para um pro esso esto sti o
auto orrelao RX (t1 , t2 ) denida omo
X(t2 ) so denotadas por X1

real, a funo de
RX (t1 , t2 ) = E[X(t1 )X(t2 )]
Esta a orrelao das v.a.'s

tudes em
t1
t2
X(t1 ) e X(t2 ) e al ulada
multipli ando-se as ampli-
de uma funo amostra e ento fazendo a mdia deste produto sobre
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
X1 X2 ser maior que Y1 Y2 . Alm disso,

X1 e X2 iro mostrar orrelao para valores de onsideravelmente grandes, enquanto
que Y1 e Y2 iro perder a orrelao rapidamente mesmo para valores pequenos de ,
ser tanto positivo omo negativo. Desta forma,
omo mostrado na Figura 8.10.
Figura 8.10: Funes de auto orrelao para os pro essos
Ento
RX (t1 , t2 ),
a funo de auto orrelao de
X(t),
X(t)
Y (t).
forne e informaes impor-
tantes sobre o ontedo de freqn ias do pro esso, e pode ser derivada da fdp onjunta
de
X1
X2 .
Esta a fdp de segunda ordem.
Em resumo, para espe i ar um pro esso aleatrio, pre isamos no s da fdp de

primeira ordem mas tambm da fdp de segunda ordem .
Em geral, pre isamos da medida de interdependn ia de
t1 , t2 , . . . , tn .
fX1 X2 Xn (x1 , x2 , . . . , xn ).
nos instantes
x1 , x2 , . . . , xn
ordem n,
variveis
Esta informao forne ida pela fdp de
A determinao desta fdp uma tarefa formidvel, mas
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 ) =
Ento, quando temos a fdp de ordem

ordem menor que
n.
fX1 X2 (x1 , x2 ) dx2

n,
no ne essrio espe i ar as fdp's de
159
8.9.1 Momentos
Denio 8.12.
n-simo
Seja um pro esso esto sti o
momento da v.a.
Xti
E
X(t)
e seja tambm
denido omo
Xtni
Xti X(ti ).
xnti fX (xti ) dxti
O primeiro momento hamado de mdia de um pro esso esto sti o, e denido

omo
Denio 8.13.
mdia X(t) de um pro esso esto sti o pode ser determinada da
fdp de primeira ordem usando a seguinte expresso
X(t) =
xfX (x; t) dx
n-simo momento ir depender do instante de tempo ti se

Xti depender de ti . Quando o pro esso esta ionrio, entretanto, fX (xti ) =
fX (xti + t) para todo t. Portanto, a fdp independente do tempo e, omo onseqn ia,
o n-simo momento tambm o .
Em geral, o valor do
a fdp de
8.9.2 Funo de auto ovarin ia

Denio 8.14.
A funo de auto ovarin ia denida omo
KX (t1 , t2 ) = E {[Xt1 m(t1 )] [Xt2 m(t2 )]} = RX (t1 , t2 ) m(t1 )m(t2 )

onde
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
8.10 Classi ao dos pro essos esto sti os

8.10.1 Pro essos esto sti os esta ionrios e no esta ionrios
Denio 8.15. Um pro esso esto sti o ujas ara tersti as estatsti as no variam
om o tempo lassi ado omo um
pro esso esto sti o esta ionrio.
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.
fX1 (x1 ; t1 ), desloquemos a origem para t0 e al ulemos

t0 na nova refern ia dado por t2 = t1 + t0 na
refern ia antiga. Desta forma, as fdp's de X em t1 e t2 = t1 + t0 pre isam ser as
mesmas. Portanto, para um pro esso esta ionrio, fX1 (x1 ; t1 ) e fX2 (x2 ; t2 ) pre isam
ser idnti as. Isto possvel somente se fX1 (x1 ; t1 ) independente de t. Ento, a
Suponha que determinemos
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 ) pre isa ser
Desta forma, para um pro esso esta ionrio real
RX (t1 , t2 ) = RX (t1 t2 ) = RX ( ),
= t 1 t2
RX ( ) = X(t)X(t + )
(8.13)
Tambm a funo de auto ovarin ia pode ser simpli ada para
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
x1 e x2 pre isa tambm depender somente de t2 t1 . Similarmente, funes densidade de

probabilidade de ordem mais alta tais omo fX1 X2 Xn (x1 , x2 , . . . , xn ) onde x1 = X(ti ),
so todas independentes da es olha da origem.
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.
Por outro lado, um pro esso
esto sti o representado por um rudo bran o um pro esso esta ionrio, porque suas
estatsti as no se alteram om o tempo.
Em geral no f il determinar se um pro esso esta ionrio, pois isto envolve a

investigao das estatsti as de ordem
n (n ).
Na prti a, podemos determinar a
esta ionariedade se no houver mudanas no me anismo de gerao do sinal.
161
8.10.2 Pro essos esta ionrios no sentido amplo

Um pro esso pode no ser esta ionrio no sentido estrito, mas pode ainda apresentar
esta ionariedade para as estatsti as de primeira e segunda ordem. Quando isto a onte e, temos um pro esso esto sti o esta ionrio no sentido amplo. Abaixo tem-se uma
denio formal.
Pro essos esta ionrios no sentido amplo (ou fra amente

esta ionrios) so aqueles que tm um valor mdio e uma funo de auto orrelao
Denio 8.16.
que so independentes de deslo amento na origem de tempo, ou seja
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.
Todos os pro essos reais so no esta ionrios desde que tm durao
nita, isto , tm um in io e um nal.

em
t =
e durar para sempre.
Um pro esso esta ionrio pre isaria ini iar
Entretanto, muitos pro essos apresentam-se omo
esta ionrios para o intervalo de tempo de interesse, e a suposio de esta ionariedade

permite que usemos um modelo matemti o tratvel.
Exemplo 8.11.
Mostre que o pro esso aleatrio
(0, 2),
v.a. uniformemente distribuda na faixa
X(t) = A cos(c t + ),
onde
uma
um pro esso esta ionrio no sentido
amplo.
Soluo.
c
O onjunto da Figura 8.11 onsiste de senides de amplitude
onstantes, mas a fase
qualquer valor no intervalo
e freqn ia
aleatria. Para qualquer funo amostra a fase pode ter
(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 + )
uma funo de uma v.a.
cos(c t + ) =
temos
cos(c t + )f () d
mas
f () = 1/2
no intervalo
(0, 2)
e 0 fora dele, de modo que podemos rees rever a
equao a ima omo
1
cos(c t + ) =
2
cos(c t + ) d
162
Figura 8.11: Pro esso aleatrio
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
RX (t1 , t2 ) = A2 cos(c t1 + ) cos(c t2 + )

= A2 cos(c t1 + ) cos(c t2 + )
i
A2 h
cos[c (t1 t2 )] + cos[c (t1 + t2 ) + 2]
=
2
onde usamos a seguinte propriedade:
cos A cos B =
1
2
[cos(A B) + cos(A + B)].
O primeiro termo do lado direito no ontm v.a.'s, e desta forma
cos[c (t1 t2 )] = cos[c (t1 t2 )]

O segundo termo funo da v.a.
1
cos[c (t1 + t2 ) + 2] =
2
Portanto,
e sua mdia
cos[c (t1 + t2 ) + 2]d = 0
163
RX (t1 , t2 ) =
A2
cos[c (t1 t2 )]
2
ou
RX ( ) =
E portanto
X(t)
A2
cos[c ],
2
= t 1 t2
um pro esso esta ionrio no sentido amplo.
Propriedades da funo de auto orrelao para pro essos esta ionrios no

sentido amplo:
1. A funo de auto orrelao par:
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) = X(t)X(t + 0) = X(t)X(t) = X 2 (t) = E[X 2 ]
RX (0) 0
Demonstrao.
Desde que
4. Se
RX (0) = E[X(t)X(t)] = E[X 2 (t)].
X 2 (t) 0, E[X 2 (t)] 0,
Z(t) = X(t) + Y (t)
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 ( )
5. Se um pro esso esto sti o tem um omponente peridi o, ento a funo de

auto orrelao tambm peridi a:
X(t) = X(t + nT ) RX ( ) = RX ( + nT )
6. Se
X(t)
no tem omponentes peridi os, ento
lim RX ( ) = E 2 [X]
164

1
Demonstrao. A demonstrao 2 bastante omplexa, mas podemos dar uma
1
justi ativa plaus vel: se X(t) no tem omponentes peridi os, ento podemos
2
X(t) e X(t + ), so independen-
onsiderar que as variveis aleatrias em

tes. Desta forma:
lim RX ( ) = E[X(t)X(t + )] = E[X(t)]E[X(t + )] = E 2 [X]
7.
RX (0) |RX ( )|.

Demonstrao.
E{[X(t) X(t )]2 } 0

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
2RX (0) 2RX ( ) 0 RX (0) |RX ( )|
8.10.3 Pro essos ergdi os

At agora estudamos a mdia e a funo de auto orrelao de um pro esso aleatrio.
Estas so mdias de onjunto de algum tipo.
Por exemplo,
t, e
X(t2 ).
junto das amplitudes das funes amostra em

das amplitudes das funes amostra
X(t1 )
X(t)
a mdia de on-
a mdia de onjunto do produto

Podemos tambm denir mdias
temporais para ada funo amostra.
Denio 8.17.
A mdia temporal,
X(t, i ),
de uma funo amostra
X(t, i )
por
1
X(t, i ) = lim
T T
T /2
X(t, i ) dt
T /2
Similarmente, temos
Denio 8.18.
A funo de auto orrelao temporal
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
Agora temos ondies para denir um pro esso ergdi o.
Denio 8.19.
Pro essos ergdi os so aqueles para os quais as mdias de onjunto
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.
pro essos esto sti os
esta ionrios no sentido amplo

PSfrag repla ements
esta ionrios no sentido estrito

ergdi os
Figura 8.12: Classi ao dos pro essos esto sti os.
A exemplo da esta ionariedade, dif il testar se um pro esso ergdi o ou no,

pois pre isamos testar as mdias de onjunto e temporais para todas as ordens possveis.
Contudo, na prti a muitos dos pro essos esta ionrios so usualmente ergdi os om
relao pelo menos s estatsti as de segunda ordem, tais omo a mdia e a funo de
auto orrelao.
Exemplo 8.12.
Mostre que o pro esso do exemplo anterior ergdi o para estatsti as
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
de semforos de trnsito em uma idade.

Suponha que uma idade bem planejada, om todas as suas ruas nas direes
norte-sul e leste-oeste, e om semforos em ada inteser o. Assuma que ada semforo permanea verde 0,75 minutos na direo leste-oeste e 0,25 minutos na direo
norte-sul, e que a mudana em um semforo independente de outro.
Se onsideramos uma erta pessoa dirigindo um arro e que hega a um semforo
aleatoriamente na direo leste-oeste a probabilidade de en ontrar um farol verde ser
de 0,75, ou seja, na mdia, 75% do tempo ele ir observar uma luz verde.
Por outro lado, se onsiderarmos um grande nmero de motoristas que hegam aleatoriamente em um semforo na direo leste-oeste simultaneamente em algum instante
t,
ento 75% dos motoristas ir en ontrar um farol verde, e os 25% restantes iro en-
ontrar um farol vermelho.

Ento, a experin ia de um ni o motorista hegando aleatoriamente vrias vezes
em um farol ir onter a mesma informao estatsti a (estatsti as de funes amostra)
da experin ia de um grande nmero de motoristas hegando simultaneamente em vrios
semforos (estatsti as de onjunto para um dado instante).
A noo de ergodi idade extremamente importante, porque na prti a no temos

um grande nmero de funes amostra disponvel para al ular estatsti as de onjunto.
Se sabemos que um pro esso ergdi o, ento pre isamos apenas de uma funo amostra
para al ular as estatsti as de onjunto.
8.11 Exer ios

1. Seja o pro esso esto sti o denido por
x(t) = ax + b

b
onde
167
uma onstante e
uma varivel aleatria uniformemente distribuda
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
a varivel aleatria uniformemente distribuda na faixa (-1,1).
(b) Se
a varivel aleatria uniformemente distribuda na faixa (0,10).
( ) Se
a varivel aleatria uniformemente distribuda na faixa
(, ).
3. Mostre que para o pro esso
x(t) = k cos(0 t + )
onde
uma varivel aleatria uniformemente distribuda sobre o intervalo (0, 2),
a funo de auto orrelao temporal dada por
RX ( ) = x(t)x(t + ) = k2
cos(0 )
4. Para o pro esso esto sti o
x(t) = sen(t + )
onde
so onstantes e
uma varivel aleatria qualquer:
(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)
E[X(t)] = E[] sen(t + )

RX (t1 , t2 ) = E[ 2 ] sen(t1 + ) sen(t2 + )
KX ( ) = 2 sen(t1 + ) sen(t2 + )
(b) no
5. En ontre uma expresso para
relao.
Resp:

E (Xt2 Xt1 )2
em termos da funo de auto or-
E[(Xt2 Xt1 )2 ] = RX (t2 , t2 ) 2RX (t2 , t1 ) + RX (t1 , t1 )
6. No re eptor de um rdio AM, o sinal re ebido ontm uma portadora ossenoidal

om frequn ia
[0, 2].
fc
e fase aleatria
que uniformemente
O sinal de portadora re ebido
X(t) = A cos(2fc t + )
distribuda no intervalo
168

(a) Determine o valor esperado e a funo de auto orrelao do pro esso
X(t).
(b) Este pro esso esta ionrio no sentido amplo?
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
uma varivel aleatria uniformemente distribuda
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
t = /4+n , o pro esso vale 0.
Nos demais pontos, vale
A cos(t+
)
8. Seja o pro esso esto sti o denido por
X(t) = A cos t + B sen t

A
onde
so v.a.'s iid de mdia zero.
(a) Mostre que

(b) Mostre que
X(t)
X(t)
esta ionrio no sentido amplo.

no esta ionrio no sentido estrito.
Di a:
Considere
E[X 3 (t)].
Resp:
(a)
(b)
E[X(t)] = 0
RX (t1 , t2 ) = E[A2 ] cos((t1 t2 ))
E[X 3 (t)] = E[A3 ](cos3 (t) + sen3 (t))
9. Seja um pro esso esto sti o
X(t)
dado por
X(t) = Y cos t, t 0
onde
(0, 1).
uma onstante e
uma v.a. distribuda uniformemente no intervalo
Para este pro esso, al ule:

(a) A mdia
169
E[X(t)].
(b) A funo de auto orrelao
RX (t1 , t2 ).
KX (t1 , t2 ).
( ) A funo de auto ovarin ia

(d) Este pro esso esta ionrio?
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
10. Em uma linha de produo de resistores de

sistor uma varivel aleatria
1000,
a resistn ia real de ada re-
om distribuio uniforme entre
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%
de tolern ia (resistn ias
Um testador automti o toma um resistor por segundo e
mede sua resistn ia exata (este teste demora 1 segundo). O pro esso esto sti o
N (t)
denota o nmero de resistores om tolern ia de
gundos. A varivel aleatria

resistores om tolern ia de
(a) Cal ule
p,
1%
en ontrados em
se-
o tempo de orrido at en ontrarmos
a probabilidade de um resistor ter tolern ia de
(b) Qual a fmp de

( ) Cal ule
Tr segundos
1%.
1%.
N (t)?
E[T1 ], o
1%.
tempo esperado para en ontrar o primeiro resistor om
tolern ia de
(d) Qual a probabilidade de o primeiro resistor om tolern ia de
1%
ser en-
ontrado em exatamente 5 segundos?

(e)
E[T2 |T1 = 10],
a esperana ondi ional do tempo ne essrio para en ontrar
o segundo resistor om tolern ia de
1%,
dado que o primeiro foi en ontrado
em 10 segundos.
Resp:
(a) 0.2
(b)
pN (t) (n) =
(
t
n
0,
pn (1 p)tn , n = 0, 1, . . . , t
( ) 5
(d)
(0, 8)4 (0, 2) 0, 08192
(e) 15
aso ontrrio
170
11. Para uma sequn ia de variveis aleatrias Gaussianas iid

varin ia unitria, en ontre a fdp onjunta de
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
hora, en ontre a fmp onjunta de
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)
um pro esso movimento Browniano om varin ia
Y (t) = X(t)/
Var[Y (t)] = t.
Mostre que
14. Sejam dois pro essos esto sti os
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.
um pro esso movimento Browniano om varin ia

que
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)
um pro esso esta ionrio no sentido estrito.
(a)
Y (t) = X(t + a)
(b)
Z(t) = X(at), a 6= 0,
tambm um pro esso esto sti o esta ionrio?

tambm um pro esso esto sti o esta ionrio?
Justique suas respostas.
Resp: (a) sim
(b) sim.
16. Considere um pro esso esto sti o
X(t)
denido por
X(t) = U cos t + V sen t,

onde
<t<
so variveis aleatrias independentes, e ada uma assume os valores
-2 e 1 om probabilidades
(a) Cal ule
E[X(t)].
(b) Cal ule
RX (t1 , t2 ).
1/3
2/3,
respe tivamente.
( ) Este pro esso esta ionrio no sentido amplo?

Resp: (a) 0
(b)
171
2 cos(t2 t1 )
( ) sim.
17. Pa ientes hegam a um onsultrio de a ordo om um Pro esso de Poisson de

taxa
= 1/10
pa ientes por minuto. O doutor no ir atender um pa iente at
que pelo menos trs pa ientes estejam na sala de espera.

(a) En ontre o tempo mdio de espera at que o primeiro pa iente seja admitido
pelo doutor.
(b) Qual a probabilidade de que ningum seja atendido na primeira hora?
Resp: (a) 30 minutos (b)
25 e6
18. Considere o pro esso esto sti o

e
X(t) = Y cos(t), t 0, onde uma onstante,

(0, 1).
uma varivel aleatria uniformemente distribuda no intervalo
(a) Cal ule a mdia
E[X(t)].
(b) Cal ule a funo de auto orrelao
RX (t1 , t2 ).
( ) Cal ule a funo de auto ovarin ia
KX (t1 , t2 ).
(d) Este pro esso esta ionrio no sentido amplo? Justique sua resposta.
Resp: (a)
(d) no
1
cos(t)
2
(b)
19. Um pro esso esto sti o
1
cos(t1 ) cos(t2 )
3
v(t)
esta ionrio no sentido amplo
v(t)
( )
1
cos(t1 ) cos(t2 )
12
formado pela soma de um pro esso esto sti o
(t)
om um pro esso determinsti o
s(t) = S0 et .
esta ionrio no sentido amplo? Justique sua resposta.
Resp: no.
20. Seja um pro esso esto sti o
ergdi o, e
v(t) = (t) + ,
onde
(t) um pro esso esto sti o

v(t) ou no esta ionrio no
uma varivel aleatria. Verique se
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 .
22. Considere os seguintes pro essos autorregressivos :
Wn = 2Wn1 + Xn , W0 = 0
1
Zn = Zn1 + Xn , Z0 = 0
2
172

En ontre
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
E[Wn ] = (2n 1)E[X]
E[Zn ] = 2(1 (1/2)n1 )E[X]
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.
A oleo de variveis aleatrias
{Xn , n 0}
um pro esso aleatrio,
onhe ido omo aminhada aleatria simples em uma dimenso

(a) Construa uma sequn ia amostral tpi a de
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.
( ) Comprove o resultado do item b) enumerando todas as sequn ias possveis

que levam ao valor
Resp:
24. Seja
X(n) = 2
depois de 4 passos.
P [X(4) = 2] = 4pq 3
Xn , n 0
1. Mostre que
uma sequn ia de variveis aleatrias iid om mdia 0 e varin ia
{Xn , n 0}
um pro esso esta ionrio no sentido amplo.
Captulo 9
Pro essamento de Sinais Aleatrios

Neste aptulo vamos utilizar os modelos do Captulo 8 para representar sinais eltri os
omo funes amostra de pro essos esto sti os esta ionrios no sentido amplo. Usamos
esta representao para des rever os efeitos de ltros lineares.
Em parti ular vamos
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.
9.1 Sistemas lineares e invariantes no tempo

Antes de entrarmos no es opo da matria, vamos denir alguns on eitos essen iais
ompreenso do assunto:
Denio 9.1. Linearidade:
Um sistema linear se atende ao Teorema da Super-
posio, isto
T [ax1 (t) + bx2 (t)] = aT [x1 (t)] + bT [x2 (t)]

onde
(9.1)
x1 (t) e x2 (t) so sinais de entrada arbitrrios, e a e b so onstantes arbitrrias.
Denio 9.2. Invarin ia no Tempo:
o sistema dito invariante no tempo se para
Denio 9.3. Resposta Impulsiva:
y(t) a resposta entrada x(t),

x(t ) temos y(t ).
Se
A resposta impulsiva
h(t)
ento
de um sistema
linear e invariante no tempo denida por
h(t) = T [(t)]
onde
(t)
uma funo impulso unitrio apli ada no intstante
(9.2)
t = 0.
174

x(t) ento a onvoluo de x(t)
A resposta do sistema para uma entrada arbitrria

om
h(t):
Z
y(t) = h(t) x(t) =
h(s)x(t s) ds =
h(t s)x(s) ds
(9.3)
h[n j]x[j]
(9.4)
para sinais ontnuos no tempo, e
y[n] = h[n] x[n] =
j=
h[j]x[n j] =
j=
para sinais dis retos no tempo.
Denio 9.4. Causalidade:
Um sistema ausal se a resposta no instante
depende apenas de valores de entrada passados, isto , se
h(t) = 0,
t < 0
(9.5)
9.2 Filtragem linear de um pro esso esto sti o

Em muitas apli aes de pro essamento de sinais interessante representar os sinais
omo funes amostra de um pro esso esto sti o. Nestas apli aes, impossvel saber
ante ipadamente qual sinal ir apare er. Entretanto, podemos obter informaes sobre
os modelos probabilsti os destes sinais. Nas apli aes mais frequentes, os pro essos
esto sti os so esta ionrios no sentido amplo, e desta forma as informaes disponveis
onsistem das estatsti as de primeira e segunda ordem, ou seja, a fdp ou fmp
a funo de auto orrelao
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)
Consideremos um ltro linear invariante no tempo om resposta a impulso

a entrada um sinal determinsti o
Esta relao pode tambm ser expressa no domnio da frequn ia em termos da

transformada de Fourier.
Denio 9.5. Transformada de Fourier.
As funes
g(t)
G(f )
so hamadas
de um par de transformadas de Fourier se
G(f ) =
g(t) ej2f t dt
g(t) =
G(f ) ej2f t df
(9.7)
Se um ltro linear tem resposta a impulso

hamada de
h(t),
resposta em frequn ia do ltro.
a transformada de Fourier
A onvoluo entre a entrada
h(t) no domnio do tempo torna-se uma

, se v(t) a entrada de um ltro linear
H(f )
v(t) do
ltro e a sua resposta a impulso
multipli ao
o domnio da frequn ia, isto
invariante no

tempo om resposta a impulso
h(t),
175
a transformada de Fourier da sada do ltro
est rela ionada transformada da entrada,
H(f )
V (f )
W (f ),
e resposta em frequn ia do ltro
por
W (f ) = H(f )V (f )
(9.8)
Se as possveis entradas do ltro so funes amostras de um pro esso esto sti o
X(t),
ento para uma entrada parti ular
y(t, s) =
y(t; s)
a sada ser dada pela onvoluo
Pelo fato de
x(t; s),
h(u)x(t u; s) du
estar asso iada a um resultado
uma funo amostra de um pro esso esto sti o
Y (t).
(9.9)
de um experimento,
y(t; s)
Portanto, o modelo de ltragem
linear ompleto onsiste dos seguintes passos
Realizao do experimento e observao de um resultado
Para o pro esso esto sti o

amostra
x(t; s)
esta ionrio no sentido amplo, usa-se a funo
omo entrada para um ltro linear invariante no tempo om res-
posta a impulso
X(t)
s.
h(t).
Observao da sada
y(t; s)
do ltro.
Denio 9.6. Pro esso de sada de um ltro linear invariante no tempo.

X(t)
h(t),
a
e
entrada de um ltro linear invariante no tempo om resposta a impulso

a sada se todas as entradas do ltro so funes amostra de X(t) e
Y (t)
as sadas so funes amostra de
Y (t). Y (t)
est rela ionado om
X(t)
pela integral
de onvoluo
Y (t) =
h(u)X(t u) du =
h(t u)X(u) du
A notao matemti a da Denio 9.6 indi a que a v.a.
u) X(u) du
uma funo de todas as v.a.'s
uma v.a., tem valor esperado
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,
Isto sugere que medida que
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
Se a entrada de um ltro linear invariante no tempo om resposta a
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
esta ionrio no sentido amplo

por
Y = X
h(t) dt = X H(0)
(9.12)
RY ( ) =
h(u)
h(v)RX ( + u v) dvdu
Demonstrao. Primeiramente, observemos que a mdia de
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),
RY (t, ) = E[Y (t)Y (t + )],
usamos
a Denio 9.6 para es rever
RY (t, ) = E
Z
Como
h(u)X(t u) du
h(u)
h(v)X(t + v) dv
h(v)E[X(t u)X(t + v)]dvdu
X(t) esta ionrio no sentido amplo, E[X(tu)X(t+ v)] = RX ( v +u)
de modo que
RY (t, ) = RY ( ) =
h(u)
h(v)RX ( v + u) dvdu
177
Quando a entrada e a sada de um ltro so determinsti as, a relao no domnio da
W (f ) = H(f )V (f ) avaliada em f = 0 leva a W (0) = H(0)V (0). Para sinais

V (0) e W (0) so onhe idas omo as omponentes DC (frequn ia zero)
de v(t) e w(t).
Por analogia, podemos interpretar a Equao (9.12) no Teorema 9.1 hamando X
e Y de omponentes DC dos pro essos X(t) e Y (t).
frequn ia
determinsti os,
A interpretao da segunda parte do Teorema 9.1 menos direta.

usando o Teorema 9.1 para al ular
RY ( )
a partir de
RX ( )
h(u)
Alm disso,
extremamente
dif il. Neste aso, mais f il trabalhar no domnio da frequn ia.
Exemplo 9.1.
esperado
X(t), um
= 10 volts,
pro esso esto sti o esta ionrio no sentido amplo om valor

a entrada de um ltro linear invariante no tempo. A resposta
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?
Apli ando o Teorema 9.1 temos
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
9.3 Espe tro densidade de potn ia

Assim omo para sinais determinsti os, instrutivo onsiderar a ltragem linear de
pro essos esto sti os no domnio da frequn ia.
Denio 9.7. Espe tro densidade de potn ia.
Para um pro esso esto sti o
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
SX (f ) e RX ( ) serem um par de transformadas de Fourier, se tivermos a
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 )
espe tro densidade de potn ia
2
a) E[X (t)]
= RX (0) =
X(t)
esta ionrio no sentido amplo, o
tem as seguintes propriedades:
SX (f ) df
b)
SX (f ) = SX (f )
= 0 para RX ( )
Demonstrao. A primeira propriedade demonstrada onsiderando

na Denio 9.7.
Para provar a segunda propriedade, observemos que
SX (f ) =
RX ( ) = RX ( )
impli a
RX ( )ej2f d
Fazendo
SX (f ) =
temos
j2f ( )
RX ( )e
(d ) =
RX ( )ej2(f ) d = SX (f )
E[X 2 (t)] omo a potn ia mdia de X(t), a primeira parte do

Teorema 9.2 sugere que SX (f ) uma medida da potn ia por unidade de frequn ia de
X(t). Quando passamos X(t) atravs de um ltro linear h(t), en ontramos o espe tro
densidade de potn ia de Y (t).
Quando interpretamos
Teorema 9.3.
Quando um pro esso
X(t)
esta ionrio no sentido amplo a entrada
de um ltro linear invariante no tempo om resposta em frequn ia
Y (t)
espe tral de potn ia da sada
H(f ), a densidade
SY (f ) = |H(f )|2 SX (f )
(9.14)
Demonstrao. Do Teorema 9.1, podemos es rever
SY (f ) =
Fazendo
Z
= + v u
SY (f ) =
h(u)h(v)RX ( + v u) dudv ej2f d
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 )
um ltro passa faixa
isto
(
1 |f f0 | B/2
H(f ) =
0 aso ontrrio
H(f )
PSfrag repla ements
B
1
Figura 9.1: Filtro passa faixa ideal
f0
f0
H(f )
om frequn ia entral
f0
e largura de banda
Hz.
X(t) atravs do ltro H(f ) teremos

na sada uma forma de onda Y (t) que est na banda de passagem do ltro H(f ). Como
Neste aso, se passamos um pro esso esto sti o
mostrado a ima, o espe tro densidade de potn ia da sada do ltro
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
E[Y 2 (t)] 2BSX (f0 )
(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
SX (f0 ) ara teriza a potn ia por unidade

X(t) nas frequn ias prximas de f0 .
2
Alm disso, E[Y (t)] 0 para qualquer frequn ia f0 e largura de banda B no
nula. No limite para B arbitrariamente pequeno, a aproximao da Equao (9.15)
torna-se uma igualdade. Isto impli a que BSX (f0 ) 0 para todo B no nulo. Segue
ento que SX (f ) 0 para todo f . Embora este argumento no seja uma prova, forne e
do ltro. Desta forma podemos on luir que
de frequn ia de
uma intuio para o seguinte teorema:
Teorema 9.4.
espe tro densidade de potn ia
SX (f )
SX (f ) 0
aproximadamente onstante quando
X(t)
esta ionrio no sentido amplo, o
para todo
pequeno.
f.
180
Exemplo 9.2.
orrelao
Um pro esso esta ionrio
RX ( ) = eb| |
X(t)
(
et/(RC)
h(t) =
0
Assumindo que
b > 0
no sentido amplo om funo de auto-
apli ado a um ltro RC om resposta a impulso
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.
Por onvenin ia, faamos
a = 1/(RC).
Desta forma, a funo de transfe-
rn ia do ltro
H(f ) =
eat ej2f t dt =
1
a + j2f
Portanto
|H(f )|2 = H(f )H (f ) =
1
1
1
= 2
a + j2f a j2f
a + (2f )2
O espe tro densidade de potn ia do sinal de entrada
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
Usando o Teorema 9.3, es revemos
SY (f ) =
2b/(b2 a2 ) 2b/(b2 a2 )
2b
=
[(2f )2 + a2 ][(2f )2 + b2 ]
(2f )2 + a2
(2f )2 + b2
onde a ltima igualdade foi obtida atravs de fraes par iais.

Re onhe endo que para qualquer onstante
c > 0, ec| |
2c/((2f )2 + c2 ) so pares
de transformadas de Fourier, obtemos a expresso para a funo de auto orrelao de
Y (t)
RY ( ) =
b/a a| |
1
e
2
eb| |
2
a
b a2
b2
A potn ia mdia obtida pelo Teorema 9.2
E[Y 2 (t)] = RY (0) =
b/a 1
1
=
2
2
b a
a(b + a)
181
9.4 Correlaes ruzadas

Vimos que qundo passamos um pro esso esto sti o
H(f ),
a sada
Y (t)
X(t)
atravs de um ltro linear
um novo pro esso esto sti o. Para duas v.a.'s
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
X(t1 ), X(t2 ), . . . , X(tn ), Y (t1 ), Y (t2 ), . . . , Y (tk )
n, k, t1 , t2 , . . . , tn
e t1 , t2 , . . . , tk . Tal funo de probabilidade onjunta ontm

informao su iente para responder qualquer questo de engenharia sobre os pro essos
para todo
esto sti os ombinados
X(t)
Y (t).
Entretanto, en ontrar e trabalhar om tal funo
em geral extremamente ustoso e dif il. A ex eo prin ipal o aso de
independentes.
Denio 9.8. Pro essos independentes.
X(t) e Y (t)
t1 , t2 , . . . , tn e
Os pro essos esto sti os
so independentes se para qualquer oleo de amostras de tempo,
pro essos
t1 , t2 , . . . , tm
fX(t1 ),...,X(tn ),Y (t ),...,Y (t ) (x1 , . . . , xn , y1 , . . . , ym )

m
= fX(t1 ),...,X(tn ) (x1 , . . . , xn )fY (t ),...,Y (t ) (y1 , . . . , ym )

1
9.4.1 Funo de orrelao ruzada

Para obter ferramentas teis para analisar um par de pro essos dependentes, lembremos
que a ovarin ia e a orrelao de um par de v.a.'s forne em informaes valiosas sobre
a relao entre as v.a.'s. Portanto, para os pro essos
orrelao e a ovarin ia das v.a.'s
suas variveis temporais
X(t)
Y (t + ).
X(t)
Y (t)
Y (t),
trabalhamos om a
a orrelao das duas variveis uma funo do tempo.
Denio 9.9. Funo de orrelao ruzada.

essos
X(t)
Desde que as v.a.'s dependem das
A orrelao ruzada dos pro-
dada por
RXY (t, ) = E[X(t)Y (t + )]
Denida a orrelao ruzada, vamos agora apresentar dois on eitos importantes

no estudo dos pro essos esto sti os:
182
Denio 9.10. Pro essos des orrela ionados.
Dois pro essos
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
Isto impli a que as v.a.'s
x(t)
y(t + )
so des orrela ionadas para todo
Denio 9.11. Pro essos in oerentes ou ortogonais.

Y (t),
Dois pro essos
X(t)
esta ionrios no sentido amplo, so ditos in oerentes ou ortogonais se
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
Denio 9.12. Pro essos onjuntamente esta ionrios no sentido amplo.

Os pro essos esto sti os
X(t)
Y (t)
so onjuntamente esta ionrios no sentido
amplo se ada um deles esta ionrio no sentido amplo, e a orrelao ruzada

satisfaz
RXY (t, ) = RXY ( )
Propriedades da funo de orrelao ruzada

Vimos anteriormente que a funo de auto orrelao par, ou seja,
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)
so onjuntamente esta ionrios no sentido amplo
ento
RXY ( ) = RY X ( )
Demonstrao. Da Denio 9.9,
RXY ( ) = E[X(t)Y (t+ )].
Fazendo
u = t+ , temos
183
RXY ( ) = E[X(u )Y (u)] = E[Y (u)X(u )] = RY X (u, )

X(t) e Y (t) so onjuntamente
RY X (u, ) = RY X ( )
Desde que
on luir que
Teorema 9.6.
Se
X(t)
Y (t)
esta ionrios no sentido amplo, podemos
ento
|RXY ( )| {RX (0)RY (0)}1/2

Demonstrao. Usando a Desigualdade de Cau hy-S hwarz (Equao (3.34)), segue que
{E[X(t)Y (t + )]}2 E[X 2 (t)]E[Y 2 (t + )]

Rees revendo esta equao em termos da funo de auto orrelao, temos:
[RXY ( )]2 RX (0)RY (0) |RXY ( )|
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
RX (0) 2RXY ( ) + RY (0) 0 RXY ( )
1
[RX (0) + RY (0)]
2
184
Teorema 9.8.
Se
so v.a.'s independentes, ento
RXY ( ) = RY X ( ) = X Y
Demonstrao.
RXY ( ) = E[X(t)Y (t + )]
Como
so independentes, podemos es rever
E[X(t)Y (t + )] = E[X(t)]E[Y (t + )] = X Y
9.4.2 Densidade espe tral ruzada

Quando
X(t) e Y (t) so onjuntamente esta inrios no sentido amplo, podemos estudar
a orrelao ruzada no domnio da frequn ia.
Denio 9.13. Densidade espe tral ruzada.
Para pro essos
X(t)
Y (t)
on-
juntamente esta inrios no sentido amplo, a transformada de Fourier da orrelao

ruzada leva densidade espe tral ruzada
SXY (f ) =
RXY ( )ej2f d
Como a densidade espe tral ruzada a transformada de Fourier da funo de

orrelao ruzada, podemos mostrar o seguinte teorema:
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.
Suponha que estejamos interessados em
185
X(t)
mas s podemos observar
Y (t) = X(t) + N (t)

onde
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).
Para a funo de auto orrelao, temos
RY (t, ) = E[Y (t)Y (t + )]

= E[(X(t) + N (t))(X(t + ) + N (t + ))]
= RX ( ) + RXN (t, ) + RN X (t, ) + RN ( )
X(t) e N (t) so onjuntamente esta ionrios no sentido amplo RXN (t, ) =
RN X (t, ) = RN X ( ). Ento podemos rees rever a equao a ima omo
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.
Continuando o Exemplo 9.3, suponha que
mdia zero, independente de
X(t).
espe tral de potn ia da observao
Soluo.
N (t)
seja um pro esso de
En ontre a funo de auto orrelao e a densidade
Y (t).
Neste aso,
RXN (t, ) = E[X(t)N (t + )] = E[X(t)]E[N (t + )] = 0

Similarmente,
RN X (t, ) = 0.
Isto impli a
RY ( ) = RX ( ) + RN ( )
SY (f ) = SX (f ) + SN (f )
186
9.4.3 Filtragem de pro essos esto sti os

A funo de auto orrelao e a densidade espe tral de potn ia so parti ularmente teis
na ara terizao da entrada e sada de um ltro linear invariante no tempo. Quando
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),
a orrelao ruzada entre entrada e
sada dada por
RXY (t, ) = RXY ( ) =
Demonstrao. Da Denio 9.6,
Y (t + ) =
h(u)RX ( u) du
h(u)X(t + u) du.
Isto impli a que
a orrelao ruzada entre a entrada e a sada do ltro
RXY (t, ) = E X(t)

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)
de um ltro linear invariante no tempo um pro esso
esta ionrio no sentido amplo, o Teorema 9.1 diz que a sada
Y (t) tambm um pro esso

RXY (t, )
esta ionrio no sentido amplo, e o Teorema 9.10 diz que a orrelao ruzada
depende somente de
Teorema 9.11.
Estes dois resultados impli am no seguinte teorema.
Quando um pro esso
X(t)
esta ionrio no sentido amplo a en-
trada de um ltro linear invariante no tempo, a entrada
X(t)
e a sada
Y (t)
so
onjuntamente esta ionrias no sentido amplo.
No Teorema 9.10 vimos que a orrelao ruzada entre a entrada e a sada dada
RX ( )
RXY ( )
pela onvoluo entre a funo de auto orrelao

impulso
quando
h(t) do ltro. Ento

RX ( ) a entrada.
podemos pensar em
da entrada e a resposta a
omo a sada do ltro
h(t)
No exemplo a seguir veremos que al ular a orrelao
ruzada antravs de onvolues tende a ser um pro esso ompli ado.
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
en ontre a orrelao ruzada
RXY ( )
entre a entrada e a
sada.
Soluo.
Seja
a = 1/(RC).
RXY ( ) =
Do Teorema 9.10, a orrelao ruzada
Para
0,
h(u)RX ( u) du =
eau eb| u| du
esta integral pode ser es rita omo
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
Uma expresso ompleta para a orrelao ruzada entre a entrada e a sada
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 ( )
pode ser expressa em termos da orrelao ruzada
RXY ( )
Teorema 9.12. Quando um pro esso X(t) esta ionrio no sentido amplo a entrada
de um ltro linear
h(t) invariante no tempo, a funo de auto orrelao
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
na integral a ima ompleta a prova.
188
O Teorema 9.12 diz que ao passarmos o sinal determinsti o

ltro linear invariante no tempo
h(t)
RXY ( )
atravs de um
obtemos a funo de auto orrelao
RY ( ).
h(t) pode tambm ser repreH (f ). No domnio da frequn ia, os
Observemos que um ltro om resposta a impulso

sentado omo um ltro de resposta em frequn ia
Teoremas 9.10 e 9.12 tm as seguintes onsequn ias
Teorema 9.13.
Seja
X(t)
linear invariante no tempo
uma entrada esta ionria no sentido amplo para um ltro
H(f ).
A entrada
X(t)
Y (t)
satisfazem
SY (f ) = H (f )SXY (f )
SXY (f ) = H(f )SX (f )
As relaes entre
e a sada
RX ( ), RXY ( ) e RY ( ), bem omo entre SX (f ), SXY (f ) e SY (f )
so mostradas na Figura 9.2.
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.
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.
9.5 Pro essos gaussianos

Um pro esso gaussiano tem a propriedade de que toda oleo de valores de amostras des rita pela fdp Gaussiana multidimensional. Isto , uma oleo de amostras
X(t1 ), X(t2 ), . . . , X(tk ), tem uma

X (t2 ), . . . , X (tk )]t e uma matriz
fdp onjunta des rita por um vetor
C ujo i, j -simo elemento
X = [X (t1 ),
Ci,j = CX (ti , tj ti ) = RX (ti , tj ti ) X (ti )X (tj )

a ovarin ia entre
mdios
X ,
X(ti ) e X(tj ).
a matriz de ovarin ia
Gaussiana multidimensional.
x = [x1 , . . . , xk ]t , o vetor de valores

determinante |C|, podemos denir a fdp
Usando o vetor
e seu
189
Denio 9.14. Pro esso Gaussiano:

se a fdp onjunta de
X(t1 ), . . . , X(tk )
fX(t1 )X(tk ) (x1 , . . . , xk ) =
X(t)
um pro esso esto sti o Gaussiano
tem densidade Gaussiana multidimensional
(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
Por exemplo, quando
CX (t1 , 0) = Var(X(t1 )) = 12 ., o vetor X
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 )
apresentam distribuio Gaussiana bidi-
mensional
fX(t1 )X(t2 ) (x1 , x2 ) =

onde
X(t1 )
X(t2 )
"
exp
x1 1
1
21 2
tm oe iente de orrelao
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
Um ltimo aso importante para a fdp Gaussiana onjunta o orre quando
X(tk )
so mutuamente independentes. Neste aso, o elemento
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
C uma matriz diagonal.
elemento da diagonal dado por
C1 tambm diagonal, om
= 1/ Var[X(ti )]. Usando i e i2 para
Neste aso,
Cii1
X(ti ), observamos que o vetor de valores mdios

t
[1 , . . . , k ] e que o expoente da distribuio Gaussiana onjunta
denotar a mdia e a varin ia de
X =
1
1
(x X )t C1 (x X ) =
2
2
(x1 1 )2
(xk k )2
+
+
12
k2
Neste aso, a fdp onjunta torna-se
e(x1 1 ) /(21 )
e(xk k ) /(2k )
p
q
fX(t1 ), ,X(tk ) (x1 , . . . , xk ) =
212
2 2
k
= fX(t1 ) (x1 ) fX(tk ) (xk )
190
Um fato importante a ser observado da distribuio Gaussiana multidimensional
X(t1 ) , . . . , X(tk )
geral que a fdp ompletamente espe i ada pelas mdias

ovarin ias
CX (ti , tj ti ).
e as
Ou seja, um pro esso esto sti o Gaussiano ompletamente
espe i ado pelas estatsti as de primeira e segunda ordens (X(t) e
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
ompletamente espe i ada pela mdia
Teorema 9.14.
ento
X(t)
Se
X(t)
e a funo de auto orrelao
RX ( ).
um pro esso Gaussiano esta ionrio no sentido amplo,
um pro esso Gaussiano esta ionrio no sentido estrito.
Demonstrao. Sejam e
[X(t1 ), . . . , X(tk )]t . Sejam
ado no tempo
C o vetor mdia e a matriz de ovarin ia do vetor aleatrio
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
Cij = CX (ti , tj ) = CX (tj ti ) = CX (tj + T (ti + T )) = CX (ti + T, tj + T ) = Cij

Ento,
C = C ,
o que impli a em
fX(t1 ), ,X(tk ) (x1 , . . . , xk ) = fX(t1 +T ), ,X(tk +T ) (x1 , . . . , xk )

Portanto
X(t)
um pro esso esta ionrio no sentido estrito.
A Denio 9.14 bastante dif il de usar na prti a. Uma denio equivalente de

um pro esso Gaussiano refere-se a uma v.a. que um
esto sti o
X(t).
Espe i amente, se integramos
sobre um intervalo
(0, T ),
fun ional linear de um pro esso
X(t)
ponderada por uma funo
g(t)
obtemos a v.a.
Y =
g(t)X(t) dt
Teorema 9.15.
X(t)
um pro esso esto sti o Gaussiano se
uma v.a. Gaussiana para todo
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
Passando um pro esso
h(t),
191
X(t)
esta ionrio Gaussiano atravs de um
gera-se na sada um pro esso esto sti o Gaussiano
Y (t)
om mdia
e funo de auto orrelao dados pelo Teorema 9.1.
Demonstrao. A sada
Y (t)
dada pela integral de onvoluo
Y (t) =
h(t )X( ) d
Y (t) um pro esso Gaussiano, mostramos que um fun ional linear

Gaussiano pois um fun ional linear de X(t), isto ,
Para mostrar que

de
Y (t)
sempre
Y (t)g(t) dt =
h(t )X( ) d g(t) dt =
No lado direito temos um fun ional linear de
X( )
Z
h(t )g(t) dt d
X(t) o qual uma v.a. Gaussiana.

Y (t) uma v.a. Gaussiana, o que
Desta forma mostramos que um fun ional linear de

impli a que
Y (t)
um pro esso esto sti o Gaussiano.
9.6 Pro esso rudo bran o gaussiano

Em engenharia eltri a omum o estudo de rudo: rudo trmi o em resistores, rudo
em sistemas de omuni aes, et .
O rudo uma forma de onda imprevisvel que
normalmente modelado por um pro esso esto sti o Gaussiano esta ionrio
W (t).
rudo no tem omponente DC, de modo que
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
que para qualquer oleo de instantes de tempo distintos

um onjunto de v.a.'s independentes.
Neste aso, o valor do rudo no instante
no diz nada sobre o valor do mesmo no instante

independn ia que para
6= 0,
RW ( ) = E[W (t)W (t + )] = E[W (t)]E[W (t + )] = 0

Para ompletar nosso modelo de
W (t),
temos que en ontrar
vamos onsiderar a funo densidade espe tral de potn ia
SW (f ) =
SW (f )
RW (0).
Para isto,
da Denio 9.7
RW ( )ej2f d
Com
RW ( ) = 0
para
onstante igual a zero a
6= 0, SW (f ) uma onstante para todo f . Ainda, a

menos que RW ( ) = ( ). Portanto, N0 a potn ia por
unidade de largura de banda do pro esso esto sti o Gaussiano bran o.
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
E[W (t)] = RW (0) =
SW (f ) df =
N0
df =
2
Isto , o rudo bran o tem potn ia innita, o que si amente impossvel.
modelo til quando se imagina que um modelo de rudo na entrada de um sistema

fsi o. Todo sinal de rudo Gaussiano observado na prti a pode ser visto omo um sinal
de rudo bran o Gaussiano ltrado. Passando um pro esso rudo bran o atravs de um
ltro
h(t)
geramos um pro esso de rudo
Y (t) =
Ao ontrrio do pro esso bran o
h(t )W ( ) d
W (t), o pro esso de rudo Y (t) tem potn ia mdia
nita.
Exemplo 9.6.
Um pro esso Gaussiano bran o om
N0 = 1015
W/Hz inserido em
um ltro linear invariante no tempo om resposta a impulso
(
6
2106 e210 t
h(t) =
0
t0
aso ontrrio
En ontre as seguintes propriedades do pro esso de sada

(a) A funo densidade espe tral de potn ia
(b) A funo de auto orrelao
( ) A potn ia mdia
Soluo.
Y (t).
SY (f ).
RY ( ).
E[Y 2 (t)].
Resolvemos este problema usando o Teorema 9.3. A funo densidade espe -
tral de potn ia da entrada
SX (f ) = 1015 /2
W/Hz para todo
f.
A magnitude ao quadrado da resposta em frequn ia do ltro dada por
|H(f )|2 =
(2106 )2
(2f )2 + (2106 )2
Portanto, a funo densidade espe tral de potn ia da sada dada por
SY (f ) = |H(f )|2 SX (f ) =
(2106 )2
2(2106 )
109
1015
=
2 (2f )2 + (2106 )2
2
(2f )2 + (2106 )2
A transformada inversa de Fourier de
2(2106 )
(2f )2 + (2106 )2
dada por
e210
6 | |
impli a que
RY ( ) =
109 2106 | |
e
2
A potn ia mdia no pro esso de sada , portanto,
RY (0) = /2 109
W.
. Isto
193
9.7 Exer ios

1. Mostre que se o espe tro densidade de potn ia de um pro esso esto sti o
limitado em banda a
= n/(2B),
Hz, e se as amostras do sinal so des orrela ionadas em
para todos os valores integrais de
n,
ento o pro esso pre isa ter um
espe tro densidade de potn ia om distribuio uniforme sobre a banda
(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:
y(t). Na transmisso, devido ao rudo de anal, n(t), hegam ao

x(t) + n(t) e y(t) + n(t). Explique omo podemos de idir qual
re ebido, se o re eptor onhe e as formas de onda de x(t) e y(t).
e
re eptor os sinais
sinal foi
Y (t)
rela ionado ao pro esso esto sti o
X(t)
por
Y (t) = X(t) cos(0 t + )

onde
uma varivel aleatria independente uniformemente distribuda sobre o
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.
Di a : se dois pro essos esto sti os
x(t)
y(t)
so independentes, ento
x(t)g(t)x(t + )g(t + ) = x(t)x(t + ) g(t)g(t + ) = RX ( )Rg ( )

4. Dois pro essos esto sti os so dados por
x(t) = A cos(1 t + )
y(t) = B cos(2 t + )
A, B , 1 e 2 so onstantes. As fases ini iais e esto rela ionadas

= 2 e a varivel aleatria uniformemente distribuda sobre o
intervalo (0, 2). Mostre que a funo de orrelao ruzada e o espe tro densidade
onde
pela equao
de potn ia ruzada dos dois pro essos so zero.

5. Sejam os pro essos esto sti os
x(t) = A cos(0 t + )
onde
A, B
so onstantes e
buda no intervalo
(0, 2).
y(t) = B cos(n0 t + n)
uma varivel aleatria uniformemente distri-
Mostre que os dois pro essos so in oerentes.
194
6. Seja
h(t)
um ltro passa baixas om resposta a impulso
(
et
h(t) =
0
A entrada do ltro
esperado
X = 2
X(t),
E[Y (t)] = 2
7. Seja um pro esso
aso ontrrio
um pro esso esta ionrio no sentido amplo om valor
e funo de auto orrelao
funo de auto orrelao do pro esso
Resp:
t0
X(t)
RY ( ) =
Y (t)
RX ( ) = ( ).
Cal ule a mdia e a
na sada deste ltro.
1 | |
e
2
esta ionrio no sentido amplo e de mdia zero om funo
de auto orrelao dada por
RX ( ) = ( ).
Se passarmos este sinal por um ltro
linear invariante no tempo om resposta a impulso
(
e2t
h(t) =
0
t0
aso ontrrio
qual ser a densidade espe tral de potn ia da sada
Resp:
SY (f ) =
8. O pro esso
Y (t)?
1
4 + 4 2 f 2
X(t)
esta ionrio no sentido amplo a entrada de um ltro tapped
delay line
H(f ) = a1 ej2f t1 + a2 ej2f t2

En ontre a densidade espe tral ruzada
SXY (f )
e a orrelao ruzada
RXY ( ).
Resp:
SXY (f ) = a1 ej2ft1 SX (f ) + a2 ej2ft2 SX (f )

RXY ( ) = a1 RX ( t1 ) + a2 RX ( t2 )
9.
X(t)
um pro esso esto sti o Gaussiano de mdia zero om funo de auto or-
relao
Resp:
RX ( ) = 2| | .
Qual a fdp onjunta de
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) =
10. Um pro esso rudo bran o Gaussiano
W/Hz passado atravs de um
Cal ule a funo de auto orrelao
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),
esta ionrio no sentido amplo, om funo de au-
to orrelao
RX ( ) = ea| |
onde
uma onstante positiva real, apli ado entrada de um sistema linear
invariante no tempo om resposta a impulso
h(t) = ebt u(t)

b uma onstante real positiva. En ontre
Y (t) do sistema.
h
i
1
b| |
a| |
ae
b
e
Resp: RY ( ) =
(a2 b2 )b
onde
a funo de auto orrelao da
sada
14. Seja um pro esso rudo bran o ujas omponentes de frequn ia so limitadas
faixa
W f W .
Determine:
(a) O espe tro densidade de potn ia.

(b) A funo de auto orrelao.
( ) A potn ia mdia do pro esso.
Resp:
196
(a)
(b)
( )
N0 , |f | W
SX (f ) =
2
0,
aso ontrrio
RX ( ) = N0 W sinc(2W )
P = N0 W
X(t)
15. Dois pro essos esto sti os
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.
(a) En ontre a orrelao ruzada entre

(b) Mostre que
om distribuio uniforme sobre o
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.
Y (n) = X(n) + W (n), onde X(n) = A (para todo n) e A uma v.a. om

2
mdia zero e varin ia A , e W (n) um rudo bran o dis reto de potn ia mdia
2
. Assuma tambm que X(n) e Y (n) so independentes.
17. Seja
(a) Mostre que
Y (n)
(b) En ontre o espe tro densidade de potn ia de
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
Y (t) = AX(t) cos(c t + )

A e c so onstantes, uma v.a. om distribuio uniforme no intervalo
(, ), e X(t) um pro esso esto sti o de mdia zero, funo de auto orrelao
RX ( ), e espe tro densidade de potn ia SX (). Ainda, X(t) e so independentes. Mostre que Y (t) esta ionrio no sentido amplo e en ontre o espe tro
densidade de potn ia de Y (t).
onde
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
(a) Determine a resposta em frequ n ia (amplitude) de um ltro para que a

sada seja um rudo bran o, ou seja,
S () = S0 .
(b) Idem para um pro esso de entrada om

( ) Idem para um pro esso de entrada om
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
20. Na entrada do ir uito mostrado na Figura abaixo tem-se um rudo bran o om
S0 = 120V2 /Hz.
Dados
R1 = R2 = 104
L = 102 H ,
al ule o espe tro
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
Di a: a funo de transfer n ia deste ltro dada por
H() =
Resp:
21. Seja
R2
U2 ()
=
=
,
U1 ()
R1 + R2 + jL
1 + jT
SY () =
S0 2
1 + (T )2
Y (t) = X(t d),
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
X(t) um pro esso estaRY X ( ), SY X (f ), RY ( ) e SY (f ), em funo
um atraso onstante e
ionrio no sentido amplo. Cal ule

de
SX (f ).
Resp:
RY X ( ) = RX ( d)
RY ( ) = RX ( )
22. Seja
X(t)
SY X (f ) = SX (f ) cos(2f d) jSX (f ) sen(2f d)

SY (f ) = SX (f )
um pro esso esto sti o diferen ivel, esta ionrio no sentido amplo.
Seja tambm
198
Y (t) =
En ontre uma expresso para
Di a: Para este sistema:

Resp:
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 + )
uma varivel aleatria om distribuio uniforme
(0, 2).
(a) En ontre a funo de orrelao ruzada entre

(b) Mostre que
Resp: RXY
SX (f )
H(f ) = j2f .
23. Dois pro essos esto sti os
onde
d
X(t)
dt
( ) =
RXY ( ) = RY X ( )
X(t)
Y (t).
A2
sen( )
2
a
24. Em relao ao espe tro densidade de pot n ia

(a) Mostre que
SX ()
real.
(b) Mostre que
SX ()
par.
Di a: use a identidade de Euler:

pares e mpares.
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.
10.1 Pro essos de Markov

Denio 10.1. Um pro esso aleatrio X(t) um pro esso de Markov se o futuro,
dado o presente, independente do passado, isto , para instantes arbitrrios
t1 <
t2 < < tn < tn+1 ,

P [X(tn+1 ) = xn+1 |X(tn ) = xn , X(tn1 ) = xn1 , . . . , X(t1 ) = x1 ] =
P [X(tn+1 ) = xn+1 |X(tn ) = xn ]
se
X(t)
assume valores dis retos, e
P [a < X(tn+1 ) b|X(tn ) = xn , X(tn1 ) = xn1 , . . . , X(t1 ) = x1 ]
= P [a < X(tn+1 ) b|X(tn ) = xn ]
se
X(t)
(10.1)
(10.2)
assume valores ontnuos.
Se as amostras de
X(t)
so onjuntamente ontnuas, ento a equao (10.2) equi-
valente a
fX(tn+1 ) (xn+1 |X(tn ) = xn , . . . , X(t1 ) = x1 ) = fX(tn+1 ) (xn+1 |X(tn ) = xn )

Chamaremos as equaes (10.1), (10.2) e (10.3) omo a
Nas expresses a ima
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.
estado do pro esso no instante t.
X(t)
no
Verique se o pro esso de soma
Sn = X1 + X2 + + Xn = Sn1 + Xn
onde os
Xi 's
so uma sequn ia de variveis aleatrias independentes e identi amente
distribudas e onde
Soluo.
Sn
S0 = 0,
um pro esso de Markov.
um pro esso de Markov, pois
P [Sn+1 = sn+1 |Sn = sn , Sn1 = sn1 , . . . , S1 = s1 ] = P [Xn+1 = Sn+1 Sn ]

= P [Sn+1 = sn+1 |Sn = sn ]
Exemplo 10.2.
Considere mdia mvel de uma sequn ia de Bernoulli
1
Yn = (Xn + Xn1 )
2
onde os
Xi
so sequn ias independentes de Bernoulli, om
p = 1/2.
Verique se
Yn
ou no um pro esso de Markov.
Soluo.
A fmp de
Yn
P [Yn = 0] =P [Xn = 0, Xn1 = 0] =
1
4
P [Yn = 1/2] =P [Xn = 0, Xn1 = 1] + P [Xn = 1, Xn1 = 0] =

P [Yn = 1] =P [Xn = 1, Xn1 = 1] =
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
P [Yn = 1|Yn1 = 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
Um pro esso de Markov que assume somente valores inteiros
Cadeia de Markov.
No restante deste aptulo iremos nos ater s Cadeias de Markov.

Se
X(t) uma adeia de Markov, ento a fmp onjunta para trs instantes de tempo
arbitrrios
P [X(t3 ) = x3 , X(t2 ) = x2 , X(t1 ) = x1 ] =

= P [X(t3 ) = x3 |X(t2 ) = x2 , X(t1 ) = x1 ]P [X(t2 ) = x2 , X(t1 ) = x1 ]
= P [X(t3 ) = x3 |X(t2 ) = x2 ]P [X(t2 ) = x2 , X(t1 ) = x1 ]
(10.4)
= P [X(t3 ) = x3 |X(t2 ) = x2 ]P [X(t2 ) = x2 |X(t1 ) = x1 ]P [X(t1 ) = x1 ]
onde usamos a denio de probabilidade ondi ional e a propriedade de Markov. Em

geral, a fmp onjunta para
n+1
instantes de tempo arbitrrios
P [X(tn+1 ) = xn+1 , X(tn ) = xn , . . . , X(t1 ) = x1 ]

= P [X(tn+1 ) = xn+1 |X(tn ) = xn ]P [X(tn ) = xn |X(tn1 ) = xn1 ] P [X(t1 ) = x1 ]
(10.5)
Desta forma a fmp onjunta de
X(t)
em instantes de tempo arbitrrios dada pelo
produto da fmp do instante de tempo ini ial e as probabilidades para as transies de

estado subsequentes. Evidentemente, as probabilidades de transio de estado determinam o omportamento estatsti o de uma adeia de Markov.
202
Cadeias de Markov
10.2 Cadeias de Markov de Tempo dis reto

Seja
Xn
uma adeia de Markov de tempo dis reto, que omea em
n = 0 om a seguinte
fmp
pj (0) = P [X0 = j], j = 0, 1, 2, . . .

Da equao (10.3) a fmp onjunta para os primeiros
(10.6)
n + 1 valores do pro esso dada
por
P [Xn = in , Xn1 = in1 , . . . , X0 = i0 ] =

P [Xn = in |Xn1 = in1 ]P [Xn1 = in1 |Xn2 = in2 ]
P [X1 = i1 |X0 = i0 ]P [X0 = i0 ]
(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.
Denio 10.3. Probabilidades de transio homogneas:

kov
Xn
Uma adeia de Mar-
tem probabilidades de transio homogneas se as probabilidades de transio
para um passo so xas e no variam om o tempo, isto
P [Xn+1 = j|Xn = i] = pij , n

A fmp onjunta para
Xn , Xn1 , . . . , X0
(10.8)
ento dada por
P [Xn = in , Xn1 = in1 , . . . , X0 = i0 ] = pin1 ,in . . . pi0 ,i1 pi0 (0)

Desta forma
Xn
ompletamente espe i ado pela fmp ini ial
de probabilidades de transio de um passo
p00
p01
p02
p10
p
p12
11
.
.
.
.
.
.
.
.
.
P =
pi1,0 pi1,1 pi1,2
pi,0
pi,1
pi,2
A matriz
.
.
.
matriz de probabilidade de transio.
hamada de
soma de ada linha de
.
.
.
e pela matriz
.
.
.
pi (0)
(10.9)
(10.10)
Note que a
deve ser igual a 1
1=
X
j
P [Xn+1 = j|Xn = i] =
X
j
pij
(10.11)
Cadeias de Markov
Exemplo 10.3.
203
Um modelo de Markov para transmisso de voz por pa otes assume
n-simo pa ote ontm siln io, a probabilidade de siln io no prximo pa ote

(1 ) e a probabilidade do pa ote onter voz .
Similarmente, se o n-simo pa ote ontiver atividades de voz, a probabilidade do
prximo pa ote onter voz (1 ), e a probabilidade de siln io . Esbo e uma
que se o
adeia de Markov para este problema.
Soluo.
Xn a funo que indi a a atividade voz em um determinado pa ote

n, ento Xn uma adeia de Markov de 2 estados e matriz de probabilidade
Supondo
no instante
de transio omo mostrado abaixo.
P =
10.2.1 Probabilidade de transio para n passos

Para avaliar a fmp onjunta em instantes de tempo arbitrrios (veja equao 10.5), pre isamos onhe er as probabilidades de transio para um nmero arbitrrio de passos.
Seja
P (n) = {pij (n)}
a matriz de probabilidades de transio para
pij (n) = P [Xn+k = j|Xk = i],

Note que
passos, onde
n, i, j 0
P [Xn+k = j|Xk = i] = P [Xn = j|X0 = i]
probabilidades de transio no dependem do tempo.
(10.12)
n 0, k 0,
desde que as
Consideremos primeiramente as probabilidades de transio para dois passos. A probabilidade de ir do estado

no estado
em
t=2
em
t = 0,
passando pelo estado
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]
= P [X2 = j|X1 = k]P [X1 = k|X0 = i]

= pik (1)pkj (1)
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) =
pik (1)pkj (1)
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)
obtida pela multipli ao das matrizes de transio de um passo
P (2) = P (1)P (1) = P 2
(10.14a)
Atravs dos mesmos argumentos utilizados a ima, veri a-se que

multipli ando-se
P (n 1)
por
P (n)
en ontrada
P
P (n) = P (n 1)P
(10.14b)
As equaes (10.14a) e (10.14b) juntas impli am que
P (n) = P n
isto , a
n-sima
(10.15)
matriz de probabilidades de transio a
n-sima
potn ia da matriz
de probabilidades de transio de um passo.
10.2.2 Probabilidades dos estados

Consideremos agora as probabilidades dos estados no instante
n.
o vetor (linha) de
A probabilidade
rela iona-se a
probabilidades de estados no instante n.
p(n 1)
Seja
p(n) = pj (n)
pj (n)
atravs da expresso
pj (n) =
P [Xn = j|Xn1 = i]P [Xn1 = i]
X
i
A equao (10.16) arma que

pela matriz
(10.16)
pij pi (n 1)
p(n) obtida pela multipli ao do vetor linha p(n1)
P
p(n) = p(n 1)P
Similarmente,
pj (n)
est rela ionada a
pj (n) =
p(0)
(10.17)
por
P [Xn = j|X0 = i]P [X0 = i]
(10.18)
pij (n)pi (0)
e em notao matri ial
p(n) = p(0)P (n) = p(0)P n
n = 1, 2, . . .
(10.19)
Cadeias de Markov
205
n
Ento a fmp de um estado no instante

ini ial por
obtida multipli ando-se a fmp do estado
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
Existe uma lara tendn ia aqui: medida que
Pn
2/3 1/3
2/3 1/3
n ,

De fato, podemos mostrar om um pou o de lgebra linear que
1
P =
+
n
(1 )n
+
+
que laramente aproxima
1
+
Exemplo 10.5.
2/3 1/3
2/3 1/3
No exemplo 10.4 sejam as probabilidades ini iais para os estados dadas
por
P [X0 = 0] = p0 (0)
P [X0 = 1] = 1 p0 (0)
En ontre as probabilidades dos estados medida que
Soluo.
n .
O vetor de probabilidades de estados no instante
medida que
n ,
p(n) = [p0 (0), 1 p0 (0)]P n

temos que
p(n) = [p0 (0), 1 p0 (0)]
2/3 1/3
2/3 1/3
2 1
,
=
3 3
Podemos ver que as probabilidades dos estados no dependem das probabilidades

do estado ini ial, medida que
n .
206
Cadeias de Markov
10.2.3 Probabilidades em regime

O exemplo 10.5 tpi o de adeias de Markov que entram em regime esta ionrio depois
que o pro esso est em vigor durante um longo tempo. medida que
de transio de
n ,
a matriz
passos aproxima-se de uma matriz para a qual todas as linhas so
iguais mesma fmp, isto
pij (n) j , i
medida que
n ,
(10.20)
a equao (10.18) torna-se
pj (n)
j pi (0) = j
(10.21)
Denio 10.4. Sistema em equilbrio ou regime permanente.
Uma adeia
de Markov est em equilbrio ou regime permanente quando, medida que

a probabilidade do estado
n ,
aproxima-se de uma onstante independente do tempo e
das probabilidades do estado ini ial:
pj (n) j , j
= {j } (onde 12 um vetor linha) na equao (10.22)

que medida que n , pj (n) j e pi (n 1) i , de
Podemos en ontrar a fmp

(quando existir) notando
(10.22)
modo que a equao (10.16) aproxima
j =
pij i
(10.23a)
que em notao matri ial a
= P
(n 1)
Em geral, a equao (10.23b) tem
(10.23b)
equaes linearmente independentes.
equao adi ional ne essria dada por
i = 1
(10.23 )
Nos referimos a
omo a
fmp de regime permanente da adeia de Markov.
ini iamos a adeia de Markov om fmp de estado ini ial
Se
p(0) = , ento pelas equaes
(10.19) e (10.23b) temos que o vetor de probabilidades de estados dado por
p(n) = P n = ,
(10.24)
O pro esso resultante esta ionrio, desde que a probabilidade da sequn ia de

estados
i0 , i1 , . . . , in
ini iando no instante
, pela equao (10.7)
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)
Ento as probabilidades so independentes
da es olha da origem dos tempos, e o pro esso esta ionrio.
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.
En ontre a fmp esta ionria de estados para o pro esso do exemplo
10.3
Soluo.
A equao (10.23a) forne e
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
10.3 Cadeias de Markov em tempo ontnuo

Na seo 10.2 vimos que a matriz de probabilidades de transio determina o omportamento de uma adeia de Markov de tempo dis reto.
Nesta seo iremos ver que o
mesmo a onte e om adeias de Markov de tempo ontnuo.

A fmp onjunta para
(k+1) instantes de tempo arbitrrios de uma adeia de Markov
dada pela equao (10.5)
P [X(tn+1 ) = xn+1 , X(tn ) = xn , . . . , X(t1 ) = x1 ]

= P [X(tn+1 ) = xn+1 |X(tn ) = xn ] P [X(t2 ) = x2 |X(t1 ) = x1 ]P [X(t1 ) = x1 ]
(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
Assumimos aqui que as probabilidades de transio dependem somente da diferena

entre os dois instantes de tempo:
P [X(s + t) = j|X(s) = i] = P [X(t) = j|X(0) = i] = pij (t),

Dizemos que
X(t)
Teorema 10.1.
tem
Seja
t 0, s
(10.27)
probabilidades de transio homogneas.
P (t) = {pij (t)} a matriz de probabilidades de transio em

t. Desde que pii (0) = 1 e pij (0) = 0 para i 6= j , temos
um
intervalo de omprimento
P (0) = I
onde
(10.28)
I a matriz identidade.
Exemplo 10.7.
Para o pro esso de Poisson, as probabilidades de transio satisfazem
pij (t) = P [j i
eventos em
segundos]
= p0,ji (t)
(t)ji t
e ,
(j i)!
ji
Portanto
P =
medida que
et tet (t)2 et /2! (t)3 et /3! . . .

0
et
tet
(t)2 et /2! . . .
t
0
0
e
tet
...
.
.
.
.
.
.
.
.
.
t 0, et 1 t.
onde todos os termos de ordem
.
.
.
.
.
.
Ento para um intervalo de tempo pequeno
0
...
0
1
...
0
0
1 . . .
.
.
.
.
.
.
.
.
.
.
.
.
ou superior foram negligen iados. Ento a probabili-
dade de mais de uma transio em um intervalo de tempo bastante urto desprezvel.
Exemplo 10.8.
Para um pro esso telegr o aleatrio,
X(t) muda om ada o orrn ia
de um evento em um pro esso de Poisson. Vimos na seo 8.7 que as probabilidades de

transio para este pro esso so
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
Ento a matriz de probabilidade de transio
P (t) =
1/2{1 + e2t } 1/2{1 e2t }

1/2{1 e2t } 1/2{1 + e2t }
10.3.1 Tempos de o upao de estados

Desde que o sinal telegr o aleatrio muda de polaridade om ada o orrn ia de um
evento em um pro esso de Poisson, segue que o tempo em que o sistema permane e em
ada estado uma varivel aleatria exponen ial. Desta forma esta uma propriedade
do
tempo de o upao de estados
ontnuo, isto :
X(t)
para todas as adeias de Markov de tempo
permane e em um dado valor (estado) para um intervalo de
tempo aleatrio exponen ialmente distribudo.

Para ver omo isto a onte e, seja
gastar mais de
Ti
o tempo gasto no estado
i.
A probabilidade de
segundos neste estado ento
P [Ti > t]
Suponha agora que o pro esso j tenha estado no estado
probabilidade de gastar mais
por
segundos; ento a
segundos neste estado
P [Ti > t + s|Ti > s] = P [Ti > t + s|X(s ) = i, 0 s s],

{Ti > s} impli a que o sistema tem estado no estado i durante o intervalo
(0, s). A propriedade de Markov impli a que se X(s) = i, ento o passado
irrelevante e podemos ver o sistema omo sendo reini iado no estado i no instante s:
desde que
de tempo
P [Ti > t + s|Ti > s] = P [Ti > t]
(10.29)
Somente a varivel aleatria exponen ial satisfaz esta propriedade de ser sem memria. Ento o tempo gasto no estado
mdia
uma varivel aleatria exponen ial om alguma
1/vi :
P [Ti > t] = evi t
tempo mdio de o upao de estado 1/vi
(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
al anado, sele iona-se um tempo
exponen ialmente distribudo. Quando o tempo se esgota, o
sele ionado de a ordo om uma adeia de Markov de tempo dis reto,
om probabilidades de transio
sele ionado de a ordo om
Markov embutida.
Tj ,
qij .
Ento o novo tempo de o upao de estado
e assim por diante. Chamamos
qij
de uma
adeia de
210
Cadeias de Markov
Exemplo 10.9.
O sinal telegr o aleatrio do exemplo 10.8 gasta um tempo exponen-
ialmente distribudo om mdia
1/
em ada estado. Quando uma transio o orre, a
transio sempre do estado presente para um ni o outro estado, ento a adeia de

Markov embutida
q00 = 0
q10 = 1
q01 = 1
q11 = 0
10.3.2 Taxas de transio e probabilidades de estados dependentes de

tempo
Considere as probabilidades de transio em um intervalo de tempo bastante urto de
durao
segundos. A probabilidade de o pro esso permane er no estado
durante o
intervalo
P [Ti > ] = evi

vi vi2 2
+

1!
2!
= 1 vi + o()
=1
o() denota os termos que se tornam desprezveis em relao a medida que

01 . As distribuies exponen iais para os tempos de o upao de estados impli am
que a probabilidade de duas ou mais transies em um intervalo de durao o().
Ento para pequeno, pii () aproximadamente igual probabilidade de o pro esso
permane er no estado i por segundos:
onde
pii () P [Ti > ] = 1 vi + o()

ou equivalentemente,
1 pii () = vi o()
Chamamos
vi
a taxa na qual o pro esso
Uma vez que o pro esso deixa o estado
qij .
X(t)
i, ele
(10.31)
deixa o estado
i.
entra no estado
om probabilidade
Ento
pij () = (1 pii ())

qij
= vi qij o()
(10.32)
= ij o()
Chamamos
estado
1
i.
ij = vi qij a taxa na qual o pro esso X(t) entra

ii = vi , e pela equao (10.31),
no estado
partindo do
Denimos
Uma funo
g(h)
o(h)
se
lim
h0
g(h)
= 0,
h
isto , se
g(h)
tende a zero mais rpido do que
h.
Cadeias de Markov
211
pii () 1 = ii o()
(10.33)
Se dividirmos ambos os lados das equaes (10.32) e (10.33) por

limite
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
Podemos ento desenvolver um onjunto de equaes para en ontrar as probabilidades
t,
dos estados no instante
que sero denotados por
pj (t) = P [X(t) = j].

Para
> 0,
temos (veja Figura 10.1)
pj (t + ) = P [X(t + ) = j]
X
=
P [X(t + ) = j|X(t) = i]P [X(t) = i]
i
pij ()pi (t)
...
...
..
...
...
...
...
..........
...
..........
i j
..........
...
..........
...
..........
..........
...
..........
...
..........
..........
...
..........
...
..........
..........
...
..........
..........
...
..........
...
........
...
...
....
..........
...
..........
.
.
.
.
.
.
.
...
.
.
......
.
.
.
.
.
.
.
...
.
.
....
..........
...
..........
...
..........
..........
...
..........
.
.
.
.
.
.
.
...
.
.
.....
...
..........
..........
...
..........
...
..........
ij
...
...
...
...
...
..
.......................................................................................................................................................................................................................................................................................................................................
..
..
X(t)
X(t + )
p ()
q t
1
p ()
t+
Figura 10.1: Transies para o estado

Se subtrairmos
pj (t)
de ambos os lados, obtemos
j.
(10.35)
212
Cadeias de Markov
pj (t + ) pj (t) =
i6=j
i6=j
pij ()pi (t) pj (t)

pij ()pi (t) + pjj ()pj (t) pj (t)
pij ()pi (t) + (pjj () 1)pj (t)
Se dividirmos ambos os membros por
0,
(10.36)
apli armos (10.34a) e (10.34b), e zermos
obtemos
pj (t) =
ij pi (t)
(10.37)
A Equao (10.37) uma das formas das
Equaes de Chapman-Kolmogorov
para adeias de Markov de tempo ontnuo. Para en ontrar
pj (t)
pre isamos resolver
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:
Exemplo 10.10. Um sistema de las alterna entre dois estados.

est livre e esperando a hegada de um liente.
exponen ial om mdia
1/.
p0 (0)
Este tempo deso upado uma v.a.
No estado 1, o sistema est o upado servindo um usurio.
O tempo no estado o upado uma v.a.

probabilidades dos estados
No estado 0, o sistema
exponen ial om mdia
1/ .
En ontre as
p0 (t) e p1 (t) em termos das probabilidades dos estados ini iais
p1 (0).
Soluo.
O sistema passa do estado 0 para o estado 1 a uma taxa
para o estado 0 a uma taxa
00 =
01 =
10 =
11 =
A Equao (10.37) forne e ento
p0 (t) = p0 (t) + p1 (t)
p1 (t) = p0 (t) p1 (t)

Desde que
p0 (t) + p1 (t) = 1,
a primeira equao torna-se
e do estado 1
Cadeias de Markov
213
p0 (t) = p0 (t) + (1 p0 (t))

que uma equao diferen ial de primeira ordem:
p0 (t) + ( + )p0 (t) =
p0 (0) = p0
A soluo geral desta equao
+ Ce(+)t
+
p0 (t) =
Obtemos
fazendo
t=0
p0 (0). Assim,

p0 (t) =
+ p0 (0)
e(+)t
+
+
e resolvendo em termos de
en ontramos
Similarmente, temos que

e(+)t
+ p1 (0)
p1 (t) =
+
+
Note que medida que
t
p0 (t)
Ento, medida que
p1 (t)
t , as probabilidades
dos estados se aproximam de valores
onstantes que so independentes das probabilidades ini iais dos estados.
Exemplo 10.11.
Soluo.
taxa
En ontre as probabilidades dos estados para o pro esso de Poisson.
O pro esso de Poisson move-se somente do estado
i para o estado i + 1 a uma
Ento
ii =
i,i+1 =
A Equao (10.37) forne e ento
p0 (t) = p0 (t),
j=0
pj (t) = pj (t) + pj1 (t),
j1
A ondio ini ial para o pro esso de Poisson
p0 (0) = 1,
de modo que a soluo para
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 .
Ento para o pro esso de
Poisson, a probabilidade de qualquer estado nito tende a zero medida que
t .
Isto onsistente om o fato de que o pro esso res e de forma onstante om o tempo.
10.4 Probabilidades de Estados em Regime e Equaes de

Balano Globais
medida que
t , as probabilidades dos estados do sistema de las do Exemplo 10.10
onvergem para uma fmp que no depende das ondies ini iais. Este omportamento
tpi o de sistemas que al anam uma ondio de equilbrio ou regime permanente.

Para tais sistemas,
pj (t) pj
pj (t) 0,
0=
X
i
ou equivalentemente, lembrando que
de modo que a Equao (10.37) torna-se
ij pi , j,
(10.38a)
jj = vj ,
vj pj =
X
i6=j
ij pi , j
(10.38b)
A Equao (10.38b) pode ser rees rita omo
pj
desde que
X
i6=j
ji =
vj =
ij pi
(10.38 )
i6=j
ji
i6=j
O sistema de equaes lineares dado pelas Equaes (10.38b) ou (10.38 ) hamado
de
Equaes de Balano Global.
Estas equaes armam que, em equilbrio, a pro-
babilidade do uxo para fora do estado

para dentro do estado
j,
j , dada por vj pj , igual probabilidade do uxo
omo mostrado na Figura 10.2. Resolvendo este onjunto de
equaes lineares podemos obter a fmp dos estados do sistema em regime permanente
(quando existir).
omo a fmp esta ionria dos estados da adeia de

p satisfaz a Equao (10.37), se ini iamos a adeia de Markov om
uma fmp ini ial dada por p, ento as probabilidades dos estados sero
Referimo-nos a
Markov. Desde que
p = {pi }
Cadeias de Markov
215
Figura 10.2: Balano global de uxo de probabilidade.
pi (t) = pi , t
O pro esso resultante esta ionrio, desde que a probabilidade da sequn ia de
estados
i0 , i1 , . . . , in
nos instantes
t < t1 + t < < tn + t
, pela Equao (10.26),
P [X(t) = i0 , X(t1 + t) = i1 , , X(tn + t) = in ] =
P [X(tn + t) = in |X(tn1 + t) = in1 ] P [X(t1 + t) = i1 |X(t) = i0 ]P [X(t) = i0 ]

As probabilidades de transio dependem somente da diferena entre os tempos
asso iados. Ento a probabilidade onjunta a ima depende da es olha da origem apenas
atravs de
P [X(t) = i0 ].
Mas
P [X(t) = i0 ] = pi0
para todo
t.
Portanto on lumos que
a probabilidade onjunta a ima independente da es olha da origem dos tempos e que

o pro esso esta ionrio.
Exemplo 10.12.
En ontre a fmp de estado esta ionrio para o sistema de las de dois
estados do Exemplo 10.10.
Soluo.
A Equao (10.38b) para este sistema forne e
p0 = p1
Notando que
p0 + p1 = 1,
p1 = p0
p1 =
obtemos
p0 =
Exemplo 10.13. Sistema de las de servidor ni o M/M/1.
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
As taxas de transio de estados so as seguintes. Os lientes hegam a uma
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.
Figura 10.3: Diagrama de transio de estados para o sistema M/M/1.

As Equaes de balano global so
p0 = p1 , j = 0
(10.39a)
( + )pj = pj1 + pj+1 , j = 1, 2, . . .
(10.39b)
Podemos rees rever a Equao (10.39b) omo segue:
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)
juntamente om a Equao (10.39a), impli a que
onstante
= p0 p1 = 0
Ento a Equao (10.40) torna-se
pj1 = pj
ou equivalentemente,
pj = pj1 , j = 1, 2, . . .
e por induo
p j = j p 0
onde
= /.
Obtemos
p0
notando que a soma das probabilidades pre isa ser igual a
um:
1=
X
j=0
pj = (1 + + 2 + )p0 =
1
p0
1
Cadeias de Markov
217
onde a srie onverge se e somente se
< 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
pro esso de nas imento e morte uma adeia de Markov
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)
j pj j+1 pj+1 = j1 pj1 j pj , j = 1, 2, . . .
(10.42b)
Como no exemplo anterior, segue que
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
Se a srie no onverge, ento uma fmp esta ionria no existe, e
pj = 0
para todo
j.
10.5 Classes de estados, propriedades de re orrn ia e probabilidades limite

Nesta seo iremos olhar mais de perto a relao entre o omportamento de uma adeia de Markov e sua matriz de probabilidade de transies de estados. Primeiramente
iremos ver que os estados de uma adeia de Markov de tempo dis reto podem ser divididos em uma ou mais lasses separadas e que estas podem ser de diferentes tipos.
Iremos ento mostrar que o omportamento de longo prazo de uma adeia de Markov
est rela ionada aos tipos de suas lasses de estados. Finalmente, usaremos estes resultados para rela ionar o omportamento de longo prazo de adeias de Markov de tempo
ontnuo om o de sua adeia de Markov embutida.
10.5.1 Classes de estados

Denio 10.5. A essibilidade.
Dizemos que o estado
i se para algum n 0, pij (n) > 0, isto ,

i para j om probabilidade no nula.
estado
de
Denio 10.6. Comuni abilidade.

j e j
i j.
a partir de
notao:
Os estados
a essvel a partir de
i.
a essvel a partir do
se existe uma sequn ia de transies
iej
se omuni am se
i a essvel
Representamos este fato om a seguinte
Note que um estado se omuni a onsigo mesmo desde que
pii (0) = 1.
i se omuni a om o estado j , e o estado j se omuni a om o estado k ,

i j e j k , ento o estado i se omuni a om o estado j . Para veri ar
isto, note que i j impli a que exite um aminho de probabilidade no nula de i para
j , e j k impli a que existe um aminho subsequente de probabilidade no nula de j
Se o estado
isto , se
Cadeias de Markov
para
para
k.
k.
219
Os aminhos ombinados formam um aminho de probabilidade no nula de
Existe um aminho de probabilidade no nula na direo reversa pelas mesmas
razes.
Denio 10.7. Classes de estados:
dizemos que dois estados perten em a uma
mesma lasse se estes se omuni am entre si.
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.
Denio 10.8. Cadeia Irredutvel:
Uma adeia de Markov que onsiste de uma
ni a lasse dita irredutvel.
Exemplo 10.15.
A gura abaixo mostra o diagrama de transio de estados para uma
adeia de Markov om trs lasses:
Exemplo 10.16.
{0}, {1, 2}
{3}
Abaixo tem-se o diagrama de transio de estados para uma adeia
de Markov peridi a om apenas uma lasse
Exemplo 10.17.
{0, 1, 2, 3}.
Ento esta adeia irredutvel.
Neste exemplo, temos o diagrama de transio de estados para um
pro esso de ontagem binomial. Pode-se ver que as lasses so:
{0}, {1}, {2},
...
220
Cadeias de Markov
Exemplo 10.18.
A gura abaixo mostra o diagrama de transio de estados para o
pro esso de aminhada aleatria. Se
{0, 1, 2, },
p > 0,
ento o pro esso tem apenas uma lasse
de modo que irredutvel.
10.5.2 Propriedades de re orrn ia

Denio 10.9. Estado re orrente:
O estado
hamado
re orrente se o pro-
esso retorna a ele om probabilidade um, isto ,
fi = P [alguma
vez retornar ao estado
Denio 10.10. Estado transiente:
O estado
i] = 1
hamado
transiente se
fi < 1
Se ini iamos uma adeia de Markov em um estado re orrente
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 .
Ento o nmero de retornos ao
terminando om um su esso (no retorno) uma varivel aleatria geomtri a
om mdia
(1 fi )1 .
Se
fi < 1,
ento a probabilidade de um nmero innito de
Cadeias de Markov
221
su essos zero. Portanto um estado transiente o orre novamente um nmero nito de

vezes.
Seja
Xn
i, X0 = i. Seja Ii (x) uma funo

X = i, e Ii (x) = 0 aso ontrrio. O
uma adeia de Markov om estado ini ial
indi adora para o estado
i,
isto ,
Ii (x) = 1 se
i ento
nmero esperado de retornos para o estado
"
Ii (Xn )|X0 = i =
n=1
E[Ii (Xn )|X0 = i] =
pii (n)
(10.44)
n=1
n=1
desde que
E[Ii (Xn )|X0 = i] = P [Xn = i|X0 = i] = pii (n)

Um estado re orrente se e somente se ele o orre novamente um nmero innito de
vezes, ento da Equao (10.44), o estado
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.
pii (n) <
(10.46)
Dado o diagrama de transio de estados do Exemplo 10.15 verique
que o estado 0 transiente, e o estado 1 re orrente.
Soluo.
O estado 0 transiente desde que
n=1
1
p00 (n) = +
2
p00 (n) = (1/2)n ,
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
Portanto o estado 1 re orrente.
Exemplo 10.20.
so transientes.
Mostre que para um pro esso binomial de ontagem todos os estados
222
Cadeias de Markov
Soluo.
pii (n) = (1 p)n ,
Para este pro esso,
pii (n) =
n=1
n=1
Exemplo 10.21.
de modo que para
(1 p)n =
p > 0,
1p
<
p
Para o pro esso de aminhada aleatria, verique se o estado 0
transiente ou re orrente.
Soluo.
n+1
O estado 0 o orre novamente a ada
n1
o orrem durante os
2n
p00 (2n) =
A frmula de Stirling para

onde
an bn
quando
lim
n!
2n
passos se e somente se os estados
passos. Isto o orre om probabilidade

2n n
p (1 p)n
n
pode ser utilizada para mostrar que

2n n
(4p(1 p))n
p (1 p)n
n
n
an
= 1.
bn
Ento a Equao (10.44) para o estado 0
n=1
p00 (2n)
X
(4p(1 p))n
n
n=1
p = 1/2, ento 4p(1 p) = 1 e a srie diverge. Segue ento que o estado 0

Se p 6= 1/2, ento 4p(1 p) < 1, e a srie a ima onverge. Isto impli a
que o estado 0 transiente. Ento quando p = 1/2, o pro esso de aminhada aleatria
mantm um balano pre rio em torno do estado 0. Logo que p 6= 1/2, uma perturbao
positiva ou negativa introduzida e o pro esso res e ao redor de .
Se
re orrente.
Se o estado
i re orrente ento todos os estados de sua lasse iro eventualmente ser

i. De fato, todos os outros
visitados medida que o pro esso retorna repetidamente a
estados em sua lasse so visitados um nmero innito de vezes. Ento re orrn ia

uma propriedade de lasse, isto , se o estado
re orrente e
i j,
ento o estado
tambm re orrente. Similarmente, a transitoriedade tambm uma propriedade de

lasse.
Se uma adeia de Markov irredutvel, isto , se onsiste de uma ni a lasse de
omuni ao, ento todos os seus estados so ou transientes ou re orrentes. Se o nmero
de estados na adeia nito, impossvel para todos os estados serem transientes.
Ento, os estados de uma adeia de Markok irredutvel om nmero de estados nito
so todos re orrentes.
A informao sobre quando o estado
pii (n),
a probabilidade de transio de
pode o orrer novamente est ontido em
passos do estado
para ele mesmo.
Cadeias de Markov
223
Denio 10.11. Perodo de um estado.
se ele puder o orrer nos instantes que so mltiplos de
no mltiplo de
d,
onde
i tem perodo d
pii (n) = 0 quando
Dizemos que o estado
d,
isto ,
o maior inteiro om esta propriedade.
Pode-se mostrar que todos os estados de uma lasse tm o mesmo perodo.
Denio 10.12. Cadeia de Markov aperidi a.

dutvel dita
aperidi a se os estados em sua lasse ni a tm perodo unitrio.
Exemplo 10.22.
Soluo.
Uma adeia de Markov irre-
Verique qual o perodo da adeia de Markov do Exemplo 10.15.
Para esta adeia,
pii (n) > 0
para todos os estados,
n = 1, 2, . . .
Portanto
todas as trs lasses na adeia tm perodo unitrio.
Exemplo 10.23.
Para a adeia de Markov do Exemplo 10.16, verique o valor de seu
perodo.
Soluo.
Para esta adeia, os estados 0 e 1 podem o orrer novamente nos instantes
2, 4, 6, . . .
e os estados 2 e 3 nos instantes
4, 6, 8, . . .
Portanto esta adeia tem perodo
2.
Exemplo 10.24.
Verique o perodo do pro esso de aminhada aleatria do Exemplo
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.
10.5.3 Probabilidades limite

Se todos os estados em uma adeia de Markov so transientes, ento as probabilidades
de todos os estados tendem a zero medida que
n .
Se uma adeia de Markov
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.
Por esta razo iremos assumir nesta seo que
estamos lidando om uma adeia de Markov irredutvel.

Suponha que ini iemos uma adeia de Markov em um estado re orrente i no instante
n = 0. Sejam Ti (1), Ti (1) + Ti (2), . . . os instantes aonde o pro esso retorna ao estado
i, onde Ti (k) o tempo de orrido entre o (k 1)-simo e o k -simo retornos (veja
224
Cadeias de Markov
i.
Figura 10.5: Instantes de re orrn ia para o estado
Figura 10.5).
Os
Ti
formam uma sequn ia iid desde que ada instante de retorno
independente dos instantes de retorno anteriores.

A proporo de tempo gasto no estado
proporo de tempo no estado
i=
depois de
retornos a
k
Ti (1) + Ti (2) + + Ti (k)
Desde que o estado re orrente, o pro esso retorna ao estado

de vezes.
(10.47)
um nmero innito
Ento a Lei dos Grandes Nmeros impli a que, om probabilidade um, o
re pro o da expresso a ima aproxima-se do
tempo mdio de re orrn ia E[Ti ] de
modo que a proporo de longo prazo do tempo gasto no estado
proporo de tempo no estado
aproxima
1
= i
E[Ti ]
(10.48)
i a proporo de longo prazo de tempo gasto no estado i,

Se E[Ti ] < , ento dizemos que o estado i re orrente positivo.
onde
A Equao
(10.48) impli a ento que
i > 0,
Se
E[Ti ] = , ento
se o estado
re orrente positivo
dizemos que o estado
i re orrente
nulo.
i = 0,
re orrente nulo
A Equao (10.48)
impli a ento que
se o estado
Pode-se mostrar que re orrn ia positiva e nula so propriedades de lasse.

Estados re orrentes, aperidi os e re orrentes nulos so hamados de
ergdi os.
Uma adeia de Markov ergdi a denida omo uma adeia irredutvel, aperidi a e
re orrente positiva.
Exemplo 10.25.
Soluo.
Para o pro esso do Exemplo 10.16, al ule
E[T0 ]e 0 .
Este pro esso retorna ao estado 0 em dois passos om probabilidade
em quatro passos om probabilidade

o estado 0
1/2.
1/2
Portanto o tempo de re orrn ia mdia para
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
No Exemplo 10.21 foi mostrado que o pro esso de aminhada ale-
p = 1/2. Entretanto, pode-se mostrar que o tempo

quando p = 1/2 ([Fel68,p.314). Ento todos os estados
atria re orrente se
mdio de
re orrn ia innito
da adeia
so re orrentes nulos.
Os
j 's
na Equao (10.48) satisfazem a equao que dene a fmp de estado esta i-
onrio
j =
X
i
i Pij , j
(10.49a)
i = 1
(10.49b)
Para ver isto, note que desde que
i Pij
a proporo de tempo gasto no estado i, ento
a proporo de tempo na qual o estado
todos os estados
i,
Exemplo 10.27.
segue o estado
i.
Se somarmos sobre
obteremos a proporo de longo prazo do tempo no estado
j , j .
En ontre a fmp de estado esta ionrio para a adeia de Markov do
Exemplo 10.16.
Soluo.
Temos das Equaes (10.49a) e (10.49b) que
1
0 = 1 + 3 ,
2
1
2 = 1 ,
2
1 = 0 ,
Estas equaes impli am que
1 = 0
3 = 2
2 = 3 = 0 /2.
Usando o fato de que a
soma das probabilidadesdeve ser um, obtemos
1 = 0 =
Note que
0 = 1/3 foi obtida
1
3
2 = 3 =
1
3
do tempo de re orrn ia mdio, al ulado no Exemplo
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
n passos aproxima-se de uma matriz xa de linhas
(veja Equao 10.20). Vimos tambm que as linhas desta
matriz limite onsistiam de uma fmp que satisfaz (10.49a) e (10.49b).

denir sob quais ondies isto o orre.
Iremos agora
226
Cadeias de Markov
Teorema 10.2.
Para uma adeia de Markov irredutvel, aperidi a e re orrente po-
sitiva,
lim pij (n) = j ,
n
onde
a ni a soluo no negativa das Equaes (10.49a) e (10.49b).
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.
Para uma adeia de Markov irredutvel, peridi a e re orrente posi-
tiva om perodo
d,
lim pjj (nd) = dj
n
onde
a ni a soluo no negativa das Equaes (10.49a) e (10.49b).
Como antes,
o estado
a proporo de tempo gasto no estado
o orrer apenas em mltiplos de
o orrn ia do estado
Exemplo 10.28.
j.
Entretanto, o fato de
passos impli a que a probabilidade de
vezes maior nos instantes permitidos e zero para os demais.
Cal ule as probabilidades de longo prazo para os estados 0 e 2 para a
adeia de Markov do Exemplo 10.16
Soluo.
Nos Exemplos 10.25 e 10.27 vimos que proporo de longo prazo de tempo
gasto no estado 0
0 = 1/3.
Se omeamos no estado 0, ento s podem o orrem
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
tempo mpares, as probabilidades dos estados 0 e 2 so zero.
10.5.4 Probabilidades limite para as adeias de Markov de tempo

ontnuo
Vimos na Seo 10.3 que uma adeia de Markov de tempo ontnuo
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
e uma sequn ia de tempos de
Cadeias de Markov
227
o upao de estados orrespondente exponen ialmente distribuda. Nesta seo, iremos

mostrar que se a adeia dis reta asso iada irredutvel e re orrente positiva om fmp
esta ionria
j ,
ento a proporo de tempo de longo prazo gasta por
X(t)
no estado
i /vi
pi = X
j /vj
j
onde
1/vi
o tempo mdio de o upao no estado
i.
Alm disso, mostramos que os
pi
so as solues ni as das equaes de balano global (10.38b) e (10.38 ).

Suponha que a adeia de Markov embutida
de modo que a Equao (10.48) seja vlida. Seja
o orre nas primeiras
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
o orre. A proporo de tempo gasto no estado
j -sima
vez
depois das primeiras
transies
Ni (n)
tempo gasto no estado
tempo gasto em todos os estados
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
pelas Equaes (10.48), (10.49a) e (10.49b), om probabili-
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)
de modo que pela lei forte dos nmeros grandes, om proba-
Ni (n)
X
1
1
Ti (j) E[Ti ] =
Ni (n)
vi
(10.52)
j=1
onde usamos o fato de que o tempo de o upao de estado no estado
1/vi .
tem mdia
As Equaes (10.51) e (10.52) quando apli adas a (10.50) impli am que, om
probabilidade um, a proporo de longo prazo do tempo gasto no estado
i /vi
pi = X
= ci /vi
j /vj
j
aproxima
(10.53)
228
onde
Cadeias de Markov
j
a fmp soluo ni a para
j =
i qij ,
(10.54)
uma onstante de normalizao.

Obtemos a equao de balano global (10.38b), substituindo
(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
so a soluo ni as das equaes de balano global.
Exemplo 10.29.
En ontre as probabilidades de longo prazo para os estados da adeia
de Markov do Exemplo 10.10.
Soluo.
Para este sistema
[
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 =
10.6 Exer ios

1. Seja
Tn
o tempo de hegada do
n-simo
liente a uma estao de servio. Seja
o intervalo de tempo entre as hegadas do liente
e do liente
n 1,
Zn
isto
Zn = Tn Tn1 , n 1
e
T0 = 0.
Seja
Mostre que se
{X(t), t 0} o pro esso de ontagem asso iado om {Tn , n 0}.

X(t) tem in rementos esta ionrios, ento Zn , n = 1, 2, . . . so
v.a.'s identi amente distribudas.

2. Desenhe os diagramas de transio de estados e lassique os estados das Cadeias
de Markov para as seguintes matrizes de transio.
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 =
0.3 0.4 0 0 0.3

0
1 0 0
0
0
0 0 0.6 0.4
0
0 0 0
1
0
0 1 0
0
Cadeias de Markov
229
3. Considere uma adeia de Markov om espao de estados

babilidades de transio
P =
1
0
1/2 1/2
{0, 1}
e matriz de pro-
Mostre que o estado o re orrente e que o estado 1 transiente.

4. Considere uma adeia de Markov de dois estados om matriz de probabilidade de
transio
P =
(a) En ontre
(b) En ontre
1a
a
b
1b
, 0 < a < 1, 0 < b < 1
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

5. Um modelo de Markov para transmisso de voz por pa otes assume que se o
n-
simo pa ote ontm siln io, a probabilidade de siln io no prximo pa ote
(1 )
e a probabilidade do pa ote onter voz
Similarmente, se o
n-simo
pa ote ontiver atividades de voz, a probabilidade do
prximo pa ote onter voz
(1 ),
e a probabilidade de siln io
(a) Esbo e uma adeia de Markov para este problema.

(b) Para
= 1/10
= 1/5,
determine a matriz de transio de estados de um
passo.
( ) Dadas as probabilidades ini iais dos estados
p0 = p1 = 0, 5,
determine as
probabilidades dos estados depois de 2 passos.
Resp:
(a)
0, 9 0, 1
0, 2 0, 8
(b)
P =
( )
p(2) = [ 0, 585 0, 415 ]
6. Considere uma adeia de Markov om dois estados e matriz de probabilidade de

transio de estados dada por
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
para esta adeia.
lim P n .
Resp:
(a)
(b)

21
p
=
33

2/3 1/3
n
P =
2/3 1/3

7. Um exemplo de uma adeia de Markov de dois estados um sistema onsistindo

de sequn ias de estgios em as ata de anais de omuni ao binrios, omo
mostrado na gura abaixo.
Xn1 = 0
Xn = 0
1a
-
................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
........
........
........
..
..
..
........
........
........
.......
.......
.......
........
........
........
........
........
........
........
........
........
........
........
........
........
........
........
.......
.......
.......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
........
.
........
........
..
..
........
........
........
........
........
........
........
.......
........
........
.......
.......
........ ...............
........ ...............
........ ...............
.. ..
..
..
...................
...................
...................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
........
........
........
.
.......
.......
........
........
........
........
.......
.......
.......
........
........
........
........
........
.......
........
........
........
........
........
........
........
........
........
........
........
.
.
........
........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
........
........
........
....
....
.
.
.....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
......
.
.
.
.
.
........ .......
........ .......
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
................................................................................................................................................... .................................................................................................................................................. .........................................................................................................................................................
Xn1 = 1
Aqui,
Xn
b 1b
denota o dgito que deixa o
dgito que entra no primeiro estgio.
Xn = 1
n-simo
estgio do anal, e
X0
denota o
A matriz de probabilidades de transio
deste sistema de omuni ao geralmente hamado de matriz de anal, e dada

por
P =
Assuma que
1a
a
b
1b
a = 0, 1 e b = 0, 2,
0 < a, b < 1
e que a distribuio ini ial
P [X0 = 0] = P [X0 =
1] = 0, 5.
(a) En ontre a distribuio de
Xn .
(b) En ontre a distribuio de
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
(a) En ontre a distribuio de estado esta ionrio
lim P n
(b) Mostre que
n
2
Di a: Cal ule P ,
Resp: (a)
[1/2
no existe.
P 3, P 4,
. . . e faa a prova por induo.
1/2]
i
j (i, j = 1, 2, 3) o orre em uma unidade de tempo om probabilidade
9. Um eltron pode estar em uma de trs possveis rbitas. A transio da rbita

para a rbita
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
11. Uma adeia de Markov om probabilidades de transio

parti ular
k para o qual pik = q para todos os estados i.
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
experimento repetido indenidamente: uma bola retirada da urna; se a mesma

bran a ela re olo ada na urna, aso ontrrio deixada de fora. Seja
nmero de bolas pretas que permane em na urna depois de
(a)
Xn
Xn
testes.
um pro esso de Markov? Se sim, esbo e uma adeia para este pro esso.
(b) As probabilidades de transio dependem de

( ) Cal ule
P (n), n ,
n?
e en ontre uma expli ao para o resultado obtido.
Resp:
(a) Sim. Para
k = 1, 2, . . . , 5 : P [k 1|k] = k/(5 + k) = 1 P [k|k], P [0|0] = 1.
(b) No.
13. Seja
X(n)
um pro esso de aminhada aleatria unidimensional.
(a) Mostre que
X(n)
um pro esso de Markov.
(b) En ontre a matriz de transio de um passo para este pro esso.
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
sen = cos( /2)
234
Tabelas Matemti as
A.2 Coe ientes Binomiais

n
n
n!
=
=
k!(n k)!
nk
k

n
= 0 para n < k
k

n
n
n
=
=
=1
n
1
0

n
n
=
k = p ou k + p = n (binomiais omplementares)
k
p

n
n
n+1
+
=
(relao de Stiel)
k
k+1
k+1
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
A.4 Integrais indenidas

Z
Z
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
eax (a2 x2 2ax + 2)

a3
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 =
2ax sen(ax) + 2cos(ax) a2 x2 sen(ax)

a3
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
A.5 Integrais denidas

Z
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:
F {ag1 (t) + bg2 (t)} = aG1 (f ) + bG2 (f )
Es alonamento no tempo:
F {g(at)} = G(f /a)/|a|
Dualidade:
se
Deslo amento no tempo:
F {g(t t0 )} = G(f )ej2f t0
Deslo amento em frequn ia:
F {g(t)ej2f0 t } = G(f f0 )
Diferen iao:
F {g (t)} = j2f G(f )
Integrao:
F {g(t)} = G(f )
Z
g(s)ds
ento
F {G(t)} = g(f )
= G(f )/(j2f ) + (G(0)/2)(f )
Multipli ao no tempo:
F {g1 (t)g2 (t)} = G1 (f ) G2 (f )
Convoluo no tempo:
F {g1 (t) g2 (t)} = G1 (f )G2 (f )
238
Tabelas de transformadas de Fourier
B.3 Pares de transformadas

g(t)
(
1, T /2 t T /2
0, aso ontrrio
sen(2W t)
2W
2W t
(
1
0,
|t|
T ,
|t| < T
aso ontrrio
eat u(t), a > 0

ea|t| , a > 0
et
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)!
termos, dado por qualquer das formas seguintes:
Rn =
Rn =
f (n) ()(x a)n

n!
f (n) ()(x )n1 (x a)

(n 1)!
, que pode ser diferente nas duas formas, a entre a e x. O resultado

f (x) tem derivadas ontnuas de ordem n pelo menos.
Se limn Rn = 0, a srie innita, hamada de Srie de Taylor para f (x) em
x = a. Se x = 0, a srie frequentemente hamada de Srie de Ma laurin. Estas sries
a
geralmente onvergem para todos os valores de x em algum intervalo de onverg n ia
e divergem para todos os x fora deste intervalo.
O valor
determina se
C.2 Expanses mais utilizadas

x2 x3
+
+ , < x <
2!
3!
(x ln(a))2 (x ln(a))3
+
+ , < x <
ax = ex ln(a) = 1 + x ln(a) +
2!
3!

1 x1 2 1 x1 3
1
x1
+
+
+ ,x
ln(x) =
x
2
x
3
x
2
3
5
7
x
x
x
sen(x) = x
+
+ , < 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
Variveis aleatrias dis retas

D.1 Bernoulli
SX = {0, 1}
p0 = q = 1 p
E[X] = p
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
o orre, e 0 aso ontrrio.
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
testes de Bernoulli, e portanto a soma de
variveis aleatrias iid om distribuio de Bernoulli.
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 :
o nmero de falhas antes do primeiro su esso em uma sequn ia de
242
Variveis aleatrias dis retas
testes de Bernoulli independentes.
A varivel aleatria geomtri a a ni a varivel
aleatria dis reta sem memria.
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
o nmero de tentativas antes do primeiro su esso em uma
sequn ia de testes de Bernoulli independentes.
D.4 Binomial negativa

SX = {r, r + 1, . . . } onde r

k1 r
pk =
p (1 p)kr
r1
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
su esso em uma sequn ia de
testes de Bernoulli independentes.
D.5 Poisson
SX = {0, 1, 2, . . . }
pk =
k
e ,
k!
E[X] =
k = 0, 1, . . .
>0
Var[X] =
GX (z) = e(z1)
Observaes :
o nmero de eventos que o orrem em uma unidade de tempo quando
o tempo entre os eventos segue uma distribuio exponen ial de mdia
1/.
Apndi e E
Variveis aleatrias ontnuas

E.1 Uniforme
SX = [a, b]
1
ba
fX (x) =
E[X] =
axb
a+b
2
X (j) =
Var[X] =
(b a)2
12
ejb eja
j(b a)
E.2 Exponen ial

SX = [0, )
fX (x) = ex
E[X] =
X (j) =
>0
Var[X] =
1
2
Observaes : A varivel aleatria exponen ial a ni a varivel aleatria ontnua sem

memria.
E.3 Gaussiana (Normal)

SX = (, )
fX (x) =
E[X] =
(x)2
1
e 22
2
>0
Var[X] = 2
X (j) = ej
2 2 /2
Observaes : Sob uma grande gama de ondies,
pode ser utilizada para aproximar
244
a soma de um grande nmero de variveis aleatrias independentes.
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.
Uma varivel aleatria m-Erlang obtida pela adio de
aleatrias iid om distribuio exponen ial de parmetro
= m,
distribuio gama, fazendo
onde
variveis
Pode ser obtida a partir da
um inteiro positivo.
E.6 Chi-Quadrado (2)

SX = (0, )
fX (x) =
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
Observaes : A soma do quadrado de
variveis aleatrias gaussianas de mdia zero
e varin ia unitria orresponde a uma varivel aleatria om distribuio

graus de liberdade.
E.7 Rayleigh
SX = [0, )
x
2
2
fX (x) = 2 ex /(2 )
> 0.
om

E[X] =
E.8 Cau hy

2
Var[X] = 2
SX = (, )
fX (x) =
2
(x + 2 )
>0
A mdia e a varin ia no existem.
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
Valores da distribuio normal

Nas tabelas a seguir so listados os valores da funo distribuio umulativa
uma varivel aleatria om distribuio normal
N (0, 1).
(x)
de

x
(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
momento de uma v.a., 78
Denio lssi a, 7
Denio por frequn ia relativa, 5
A essibilidade, 218
Delta de Dira , 35
Amostragem om reposio e ordenao, 8
Densidade espe tral ruzada, 184
Amostragem om reposio e sem ordena-
Densidades ondi ionais, 49
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
Browniano, Pro esso movimento, 154
Espe tro densidade de potn ia, 177

Estado re orrente, 220
Cadeia de Markov aperidi a, 223
Estado re orrente nulo, 224
Cadeia de Markov embutida, 210
Estado re orrente positivo, 224
adeia de Markov, fmp esta ionria dos es-
Estado transiente, 220
tados da, 214
Estados ergdi os, 224
Cadeia Irredutvel, 219
Estimativa onsistente, 133
Cadeias de Markov de tempo dis reto, 202
Evento omplementar, 3
Cadeias de Markov em tempo ontnuo, 207
Evento nulo, 3
Cau hy, Distribuio de, 47
Eventos, 1
Cau hy-S warz, Desigualdade de, 81
Eventos mutuamente ex lusivos, 3
Causalidade, 174
Eventos equivalentes, 27
Chapman-Kolmogorov, Equaes de, 212
Eventos independentes, 14
Chi-Quadrado, Distribuio, 47
Experimento aleatrio, 1
Classes de estados, 219
Experimentos sequen iais e diagramas em
Coe iente binomial, 10

Coe iente de segurana, 134
rvore, 16
Exponen ial, Distribuio, 40
Coe ientes multinomiais, 11

Comuni abilidade, 218
Conjuntos, Teoria de, 2
Fdp e fmp onjunta de sequn ias de variveis aleatrias iid, 146
Convoluo, Integral de, 104
Fourier, Transformada de, 174
Correlaes ruzadas, 181
Funo ara tersti a de v.a.'s multidimen-
Correlao, 81
sionais, 85
Covarin ia, 81
Funo ara tersti a, Cl ulo da mdia
De Morgan, Lei de, 4
Funo ara tersti a, Soma de variveis
atravs da, 83
Denio axiomti a, 6
aleatrias usando a, 84
250
NDICE REMISSIVO
Funo distribuio umulativa omplemen- Limitantes superiores para a probabilidade

de auda, 125
tar, 44
Funo distribuio de probabilidade on-
Linearidade, 173
di ional, 54
Funo ara tersti a
n-dimensional,
85
Funo de auto orrelao, 157
m-Erlang, Distribuio, 46
Mtodo da rejeio, 94
Funo de auto ovarin ia, 159
Mtodo da transformada, 92
Funo de orrelao ruzada, 181
Mtodo do resduo da potn ia, 90
Funo distribuio de probabilidade on-
Mtodos omputa ionais para gerao de
junta, 51
nmeros aleatrios, 90
Funo ara tersti a, 82
Mdia amostral de nmeros grandes, 134
Funo densidade de probabilidade, 33
Mdia ondi ional, 78
Funo densidade de probabilidade ondi-
Mdia da Soma de Funes, 76
ional, 55
Funo densidade de probabilidade da soma
de duas variveis aleatrias, 103
Mdia de uma Funo de uma Varivel Aleatria, 74

Mdia de uma Varivel Aleatria, 72
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
Mdia Quadrti a da Soma de Duas Variveis Aleatrias, 77

Mdias de onjunto, 155
Mdias de somas de variveis aleatrias,
100
Mdias estatsti as de pro essos aleatrios,
155
Funo massa de probabilidade, 30
Mdias para Variveis Mltiplas, 75
Funp geratriz de momentos, 105
Markov, Cadeia de, 201
Funes de variveis aleatrias: aso mul-
Markov, Estado de um pro esso de, 200
tidimensional, 61
Funes de variveis aleatrias: aso unidimensional, 56
Fun ional linear, 190
Markov, Pro esso de, 199

Markov, Propriedade de, 199
Matriz de orrelao, 82
Matriz de ovarin ia, 82
Matriz de probabilidade de transio, 202
Gama, Distribuio, 45
Momento entral onjunto, 80
Geomtri a, Distribuio, 38
Momento onjunto, 80
Gerao de funes de uma varivel alea-
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
Intervalo de onana, 134

Invarin ia no tempo, 173
nas imento e morte, Pro esso de, 217
Lapla e, Distribuio de, 48
Perodo de um estado, 222
Lei Forte de Nmeros Grandes, 137
Permutao de n objetos distintos, 9
Lei Fra a de Nmeros Grandes, 136
Poisson, Distribuio de, 37
Leis de Nmeros Grandes, 135
Poisson, Pro esso de, 148
Limitante de Cherno, 128
Probabilidade ondi ional, 12
NDICE REMISSIVO
251
Rayleigh, Distribuio de, 40
Probabilidade onjunta, 11
Probabilidade de transio para
passos,
203
regio de onvergn ia, 105

Resposta em frequn ia, 174
Probabilidade marginal, 12
Resposta impulsiva, 173
Probabilidades de Estados em Regime e
Resultados de um experimento aleatrio, 1
Equaes de Balano Globais, 214

Probabilidades de transio homogneas,
208
Probabilidades de transio homogneas,
202
Probabilidades dos estados de uma adeia
de Markov, 204
Probabilidades em regime, 206
Probabilidades limite, 223
Probabilidades limite para as adeias de
Markov de tempo ontnuo, 226
Pro esso de Bernoulli, 146
Sequn ia aleatria, 142

Sequn ias iid, 145
Sistema de las de servidor ni o M/M/1,
215
Sistema em equilbrio ou regime permanente, 206
Sistemas lineares e invariantes no tempo,
173
Somas aleatrias de v.a.'s independentes,
112
Somas de v.a.'s gaussianas independentes,
111
Pro esso de ontagem, 147

Pro esso de sada de um ltro linear invariante no tempo, 175
Taxas de transio e probabilidades de estados dependentes de tempo, 210
pro esso esto sti o, Conjunto de um, 140
Telegr o aleatrio, Pro esso, 152
pro esso esto sti o, Funo amostra de
Tempo mdio de o upao de estado, 209
um, 140
Tempo mdio de re orrn ia, 224
pro esso esto sti o, Mdia de um, 159
Tempos de o upao de estados, 209
pro esso esto sti o, Momento de um, 159
Teorema do limite entral, 116
pro esso esto sti o, Filtragem linear de
Teorema do Limite Central, Apli aes do,
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
Pro essos esto sti os, 140
Variveis aleatrias des orrela ionadas, 82
Pro essos esto sti os ontnuos e dis re-
Variveis aleatrias ortogonais, 82
tos no tempo, 142

Pro essos esto sti os de valor dis reto e
valor ontnuo, 142
Pro essos esto sti os esta ionrios e no
esta ionrios, 160
Pro essos esto sti os esta ionrios no sentido amplo, 161
pro essos esto sti os, Filtragem de, 186
Pro essos gaussianos, 188
Pro essos in oerentes ou ortogonais, 182
Pro essos independentes, 181
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
Refern ias Bibliogr as

[AZW89 Daniel Tabak Alexander Zayezdny and Dov Wuli h, Engineering appli ati-
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
for applied s ientists and engineers., M Graw-Hill, 1987.

[Lat89
Bhagwandas Pannalal Lathi, Modern digital and analog ommuni ation sys-
tems, Sounders College Publishing, 1989.

[LG94
Alberto Leon-Gar ia, Probability and random pro esses for ele tri al engine-
ering - se ond edition, Addison-Wesley, 1994.

[Lip93
Seymour Lips hutz, Probabilidade, Makron Books, So Paulo, 1993.
[Pap84
Athanasios Papoulis, Probability, random variables and sto hasti pro esses,
M Graw-Hill, 1984.
[Pro95
John G. Proakis, Digital ommuni ations, M Graw-Hill, 1995.
[Ros83
Sheldon. M. Ross, Sto hasti pro esses, John Wiley and Sons, New York,
1983.
[Spi78
[SW94
Murray R. Spiegel, Probabilidade e estatsti a, M Graw-Hill, 1978.

Henry Stark and John W. Woods, Probability, random pro esses and estima-
tion theory for engineers - se ond edition, Prenti e Hall, New Jersey, 1994.
[Swo94
Earl W. Swokowsky, Cl ulo om geometria analti a, Makron Books, So

Paulo, 1994.
[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.

01 - tp501

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

01 - tp501

Enviado por

Direitos autorais:

Formatos disponíveis

Probabilidade, Estatsti

a e Pro essos Esto sti os

Carlos Alberto Ynoguti

Ao Prof. Dr. Dayan Adionel Guimares pela riteriosa reviso do texto.

Prin pio da Dualidade.

Cl ulo de probabilidades usando mtodos de ontagem. . . . . . . . . .

Amostragem om reposio e ordenao. . . . . . . . . . . . . . .

Amostragem sem reposio e om ordenao.

Permutao de n objetos distintos. . . . . . . . . . . . . . . . . .

Amostragem sem reposio e sem ordenao.

Amostragem om reposio e sem ordenao.

Probabilidade Condi ional.

Experimentos sequen iais e diagramas em rvore

Funo distribuio umulativa. . . . . . . . . . . . . . . . . . . . . . . .

Tipos de Variveis Aleatrias

Funo Densidade de Probabilidade . . . . . . . . . . . . . . . . . . . . .

Caso Dis reto . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Algumas variveis aleatrias dis retas importantes

Algumas variveis aleatrias ontnuas importantes . . . . . . . . . . . .

Densidades Condi ionais . . . . . . . . . . . . . . . . . . . . . . . . . . .

Variveis Aleatrias Mltiplas . . . . . . . . . . . . . . . . . . . . . . . .

Funo Distribuio de Probabilidade Conjunta . . . . . . . . . .

Funo distribuio de probabilidade ondi ional

Independn ia Estatsti a de Variveis Aleatrias . . . . . . . . .

Funes de Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . .

2.10 Exer ios

3 Mdias Estatsti as de Variveis Aleatrias

Mdia de uma Varivel Aleatria . . . . . . . . . . . . . . . . . .

Mdia de uma Funo de uma Varivel Aleatria

Mdias para Variveis Mltiplas

Mdia da Soma de Funes

Mdia do Produto de Duas Variveis Aleatrias Independentes

Mdia Quadrti a da Soma de Duas Variveis Aleatrias . . . . .

Mdia ondi ional

Variveis Aleatrias Des orrela ionadas e Ortogonais . . . . . . .

Funes Cara tersti as

4 Mtodos omputa ionais para gerao de nmeros aleatrios

Mtodo do resduo da potn ia

Gerao de funes de uma varivel aleatria

Gerao de misturas de variveis aleatrias

5 Somas de Variveis Aleatrias e o Teorema do Limite Central

Fdp da soma de duas v.a.'s

Funo geratriz de momentos

FGM da soma de v.a.'s independentes

Somas de v.a.'s gaussianas independentes

Somas aleatrias de v.a.'s independentes . . . . . . . . . . . . . . . . . .

Teorema do limite entral

Apli aes do Teorema do Limite Central

5.10 Exer ios

6 Limitantes Superiores para a Probabilidade de Cauda

Valor esperado e varin ia . . . . . . . . . . . . . . . . . . . . . . . . . .

Mdia amostral de nmeros grandes

Leis de Nmeros Grandes

Lei Fra a de Nmeros Grandes

Lei Forte de Nmeros Grandes

8 Pro essos Esto sti os

Tipos de pro esos esto sti os . . . . . . . . . . . . . . . . . . . . . . . .

Variveis aleatrias a partir de pro essos esto sti os . . . . . . . . . . .

Sequn ias aleatrias independentes e identi amente distribudas

Pro esso de Contagem

Pro esso de Poisson

Pro esso sinal telegr o aleatrio

Pro esso sinal telegr o aleatrio

8.10 Classi ao dos pro essos esto sti os . . . . . . . . . . . . . . . . . . .

Coe ientes Binomiais

Gr o da fd de v.a. ontnua

A funo densidade de probabilidade espe i a a probabilidade de inter-

valos de largura innitesimal.

auda (limitante de Cherno ). . . . . . . . . . . . . . . . . . . . . . . . .

Um onjunto om um nmero nito de funes amostra. . . . . . . . . .