Trabalho 01: Introduo a Processos Estocsticos (CEL070)

Prof: Rafael Antunes Nbrega

Felipe Meneguitti Dias

201269006A

1) Introduo
1.1) Mostre matematicamente que aplicando a transformao abaixo,
fY 1,Y 2 ( y1 , y2 ) Gaussiana quando X1 e X2 so variveis aleatrias uniformes (0,1).

Y1 = T1 ( X 1 , X 2 ) = -2 ln( X 1).cos(2.p . X 2)
Y2 = T2 ( X 1 , X 2 ) = -2 ln( X 1).sen(2.p . X 2)
Obtenha o valor esperado e a varincia resultantes.
1.2) Mostre matematicamente que as equaes acima podem ser generalizadas como
segue:
Y1 = T1 ( X 1 , X 2 ) = Y 1 + -2.s Y 12 ln( X1 ).cos(2.p . X 2 )
Y2 = T2 ( X 1 , X 2 ) = Y 2 + -2.s Y 2 2 ln( X 2 ).sen(2.p . X 2 )

1.3) Aplique no MATLAB para obter Y1 com E[Y1] = 10 e E[(Y1-Y1)(Y1-Y1)] = 3

e Y2 com E[Y2] = 5 e E[(Y2-Y2)(Y2-Y2)] = 5 e mostre que Y1 e Y2 so
independentes.

2) Desenvolvimento
2.1)
Seja:
Y1 = -2.ln( X 1 ).cos(2.p . X 2 )

Y2 = -2.ln( X 1 ).sen(2.p . X 2 )

Dividindo a segunda pela primeira:

tan(2.p . X 2 ) =

Y
Y
Y2
1
2.p . X 2 = tan -1 2 X 2 =
.tan -1 2
Y1
2.p
Y1
Y1

Elevando a primeira e a segunda equaes ao quadrado, e somando

Y12 = -2.ln( X 1 ).cos 2 (2.p . X 2 )

2
2
Y2 = -2.ln( X 1 ).sen (2.p . X 2 )
Y12 + Y2 2 = -2.ln( X 1 ).(cos 2 (2.p . X 2 ) + sen 2 (2.p . X 2 )) = -2.ln( X 1 )
14444
4244444
3
1

1
- .(Y12 +Y2 2 )
Y12 + Y2 2
ln( X 1 ) =
X1 = e 2
-2

Podemos escrever o jacobiano da seguinte forma:

X 1 X 1
Y1 Y2

| J |=

X 1 X 2
Y1 Y2

Calculando as derivadas:
Y12 +Y2 2

X 1
= -Y1.e
Y1

X 2
Y2
=
Y1 2.p .(Y12 + Y2 2 )
X 1
= -Y2 .e
Y2

Y 2 +Y22
- 1

X 2
-Y1
=
Y2 2.p .(Y12 + Y2 2 )
E assim:

-Y1.e

Y 2 +Y2 2
- 1

-Y2 .e

Y 2 +Y2 2
- 1

Y2
-Y1
2.p .(Y12 + Y2 2 ) 2.p .(Y12 + Y2 2 )

=| J |

Calculando este determinante:

| J |=

1
.e
2.p

Y 2 +Y2 2
- 1

Como:

fY 1,Y 2 (Y1 , Y2 ) =| J | . f X 1, X 2 ( X 1 , X 2 )

Temos que:

fY 1,Y 2 (Y1 , Y2 ) =

1
.e
2.p

Y 2 +Y22
- 1

1
. f X 1, X 2 ( X 1 , X 2 ) =
.e
144244
3 2.p

Y 2 +Y22
- 1

Observe que a funo de fato uma funo gaussiana.

1.2)`
Sendo:

Y = T ( X , X ) = Y + -2.s 2 .ln( X ).cos(2.p . X )

1
Y1
1
2
1 1 1 2

Y2 = T2 ( X 1 , X 2 ) = Y2 + -2.s Y2 2 .ln( X 1 ).sen(2.p . X 2 )

Desenvolvendo:

(Y - Y ) = -2.s 2 .ln( X ).cos(2.p . X )

Y1
1
2
1 1

(Y2 - Y2 ) = -2.s Y2 2 .ln( X 1 ).sen(2.p . X 2 )

Dividindo a segunda equao pela primeira:

tg (2.p . X 2 ) =

Y2 - Y 2 s Y2
.
Y1 - Y1 s Y1

Temos, portanto:

s Y2
1
-1 Y2 - Y 2
X2 =
.tan
.
Y - Y sY
2.p
1 1
1

Elevando as primeiras duas equaes ao quadrado:

(Y1 - Y1 ) 2 = -2.s Y 2 .ln( X 1 ).cos 2 (2.p . X 2 )

1

2
2
2
(Y2 - Y2 ) = -2.s Y2 .ln( X 1 ).sen (2.p . X 2 )
Somando as duas equaes e isolando X1, temos:

X1 = e

(Y -Y )2 (Y -Y ) 2
- 1 1 - 2 2
2.s Y 2
2.s Y2 2

A partir de X1 e X2, calculemos o jacobiano:

-(Y1 - Y 1 )
X 1.
s Y 2

-(Y2 - Y 2 )
X 1.
s Y 2

s Y2
s Y1

s Y1 1
1
.
.

s
Y
Y
Y2 Y1 - Y1
2 2
Y - Y 2 s Y 2
Y - Y 2 s Y 2
2.p . 1 + 1 1 . 2 2 2.p . 1 + 2 2 . 1 2
Y2 - Y2 s Y1
Y1 - Y1 s Y2

Como:

fY 1,Y 2 (Y1 , Y2 ) =| J | . f X 1, X 2 ( X 1 , X 2 )
Temos:

fY1,Y2 ( y1 , y2 ) =

-1
.e
2.p .s Y1 .s Y2

(Y1 -Y 1 )2 (Y2 -Y 2 )2
2.s Y12
2.s Y2 2

que tambm uma funo gaussiana.

1.3) Cdigo no MATLAB

N=1000000;
ey1=10;
exx=3;
ey2=5;
eyy=5;
% informaes do problema
x1 = rand(1,N); % distribuio normal de x1
x2 = rand(1,N); % distribuio normal de x2
y1 = ey1 + sqrt(-2*exx*log(x1)).*cos(2*pi*x2); % varivel aleatria y1
y2 = ey2 + sqrt(-2*eyy*log(x1)).*sin(2*pi*x2); % varivel aleatria y2
figure(1)
hist(y1,10000) %Grfico y1
figure(2)
hist(y2,10000) %Grfico y1
cov(y1,y2) %clculo da covarincia
figure(3)
plot(y1,y2) %grfico covarincia

Desse cdigo obtemos a matriz de covarincia, e portanto: C(Y1,Y2) = C(Y2,Y1)=0

e portanto Y1 e Y2 so independentes.

3) Referncias Bibliogrficas
3.1) Peebles, Peyton Z 1987, Probability, random variables, and random signal
principles, 2nd ed, McGraw-Hill, New York
3.2) http://professor.ufabc.edu.br/marcio.eisencraft/aleatorio/Aula9.pdf