Você está na página 1de 51

CURSO DE PROBABILIDADE E PROCESSOS ESTOCSTICOS

Captulo I - Conceitos Bsicos da Teoria da Probabilidade


1.1 - Espao Amostral (S) :
o conjunto formado por todos os resultados possveis de um experimento aleatrio.
1.2 - Evento :
um conjunto composto de resultados possveis de um experimento aleatrio
pertencentes ao espao amostral.
Eventos especiais: Evento certo (S) ; Evento impossvel () e Evento elementar {si}.
1.3 - Medida de Probabilidade
1.3.1- Frequncia Relativa.
Considere um experimento aleatrio repetido n vezes, onde nA representa o nmero
de vezes que o evento A, de interesse para este experimento, ocorre nas n repeties do
experimento.
Denomina-se de freqncia relativa de ocorrncia do evento A (fA) a relao:
fA = nA / n
1.3.2 - Definio de Probabilidade
- Definio Clssica:
Considerando-se que os resultados possveis de um experimento aleatrio, pertencentes
ao espao amostral, so igualmente provveis de ocorrer, ento a probabilidade de
ocorrncia de um evento A, definido para o experimento aleatrio, dada por:
P(A) = NA / N

onde:

NA - o nmero de resultados favorveis (pertencentes) ao evento A.


N - o nmero total de resultados possveis ou pertencentes ao espao amostral.
- Definio de Freqncia Relativa:
P(A) = lim fA = lim nA / n
n
n
desta forma deduz-se que para se obter a probabilidade de ocorrncia do evento A
necessrio repetir o experimento infinitas vezes.
- Definio Axiomtica:
a) 0 P(A) 1
b) P(S) = 1
c) Se A e B so eventos mutuamente exclusivos, isto , AB = ento:
P(AUB ) = P(A) + P(B)
d) Se A1, A2, ..., An , .... so, dois a dois, eventos mutuamente exclusivos, ento:

P(U Ai) = P(A1) + P(A2) + ... + P(An) + ... = P(Ai )


i=1

i=1

1.4 Propriedades da Probabilidade


a) Se o evento impossvel (vazio ou nulo ), ento: P() = 0
_
b) Se A o evento complementar do evento A, ento:
_
P(A) = 1 - P(A)
c) Se A e B so eventos quaisquer, ento:
P(A U B) = P(A) + P(B) - P(A B)
d) Se A B ento P(A) P(B)
1.5 - Probabilidade Marginal
Sejam A1 , A2, ..., An n eventos mutuamente exclusivos entre si, e associados a um
espao amostral S, onde: U ni =1 Ai = S. Diz-se, neste caso, que os eventos Ai`s constituem
uma Partio do espao amostral S.
Seja B um evento tambm associado ao espao amostral S, que ocorre conjuntamente
(possui interseo) com um e somente um dos eventos Ai.
B = B S = B ( U ni =1 Ai ) = (B A1) U (B A2) U . . . U (B An)
B = (U ni =1 Ai B), ento
P[B] = n i =1 P[Ai B] , a qual chamada de Probabilidade Marginal
1.6 - Probabilidade Condicional
Ex. 1- Considere o experimento aleatrio que consiste na retirada aleatria de dois
componentes de um lote formado de 10 componentes defeituosos e 40 no defeituosos. Para
este experimento so definidos os seguintes eventos:
A = {O primeiro componente retirado defeituoso}.
B = {O segundo componente retirado defeituoso}.
Determine a probabilidade dos eventos A e B considerando que os componentes so
retirados sem reposio.
Soluo:
a) P(A) = 10/50 P(B) = 9/49 ( Se A ocorreu ) ou P(B) = 10/49 ( Se A no ocorreu )
Agora os eventos so redefinidos:
A = {O primeiro componente retirado perfeito}.
B = {O segundo componente retirado defeituoso}.
Determine a probabilidade dos eventos A e B considerando que os componentes so
retirados sem reposio.
Soluo:
b) P(A) = 40/50 P(B) = 10/49 ( Se A ocorreu ) ou P(B) = 9/49 ( Se A no ocorreu )
O que pode-se concluir desses resultados que a probabilidade de ocorrncia do
evento B est condicionada a ocorrncia anterior do evento A, portanto existe a necessidade
de se introduzir o conceito de probabilidade condicional (ou condicionada).

Sejam A e B eventos associados a um experimento aleatrio. Representaremos por


P(B/A) a probabilidade condicional do evento B ocorrer dado que o evento A ocorreu.
Ex. 2- Considere o experimento de retirada de duas cartas, uma de cada vez, de um conjunto
formado de quatro cartas numeradas de 1 a 4. Para este experimento so definidos os
seguintes eventos:
A = {a soma dos nmeros das cartas retiradas igual a cinco};
B = {onmero da primeira carta retirada maior do que o nmero da segunda carta retirada}.
Determine as probabilidades P(A) , P(B) e P(B/A).
Soluo:
Espao amostral S:
S={(1,2); (1,3); (1,4); (2,3); (2,4); (3,4); (2,1); (3,1); (4,1); (3,2); (4,2); (4,3)}
Conjunto dos Eventos A e B:
A={(1,4); (2,3); (4,1); (3,2)}
B={(2,1); (3,1); (4,1); (3,2); (4,2); (4,3)}
Clculo das probabilidades:
P(A) = 4/12 = 1/3
P(B) = 6/12 = 1/2
P(B/A) = 2/4
Observe que para a obteno de P(B/A) foi utilizado o conjunto do evento A, uma
vez que a ocorrncia do evento B est condicionada a ocorrncia anterior do evento A.
Essencialmente P(B/A) representa a probabilidade da ocorrncia do evento B naqueles
resultados em que A tenha ocorrido.
Calculemos agora a probabilidade da interseo dos eventos A e B, P(AB) e a
razo entre as probabilidades P(AB) / P(A).
P(AB) = 2/12 (obtido de S).
P(AB) / P(A) = (2/12) / (4/12) = 2/4
Podemos observar que a razo acima apresentou um resultado igual a
probabilidade P(B/A). Portanto, intuitivamente, podemos concluir que P(B/A)= P(AB)/P(A).
Essa soluo para P(B/A) = P(AB)/P(A) apesar de obtida, especificamente, para
o exemplo estudado, uma soluo geral que pode ser interpretada pelo uso do conceito de
freqncia relativa.
Suponhamos que um experimento aleatrio repetido n vezes, onde:
nA - o nmero de vezes que o evento A ocorre nas n repeties;
nAB- o nmero de vezes que o evento AB (interseo dos eventos) ocorre nas n repeties;
fA = nA/n - a freqncia relativa do evento A;
fAB = nAB/n - a freqncia relativa do evento AB; e
nAB/nA - a freqncia relativa do evento B condicionada a ocorrncia anterior do evento A,
ou seja, a ocorrncia de B naqueles resultados em que A tenha ocorrido.
Podemos escrever ento que:
nAB/nA = (nAB/n) / (nA/n) nAB/nA = fAB/fA
Como os termos da equao acima representam freqncias relativas bvio que se
n, o nmero de repeties do experimento, tender ao infinito, essas freqncias relativas
sero a probabilidade dos eventos que elas representam e poderemos escrever ento que:
P(B/A) = lim [fAB/ fA] P(B/A) = P(AB) /P(A).
n

1.7 - Probabilidade total.


D-se o nome de probabilidade total probabilidade marginal computada com o uso da
probabilidade condicional, onde a ocorrncia do evento B est condicionada a ocorrncia
anterior do evento Ai.
P[B] = n i =1 P[Ai . B]
Como:
P[B / Ai ] = P[Ai. B ] / P[Ai ] P[Ai. B ] = P[B / Ai ] P[Ai ]
Ento:
P[B] = n i =1 P[B / Ai ] P[Ai ]
1.8- Independncia de Eventos
Dois eventos, A e B, so estatisticamente independentes se a ocorrncia anterior de um
deles no influenciar a ocorrncia posterior do outro.
P[A/B] = P[A] e P[B/A] = P[B]
P[A.B] = P[A/B] P[B] = P[B/A] P[A] P[A.B] = P[A] P[B]
1.9 - Teorema de Bayes
Considere que os eventos A1, A2, . . ., An constituem uma partio do espao amostral S,
onde P[Ai] > 0.
Seja B um evento que ocorre conjuntamente com um e somente um dos eventos Ai.
Deseja-se determinar a probabilidade de ocorrncia de um dos eventos Ai dado que o evento
B ocorreu.
P[Ai / B] = P[Ai.B] / P[B]
P[B] = n i =1 P[B / Ai ] P[Ai ] probabilidade total
Como P[Ai.B] = P[B / Ai ] P[Ai ], tem-se ento que:
P[Ai / B] = {P[B / Ai ] P[Ai ]} / nj =1 P[B / Aj ]. P[Aj ]

Ex 1.1.1- Um experimento aleatrio consiste na retirada de duas cartas, ao mesmo tempo, de


um conjunto de 4 cartas composta de um s, um Rei, um Valete e uma Dama. Determine o
espao amostral desse experimento.
Ex 1.1.2- Uma moeda lanada duas vezes. Determine um espao amostral.
Ex 1.2.1- Um experimento aleatrio consiste na retirada de uma carta de um conjunto de 4
cartas numeradas de 1 a 4. Determine o conjunto do evento, sabendo-se que o evento
definido como sendo a retirada de uma carta par ou uma carta impar.
Ex 1.2.2- Para o exemplo anterior, o evento definido como sendo a retirada de uma carta
par.
Ex 1.2.3 - Um dado lanado uma vez. O evento E definido como sendo o aparecimento
do nmero sete na face superior do dado. Determine E .
Ex 1.3.2.1- Com os dgitos 1, 4, 7, 8, e 9 so formados nmeros de 3 algarismos distintos.
Um deles escolhido ao acaso. Qual a probabilidade dele ser mpar?
Ex 1.3.2.2- Um dado no viciado lanado uma nica vez. Qual a probabilidade de
aparecer um nmero par na sua face superior?
Ex 1.5.1- Testes de qualidade foram realizados nos circuitos integrados produzidos por
diversos fabricantes, tendo-se obtido os seguintes resultados em relao aos defeitos
encontrados:
Fabricantes

Classe
Nenhum ( N )

F1
F2
F3
Total

50
30
20
100

de
Srio ( S )
15
5
10
30

Defeitos

Total

Crtico ( C )
20
15
5
40

85
50
35
170

Qual a probabilidade de que um circuito integrado, selecionado aleatoriamente dos 170


no apresente defeito? Apresente defeito srio e seja produzido por F1.
Ex. 1.6.1- Suponha que em uma loja existam 20 microcomputadores, conforme mostra a
tabela abaixo. Alguns micros possuem 120Gbytes (120G) de memria rgida, enquanto
outros possuem 80Gbytes (80G). Alguns micros tm monitor de 15 polegadas (M15) e
outros tm monitor de 17 polegadas (M17).Um cliente entra na loja e escolhe,
aleatoriamente, um micro e observa na ficha tcnica do equipamento que o mesmo possui
um monitor de 15 polegadas. Qual a probabilidade de que este micro possua 120 Gbytes
de memria rgida.
120G
80G
Total
M15
8
6
14
M17
2
4
6
Total
10
10
20

Ex. 1.7.1- Uma caixa contm 2.000 componentes, dos quais 5% so defeituosos. Uma
segunda caixa contm 500 componentes, dos quais 10% so defeituosos. Seleciona-se,
aleatoriamente, uma das caixas e retira-se dela um componente. Qual a probabilidade do
componente ser defeituoso? Dado que o componente defeituoso, qual a probabilidade da
segunda caixa ter sido selecionada?
Ex. 1.8.1- Considere o lanamento de dois dados no viciados. Os eventos A e B so
definidos da seguinte maneira:
A = {O primeiro dado mostra um nmero par};
B = {O segundo dado mostra um nmero impar}
Verifique se os eventos so independentes.
Ex. 1.9.1- Um canal de comunicao binrio um sistema de transmisso onde os dados
so transmitidos na forma de 0 e 1. Por causa do rudo um 0 transmitido algumas vezes
recebido como 1 e um 1 transmitido algumas vezes recebido como 0. Assuma que para
um certo canal de comunicao binrio a probabilidade de que um 0 transmitido seja
recebido como 0 de 0,95 e a probabilidade de um 1 transmitido seja recebido como 1 de
0,9. Tambm assuma que a probabilidade de um zero ser transmitido de 0,4. Ache:
a) A probabilidade de que um 1 seja recebido?;
b) A probabilidade de que um 1 transmitido dado que um 1 recebido?

Captulo II - Variveis Aleatrias


2.1 - Conceito de Varivel Aleatria.
Os resultados obtidos em um experimento aleatrio so especificados no espao amostral S.
Para cada resultado s S ser associado um nmero real X(s), atravs de uma regra X
denominada de varivel aleatria. Portanto X uma funo cujo domnio o espao
amostral S e o contradomnio o conjunto RX composto pelos nmeros X(s).
S
s1

RX
X

X (s1)

ss2

Rx
X(s)

X (s2)

Domnio
X(s1) e X(s2)

X: S
s

Contradomnio

so os valores que a varivel aleatria X assume.

2.2 - Probabilidade associada Varivel Aleatria


Determinar a probabilidade da v.a. assumir um certo valor X(s), ou seja, P[X= X(s)]
2.3 - Variveis aleatrias Discretas e Contnuas.
2.3.1- Varivel Aleatria Discreta.
Se o contradomnio RX da v.a. X composto de um nmero finito ou infinito
numervel de valores, ou seja, de nmeros discretos, ento a v.a. denominada de discreta.
2.3.2- Varivel Aleatria Contnua.
Se o contradomnio RX da v.a. um intervalo ou uma coleo de intervalos, sendo
estes formados por um nmero infinito no numervel de valores, ento a v.a. denominada
de contnua.
2.4 - Funo Densidade de Probabilidade e Funo Distribuio de Probabilidade.
2.4.1- Funo Densidade de Probabilidade para uma v.a. Discreta ou Funo Massa de
Probabilidade.
Denomina-se de funo densidade de probabilidade (f.d.p.) de uma varivel
aleatria discreta X ou funo massa de probabilidade (f.m.p.) para a funo p(xi) = P[X=
xi], que representa a probabilidade da v.a. X assumir um determinado valor xi e que satisfaz
as seguintes condies:
a) p(xi ) 0 ; xi

b)
p( xi ) = 1.
xi = -
2.4.2 - Funo Distribuio de Probabilidade para uma Varivel Aleatria Discreta.
7

De uma forma geral, denomina-se de funo distribuio de probabilidade de uma varivel


aleatria X para a funo F(x) = P[ X x ] com - x .
Para uma varivel aleatria discreta X a funo distribuio de probabilidade assume a
forma:
x
F(x) = p(xi)
xi = -
e que representa a probabilidade da varivel aleatria discreta X assumir um valor menor ou
igual a x.
2.4.3- Funo Densidade de Probabilidade para uma Varivel Aleatria Contnua.
A funo representada por f(x) definida como sendo a funo densidade de
probabilidade de uma varivel aleatria contnua se ela satisfaz as seguintes condies:
a) f(x) 0 ; x RX

b) f(x) dx = 1
-
2.4.4- Funo Distribuio de Probabilidade para uma Varivel Aleatria Contnua.
Se f(x) uma funo densidade de probabilidade, ento a funo:
x
F(x) = f(x) dx
-
denominada de funo distribuio de probabilidade da varivel aleatria contnua X.
2.4.5- Propriedades da Funo Distribuio de Probabilidade,
a) F(x) no decrescente, isto , se x1 x2, ento F(x1) F(x2);
b) lim F(x) = F(-) = 0;
x -
c) lim F(x) = F() = 1
x
d) dF(x) /dx = f(x):
e) F(x) contnua a direita, isto , F(x+) = F(x) , onde:
F(x+) = lim F(x + )
0
>0

Clculo de Probabilidade:
b
a) Para um intervalo [a,b] a P[a X b] = f(x)dx = F(b) F(a) ; onde a< b
a
b) Sendo X uma v.a. contnua a P[ X= x0 ] = 0

2.5 - Funes Densidade e Distribuio de algumas variveis aleatrias Importantes


So funes previamente conhecidas e utilizadas para descrever o comportamento
probabilstico de certos fenmenos aleatrios.
2.5.1- Varivel Aleatria Discreta.
2.5.1.1 Varivel Aleatria Binomial - B(n,p)
a) Caractersticas:
a.1) O experimento aleatrio repetido n vezes (sob as mesmas condies);
a.2) O experimento aleatrio conduz a somente dois resultados ou eventos;
a.3) As n realizaes do experimento aleatrio so independentes;
a.4) A probabilidade do evento de interesse ocorrer permanece constante nas n repeties.
b) Parmetros que caracterizam a Distribuio Binomial:
b.1) p - representa a probabilidade do evento de interesse ocorrer (sucesso);
b.2) q - representa a probabilidade do evento de interesse no ocorrer (fracasso);
b.3) n - representa o nmero de vezes que o experimento repetido;
b.4) xi - representa o nmero de vezes que o evento de interesse ocorre ou o valor que a
varivel aleatria pode assumir
b.5) p+ q = 1
c) Funo Densidade de Probabilidade
xi xi n-xi
p(xi ) = C p q
representa a probabilidade do evento de
n
interesse ocorrer xi vezes nas n repeties
d) Funo Distribuio de Probabilidade
x
xi xi n-xi
F(x) =
C p q
xi = 0 n
2.5.1.2 Varivel Aleatria de Poisson P()
Representa uma extenso da distribuio binomial e se aplica quando o nmero de
vezes que o experimento repetido muito grande e a probabilidade do evento de interesse
ocorrer muito pequena.
a) Parmetros
a.1) - representa um valor mdio e dado por = n.p
a.2) xi - representa o nmero de vezes que o evento de interesse ocorre ou o valor que
a varivel aleatria pode assumir
b) Funo Densidade de Probabilidade da v.a. de Poisson
- xi
p(xi) = e . / xi!
c) Funo Distribuio de Probabilidade
9

x - xi
F(x) = e / xi!
xi = 0
2.5.2 - Varivel Aleatria Contnua.
2.5.2.1 Varivel Aleatria Uniforme (Retangular) - U(a,b)
a) Funo densidade de probabilidade
f(x) = { 0
; x<a
{ 1/ (b-a) ; a x < b
{0
; xb

com b > a

b) Funo distribuio de probabilidade


F(x) = { 0
; x < a
{ (x-a) / (b-a) ; a x < b
{ 1
; x b
2.5.2.2 - Distribuio Gaussiana ou Normal N( ; 2 )
a) Funo densidade de Probabilidade:
- (1/2) [( x - ) / ] 2
f(x) = 1/ ( 2 ) e
;
onde: o desvio padro e a mdia

- < x<

b) Funo distribuio de probabilidade


x
F(x) = f(u) du = [(X- ) / ]
-
2.5.2.2.1 - Distribuio Normal Padro (unitria) N(0;1)
um caso particular da distribuio normal ou gaussiana, quando = 0 e = 1.
Portanto a funo densidade de probabilidade toma a forma:
- x2 / 2
f(x) = (1/ 2 ) e
; -<x<
2.5.2.2.2 - Transformao de uma distribuio gaussiana N( ; 2 ) em normal padro N(0;1)
Z = ( X- ) /
2.5.2.3 - Distribuio Exponencial Exp (1/)
a) Funo densidade de probabilidade:
- x/
f(x) = { (1/ ) e ; x 0
{ 0
; x<0
b) Funo distribuio de probabilidade
10

x
-u/
F(x) = (1/) e
du = 1 e x/ ; x 0
0
2.6 - Varivel Aleatria Bidimensional
2.6.1 - Conceito.
Seja S o espao amostral associado a um experimento aleatrio. Se X e Y so duas
funes que atribuem a cada resultado s S um nmero real X(s) e Y(s), respectivamente,
ento o par (X,Y) ser denominado de varivel aleatria bidimensional

RXY
(X,Y)

s1

[X(s1),Y(s1)]

ss
s2

[X(s2),Y(s2)]

Domnio

Contradomnio

[X(s1),Y(s1)] e [X(s2),Y(s2)] so os valores que a varivel aleatria bidimensional (X,Y)


assume para os resultados s1 e s2 pertencentes a S, respectivamente.
2.6.2 - Probabilidade associada a Varivel Aleatria bidimensional.
Objetivo determinar P[ X=X(s), Y= Y(s)], ou seja, a probabilidade da V. A. X
assumir o valor X(s) e a V. A. Y assumir o valor Y(s).
2.6.3 - Variveis aleatrias bidimensionais Discretas e Contnuas.
Se RXY composto de nmeros discretos, ento a V. A. ser discreta. Se RXY composto de
nmeros contnuos , ento a V. A. ser do tipo contnua.
2.7 - Funo Densidade de Probabilidade Conjunta e Funo Distribuio de Probabilidade
Conjunta para uma varivel aleatria bidimensional.

2.7.1- Funo Densidade de Probabilidade Conjunta para uma V.A. bidimensional Discreta.
uma funo definida por p(xi, yJ) = P[X= xi , Y= yJ] e que satisfaz as seguintes condies:
a) p(xi, yJ) 0

xi ,yJ RXY

11


b)
yJ= -

p(xi, yJ) = 1
xi= -

2.7.2 - Funo Distribuio de Probabilidade Conjunta para uma varivel aleatria


bidimensional Discreta.
De uma forma geral denomina-se de funo distribuio de probabilidade conjunta
para a funo F(x,y) = P[X x,Y y].
Para uma varivel aleatria bidimensional discreta tem-se que;
y
x
F(x,y) =
p(xi , yJ)
yJ= - xi = -
2.8 - Funo Densidade de Probabilidade Conjunta e Funo Distribuio de Probabilidade
Conjunta para uma varivel aleatria bidimensional Contnua.
2.8.1- Funo densidade de probabilidade conjunta.
Chama-se de funo densidade de probabilidade conjunta para a funo representada
por f(x,y) e que satisfaz as seguintes condies:
a) f (x,y) 0 ; x,y RXY ;

b) f (x,y) dx dy = 1
- -
2.8.2- Funo Distribuio de Probabilidade Conjunta.
Se a funo f (x,y) uma funo densidade de probabilidade conjunta,
funo representada por
y x
F(x,y)= f(x,y) dx dy denominada de funo distribuio
- -
de probabilidade conjunta

ento

2.8.3 - Propriedades da Funo Distribuio de Probabilidade Conjunta.


a) F(-,-) = 0;
b) F(- , y) = 0;
c) F(x,- ) = 0;
d) F(,y) = FY(y) funo distribuio de probabilidade marginal da varivel aleatria Y;
e) F(x,) = FX(x) funo distribuio de probabilidade marginal da varivel aleatria X;
f) F( , ) = 1
g) f(x ,y ) = 2 F(x,y) / X Y

2.9 - Funo Densidade de Probabilidade Marginal e Funo Distribuio de Probabilidade


Marginal.

12

A varivel aleatria Bidimensional (X,Y) composta de duas variveis aleatrias


unidimensionais X e Y. Se estivermos interessados em estudar as caractersticas de apenas
uma das variveis aleatrias que compem a varivel aleatria bidimensional, ento as
caractersticas desta varivel aleatria so denominadas de marginais. Para tanto necessrio
que nenhuma restrio seja imposta com relao aos valores que a outra varivel aleatria
possa assumir

2.9.1- Funo Densidade de Probabilidade Marginal para uma Varivel Aleatria Discreta
a funo designada por pX(xi) = P[X=xi , sem nenhuma restrio sobre a v. a. y]. A
v. a. Y pode assumir todos os valores desde - at +, ou seja:
pX(xi) = P[X=xi ,Y=y1;ou X=xi , Y=y2 ; ou ...]

pX(xi) = P[X=xi ,Y=yJ] pX(xi) = p(xi , yJ)


yJ= -
yJ= -
2.9.2- Funo Distribuio de Probabilidade Marginal para uma Varivel Aleatria Discreta.
a funo representada por:
FX (x) = P[X x, sem nenhuma restrio sobre a V. A. Y]
FX (x) = P[X x, Y ] = F(x, )
x

x
FX (x) =

p(xi, yJ)
FX (x) = pX (xi)
xi= - yJ = -
xi= -
2.9.3- Funo Densidade de Probabilidade Marginal para uma Varivel Aleatria Contnua.
Por analogia com a funo densidade de probabilidade Marginal obtida para uma
varivel aleatria discreta, tem-se que a funo densidade de probabilidade marginal para
uma varivel aleatria contnua dada por:

fX(x) = f(x,y) dy
-
2.9.4- Funo Distribuio de Probabilidade Marginal para uma Varivel Aleatria
Contnua.
Sabe-se que F(x,) = FX(x) representa a funo distribuio de probabilidade
marginal da V. A. X, ento:
x
x
FX (x) = f(u,y) dydu FX (x) = fX (u)du
- -
-

13

2.10 - Funo Densidade de Probabilidade Condicional e Funo Distribuio de


Probabilidade Condicional.
2.10.1 - Funo Densidade de Probabilidade Condicional para uma Varivel Aleatria
Discreta.
Sabe-se que P[A/B] = P[AB] / P[B] .
Se A ={ X=xi } representa o evento a v. a. X assumir o valor xi e B = {Y= yJ } representa
o evento a v. a. Y assumir o valor yJ. Ento tem-se que:
P[ X= xi / Y= yJ] = P[X= xi , Y= yJ] / P[Y= yJ] , representa a probabilidade da varivel
aleatria X assumir um valor xi dado que a varivel aleatria Y assumiu um valor yJ, que
pode ser expressa pela equao:
pX/Y(xi /yJ) = p(xi ,yJ) / pY(yJ) que a funo densidade de probabilidade condicional para
uma varivel aleatria discreta.
2.10.2 - Funo Distribuio de Probabilidade Condicional para uma Varivel Aleatria
Discreta.
Esta funo representa a probabilidade da varivel aleatria X assumir um valor
menor ou igual a x dado que a varivel aleatria Y assumiu um determinado valor yJ. Ento:
x
FX/Y (x/yJ) = P[X x / Y= yJ] FX/Y (x/yJ) = pX/Y (xi/yJ)
xi= -
2.10.3 - Funo Densidade de Probabilidade Condicional para uma Varivel Aleatria
Contnua.
a funo representada por fX/Y (x/y) e por analogia com a funo densidade de
probabilidade para uma varivel aleatria discreta tem-se que:
fX/Y (x/y) = f (x,y) / fY(y)
2.10.4 - Funo Distribuio de Probabilidade Condicional para uma Varivel Aleatria
Contnua.
Esta funo pode ser representada por FX/Y (x / y) ou FX/Y (x /Y y) e pode ser
interpretada de duas formas, tendo os seguintes significados:
a) FX/Y (x / y) = P[X x / Y= y] , ou seja, a probabilidade da varivel aleatria X assumir
um valor menor ou igual a x dado que a varivel aleatria Y assumiu um valor igual a y. por
analogia com a funo distribuio de probabilidade para uma varivel aleatria discreta tem
que:

FX/Y (x / y) = f(x,y) dx / fY(y)


-
b) FX/Y (x / Y y) = P[X x / Y y] , ou seja, a probabilidade da varivel aleatria X
assumir um valor menor ou igual a x dado que a varivel aleatria Y assumiu um valor
menor ou igual a y.

14

FX/Y (x / Y y) = P[X x, Y y] / P[Y y]


FX/Y (x / Y y) = F(x,y) / FY(y)
x y
y
FX/Y (x / Y y) = f(u,v) dvdu / fY(v) dv
- -
-

2.11 - Variveis Aleatrias Independentes


Do captulo I sabe-se que P[A.B] = P[A].P[B] para que os eventos A e B sejam
independentes.
2.11.1 - Independncia de Variveis Aleatrias Discretas
a) Em relao a Funo Densidade de Probabilidade.
p(xi , yJ) = P[X = xi, Y = yJ] p(xi , yJ) = P[X = xi] P[ Y = yJ]
p(xi , yJ) = pX(xi). pY(yJ)

b) Em Relao a Funo Distribuio de Probabilidade


P[X x ,Y y]= P[X x] .P[Y y]
F(x,y) = FX(x). FY(y)
2.11.2- Independncia de Variveis Aleatrias Contnuas
a) Em relao a Funo Densidade de Probabilidade.
Por analogia com o caso discreto tem-se que:
f(x,y) = fX(x) fY(y)
b) Em Relao a Funo Distribuio de Probabilidade.
Por analogia com o caso discreto tem-se que:
P[X x ,Y y] = P[X x]. P[Y y]
F(x,y) = FX(x). FY(y)

15

Ex 2.1.1- Duas cartas so retiradas ao mesmo tempo, de um conjunto formado pelas cartas
de nmero 1, 2, 3 e 6. Para este experimento aleatrio a varivel aleatria X representa o
produto dos nmeros que as cartas retiradas mostram. Faa a representao esquemtica
desta varivel aleatria e obtenha o seu contradomnio RX.
Ex 2.2.1- Determine a probabilidade da varivel aleatria X, definida no exemplo anterior,
assumir os valores 2 e 6.
Ex 2.4.2.1- Um experimento aleatrio consiste na retirada aleatria de duas bolas, ao mesmo
tempo, de uma urna contendo trs bolas azuis e duas vermelhas. Para este experimento
definida a varivel aleatria X como sendo o nmero de bolas azuis retiradas. Determine a
funo densidade de probabilidade de X.
Ex 2.4.2.2- Para o experimento aleatrio acima referido, determine a probabilidade da
varivel aleatria X assumir os seguintes valores:
a){ x > 1} ; b) {0< x 1} ; {x 3}
Ex 2.4.2.3- Faa a representao grfica da funo densidade de probabilidade da v.a. X
referida no exemplo 1
Ex 2.4.4.1 - A v.a. X tem f(x) = a x
; 0 x 1
= ax / 2 ; 1 x 2
= 0
; para outros valores de x
Determine:
a) O valor da constante a para que f(x) seja uma funo densidade de probabilidade;
b) F(x).
Ex 2.4.4.2- Determine P[ X 3/2] para a varivel aleatria X do exemplo anterior.
Ex 2.5.1.1.1- Qual a probabilidade de obter-se, exatamente, duas vezes o nmero 1 em trs
lanamentos de um dado no viciado?
Ex 2.5.1.1.2- Qual a probabilidade de obter-se, no mximo, uma vez o nmero 1 em trs
lanamentos de um dado no viciado?
Ex 2.5.1.2.1- A probabilidade de ser produzida uma pea defeituosa em uma linha de
produo igual a 3 % . Qual a probabilidade de que, em uma produo de 300 unidades,
sejam encontradas no mximo 3 peas defeituosas ?
Ex 2.5.2.1.1- Uma varivel aleatria X uniformemente distribuda entre 10 e 20.
Determine a probabilidade da varivel aleatria assumir valores entre 12 e 16.
Ex 2.5.2.2.1- Uma varivel aleatria X normalmente distribuda com mdia igual a 1.200
e desvio padro igual a 200. Determine a P[ 800 X 1.000].

16

Ex 2.5.2.3.1- Em um experimento aleatrio verificou-se que a varivel aleatria Y, associada


ao experimento, segue uma distribuio exponencial com parmetro igual a 1/20. Determine
a probabilidade desta varivel aleatria assumir valores entre 10 e 20, ou seja, P[10 Y
20].
Ex 2.6.1.1- Um experimento aleatrio consiste na retirada de duas cartas, ao mesmo tempo,
de um conjunto formado pelas cartas 1 , 2 , 3 e 6. Define-se para este experimento as
seguintes variveis aleatrias: X - representa o produto dos nmeros que as cartas retiradas
apresentam; Y - representa a soma dos nmeros que as cartas retiradas apresentam.
Determine o contradomnio da v.a. bidimensional (X,Y)
Ex 2.6.2.1- Para o exemplo visto anteriormente, determine as seguintes probabilidades:
a) P[ X= 2, Y= 3] ; b) P[X= 6,Y=7] ; c) P[X= 6, Y=3]
Ex 2.7.1.1- Considere o experimento de retirada de duas bolas de uma urna contendo 4 bolas
azuis e 3 bolas vermelhas. Para esse experimento aleatrio so definidas as seguintes
variveis aleatrias: X o nmero de bolas azuis retiradas; Y o nmero de bolas vermelhas
retiradas. Determine a funo densidade de probabilidade conjunta de (X,Y).
Ex 2.7.2.1- Para o exemplo anterior determine as seguintes probabilidades:
a) P[ X 2, Y 1] ; b) P[X 3,Y 3]
Ex 2.8.1.1- Determine o valor da constante a para que a funo dada abaixo represente uma
funo densidade de probabilidade conjunta.
f(x,y) = { a [x2 + (xy / 3)] ; 0 x 1 ; 0 y 2
{0
; para outros x e y
Ex 2.8.2.1- Considerando-se o exemplo anterior e o valor de a obtido, determine
P[ X 1/2 , Y 1]
Ex 2.8.2.2- Determine a funo distribuio de probabilidade conjunta para a varivel
aleatria que apresenta a funo densidade de probabilidade dada no exemplo 2.8.1.1.
Ex 2.9.1.1- Para um experimento aleatrio, onde obteve-se a seguinte tabela, na qual esto
representados os valores da funo densidade de probabilidade conjunta da v.a. (X,Y),
determine pY (4);
xi

10

12

0,17
0,1

0,13
0,3

0,25
0,05

yj
4
5

Ex 2.9.2.1- Para o exemplo anterior determine FX (10).

17

Ex 2.9.3.1- Sabendo-se que a funo densidade de probabilidade conjunta f(x,y) dada por:
f(x,y) = { x2 + (xy)/3 ; 0 x 1 ; 0 y 2
{0
; para outros valores de x e y
Determine a funo densidade de probabilidade marginal para as variveis aleatrias X e Y.
Ex 2.9.4.1- Para o exemplo anterior determine a funo distribuio de probabilidade
marginal para as variveis aleatrias X e Y.
Ex 2.10.1.1- Duas linhas de produo fabricam um certo tipo de pea. Suponha que em
qualquer dia a capacidade de produo seja de 4 peas na linha I e de 2 peas na linha II.
Admita que o nmero de peas realmente produzidas, em qualquer linha, seja uma varivel
aleatria e que (X,Y) represente a varivel aleatria bidimensional que fornece o nmero de
peas produzidas pelas linhas I e II, respectivamente. A tabela abaixo apresenta a funo
densidade de probabilidade conjunta de (X,Y). Determine pX/Y (xi / 2) .
xi

0
0,01
0,02

0,01
0,02
0,05

0,03
0.04
0,09

0,05
0,05
0,11

0,16
0,14
0,22

yj
0
1
2

Ex 2.10.2.1- Para o exemplo anterior determine FX/Y (4 / 2).


Ex 2.10.3.1- Se a funo densidade de probabilidade conjunta das variveis aleatrias X e Y
dada por:
f(x,y) = { (x + y) / 3 ; 0 x 1 ; 0 y 2
{ 0
; para outros intervalos de x e y
determine a funo densidade de probabilidade condicional fX/Y (x / y);
Ex 2.10.4.1- Para o exemplo anterior determine FX/Y (x / y) = P[X x / Y= y]
Ex 2.11.2.1- Verifique se as variveis aleatrias X e Y so independentes , sabendo-se que a
funo densidade de probabilidade conjunta dada por:
-y
f(x,y) = { (1/2) e ; 0 x 2 , y 0
{ 0
; para outros intervalos

Captulo III Valores Esperados

18

3.1- Valor mdio ou Mdia de uma Varivel Aleatria.


Representa a mdia aritmtica ponderada dos valores que a varivel aleatria assume,
tendo como peso a funo densidade de probabilidade.
3.1.1- Valor mdio para uma Varivel Aleatria Discreta.

E[X] = X = xi p(xi)
xi= -
3.1.2- Valor mdio para uma Varivel Aleatria Contnua.
Por analogia com a equao anterior tem-se que:

E[X] = X = x f(x) dx
-
3.2 Momento.
o valor mdio dos valores que a varivel aleatria assume elevados a uma potncia r.
3.2.1- Momento para uma v. a. Discreta

E[ Xr ] = mr = xir p(xi)
xi = -
3.2.2 - Momento para uma v. a. Contnua.

r
E[X ] = mr = xr f(x) dx
-
3.3 - Momento Central.
o valor mdio do desvio em relao a mdia da v. a. elevado a uma potncia r.
O desvio da mdia a diferena entre os valores que a V. A. assume e a sua mdia, isto
, (xi-X) ou (x-X) para o caso de uma v. a. discreta ou contnua, respectivamente.

3.3.1- Momento Central para uma v. a. Discreta.

r
E[ (X-X) ] = mcr = (xi-X) r p(xi)
xi = -
3.3.2- Momento Central para uma v. a. Contnua.

r
E[ (X-X) ] = mcr =
(x-X) r f(x) dx
-

3.4 Varincia.

19

definida como sendo o segundo momento central da varivel aleatria, ou seja,


Var[X] = x2 = E[(X-x)2]
3.4.1- Varincia para uma Varivel Aleatria Discreta.

2
x = (xi-X)2 p(xi)
xi = -
3.4.2- Varincia para uma Varivel Aleatria Contnua.

2
x =
(x-X) 2 f(x) dx
-
Obs. A varincia uma medida de disperso da varivel aleatria e ter um valor grande
(ser mais dispersa) quanto mais distante da mdia X, a varivel aleatria assumir valores
com grandes probabilidades e ter um valor pequeno (ser menos dispersa ou mais
concentrada) quanto mais prximo da mdia a varivel aleatria assumir valores com
grandes probabilidades.
3.4.3- Propriedades da Varincia.
a) Var[ k X] = k2 Var[X] = k2 x2
b) Se X1, X2 , ... , Xn so v.as. independentes, ento:
Var[X1+X2 + ... + Xn] = Var[X1]+Var[X2]+...+ Var[Xn]
c) Var[X] = x2 = E[X2] - x2
3.5- Desvio Padro.
___
x = + x2
3.6 - Propriedades do Valor Esperado.
a) Se k uma constante, ento E[k]= k;
b) E[k X] = k E[X];
c) E[X1 + X2] = E[X1] + E[X2];
n
n
d) E[ ki Xi] = ki E[ Xi];
i=1
i=1
e) Se X e Y so variveis aleatrias independentes, ento:
E[XY] = E[X] E[Y];

3.7- Covarincia e Coeficiente de Correlao.

20

3.7.1- Covarincia
a varincia entre duas variveis aleatrias e representa o valor mdio do produto
dos desvios das mdias das variveis aleatrias.
XY = E[(X-X) (Y-Y)] XY = E[XY] - X Y
3.7.2- Coeficiente de Correlao.
o parmetro que mede o grau de linearidade entre duas variveis aleatrias ou a
dependncia linear entre elas.
XY = XY / X Y , onde: X o desvio padro da v. a. X;
Y o desvio padro da v. a. Y;
e -1 XY 1
valores de XY prximos a 1 indicam alto grau de linearidade
valores de XY prximos a 0 indicam falta de linearidade
XY positivo indica que Y cresce com valores crescentes de X
XY negativo indica que Y decresce com valores crescentes de X.
3.8 - Esperana Condicional.
o valor mdio dos valores que a varivel aleatria X assume dado que a varivel
aleatria Y assumiu um determinado valor a priori.
3.8.1- Esperana Condicional para Varivel Aleatria Discreta

E[X/Y= yJ ] = xi pX/Y(xi/yJ)
xi = -
3.8.2-Esperana Condicional para varivel aleatria contnua

E[X/Y= yJ ] = x fX/Y(x/y)dx
-
3.9 Funo Geratriz de Momentos.
Suponha que g(X) seja uma varivel, funo de uma varivel aleatria X complexa,
atravs da expresso g(X) = e jX. Denomina-se de funo geratriz de momentos ao valor
mdio de g(X), isto , X () = E[e jX].
3.9.1 Funo Geratriz de Momentos para uma varivel aleatria Discreta.

X () =
e jxi p(xi)
xi = -
3.9.2 Funo Geratriz de Momentos para uma varivel aleatria Contnua.

X () = e jx f(x) dx
-
3.9.3 Aplicao da Funo Geratriz de Momentos no Clculo de Momentos.

21

Expandindo-se X() em uma srie de potncias, mais precisamente, na srie de


Mclaurin, tem-se:
X () = 0 + 1 + 2 2 + . . . + n k

(I)

Os coeficientes podem ser obtidos da seguinte maneira:


0 = X () =0

1 = dX () / d =0

2 = (1/ 2! ) d2X () / d2 =0

k = (1/ k! ) d kX () / dk =0
Expandindo-se na srie de Mclaurin o termo e jX tem-se:
e jx = 1 + j x + (j x)2 / 2! + . . . + (j x)k / k!
Usando-se o termo e jx expandido na srie de Mclaurin obtm-se :

X () = E[e jX] = [1 + j x + (j x)2 / 2! + . . . + (j x)k / k! ] f(x) dx


-

X () = f(x)dx + j x f(x) dx + [(j x)2 / 2! ] f(x) dx + [(j x)k / k! ] f(x) dx


-
-
-
-
X () = 1 + j E[X] + (j2 2 / 2!) E[X2 ]+ . . . + (jk k / k!) E[Xk ]

( II )

Comparando-se as equaes I e II, tem-se:


0 = 1
1 = j E[X] E[X] = 1 / j
2 = j2 E[X2] / 2! E[X2] = 2! 2 / j2
k = jk E[Xk] / k! E[Xk] = k! k / jk
A ltima expresso, E[Xk] = k! k / jk , possibilita o clculo do k-simo momento de
uma varivel aleatria X a partir do conhecimento da sua funo caracterstica.

22

Ex 3.1.2.1- Determine o valor mdio da varivel aleatria X que apresenta a seguinte funo
densidade de probabilidade:
f(x) = { 2x
0x1
{ 0
para outros valores de x
Ex 3.2.1.1- Determine o 2 momento da v. a. X que representa o nmero da face superior
de um dado em um nico lanamento.
Ex 3.3.1.1- Determine para o exemplo anterior o 2 momento central da v. a. X .
Ex 3.4.1.1- A varivel aleatria Y = 2X, onde X uma varivel aleatria que apresenta a
seguinte funo densidade de probabilidade:
xi
p(xi)

2
1/4

3
1/2

4
1/4

Determine a varincia da varivel aleatria de Y.


Ex 3.4.2.1- Determine a varincia de uma varivel aleatria uniformemente distribuda entre
0 e 4.
Ex 3.7.2.1- Suponha que a varivel aleatria Y esteja relacionada com a varivel aleatria X
pela expresso Y = -3X/2, onde a v. a. X uniformemente distribuda entre 0 e 2. Determine
o coeficiente de correlao.
Ex 3.8.2.1- Se a funo densidade de probabilidade conjunta das variveis aleatrias X e Y
dada por:
f(x,y) = { (x + y) / 3
{ 0

0 x 1 ; 0 y 2
para outros valores de x e y

determine o valor mdio condicional E[X / Y=1].

Ex. 3.9.1 Ache a funo geratriz de momentos da varivel aleatria X uniformemente


distribuda entre 0 e 2. Use a funo geratriz de momentos para calcular o 2 momento da
varivel aleatria X.

23

Captulo IV - Funo de Varivel Aleatria.


Supor que tem-se uma varivel Y como funo da varivel aleatria X, isto ,
Y = g(X), ento Y , tambm, uma varivel aleatria.
Objetivo - Determinar a funo densidade de probabilidade da varivel aleatria Y, dada a
funo densidade de probabilidade da varivel aleatria X.
4.1- Funo de Varivel Aleatria para Varivel Aleatria Discreta.
O procedimento adotado para determinar a funo densidade de probabilidade da
varivel aleatria Y, que funo da varivel aleatria X, ser mostrado atravs de um
exemplo ( Ex. 4.1.1.).
4.2- Funo de Varivel Aleatria para Varivel Aleatria Contnua.
Como a varivel Y est relacionada com a varivel aleatria X e este relacionamento
representado por Y=g(X), estudaremos diversos tipos de expresses para g(x).
4.2.1- g(X) uma funo crescente.

yo = g(xo)

y1 = g(x1)
x1 = g -1(y1)

xo = g -1(yo)

P[Y yo] = P[X xo]

f(y) = f[g -1(y)] dg -1(y)/dy

24

4.2.2- g(X) uma funo decrescente

yo = g(xo)
x1 = g -1(y1)
xo = g -1(yo)

y1 = g(x1)

P[Y yo ] = P[X xo]

f(y) = f[g -1(y)] dg -1(y)/dy

4.2.3- g(X) uma funo mista


25

b
a

x1

x2

x3

x4

P[a Y b]=P[x1 X x2] +P[x3 X x4]


para um valor de y entre a e b a funo densidade de probabilidade :
f(y) = f[g1-1(y) ] dg1-1(y)/dy+ f[ g2-1(y)] dg2-1(y)/dy
onde: g1-1(y) a inversa de g(x) aplicada entre x1 e x2
g2-1(y) a inversa de g(x) aplicada entre x3 e x4
4.2.4- g(X) uma funo jump (salto).

y
b

x1

P[a< Y< b] = P[X= x1]

f(y) = 0

4.2.5- g(X) uma constante


26

y
k

P[Y= k] = P[a X b]
b
P[Y= k] = f(x)dx
a
4.3 - Soma de Duas Variveis Aleatrias.
Considere a varivel Y como sendo funo de duas variveis aleatrias atravs da
soma, ou seja, Y = X1 + X2, onde as variveis aleatrias so independentes. O nosso
objetivo determinar a funo densidade de probabilidade da varivel aleatria Y.
4.3.1- Soma de Duas Variveis Aleatrias Discretas.
O procedimento adotado para obter-se a funo densidade de
varivel aleatria Y ser visto atravs de um exemplo (Ex. 4.3.1.1 ).

p(yJ) =

probabilidade da

pX1(xi) pX2 (yJ -xi ) ( soma de convoluo)


xi = -

4.3.2- Soma de Duas Variveis Aleatrias Contnuas


Por analogia com o caso discreto tem-se que:

f(y) = fX1(x1) fX2(y-x1) dx1 = fX2(x2) fX1(y-x2) dx2


-
-
Esta integral recebe o nome de integral de convoluo e f(y) pode ser representada
pela operao de convoluo entre as funes fX1(x1) e fX2 (x2), ou seja, f(y) = fX1(x1) *
fX2(x2) ou f(y) = fX2(x2) * fX1(x1), devido esta operao ser comutativa.

27

4.3.2.1- Anlise Grfica da funo fX2(y-x1).


Seja

0 x2 2
fX2(x2) = { x2 /2
{ 0 para outros x2

substituindo-se o argumento x2 por x1 tem-se:


fX2(x1) = { x1 /2 0 x1 2
{0
c.c.
substituindo-se o argumento x1 por - x1 tem-se:
fX2(-x1) = { -x1 /2 0 -x 2
{0
c.c.

-2 x1 0

substituindo-se o argumento -x1 por (y - x1), atribuindo-se para y um valor, por exemplo,
igual a 1, tem-se:
fX2(1-x1) = {(1-x1)/2 0 1-x1 2
{0
c.c.

-1 -x1 1

-1 x1 1

4.3.2.2- Procedimento para Resolver a Convoluo.


1) Determinar o intervalo de variao de y.
2) Faa os grficos das funes fX1(x1) e fX2(-x1).
3) Plote em um nico grfico as funes fX1(x1) e fX2(y-x1) atribuindo para y o menor valor
do intervalo obtido no tem 1.
4) Resolva a integral de convoluo considerando os limites de integrao inferior e
superior, Li e Ls, respectivamente. Em seguida determine estes limites observando no
grfico do tem 3 se o produto das funes diferente de zero.
5) Desloque a funo fX2(y-x1), atribuindo para y um valor contido no intervalo obtido no
tem 1, sempre observando quando dois extremos das funes fX1(x1) e a funo deslocada
se tocam. Ento plote em um nico grfico as duas funes e resolva a integral de
convoluo, considerando os limites de integrao inferior e superior, Li e Ls,
respectivamente. Ento determine estes limites, observando no grfico se o produto das
funes diferente de zero.
6) Repita o tem 5 at que y tenha assumido todos os valores existentes dentro do intervalo
obtido no tem 1.
Ex 4.1.1- Uma urna contm 4 bolas numeradas de 1 a 4. O experimento consiste em retirarse uma bola da urna. A varivel aleatria X representa o nmero que a bola retirada
28

apresenta. Determine a funo densidade de probabilidade da varivel Y que est


relacionada a varivel aleatria X pela expresso Y = 2X + 1.
Ex 4.2.1- A funo densidade de probabilidade da varivel aleatria X dada por: f(x) = e-x
para x 0 e zero para outros valores de x. Sabe-se que Y uma varivel funo de X atravs
da expresso Y = 2X - 2. Determine a funo densidade de probabilidade da varivel Y.
Ex 4.2.2- A funo densidade de probabilidade da varivel aleatria X dada por:
f(x) = ax
0 x 4 e zero para outros x.
Determine f(y), sabendo-se que Y est relacionada com a V. A. X pela expresso
Y={ (X-2)2 para 1 x 4
{ 1
para 0 x 1
Ex. 4.3.1.1- Considere a existncia de duas urnas. Na urna 1 existem trs bolas numeradas
de 1 a 3, enquanto na urna 2 existem duas bolas numeradas, 4 e 5. O experimento aleatrio
consiste na retirada de uma bola de cada urna. A varivel aleatria X1 representa o valor que
a bola retirada da urna 1 apresenta, enquanto a varivel aleatria X2 representa o valor que a
bola retirada da urna 2 apresenta.. Determine a funo densidade de probabilidade da
varivel aleatria Y que funo de X1 e X2 atravs da soma Y = X1 + X2
Ex. 4.3.3.1- Determine a funo densidade de probabilidade da varivel aleatria Y = X1 +
X2, onde X1 e X2 so variveis aleatrias independentes e apresentam as seguintes funes
densidades de probabilidade:
fX1(x1) = { 1
0 x 1 1
fX2 (x2)= { x2/2
0< x2 < 2
{0
c.c.
{0
c.c.

Ex. 4.3.3.2- Determine a funo densidade de probabilidade da varivel aleatria Y = X1 +


X2, onde X1 e X2 so variveis aleatrias independentes e apresentam as seguintes funes
densidades de probabilidade:
fX1(x1) = { x + 1 -1 x1 0
fX2 (x2) = {x2 / 4
0 x2 2
{-x + 1 0 x1 1
{ - x2 / 4
-2 x2 0
{0
c.c.
{0
c.c.

29

Captulo IV- Processos Estocsticos (Aleatrios)

5.1 - Conceito.
Suponha que seja realizado um experimento aleatrio cujo resultado compe o espao
amostral S, onde a probabilidade de ocorrncia de cada evento s conhecida. Para cada
resultado ou evento s atribuda uma funo do tempo X(t,s) real. Ento, teremos criado
uma famlia de funes, a qual denominaremos de processo aleatrio ou estocstico.
Um processo aleatrio pode ser visto como uma funo de duas variveis, t e s, onde
o domnio de s o espao amostral S e o domnio de t o conjunto dos nmeros reais.
5.2 - Interpretaes de X(t).
Um processo aleatrio pode ser interpretado, dando-se quatro diferentes significaes:
a) Uma famlia de funes do tempo (um processo aleatrio propriamente dito) - quando t e
s so variveis.
b) Uma funo do tempo (funo amostra) - quando t varivel e s constante (fixo).
c) Uma varivel aleatria - quando t constante (fixo) e s varivel.
d) Um nmero - quando t e s so constantes.
5.3- Classificao dos Processos Aleatrios.
Dependendo dos valores que t e s assumam, isto , se so contnuos ou discretos, os
processos aleatrios classificam-se em:
a) Processo aleatrio contnuo - quando t e s so contnuos.
b) Processo aleatrio discreto - quando t contnuo e s discreto.
c) Seqncia aleatria contnua - quando t discreto e s contnua.
d) Seqncia aleatria discreta - quando t e s so discretos.
5.4 - Estatsticas de Primeira e Segunda Ordens.
5.4.1 - Funo distribuio de probabilidade de primeira ordem do processo aleatrio X(t).
a funo que define a probabilidade do processo aleatrio X(t) assumir um valor
menor ou igual a x em um determinado tempo t e representada por F(x, t) =P[X(t) x].
5.4.2- Funo densidade de probabilidade de primeira ordem do processo aleatrio X(t).
representada por f(x,t) = F(x,t) / x
5.4.3- Funo distribuio de probabilidade de segunda ordem do processo aleatrio X(t).
a funo que define a probabilidade do processo aleatrio X(t) assumir valores
menores ou iguais a x1 e x2 em dois instantes de tempo t1 e t2, respectivamente, e
representada por : F(x1, x2 ; t1, t2) = P[ X(t1) x1 , X(t2) x2].
5.4.4 - Funo densidade de probabilidade de segunda ordem do processo aleatrio X(t).
representada por f(x1,x2;t1,t2) = 2F(x1, x2 ;t1,t2) /x1x2.

30

5.5 - Momentos de um Processo Aleatrio X(t).


5.5.1-Momento ou valor mdio de um processo aleatrio X(t).

E[X(t)] = X(t) = x f(x,t) dx


-
onde f(x,t) tem que ser obtida de conformidade com o visto no captulo anterior.

E[X(t)] = X(t) = X(t) f() d


-
onde f() a funo densidade de probabilidade da varivel aleatri contida no processo
aleatrio.
5.5.2- Funo Auto-Correlao de um Processo Aleatrio
o momento conjunto das variveis aleatrias X(t1) e X(t2) e representado por:

RXX(t1, t2) = E[X(t1) X(t2)] = X(t1) X(t2) f() d


-
onde f() a funo densidade de probabilidade da varivel aleatria contida no processo
aleatrio.

RXX(t1, t2) = E[X(t1) X(t2)] = x1 x2 f(x1,x2; t1, t2) dx1 dx2


-
onde f(x1,x2; t1, t2) a funo densidade de 2 a ordem de X(t)
5.5.3 - Auto-covarincia de X(t).
a covarincia das variveis aleatrias X(t1) e X(t2), e obtida pelo uso da equao:
CXX(t1, t2) = E{[ X(t1) - X(t1)] [ X(t2) - X(t2)]}
CXX(t1, t2) = RXX(t1, t2) - X(t1) X(t2)
5.5.4 Varincia de um processo aleatrio X(t)
A varincia de um processo aleatrio X(t) o segundo momento central do processo e
obtido pela equao:
2X(t) = E[X(t)2] - [ X(t)]2
Fazendo-se t1 = t2 = t, ento a auto-correlao de X(t) dada por:
RXX(t, t) = E[X(t) X(t)] = E[X(t)2] , ento tem-se que:
2X(t) = RXX(t, t) - [ X(t)]2
5.5.5 Desvio Padro do Processo Aleatrio X(t).
_______
__________________

31

X(t) =

= 2X(t)

= RXX(t, t) - [ X(t)]2

5.6 - Processo Aleatrio Estacionrio


Um processo aleatrio dito estacionrio se suas propriedades estatsticas ( valor
mdio, momentos, varincia, etc.) - relacionadas a funo densidade de probabilidade do
processo - no mudam com o tempo.
Um processo aleatrio estacionrio pode ser definido em dois sentidos: o sentido
amplo e o sentido estrito.
5.6.1- Processo Aleatrio Estacionrio no Sentido Estrito.
Um processo aleatrio estacionrio no sentido estrito se satisfeita a seguinte
condio:
f(x1,x2, . . .,xn;t1,t2, . . .,tn) = f(x1,x2, . . .,xn ;t1+,t2+, . . .,tn+) , ou seja, a funo densidade
probabilidade de n-sima ordem do processo aleatrio independe do tempo, onde o
acrscimo de tempo dado.
5.6.2 - Estacionariedade de Primeira Ordem.
Restringindo a estacionariedade no sentido estrito para a funo densidade de
probabilidade de primeira ordem, tem-se que:
f(x; t1) = f(x; t1 + ) = f(x) , pois independe do tempo e uma conseqncia que: E[ X(t) ] =
X = constante.
Para um processo aleatrio X(t) tem-se que:

E[ X(t1)] = x f(x, t1) dx


-

E[ X(t1 +)] = x f(x, t1+) dx


-

para estacionariedade de primeira ordem tem - se que:


f(x; t1) = f(x; t1 + ) , ento:
E[ X(t1 +)] = E[ X(t1)] = cte. , para t e arbitrrios
5.6.3 - Estacionariedade de segunda ordem.
Um processo aleatrio para ser estacionrio em segunda ordem tem que satisfazer as
seguintes condies:
f(x1,x2;t1, t2) = f(x1,x2;t1+, t2 +) e
RXX(t1, t2) = RXX(t1 +, t2 +) ( 1 ) e a consequncia que:
RXX(t1, t2) = E [ X(t1) X(t2)] = RXX( ) , onde = t2 - t1.
fazendo-se t = t1 + , e substituindo-se em (1) tem-se que:
RXX(t1, t2) = RXX(t, t2 + ) ( 2 ) . Como = t - t1 e substituindo-se em (2) obtm-se:
RXX(t1,t2) = RXX(t, t2 + t - t1) ( 3 ). Reordenando-se (3) tem-se:
RXX(t1,t2) = RXX[(t, t + (t2 - t1) ] , fazendo-se t2 - t1= tem-se:

32

RXX(t1,t2) = RXX(t, t + ) = RXX( ) = E[X(t) X(t+)], onde denominado de diferena de


tempo.
5.6.4 - Processo Estacionrio no Sentido Amplo.
A condio necessria para que um processo aleatrio seja considerado estacionrio
no sentido amplo que sejam satisfeitas as condies abaixo:
a) E[X(t)] = constante.
b) E[X(t) X(t+)] = RXX ( ).
Obs. Se um processo aleatrio estacionrio no sentido estrito, ento ele ser estacionrio
no sentido amplo. O contrrio nem sempre verdadeiro.
5.7 - Funo Auto-correlao de Processos Aleatrios Estacionrios.
RXX( ) = RXX(t1,t2) = RXX(t1, t1 + ), onde = t2 - t1
5.7.1 - Propriedades da RXX( ).
a) RXX( ) = RXX(- ) - propriedade simtrica;
b) RXX(0 ) 0 , onde para = 0 tem-se que:
RXX(0 ) = = RXX(t1, t1 ) = E[ X(t1) X(t1)] = E[X2 (t1)]
c) RXX(0 ) RXX( )
d) Se X(t1) e X(t1 + ) so independentes, ento RXX( ) = 2.
5.8 - Mdia no Tempo
A mdia no tempo de uma funo amostra de um processo aleatrio obtida atravs da
expresso:
b
(a,b) = = 1/(b-a) X(t) dt
a
A mdia no tempo (a,b) = uma varivel aleatria, pois para diferentes valores
de s (valores que a varivel aleatria contida no processo assume) tem-se diferentes funes
amostras, consequentemente ter valores diferentes. Com isso, pode-se obter o valor
mdio da mdia no tempo, isto , E[], ou seja.
b
E[] = E{ [1/(b-a)] X(t) dt}
a
b
E[] = [1/(b-a)] E[X(t)] dt
a
b
E[] = [1/(b-a)] X (t) dt
a
se o processo aleatrio estacionrio X(t) uma constante igual a , ento:
b
E[] = [1/(b-a)] dt E[] = [1/(b-a)] (b-a) =
a

33

5.9 - Processo Aleatrio Ergdico ( Ergocidade).


Ergdico o termo usado para descrever um processo aleatrio em
que uma nica
amostra deste processo, normalmente propicia informaes suficientes para determinar-se a
estatstica referente ao processo aleatrio.
Quando o processo aleatrio ergdico os valores esperados do processo podem ser
substitudos pela mdia no tempo.
De um modo geral um processo aleatrio ergdico se:
T
E{ g[X(t)]} = lim (1/2T) g[X(t)] dt
T
-T
onde as formas de maior interesse para a funo g[ X(t)] so as seguintes:
g[X(t)] = X(t) e g[X(t)] = X(t) X(t + ).
5.9.1 - Ergodicidade na Mdia.
Se um processo aleatrio ergdico na mdia, ento a condio abaixo deve ser
satisfeita:
T
E[X(t)] = lim (1/2T) X(t) dt , ento:
T - T
X(t) = ( -T, T)
Para haver esta igualdade necessrio que X(t) independa do tempo t, o que significa
que o processo aleatrio deve ser estacionrio e, consequentemente,
X(t) = = cte., e
( -T, T) deve ser independente da funo amostra escolhida, ou seja, ( -T, T) deve ser a
mesma para qualquer funo amostra do processo aleatrio, consequentemente ( -T, T)
deve ser constante
5.9.2 - Ergodicidade na Auto-correlao
Se um processo aleatrio ergdico na auto-correlao, ento a condio abaixo deve
ser satisfeita:
T
E[X(t)X(t+)] = lim (1/2T) X(t)X(t+ ) dt
T -T
onde o termo E[X(t)X(t+)] = RXX() a auto-correlao de um processo aleatrio
estacionrio e o termo:
T
lim (1/2T) X(t)X(t+ ) dt = RT () a mdia no tempo do
T -T
produto do processo aleatrio considerando-se dois instantes
de tempo.
5.10 - Densidade Espectral de Potncia.
Chama-se densidade espectral de potncia para a transformada de Fourier da funo
auto-correlao RXX() de um processo aleatrio estacionrio. Desse modo tem-se que:
- j

34

XX() = e
RXX() d
-
Achando-se a transformada inversa de Fourier de XX(), obtm-se a funo autocorrelao, ou seja:
j
RXX() = (1/2) e XX() d
-
5.10.1- Propriedades da Densidade Espectral de Potncia.
1) O valor de XX() em = 0 igual a rea total sob o grfico da funo auto-correlao,
ou seja:

XX(0) = RXX() d
-
2) o segundo momento do processo estacionrio no sentido amplo igual a rea total sob o
grfico de XX()

2
RXX(0) = E[ X (t)] = XX() d
-
3) A densidade espectral de potncia de um processo aleatrio no sentido amplo sempre
no negativa,isto , XX()0
4) A densidade espectral de potncia de um processo aleatrio real uma funo par da
frequncia, isto , XX() = XX(-)
5.10.2 - Significado da Densidade Espectral de Potncia.
Considerando-se = 0 na expresso da transformada inversa de Fourier tem-se:

RXX(0) = E[ X2(t)] = (1/ 2) XX() d


-
Portanto, se X(t) uma corrente atravs de um resistor de um Ohms, ento
E[X2(t)] a potncia instantnea esperada ser dissipada no resistor. Ento a integral de
XX() tambm a potncia instantnea dissipada no resistor. Logo XX() uma
densidade de potncia.
T
Se X(t) ergdico, E[X2(t)] = lim (1/2T) X2(t) dt
T -T
ento, E[X2(t)] a potncia mdia dissipada no resistor de um Ohm.

35

5. 11 - Processo Aleatrio Conjunto.


Considere a existncia de dois processo aleatrios X(t) e Y(t), para os quais pode-se definir
os seguintes parmetros:
5.11.1- Funo distribuio de Probabilidade conjunta de primeira ordem.
F(x1,t1;y2, t2) = P[X(t1) x1 , Y(t2) y2].
5.11.2- Funo densidade de Probabilidade conjunta de primeira ordem.
f(x1,t1;y2, t2) = 2 F(x1,t1;y2, t2) / x1y2
5.11.3- Correlao cruzada
RXY(t1,t2) = E[X(t1) Y(t2)]
RYX (t2,t1) = E[Y(t2) X(t1)]
RXY(t1,t2) = RYX (t2,t1)
pela propriedade da funo auto-correlao de processos aleatrios estacionrios, tem-se que
RXY(-) = RYX ()

5.12 Processos Aleatrios Especiais.


5.12.1 Processo de Poisson
X(t) um processo aleatrio de poisson se uma funo amostra deste processo
segue uma distribuio de poisson, ou seja, a sua funo densidade de probabilidade
dada por :
p(xi, t) = P[X(t) = xi] = [ e -t (t) xi ] / xi!
A funo distribuio de probabilidade dada por:
x
F(x, t) = P[ X(t) x]= [ e -t (t) xi ] / xi!
xi = 0
onde: a taxa mdia.

36

5.12.2 Processo Gaussiano


Diz-se que X(t) um processo aleatrio gaussiano se uma funo amostra deste
processo segue a distribuio de gaussiana, ou seja, a sua
funo densidade de
probabilidade dada por :
___ - (1/2) {[ x - x(t)] / x(t)]} 2
f(x,t) = (1/ x(t) 2 ) e
Qualquer conjunto de n variveis aleatrias, definidas para este processo, constitui um
vetor gaussiano X = [X(t1) X(t2) . . . X(tn)] , sendo a funo densidade de probabilidade do
vetor aleatrio dada por:

_______
f(x) = [1/ det x

___
- (1/2) [( x - x)T (x)-1 ( x - x) ]
( 2 ) n ] e

onde:
x = { E[X(t1)] E[X(t2)] . . . E[X(tn)] }T o vetor transposto que contm os valores
mdios do processo nos instantes t1, t2, . . . , tn , e

x =

Cxx(t1,t1)

Cxx(t1,t2) . . .Cxx(t1,tn)

Cxx(t2,t1)
.
.
.

Cxx(t2,t2) . . . Cxx(t2,tn)
.
.
.
.
.
.

Cxx(tn,t1)

Cxx(tn,t2) . . . Cxx(tn,tn)

x a matriz covarincia do processo gaussiano.

37

Ex 5.1.1- Um experimento aleatrio consiste na conexo de dois geradores G1 e G2 a uma


carga. Esta conexo depende do resultado obtido quando se lana uma moeda uma nica
vez. Na ocorrncia de cara o gerador G1 conectado na carga, se ocorrer coroa o gerador G2
conectado. As formas de onda de sada dos geradores so mostradas na figura abaixo. Faa
as interpretaes para o processo aleatrio e classifique-o.

G1

C
A
R
G
A

G2

Ex. 5.5.1.1- Determine a mdia do processo aleatrio X(t) = 2Yt, onde Y uma varivel
aleatria cuja funo densidade de probabilidade dada por: f(y) ={ 2y/3 1y2
{0
p/ outros y

Ex.5.5.2.1- Determine
exemplo anterior.

a auto-correlao do processo aleatrio X(t) = 2Yt visto no

Ex.5.5.2.2- Determine a funo auto-correlao do processo aleatrio dado por


X(t) = Acos(t + ), onde uma varivel aleatria uniforme em (-, ) , enquanto A e
so constantes.
Ex 5.5.3.1- Determine a auto-covarincia do processo aleatrio X(t) = Acos(t + ), visto
anteriormente.

38

Ex. 5.6.4.1- Verifique se o processo aleatrio X(t) = Acos( t + ) estacionrio no sentido


amplo.
Ex 5.7.1- Verifique quais das funes abaixo podem representar funes auto-correlaes:
a) RXX() = 2 e - 2
b) RXX() = 4 ; c) RXX() = 1- e -
Ex 5.9.1- Verifique se o processo aleatrio X(t)= Acos (t + ), j estudado anteriormente,
ergdico na mdia e na auto-correlao.
Ex 5.10.1- O rudo branco N(t) um processo aleatrio caracterizado por uma densidade
espectral de potncia constante dada por:
XX() = No / 2 W/Hz. Determine a auto-correlao de N(t),
Ex. 5.12.1 O nmero de chamadas em uma central telefnica, que pode ser modelada por
um processo de Poisson, apresenta a taxa mdia de uma chamada a cada quatro segundos.
Determine a probabilidade de que o nmero de chamadas no intervalo de zero a dez
segundos seja maior do que 5 chamadas.
Ex.5.12.2- Um processo aleatrio Gaussiano estacionrio com valor mdio e
auto-correlao dados por:
X (t) = 1 e RXX() = 2 - + 1, determine a probabilidade do processo aleatrio, no instante
t = 4, assumir valores entre 1 e 3.

39

Captulo VI Sistemas Lineares e Sinais Aleatrios


6.1 - Reviso de Sistemas Lineares e Invariantes no Tempo (SLIT).
6.1.1 - Sistema Linear.
Um sistema dito linear se satisfaz a regra da linearidade. Para tanto considere:
a) x1(t) um sinal aplicado na entrada do sistema e y1(t) a resposta do sistema.
b) x2(t) um sinal aplicado na entrada do sistema e y2(t) a resposta do sistema.
Se x3(t)=a1x1(t) +a2x2(t), que uma combinao linear dos sinais anteriores, aplicado na
entrada do sistema e produz a resposta y3(t) =a1y1(t) +a2y2(t), ento o sistema chamado
linear.
6.1.2- Sistema Invariante no tempo
Um sistema dito invariante no tempo se x(t) produz a sada y(t), ento x(t+) produz a
sada y(t+)
6.2 - Resposta de um sistema a um sinal de entrada x(t)
Considerando um sistema linear e invariante no tempo deseja-se obter a resposta deste
sistema quando na sua entrada aplicado um sinal x(t).
6.2.1 - Funo Impulso ou Delta de Dirac.
uma funo singular assim definida:
(t) = 0
p/ t 0
b
(t) dt =1
com a > 0 e b > 0
-a
Para um impulso ocorrendo em t = a tem-se que:
(t-a) = 0 p/ t a
c
(t-a) dt =1
para b < a < c
b

f(t) (t-to) dt = f(to)


-
6.2.2 - Resposta ao Impulso.
Quando x(t) um impulso a resposta do sistema a este sinal y(t) = h(t)
6.2.3 - Resposta a uma sinal x(t) qualquer.

40

Para um sinal de entrada x(t) qualquer a resposta do sistema y(t) dada por:

y(t) = h() x(t-) d (1)

6.3- Anlise de Fourier


Consiste na obteno da resposta do sistema no domnio da frequncia. usando-se a
transformada de Fourier na equao (1) , tem-se pela propriedade da transformada de fourier
que a transformada da convoluo igual ao produto das transformadas das funes que
esto sendo convoluidas. Portanto, tem-se que:
Y() = H() X() , onde obtm-se que:
H() = Y() / X()

que denominada de funo de transferncia do Sistema.

6.3.1 - Funo de transferncia de um Sistema Linear


Considere uma equao diferencial linear da forma:
an yn(t) + an-1 y(n-1)(t) + ... + aoy(t) = x(t) , onde:
ai , i= 0, 1, ...n so constantes e y(i) a i-sima derivada de y(t) em relao a t. Tomando-se a
transformada de Fourier da equao tem-se:
[an (j)n + an-1 (j)(n-1) + ... + ao] Y(j) = X(j)
n
H(j) = 1/ [ ai (j)i ]
i=0
6.4 - Processo Aleatrio como Entrada de um Sistema Linear Invariante no Tempo.
Quando na entrada de um SLIT aplicado um processo aleatrio X(t) a resposta ou
sada do sistema obtida usando-se a equao:

Y(t) = h() X(t- ) d


-
6.4.1 - Mdia ou valor mdio da resposta do sistema

Y(t) = h() X(t- ) d


-

E[Y(t)] = E[ h() X(t- ) d ]


-

E[Y(t)] = h() E[ X(t- )] d


-
Assumindo-se que X(t) um processo aleatrio estacionrio tem-se que:

41

E[ X(t- )] = E[X(t)] = cte = X

E[Y(t)] = E[ X(t- )] h()d


-
E[Y(t)] = X H(0) = X (1/ao)
6.4.2 - Correlao Cruzada
RXY (t1,t2) = E[X(t1) Y(t2)] = RYX(t2,t1) = E[Y(t2)X(t1)]
RXY() = E[X(t + ) Y(t)]
RXY(-) = RYX()

RXY() = E[X(t + ) Y(t)] = E[X(t+) h() X(t-)]d

-
RXY()= E[ X(t+) X(t-)] h()d
-

RXY()= RXX(+) h()d


-

RXY(-) = RYX() = RXX(-) h()d


(eq.1)
-
como RXX() = RXX(-) tem-se que :

RXY(-) = RYX() = RXX(-) h()d


-
Como a transformada direta de Fourier da convoluo no domnio do tempo corresponde, no
domnio da frequncia, a multiplicao da transformada de Fourier das funes que esto
sendo convoluidas, tem-se que :
XY(-) = YX() = XX() H()
6.4.3- Auto-correlao da Sada
RYY() = E[Y(t+ ) Y(t)]

RYY() = E[ Y(t+ ) h() X(t-)d]


-

RYY() = E[ Y(t+ ) X(t-) ] h() d


-
como E[ Y(t+ ) X(t-) ] = RYX( +) , tem-se que:

RYY()= RYX( +) h() d


-

RYX( +) = RXX( - - ) h () d
-

42


RYY()= RXX( - - ) h () d h() d
-
Achando-se a transformada de Fourier tem-se que:
YY() = XX( ) H()2
6.5 - Sistema com Duas Entradas.
Um sistema com duas entradas modelado da seguinte maneira:
z(to) = g[ x(to) , y(to)]
Dentre os sistemas com duas entradas faremos referncia aquele cuja resposta uma
combinao linear dos sinais de entrada, isto , se X(t) e Y(t) so os processos aleatrios
aplicados nas entradas do sistema, ento a resposta ser dada por:
Z(t) = X(t) + Y(t)
6.5.1 - Mdia de Z(t)
Z(t) = E[Z(t)] = E[ X(t) + Y(t)] Z(t) = X(t) + Y(t)
6.5.2 - Auto-correlao de Z(t)
RZZ(t1,t2) = E{[X(t1) + Y(t1) ] [X(t2) + Y(t2) ] }
RZZ(t1,t2)=E[X(t1)X(t2) + X(t1)Y(t2) +Y(t1)X(t2) + Y(t1)Y(t2) ]
RZZ(t1,t2) = RXX(t1,t2) + RXY(t1,t2) + RYX(t1,t2) + RYY(t1,t2)
Se X(t) e Y(t) so processos aleatrios independentes e X(t) = 0 ou Y(t) = 0
ento:
RZZ(t1,t2) = RXX(t1,t2) + RYY(t1,t2)
Se X(t) e Y(t) so estacionrios, ento:
RZZ() = RXX() + RXY() + RYX() + RYY()

43

Ex 6.1.1.1- Verifique se um circuito diferenciador, que caracterizado pela relao y =


dx/dt, linear.
Ex 6.3.1.1- Considerando-se o circuito abaixo, determine a sua funo de transferncia.

L
X(t)

Y(t)

X(t) e Y(t) so sinais de tenso


Ex 6.4.1- Determine a resposta do sistema formado pelo um circuito LR do exemplo
anterior, sabendo-se que na sua entrada aplicada uma tenso que o processo aleatrio
X(t) = Ae-t u(t) , onde A uma varivel aleatria com funo densidade de probabilidade
dada uniforme entre 0 e 2.
Ex 6.4.1.1- Determine o valor mdio da resposta do sistema do exemplo anterior.
Ex. 6.5.1- Um sinal recebido X(t) a soma de um sinal de informao S(t) e um rudo N(t).
e
Se ambos possuem mdia zero e so independentes com RSS()=e -5
RNN()= (sen 1000) / , determine o valor mdio e a auto-correlao de X(t).

44

FORMULRIO - CAPTULO I
n
n
P[A] = NA / N - @
P[BJ ] = P[ Ai . BJ ] @ P[BJ ] = P[ BJ / Ai ] P[ Ai ]
definio clssica de
i=1
i=1
probabilidade
probabilidade marginal
probabilidade total
------------------------------------------------------------------------------------------------------------n
P[A/B]=P[A.B]/ P[B] @ P[Ai /B]={P[B/Ai }P[Ai ]}/ P[B/Ai ]P[Ai ]

@ P[A.B]= P[A]P[B]

Probabilidade
i=1
Independncia de
condicional
Teorema de Bayes
eventos
------------------------------------------------------------------------------------------------------------FORMULRIO - CAPTULO II
x
x
p(xi ) = P [ X= xi ]
@ F(x) = p(xi) @ f(x) = dF(x) / dx @ F(x) = f(x) dx
funo densidade
xi = -
funo densidade
-
de probabilidade
funo distribuio de de probabilidade funo distribuio de
V.A.D.
probabilidade V.A.D. V.A.C.
probabilidade V.A.C.
------------------------------------------------------------------------------------------------------------xi xi n-xi
- xi
p(xi ) = C P Q
@ p(xi ) = e / xi ! @
f(x) = { 1 / (b-a ) a < x < b
n
{ 0 para outros x
funo densidade de
funo densidade de
funo densidade de probabilidade
probabilidade Binomial
probabilidade Poisson
Uniforme
-----------------------------------------------------------------------------------------------------------___ - ( x - x )2 / 2 x2
f(x) = { (1/ ) e- x /
x 0 @
f(x) = 1/ (x 2 ) e
- x
{
x< 0
funo densidade de
funo densidade de probabilidade
probabilidade Exponencial
Normal ou Gaussiana
------------------------------------------------------------------------------------------------------------y
x
p(xi , yj ) =P[X= xi ,Y= yJ ] @ F(x,y) =
p(xi , yJ ) @ f(x,y) = 2 F(x,y) /x y
yJ = - xi = -
funo densidade de probafuno distribuio de probafuno densidade de probilidade conjunta V.A.D.
bilidade conjunta V.A.D.
babilidade conjunta V.A.C
------------------------------------------------------------------------------------------------------------x y

45

F(x,y) = f(x,y) dy dx @ pX (x) = p(xi, yJ )


@
fX (x) = f(x,y) dy
- -
yJ= -
-
Funo distribuio de probafuno densidade de proba- funo densidade de prolidade conjunta V.A.C.
bilidade marginal V.A.D.
babilidade marginal
V.A.C.
x
x
@ FX (x) = fX (x) dx @ pX / Y (xi , YJ ) = p(xi , yJ ) / pY (yJ)
FX(x) = pX (xi )
xi= -
-
Funo distribuio de
Funo distribuio de
Funo densidade de
probabilidade
probab. marginal V.A.D.
probab. Marginal V.A.C.
condicional V. A. D.
x
fX / Y (x / y) = f (x,y) / fY (y )
@
FX / Y ( x / yJ) = pX /Y (xi / yJ )
funo densidade de probabilidade
xi = -
condicional V. A. C.
Funo distribuio de probabilidade
condicional V. A. D.
------------------------------------------------------------------------------------------------------------x
FX / Y ( x / y) = P [X x / Y= yJ ] = fX / Y ( x / y ) dx
-
Funo distribuio de probabilidade condicional V. A. C.
------------------------------------------------------------------------------------------------------------x y
y
FX /Y ( x / y ) = P[ X x / Y y ] = [ f(x,y) dy dx ] / [ fY ( y ) dy ]
- -
-
Funo distribuio de probabilidade condicional para V. A. C.
------------------------------------------------------------------------------------------------------------p(xi , yJ) = pX(xi) pY (yJ) @ f(x,y) = fX (x) fY (y)
Independncia de V`s A`s Discretas e Contnuas
em relao a funo densidade de probabilidade
dis

F(x , y ) = FX ( x ) FY ( y )
Independncia de V`s A`s Discretas
e Contnuas em relao a funo

tribuio de probabilidade

46

FORMULRIO CAPTULO III

E[X] = X = xi p(xi)
xi= -

E[X] = X = x f(x) dx
-

Valor mdio V. A. Discreta

Valor mdio V. A. Continua

E[ Xr ] = mr = xir p(xi)
xi = -

Momento de ordem r p/ V. A. Discreta

E[X ] = mr = xr f(x) dx
-

E[ (X-X)r ] = mcr = (xi-X) r p(xi)


xi = -

E[ (X-X)r ] = mcr = (x-X) r f(x) dx


-
r

Momento de ordem r p/ V. A.Contnua

Momento Central de ordem r p/ V.A. Discreta

Momento Central de ordem r p/ V. A. Contnua

x2

= (xi-X)2 p(xi)
xi = -

Varincia para uma Varivel Aleatria Discreta

x2

=
(x-X) 2 f(x) dx
-

Varincia para uma Varivel Aleatria Contnua

Var[X] = x2 = E[(X-x)2]
____
x = x2

Varincia forma geral


Desvio Padro

XY = E[XY] - X Y

Covarincia

XY = XY / X Y

Coeficiente de correlao

47


E[X/Y= yJ ] = xi pX/Y(xi/yJ)
Discreta
xi = -

Valor mdio Condicional para Varivel Aleatria

E[X/Y= yJ ] = x fX/Y(x/y) dx
-

Esperana Condicional para Varivel Aleatria contnua

X () =
e jxi p(xi)
xi = -

Funo caracterstica para uma varivel aleatria discreta

X () = e jx f(x) dx
-

Funo caracterstica para uma varivel aleatria contnua

X () = 0 + 1 + 2 2 + . . . + n k

expanso de X () na srie de Mclaurin

0 = X () =0

determinao do coeficiente 0

k = (1/ k! ) dkX () / dk =0
E[Xk] = k! k / jk

determinao dos coeficientes k , com k= 1,2,...


determinao do k-simo momento da varivel aleatria X

FORMULRIO - CAPTULO IV
f(y) = f[ g-1(y)] dg-1(y)/dy
e

Funo de varivel aleatria p/ relacionamento crescente


decrescente

b
P[Y=k] = f(x) dx
a

p(yJ) = pX1(xi) pX2 (yJ -xi )


xi = -

Funo de varivel aleatria p/ relacionamento constante

Soma de variveis aleatrias discretas

f(y) = fX1(x1) fX2(y-x1) dx1 = fX2(x2) fX1(y-x2) dx2


-
-

48

Convoluo

FORMULRIO CAPTULO V
F(x, t) = P[X(t) x]
Funo distribuio de probabilidade de 1 ordem

f(x,t) = F(x,t) / x
Funo densidade de probabilidade
de 1 ordem

F(x1, x2 ; t1, t2) = P[ X(t1) x1 , X(t2) x2]


Funo distribuio de probabilidade de 2 ordem

f(x1,x2;t1,t2) = 2F(x1, x2 ;t1,t2) /x1x2.


Funo densidade de probabilidade de
2 ordem

E[X(t)] =X(t) = x f(x,t) dx


E[X(t)]=X(t) = X(t) f() d
-
-
Valor mdio do processo aleatrio X(t)
________________________________________________________________________________

RXX(t1, t2) =E[X(t1) X(t2)] = X(t1) X(t2) f() d


-
Auto-correlao do processo aleatrio X(t)
________________________________________________________________________________

RXX(t1, t2) = x1 x2 f(x1,x2; t1, t2) dx1 dx2


RXX( ) = RXX(t, t + ) = E[X(t) X(t+)]
-
Auto-correlao do processo aleatrio X(t)
Auto-correlao p/ um processo
aleatrio estacionrio
________________________________________________________________________________
CXX(t1, t2) =E{[X(t1) -X(t1)][X(t2) - X(t2)]} CXX(t1, t2) = RXX(t1, t2) -X(t1)X(t2) 2X ( t) =E[X 2(t)][ X(t)]2
Covarincia do processo aleatrio X(t) Covarincia do processo aleatrio X(t)
Varincia de
X(t)
T
T
T
(-T,T) = = lim (1/2T) X(t) dt E[]= lim (1/2T) X (t) dt E[X(t)]= lim (1/2T) X(t) dt
T -T
T
-T
T -T
Mdia no tempo do processo X(t) / Valor mdio da mdia no tempo / Ergodicidade na mdia de
X(t)
________________________________________________________________________________
T
- j
j
E[X(t)X(t+)]=lim (1/2T) X (t)X(t+ )dt XX()= e RXX()d RXX() = (1/2) e XX() d
T - T
-
-
Ergodicidade na auto-correlao
Densidade Espectral de potncia Auto-correlao de X(t)

RXY(t1,t2) = E[X(t1) Y(t2)] = RYX (t2,t1) = E[Y(t2) X(t1)]

p(xi, t) = P[X(t) = xi] = [ e

-t

(t)

xi

] / x i!

Correlao cruzada

Funo densidade de probabilidade do


processo de Poisson
__________________________________________________________________________

49

x
F(x, t) = P[ X(t) x]= [ e - t (t) xi ] / xi!
xi = 0

Funo distribuio de probabilidade do


processo de Poisson

onde: a taxa mdia.


________________________________________________________________________
- (1/2) {[ x - x(t)] / x(t)]} 2

f(x,t) = (1/ x(t) 2 ) e


Funo densidade de probabilidade de um processo aleatrio Gaussiano
_________________________________________________________________________
_______
f(x) = [1/ det x

___
- (1/2) [( x - x)T (x)-1 ( x - x) ]
( 2 ) n ] e

Funo densidade de probabilidade de um processo aleatrio Gaussiano vetorial


_________________________________________________________________________
x = { E[X(t1)] E[X(t2)] . . . E[X(tn)] }T o vetor transposto que contm os valores
mdios do processo aleatrio Gaussiano
__________________________________________________________________________

x =

Cxx(t1,t1)

Cxx(t1,t2) . . .Cxx(t1,tn)

Cxx(t2,t1)
.
.

Cxx(t2,t2) . . . Cxx(t2,tn)
.
.
.
.

.
Cxx(tn,t1)

Matriz covarincia do processo


aleatrio Gaussiano vetorial

Cxx(tn,t2) . . . Cxx(tn,tn)

FORMULRIO CAPTULO VI

n
Y(t) = h() X(t- ) d
H() = Y() / X()
H() = 1/ [ ai (j)i ]
-
i=0
Resposta de um sistema a um processo de entrada X(t)
Funo de transferncia de um sistema
________________________________________________________________________________________

E[Y(t)] = h() E[ X(t- )] d


RXY(-) = RYX() = h() RXX(-)d XY(-) = YX() = XX() H()
-
-
valor mdio da resposta do
Correlao cruzada entre o processo de
Densidade espectral de potncia
sistema Y(t)
entrada X(t) e a resposta Y(t)
cruzada
________________________________________________________________________________________

50

RYY()= RXX( - - ) h () d h() d


YY() = XX( ) H()2
- -
Auto-correlao da resposta do sistema Y(t)
Densidade espectral de potncia da resposta Y(t)
________________________________________________________________________________________
Z(t) = X(t) + Y(t)
RZZ(t1,t2) = RXX(t1,t2) + RXY(t1,t2) + RYX(t1,t2) + RYY(t1,t2)
Valor mdio da resposta do sistema da
Auto-correlao da resposta do sistema da
forma Z(t)=X(t)+Y(t)
forma Z(t)=X(t)+Y(t)

51