Escolar Documentos
Profissional Documentos
Cultura Documentos
01 - tp501 PDF
01 - tp501 PDF
24 de julho de 2007
Agrade
imentos
2 Variveis Aleatrias 25
2.1 Denio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Funo distribuio
umulativa. . . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Tipos de Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.1 Dis
retas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2 Contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.3 Mistas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4 Funo Densidade de Probabilidade . . . . . . . . . . . . . . . . . . . . . 33
2.4.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4.2 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.3 Caso Dis
reto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5 Algumas variveis aleatrias dis
retas importantes . . . . . . . . . . . . 36
2.5.1 Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
SUMRIO iii
2.5.2 Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5.3 Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5.4 Geomtri
a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6 Algumas variveis aleatrias
ontnuas importantes . . . . . . . . . . . . 38
2.6.1 Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.6.7
2
Chi-Quadrado ( ) . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.6.8 Cau
hy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.6.9 Lapla
e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.7 Densidades Condi
ionais . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8 Variveis Aleatrias Mltiplas . . . . . . . . . . . . . . . . . . . . . . . . 51
2.8.1 Funo Distribuio de Probabilidade Conjunta . . . . . . . . . . 51
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
2.9 Funes de Variveis Aleatrias . . . . . . . . . . . . . . . . . . . . . . . 56
2.9.1 Caso Unidimensional . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.9.2 Caso Multidimensional . . . . . . . . . . . . . . . . . . . . . . . . 61
2.10 Exer
ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.2 Y = g(X). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
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
pro
esso
ontnuo no tempo e na amplitude; 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)
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
8.4 Funo amostra de um pro
esso de
ontagem . . . . . . . . . . . . . . . 148
8.5 Funo amostra de um pro
esso telegr
o aleatrio . . . . . . . . . . . 152
8.6 Forma de onda do pulso p(t). . . . . . . . . . . . . . . . . . . . . . . . . 155
8.7 Erro de deteo devido ao rudo. . . . . . . . . . . . . . . . . . . . . . . 156
8.8 Pro
esso esto
sti
o
omprimido no tempo. . . . . . . . . . . . . . . . . 157
8.9 Fdp dos pro
essos x e y. . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
8.10 Funes de auto
orrelao para os pro
essos X(t) e Y (t). . . . . . . . . 158
8.11 Pro
esso aleatrio X(t) = A cos(c t + ). . . . . . . . . . . . . . . . . . . 162
8.12 Classi
ao dos pro
essos esto
sti
os. . . . . . . . . . . . . . . . . . . 165
9.1 Filtro passa faixa ideal H(f )
om frequn
ia
entral f0 e largura de banda
B Hz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
9.2 A
orrelao
ruzada entre a entrada e a sada de um ltro linear inva-
riante no tempo a
onvoluo da resposta a impulso do ltro
om a
funo de auto
orrelao da entrada. A densidade espe
tral
ruzada en-
tre 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. . 188
Probabilidade
1.1 Introduo.
Em muitos problemas fsi
os de interesse, existe um elemento de in
erteza, ou aleato-
riedade. 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.
Denio 1.4. Espao amostral: o espao amostral S 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.
S
B
1 3 5 Ao
2 4 6 Ae
Observe que AB = BA. Na gura 1.2 abaixo, tem-se estes
on
eitos mostrados
gra
amente em diagramas de Venn.
S S S S
Ac
A
A B A B A B
a) b) ) d)
AB = A + B (1.2)
Demonstrao. A lei de De Morgan pode ser fa
ilmente demonstrada por meio de dia-
gramas de Venn:
A B A B
A+B A B AB
Observao
A apli
ao repetida da equao (1.1) leva ao seguinte: se em uma identidade de
on-
juntos substituimos todos os
onjuntos pelos seus
omplementos, todas as unies por
interse
es, e todas as interse
es por unies, a identidade preservada.
A(B + C) = AB + AC (1.3)
A(B + C) = A + B + C = A + B C
Similarmente
AB + AC = AB AC = (A + B)(A + C)
e desde que os dois lados de (1.3) so iguais, seus omplementos tambm o so. Portanto
A + B + C = (A + B)(A + C) (1.4)
Estas identidades podem ser fa ilmente onferidas por meio de diagramas de Venn.
A(B + C) = AB + AC S =A+S
obtemos as identidades
A + BC = (A + B)(A + C) = A
nA
P (A) = lim (1.5)
n n
onde nA o nmero de o
orrn
ias de A e n o nmero de tentativas.
Observaes importantes
1. Segue da denio que 0 P (A) 1.
nA + nB
P (A + B) = P (A) + P (B) = lim (1.6)
n n
1.3.2 Axiomti a.
P (S) = 1 (1.9)
Propriedades:
P () = 0 evento impossvel
P (Ac ) = 1 P (A) Ac
omplemento de A
P (A + B) = P (A) + P (B) P (AB) P (A) + P (B) probabilidade da unio
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
1.3.3 Clssi a.
nA
P (A) = (1.11)
n
onde:
n: nmero de resultados possveis,
nA : nmero de resultados favorveis ao evento A.
Muitos problemas de
ontagem podem ser
olo
ados
omo problemas de amostra-
gem 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 amostra-
gem.
Exemplo 1.5. 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 52 = 25. Na Tabela
abaixo temos os pares possveis. 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.
Exemplo 1.6. 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. A Equao 1.14 mostra que o nmero de pares ordenados possveis 5(4) =
20. Estes so mostrados na Tabela abaixo. 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
n! 2 nn+ 2 en (1.16)
n(n 1) . . . (n k + 1) n! n
Ckn = = (1.18)
k! k!(n k)! k
n
A expresso
hamada de
oe
iente binomial.
k
n n
= (1.19)
k nk
Exemplo 1.8. En
ontre o nmero de modos de sele
ionar dois objetos de A = {1, 2, 3,
4, 5} sem se importar
om a ordem.
5 5!
= = 10 (1.20)
2 2!3!
Abaixo temos a listagem destes 10 pares.
Este exemplo mostra que a amostragem sem reposio e sem ordenao equivalente
a parti
ionar o
onjunto de n objetos distintos em dois
onjuntos: B,
ontendo os k
itens que foram retirados da urna, e Bc,
ontendo os (n k) deixados na urna.
Suponha que parti
ionemos um
onjunto de n objetos distintos em F sub
onjuntos
B1 , B2 , . . . , BF , onde ao sub
onjunto Bj so asso
iados kj elementos e k1 +k2 +. . .+kF =
n.
Neste
aso, o nmero de
ombinaes distintas dado por
n!
(1.21)
k1 !k2 ! . . . kF !
A Equao 1.21
hamada de
oe
iente multinomial. O
oe
iente binomial o
aso F =2 dos
oe
ientes multinomiais.
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 k x's e (n 1) /'s. Ento o nmero de modos
diferentes de es
olher k objetos de um
onjunto de n objetos distintos
om reposio e
sem ordenao dado por
n1+k n1+k
= (1.22)
k n1
as probabilidades asso
iadas a tais eventos a partir do
onhe
imento das probabilidades
dos pontos amostrais.
0 P (Ai , Bj ) 1 (1.23)
m
X
P (Ai , Bj ) = P (Ai ) (1.24)
j=1
n
X
P (Ai , Bj ) = P (Bj ) (1.25)
i=1
Teorema 1.2. Teorema de Bayes. Seja um experimento forne
endo dois resulta-
dos A e B. Ento,
.....
................ .......................
S .....
......
........ ......
.....
.....
B
. ....... ....
... ...
. ...
... ...
...... ...
.
.
.. .................
..... ............
.......
n B ...
...
..
........ ... .
. .......
...
...
.......
. ... ....... .
...... ... .. ...
... ...
... ..
..
. ... .
... ...
...
...
. .
...
...
...
n AB
.
...
...
... ...
...
.
.
nAB n n
B AB
P (AB) = lim = lim (1.28)
N N N N nB
Do diagrama a
ima, podemos extrair as seguintes expresses:
nB
P (B) = lim (1.29)
N N
nAB
P (A|B) = lim (1.30)
N nB
14 Probabilidade
P (AB)
P (A|B) = (1.31)
P (B)
E por um desenvolvimento similar, pode-se demonstrar que
P (AB)
P (B|A) = (1.32)
P (A)
n
[
Ai = S (1.34)
i=1
P (A|B) = P (A)
Substituindo este resultado na Equao a
ima,
hegamos a
Exemplo 1.12. Suponha que uma moeda jogada trs vezes. Se assumimos que as
jogadas so independentes e a probabilidade de
aras p, en
ontre a probabilidade dos
eventos nenhuma
oroa, uma
oroa, duas
oroas e trs
oroas.
P [k = 0] = P [KKK] = (1 p)3
P [k = 1] = P [KKC, KCK, CKK] = 3p(1 p)2
P [k = 2] = P [CCK, CKC, KCC] = 3p2 (1 p)
P [k = 3] = 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 e A3 sejam estatisti
amente independentes, pre
isam satisfazer
as seguintes
ondies
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 B1 tm tolern
ia de 50 do
valor nominal. A mquina B2 produz 90% dos resistores
om tolern
ia de 50 do valor
nominal. A por
entagem para a mquina B3 de 60%. A
ada hora, a mquina B1
produz 3000 resistores, B2 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. Qual a probabilidade de es
olher um
resistor da mquina B2
om tolern
ia maior que 50?
Soluo. Seja A o evento o resistor sele
ionado a
eitvel (tem tolern
ia de 50),
e N 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
0, 8 ................
.......... A B1 A 0, 24
................
................
. ..
. ..
..................
.
......
.....
B1 ..
. .
. ..
. .............
................
................
..... ................
...... ................
0, 3 .................. 0, 2 ...........
N B1 N 0, 06
.
.....
.....
.....
......
..
. .....
.
.
......
.....
.....
..... 0, 9 ................
................
..... A B2 A 0, 36
.
....... 0, 4 ................
.....
.
.
...
....................
................................................................................................. B2 ........
..................
..... ................
..... ................
...... ................
..... ................
.....
.....
...... 0, 1 ...........
N B2 N 0, 04
.....
.....
.....
......
.....
.....
......
.....
0, 3 .....
.....
......
0, 6 ................
................
. A B3 A 0, 18
..... ................
.....
.... .
. ..
....
. .
.. .
..................
B3 .......................
................
................
................
................
0, 4 ...........
N B3 N 0, 12
0, 8 ................
................
.... G2 G1 G2 0, 4
................
.....
......................
0, 5 ........
......... G1 ....
...................
................
................
........ ................
......... ................
........
.........
........
...
.. ..
0, 2 ...........
R2 G1 R2 0, 1
.........
.........
................
.........
.........
.........
.........
.........
.........
.........
0, 2 ................
............... G2 R1 G2 0, 1
......... ................
.........
.. ..
. ..
. .
.. .
.. .................
0, 5 ......
R1 ........................
................
................
................
................
0, 8 ...........
R2 R1 R2 0, 4
O evento W 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 [G1 R2 ] 0, 1
P [G1 |R2 ] = = = 0, 2 (1.39)
P [R2 ] 0, 5
11 11 1 2
P [W ] = P [A1 22 ] + P [21 A2 ] + P [31 ] = + + =
32 32 3 3
Exemplo 1.16. 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 3/4 de dar
ara). Suponha
que vo
pegue uma moeda de forma aleatria e a arremesse. Seja Ci o evento a moeda
i foi sele
ionada. Vamos denotar por H (
ara) e T (
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 19
3/4 ................
................
. H C1 H 3/8
................
.......
........................
........ C1 ......................
1/2 ........
........ ................
................
......... ................
................
........ ...........
........
.........
.. .
..... .
1/4 T C1 T 1/8
........
.........
................
.........
.........
.........
.........
.........
.........
.........
1/2 ................
.............. H C2 H 1/4
......... ................
................
1/2 .........
......
C2 ...
.
..........................
...........
................
................
................
................
...........
1/2 T C2 T 1/4
Resp:
(a) 16
P [2 aras] = 3/8
P [3 aras] = 1/4
P [4 aras] = 1/16
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 norte-
sul, 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.
Resp:
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.
Resp:
(a) 4
5. Repita o problema anterior se a primeira bola no for re
olo
ada antes da segunda
retirada.
(a) 4
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
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
a) Se ele foi reprovado em qumi
a, qual a probabilidade de ele ter sido repro-
vado em matemti
a?
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 ............................. ............................. 0,1 ...........................................
... ....
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
.... ....
...................................................................................... 0,3 ..................................................................................... .
Resp: 0,865
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 e 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 p de um nmero par ser sele
ionado.
Resp: p = 58/135
Resp: p = 5/8
Sabendo que P [L, H0 ] = 0.1, P [B, H1 ] = 0.1, P [H2 ] = 0.3, P [B] = 0.6 e P [H0 ] =
0.5,
al
ule:
16. Trs mquinas A, B e C 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.
(b) Suponha que uma pea, sele
ionada aleatoriamente, seja
onsiderada defei-
tuosa. En
ontre a probabilidade dela ter sido produzida pela mquina A.
1
.....................................................................................................................................................................................................................................................................................................................................................................
X=1 . ..................
....... ............ ......... .
............ ......
............ ......
Y =1
....... .............
.......
.......
.......
............ /2
............
............ ..... .
.... ..................
............ ............
.......
....... ............ ............ ......
....... ............ ............ .......
....... ............ ............ .......
............ .......
/2
.......
.......
.......
.......
............
............
............
................... ..
...................
..... ..
...........
....... ............ ....................... .......
....... ............ ............ .......
....... ........................ ............ ............
/2 ............
........ . ................
........
....... .......
..... .
.................
. .
. .............
............
............ ....... .......
............
............ ....... .......
............
............ .......
............
............ .....
............. 1 /2 .......
.... ...... .......... ............
............
......................................................................................................................................................................................................................................................................................................................................................................................................
X=2 . ............
.... ..
.. .......... ............
.... . Y =2
............
............ /2
............
............ .........
.
.......
...... ...........
.......
....... ..................
............
..............
............ ....... ....... ...
....
............
............ ............ ....... .......................
.. ...
.........
....... ........................ ......................
............ .......
............. ............
.. .. ..
................... .............
...... ....................
....... ..... ............... .......
....... ............ ............ .......
............
............. /2
.......
... . ...... .............
............
............
............
............
............
.......
.......
.......
.......
.........
. .. .. ............... ....... .......
...... .... ........ ............ .......
.
... .... ... . ...
. ............
.... ................... ............ .............
.
.. ...... . ..
. ......
....................... /2 ............ ......
......... .....
.............................................................................................................................................................................................................................................................................................................................................................................
X=3 .... .... Y =3
1 /2
1
Resp:
1 + + 1, 5
18. Para a
omuni
ao entre os terminais A e B so ne
essrios enla
es que so
representados nas guras abaixo por ar
os. Sendo p 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 B
.... .... .... ....
a) ..... ................................................................................................................................................ ................................................................................................................................................ ................................................................................................................................................ .....
.... .... .... ....
......
...... ......
.................. ......... .....................................
.................. ...................
................... ...................
.
.................................. ...................
.... ...................
A ................... ................... B
...
................................ ...................
...................
.
.. .
.. .
.. .
.. .
.. .
............. ...................
.... ..... ........................
b) ..... ....................................... .............. ..........
.... ................... ..
. ..
. ..
. ..
. ..
. ..
................... .......
................... ...................
................... ..................
................... ..................
................... ...................
...................
................... .
. ..
. ..
. ..
. ..
. ..
. ..................
................... ..................
.................................................................
... ...
....
2
Resp: a) 3(1 p)p2 + 3(1 p)2 p + p3 b) 2p(1 p) + p2
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
Di a: onsidere os eventos
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?
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).
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.
Denio 2.1. Uma varivel aleatria X uma funo que asso
ia um nmero real
X() a
ada resultado 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.
x reta real
Sx
Figura 2.1: Uma v.a. asso
ia um nmero x = X() a
ada resultado no espao
amostral S de um experimento aleatrio.
26 Variveis Aleatrias
Exemplo 2.1. Espe
ique o espao amostral de um experimento que
onsiste em jogar
uma moeda 3 vezes.
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 X, ou seja os
resultados i do experimento.
Em outras palavras, a aleatoriedade dos valores observados de X 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.
p0 = P [X = 0] = P [{KKK}] = (1 p)3
p1 = P [X = 1] = P [{CKK}]P [{KCK}]P [{KKC}] = 3(1 p)2 p
p2 = P [X = 2] = P [{CCK}]P [{CKC}]P [{KCC}] = 3(1 p)p2
p3 = P [X = 3] = P [{CCC}] = p3
Variveis Aleatrias 27
A = { : X() em B}
A
PSfrag repla
ements
B reta real
Propriedades
Os axiomas de probabilidade e seus
orolrios impli
am que a fd
tem as seguintes
propriedades:
1. 0 FX (x) 1
2. lim FX (x) = 1
x
3. lim FX (x) = 0
x
4. FX (x) uma funo no de res ente de x, isto , se a < b, ento FX (a) FX (b).
Demonstrao.
..
.
v
......................................................................................................................................................................................................................................................................................................................................................................
.
..
P [X b]
.. ..
..
...
..... .
.
.........................................................................................................................................................................................................................................................................................................................................................................
v ..
..
P [X a]
..... ..
..
.. ..
..
..
.................................................................................... f ....................................................................................................................................................................................................................................................................
v P [a < X b]
P [X = b] = FX (b) FX (b ) (2.4)
Variveis Aleatrias 29
S
7. Seja o intervalo {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) (2.5)
= FX (b) FX (a )
fX (x)
6
1 ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ..........................................................................................................
...... .
....... .
....... ...
...
........
.
.......
...
.........
. ..
..
.....
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ........ s
0.75 .. ....
.. ..
.. ..
.... ....
0.5 ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .....
..... .... ..
..
.. ..
..... .
..
......
. .
. ....
.
..
....
. .
.
.......
.
...
...
......... ..
.
.
..
..
....... ....... ....... ....... ....... ....... ....... ................
s
0.25 .... .... ....
.. .. ..
.. .. ..
...........................................................................................
..
. ..
.
. .... -
-1 0 1 2 3 x
A partir da anlise do gr
o,
a f
il resolver o problema:
d) O evento {|x 1| > 1/2} pode ser visto
omo um
r
ulo de raio 1/2
om
entro
em X = 1.
Desta forma, P [|x1| > 1/2] = 1P [1/2 < X 3/2] = 1[FX (3/2)FX (1/2)] =
7/16
e) P [X 0] = FX (0) = 1/4
Denio 2.4. A fd
de uma v.a. dis
reta pode ser es
rita
omo uma soma ponde-
rada de funes degrau unitrio
X
FX (x) = pX (xk )u(x xk ) (2.7)
k
Exemplo 2.4. Seja a v.a. X denida
omo nmero de
aras em trs arremessos de
uma moeda ideal. Determine a fd
de X.
Variveis Aleatrias 31
FX (x)
1
7/8
1/2
1/8
0 1 2 3 x
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.
Z
FX (x) = f (t)dt (2.8)
(
0, x0
FX (x) = x
1e , x>0
Na Figura 2.5 tem-se um desenho da fd
de X.
FX (x)
Note que FX (x)
ontnua para todo x. Note tambm que sua derivada existe para
todos os pontos, ex
eto em x = 0.
Na Figura 2.6 tem-se o gr
o de FX (x).
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. A
fd
destas variveis tem a forma
onde
0<p<1
Soluo.
FX (x) = P [X x] = P [X x|livre]p + P [X x|ocupado](1 p)
Variveis Aleatrias 33
(
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 FX (x) pode ser expressa
omo
a soma de uma funo degrau
om amplitude p e uma funo
ontnua de x.
FX (x)
dFX (x)
fX (x) = (2.10)
dx
FX (x + h) FX (x)
P [{x < X x + h}] = FX (x + h) FX (x) = h (2.11)
h
Se a fd
tem uma derivada em x, ento medida que h 0
fX (x)
fX (x)dx
x x + dx x
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 (2.13)
Z b
P [a x b] = fX (x)dx (2.14)
a
fX (x)
6
.................
...... .............................
..... .......................................
.....
..... ....................................
...
. ..........................................
... ..............................................
....
. .....................................................
.... ..........................................................
.... ................................................................
..
...
. .......................................................................
..
..... ................................................................. .......
...
.... ................................................................. ........
...
. ................................................................. .......
-
...
.. .........
...
...
...
...
...... ................................................................. ..............................
.................................. . ..............
a b x
Figura 2.9: A probabilidade de um intervalo [a, b] a rea sob a fdp naquele intervalo.
Z x
FX (x) = fX (t)dt (2.15)
Variveis Aleatrias 35
Z +
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
Z +
g(x)dx = c < (2.17)
Fazendo fX (x) = g(x)/c obtemos uma funo que satisfaz a
ondio de norma-
lizao. Note que a fdp pre
isa ser denida para todos os valores reais de x; se X
no toma valores em alguma regio da reta real, simplesmente fazemos fX (x) = 0
na regio.
Z +
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
X
FX (x) = pX (xk )u(x xk ) (2.20)
k
Denio 2.8. Usando a equao (2.15), podemos denir a fdp de uma v.a. dis
reta
omo
X
pX (x) = P [X = xk ](x xk ) (2.21)
k
2.5.1 Bernoulli
Usos mais frequentes
A distribuio de Bernoulli o valor da funo indi
adora IA para algum evento A; X =
1 seA o
orre, e X = 0
aso
ontrrio. Para estes testes, assume-se que a probabilidade
de A o
orrer p.
Domnio: SX = {0, 1}
0p1
-
0 1 x
2.5.2 Binomial
Usos mais frequentes
X o nmero de su
essos em n experimentos de Bernoulli e, portanto, a soma de
n variveis aleatrias independentes e identi
amente distribudas,
om distribuio de
Bernoulli
om probabilidade de su
esso igual a p.
Domnio: SX = {0, 1, . . . , n}
x = 0, 1, . . . , n
-
0 1 2 3 4 5 6 7 8 9 10 x
1 2 3 4 5 6 7 8 9 10 x
2.5.3 Poisson
Usos mais frequentes
Em muitas apli
aes, estamos interessados em
ontar o nmero de o
orrn
ias de um
evento em um
erto intervalo de tempo ou em uma determinada regio do espao. A
varivel aleatria de Poisson
onta o nmero de eventos que o
orrem em uma unidade
de tempo quando o tempo entre os eventos exponen
ialmente distribudo
om mdia
1/.
A distribuio de Poisson pode ser derivada da distribuio binomial fazendo-se
n e p 0.
Domnio: SX = {0, 1, 2, . . . }
x = 0, 1, . . . e >0
-
0 1 2 3 4 5 6 7 8 9 10 x
38 Variveis Aleatrias
-
.......................
.. .. ... ... ... ... ... ... ... ...
............................................. . . . . . . . . .
1 2 3 4 5 6 7 8 9 10 x
2.5.4 Geomtri
a
Usos mais frequentes
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, . . . }
x = 0, 1, 2, . . .
-
0 1 2 3 4 5 6 7 8 9 10 x
FX (x) = p (1 p)k u(x k) .... .... .... .... .... .... .... .... .... ....
0.5 ...................... ....
.
....
.
....
.
....
.
....
.
....
.
....
.
....
.
....
.
k=0 .... .... .... .... .... .... .... .... .... ....
.... .... .... .... .... .... .... .... .... ....
. . . . . . . . . .
..................
..
.
.
..
.
.
..
.
.
..
.
.
..
.
.
..
.
.
..
.
.
..
.
.
..
.
. - ....
1 2 3 4 5 6 7 8 9 10 x
2.6.1 Uniforme
Usos mais frequentes
A varivel aleatria uniforme apare
e em situaes onde todos os valores em um intervalo
da reta real so equiprovveis. Esta distribuio bastante usada em modelamentos de
rudo de quantizao.
Domnio: SX = [a, b]
1
1 axb
....... ....... ....... ....... ...............................................................................................
....
...
fX (x) = b a ba ...
...
.
.....
...
... ...
0 ... ...
aso
ontrrio ... ...
...
...
... .....
... ...
... ...
... ....
... ...
.....................................................
.... ...
. -
a b x
Z x
1. x<a FX (x) = 0 dy = 0
Z x
1 xa
2. axb FX (x) = dy =
a ba ba
Z b
1 ba
3. x>b FX (x) = dy = =1
a ba ba
Portanto, temos:
FX (x)
6
0 x<a
x a 1 ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .............................................
.... .
..... ...
......
FX (x) = axb ..
..
.....
..... ..
..
ba .. .
...
.
......
.
..
.....
.....
..
..
1 x>b .
...
..
.
.....
..... ..
..
.....
..
......
. ...
.
..
..... .
.
.....
......................................................
..
......
. ..
.. -
a b x
40 Variveis Aleatrias
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, )
ex x0 e >0
...
...
... = 1.0
fX (x) = 0.6 ...
...
...
...
0
aso
ontrrio
......
......
....... .......
..
0.4 ....... .....
........ ....
..............
...........
...........
..................
= 0.5
0.2 ....... ............
........ ...............
.......... .
............. ............................................
-
.................... .
................................................................................
...............
1 2 3 4 x
FX (x)
6
1.0 = 1.0 ................................................
........................
............... ......
........... ...................
......... ...............
.......
...... ... .......
..
.
0.8 ...........
( .........
. ................
.
.... .
........
1 ex x 0, > 0 0.6 .....
.....
.....
.......
......
.......
........
FX (x) = .
...
...
.....
......
......
.....
2.6.3 Rayleigh
Usos mais frequentes
Domnio: SX = [0, )
Variveis Aleatrias 41
0 1 2 x
FX (x)
6
1 e 22 x 0, > 0 ...
..
.....
...
FX (x) = .
...
... ...
..
...
.
.
2.6.4 Gaussiana
Usos mais frequentes
Curvas em forma de sino apare
em em vrias apli
aes de teoria de probabilidade. Os
modelos de probabilidade nestas apli
aes so menbros da famlia de v.a.'s Gaussianas.
De fato, sob uma grande faixa de
ondies X 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.
Domnio: SX = (, )
42 Variveis Aleatrias
-4 -3 -2 -1 0 1 2 3 4 x
2 ( = 0, = 1 ) .......
. .... (
.
.. = 1, = 0.5)
.. ...
...
... ...
... ..
..
....
. ....
.
.... ..
..... ...
..... ...
...... .....
...... .....
-
....... .
...
.
....... .....
....................................................................................................................
-4 -3 -2 -1 0 1 2 3 4 x
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.
Para aprender
omo usar esta tabela, vamos introduzir a seguinte propriedade das
variveis aleatrias Gaussianas:
Este teorema diz que qualquer transformao linear de uma varivel aleatria Gaus-
siana produz outra varivel aleatria Gaussiana. Este teorema nos permite rela
ionar
Variveis Aleatrias 43
As tabelas denidas
ontm valores de FZ (z). Introduzimos a notao espe
ial (z)
para esta funo.
x
z= (2.22)
Note que z adimensional. Ele representa x
omo um nmero de desvios padres
em relao ao valor esperado de X.
Exemplo 2.7. 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 Z.
46 61
z= = 1.5
10
Assim, esta pontuao
orresponde a 1.5 desvios padres menos que o valor espera-
do.
(z) = 1 (z)
Z
1 2 /2
Q(x) = ey dy (2.23)
2 x
Desta simetria, pode-se
on
luir fa
ilmente que a tabela de valores da funo Q(x)
pode ser obtida diretamente da tabela de valores de (x). Surge ento a pergunta: por
que estudar a funo Q(x) se j temos a funo (x)? Para responder a esta ques-
to, vamos dar uma olhada em outra funo, denominada funo erro
omplementar,
denida
omo
Variveis Aleatrias 45
Z
2 2
erf c(x) = ey dy (2.25)
x
" #
2 X (1)i x(2i+1)
erf c(x) = 1 (2.26)
(2i + 1)i!
i=0
1 x
erf c(x) = 2Q(x 2) Q(x) = erf c (2.27)
2 2
Para x grande o su
iente (assintoti
amente), podemos usar a seguinte representao
da funo Q(x):
2
ex /2 1 13 135
Q(x) = 1 2 + + (2.28)
x 2 x x4 x6
Na prti
a, as seguintes aproximaes so utilizadas
1 2
Q(x) ex /2 , x 1 (2.29)
x 2
1 0.7 2
Q(x) 1 2 ex /2 , x > 2 (2.30)
x 2 x
2.6.5 Gama
Usos mais frequentes
A distribuio gama no tem muitas apli
aes prti
as, mas tem um interesse teri
o
bastante grande, pois serve de base para a derivao de outras distribuies, estas sim
de grande interesse prti
o.
Domnio: SX = [0, )
FX (x) = dy ...
...
...
... =3 =3 ,
0 () ....
..
.
...
..
... ...
.... ...
.. ...
... ...
... ...
.... .....
.. ....
............ -
0 1 2 3 4 x
2.6.6 m-Erlang
Usos mais frequentes
A varivel aleatria m-Erlang obtida pela soma de m variveis aleatrias independentes
om distribuio exponen
ial de parmetro .
Observao: um
aso espe
ial da distribuio Gama, fazendo-se
om que o par-
metro =m seja um nmero inteiro positivo.
Domnio: SX = [0, )
FX (x) = dy ...
... ...
...
m=3 =3 ,
0 (m 1)! ....
..
.
...
..
... ...
.... ...
.. ...
... ...
... ...
.... .....
.. ...
............ -
0 1 2 3 4 x
Variveis Aleatrias 47
2.6.7 Chi-Quadrado (2 )
Usos mais frequentes
A soma de k variveis aleatrias gaussianas independentes de mdia zero e varin
ia
unitria, ao quadrado, uma varivel aleatria
om distribuio 2
om k graus de
liberdade.
Domnio: SX = [0, )
0 5 10 15 20 x
2.6.8 Cau
hy
Usos mais frequentes
A distribuio de Cau
hy no tem apli
ao prti
a, mas tem um grande interesse
teri
o pelas suas pe
uliaridades.
Domnio: SX = [, )
48 Variveis Aleatrias
-6 -4 -2 0 2 4 6 x
Z x
/
FX (x) = du
+ u2 2
u x
a 1
= arctan
a a
FX (x)
6
= 0.5
1 ...................................
....................................................
.......... ..
..
......... ...................
... .....
.... ......
... .......
... ....
.. ....
.
... ....
x ... ..
1 1 ......
........
FX (x) = + arctan ....
.....
2 0.5 ...
.....
.
=1
......
.......
... ..
.. ...
.
. .
... ...
.... ..
.... ..
.
....... .....
.
.... ......
....... .
.......... .............
............... .
.........................................................................
.............
-
-6 -4 -2 0 2 4 6 x
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 expo-
nen
ial.
Domnio: SX = [, )
Variveis Aleatrias 49
2 ..
.........
. . ... ... . ...
.. .. ....
.
0.2 .. . .. . ... ....
... .. ......... ...
... ... ...
... ... .... ........ ...
..
......
. . ... ..... . ...
...
.... .....
0.1 ...
.........
.
. .
.
...
.
.
.. .
.
.
.
..........
...
.
........ ........
....
....... .
..
..... ......................
-
............ .. .
.... .. .....................
.............. .
.. .... .
.
....................................................................................................... .. .. ..................................
-8 -6 -4 -2 0 2 4 6 8 x
Primeira etapa: x
Z x
|y|
FX (x) = e dy Fazendo z = y , temos que dz = dy , e ento
2
Z x
x
z ey 1
FX (x) = e dz = = e(x)
2 2 2
Segunda etapa: x>
Z Z x
|y| |y|
FX (x) = e dy + e dy Fazendo z = y , dz = dy , e ento:
2 2
Z Z x x
z z ey ey 1 1 (x)
FX (x) = e dz + e dz = + = 22e
2 2 2
2
FX (x)
6
1 .............................................
.................................
.........
...............
.
1 (x) ..... ..
..... ....
..
..
..... ...
e , x ....
.... ..
2 ...
..
.. ...
...
... ..
.
FX (x) = = 0, 5, = 0 ...
... ...
... =1 =2 ,
... ...
1 1 e(x) , x >
..
. ..
.
.. ..
..
.... ...
.
.... ...
.....
2 2 .....
.....
..... ...
...
...
..
.... ..
. .
.... ......
.
..........
.................
................................................................................................................
......... -
-8 -6 -4 -2 0 2 4 6 8 x
P [X x, B]
FX (x|B) = 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 X uma varivel aleatria dis
reta, ento a funo massa de
probabilidade
ondi
ional dada por
P [X = xk , B]
pX (xk |B) = P [X = xk |B] =
P [B]
Se X uma varivel aleatria
ontnua, ento a funo densidade de probabilidade
ondi
ional dada por
dFX (x|B)
fX (x|B) =
dx
P [X 10, X x] P [X 10]
FX (x|B) = = =1
P [X 10] P [X 10]
2. para x 10, o evento {X x} um sub
onjunto do evento {X 10}. Desta
forma,P [X 10, X x] = P [X x], e ento podemos es
rever
P [X 10, X x] P [X x]
FX (x|B) = =
P [X 10] P [X 10]
Na Figura abaixo temos uma verso gr
a deste resultado.
Variveis Aleatrias 51
FX (x)
6
1 ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .......................................................................................................................
.
......... .
........
........ ....
........
.............. .
..... ....
F (x|B) X .
.......
...
.......
. ......
.... ...................
....... ..................
....
. . .................
....... ................
.......... .. ..........................
.
.
.. .
...
...... ............. .
...... ............
...... ............ ....
...... ...........
..... ........... .
...
.
.
......
.
....
.. .
....... .....
.. .
........
......
....
F (x) X
....
. ....
...
...... ......... ....
......... .
..............
. .
.
..... ........
.....
..... ........ ....
........
..... ........
...
...... ....
......... ...
.
..
.... .......... .
. .
..... .......
..
.................. .
....
...
.............
-
.. ...
............ ...
....... .
0 2 4 6 8 10 12 14 x
Figura 2.10: Fd
's
ondi
ional e in
ondi
ional de X.
Sejam duas v.a.'s X1 e X2 , ada uma delas podendo ser ontnua, dis reta ou mista.
Z x1 Z x2
FX1 X2 (x1 , x2 ) = P [X1 x1 , X2 x2 ] = fX1 X2 (u1 , u2 )du1 du2 (2.31)
onde fX1 X2 (x1 , x2 ) a funo densidade de probabilidade
onjunta (fdp
onjunta). Esta
ltima pode ser expressa na forma
2
fX1 X2 (x1 , x2 ) = FX X (x1 , x2 ) (2.32)
x1 x2 1 2
52 Variveis Aleatrias
Teorema 2.4. Quando a fdp
onjunta fX1 X2 (x1 , x2 ) integrada sobre uma das va-
riveis, obtemos a fdp da outra varivel, isto
Z +
fX1 X2 (x1 , x2 )dx1 = fX2 (x2 )
Z +
fX1 X2 (x1 , x2 )dx2 = fX1 (x1 )
As fdp's fX1 (x1 ) e fX2 (x2 ) obtidas a partir da integrao de uma das variveis so
hamadas de fdp's marginais.
Z + Z +
fX1 X2 (x1 , x2 )dx1 dx2 = F (, ) = 1 (2.33)
fX (xi ) = P [X = xi ] = P [X = xi , Y = y1 ou X = xi , Y = y2 ou ...]
X
= fXY (xi , yj )
j=
fY (yj ) = P [Y = yj ] = P [Y = yj , X = x1 ou Y = yj , X = x2 ou ...]
X
= fXY (xi , yj )
i=
Teorema 2.8.
X X
fXY (xi , yj ) = F (, ) = 1 (2.34)
i= j=
Exemplo 2.10. 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 (X, Y )
represente a v.a. bidimensional que forne
e o nmero de peas produzidas pela linha
I e a linha II, respe
tivamente. A Tabela 2.1 forne
e a distribuio de probabilidade
onjunta de (X, Y ). Cal
ule as probabilidades marginais.
Y X 0 1 2 3 4 5 Soma
0 0 0,01 0,03 0,05 0,07 0,09 0,25
1 0,01 0,02 0,04 0,05 0,06 0,08 0,26
2 0,01 0,03 0,05 0,05 0,05 0,06 0,25
3 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 1
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 Y e de X , respe
tivamente. Por
exemplo, P [Y = 1] = 0.26, P [X = 3] = 0.21, et
.
Em virtude da forma de apresentao da Tabela 2.1 aludiremos, de modo muito usual
distribuio marginal de X ou distribuio marginal de Y , sempre que tivermos uma
v.a. bidimensional (X, Y ), quer dis
reta, quer
ontnua.
Tomando as derivadas par
iais de FX1 X2 ...Xn (x1 , x2 , . . . , xn ) dadas por (2.35), obte-
mos
n
fX1 X2 ...Xn (x1 , x2 , . . . , xn ) = FX X ...X (x1 , x2 , . . . , xn ) (2.36)
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 x2 e x3 leva a
Z + Z +
fX1 X2 X3 X4 ...Xn (x1 , x2 , x3 , x4 , . . . , xn )dx2 dx3 = fX1 X4 ...Xn (x1 , x4 , . . . , xn )
(2.37)
Segue tambm que
FX1 X2 ...Xn (x1 , , , x4 , . . . , xn ) = FX1 X4 ...Xn (x1 , x4 , . . . , xn )
e
FX1 X2 ...Xn (x1 , , , x4 , . . . , xn ) = 0.
x2 x2 < X2 x2
onde x2 algum in
remento positivo, dada por
Z x1
fX1 X2 (u1 , x2 )du1
FX1 (x1 |x2 ) =
fX2 (x2 )
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 [X1 x1 |x2 x2 < X2 x2 ] =
P [x2 x2 < X2 x2 ]
Z x1 Z x2
fX1 X2 (u1 , u2 )du1 du2 (2.38)
x2 x2
= Z x2
fX2 (u2 )du2
x2 x2
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: se f for uma funo
ontnua em [a, b]
e diferen
ivel em (a, b), ento existe c (a, b)
tal que f (b) f (a) = f (c)(b a).
Z x1 Z x2 Z x1
fX1 X2 (u1 , u2 )du1 du2 fX1 X2 (u1 , c)x2 du1
x2 x2
Z x2 = (2.39)
fX2 (c )x2
fX2 (u2 )du2
x2 x2
Z x1 Z x1
fX1 X2 (u1 , c)x2 du1 fX1 X2 (u1 , x2 )du1
= (2.40)
fX2 (c )x2 fX2 (x2 )
que a fd
ondi
ional da v.a. X1 dada a v.a. X2 , ou seja
Z x1
fX1 X2 (u1 , x2 )du1
FX1 X2 (x1 |x2 ) = (2.41)
fX2 (x2 )
Teorema 2.12.
fX1 X2 (x1 , x2 )
fX1 X2 (x1 |x2 ) = (2.42)
fX2 (x2 )
fX1 X2 (x1 , x2 ) = fX1 X2 (x1 |x2 )fX2 (x2 ) = fX2 X1 (x2 |x1 )fX1 (x1 ) (2.43)
56 Variveis Aleatrias
onde k qualquer inteiro na faixa 1 < k < n. A fd
ondi
ional
onjunta
orrespondente
fdp fX1 Xn (x1 , . . . , xk |xk+1 , . . . , xn ) dada por
ou alternativamente
Y fX (x) X fY (y) Y
Y = g(X)
x y
X X Y
a) b)
)
fX (x) f (x)
fY (y) = = X (2.50)
dY
|g (X)|
dX
Observe que fY (y) uma funo de y. Desta forma, no lado direito da equao
a
ima, a varivel x deve ser expressa em termos de y. Assumindo que y = g(x) tem
uma inversa x = g 1 (y), temos
fX (x)
fY (y) = (2.51)
|g (X)| x=g1 (y)
58 Variveis Aleatrias
1
Cal
ule a funo densidade de probabilidade da varivel aleatria U = (12 x).
3
Soluo. Neste
aso, g(x) = 1/3(12 x). Assim, a derivada e a inversa de g(x) so
dadas por:
1 1
g (x) = (0 1) = g 1 (U ) = 12 3U
3 3
Apli
ando o Teorema 2.13, temos:
X 2
81 x2 (4 U )2
fU (u) = = =
1 27 g1 (U ) 3
3 1
g (U )
Ainda, para X 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
Z yb
yb a yb
FY (y) = P [Y y] = P [aX +b y] = P X = fX (x)dx = FX
a a
1 yb
fY (y) = fX
a a
Ou seja, se a fdp de X da forma da Figura 2.12b), a fdp de Y 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 59
Y fX (x) fY (y)
Y = aX + b, a > 0
1
1 a
X -1 0 1 x ba b b+a y
a) b) )
fX (x) fX (x) 1 yb
fY (y) = = = fX
g (x) x=g1 (y) a x=(yb)/a a a
At agora assumiu-se impli
itamente que existe uma
orrespondn
ia biunvo
a en-
tre X e Y ou seja, existe apenas um valor de X para um dado Y , e vi
e-versa. Se, por
outro lado, para um dado valor de Y existir mais de um valor de X , as equaes a
ima
devem ser modi
adas. O seguinte
orolrio trata deste
aso:
Corolrio 2.14. Quando a equao Y = g(X) tem duas razes, x1 e x2 , a fdp fY (y)
dada por
fX (x1 ) fX (x2 )
fY (y) = +
|g1 (x1 )| x1 =g1 (y) |g2 (x2 )| x2 =g1 (y)
1 2
y
g1 (x1 ) g2 (x2 )
x1 x2
x1 x2 x
Nesta Figura, para um dado valor de Y existem dois valores
orrespondentes para
X. Ento a equao Y = g(X) x1 e x2 . Vamos quebrar esta funo
tem duas razes,
em duas outras,
ada qual
om uma ni
a raiz: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
60 Variveis Aleatrias
r
yb
FY (y) = P [Y y] = P [aX 2 + b y] = P [|X| ]
a
e ento
Variveis Aleatrias 61
r ! r !
yb yb
FY (y) = FX FX
a a
Derivando a equao a
ima em relao a y, obtemos a fdp de Y em termos da fdp de X
q q
yb
fX a fX yb a
fY (y) = q + q
2a yb
a 2a yb
a
q q q q
yb yb yb yb
fX x1 = a fX x2 = a fX a fX a
fY (y) =
q +
q
= q + q
g x1 = yb g x2 = yb 2a yba 2a yb
a
X a X a
Teorema 2.16. Considere duas v.a.'s X eY e sua fdp
onjunta fXY (x, y). Sejam
U e V outras duas v.a.'s rela
ionadas a X e Y por U = U (X, Y ) 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
e-versa. Ento
fXY (x, y)
fU V (u, v) =
u, v
J
x, y
Portanto
fXY (x, y)
fU V (u, v) = (2.55)
dudv
dxdy
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
u, v
dudv = J dxdy (2.56)
x, y
onde J o Ja
obiano da transformao, dado pelo determinante
u u
x y
u, v
J = (2.57)
x, y v v
x y
Portanto
fXY (x, y)
fU V (u, v) = (2.58)
u, v
J
x, y
Note que para que o Ja
obiano exista as derivadas par
iais de u e v em relao a x
e a y devem tambm existir.
Yi = Yi (X1 , X2 , . . . , Xn ), i = 1, 2, . . . , n
Xj = Xj (Y1 , Y2 , . . . , Yn ), j = 1, 2, . . . , n
Assume-se que todas essas funes sejam de valor ni
o e
om derivadas par
iais
ontnuas em todos os pontos. Assim, temos
Portanto
Variveis Aleatrias 63
fX1 X2 Xn (x1 , x2 , . . . , xn )
fY1 Y2 Yn (y1 , y2 , . . . , yn ) =
dy1 , dy2 , . . . , dyn
(2.61)
dx1 , dx2 , . . . , dxn
y1 ,...,yn
A razo dos elementos de rea dada pelo Ja
obiano da transformao J x1 ,...,xn
y1 , y2 , . . . , yn
dy1 , dy2 , . . . , dyn = J dx1 , dx2 , . . . , dxn (2.62)
x1 , x2 , . . . , xn
onde
y1 y1 y1
...
x1 x2 xn
y2 y2 y2
y1 , y2 , . . . , yn ...
J = x1 x2 xn (2.63)
x1 , x2 , . . . , xn .
.
.
. .. .
.
. . . .
yn yn yn
...
x1 x2 xn
Portanto
fX1 X2 Xn (x1 , x2 , . . . , xn )
fY1 Y2 Yn (y1 , y2 , . . . , yn ) = (2.64)
y1 , y2 , . . . , yn
J
x1 , x2 , . . . , xn
Pode-se mostrar que
y1 , y2 , . . . , yn 1
J = (2.65)
x1 , x2 , . . . , xn x1 , x2 , . . . , xn
J
y1 , y2 , . . . , yn
Se Y1 , Y2 , . . . , Yn so funes de mltiplos valores de 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 X e Y
que des
revem as
oordenadas de um ponto onde o dardo atinge o alvo so independentes
e tem fdp's normais (gaussianas)
1 x2 1 y 2
fX (x) = e 22 e fY (y) = e 22
2 2 2 2
En
ontre a fdp fR (r, ) onde R a distn
ia do ponto origem e o ngulo do
ponto em relao ao eixo x. As relaes entre as variveis so as seguintes:
p
2 2
Y
R= X +Y e = arctg
X
Soluo.
R R
R, X Y
J =
X, Y
X Y
64 Variveis Aleatrias
1 r r22
fR (r, ) = e 2 = fR (r)f ()
2 2
onde
(
1
f () = 2 , 0 < < 2
0,
aso
ontrrio
r r22
fR (r) = e 2
2
fR (r)
onhe
ida
omo funo densidade de Rayleigh.
fR (r)
6
.........
...... .. .......
..... .. .........
... ....
.
... ... ...
. ...
... . ...
... . ...
... ..
. ...
... ...
.. . ...
. . ...
..
. .. ...
... . ...
...
..
. ..
. ...
.... .
...
...
.
. . ...
.... .. .....
... .. .....
. . .....
. . .....
.... .....
......
.
. ...
. ......
.... . .......
.........
-
.
. . ...............
... ... ...................................
0 r
Figura 2.15: Funo densidade de probabilidade de Rayleigh.
x2 +y 2
fXY (x, y) = xye 2 u(x)u(y)
Resp:
x2
(a) fX (x) = xe 2
y2
fY (y) = ye 2
x2
fXY (x|Y = y) = xe 2
y2
fXY (y|X = x) = ye 2
(b) sim
2 +2xy+2y 2 )
fXY (x, y) = ke(x
(a) k = 1/
1 x2
(b) 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 )
fXY (y|X = x) = e 2
(
) no
(
X 2, X > 0
Y =
0, X0
1 x2
fX (x) = e 22
2
En
ontre fY (y).
1 y
e 22 , y > 0
Resp: fY (y) = 2 2y
0,
aso
ontrrio
6. Suponha que trs usurios de telefone tenham uma linha em
omum. Qual a pro-
babilidade 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: 0,0017
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 e b = 16, 97
0 x<0
1 e2x x 0 2x x 0
a) y= x2 0 x < 1 b) y=
) y=
0 x<0 0 x<0
1 x1
(1 ex) (1 ey) x 0, y 0
FXY (x, y) =
0
aso
ontrrio
i) A = {X 1, Y 1}
ii) B = {X > x, Y > y}, x > 0, y > 0
Di
a: use a lei de De Morgan
Resp:
(
1 ex , x 0
(a) FX (x) =
0,
aso
ontrrio
(
1 ey , y 0
FY (y) =
0,
aso
ontrrio
(b) i. P [X 1, Y 1] = (1 e )(1 e )
ii. P [X > x, Y > y] = ex ey
14. Uma varivel aleatria X tem funo densidade de probabilidade dada por
c
fX (x) = , <X <
x2 + 1
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 X
om funo densidade de probabilidade dada por
(
6x(1 x), 0 < x < 1
fX (x) =
0,
aso
ontrrio
(
12y 3 (1 y 2 ), 0 < y < 1
fY (y) =
0,
aso
ontrrio
1 1 2 2
fXY (x, y) = exp (x + y )
2 2
U = 3X + 5Y W = X + 2Y
Resp:
Variveis Aleatrias 69
(a) k=
2
1 ex ,
x<0
(b) FX (x) = 2 1
1 ex , x 0
2
2
(
) E[X] = 0, Var[X] = 2
1 1
(d) (e e2 ) 0, 1163
2
1 1
(e) (e e2 ) 0, 1163
2
18. A probabilidade de uma
hamada telefni
a no durar mais do que t minutos
geralmente des
rita por uma f dc exponen
ial
(
1 et/3 t 0
FT (t) =
0
aso
ontrrio
Resp:
1 et/3 , t 0
(a) fT (t) = 3
0,
aso
ontrrio
19. Expresse os valores extremos das f dc's
onjuntas FXY (x, y) por nmeros ou em
termos das f dc's FX (x) e FY (y).
Resp: a) 0 b) 1 ) FY (y) d) 0
(
4xy 0 x 1, 0 y 1
fXY (x, y) =
0
aso
ontrrio
X e Y so independentes?
Resp: sim
(
A(x + y), 0 x 1, 0 y 1
fXY (x, y) =
0,
aso
ontrrio
70 Variveis Aleatrias
( ) X e Y so independentes?
Resp:
(a) A=1
(b) fX (x) = x + 1/2
fY (y) = y + 1/2
(
) no
(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 m toques, dado que
ada toque tem uma
erta probabilidade de estar
om erro;
23. Uma fonte binria gera dgitos 0 e 1 de forma aleatria
om probabilidades 0,6 e
0,4, respe
tivamente.
24. Seja Y = eX . Y se X = N (, 2 ).
En
ontre a fdp de
(ln(y))2
1 e 22 y>0
Resp: fY (y) = 2y
0
aso
ontrrio
Determine:
(a) A
onstante A.
Variveis Aleatrias 71
(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 deter-
minado 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
om-
pare
erem ao embarque?
Resp: 0,7405
27. Suponha que um sinal x(t) alimenta um dispositiva
uja sada seja y(t). Se X tem
distribuio uniforme no intervalo (0, 2) e y = ln(x),
al
ule fY (y) e FY (y). Faa
os esboos das
urvas pertinentes, indi
ando valores em alguns pontos notveis
(onde a funo
orta os eixos ou muda abruptamente).
Resp:
y
e , < y < ln(2)
fY (y) = 2
0, y ln(2)
y
e , < y < ln(2)
FY (y) = 2
1, y ln(2)
Resp:
(a)
(b)
Captulo 3
3.1 Mdias
O
on
eito de mdias assume uma posio extremamente importante em pro
essos alea-
trios. 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 m-
dia. 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.
1 m1 m2 mn
X= (m1 x1 + m2 x2 + + mn xn ) = x1 + x2 + + xn (3.1)
N N N N
mi
No limite quando N , a razo
N tende a fX (xi ) de a
ordo
om a denio
por frequn
ia relativa de probabilidade. Portanto
n
X
X= xi pX (xi ) (3.2)
i=1
Denio 3.1. 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
Z +
X = E[X] = xfX (x)dx (3.4)
1 (xm)2
fX (x) = e 22
2
En
ontre o valor mdio de X.
Soluo. Na Figura 3.1 tem-se um esboo de fX (x). Para esta distribuio, temos
Z +
1 (xm)2
X= xe 2 2 dx
2
Z + Z + Z +
1 y2 1 y2 y2
X= (y + m)e 22 dy = ye 22 dy + m e 22 dy
2 2
Z
1 + y2 1 1
X= 2m e 22 dy = 2m 2 2 = m
2 0 2 2
fX (x)
6
1
....... ....... ....... ....... ....... ....... ....... ....... ......................
.. .
..... ... .........
2 2 ...
.
.....
....
..
.
.
.....
...
...
.
.. . ...
.. . ...
.... ...
..
. ..
.
. ...
...
. ...
...
.... .
. ...
..
. .
. ...
...
. .
...
..
. .
. ...
.
.. . ...
.. ...
.... .
.
...
.....
..
...
. .
. .....
..
....
. . .....
...
..... .
.
.
.....
......
...
..... .......
-
..
...... ..........
...
...
. .
. .................
.............. ..
m x
Figura 3.1: Funo densidade de probabilidade gaussiana
om mdia m e varin
ia 2.
74 Mdias Estatsti
as de Variveis Aleatrias
De forma geral, desejamos obter a expresso do valor mdio de uma v.a. Y a qual
por sua vez uma funo da v.a. X
Y = g(X) (3.5)
Teorema 3.1. Sejam duas v.a.'s X e Y rela
ionadas por Y = g(X). Ento o valor
mdio de Y dado por
Z + Z +
Y = E[Y ] = yfY (y)dy = g(X)fX (x)dx (3.6)
y + dy
dy
y
x1 x2 x3
X
Da gura, podemos ver que y = g(x1 ) = g(x2 ) = g(x3 ), ento podemos es rever
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 dy
obre o eixo y, os dx's
orrespondentes so no sobrepostos e
obrem
todo o eixo x. Desta forma, as integrais em (3.8) e (3.6) so iguais, e a prova est
ompleta.
Mdias Estatsti
as de Variveis Aleatrias 75
Teorema 3.2. Se X uma v.a. dis reta, (3.6) pode ser rees rita omo
X X
Y = E[Y ] = g(xi )P [X = xi ] = g(xi )pX (xi ) (3.9)
i i
Z +
1 (xm)2
Y = x2 e 2 2 dx
2
Fazendo u = x m, rees
revemos a equao a
ima
omo
Z +
1 u2
Y = (u + m)2 e 22 du
2
Y = X 2 = 2 + m2
Z = g(X, Y ) (3.10)
Ento
Z +
Z = E[Z] = zfZ (z)dz (3.11)
Teorema 3.3. Sejam duas v.a.'s X e Y
om fdp
onjunta fXY (x, y), e a v.a. Z
denida por Z = g(X, Y ). Ento o valor mdio de Z dado por
Z + Z +
Z = E[Z] = g(X, Y )fXY (x, y)dxdy (3.12)
Teorema 3.4. Para v.a.'s dis retas, (3.12) pode ser rees rita omo
XX
Z = E[Z] = g(xi , yj )pXY (xi , yj ) (3.14)
i j
Podemos estender fa ilmente a equao (3.12) para o aso de uma funo de n v.a.'s:
Z = g(X1 , . . . , Xn )
Ento a mdia de Z dada por
Z + Z +
Z = E[Z] = 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.
Teorema 3.7. Para v.a.'s independentes a mdia do produto igual ao produto das
mdias individuais.
Demonstrao. Se Z = XY
Z + Z +
E[Z] = xyfXY (x, y) dxdy (3.19)
Z + Z +
E[Z] = xfX (x) dx yfY (y) dy = E[X]E[Y ] (3.20)
Ento, se X e Y so v.a.'s independentes
Em outras palavras
Z + Z +
E[Z 2 ] = E[(X + Y )2 ] = (x + y)2 fXY (x, y) dxdy
Z + Z + Z + Z +
2
= x fXY (x, y) dxdy + y 2 fXY (x, y) dxdy
(3.24)
Z + Z +
+2 xyfXY (x, y) dxdy
78 Mdias Estatsti
as de Variveis Aleatrias
Z + Z + Z + Z +
2 2
x fXY (x, y) dxdy = x fX (x) dx fY (y) dy =
Z +
= x2 fX (x) dx = E[X 2 ]
Similarmente
Z + Z + Z + Z +
2
y fXY (x, y) dxdy = fX (x) dx y 2 fY (y) dy =
Z +
= y 2 fY (y) dy = E[Y 2 ]
E usando (3.21), podemos es
rever
Z + Z +
xyfXY (x, y) dxdy = E[XY ] = E[X]E[Y ]
Portanto, para as v.a.'s independentes X e Y temos
Denio 3.2. A mdia
ondi
ional (ou valor esperado
ondi
ional) de uma
v.a. X dado que outra v.a. Y =y denotada por E[X|Y = y] e denida
omo
Z +
E[X|Y = y] = xfX (x|Y = y) dx (3.27)
3.2 Momentos
3.2.1 N -simo momento
Z +
n
E[(X m) ] = (x m)n fX (x) dx (3.29)
3.2.3 Varin ia
2
X = E (x m)2 (3.30)
2
X = E x2 2mE [x] + E m2 = E x2 2mm + m2 = E x2 m2 = E[X 2 ] m2
(3.31)
Ento a varin
ia de uma v.a. igual sua mdia quadrti
a menos o quadrado de
sua mdia.
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
a
est intimamente ligada pot n
ia dos mesmos (na verdade, ela
orresponde pot n
ia
a
Var[Y ] = E ((X + b) (E[X] + b))2
= E (X E[X])2 = Var[X]
Var[Y ] = E (aX aE[X])2 = E a2 (X E[X])2 = a2 Var[X].
Denio 3.6. Sejam duas v.a.'s X1 e X2
om fdp
onjunta fX1 X2 (x1 , x2 ). O mo-
mento
onjunto denido
omo
h i Z + Z +
E X1k X2n = xk1 xn2 fX1 X2 (x1 , x2 ) dx1 dx2 (3.32)
Denio 3.7. Sejam duas v.a.'s X1 e X2
om fdp
onjunta fX1 X2 (x1 , x2 ). O mo-
mento
entral
onjunto denido
omo
h i Z + Z +
E (X1 m1 )k (X2 m2 )n = (x1 m1 )k (x2 m2 )n fX1 X2 (x1 , x2 ) dx1 dx2
(3.33)
onde mi = E[Xi ].
Mdias Estatsti
as de Variveis Aleatrias 81
[E(XY )]2 E X 2 E Y 2 (3.34)
Demonstrao. Considere a expresso E (X Y )2 para duas variveis aleatrias X
e Y quaisquer, e uma varivel real . Esta expresso, quando vista
omo um quadrado
em , sempre no negativa, isto :
E (X Y )2 0
Expandindo o quadrado, temos
E[XY ]
=
E[Y 2 ]
o que resulta na desigualdade
[E(X, Y )]2 2 2 2
E[X 2 ] 0 [E(XY )] E X E Y
E [Y 2 ]
= E[Xi Xj ] mi mj
Denio 3.12. A funo
ara
tersti
a de uma v.a. X denida
omo a mdia
estatsti
a
Z +
jX
(j) E[e ]= ejx fX (x) dx (3.37)
onde a varivel real e j= 1 a
onstante imaginria.
Mdias Estatsti
as de Variveis Aleatrias 83
(j) pode ser vista
omo a transformada de Fourier da fdp fX (x). Assim, a
transformada inversa de Fourier dada por
Z +
1
fX (x) = (j)ejx d (3.38)
2
Teorema 3.13. Sejam uma varivel aleatria X e sua
orrespondente funo
ara
-
tersti
a (j). Ento
n (j)
n nd
E[X ] = (j) (3.39)
d n
=0
Z +
d(j)
=j xejx fX (x) dx (3.40)
d
d(j)
E[X] = mX = j (3.41)
d =0
O pro
esso de diferen
iao pode ser repetido, de modo que a n-sima derivada de
(j) avaliada em =0 leva ao n-simo momento
n dn (j)
n
E[X ] = (j) (3.42)
d n =0
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, isto
n
X d (j) n
(j) = (3.43)
d n =0 n!
n=0
Usando a relao em (3.42) para eliminar a derivada em (3.43), obtemos uma ex-
presso para a funo
ara
tersti
a em termos de seus momentos na forma
X (j)n
(j) = E[X n ] (3.44)
n!
n=0
n
X
Y = Xi
i=1
n
Y
Y (j) = Xi (j)
i=1
Y (j) = E ejY
" n
!#
X
= E exp j Xi
i=1 (3.45)
" n
#
Y
=E ejXi
i=1
e desta forma a integral mltipla da equao a
ima pode ser fatorada em n integrais
simples,
ada uma
orrespondendo funo
ara
tersti
a de um dos Xi . Portanto
n
Y
Y (j) = Xi (j) (3.46)
i=1
Observaes:
A fdp de Y pode ser determinada a partir da transformada inversa de Fourier de
Y (j), dada pela equao (3.38).
Mdias Estatsti
as de Variveis Aleatrias 85
Desde que a funo
ara
tersti
a da soma de n 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 Y a
onvo-
luo das fdp's de Xi . 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.
Z Z n
!
+ + X
= exp j i X i fX1 X2 Xn (x1 , x2 , . . . , xn ) dx1 dx2 . . . dxn
i=1
(3.48)
Z + Z +
(j1 , j2 ) = ej(1 X1 +2 X2 ) fX1 X2 (x1 , x2 ) dx1 dx2 (3.49)
Observe que as derivadas par
iais de (j1 , j2 ) em relao a 1 e a 2 podem ser
utilizadas para gerar os momentos
onjuntos. Por exemplo, f
il mostrar que
2 (j1 , j2 )
E[X1 , X2 ] = (3.50)
1 2
1 =2 =0
(a)
dn FX ()
n
mn = (j)
d n =0
m2 2 m3 3 X n
FX () = m0 jm1 +j + = (j)n mn
2! 3! n!
n=0
Resp:
1. (Logo X = 1).
bn+1 an+1
Resp: E[X n ] =
(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
Z Z Z
2 2 2
m= xfx (x)dx E[X ] = x fx (x)dx X = (x m)2 fx (x)dx
Mostre que
2 = E[X 2 ] m2
X
a
fX (x) = , < x <
(x2 + a2 )
Resp: (j) = ea
Mdias Estatsti
as de Variveis Aleatrias 87
a2
Resp: E[Y ] = 0 E[Y 2 ] =
2
11. Mostre que o primeiro e segundo momentos de uma varivel aleatria
om distri-
buio 2n so respe
tivamente n e (n2 + 2n), apli
ando o teorema dos momentos
sobre a funo
ara
tersti
a.
1 n y
fY (y) = n
n
y ( 2 1) e 2 , y0
2 ( 2 )
2
Z
(p) = tp1 et dt, p>0
0
(p + 1) = p (p)
Di a: faa u = y/2
13. Dada uma varivel aleatria dis
reta que assume dois valores 0 e 1
om proba-
bilidades p e q , respe
tivamente, prove que 2 0, 25. En
ontre o valor para o
2
qual = 0, 25.
Resp: q = 0, 5
14. Sabe-se que para uma varivel aleatria X positiva, o segundo e o quarto momen-
2
tos so dados por 2 e 8 4 , respe
tivamente. Se Y = X 2, determine a mdia e
a varin
ia de Y.
Resp: E[Y ] = 2 2 Var[Y ] = 4 4 .
0, 5 x = 1
pX (xk ) = 0, 5 x = +1
0
aso
ontrrio
a
16. Demonstre a
onsist n
ia da denio da funo
ara
tersti
a. Faa as supo-
sies ne
essrias para a demonstrao.
Z Z
fX (x) dx = fX (x) dx
ento FX () = 1/2.
Resp:
0 x<0
(a) fX (x|X > 0) = 1 x2
2 e 22 x0
2
r
2
(b)
2 2
(
) 1 0, 363 2
20. Suponha que a fmp
onjunta de uma varivel aleatria bidimensional (X, Y ) seja
dada por
(
1/3 (0, 1), (1, 0), (2, 1)
pXY (x, y) =
0
aso
ontrrio
(b) X e Y so independentes?
Resp:
Mdias Estatsti
as de Variveis Aleatrias 89
(
1/3 x = 0, 1, 2
(a) pX (x) =
0
aso
ontrrio
1/3 x = 0
pY (y) = 2/3 x = 1
0
aso
ontrrio
(b) no
(
) sim
Captulo 4
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 aleat-
rios 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 determi-
nado 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 apre-
sentado o algoritmo para a gerao de nmeros
om distribuio uniforme entre 0 e 1,
que ir servir de base para os demais algoritmos.
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
71
Z1 = resto de =7
11
7 Z1 77 49
Z2 = resto de = resto de = resto de =5
11 11 11
Note que a sequn
ia passa por todos os inteiros de 1 a 10, e ento passa a se
repetir indenidamente.
1, 3, 9, 5, 4, 1, 3, 9, 5, 4, 1, 3, 9, 5, 4, . . .
1, 2, 0, 0, 0, . . .
Vrios estudos foram feitos para determinar bons valores para M e . Uma
ombi-
nao que bastante usada :
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.
P [Z x] = FX (x)
1.0 ........................................................................................................................................................................................................................................................................................................................
...
...
...
...........
X F (x) .
...........................................
.....
........... ...
.......... ...
............. ...
0.8 ..........
...........
.....
.
U .
.
.
.......
.......
.
.
.... ...
...
....
-
.
..
.
...
..... ...
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ................. ...
..
...... . ...
...
..... . ...
....
0.6 ...
.....
... .
.
. ...
.....
......
. .
.
. ...
..
..... . ...
..
..... .
. ....
..
....
. .
.
. ...
.
...... ...
.....
. .
.
. ...
.... . ...
0.4 ..
.
....
.
..
. ...
? .....
.... .
.
.... ...
.... .
.
. ...
.... . ....
...
. .
. ...
.... ..
. ...
.... ...
..
0.2 .
.
...
. .
.
.
.
...
...
... .
. .....
.... ..
. 1 ...
.
...
.
..
..
.
. X Z=F (U ) ...
....
... ...
.
.. ..
. ...
... .. .
Figura 4.1: Mtodo da transformada para gerar uma varivel aleatria
om fd
FX (x).
Mtodos
omputa
ionais para gerao de nmeros aleatrios 93
2. Faa X = FX1 (U )
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].
1.0 .....................................................................................................................................................................................................................................................................................................................................................................
6
...
.... ...
. ...
...
.... ...
...
...
.... ....
. ...
0.8 .
.... .....
...
... ...
...
.
.
....
X=1 ...
....
...
... ...
0.6 . ...
...
. ...
.... ...
...
U ...
.
...
...
...
.
....
?
...
...
0.4 ..................
6
...
...
. .....
. ...
.... ...
...
... ...
. ....
...
0.2
.
.... X=0 ...
...
... .....
. ...
.. ...
.. ....
...
? ... ...
. .
X
Figura 4.2: Gerando uma varivel aleatria
om distribuio de Bernoulli.
94 Mtodos
omputa
ionais para gerao de nmeros aleatrios
1.0 ............................................................................................................................................................................................................................................................................................................................................................................................................................................
...
...
... X=5
...
...
X=4 ...
...
...
...
0.8 ...
...
...
...
...
...
X=3 ...
...
...
...
0.6 ...
...
...
...
U ...
...
...
...
...
0.4 ...
...
X=2 ...
...
...
...
...
...
...
...
0.2 ...
...
...
...
X=0 X=1 ...
...
...
...
..
0 1 2 3 4 5
X
Figura 4.3: Gerando uma varivel aleatria
om distribuio Binomial.
Claramente qualquer varivel aleatria nita dis
reta pode ser gerada dividindo-
se o intervalo unitrio em subintervalos
om
omprimentos determinadospela fmp. O
prximo mtodo baseado na fdp ao invs da fd
de Z.
b ...............................................................................................................................................................................................................................................................................................
...
...................... .....
...... .....
..... .... ...
...... .... ...
... ... ....
.. ...
Rejeitar .
.
...
. ...
...
...
...
..
. ... ...
.
...
.
.. ...
...
....
X f (x) ...
...
.... ... .....
.. .... ...
...
. . ...
.
...
.
. A
eitar ...
.... ....
...
. ....
... ... ...
..
. . ...
..
. ... ...
... . .
.......... ...
.. .
. ..
.... ........................
. .....
... ........... ...
. ...
.
..
. .
................. ......
.
..
. . . ...
.... ................ ......
.
....
.. .
................. ..... ....
...
. .
. ..
. ...
.......
. ................
.
.
......
... ...
.. .
.... ................. ........
...... .
. ...
................ ..
...... ..... ............................
................................... .............
0
0 x x + dx a
Figura 4.4: Mtodo da rejeio para gerar uma varivel aleatria
om fdp fX (x).
Note que este algoritmo ir realizar um nmero aleatrio de passos antes de produzir
a sada Z.
Iremos mostrar agora que a sada Z tem a fdp desejada: os passos 1 e 2 sele
ionam
aleatoriamente um ponto em um retngulo de largura a e altura b. A probabilidade
de sele
ionar um ponto em qualquer regio simplesmente a rea da regio dividida
pela rea total do retngulo, ab. Ento a probabilidade de a
eitar X1 a rea da
regio abaixo de fX (x) dividida por ab. 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:
Ento, X1 , quando a
eito, tem a fdp desejada, e portanto Z 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 X
om fdp fX (x). Seja W uma varivel aleatria
om fdp FW (x) que f
il de
gerar, e tal que para alguma
onstante K > 1,
1.0 ..........................................................................................................................................................................................................................................................................................................................................................................
.. ..
. ...
... .... .....
.. ... ...
... ...
... ...
.. ... ....
... ...
... ... ...
.. ... ...
... ...
0.8 .. ... ...
.. ....
. .....
...
... ... ...
.. ... ...
...
... ... ....
.. .... ...
... ...
... ..... ...
.. ..... ...
..... ...
..
.
0.6 ...
..
.....
.....
..... .....
...
.
.. Rejeitar...
... . ...
... ....
... ... ...
.. .. ...
... .
. ...
.. .... ...
... ...
... . .....
0.4 .. .
...
.....
Kf (x) W ...
f (x)
X
...
.. ....
...
....
... ... ...
.. ... ...
.... ... ...
.. ... ...
..... .... ...
.. ..
........ .....
0.2 ....... ...
...
............. ...
. ........
................. ....
A
eitar ........................
...
...
....... .................. ...
....... ................... ...
....... . ................... ...
...... ..... .....................
.. ....... .. ..........................
..... ....... ....... ...................................... ....
....... ....... ....... ............................................................................................
....... ....... ....... ....... .......
0
0 1 2 3
Figura 4.5: Mtodo da rejeio para gerar uma varivel aleatria
om distribuio gama
(0 < < 1).
Exemplo 4.5. Mostre uma maneira de gerar uma varivel aleatria
om distribuio
gama de parmetros 0<<1 e = 1, usando o mtodo da rejeio.
1
x
, 0x1
x1 ex ()
fX (x) = KfW (x) =
()
ex
, x>1
()
A fdp fW (x) que
orresponde funo no lado direito
ex1
, 0x1
+e
fW (x) =
ex
e , x>1
+e
A fd
de W
Mtodos
omputa
ionais para gerao de nmeros aleatrios 97
ex
, 0x1
+ e
FW (x) =
ex
1 e
, x>1
+e
W pode ser gerada fa
ilmente usando o mtodo da transformao
om
( + e)u 1/
, u e/( + e)
e
1
FW (u) =
(1 u)
ln ( + e)
, u > e/( + 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 e = 1. Finalmente, note que se zermos W = X , ento W ter
distribuio gama
om parmetros e .
Exemplo 4.6. Mtodo Box & Muller. Pode-se mostrar que se U1 e 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 X e Y varin
ias
2
X e 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.
Y = X1 + X2 + + Xm
tem uma distribuio m-Erlang
om parmetro . Podemos ento gerar uma varivel
aleatria m-Erlang gerando primeiro m variveis aleatrias
om distribuio exponen-
ial de parmetro atravs do mtodo da transformada, e tomando a soma destas.
98 Mtodos
omputa
ionais para gerao de nmeros aleatrios
Desde que a varivel aleatria m-Erlang um
aso espe
ial da varivel aleatria
gama, para m grande pode ser prefervel usar o mtodo da rejeio des
rito anterior-
mente.
Exemplo 4.8. Uma varivel aleatria exponen ial de dois estgios tem fdp
Se o resultado for um fra
asso, use o mtodo da transformada para gerar uma
varivel aleatria exponen
ial de parmetro b.
(a) Para
he
ar seu programa, en
ontre Z1000 ;
om semente Z0 = 1, ele deve ser
522329230.
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.
5. Espe
ique o mtodo de transformao ne
essrio para gerar uma varivel alea-
tria
om distribuio de parmetro ( pequeno). Cal
ule o nmero mdio de
omparaes ne
essrio na bus
a.
Captulo 5
5.1 Introduo
Uma grande variedade de questes pode ser respondida estudando-se uma v.a. Wn ,
denida
omo a soma de n v.a.'s
Wn = X 1 + X 2 + + X n (5.1)
Z + Z +
E[g(X1 , X2 )] = g(X1 , X2 )fX1 X2 (X1 , X2 ) dx1 dx2
Z + Z +
= [g1 (X1 , X2 ) + g2 (X1 , X2 )]fX1 X2 (X1 , X2 ) dx1 dx2
Somas de Variveis Aleatrias e o Teorema do Limite Central 101
Z + Z +
= g1 (X1 , X2 )fX1 X2 (X1 , X2 ) dx1 dx2
Z + Z +
+ g2 (X1 , X2 )fX1 X2 (X1 , X2 ) dx1 dx2
Note que Wn = Wn1 + Xn . Desde que Wn uma soma de duas v.a.'s Wn1 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 Wn , temos
n
X n1
X n
X
Var[Wn ] = Var[Xi ] + 2 Cov[Xi , Xj ]
i=1 i=1 j=i+1
h i
Var[Wn ] = E (Wn E[Wn ])2
Pn
Pn Por
onvenin
ia,
hamemos i = E[Xi ]. Desde que Wn = i=1 Xi e E[Wn ] =
i=1 i ,
!2
n
X n
X n
X
Var[Wn ] = E (Xi i ) = E (Xi i ) (Xj j )
i=1 i=1 j=1
n
X X
Var[Wn ] = E (Xi i )2 + (Xi i )(Xj j )
i=1 j6=i
n
X n X
X
= Var[Xi ] + Cov[Xi , Xj ]
i=1 i=1 j6=i
n X
X n X
X n
Cov[Xi , Xj ] = 2 Cov[Xi , Xj ]
i=1 j6=i i=1 j=i+1
Qual a varin ia de Yn ?
N
X 1
Yn = ai Xni
i=0
Somas de Variveis Aleatrias e o Teorema do Limite Central 103
Z + Z +
fW (w) = fXY (x, w x) dx = fXY (w y, y) dy
X +Y w
w X
Z + Z wx
FW (w) = P [X + Y w] = fXY (x, y) dy dx
Z + Z wx Z +
dFW (w) d
fW (w) = = fXY (x, y) dy dx = fXY (x, w x) dx
dw dw
Z +
fW (w) = fXY (w y, y) dy
104 Somas de Variveis Aleatrias e o Teorema do Limite Central
(
2 0 y 1, 0 x 1, x + y 1
fXY (x, y) =
0
aso
ontrrio
Soluo. A fdp de W = X +Y pode ser en
ontrada usando-se o teorema 5.4. Note que
X e Y so dependentes e que os valores possveis de X, Y o
orrem na regio triangular
sombreada da Figura 5.2.
w y =wx
w 1 x
Z w
fW (w) = 2 dx = 2w (0 w 1)
0
A expresso
ompleta para a fdp de W ento dada por
(
2w 0w1
fW (w) =
0
aso
ontrrio
Z + Z +
fW (w) = fX (w y)fY (y) dy = fX (x)fY (w x) dx
Somas de Variveis Aleatrias e o Teorema do Limite Central 105
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 uma v.a.
ontnua
Z +
X (s) = esx fX (x) dx (5.2)
Esta equao indi
a que a FGM de uma v.a.
ontnua similar transformada de
Lapla
e de uma funo temporal. Para uma v.a. dis
reta Y a FGM torna-se
X
Y (s) = esyi pY (yi ) (5.3)
yi SY
Z +
X (s) = esx (x a) dx = esa
a FGM de X Z 1
es 1
X (s) = esx dx =
0 s
(
ex x0
fX (x) =
0
aso
ontrrio
a FGM de X Z
X (s) = esx ex dx =
0 s
1 p
x=0
fX (x) = p x=1
0
aso
ontrrio
a FGM de X
a FGM de X
X X pes
X (s) = esx (1 p)x1 p = pes ((1 p)es )x1 =
1 (1 p)es
x=1 x=1
Somas de Variveis Aleatrias e o Teorema do Limite Central 107
(
x e /x! x = 0, 1, 2, . . .
pX (x) =
0
aso
ontrrio
a FGM de X
X
X s
X (s) = esx x e /x! = e (es )x /x! = e(e 1)
x=0 x=0
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.
Demonstrao.
Como seu nome sugere, a funo X (s) espe
ialmente til para en
ontrar os mo-
mentos de X.
Z + Z +
dX (s) d sx
= e fX (x) dx = xesx fX (x) dx
ds ds
Z +
dn X (s)
= xn esx fX (x) dx
dsn
Exemplo 5.9. En ontre o n-simo momento de uma v.a. om fdp exponen ial
(
ex x0
fX (x) =
0
aso
ontrrio
dX (s) 1
E[X] = = 2
=
ds
s=0 ( s) s=0
2d2 X (s) 2 2
E[X ] = 2
= 3
= 2
ds
s=0 ( s) s=0
3d3 X (s) 6 6
E[X ] = = =
ds3 s=0 ( s)4 s=0 3
n dn X (s) n! n!
E[X ] = n
= n+1
= n
ds
s=0 ( s)
s=0
Somas de Variveis Aleatrias e o Teorema do Limite Central 109
W (s) = E esW = E es(X+Y ) = E esX esY (5.4)
E[g1 (X1 )g2 (X2 ) gn (Xn )] = E[g1 (X1 )]E[g2 (X2 )] E[gn (Xn )] (5.6)
h i
W (s) = E es(X1 +X2 ++Xn ) = E esX1 esX2 esXn
E[W ] = E esX1 E esX2 E esXn = X1 (s)X2 (s) Xn (s)
W (s) = [X (s)]n
110 Somas de Variveis Aleatrias e o Teorema do Limite Central
Vimos anteriormente que a fdp fW (w) obtida atravs da
onvoluo das fdp's
individuais fXi (xi ). A FGM W (s) simplesmente a multipli
ao das FGM's indi-
viduais 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).
s 1) s 1) s 1) s 1) s 1)
W (s) = e1 (e e2 (e en (e = e(1 +2 ++n )(e = e(T )(e
onde T = 1 + 2 + + n . Examinando o Exemplo 5.8, observamos que W (s) a
FGM de uma v.a.
om distribuio de Poisson
om mdia T . Portanto
(
wTe
/w! w = 0, 1, . . . , n
fW (w) =
0
aso
ontrrio
Soluo. Cal
ular a FGM de K diretamente
omo E[esK ] bastante
ompli
ado. Ao
invs disso, lembremos que podemos representar K
omo K = X1 + X2 + + Xn onde
ada Xi uma v.a. de Bernoulli independente. Desta forma, do Exemplo 5.6
(
n tn1 et
(n1)! t0
fTn (t) =
0
aso
ontrrio
En
ontre a FGM de Tn
Somas de Variveis Aleatrias e o Teorema do Limite Central 111
Z n tn1 et
n Z
st ( s)n tn1 e(s)t
Tn (s) = e dt = dt
0 (n 1)! s (n 1)!
|0 {z }
1
A integral (1) igual a 1 pois a integral de um fdp Erlang sobre todos os valores
possveis. Ento
n
Tn (s) =
s
No Exemplo 5.5 observamos que 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.
Isto mostra que uma v.a. Erlang a soma de v.a.'s exponen
iais identi
amente
distribudas.
2 /2
Z (s) = es
Z + Z +
1 2 /2
Z (s) = esz fZ (z) dz = esz ez dz
2
Z + Z +
1 21 (z 2 2sz+s2 ) s2 /2 s2 /2 1 1 2
Z (s) = e e dz = e e 2 (zs) dz
2 2
| {z }
1
O teorema se sustenta pois no lado direito temos uma integral de uma fdp gaussiana
om mdia s e varin
ia 1.
112 Somas de Variveis Aleatrias e o Teorema do Limite Central
2 s2 /2
X (s) = es+
X = Z +
Consequentemente, do Teorema 5.7, a FGM de X
2 s2 /2
X (s) = es Z (s) = es+
R = X1 + X2 + + XN (5.7)
Somas de Variveis Aleatrias e o Teorema do Limite Central 113
Os dois exemplos a seguir des
revem pro
essos esto
sti
os nos quais as observaes
so somas aleatrias de v.a.'s.
R = K1 + K2 + + KN
Em geral, o nmero N de nibus que
hegam ir ser uma v.a., e desta forma, R
uma somas aleatria de v.a.'s.
R = X1 + X2 + + XN
Wn = X 1 + X 2 + + X n (5.8)
R = X1 + X2 + + XN (5.9)
Demonstrao. Para en
ontrar R (s) = E esR , iremos usar
iteraes de esperanas,
en
ontrando primeiro a esperana
ondi
ional E e
sR |N = n , e ento tomando a espe-
rana sobre N
X
X h i
sR
R (s) = E e |N = n pN (n) = E es(X1 +X2 ++XN ) |N = n pN (n)
n=0 n=0
h i h i
E es(X1 +X2 ++XN ) |N = n = E es(X1 +X2 ++Xn ) = E esWn = Wn (s)
X
R (s) = [X (s)]n pN (n)
n=0
n
Observamos que podemos es
rever [X (s)]n = eln(X (s)) = e[ln(X (s))]n . Isto
impli
a
X
R (s) = 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
Exemplo 5.15. O nmero N de pginas em uma transmisso de fax tem fmp geo-
mtri
a
om mdia 1/q = 4. O nmero K de bits em uma pgina de fax tambm tem
distribuio geomtri
a
om mdia 1/p = 105 bits, independentemente de qualquer outra
pgina e do nmero de pginas. En
ontre a FGM de B , o nmero total de bits em uma
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
Somas de Variveis Aleatrias e o Teorema do Limite Central 115
qes pes
N (s) = K (s) =
1 (1 q)es 1 (1 p)es
Para
al
ular B (s), substitumos ln(K (s)) para toda o
orrn
ia de s em N (s).
Equivalentemente, podemos substituir K (s) para toda o
orrn
ia de es em N (s). Esta
substituio leva a
pes
q
1 (1 p)es pqes
B (s) = =
pes 1 (1 pq)es
1 (1 q)
1 (1 p)es
Podemos ver que B tem FGM de uma v.a. geomtri
a
om mdia 1/(pq) = 400000
bits.
Usando o teorema 5.14, podemos tomar as derivadas de N (ln(X (s))) para en
on-
trar expresses simples para a mdia e varin
ia de R
Teorema 5.15. A soma aleatria das v.a.'s independentes e identi
amente distri-
budas R = X1 + X2 + + XN tem mdia e varin
ia dadas por
X (s)
R (s) = N (ln(X (s)))
X (s)
Desde que X (0) = 1, avaliando em s = 0, temos
X (0)
E[R] = R (0) = N (0) = E[N ]E[X]
X (0)
Para a derivada segunda de X (s) temos
2
X (s) X (s)X (s) [X (s)]2
R (s) = N (ln(X (s))) + N (ln(X (s)))
X (s) [X (s)]2
Novamente, avaliando em s = 0, temos
E[R2 ] = E[N 2 ]2X + E[N ] E[X 2 ] 2X
Subtraindo (E[R])2 = (N X )2 de ambos os lados da equao a
ima
ompletamos
a prova.
116 Somas de Variveis Aleatrias e o Teorema do Limite Central
Observe que Var[R]
ontm dois termos: o primeiro termo N Var[X] resulta da
aleatoriedade de X , enquanto que o segundo termo Var[N ]2X uma
onsequn
ia da
aleatoriedade de N . Para visualizar isto,
onsidere estes dois
asos
importante enfatizar que os teoremas 5.14 e 5.15 exigem que N seja independente
da sequn
ia aleatria X1 , X2 , . . . , Xn , isto , o nmero de termos na soma aleatria
no pode depender dos valores dos termos da soma.
Figura 5.3: O nmero de
aras em 50 arremessos de uma moeda ideal: 400 repeties
experimentais versus a fmp binomial.
Iremos usar o teorema do limite
entral para estimar as probabilidades asso
iadas
om a soma de v.a.'s independentes e identi
amente distribudas Wn = X1 + X2 + +
Xn . Entretanto, medida que n , E[Wn ] = nX e Var[Wn ] = n Var[X] tendem
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
n
X
Xi nX
i=1
Zn = q
2
nX
E[Zn ] = 0 Var[Zn ] = 1
118 Somas de Variveis Aleatrias e o Teorema do Limite Central
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. Algumas verses do Teorema do
Limite Central apli
am-se a somas de sequn
ias Xi que no so nem independentes e
identi
amente distribudas.
Para usar o teorema do limite
entral, observe que podemos expressar a soma de
v.a.'s identi
amente distribudas Wn = X 1 + X 2 + + X n
omo
q
Wn = nX 2 Z + n (5.10)
n X
w nX
FWn (w) q (5.11)
2
nX
Para n grande, o teorema do limite
entral diz que FZn (z) (z). Esta aproximao
a base para a maneira prti
a de se utilizar o teorema do limite
entral.
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 repre-
sentada
om uma pre
iso de 0, 5 mV.
Para minimizar o erro de reproduo, a forma de onda sobreamostrada tomando-
se 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?
Para en
ontrar P [|U V | > 0.05] exatamente, pre
isaramos en
ontrar o modelo
de probabilidade exato para W8 , ou
al
ulando oito
onvolues da fdp uniforme de
Xi ou ainda, usando a funo geratriz de momentos. De qualquer forma, o pro
esso
extremamente
omplexo.
Alternativamente, podemos usar o Teorema do Limite Central para modelar W8
omo uma v.a. Gaussiana
om = 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
valor esperado zero e varin
ia 1/96. Segue ento que
h p i
P [|U V | > 0, 05] = 2 1 0, 05/ 1/96 = 0, 62
Soluo. Seja W o nmero de uns em um milho de bits. Note que E[W ] = 500000 e
Var[W ] = 106 /4 = 250000, de modo que W = 500. Pela aproximao do Teorema do
Limite Central,
502000 500000
P [W 502000] = 1 P [W < 502000] 1 = 1 (4)
500
(
0.2, k = 0, 1, 2, 3, 4
fK (k) =
0,
aso
ontrrio
(
1/n, k = 1, 2, . . . , n
fK (k) =
0,
aso
ontrrio
En
ontre a FGM de J = K1 + K2 + + Km
ems (1
ens )m
Resp: J (s) = m
n (1 es )m
5. Seja 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
1 2 /2 2
Resp: fW (w) = q ew W
2
2W
(
ex , x 0
fX (x) =
0,
aso
ontrrio
(
p p epr , r 0
R (s) = fR (r) =
ps 0,
aso
ontrrio
(e) Use o Teorema do Limite Central para estimar P [A > 75 ms], a probabilidade
do tempo total de a
esso ex
eder 75 ms.
a) Qual a FGM de R = X 1 + X2 + + XN ?
b) Cal
ule a mdia e a varin
ia de R.
Resp:
p(es 1)
(a) R (s) =
s (1 p)(es 1)
1 3 2p
(b) E[R] = Var[R] =
2p 12p2
10. Seja a funo geratriz de momentos de uma v.a. dis reta dada por
Resp: P [X = 0] = 0 P [X = 1] = 0, 25 P [X = 2] = 0 P [X = 3] = 0, 35
P [X = 4] = 0 P [X = 5] = 0, 40
1 p k = 0
pK (k) = p k=1
0
aso
ontrrio
Seja M = K1 + K2 + . . . + Kn .
Resp:
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?
E[X k ] = 0.8, k = 1, 2, . . .
Resp:
14. Seja X uma varivel aleatria
om distribuio N (0, 1). Usando a funo geratriz
de momentos, determine E[X n ] para n = 1, 2, 3.
Resp: E[X] = 0, E[X 2 ] = 1 e E[X 3 ] = 0.
Somas de Variveis Aleatrias e o Teorema do Limite Central 123
15. As
hamadas telefni
as podem ser
lassi
adas
omo sendo de voz (V ), se algum
est falando, ou de dados (D), 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 [V ] = 0.8 e
P [D] = 0.2. As
hamadas de voz e de dados o
orrem independentemente umas
das outras. Seja a varivel aleatria Kn denida
omo o nmero de
hamadas de
dados em uma
oleo de n
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 (b) 4 (
) 0,6915 (d) 0,6826
a
fX (x) = , < x <
(x 21 + a 12 )
n
1 1X
Yn = (X1 + Xn ) = Xi
n n
i=1
a
Resp: (a) X (j) = ea|| (b) FYn (yn ) = (
) no
(yn2 + a2 )
17. Sejam X eY duas variveis aleatrias independentes
om distribuio uniforme
no intervalo (0, 1). En
ontre e esbo
e a fdp de Z =X +Y.
Di
a : faa a anlise para o intervalo (0 < z < 1) e depois para o intervalo
(1 < z < 2).
z
0<z<1
Resp: fZ (z) = 2 z 1<z<2
0
aso
ontrrio
124 Somas de Variveis Aleatrias e o Teorema do Limite Central
Resp: P [K = 8] 0, 1811.
a
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). Usando o
Teorema do Limite Central,
al
ule P [1900 r1 + r2 + r3 + r4 2100].
Resp: 0,9164
Captulo 6
E[X]
P [X c]
c
Z c Z
E[X] = xfX (x) dx + xfX (x) dx
0 c
Z Z
xfX (x) dx c fX (x) dx = cP [X c]
c c
Exemplo 6.1. Seja X 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.
5, 5
P [X 11] = 0, 5
11
Exemplo 6.2. Suponha que uma v.a. Y tome o valor c>0
om probabilidade p e o
valor 0
aso
ontrrio. Neste
aso, E[Y ] = pc e utilizando a desigualdade de Markov,
temos
P [Y c] E[Y ]/c = p
fX (x)
6
...................
...... .....
..... .....
....... ...
... ...
. ...
...
. ...
...
. ...
...
...
. ...
...
. ...
..
. .
.. ......
........... ................
..................... .........................
. ........................... ....................................
.....................................
-
.. .
.. . ......................................................
..
...
...
...
...
...
...
.
....
.
.......................................... ................. ........................................
.
............
...
...
.
0 x
Figura 6.1: Regio A (sombreada).
Z + Z
2 2
X = (x mx ) fX (x) dx (x mx )2 fX (x) dx
A
Z Z
2 2
(x mx ) fX (x) dx fX (x) dx
A A
Z
Mas fX (x) dx = P [|X mx | ] e ento podemos es
rever
A
2
X
2
X 2 P [|X mx | ] P [|X mx | ]
2
P [X 11] = P [X X 11 X ] = P [|X X | 5, 5]
Usamos agora a desigualdade de Chebyshev para obter
V ar[X] 1
P [X 11] = P [|X X | 5, 5] 2
= = 0, 033
(5, 5) (5, 5)2
Embora este limitante seja melhor que o obtido pela desigualdade de Markov,
tambm bastante folgado. De fato, P [X 11] na prti
a muitas ordens de magnitude
menor que 0,033.
128 Limitantes Superiores para a Probabilidade de Cauda
Z + Z +
P [X c] = fX (x)dx = u(x c)fX (x)dx
c
Para todo s 0, u(x c) es(xc) , pois es(xc) representa uma famlia de
urvas
que passa pelo ponto c,
omo mostrado na Figura 6.2. Isto impli
a em
Z + Z +
s(xc) sc
P [X c] e fX (x)dx = e esx fX (x)dx = esc X (x)
es(xc)
PSfrag repla
ements
1
u(x c)
0 c x
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
Limitantes Superiores para a Probabilidade de Cauda 129
2 )/2
X (s) = e(11s+s
Ento o limitante de Cherno
2 )/2 2 11s)/2
P [X 11] min e11s e(11s+s = min e(s
s0 s0
Para en
ontrar s que minimiza a expresso a
ima, su
iente en
ontrar s que mi-
nimize h(s) = s2 11s. Tomando a derivada de h(s) em relao a s e igualando a
zero
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
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:
1 1
Markov : P [X 30] = Chebyshev : P [X 30] =
5 48
Cherno : P [X 30] = 7, 68 10 4
Resp: 0,25
130 Limitantes Superiores para a Probabilidade de Cauda
( ) a desigualdade de Cherno.
Resp:
2 /2
P [Z c] ec
Cherno Q(x)
P [Z 1] 0, 6065 0, 1587
P [Z 2] 0, 1353 0, 0228
P [Z 3] 0, 0111 1, 35 103
P [Z 4] 0, 0003 3, 17 105
P [Z 5] 3, 7267 106 3, 0 107
Resp: 1/k 2 .
6. Use o limitante de Cherno para en
ontrar um limitante superior para P [X c]
quando X uma varivel aleatria N (, 2 .
(c)2
Resp: P [X c] e 2 2
Limitantes Superiores para a Probabilidade de Cauda 131
Resp: 1/k 2 .
8. Seja X uma varivel aleatria
om mdia 10 e varin
ia 15. O que podemos dizer
sobre P [5 < X < 15]?
Resp: P [|X 10| 5] 2/5
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 ter-
mos 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
omporta-
mento previsveis emergem quando
oletamos mais e mais dados.
n
X1 + X2 + + Xn 1X
Mn (X) = = Xi
n n
i=1
A primeira
oisa a ser notada que Mn (X) uma funo das v.a.'s X1 , X2 , . . . , Xn
e portanto tambm uma v.a. importante distinguir a mdia amostral Mn (X) do
valor esperado E[X] da v.a. X. Enquanto Mn (X) uma v.a., E[X] um nmero.
A mdia amostral 133
Teorema 7.1. A mdia amostral Mn (X) tem valor esperado e varin ia dados por
Var[X]
Var[Mn (X)] =
n
Demonstrao. Usando a Denio 7.1, o Teorema 5.1 e o fato de que E[Xi ] = E[X]
para todo i,
1 1
E[Mn (X)] = (E[X1 ] + E[X2 ] + + E[Xn ]) = (E[X] + + E[X]) = E[X]
n n| {z }
n vezes
n n
1 XX
= 2 E[Xi Xj ] E 2 [X]
n
i=1 j=1
n n n
1 X 2 1 XX
= 2 E[Xi ] + 2 E[Xi Xj ] E 2 [X]
n n
i=1 i=1 j=1
i=j i6=j
1 2 1
= X + E 2 [X] + 2 n(n 1)E 2 [X] E 2 [X]
n n
2
X
=
n
Quando Mn (X) vista
omo uma estimativa para a mdia mx , nota-se que seu
valor esperado igual a mx e sua varin
ia de
res
e inversamente
om o nmero n de
134 A mdia amostral
Var[X]
(a) P [|Mn (X) X | c] =
nc2
Var[X]
(b) P [|Mn (X) X | < c] 1 =1
nc2
Observaes
O Teorema 7.2(b)
ontm duas desigualdades. Uma desigualdade,
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.
Vamos asso
iar o valor X=1 se o eleitor apoiar o
andidato Jos da Silva, e X=0
aso
ontrrio.
p (1 p)
P [|Mn (X) p| < 0, 03] 1 =1
n(0, 03)2
p (1 p)
1=1
n(0, 03)2
Devemos sempre ter em mente que temos grande
onana em nosso resultado
quando pequeno. Entretanto, dede que no sabemos o valor real de p, gostaramos
de ter
onana em nossos resultados independentemente do valor de p.
Analisando a funo x (1 x) para x entre 0 e 1, veri
a-se que a mesma tem
um mximo igual a 1/4 em x = 1/2. Ento para todos os valores de p entre 0 e 1,
Var[X] = p (1 p) 0, 25. Desta forma, podemos
on
luir que
0, 25 277, 778
11 2
=1
n(0, 03) n
Ento para n = 1103 amostras, 1 0, 75. Isto nos diz que nossa estimativa de p
est dentro de 3 pontos per
entuais de p
om probabilidade de pelo menos 1 = 0, 75.
Teorema 7.3. Lei Fra
a de Nmeros Grandes. Se Var[X] < , ento para
qualquer
onstante c > 0, a mdia amostral Mn (X) satisfaz
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 n 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.
(
1, se A o
orre na tentativa i
Xi =
0,
aso
ontrrio
X1 + X2 + + X n
Rn = Mn (X) =
n
Desde que E[Rn ] = E[Xi ] = P [A], o Teorema 7.3(a) diz que
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.
2. Suponha que 10 % dos eleitores esto a favor de
erta lei. Um grande nmero n
de eleitores
onsultado e obtm-se uma estimativa por frequn
ia relativa fA (n)
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 limi-
tante para a probabilidade de o nmero total de pontos estar entre 300 e 400.
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 Xj na
verdade a soma da tenso desejada v
om a tenso do rudo Nj de mdia zero e
desvio padro de 1 V
Xj = v + N j
Resp: n 100
n
1 1X
Xn = (X1 + + Xn ) = Xi
n n
i=1
8.1 Denio
A noo de pro
esso esto
sti
o uma extenso do
on
eito de v.a. Considere, por
exemplo, a temperatura X de uma
erta
idade ao meio dia. A temperatura X 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. X uma funo do tempo, e pode ser expressa
omo X(t).
Denio 8.1. Uma v.a. que uma funo do tempo
hamada de um pro
esso
esto
sti
o (ou pro
esso aleatrio).
Para espe
i
ar uma v.a. X, repetimos um experimento vrias vezes e a partir dos
resultados, determinamos a sua fdp fX (x). Similarmente, para espe
i
ar um pro
esso
esto
sti
o X(t), fazemos a mesma
oisa para
ada valor de t.
Continuando
om nosso exemplo, pre
isamos armazenar temperaturas dirias para
ada valor de t (
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 i
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.
Podemos ver um pro
esso esto
sti
o de outra forma. No
aso de uma v.a., o resul-
tado 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 t. O nmero de formas de onda em um
onjunto pode ser nito
ou innito. No
aso do pro
esso esto
sti
o X(t) (a temperatura de uma
idade), o
Pro
essos Esto
sti
os 141
X(t1 ) = x1 X(t2 ) = x2
X(t, 1 )
t
X(t, 2 )
t
X(t, 4 )
t1 t2 t
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
t
X(t, 4 )
t
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 Pro
essos Esto
sti
os
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.
Denio 8.2. Pro
essos de valor
ontnuo e de valor dis
reto: X(t) um
pro
esso de valores dis
retos se o
onjunto de todos os valores possveis de X(t) para
todos os instantes de tempo t um
onjunto
ontvel SX ;
aso
ontrrio, X(t) um
pro
esso de valores
ontnuos.
Denio 8.3. Pro
essos de tempo
ontnuo e tempo dis
reto. O pro
esso
esto
sti
o X(t) de tempo dis
reto se X(t) denido apenas para um
onjunto de
instantes de tempo tn = nT , onde T uma
onstante e n um inteiro;
aso
ontrrio,
X(t) 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:
Para um pro
esso de tempo dis
reto, a funo amostra
ompletamente des
rita
pela sequn
ia ordenada de variveis aleatrias Xn = X(nT ).
X(t)
X(n)
Y (t)
Figura 8.3: Funes amostra de quatro tipos de pro
essos esto
sti
os: X(t) um
pro
esso
ontnuo no tempo e na amplitude; 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) 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:
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 R
om fdp exponen
ial
1 r/10
10 e , r0
fR (r) =
0,
aso
ontrrio
Soluo. Desde que X(t) 0 para todo t, P [X(t) x] = 0 para x < 0. Quando x0
e cos(2f t) 6= 0,
0,
x<0
FX(t) (x) =
1 ex/10| cos(2f t)| , x 0
0, x<0
dFX(t) (x)
fX(t) (x) =
dx 1
ex/10| cos(2f t)| , x 0
10| cos(2f t)|
QuandoX(t) um pro
esso de tempo dis
reto, toda informao sobre o mesmo est
ontida no valor da
onstante T na Denio 8.3 e a sequn
ia de variveis aleatrias,
X(nT ), n = . . . , 2, 1, 0, 1, 2, . . .
Pro
essos Esto
sti
os 145
(
1/6, x = 1, 2, . . . , 6
pX3 (x) =
0,
aso
ontrrio
(
60
r pr (1 p)60r , r = 0, 1, . . . , 60
pRn (r) =
0,
aso
ontrrio
Teorema 8.1. Seja Xn uma sequn
ia aleatria iid. Para um pro
esso de valor
dis
reto, o vetor amostra Xn1 , . . . , Xnk tem fmp
onjunta
k
Y
pXn1 ,...,Xnk (x1 , . . . , xk ) = pX (x1 )pX (x2 ) pX (xk ) = pX (xi )
i=1
Se o pro
esso assume valores
ontnuos, ento a fdp
onjunta de Xn1 , . . . , Xnk dada
por
k
Y
fXn1 ,...,Xnk (x1 , . . . , xk ) = fX (x1 )fX (x2 ) fX (xk ) = fX (xi )
i=1
De todas as sequn
ias iid, talvez a mais simples seja a sequn
ia aleatria de Ber-
noulli.
Exemplo 8.4. Para o pro
esso do resistor do Exemplo 8.3, seja Yn = 1 se no i-simo
segundo en
ontramos um resistor de 1%,
aso
ontrrio Yn = 0. A sequn
ia aleatria
Yn um pro
esso de Bernoulli.
(
pxi (1 p)1xi , xi {0, 1}
pXi (xi ) =
0,
aso
ontrrio
n
Y
pX1 ,...,Xn (x1 , . . . , xn ) = pxi (1 p)1xi = pk (1 p)nk
i=1
(
px1 ++xn (1 p)n(x1 ++xn ) , xi {0, 1}, i = 1, 2, . . . , n
pX1 ,...,Xn (x1 , . . . , xn ) =
0,
aso
ontrrio
Denio 8.8. Pro
esso de
ontagem. Um pro
esso esto
sti
o N (t) um pro-
esso de
ontagem se para
ada funo amostra, n(t, s) = 0 para t 0 e n(t, s)
assume valores inteiros e no de
res
entes
om o tempo.
(
m n mn , n = 0, 1, . . . , m
PNm (n) = n (T /m) (1 T /m) (8.1)
0,
aso
ontrrio
N (t)
6
5 ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...........................................
...
...
....
..
...
..
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...............................................................................................................
4 ... ..
...
... ....
...
.. ....
.... .
....... ....... ....... ....... ....... ....... ....... ....... ....... ............................................................................................................................................
3 .. ... ....
...
.. .... ....
.... . .
...
... .... ....
.
.
2 ....... ....... ....... ....... ....... ..........................................................
.. ... .... ....
.... . . .
...
... .... .... ....
...
... .... .... ....
.
. . . .
1 ....... ....... ....... .....................................
. . . . .
.... .... .... .... ....
...
... ... ... ... ...
... . . . .
-
.. . . . .
.... .... .... .... ....
S1 S2 S3 S4 S5 t
X1-
.
.
.
. X2 ..
.................
.......... -
..........
.
.............
X3 ...-
...............
.
.
................................................
X4 - .
...............................................................................................
. X 5
- .
.............................................
.
(
(T )n eT /n!, n = 0, 1, 2, . . .
PN (t) (n) =
0,
aso
ontrrio
Podemos generalizar este argumento e dizer que para qualquer intervalo (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
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.
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. Ento, estas duas suposies juntas impli
am que o
pro
esso de
ontagem N (t) pode ser aproximado pelo pro
esso de
ontagem binomial,
que
onta o nmero de su
essos em n testes de Bernoulli.
Se a probabilidade de o
orrn
ia de um evento em
ada subintervalo p, ento o
nmero esperado de eventos no intervalo [0, t] np. Desde que os eventos o
orrem a
uma taxa de eventos por segundo, o nmero mdio de eventos no intervalo [0, t]
tambm t. Ento devemos ter
t = np
(t)k t
P [N (t) = k] = e , k = 0, 1, 2, . . . (8.2)
k!
Por esta razo, N (t)
onhe
ido
omo pro
esso de Poisson. Formalmente, podemos
denir um pro
esso de Poisson
omo:
Denio 8.9. Pro
esso de Poisson. Um pro
esso de
ontagem N (t) um pro-
esso de Poisson de taxa se
Chamamos 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
m
[(t1 t0 )] (t1 t0 )
e , m = 0, 1, . . .
PM (m) = m! (8.3)
0,
aso
ontrrio
Para um
onjunto de instantes de tempo t1 < t2 < < tk , 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 Pro
essos Esto
sti
os
Teorema 8.2. Para um pro
esso de Poisson N (t) de taxa , a fmp
onjunta de
N (t1 ), . . . , N (tk ), t1 < t2 < < tk , dada por
n n n n n
1 1 e1 2 2 1 e2
k k1 ek
k , 0 n1 nk
pN (t1 ),...,N (tk ) (n1 , . . . , nk ) = n1 ! (n2 n1 )! (nk nk1 )!
0,
aso
ontrrio
Esta propriedade de ser sem memria pode tambm ser vista quando examinamos
os instantes entre as
hegadas. Como mostrado na Figura 8.4, o tempo aleatrio Xn
entre a
hegada n1 e a
hegadan
hamado de n-simo tempo entre
hegadas.
Adi
ionalmente,
hamamos o instante X1 , da primeira
hegada,
omo o primeiro tempo
entre
hegadas, mesmo no havendo
hegadas anteriores.
Teorema 8.3. Para um pro
esso de Poisson de taxa , os tempos entre
hegadas
X 1 , X2 , . . . so uma sequn
ia aleatria iid
om fdp exponen
ial
(
ex , x0
fX (x) =
0,
aso
ontrrio
tn1 = x1 + + xn1
x > 0, Xn > x se e s 12 se no o
orrerem
hegadas no intervalo (tn1 , tn1 +x].
Para
O nmero de
hegadas em (tn1 , tn1 + x] independente da histria passada des
rita
por X1 , . . . , Xn1 . Isto impli
a
Tomando a derivada da fd
, podemos ver que Xn tem fdp exponen
ial fXn (x) =
fX (x), o que demonstra o teorema.
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, 1/
e 1/2 (veja Apndi
e E). O instante da d
ima
hegada a soma destas variveis
aleatrias iid, ento
10
E[S10 ] = 10E[T ] = = 40 segundos
10
Var[S10 ] = 10 Var[T ] = 2 = 160 segundos2 .
152 Pro
essos Esto
sti
os
A propriedade de ser sem memria do pro
esso de Poisson pode tambm ser vista
nos tempos entre
hegadas exponen
iais. Desde que P [Xn > x] = ex , a probabilidade
ondi
ional de que Xn x > x dado que Xn > x ,
P [Xn > x + x , Xn > x ]
P [Xn x > x|Xn > x ] = = ex (8.4)
P [Xn > x ]
A interpretao da Equao (8.4) que dado que a
hegada no o
orreu no instante
x , o tempo adi
ional at a
hegada, Xn x , tem a mesma distribuio exponen
ial de
Xn . Isto , no importa o quanto esperamos para a
hegada, o tempo restante at a
hegada tem sempre uma distribuio exponen
ial
om mdia 1/.
A partir de uma funo amostra de N (t), podemos identi
ar os tempos entre
he-
gadas X1 , X2 e assim por diante. Similarmente, a partir dos tempos entre
hegadas
X1 , X2 , . . . , podemos
onstruir a funo amostra do pro
esso de Poisson N (t). Isto
impli
a que uma representao equivalente do pro
esso de Poisson uma sequn
ia
aleatria iid X 1 , X2 , . . . de tempos entre
hegadas exponen
ialmente distribudos.
Teorema 8.4. Um pro
esso de
ontagem
om tempos entre
hegadas exponen
iais
independentes X 1 , X2 , . . .
om mdia E[Xi ] = 1/ um pro
esso de Poisson de taxa
.
..
X(t) .........6
.
....
...
..
.......... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....
1 ..
....
..
...
...
...
...
...
...
...
-
..............................................................................................................................................................................................................................................................................................................................................................................................................................................
...
...
...
...
t
...
...
...
...
...
.
1 .......... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....
....
...
...
..
..
- -- .. .. ..
..
- ..
..
-
- ..
..
..
......................................................................................................................................................................................................................................................................................................................................................................................................................
.. .. ..
X1 X2 X3 X4 X5 X6 X7
Podemos en
ontrar as fmp's
ondi
ionais notando que X(t) ir ter a mesma pola-
ridade de X(0) somente quando o
orrer um nmero par de eventos no intervalo (0, t].
Ento
11 11 1
P [X(t) = 1] = {1 + e2t } + {1 e2t } =
22 22 2
1
P [X(t) = 1] = 1 P [X(t) = 1] = (8.8)
2
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:
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 ,
Embora esta expanso possa pare
er trivial, pela denio de movimento Browni-
ano, o in
remento Y = X(t + ) X(t), independente de X(t) e Gaussiano de
mdia zero e varin
ia . Esta propriedade do movimento Browniano
hamada de
in
rementos independentes. Ento, depois de um intervalo de tempo , a posio da
part
ula moveu-se de uma quantidde Y que independente da posio anterior X(t).
A mudana de posio Y pode ser positiva ou negativa. Por esta razo, o movimento
Browniano tambm
hamado de uma
aminhada aleatria unidimensional.
Teorema 8.5. Para o pro
esso movimento Browniano X(t), a fdp
onjunta de
X(t1 ), . . . , X(tk )
k
Y 1 2 /[2(t
fX(t1 ),...,X(tk ) (x1 , . . . , xk ) = p e(xn xn1 ) n tn1 )]
(8.10)
n=1 2(tn tn1 )
Demonstrao. Desde que X(0) = 0, X(t1 ) = X(t1 ) X(0) uma varivel aleatria
Gaussiana. Dados os instantes de tempo 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 )).
1 2 /[2(t
fYn (y) = p ey n tn1 )]
(8.11)
2(tn tn1 )
Note que X(t1 ) = x1 , . . . , X(tn ) = xn se e somente se Y1 = x1 , Y2 = x2 x1 , . . . , Yk =
xk xk1 .
Depois de alguma manipulao,
hegamos a
k
Y
fX(t1 ),...,X(tk ) (x1 , . . . , xk ) = fYn (xn xn1 ) (8.12)
n=1
Pro
essos Esto
sti
os 155
p(t)
Ap
Tp t
Vamos tentar interpretar P [|1], a probabilidade de erro dado que 1 foi transmitido.
Se 1 transmitido, a sada do amostrador no re
eptor Ap + n. Se Ap + n > 0, fazemos
uma de
iso
orreta, e se Ap + n < 0, ou equivalentemente n < Ap , tomamos uma
de
iso errada.
Interpretando a probabilidade em termos de frequn
ia relativa, se repetimos o ex-
perimento (de transmitir e re
eber o smbolo 1) N vezes (N ), e se N vezes a
amostra do rudo foi negativa o su
iente para que Ap + n < 0, ento
N
P [ |1] =
N
Vamos examinar o sinal de rudo no instante ts . Em
ada tentativa, temos um
novo sinal de rudo (funo amostra) do
onjunto de rudo e um valor diferente de n
no instante de amostragem ts , e se n < Ap digamos 100 vezes em 100 milhes de
tentativas, ento a probabilidade de erro dada por P [ |1] = 100/100 106 = 106 .
Mas este nmero tambm a probabilidade de n < Ap , onde n uma v.a. formada
pelas amplitudes em t = ts das funes amostra do
onjunto do pro
esso esto
sti
o
n(t). Esta a v.a. n(ts )
uja fdp fn (n; ts ).
A fdp 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 t a mesma, isto
fX (x; t) independente de t, e fX (x; t) = fX (x),
omo mostrado na Figura 8.9.
Se
omprimirmos no tempo o pro
esso X(t) por um fator k (k > 1), formamos um
novo pro
esso Y (t),
omo mostrado na Figura 8.8b). Verique porque as estatsiti
as
de primeira ordem no so su
ientes para diferen
iar X(t) e Y (t).
fX (x) ou fY (y)
0 x ou y
Entretanto estes pro
essos so bastante diferentes entre si pois o pro
esso Y (t)
ontm
omponentes em frequn
ias mais altas do que as de X(t). De fato, o espe
tro
de Y (t) ser o espe
tro de X(t) expandido por um fator 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 t1 e t1 + . Se o pro
esso varia lentamente,
as amplitudes em t1 e t1 + 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 e t2 = t1 + .
158 Pro
essos Esto
sti
os
Esta a
orrelao das v.a.'s X(t1 ) e X(t2 ) e
al
ulada multipli
ando-se as ampli-
tudes em t1 e t2 de uma funo amostra e ento fazendo a mdia deste produto sobre
o
onjunto.
Figura 8.10: Funes de auto orrelao para os pro essos X(t) e Y (t).
Podemos sempre derivar a fdp de ordem inferior a partir de fdp's de ordem superior
por simples integrao. Por exemplo,
Z +
fX1 (x1 ) = fX1 X2 (x1 , x2 ) dx2
8.9.1 Momentos
Denio 8.12. Seja um pro
esso esto
sti
o X(t) e seja tambm Xti X(ti ). O
n-simo momento da v.a. Xti denido
omo
Z
E Xtni = xnti fX (xti ) dxti
Denio 8.13. A mdia X(t) de um pro
esso esto
sti
o pode ser determinada da
fdp de primeira ordem usando a seguinte expresso
Z +
X(t) = xfX (x; t) dx
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.
RX (t1 , t2 ) = RX (t1 t2 ) = RX ( ), = t 1 t2
RX ( ) = X(t)X(t + ) (8.13)
KX (t1 , t2 ) = KX (t1 t2 ) = KX ( ) = RX ( ) m2
onde = t1 t2 .
Para um pro
esso esta
ionrio, a funo densidade de probabilidade
onjunta para
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.
Denio 8.16. 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
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
ionari-
edade 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. Um pro
esso esta
ionrio pre
isaria ini
iar
em t = e durar para sempre. 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 X(t) = A cos(c t + ), onde uma
v.a. uniformemente distribuda na faixa (0, 2), um pro
esso esta
ionrio no sentido
amplo.
X(t) = Acos(c t + )
E
omo cos(c t + ) uma funo de uma v.a. , temos
Z 2
cos(c t + ) = cos(c t + )f () d
0
mas f () = 1/2 no intervalo (0, 2) e 0 fora dele, de modo que podemos rees
rever a
equao a
ima
omo
Z 2
1
cos(c t + ) = cos(c t + ) d
2 0
162 Pro
essos Esto
sti
os
E portanto
X(t) = 0
Desta forma, a mdia do
onjunto das amplitudes das funes amostra em qualquer
instante t zero.
A funo de auto
orrelao para este pro
esso pode tambm ser determinada dire-
tamente a partir da Equao 8.13
Z 2
1
cos[c (t1 + t2 ) + 2] = cos[c (t1 + t2 ) + 2]d = 0
2 0
Portanto,
Pro
essos Esto
sti
os 163
A2
RX (t1 , t2 ) = cos[c (t1 t2 )]
2
ou
A2
RX ( ) = cos[c ], = t 1 t2
2
E portanto X(t) um pro
esso esta
ionrio no sentido amplo.
2. RX (0) = X 2
3. RX (0) 0
Demonstrao.
RZ ( ) = Z(t)Z(t + )
= [X(t) + Y (t)][X(t + ) + Y (t + )]
= X(t)X(t + ) + X(t)Y (t + ) + Y (t)X(t + ) + Y (t)Y (t + )
= RX ( ) + RXY ( ) + RY X ( ) + RY ( )
X(t) = X(t + nT ) RX ( ) = RX ( + nT )
lim RX ( ) = E 2 [X]
164 Pro
essos Esto
sti
os
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
onsiderar que as variveis aleatrias em X(t) e X(t + ), so independen-
tes. Desta forma:
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
Denio 8.17. A mdia temporal, X(t, i ), de uma funo amostra X(t, i ) dada
por
Z T /2
1
X(t, i ) = lim X(t, i ) dt
T T T /2
Similarmente, temos
Z T /2
1
RX (, i ) = X(t, i )X(t + , i ) = lim X(t, i ) X(t + , i ) dt
T T T /2
Pro
essos Esto
sti
os 165
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.
ergdi os
Exemplo 8.12. Mostre que o pro
esso do exemplo anterior ergdi
o para estatsti
as
de at segunda ordem.
166 Pro
essos Esto
sti
os
Soluo.
Z T /2
1
X(t) = lim X(t) dt
T T T /2
Z T /2
1
= lim A cos(c t + ) dt
T T T /2
=0
RX ( ) = X(t)X(t + )
= A2 cos(c t + ) cos(c (t + ) + )
A2 h i
= cos(2c t + c + 2) + cos(c )
2
A2 h i
= 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 sem-
foro 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 ale-
atoriamente 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).
x(t) = ax + b
Pro
essos Esto
sti
os 167
(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 + )
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
2
RX ( ) = x(t)x(t + ) = k2 cos(0 )
x(t) = sen(t + )
(a) Cal ule a mdia, a funo de auto orrelao e a funo de auto ovarin ia.
Resp:
5. En
ontre uma expresso para E (Xt2 Xt1 )2 em termos da funo de auto
or-
relao.
X(t) = A cos(2fc t + )
168 Pro
essos Esto
sti
os
(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
A2
RX (t1 , t2 ) = cos(2fc (t1 t2 ))
2
(b) sim
x(t) = A cos(t + )
(b) Apenas pela observao do
onjunto, determine se este pro
esso esta
ion-
rio 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+
)
Resp:
(a) E[X(t)] = 0
RX (t1 , t2 ) = E[A2 ] cos((t1 t2 ))
(b) E[X 3 (t)] = E[A3 ](cos3 (t) + sen3 (t))
X(t) = Y cos t, t 0
Resp:
1
(a) E[X(t)] = cos(t)
2
1
(b) RX (t1 , t2 ) = cos(t1 ) cos(t2 )
3
1
(
) KX (t1 , t2 ) = cos(t1 ) cos(t2 )
12
(d) no
10. Em uma linha de produo de resistores de 1000, a resistn
ia real de
ada re-
sistor uma varivel aleatria R
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 1% de tolern
ia (resistn
ias
entre 990 e 1010). 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 1% en
ontrados em t se-
gundos. A varivel aleatria Tr segundos o tempo de
orrido at en
ontrarmos r
resistores
om tolern
ia de 1%.
(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
(
t
n pn (1 p)tn , n = 0, 1, . . . , t
(b) pN (t) (n) =
0,
aso
ontrrio
( ) 5
11. Para uma sequn
ia de variveis aleatrias Gaussianas iid Xn de mdia zero e
varin
ia unitria, en
ontre a fdp
onjunta de X1 , . . . , Xm .
1 2 2
Resp: fX(1),...,X(m) (x1 , . . . , xm ) = m/2
e(x1 ++xm )/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 Mk para denotar o
nmero de pa
otes transmitidos na k -sima hora, en
ontre a fmp
onjunta de M1
e M2 .
m1 +m2 2
e
, m1 = 0, 1, . . . ; m2 = 0, 1, . . .
Resp: pM1 ,M2 (m1 , m2 ) = m1 !m2 !
0,
aso
ontrrio
14. Sejam dois pro essos esto sti os X(t) e Y (t) dados por:
A2
RXY (t1 , t2 ) = sen((t2 t1 ))
2
A2
RY X (t1 , t2 ) = sen((t2 t1 ))
2
15. Seja X(t) um pro
esso esta
ionrio no sentido estrito.
(a) Y (t) = X(t + a) tambm um pro esso esto sti o esta ionrio?
(b) Z(t) = X(at), a 6= 0, tambm um pro esso esto sti o esta ionrio?
(a) En
ontre o tempo mdio de espera at que o primeiro pa
iente seja admitido
pelo doutor.
18. Considere o pro
esso esto
sti
o X(t) = Y cos(t), t 0, onde uma
onstante,
e Y uma varivel aleatria uniformemente distribuda no intervalo (0, 1).
1 1 1
Resp: (a) cos(t) (b) cos(t1 ) cos(t2 ) (
) cos(t1 ) cos(t2 )
2 3 12
(d) no
19. Um pro
esso esto
sti
o v(t) formado pela soma de um pro
esso esto
sti
o
esta
ionrio no sentido amplo (t)
om um pro
esso determinsti
o s(t) = S0 et .
v(t) esta
ionrio no sentido amplo? Justique sua resposta.
Resp: no.
20. Seja um pro
esso esto
sti
o v(t) = (t) + , onde (t) um pro
esso esto
sti
o
ergdi
o, e uma varivel aleatria. Verique se v(t) ou no esta
ionrio no
sentido amplo.
Resp: sim.
21. Suponha que uma se
retria re
eba
hamadas que
hegam de a
ordo
om um
pro
esso de Poisson a uma taxa de 10
hamadas por hora. Qual a probabilidade
de a se
retria atender a todas as
hamadas, dado que ela est fora de seu es
ritrio
nos 15 minutos ini
iais e nais de
ada hora?
Resp: e5 .
Wn = 2Wn1 + Xn , W0 = 0
1
Zn = Zn1 + Xn , Z0 = 0
2
172 Pro
essos Esto
sti
os
n
X
Xn = Zi , n = 1, 2, . . .
i=1
n
pn (k) = p(n+k)/2 q (nk)/2
(n + k)/2
al
ule a probabilidade de X(n) = 2 depois de 4 passos.
A resposta do sistema para uma entrada arbitrria x(t) ento a
onvoluo de x(t)
om h(t):
Z + Z +
y(t) = h(t) x(t) = h(s)x(t s) ds = h(t s)x(s) ds (9.3)
X
X
y[n] = h[n] x[n] = h[j]x[n j] = h[n j]x[j] (9.4)
j= j=
W (f ) = H(f )V (f ) (9.8)
Z
y(t, s) = h(u)x(t u; s) du (9.9)
Para o pro
esso esto
sti
o X(t) esta
ionrio no sentido amplo, usa-se a funo
amostra x(t; s)
omo entrada para um ltro linear invariante no tempo
om res-
posta a impulso h(t).
Z
A notao matemti
a da Denio 9.6 indi
a que a v.a. Y (t0 ) = h(t0
u) X(u) du uma funo de todas as v.a.'s X(u), para < u < . Desde que Y (t0 )
uma v.a., tem valor esperado
Z
E[Y (t0 )] = E h(u)X(t0 u) du
Para avaliar o valor esperado desta integral, lembremos que esta
orresponde ao
limite
X
Y (t0 ) = lim h(n)X(t0 n)
n
Desde que a esperana da soma igual soma das esperanas, temos para valores
pequenos de ,
176 Pro
essamento de Sinais Aleatrios
" #
X X
E[Y (t0 )] E h(n)X(t0 n) = h(n)E[X(t0 n)]
n n
Z Z
E[Y (t0 )] = E 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
seguinte Teorema usa a Equao (9.11) para rela
ionar o valor mdio Y e a funo de
auto
orrelao RY ( )
om h(t) e os parmetros
orrespondentes de X(t).
Z Z
Y = E h( )X(t ) d = h(u)E[X(t u)]du
Desde que
Z E[X(t)] = X para todo t (pois X(t) esta
ionrio no sentido amplo),
Y = h(u)X du = X H(0). Para en
ontrar RY (t, ) = E[Y (t)Y (t + )], usamos
a Denio 9.6 para es
rever
Z Z
RY (t, ) = E h(u)X(t u) du h(v)X(t + v) dv
Z Z
= h(u) h(v)E[X(t u)X(t + v)]dvdu
Z Z
RY (t, ) = RY ( ) = h(u) h(v)RX ( v + u) dvdu
Pro
essamento de Sinais Aleatrios 177
Exemplo 9.1. X(t), um pro
esso esto
sti
o esta
ionrio no sentido amplo
om valor
esperado X = 10 volts, a entrada de um ltro linear invariante no tempo. A resposta
a impulso do ltro
(
et/0,2 0 t 0, 1
h(t) =
0
aso
ontrrio
Z Z 0,1 0,1
et/0,2 dt = 2 et/0,2 = 2(e0,5 1) = 1, 30
Y = X h(t) dt = 10 volts
0 0
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 ) = RX ( )e d RX ( ) = SX (f )ej2f df
Teorema 9.2. Para um pro
esso esto
sti
o X(t) esta
ionrio no sentido amplo, o
espe
tro densidade de potn
ia SX (f ) tem as seguintes propriedades:
Z
2
a) E[X (t)] = RX (0) = SX (f ) df
b) SX (f ) = SX (f )
Z
SX (f ) = RX ( )ej2f d
Fazendo
= temos
Z Z
j2f ( )
SX (f ) = RX ( )e (d ) = RX ( )ej2(f ) d = SX (f )
Quando interpretamos 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).
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 H(f ), a densidade
espe
tral de potn
ia da sada Y (t)
Z Z Z
SY (f ) = h(u)h(v)RX ( + v u) dudv ej2f d
Fazendo = + v u temos
Z Z Z
j2f u j2f v
SY (f ) = h(u)e du h(v)e dv RX ( )ej2f d
| {z } | {z }|
{z }
H(f ) H (f ) SX (f )
2
= |H(f )| SX (f )
Pro
essamento de Sinais Aleatrios 179
Estamos prontos agora para fazer novas interpretaes sobre o espe
tro densidade
de potn
ia. Como mostrado na Figura 9.1, suponha que H(f ) um ltro passa faixa
ideal
om largura de banda B
entrada em f0 , isto
(
1 |f f0 | B/2
H(f ) =
0
aso
ontrrio
f0 f0 f
Figura 9.1: Filtro passa faixa ideal H(f )
om frequn
ia
entral f0 e largura de banda
B Hz.
SY (f ) = |H(f )|2 SX (f )
Alm disso, a potn
ia mdia de Y (t) satisfaz
Z Z f0 +B/2 Z f0 +B/2
E[Y 2 (t)] = SY (f ) df = SX (f ) df + SX (f ) df
f0 B/2 f0 B/2
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
do ltro. Desta forma podemos
on
luir que SX (f0 )
ara
teriza a potn
ia por unidade
de frequn
ia de 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
uma intuio para o seguinte teorema:
Teorema 9.4. Para um pro
esso esto
sti
o X(t) esta
ionrio no sentido amplo, o
espe
tro densidade de potn
ia SX (f ) 0 para todo f.
1
SX (f ) aproximadamente
onstante quando B pequeno.
180 Pro
essamento de Sinais Aleatrios
Exemplo 9.2. Um pro
esso esta
ionrio X(t) no sentido amplo
om funo de auto-
orrelao RX ( ) = eb| | apli
ado a um ltro RC
om resposta a impulso
(
et/(RC) t0
h(t) =
0
aso
ontrrio
Soluo. Por
onvenin
ia, faamos a = 1/(RC). Desta forma, a funo de transfe-
rn
ia do ltro
Z
1
H(f ) = eat ej2f t dt =
0 a + j2f
Portanto
1 1 1
|H(f )|2 = H(f )H (f ) = = 2
a + j2f a j2f a + (2f )2
O espe
tro densidade de potn
ia do sinal de entrada
Z
SX (f ) = eb| | ej2f d
Z 0 Z
b j2f
= e e d + eb ej2f d
0
1 1
= +
b j2f b + j2f
2b
=
(2f )2 + b2
2b 2b/(b2 a2 ) 2b/(b2 a2 )
SY (f ) = =
[(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| | e 2c/((2f )2 + c2 ) so pares
de transformadas de Fourier, obtemos a expresso para a funo de auto
orrelao de
Y (t)
b/a a| | 1
RY ( ) = e 2 eb| |
b2 a2 b a2
A potn
ia mdia obtida pelo Teorema 9.2
b/a 1 1
E[Y 2 (t)] = RY (0) = 2 2
=
b a a(b + a)
Pro
essamento de Sinais Aleatrios 181
X(t1 ), X(t2 ), . . . , X(tn ), Y (t1 ), Y (t2 ), . . . , Y (tk )
para todo 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
esto
sti
os
ombinados X(t) e 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 pro
essos
independentes.
Denio 9.8. Pro
essos independentes. Os pro
essos esto
sti
os X(t) e Y (t)
so independentes se para qualquer
oleo de amostras de tempo, t1 , t2 , . . . , tn e
t1 , t2 , . . . , tm
Denio 9.10. Pro
essos des
orrela
ionados. Dois pro
essos X(t) e Y (t),
esta
ionrios no sentido amplo, so ditos des
orrela
ionados se sua funo de
orre-
lao
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) e y(t + ) so des orrela ionadas para todo t e .
Denio 9.11. Pro
essos in
oerentes ou ortogonais. Dois pro
essos X(t) e
Y (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 X = 0
e/ou 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 .
RXY ( ) = RY X ( )
Desde que X(t) e Y (t) so
onjuntamente esta
ionrios no sentido amplo, podemos
on
luir que RY X (u, ) = RY X ( )
Demonstrao. Usando a Desigualdade de Cau hy-S hwarz (Equao (3.34)), segue que
p
[RXY ( )]2 RX (0)RY (0) |RXY ( )| RX (0)RY (0)
1
|RXY ( )| [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
ru-
zada, temos
1
RX (0) 2RXY ( ) + RY (0) 0 RXY ( ) [RX (0) + RY (0)]
2
184 Pro
essamento de Sinais Aleatrios
RXY ( ) = RY X ( ) = X Y
Demonstrao.
RXY ( ) = E[X(t)Y (t + )]
E[X(t)Y (t + )] = E[X(t)]E[Y (t + )] = X Y
Denio 9.13. Densidade espe
tral
ruzada. Para pro
essos X(t) e Y (t)
on-
juntamente esta
inrios no sentido amplo, a transformada de Fourier da
orrelao
ruzada leva densidade espe
tral
ruzada
Z
SXY (f ) = RXY ( )ej2f d
Teorema 9.9. Para os pro
essos X(t) e Y (t)
onjuntamente esta
ionrios no sentido
amplo, a densidade espe
tral
ruzada apresenta a seguinte simetria
SXY (f ) = SY X (f )
Exemplo 9.3. Suponha que estejamos interessados em X(t) mas s podemos observar
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
Quando X(t) e N (t) so
onjuntamente esta
ionrios no sentido amplo RXN (t, ) =
RXN ( ) e RN X (t, ) = RN X ( ). Ento podemos rees
rever a equao a
ima
omo
RY (t, ) = RX ( ) + RXN ( ) + RN X ( ) + RN ( )
RY (t, ) depende somente de . Isto impli
a
O lado direito desta equao indi
a que
que 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)
SY (f ) = SX (f ) + SXN (f ) + SN X (f ) + SN (f )
Exemplo 9.4. Continuando o Exemplo 9.3, suponha que N (t) seja um pro
esso de
mdia zero, independente de X(t). En
ontre a funo de auto
orrelao e a densidade
espe
tral de potn
ia da observao Y (t).
RY ( ) = RX ( ) + RN ( )
SY (f ) = SX (f ) + SN (f )
186 Pro
essamento de Sinais Aleatrios
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
Z
RXY (t, ) = RXY ( ) = h(u)RX ( u) du
Z
Demonstrao. Da Denio 9.6, Y (t + ) = h(u)X(t + u) du. Isto impli
a que
a
orrelao
ruzada entre a entrada e a sada do ltro
Z
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
Teorema 9.11. 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
pela
onvoluo entre a funo de auto
orrelao RX ( ) da entrada e a resposta a
impulso h(t) do ltro. Ento podemos pensar em RXY ( )
omo a sada do ltro h(t)
quando RX ( ) a entrada. 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 auto-
orrelao RX ( ) = e
b| | a entrada de um ltro RC
om resposta impulsiva
Pro
essamento de Sinais Aleatrios 187
(
et/(RC) t0
h(t) =
0
aso
ontrrio
Z Z
RXY ( ) = h(u)RX ( u) du = eau eb| u| du
0
Z Z
eb 2bea
RXY ( ) = e(ab)ub du + e(a+b)u+b du = 2
0 a b a b2
Quando <0 e u 0, ento | u| = u e
Z
eb
RXY ( ) = eau eb(u ) du =
0 a+b
Uma expresso
ompleta para a
orrelao
ruzada entre a entrada e a sada
b
e
<0
a + b
RXY ( ) =
b
e
2bea
2 0
a b a b2
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
Z
RY ( ) = h(w)RXY ( w) dw
Demonstrao.
Z Z Z
RY ( ) = h(u) h(v)RX ( + u v) dv du = h(u)RXY ( + u) du
| {z }
RXY ( +u)
Teorema 9.13. Seja X(t) uma entrada esta
ionria no sentido amplo para um ltro
linear invariante no tempo H(f ). A entrada X(t) e a sada Y (t) satisfazem
RXY ( )
RX ( ) -
........................................................................ h( ) -
........................................................................ h( ) -
........................................................................ RY ( )
SXY (f )
SX (f ) -
........................................................................ H(f ) -
........................................................................ 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.
Denio 9.14. Pro
esso Gaussiano: X(t) um pro
esso esto
sti
o Gaussiano
se a fdp
onjunta de X(t1 ), . . . , X(tk ) tem densidade Gaussiana multidimensional
1 1 t C1 (x )
fX(t1 )X(tk ) (x1 , . . . , xk ) = e 2 (xX ) X
(2)k/2 |C|1/2
Embora esta expresso possa pare
er bastante
ompli
ada, pode ser reduzida para
expresses familiares em vrios
asos. Por exemplo, quando k = 1, a matriz C
simplesmente o es
alar CX (t1 , 0) = Var(X(t1 )) = 12 ., o vetor X o es
alar E[X(t1 )] =
1 e a fdp
onjunta pode ser simpli
ada para a densidade Gaussiana ordinria
(x1 1 )2
1 2
21
fX(t1 ) (x1 ) = p e
212
Similarmente, para k = 2, X(t1 ) e X(t2 ) apresentam distribuio Gaussiana bidi-
mensional
" 2 2 #
x1 1 2(x1 1 )(x2 2 ) x2 2
1
1 2
+ 2
exp 2(12 )
fX(t1 )X(t2 ) (x1 , x2 ) = p
21 2 1 2
onde X(t1 ) e X(t2 ) tm
oe
iente de
orrelao = CX (t1 , t2 t1 )/(1 2 ) e
Um ltimo
aso importante para a fdp Gaussiana
onjunta o
orre quando X(t1 ), . . . ,
X(tk ) so mutuamente independentes. Neste
aso, o elemento (i, j) da matriz de
ova-
rin
ia C dado por
(
Var[X(ti )] i = j
Cij = CX (ti , tj ti ) =
0
aso
ontrrio
2 2 2 2
e(x1 1 ) /(21 ) e(xk k ) /(2k )
fX(t1 ), ,X(tk ) (x1 , . . . , xk ) = p q
212 2 2 k
Teorema 9.14. Se X(t) um pro
esso Gaussiano esta
ionrio no sentido amplo,
ento X(t) um pro
esso Gaussiano esta
ionrio no sentido estrito.
E[X(ti )] = E[X(ti + T )] = X
O elemento (i, j) de C
Cij = CX (ti , tj ) = CX (tj ti ) = CX (tj + T (ti + T )) = CX (ti + T, tj + T ) = Cij
Z T
Y = g(t)X(t) dt
0
Z T
Teorema 9.15. X(t) um pro
esso esto
sti
o Gaussiano se Y = g(t)X(t) dt
0
uma v.a. Gaussiana para todo g(t) tal que E[Y 2 ] < .
Este teorema nos permite mostrar fa
ilmente que a ltragem linear de um pro
esso
Gaussiano gera um outro pro
esso Gaussiano.
Pro
essamento de Sinais Aleatrios 191
Teorema 9.16. Passando um pro
esso X(t) esta
ionrio Gaussiano atravs de um
ltro linear h(t), 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.
Z
Y (t) = h(t )X( ) d
Para mostrar que Y (t) um pro
esso Gaussiano, mostramos que um fun
ional linear
de Y (t) sempre Gaussiano pois um fun
ional linear de X(t), isto ,
Z T Z T Z Z Z T
Y (t)g(t) dt = h(t )X( ) d g(t) dt = X( ) h(t )g(t) dt d
0 0 0
No lado direito temos um fun
ional linear de X(t) o qual uma v.a. Gaussiana.
Desta forma mostramos que um fun
ional linear de Y (t) uma v.a. Gaussiana, o que
impli
a que Y (t) um pro
esso esto
sti
o Gaussiano.
E[W (t1 )] = W = 0
Alm disso, para enfatizar a natureza imprevisvel do pro
esso de rudo, assumimos
que para qualquer
oleo de instantes de tempo distintos t1 , . . . , tk , W (t1 ), . . . , W (tk )
um
onjunto de v.a.'s independentes. Neste
aso, o valor do rudo no instante t1
no diz nada sobre o valor do mesmo no instante tj , j =
6 i. Uma
onsequn
ia desta
independn
ia que para 6= 0,
Z
SW (f ) = RW ( )ej2f d
Z Z
2 N0
E[W (t)] = RW (0) = SW (f ) df = df =
2
Isto , o rudo bran
o tem potn
ia innita, o que si
amente impossvel. O
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
Z t
Y (t) = h(t )W ( ) d
0
Ao
ontrrio do pro
esso bran
o W (t), o pro
esso de rudo Y (t) tem potn
ia mdia
nita.
Soluo. 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
(2106 )2
|H(f )|2 =
(2f )2 + (2106 )2
Portanto, a funo densidade espe
tral de potn
ia da sada dada por
2(2106 ) 6 | |
A transformada inversa de Fourier de dada por e210 . Isto
(2f )2 + (2106 )2
impli
a que
109 2106 | |
RY ( ) = e
2
A potn
ia mdia no pro
esso de sada , portanto, RY (0) = /2 109 W.
Pro
essamento de Sinais Aleatrios 193
3. Um pro esso esto sti o Y (t) rela ionado ao pro esso esto sti o X(t) por
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.
(
et t0
h(t) =
0
aso
ontrrio
A entrada do ltro X(t), um pro
esso esta
ionrio no sentido amplo
om valor
esperado X = 2 e funo de auto
orrelao RX ( ) = ( ). Cal
ule a mdia e a
funo de auto
orrelao do pro
esso Y (t) na sada deste ltro.
1 | |
Resp: E[Y (t)] = 2 RY ( ) = e
2
7. Seja um pro
esso X(t) 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 t0
h(t) =
0
aso
ontrrio
8. O pro
esso X(t) esta
ionrio no sentido amplo a entrada de um ltro tapped
delay line
9. X(t) um pro
esso esto
sti
o Gaussiano de mdia zero
om funo de auto
or-
relao RX ( ) = 2| | . Qual a fdp
onjunta de X(t) e X(t + 1)?
1 2 2 2
Resp: fX(t),X(t+1) (x0 , x1 ) = e 3 (x0 x0 x1 +x1 )
3 2
10. Um pro
esso rudo bran
o Gaussiano N (t)
om densidade espe
tral de potn
ia de
Z t
W/Hz passado atravs de um integrador gerando a sada Y (t) = N (u) du.
0
Cal
ule a funo de auto
orrelao RY (t, ).
Resp: 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.
Pro
essamento de Sinais Aleatrios 195
1 1
(a) (b) j[( 0 ) + ( + 0 )] (
)
2 + 16 4 + 9 2 + 18
j 2 3
(d) (e) (f )
2
+ 16 2 + 16 4 + 9 2 + 18
Resp:
(e) No.
(f ) No.
RX ( ) = e2| |
4
Resp: SX (f ) =
42 + (2f )2
13. Um pro
esso esto
sti
o X(t), esta
ionrio no sentido amplo,
om funo de au-
to
orrelao
RX ( ) = ea| |
onde a uma
onstante positiva real, apli
ado entrada de um sistema linear
invariante no tempo
om resposta a impulso
Resp:
196 Pro
essamento de Sinais Aleatrios
N0 , |f | W
(a) SX (f ) = 2
0,
aso
ontrrio
(b) RX ( ) = N0 W sinc(2W )
(
) P = N0 W
15. Dois pro essos esto sti os X(t) e Y (t) so dados por
Resp:
A2
(a) RXY (t, t + ) = sen( )
2
A2
RY X (t, t + ) = sen( )
2
(b)
16. Mostre que o espe tro densidade de potn ia de um sinal real real e par.
17. Seja 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.
Resp:
A2
Resp: SY () = [SX ( c ) + SX ( + c )]
4
Pro
essamento de Sinais Aleatrios 197
19. Na entrada de um ltro, tem-se um pro
esso esto
sti
o
om espe
tro densidade
a
de pot n
ia S ().
S () S () = S0
-
........................................................................ H(j) -
........................................................................
s
S0 2 1p 2
Resp: (a) (b) e(0 ) (
) + 2
S ()
L
R1
U1 R2 U2
U2 () R2 R2 L
H() = = = , = , T = .
U1 () R1 + R2 + jL 1 + jT R1 + R 2 R1 + R 2
S0 2 2 S0 | | 2 S0
Resp: SY () = RY ( ) = e T E Y 2 (t) =
1 + (T )2 2T T
21. Seja Y (t) = X(t d), onde d um atraso
onstante e X(t) um pro
esso esta-
ionrio no sentido amplo. Cal
ule RY X ( ), SY X (f ), RY ( ) e SY (f ), em funo
de RX ( ) e SX (f ).
Resp:
22. Seja X(t) um pro
esso esto
sti
o diferen
ivel, esta
ionrio no sentido amplo.
Seja tambm
198 Pro
essamento de Sinais Aleatrios
d
Y (t) = X(t)
dt
En
ontre uma expresso para SY (f ) e RY ( ) em funo de SX (f ) e RX ( ).
Di
a: Para este sistema: H(f ) = j2f .
d2
Resp: SY (f ) = 4 2 f 2 SX (f ) RY ( ) = RX ( )
d 2
23. Dois pro
essos esto
sti
os X(t) e Y (t) so dados por
A2
Resp: RXY ( ) = sen( )
2
24. Em relao ao espe
tro densidade de pot n
ia
a SX ():
Cadeias de Markov
Em geral, uma varivel aleatria dentro de um
onjunto, denindo um pro
esso esto
s-
ti
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.
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 ,
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 X(t) no
instante t
omo o estado do pro
esso no instante t.
Sn = X1 + X2 + + Xn = Sn1 + Xn
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
1
P [Yn = 0] =P [Xn = 0, Xn1 = 0] =
4
1
P [Yn = 1/2] =P [Xn = 0, Xn1 = 1] + P [Xn = 1, Xn1 = 0] =
2
1
P [Yn = 1] =P [Xn = 1, Xn1 = 1] =
4
Consideremos agora as seguintes probabilidades
ondi
ionais para dois valores
on-
se
utivos de Yn :
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]
1/16 1
= =
1/8 2
Desta forma,
1 1
P Yn = 1|Yn1 = , Yn2 = 0 6= P Yn = 1|Yn1 =
2 2
Denio 10.2. Um pro
esso de Markov que assume somente valores inteiros
hamado de Cadeia de Markov.
Se X(t) uma
adeia de Markov, ento a fmp
onjunta para trs instantes de tempo
arbitrrios
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 determi-
nam o
omportamento estatsti
o de uma
adeia de Markov.
202 Cadeias de Markov
pj (0) = P [X0 = j], j = 0, 1, 2, . . . (10.6)
Da equao (10.3) a fmp
onjunta para os primeiros n + 1 valores do pro
esso dada
por
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.
P [Xn = in , Xn1 = in1 , . . . , X0 = i0 ] = pin1 ,in . . . pi0 ,i1 pi0 (0) (10.9)
Desta forma Xn
ompletamente espe
i
ado pela fmp ini
ial pi (0) e pela matriz
de probabilidades de transio de um passo P
p00 p01 p02
p10 p 11 p12
. . .
. . .
. . .
P =
(10.10)
pi1,0 pi1,1 pi1,2
pi,0 pi,1 pi,2
. . .
. . .
. . .
X X
1= P [Xn+1 = j|Xn = i] = pij (10.11)
j j
Cadeias de Markov 203
Exemplo 10.3. 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 . Esbo
e uma
adeia de Markov para este problema.
1
P =
1
P [X2 = j, X1 = k, X0 = i]
P [X2 = j, X1 = k|X0 = i] =
P [X0 = i]
Note que pik (1) e pkj (1) so
omponentes de P , a matriz de transio de um passo.
Obtemos pij (2), a probabilidade de ir do estado i em t = 0 para o estado j em t = 2,
somando sobre todos os possveis estados intermedirios k
X
pij (2) = pik (1)pkj (1) i, j (10.13)
k
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
Atravs dos mesmos argumentos utilizados a
ima, veri
a-se que P (n) en
ontrada
multipli
ando-se P (n 1) por P
P (n) = P n (10.15)
X
pj (n) = P [Xn = j|Xn1 = i]P [Xn1 = i]
i
(10.16)
X
= pij pi (n 1)
i
A equao (10.16) arma que p(n) obtida pela multipli
ao do vetor linha p(n1)
pela matriz P
X
pj (n) = P [Xn = j|X0 = i]P [X0 = i]
i
(10.18)
X
= pij (n)pi (0)
i
e em notao matri
ial
Exemplo 10.4. Seja = 1/10 e = 1/5 no Exemplo 10.3. En
ontre P (n) para
n = 2, 4, 8, 16
Soluo. 2
0.9 0.1 0.83 0.17
P2 = =
0.2 0.8 0.34 0.66
4
0.9 0.1 0.7467 0.2533
P4 = =
0.2 0.8 0.5066 0.4934
8
0.9 0.1 0.6859 0.3141
P8 = =
0.2 0.8 0.6282 0.3718
16
0.9 0.1 0.6678 0.3322
P 16 = =
0.2 0.8 0.6644 0.3356
Existe uma
lara tendn
ia aqui: medida que n ,
2/3 1/3
Pn
2/3 1/3
De fato, podemos mostrar
om um pou
o de lgebra linear que
n 1 (1 )n
P = +
+ +
que
laramente aproxima
1 2/3 1/3
=
+ 2/3 1/3
Exemplo 10.5. No exemplo 10.4 sejam as probabilidades ini
iais para os estados dadas
por
2/3 1/3 2 1
p(n) = [p0 (0), 1 p0 (0)] = ,
2/3 1/3 3 3
Podemos ver que as probabilidades dos estados no dependem das probabilidades
do estado ini
ial, medida que n .
206 Cadeias de Markov
X
pj (n) j pi (0) = j (10.21)
i
pj (n) j , j (10.22)
Podemos en
ontrar a fmp = {j } (onde 12 um vetor linha) na equao (10.22)
(quando existir) notando que medida que n , pj (n) j e pi (n 1) i , de
modo que a equao (10.16) aproxima
X
j = pij i (10.23a)
i
= P (10.23b)
X
i = 1 (10.23
)
i
p(n) = P n = , n (10.24)
P [Xn+k = in , . . . , Xk = i0 ] =
= P [Xn+k = in |Xn+k1 = in1 ] P [X1+k = i1 |Xk = i0 ]P [Xk = i0 ] (10.25)
= pin1 ,in pi0 ,i1 i0
Observao:
Note que,
omo o pro
esso est em regime, as Equaes (10.23) e (10.24) so equiva-
lentes. 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
0 = (1 )0 + 1
1 = 0 + (1 )1
o que impli
a que 0 = 1 = (1 0 ) desde que 0 + 1 = 1. Ento, para = 1/10
e = 1/5, temos
2 1
0 = = 1 = =
+ 3 + 3
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 s e outro instante de
tempo arbitrrio s + t:
P (0) = I (10.28)
= p0,ji (t)
(t)ji t
= e , ji
(j i)!
Portanto
et tet (t)2 et /2! (t)3 et /3! . . .
0 et tet (t)2 et /2! . . .
P = 0 0 e t tet ...
. . . . .
. . . . .
. . . . .
onde todos os termos de ordem 2 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
P [X(t) = a|X(0) = a] = 1 + e2t
2
1
P [X(t) = a|X(0) = b] = 1 e2t , se a 6= b
2
Ento a matriz de probabilidade de transio
1/2{1 + e2t } 1/2{1 e2t }
P (t) =
1/2{1 e2t } 1/2{1 + e2t }
P [Ti > t]
Suponha agora que o pro
esso j tenha estado no estado i por s segundos; ento a
probabilidade de gastar mais t segundos neste estado
Somente a varivel aleatria exponen
ial satisfaz esta propriedade de ser sem mem-
ria. Ento o tempo gasto no estado i uma varivel aleatria exponen
ial
om alguma
mdia 1/vi :
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 q01 = 1
q10 = 1 q11 = 0
onde 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:
= ij o()
Chamamos ij = vi qij a taxa na qual o pro
esso X(t) entra no estado j partindo do
estado i. Denimos ii = vi , e pela equao (10.31),
1 g(h)
Uma funo g(h) o(h) se lim = 0, isto , se g(h) tende a zero mais rpido do que h.
h0 h
Cadeias de Markov 211
pij ()
lim = ij , i 6= j (10.34a)
0
e
pii () 1
lim = ii , (10.34b)
0
desde que
o()
lim =0
0
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] (10.35)
i
X
= pij ()pi (t)
i
...
6 ...
..
...
X(t) X(t + )
...
...
...
...
... i t ..........
..........
..........
p () i j
... ..........
..........
... ..........
..........
... ..........
... ..........
..........
... ..........
... ..........
..........
... ..........
...
q t
..........
........
...
...
... 1 ..........
.... j
... .
.. ..
. .
.. ..........
... .
..............
....
... ..........
..........
... ..........
... ..........
... ..
. .
. ...
. ..........
.....
... ..........
... ..........
..........
i ...
...
t .......... p () ij
...
...
...
...
..
-
.......................................................................................................................................................................................................................................................................................................................................
.. ..
t t+
X
pj (t + ) pj (t) = pij ()pi (t) pj (t)
i
X
= pij ()pi (t) + pjj ()pj (t) pj (t)
i6=j
X
= pij ()pi (t) + (pjj () 1)pj (t) (10.36)
i6=j
X
pj (t) = ij pi (t) (10.37)
i
Importante:
Note que se resolvemos a Equao (10.37)
om a suposio de que o sistema estava no
estado 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)
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. No estado 0, o sistema
est livre e esperando a
hegada de um
liente. Este tempo deso
upado uma v.a.
exponen
ial
om mdia 1/. No estado 1, o sistema est o
upado servindo um usurio.
O tempo no estado o
upado uma v.a. exponen
ial
om mdia 1/ . En
ontre as
probabilidades dos estados p0 (t) e p1 (t) em termos das probabilidades dos estados ini
iais
p0 (0) e p1 (0).
00 = 01 =
10 = 11 =
p0 (t) = p0 (t) + p1 (t)
p1 (t) = p0 (t) p1 (t)
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
p0 (t) = + Ce(+)t
+
Obtemos C fazendo t=0 p0 (0). Assim,
e resolvendo em termos de en
ontramos
p0 (t) = + p0 (0) e(+)t
+ +
Similarmente, temos que
p1 (t) = + p1 (0) e(+)t
+ +
Note que medida que t
p0 (t) e p1 (t)
+ +
Ento, medida que t , as probabilidades dos estados se aproximam de valores
onstantes que so independentes das probabilidades ini
iais dos estados.
Exemplo 10.11. En ontre as probabilidades dos estados para o pro esso de Poisson.
Soluo. O pro
esso de Poisson move-se somente do estado i para o estado i + 1 a uma
taxa . 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
p1 (t) = e
1!
Adi
ionalmente pode-se mostrar atravs de induo que a soluo para o estado j
dada por
(t)j t
pj (t) = e
j!
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.
X
0= ij pi , j, (10.38a)
i
X X
pj ji = ij pi (10.38
)
i6=j i6=j
desde que
X
vj = ji
i6=j
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),
Exemplo 10.12. En
ontre a fmp de estado esta
ionrio para o sistema de las de dois
estados do Exemplo 10.10.
p0 = p1 e p1 = p0
Notando que p0 + p1 = 1, obtemos
p0 = e p1 =
+ +
i,i+1 = i = 0, 1, 2, . . .
Quando o sistema no est vazio, os
lientes saem a uma taxa . Ento
i,i1 = i = 1, 2, 3, . . .
O diagrama de taxa de transio mostrado na Figura 10.3.
p0 = p1 , j = 0 (10.39a)
pj pj+1 = pj1 pj , j = 1, 2, . . .
o que 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:
X 1
1= pj = (1 + + 2 + )p0 = p0
1
j=0
Cadeias de Markov 217
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 Fi-
gura 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)
pj = rj pj1 , j = 1, 2, . . .
pj = rj rj1 r1 p0 , j = 1, 2, . . .
Rj = rj rj1 r1 e R0 = 1,
X
1= Rj p 0 .
j=0
Se a srie da Equao a ima onverge, ento a fmp esta ionria dada por
Rj
pj = (10.43)
X
Ri
i=0
Se a srie no
onverge, ento uma fmp esta
ionria no existe, e pj = 0 para todo
j.
Note que um estado se
omuni
a
onsigo mesmo desde que pii (0) = 1.
Se o estadoi se
omuni
a
om o estado j , e o estado j se
omuni
a
om o estado k ,
isto , se 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
Cadeias de Markov 219
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: {0}, {1, 2} e {3}
Exemplo 10.16. Abaixo tem-se o diagrama de transio de estados para uma
adeia
de Markov peridi
a
om apenas uma
lasse {0, 1, 2, 3}. Ento esta
adeia irredutvel.
desde que
X
pii (n) = (10.45)
n=1
X
pii (n) < (10.46)
n=1
Soluo. O estado 0 transiente desde que p00 (n) = (1/2)n , de modo que
2 3
X 1 1 1
p00 (n) = + + + = 1 <
2 2 2
n=1
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
+ (1 )n 1/2 + 1/4(7/10)n
p11 (n) = =
+ 3/4
de modo que
X X 2 (7/10)n
p11 (n) = + =
3 3
n=1 n=1
Exemplo 10.20. Mostre que para um pro
esso binomial de
ontagem todos os estados
so transientes.
222 Cadeias de Markov
Soluo. Para este pro esso, pii (n) = (1 p)n , de modo que para p > 0,
X X 1p
pii (n) = (1 p)n = <
p
n=1 n=1
2n n
p00 (2n) = p (1 p)n
n
A frmula de Stirling para n! pode ser utilizada para mostrar que
2n n (4p(1 p))n
p (1 p)n
n n
an
onde an bn quando lim = 1.
n bn
Ento a Equao (10.44) para o estado 0
X X (4p(1 p))n
p00 (2n)
n=1 n=1
n
Se o estado i re
orrente ento todos os estados de sua
lasse iro eventualmente ser
visitados medida que o pro
esso retorna repetidamente a i. De fato, todos os outros
estados em sua
lasse so visitados um nmero innito de vezes. Ento re
orrn
ia
uma propriedade de
lasse, isto , se o estado i re
orrente e i j, ento o estado j
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 i pode o
orrer novamente est
ontido em
pii (n), a probabilidade de transio de n passos do estado i para ele mesmo.
Cadeias de Markov 223
Soluo. 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.
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.
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 i depois de k retornos a i
k
proporo de tempo no estado i= (10.47)
Ti (1) + Ti (2) + + Ti (k)
Desde que o estado re
orrente, o pro
esso retorna ao estado i um nmero innito
de vezes. 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 i aproxima
1
proporo de tempo no estado i = i (10.48)
E[Ti ]
onde i a proporo de longo prazo de tempo gasto no estado i,
Se E[Ti ] < , ento dizemos que o estado i re
orrente positivo. A Equao
(10.48) impli
a ento que
Soluo. Este pro
esso retorna ao estado 0 em dois passos
om probabilidade 1/2 e
em quatro passos
om probabilidade 1/2. Portanto o tempo de re
orrn
ia mdia para
o estado 0
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
1
0 =
3
Exemplo 10.26. No Exemplo 10.21 foi mostrado que o pro
esso de
aminhada ale-
atria re
orrente se p = 1/2. Entretanto, pode-se mostrar que o tempo mdio de
re
orrn
ia innito quando p = 1/2 ([Fel68,p.314). Ento todos os estados 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
X
j = i Pij , j (10.49a)
i
X
i = 1 (10.49b)
i
Para ver isto, note que desde que i a proporo de tempo gasto no estado i, ento
i Pij a proporo de tempo na qual o estado j segue o estado i. Se somarmos sobre
todos os estados i, obteremos a proporo de longo prazo do tempo no estado j , j .
Exemplo 10.27. En
ontre a fmp de estado esta
ionrio para a
adeia de Markov do
Exemplo 10.16.
1 1
0 = 1 + 3 , 1 = 0 , 2 = 1 , 3 = 2
2 2
Estas equaes impli
am que 1 = 0 e 2 = 3 = 0 /2. Usando o fato de que a
soma das probabilidadesdeve ser um, obtemos
1 1
1 = 0 = e 2 = 3 =
3 3
Note que 0 = 1/3 foi obtida 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 n passos aproxima-se de uma matriz xa de linhas
iguais medida que n (veja Equao 10.20). Vimos tambm que as linhas desta
matriz limite
onsistiam de uma fmp que satisfaz (10.49a) e (10.49b). Iremos agora
denir sob quais
ondies isto o
orre.
226 Cadeias de Markov
Teorema 10.2. Para uma
adeia de Markov irredutvel, aperidi
a e re
orrente po-
sitiva,
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 proba-
bilidades dos estados aproximam-se de valores de estado de regime permanente que
so independentes da
ondio ini
ial. Estas probabilidades de regime permanente
or-
respondem 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,
Exemplo 10.28. 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.
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 Xn irredutvel e re
orrente positiva,
de modo que a Equao (10.48) seja vlida. Seja Ni (n) o nmero de vezes que o estado
i o
orre nas primeiras n transies, e seja Ti (j) o tempo de o
upao da j -sima vez
que o estado i o
orre. A proporo de tempo gasto no estado i depois das primeiras n
transies
Ni (n)
X
Ti (j)
tempo gasto no estado i j=1
=
tempo gasto em todos os estados X NX
i (n)
Ti (j)
i j=1
(10.50)
Ni (n)
Ni (n) 1 X
Ti (j)
n Ni (n)
j=1
=
Ni (n)
X Ni (n) 1 X
Ti (j)
n Ni (n)
i j=1
Ni (n)
i (10.51)
n
a fmp esta
ionria da
adeia de Markov embutida. Adi
ionalmente, temos que Ni (n)
medida que n , de modo que pela lei forte dos nmeros grandes,
om proba-
bilidade um,
Ni (n)
1 X 1
Ti (j) E[Ti ] = (10.52)
Ni (n) vi
j=1
onde usamos o fato de que o tempo de o
upao de estado no estado i tem mdia
1/vi . 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 aproxima
i /vi
pi = X = ci /vi (10.53)
j /vj
j
228 Cadeias de Markov
X
j = i qij , j (10.54)
i
X
vj pj = pi ij , j
i6=j
0 1
[qij ] =
1 0
A equao = [qij ] impli
a que
1
0 = 1 =
2
Adi
ionalmente, v0 = e v1 = . Ento
1/2(1/)
p0 = = e p1 =
1/2(1/ + 1/) + +
Zn = Tn Tn1 , n 1
1 0
P =
1/2 1/2
Mostre que o estado o re
orrente e que o estado 1 transiente.
1a a
P = , 0 < a < 1, 0 < b < 1
b 1b
(a) En
ontre P n.
(b) En
ontre P n para n .
Resp:
n 1 b a n a a
(a) P = +(1 a b)
a+b b a b b
1 b a
(b) lim P n =
n a+b b a
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 .
Resp:
(a)
0, 9 0, 1
(b) P =
0, 2 0, 8
(
) p(2) = [ 0, 585 0, 415 ]
3 1
4 4
P =
1 1
2 2
230 Cadeias de Markov
Resp:
21
(a) p =
33
n 2/3 1/3
(b) P =
2/3 1/3
Xn1 = 0 1a Xn = 0
- .. ........
- .. ........
-
................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
........ ..
....... ....... .......
........
........
........
........ .
. ........
.
........
........
........
........
........ a
........ .. .
. .......
........
........
........
........
........
........ .
... .......
........
........
.. .
. .
.
j j j
........ .
. ......... .. . .
........ .. .
........ ........ ........ ........ ........ ........
........ ....... ....... .......
........ ............... ........
........ ...............
........
........ ...............
..
.
.. ..
................... ...
..
................... .
. .
..
...................
* * *
.... ........ .
.. ...
........ ....... ........ ....... ........
.......
........ ....... ........ ....... ........
....... ........ ........ ........ ........ ........
........ ........ ........ ........ ........ ........
.......... ........
.. ........... ........
.. ........... ........
........
... . . ..... .
.............
-
..
. .........
.
.......... .......
..
.. ... .
.
..............
b - ..
. .........
.
.......... .......
..
....
. .
..... .....
. ....
-
................................................................................................................................................... .................................................................................................................................................. .........................................................................................................................................................
. .
........
......
Xn1 = 1 1b Xn = 1
1a a
P = , 0 < a, b < 1
b 1b
Di
a:
1 n b a n a a
P = + (1 a b)
a+b b a b b
Cadeias de Markov 231
Resp:
2 (0, 7)n 1 (0, 7)n
(a)
3 6 3 6
2 1
(b)
3 3
8. Considere uma adeia de Markov om dois estados e matriz de transio dada por
0 1
P =
1 0
Ci e|ij| , > 0
1 1 1
Resp: C1 = C2 = C3 =
1+ e + e2 1 + 2e 1+ e + e2
10. Dada a
adeia de Markov abaixo,
al
ule as probabilidades dos estados em regime
permanente (se existirem).
5 2 2
Resp: =
9 9 9
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 Xn o
nmero de bolas pretas que permane
em na urna depois de n testes.
(a) Xn um pro esso de Markov? Se sim, esbo e uma adeia para este pro esso.
Resp:
p, j = i + 1
Resp: P = q, j = i 1
0,
aso
ontrrio
Apndi
e A
Tabelas Matemti as
A.3 Derivadas
Nas expresses a seguir, u, v e w so funes de x; a, b e c so
onstantes.
d
(c) = 0
dx
d
(cx) = c
dx
d
(cxn ) = ncxn1
dx
d du dv dw
(u v w ) =
dx dx dx dx
d du
(cu) = c
dx dx
d dv du
(uv) = u +v
dx dx dx
d du dv dw
(uvw) = vw + u w + uv
dx dx dx dx
d u v(du/dx) u(dv/dx)
=
dx v v2
d n du
(u ) = nun1
dx dx
dy dy du
=
dx du dx
d du
sen(u) = cos(u)
dx dx
d du
cos(u) = sen(u)
dx dx
Tabelas Matemti
as 235
d loga (e) du
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 d v ln(u) d du dv
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
Z
1
x sen(ax)dx = (sen(ax) ax cos(ax))
a2
Z
2ax sen(ax) + 2cos(ax) a2 x2 sen(ax)
x2 sen(ax)dx =
a3
Z
x sen(2ax)
cos2 (ax)dx = +
2 4a
Z
1
x cos(ax)dx = (cos(ax) + ax sen(ax))
a2
Z
1
x2 cos(ax)dx = 2ax cos(ax) 2 sen(ax) + a 2 2
x sen(ax)
a3
Tabelas de transformadas de
Fourier
B.1 Denio
Z
G(f ) = F {g(t)} = g(t)ej2f t dt
Z
1
g(t) = F {G(f )} = G(f )ej2f t df
B.2 Propriedades
Linearidade: F {ag1 (t) + bg2 (t)} = aG1 (f ) + bG2 (f )
1
eat u(t), a > 0
a + j2f
2a
ea|t| , a > 0
a2 + (2f )2
2 2
et ef
(t) 1
1 (f )
(t t0 ) ej2f t0
ej2f0 t (f f0 )
1
cos(2f0 t) [(f f0 ) + (f + f0 )]
2
1
sen(2f0 t) [(f f0 ) + (f + f0 )]
2j
1 1
u(t) (f ) +
2 j2f
Apndi
e C
Sries de Taylor
O valor , que pode ser diferente nas duas formas,
a entre a e x. O resultado
determina se 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.
x2 x4 x6
cosh(x) = 1 + + + + , < 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
Apndi
e D
D.1 Bernoulli
SX = {0, 1}
p0 = q = 1 p p1 = p 0p1
E[X] = p Var[X] = p(1 p)
GX (z) = (q + pz)
Observaes : a varivel aleatria de Bernoulli o valor da funo indi
adora IA para
algum evento A; X = 1 se A o
orre, e 0
aso
ontrrio.
D.2 Binomial
SX = {0, 1, . . . , n}
n k
pk = p (1 p)nk k = 0, 1, . . . , n
k
E[X] = np Var[X] = np(1 p)
GX (z) = (q + pz)n
Observaes : X o nmero de su
essos em n testes de Bernoulli, e portanto a soma de
n 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, . . .
1p 1p
E[X] = Var[X] =
p p2
p
GX (z) = 1qz
Segunda verso
SX = {1, 2, . . . }
pk = p(1 p)k1 k = 1, 2, . . .
1 1p
E[X ] = Var[X ] =
p p2
pz
GX (z) = 1qz
Observaes : X =X +1 o nmero de tentativas antes do primeiro su
esso em uma
sequn
ia de testes de Bernoulli independentes.
D.5 Poisson
SX = {0, 1, 2, . . . }
k
pk = e , k = 0, 1, . . . >0
k!
E[X] = Var[X] =
GX (z) = e(z1)
Observaes : X 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
E.1 Uniforme
SX = [a, b]
1
fX (x) = axb
ba
a+b (b a)2
E[X] = Var[X] =
2 12
ejb eja
X (j) =
j(b a)
E.4 Gama
SX = (0, )
(x)1 ex
fX (x) = > 0, > 0
()
E[X] = Var[X] = 2
1
X (j) =
(1 j/)
E.5 m-Erlang
SX = (0, )
ex (x)m1
fX (x) = > 0, m inteiro positivo.
(m 1)!
m m
E[X] = Var[X] = 2
m
X (j) =
j
Observaes : Uma varivel aleatria m-Erlang obtida pela adio de m variveis
aleatrias iid
om distribuio exponen
ial de parmetro . Pode ser obtida a partir da
distribuio gama, fazendo = m, onde m um inteiro positivo.
E.7 Rayleigh
SX = [0, )
x 2 2
fX (x) = 2 ex /(2 ) > 0.
Variveis aleatrias
ontnuas 245
r
2
E[X] = Var[X] = 2
2 2
E.8 Cau
hy
SX = (, )
fX (x) = >0
(x + 2 )
2
X (j) = e||
E.9 Lapla
e
SX = (, )
fX (x) = e|x| > 0.
2
2
E[X] = 0 Var[X] =
2
2
X (j) =
2 + 2
Apndi
e F
Correlao, 81 sionais, 85
109 155
Funes de variveis aleatrias: aso mul- Markov, Estado de um pro esso de, 200
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
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,
Pro essos esto sti os ontnuos e dis re- Variveis aleatrias ortogonais, 82
Pro essos esto sti os de valor dis reto e Variveis aleatrias ontnuas, 31, 32
[Fel68 W. Feller, An introdu
tion to probability theory and its impli
ations, vol. I,
John Wiley and Sons, New York, 1968.
[Hay01 Simon Haykin, Communi ation systems, John Wiley and Sons, 2001.
[Hsu96 Hwei P. Hsu, Probability, random variables and sto
hasti
pro
esses, M
Graw-
Hill, 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.
[Pap84 Athanasios Papoulis, Probability, random variables and sto
hasti
pro
esses,
M
Graw-Hill, 1984.
[Ros83 Sheldon. M. Ross, Sto
hasti
pro
esses, John Wiley and Sons, New York,
1983.
[SW94 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.
[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.