Você está na página 1de 261

Probabilidade, Estatsti

a e Pro essos Esto sti os

Carlos Alberto Ynoguti

24 de julho de 2007
Agrade imentos

Ao Prof. Dr. Dayan Adionel Guimares pela riteriosa reviso do texto.


Sumrio

Lista de Figuras vii


1 Probabilidade 1
1.1 Introduo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Teoria de Conjuntos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Lei de De Morgan. . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Prin pio da Dualidade. . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Denies de Probabilidade. . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Frequn ia Relativa. . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Axiomti a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.3 Clssi a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Cl ulo de probabilidades usando mtodos de ontagem. . . . . . . . . . 7
1.4.1 Amostragem om reposio e ordenao. . . . . . . . . . . . . . . 8
1.4.2 Amostragem sem reposio e om ordenao. . . . . . . . . . . . 8
1.4.3 Permutao de n objetos distintos. . . . . . . . . . . . . . . . . . 9
1.4.4 Amostragem sem reposio e sem ordenao. . . . . . . . . . . . 10
1.4.5 Amostragem om reposio e sem ordenao. . . . . . . . . . . . 11
1.5 Probabilidade Conjunta. . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5.1 Probabilidades Marginais. . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Probabilidade Condi ional. . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.1 Regra de Bayes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Eventos independentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Experimentos sequen iais e diagramas em rvore . . . . . . . . . . . . . 16
1.9 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

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 Mdias Estatsti as de Variveis Aleatrias 72


3.1 Mdias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.1.1 Mdia de uma Varivel Aleatria . . . . . . . . . . . . . . . . . . 72
3.1.2 Mdia de uma Funo de uma Varivel Aleatria . . . . . . . . . 74
3.1.3 Mdias para Variveis Mltiplas . . . . . . . . . . . . . . . . . . 75
3.1.4 Mdia da Soma de Funes . . . . . . . . . . . . . . . . . . . . . 76
3.1.5 Mdia do Produto de Duas Variveis Aleatrias Independentes . 77
3.1.6 Mdia Quadrti a da Soma de Duas Variveis Aleatrias . . . . . 77
3.1.7 Mdia ondi ional . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2.1 N -simo momento . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2.2 Momentos Centrais . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2.3 Varin ia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2.4 Caso Multidimensional . . . . . . . . . . . . . . . . . . . . . . . . 80
3.2.5 Variveis Aleatrias Des orrela ionadas e Ortogonais . . . . . . . 82
3.3 Funes Cara tersti as . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.3.1 Caso multidimensional . . . . . . . . . . . . . . . . . . . . . . . . 85
3.4 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

4 Mtodos omputa ionais para gerao de nmeros aleatrios 90


4.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2 Mtodo do resduo da potn ia . . . . . . . . . . . . . . . . . . . . . . . 90
4.3 Mtodo da transformada . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
iv SUMRIO

4.4 O mtodo da rejeio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94


4.5 Gerao de funes de uma varivel aleatria . . . . . . . . . . . . . . . 97
4.6 Gerao de misturas de variveis aleatrias . . . . . . . . . . . . . . . . 98
4.7 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

5 Somas de Variveis Aleatrias e o Teorema do Limite Central 100


5.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.2 Mdias de somas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.3 Fdp da soma de duas v.a.'s . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.4 Funo geratriz de momentos . . . . . . . . . . . . . . . . . . . . . . . . 105
5.5 FGM da soma de v.a.'s independentes . . . . . . . . . . . . . . . . . . . 109
5.6 Somas de v.a.'s gaussianas independentes . . . . . . . . . . . . . . . . . 111
5.7 Somas aleatrias de v.a.'s independentes . . . . . . . . . . . . . . . . . . 112
5.8 Teorema do limite entral . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.9 Apli aes do Teorema do Limite Central . . . . . . . . . . . . . . . . . 118
5.10 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

6 Limitantes Superiores para a Probabilidade de Cauda 125


6.1 Desigualdade de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6.2 Desigualdade de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . . 126
6.3 Limitante de Cherno . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
6.4 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

7 A mdia amostral 132


7.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.2 Valor esperado e varin ia . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.3 Mdia amostral de nmeros grandes . . . . . . . . . . . . . . . . . . . . 134
7.4 Leis de Nmeros Grandes . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.4.1 Lei Fra a de Nmeros Grandes . . . . . . . . . . . . . . . . . . . 136
7.4.2 Lei Forte de Nmeros Grandes . . . . . . . . . . . . . . . . . . . 137
7.5 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138

8 Pro essos Esto sti os 140


8.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
8.2 Tipos de pro esos esto sti os . . . . . . . . . . . . . . . . . . . . . . . . 142
8.3 Variveis aleatrias a partir de pro essos esto sti os . . . . . . . . . . . 143
8.4 Sequn ias aleatrias independentes e identi amente distribudas . . . . 145
8.5 Pro esso de Contagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8.6 Pro esso de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
8.7 Pro esso sinal telegr o aleatrio . . . . . . . . . . . . . . . . . . . . . 152
8.8 Pro esso movimento Browniano . . . . . . . . . . . . . . . . . . . . . . . 154
8.9 Mdias estatsti as de pro essos aleatrios . . . . . . . . . . . . . . . . . 155
8.9.1 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
8.9.2 Funo de auto ovarin ia . . . . . . . . . . . . . . . . . . . . . . 159
8.10 Classi ao dos pro essos esto sti os . . . . . . . . . . . . . . . . . . . 160
8.10.1 Pro essos esto sti os esta ionrios e no esta ionrios . . . . . . 160
8.10.2 Pro essos esta ionrios no sentido amplo . . . . . . . . . . . . . . 161
8.10.3 Pro essos ergdi os . . . . . . . . . . . . . . . . . . . . . . . . . . 164
8.11 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
SUMRIO v

9 Pro essamento de Sinais Aleatrios 173


9.1 Sistemas lineares e invariantes no tempo . . . . . . . . . . . . . . . . . . 173

9.2 Filtragem linear de um pro esso esto sti o . . . . . . . . . . . . . . . . 174

9.3 Espe tro densidade de potn ia . . . . . . . . . . . . . . . . . . . . . . . 177

9.4 Correlaes ruzadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

9.4.1 Funo de orrelao ruzada . . . . . . . . . . . . . . . . . . . . 181

9.4.2 Densidade espe tral ruzada . . . . . . . . . . . . . . . . . . . . . 184

9.4.3 Filtragem de pro essos esto sti os . . . . . . . . . . . . . . . . . 186

9.5 Pro essos gaussianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188

9.6 Pro esso rudo bran o gaussiano . . . . . . . . . . . . . . . . . . . . . . 191

9.7 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193

10 Cadeias de Markov 199


10.1 Pro essos de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199

10.2 Cadeias de Markov de Tempo dis reto . . . . . . . . . . . . . . . . . . . 202

10.2.1 Probabilidade de transio para n passos . . . . . . . . . . . . . . 203

10.2.2 Probabilidades dos estados . . . . . . . . . . . . . . . . . . . . . 204

10.2.3 Probabilidades em regime . . . . . . . . . . . . . . . . . . . . . . 206

10.3 Cadeias de Markov em tempo ontnuo . . . . . . . . . . . . . . . . . . . 207

10.3.1 Tempos de o upao de estados . . . . . . . . . . . . . . . . . . . 209

10.3.2 Taxas de transio e probabilidades de estados dependentes de


tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210

10.4 Probabilidades de Estados em Regime e Equaes de Balano Globais . 214

10.5 Classes de estados, propriedades de re orrn ia e probabilidades limite . 218

10.5.1 Classes de estados . . . . . . . . . . . . . . . . . . . . . . . . . . 218

10.5.2 Propriedades de re orrn ia . . . . . . . . . . . . . . . . . . . . . 220

10.5.3 Probabilidades limite . . . . . . . . . . . . . . . . . . . . . . . . . 223

10.5.4 Probabilidades limite para as adeias de Markov de tempo ontnuo226

10.6 Exer ios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228

A Tabelas Matemti as 234


A.1 Identidades trigonomtri as . . . . . . . . . . . . . . . . . . . . . . . . . 234

A.2 Coe ientes Binomiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235

A.3 Derivadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235

A.4 Integrais indenidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236

A.5 Integrais denidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237

B Tabelas de transformadas de Fourier 238


B.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238

B.2 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238

B.3 Pares de transformadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239

C Sries de Taylor 240


C.1 Srie de Taylor para funes de uma varivel . . . . . . . . . . . . . . . 240

C.2 Expanses mais utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . . 240


vi SUMRIO

D Variveis aleatrias dis retas 242


D.1 Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
D.2 Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
D.3 Geomtri a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
D.4 Binomial negativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
D.5 Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243

E Variveis aleatrias ontnuas 244


E.1 Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
E.2 Exponen ial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
E.3 Gaussiana (Normal) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
E.4 Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
E.5 m-Erlang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
E.6
2
Chi-Quadrado ( ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
E.7 Rayleigh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
E.8 Cau hy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
E.9 Lapla e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246

F Valores da distribuio normal 247


Bibliograa 253
Lista de Figuras

1.1 Espao amostral para o arremesso de um dado. . . . . . . . . . . . . . . 2

1.2 Representao do a) omplemento, b) unio, ) interseo de eventos, e


d) eventos disjuntos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Demonstrao da lei de De Morgan. . . . . . . . . . . . . . . . . . . . . 4
1.4 Espao amostral para a derivao da regra de Bayes. . . . . . . . . . . . 13

2.1 Uma v.a. asso ia um nmero x = X() a ada resultado no espao


amostral S de um experimento aleatrio. . . . . . . . . . . . . . . . . . . 25
2.2 Eventos equivalentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.3 P [a < X b] = FX (b) FX (a) . . . . . . . . . . . . . . . . . . . . . . . 28


2.4 Exemplo de uma fd de uma v.a. dis reta. . . . . . . . . . . . . . . . . . 31

2.5 Gr o da fd de v.a. ontnua X. . . . . . . . . . . . . . . . . . . . . . 31


2.6 Gr o de FX (x). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7 Um exemplo de v.a. mista. . . . . . . . . . . . . . . . . . . . . . . . . . 33

2.8 A funo densidade de probabilidade espe i a a probabilidade de inter-


valos de largura innitesimal. . . . . . . . . . . . . . . . . . . . . . . . . 34
2.9 A probabilidade de um intervalo [a, b] a rea sob a fdp naquele intervalo. 34
2.10 Fd 's ondi ional e in ondi ional de X. . . . . . . . . . . . . . . . . . . . 51
2.11 a) Dependn ia entre X e Y, b) fX (x), e ) fY (y). . . . . . . . . . . . . 57
2.12 Uma transformao da v.a. X e um exemplo das fdp's orrespondentes
de X e Y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

2.13 Funo de uma v.a. om duas razes. . . . . . . . . . . . . . . . . . . . . 59


2.14 Uma transformao quadrti a da v.a. X. . . . . . . . . . . . . . . . . . 60

2.15 Funo densidade de probabilidade de Rayleigh. . . . . . . . . . . . . . . 64

3.1 Funo densidade de probabilidade gaussiana om mdia m e varin ia 2. 73

3.2 Y = g(X). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4.1 Mtodo da transformada para gerar uma varivel aleatria om fd FX (x). 92


4.2 Gerando uma varivel aleatria om distribuio de Bernoulli. . . . . . . 93
4.3 Gerando uma varivel aleatria om distribuio Binomial. . . . . . . . . 94
4.4 Mtodo da rejeio para gerar uma varivel aleatria om fdp fX (x). . . 95

4.5 Mtodo da rejeio para gerar uma varivel aleatria om distribuio


gama (0 < < 1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

5.1 Regio de integrao para a obteno de FW (w). . . . . . . . . . . . . . 103


5.2 Regio de integrao para a obteno de FW (w). . . . . . . . . . . . . . 104
viii LISTA DE FIGURAS

5.3 O nmero de aras em 50 arremessos de uma moeda ideal: 400 repeties


experimentais versus a fmp binomial. . . . . . . . . . . . . . . . . . . . . 117

6.1 Regio A (sombreada). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127


6.2 Um limitante superior exponen ial usado para obter a probabilidade de
auda (limitante de Cherno ). . . . . . . . . . . . . . . . . . . . . . . . . 128

7.1 Convergn ia de uma sequn ia de mdias amostrais obtidas a partir


de uma sequn ia de v.a.'s om distribuio Gaussiana de mdia 4 e
varin ia 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

8.1 Um pro esso esto sti o que representa a temperatura de uma idade. . 141
8.2 Um onjunto om um nmero nito de funes amostra. . . . . . . . . . 141
8.3 Funes amostra de quatro tipos de pro essos esto sti os: X(t) um
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

10.1 Transies para o estado j. . . . . . . . . . . . . . . . . . . . . . . . . . 211


10.2 Balano global de uxo de probabilidade. . . . . . . . . . . . . . . . . . 215
10.3 Diagrama de transio de estados para o sistema M/M/1. . . . . . . . . 216
10.4 Diagrama de taxa de transio para um pro esso de nas imento e morte
geral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
10.5 Instantes de re orrn ia para o estado i. . . . . . . . . . . . . . . . . . . 224
Captulo 1

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.

Algumas denies importantes:

Denio 1.1. Experimento aleatrio: um experimento hamado aleatrio se


seu resultado no pode ser predito pre isamente porque as ondies em que realizado
no podem ser predeterminadas om pre iso su iente.
Exemplo: arremesso de dados ou moedas.

Denio 1.2. Resultados: so os resultados parti ulares da exe uo de um ex-


perimento.
Exemplo: ara, oroa.
2 Probabilidade

Denio 1.3. Eventos: so onjuntos de resultados que atendem a algumas espe-


i aes.
Exemplo: no aso de jogar dados, o evento nmero mpar em um arremesso pode
resultar de qualquer um de 3 resultados 1,3,5. Desta forma este um evento de 3
resultados. Portanto, eventos so agrupamentos de resultados em lasses.

1.2 Teoria de Conjuntos.

Denio 1.4. Espao amostral: o espao amostral 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.

Exemplo 1.1. No aso do dado, o espao amostral onsiste de 6 elementos 1 , 2 , 3 ,


4 , 5 , 6 , onde os i representam o resultado i pontos. O evento, por outro lado,
um sub onjunto de S.
O evento nmero mpar em um arremesso, denotado por Ao , um sub onjunto de
S (ou um onjunto om os elementos 1 , 3 e 5 ). Similarmente, o evento nmero par
em um arremesso, denotado por Ae outro sub onjunto de S (ou um onjunto om os
elementos 2 , 4 e 6 ). O evento nmero menor ou igual a 4 em uma jogada, denotado
por B formado pelos elementos 1 , 2 , 3 e 4 .
Na Figura 1.1 abaixo, tem-se uma representao gr a destes eventos em um dia-
grama de Venn.

S
B

1 3 5 Ao

2 4 6 Ae

Figura 1.1: Espao amostral para o arremesso de um dado.


Probabilidade 3

Denio 1.5. O omplemento de um evento A, denotado por Ac , o evento que


ontm todos os pontos de S que no esto em A.

No exemplo a ima, quais so os eventos omplementares de Ao , Ae , e B ?.

Denio 1.6. Um evento que no ontm elementos hamado de evento nulo,


e denotado por .

Observe que o evento nulo o omplemento do espao amostral S : = Sc.

Denio 1.7. A unio de eventos A e B , denotada por AB , aquele que ontm


todos os pontos em A e B.

Verique no exemplo anterior quais so os eventos Ao Ae , Ao B , Ae B ). Observe


que A B = B A.

Denio 1.8. A interseo dos eventos A e B , denotada por A B ou simples-


mente AB , o evento que ontm pontos omuns a A e a B. Este evento tambm
onhe ido omo evento onjunto AB .

Observe que AB = BA. Na gura 1.2 abaixo, tem-se estes on eitos mostrados
gra amente em diagramas de Venn.

Denio 1.9. Se os eventos A e B so tais que AB = ento A e B so ditos


eventos disjuntos ou mutuamente ex lusivos.

Isto quer dizer que A e B no podem o orrer simultaneamente. (A e Ac so mutu-


amente ex lusivos).

Estes on eitos so mostrados de forma gr a na Figura 1.2.


4 Probabilidade
g repla ements

S S S S
Ac

A
A B A B A B

a) b) ) d)

Figura 1.2: Representao do a) omplemento, b) unio, ) interseo de eventos, e d)


eventos disjuntos.

1.2.1 Lei de De Morgan.

Teorema 1.1. Se A e B so eventos em um espao amostral ento:

A+B =AB (1.1)

Equivalentemente, podemos es rever:

AB = A + B (1.2)

Demonstrao. A lei de De Morgan pode ser fa ilmente demonstrada por meio de dia-
gramas de Venn:

Sfrag repla ements

A B A B

A+B A B AB

Figura 1.3: Demonstrao da lei de De Morgan.

Observao
A apli ao repetida da equao (1.1) leva ao seguinte: se em uma identidade de 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.

Exemplo 1.2. Seja a identidade


Probabilidade 5

A(B + C) = AB + AC (1.3)

Usando (1.1) segue que

A(B + C) = A + B + C = A + B C

Similarmente

AB + AC = AB AC = (A + B)(A + C)

e desde que os dois lados de (1.3) so iguais, seus omplementos tambm o so. Portanto

A + B + C = (A + B)(A + C) (1.4)

Estas identidades podem ser fa ilmente onferidas por meio de diagramas de Venn.

1.2.2 Prin pio da Dualidade.


Sabemos que S = e = S. Alm disso, se em uma identidade omo (1.3) todas as
barras forem removidas, a identidade preservada. Isto leva seguinte verso da lei de
De Morgan:

Proposio 1.1. Se em uma identidade de onjuntos substitumos todas as unies


por interse es, todas as interse es por unies, e os onjuntos S e pelos onjuntos
e S respe tivamente, a identidade preservada.

Apli ando o teorema a ima s identidades

A(B + C) = AB + AC S =A+S

obtemos as identidades

A + BC = (A + B)(A + C) = A

1.3 Denies de Probabilidade.


1.3.1 Frequn ia Relativa.
Embora o resultado de um experimento aleatrio seja imprevisvel, existe uma regula-
ridade estatsti a sobre este, e a denio por freqn ia relativa baseia-se nesta regu-
laridade.
6 Probabilidade

Denio 1.10. A probabilidade P (A) de um evento A dada pelo limite

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.

2. Se A e B so dois eventos mutuamente ex lusivos

nA + nB
P (A + B) = P (A) + P (B) = lim (1.6)
n n

3. Se A1 , A2 , ..., AN no forem mutuamente ex lusivos ento:

P (A1 + A2 + ... + AN ) < P (A1 ) + P (A2 ) + . . . + P (AN ) (1.7)

1.3.2 Axiomti a.

Denio 1.11. A aproximao axiomti a para a probabilidade baseada nos trs


postulados seguintes e nada mais:

1. A probabilidade P (A) de um evento A um nmero positivo asso iado a este


evento
P (A) 0 (1.8)

2. A probabilidade do espao amostral igual a 1

P (S) = 1 (1.9)

3. Se os eventos A e B so mutuamente ex lusivos, ento

P (A + B) = P (A) + P (B) (1.10)

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

Exemplo 1.3. Determinar a probabilidade de obteno de uma ara e duas oroas em


3 arremessos de uma moeda ideal.
Probabilidade 7

Soluo. Neste aso, os resultados possveis so:

1) a, a, a 5) o, a, a
2) a, a, o 6) o, a, o
3) a, o, a 7) o, o, a
4) a, o, o 8) o, o, o

So possveis 8 resultados mutuamente ex lusivos P (Ai ) = 1/8


P (1ca, 2co) = P (A4 ) + P (A6 ) + P (A7 ) = 3/8.

1.3.3 Clssi a.

Denio 1.12. A probabilidade P (A) de um evento A determinada a priori sem


experimentao real, e dada pela expresso

nA
P (A) = (1.11)
n
onde:
n: nmero de resultados possveis,
nA : nmero de resultados favorveis ao evento A.

Verso melhorada da denio lssi a

Denio 1.13. A probabilidade de um evento igual razo entre seus resulta-


dos favorveis e o nmero total de resultados, desde que todos os resultados sejam
equiprovveis.

Exemplo 1.4. Arremesso de um dado P (mpar) = 3/6 = 1/2.

1.4 Cl ulo de probabilidades usando mtodos de onta-


gem.
Em muitos experimentos om espaos amostrais nitos, os resultados podem ser assu-
midos omo sendo equiprovveis. A probabilidade de um evento ento a razo entre
o nmero de resultados no evento de interesse e o nmero total de resultados no espao
amostral. O l ulo das probabilidades se reduz a ontar o nmero de resultados de um
evento.
8 Probabilidade

Suponha que um teste de mltipla es olha tem k questes e para a questo i o


estudante pre isa sele ionar uma entre ni respostas possveis. Qual o nmero total de
modos de responder a todo o teste?
A resposta questo i pode ser vista omo a espe i ao da i-sima omponente de
uma k -upla, de modo que a questo a ima equivalente a: quantas k -uplas ordenadas
distintas (x1 , . . . , xk ) so possveis se xi um elemento de um onjunto om ni elementos
distintos?
O nmero de k -uplas ordenadas distintas (x1 , . . . , xk ) om omponentes xi , de um
onjunto om ni elementos distintos dado por

nmero de k-uplas ordenadas distintas = n1 n2 . . . nk (1.12)

Muitos problemas de ontagem podem ser olo ados omo problemas de 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.

1.4.1 Amostragem om reposio e ordenao.


Suponha que es olhemos k objetos de um onjunto A que tem n objetos distintos, om
reposio. Iremos nos referir ao onjunto A omo a populao. O experimento produz
uma k -upla ordenada (x1 , . . . , xk ), onde xi A, i = 1, 2, . . . , k. A Equao 1.12, om
n1 = n2 = . . . = nk = n impli a que

nmero de k -uplas ordenadas distintas = nk (1.13)

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.

(1,1) (1,2) (1,3) (1,4) (1,5)


(2,1) (2,2) (2,3) (2,4) (2,5)
(3,1) (3,2) (3,3) (3,4) (3,5)
(4,1) (4,2) (4,3) (4,4) (4,5)
(5,1) (5,2) (5,3) (5,4) (5,5)

1.4.2 Amostragem sem reposio e om ordenao.


O problema agora onsiste em es olher k objetos em su esso, sem reposio, de uma
populao A de n objetos distintos. Claramente, k n. O nmero de resultados
possveis na primeira retirada n 1 = n, e o nmero de resultados possveis na segunda
Probabilidade 9

retirada n2 = n 1, e assim por diante, at nk = n (k 1) na retirada nal. Desta


forma, a Equao 1.12 forne e

nmero de k -uplas ordenadas distintas = n(n 1) . . . (n k + 1) (1.14)

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.

(1,2) (1,3) (1,4) (1,5)


(2,1) (2,3) (2,4) (2,5)
(3,1) (3,2) (3,4) (3,5)
(4,1) (4,2) (4,3) (4,5)
(5,1) (5,2) (5,3) (5,4)

1.4.3 Permutao de n objetos distintos.


Considere uma amostragem sem reposio om k = n. Isto equivale a retirar objetos de
uma urna at que ela esteja vazia. Ento o nmero de seqn ias possveis de n objetos
distintos igual ao nmero de n-uplas da amostragem sem reposio om k = n. Da
Equao 1.14, temos

nmero de permutaes de n objetos = n(n 1) . . . (2)(1) = n! (1.15)

Para n grande, a frmula de Stirling bastante til:

1
n! 2 nn+ 2 en (1.16)

Exemplo 1.7. En ontre o nmero de permutaes de trs objetos distintos 1,2,3.

Soluo. A Equao 1.15 forne e 3! = 6. As seis permutaes so

123 312 231 132 213 321


10 Probabilidade

1.4.4 Amostragem sem reposio e sem ordenao.


Suponha que pegamos k objetos de um onjunto de n objetos distintos sem reposio e
armazenamos o resultado sem nos importarmos om a ordem. Chamamos o sub onjunto
resultante de k objetos sele ionados de uma  ombinao de tamanho k ".
Da Equao 1.15, existem k! sequn ias nas quais os objetos sele ionados podem ter
sido sele ionados. Ento se Ckn denota o nmero de ombinaes de tamanho k de um
onjunto de tamanho n, ento Ckn k! o nmero total de amostras ordenadas distintas
de k objetos, a qual dada pela Equao 1.14. Ento

Ckn k! = n(n 1) . . . (n k + 1) (1.17)

e o nmero de ombinaes diferentes de tamanho k de um onjunto de tamanho n,


k n,

 
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

Note que es olher k objetos de um onjunto de n equivalente a es olher os (n k)


objetos que no foram sele ionados. Segue ento que

   
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.

Soluo. A Equao 1.18 forne e

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

(1,2) (1,3) (1,4) (1,5)


(2,3) (2,4) (2,5)
(3,4) (3,5)
(4,5)

Exemplo 1.9. En ontre o nmero de permutaes distintas de k bolas bran as e (nk)


bolas pretas.

Soluo. Este problema equivalente ao seguinte problema de amostragem: oloque n


etiquetas numeradas de 1 a n em uma urna, onde ada etiqueta representa uma posio
no arranjo das bolas; pegue uma ombinao de k etiquetas e oloque as k bolas bran as
nas posies orrespondentes.
Cada ombinao de tamanho k leva a um arranjo diferente (permutao) de k bolas
bran as e (n k) bolas pretas.
Ento o nmero de permutaes distintas de k bolas bran as e (n k) bolas pretas
Ckn .
Probabilidade 11

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.

1.4.5 Amostragem om reposio e sem ordenao.


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

Objeto 1 Objeto 2 Objeto 3 Objeto 4


xx x xx

Note que este formulrio pode ser resumido pela sequn ia xx / / x / xx, onde o
smbolo / usado para separar as entradas para as diferentes olunas. Desta forma os
(n -1) /'s indi am as linhas entre as olunas, e onde nada apare e entre /'s onse utivos
se o objeto orrespondente no foi sele ionado.
Cada arranjo diferente de 5 x's e 3 /'s leva a um formulrio distinto.
Se identi armos os x's om bolas bran as e os /'s om bolas pretas, ento este
problema foi onsiderado no Exemplo 1.9, e o nmero de arranjos diferentes dado por
8

3 .
No aso geral o formulrio ir envolver 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

1.5 Probabilidade Conjunta.


Ao invs de lidar om um experimento, onsideremos agora dois experimentos e seus
respe tivos resultados. Por exemplo, os dois experimentos podem ser dois arremessos
onse utivos de um ni o dado ou um ni o arremesso de dois dados. Em ambos os
asos, o espao amostral onsiste de 36 duplas (i, j), onde i, j = 1, 2, 3, 4, 5, 6. Se os
dados so ideais, a ada ponto do espao amostral asso iada uma probabilidade 1/36.
Podemos agora onsiderar eventos onjuntos tais omo {i par, j = 3}, e determinar
12 Probabilidade

as probabilidades asso iadas a tais eventos a partir do onhe imento das probabilidades
dos pontos amostrais.

Denio 1.14. Se os resultados possveis de um experimento soAi , i = 1, 2, ..., n,


e os resultados possveis de um segundo experimento so Bj , j = 1, 2, ..., m, ento os
resultados possveis do experimento ombinado so dados pelo onjunto (Ai , Bj ), i =
1, 2, ..., n, j = 1, 2, ..., m. A ada resultado onjunto (Ai , Bj ) asso ia-se uma probabi-
lidade onjunta P (Ai , Bj ) que satisfaz a ondio

0 P (Ai , Bj ) 1 (1.23)

Exemplo 1.10. Retirar duas artas em su esso ( om ou sem reposio) de um baralho.


Soluo. Vamos onsiderar os seguintes eventos
Evento A: retirar um s na primeira tentativa
Evento B: retirar um s na segunda tentativa
AB o evento de retirar dois ases.

1.5.1 Probabilidades Marginais.


Assumindo que os resultados Bj , j = 1, 2, ..., m so mutuamente ex lusivos, segue que

m
X
P (Ai , Bj ) = P (Ai ) (1.24)
j=1

Similarmente, se os resultados Ai , i = 1, 2, ..., n so mutuamente ex lusivos ento

n
X
P (Ai , Bj ) = P (Bj ) (1.25)
i=1

Alm disso, se todos os resultados dos dois experimentos so mutuamente ex lusivos


temos
n X
X m
P (Ai , Bj ) = 1 (1.26)
i=1 j=1

P [Ai ] e P [Bj ] so hamadas de probabilidades marginais. f il ver que a


generalizao do tratamento a ima para mais de dois experimentos direta.

1.6 Probabilidade Condi ional.


Considere um experimento ombinado no qual um evento onjunto o orre om probabili-
dade P (A, B). Suponha que o evento B o orreu e queremos determinar a probabilidade
de o orrn ia do evento A. Esta probabilidade hamada de probabilidade ondi ional
e denota-se por P (A|B).
Probabilidade 13

Exemplo 1.11. No exemplo anterior, se a primeira arta no re olo ada no baralho,


 a evidente que a retirada de um s na segunda tentativa inuen iada pelo resultado
da primeira.

1.6.1 Regra de Bayes.

Teorema 1.2. Teorema de Bayes. Seja um experimento forne endo dois resulta-
dos A e B. Ento,

P (AB) = P (A|B)P (B) = P (B|A)P (A) (1.27)

Demonstrao. Sejam as seguintes grandezas:

N: nmero total de tentativas;

nB : nmero de resultados favorveis ao evento B;

nAB : nmero de resultados favorveis ao evento A dentro das nB tentativas.

Estas grandezas so mostradas em um diagrama de Venn na Figura 1.4.

.....
................ .......................
S .....
......
........ ......
.....
.....
B
. ....... ....
... ...
. ...
... ...
...... ...
.
.
.. .................
..... ............
.......
n B ...
...
..
........ ... .
. .......
...
...
.......
. ... ....... .
...... ... .. ...
... ...
... ..
..
. ... .
... ...
...
...
. .
...
...
...
n AB
.
...
...
... ...
...
.
.

... ... ... ..


..
..... .....
..... .. .
...
... ....
... ...... .....
... .......
......... ... .........
... ......................................
... ..
... .
... ...
... ...
..... ....
.....
...... .......
.
....... .....
.......... .......
.................................
A N

Figura 1.4: Espao amostral para a derivao da regra de Bayes.

Observe que nAB o nmero de tentativas que so favorveis ao evento AB . Assim

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

Aqui estamos impli itamente usando o fato que nB medida que N


. Observe que nAB o nmero de tentativas favorveis ao evento A dentro dasnB
tentativas favorveis ao evento B. Isto representa a probabilidade ondi ional P (A|B).
Combinando (1.28), (1.29) e (1.30), temos:

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)

Combinando 1.31 e 1.32, hegamos Regra de Bayes

P (AB) = P (A|B)P (B) = P (B|A)P (A) (1.33)

Extenso para mais eventos


Uma generalizao bastante til da regra de Bayes a seguinte: onsidere os eventos
Ai , i = 1, 2, . . . , n, mutuamente ex lusivos tais que

n
[
Ai = S (1.34)
i=1

e um evento arbitrrio B om probabilidade no nula. Ento, a regra de Bayes pode


ser rees rita omo

P (Ai , B) P (B|Ai )P (Ai )


P (Ai |B) = = n (1.35)
P (B) X
P (B|Aj )P (Aj )
j=1

1.7 Eventos independentes.

Denio 1.15. Um evento A dito independente de B se

P (A|B) = P (A) (1.36)

Teorema 1.3. Se A e B so eventos independentes ento

P (AB) = P (A)P (B) (1.37)


Probabilidade 15

Demonstrao. Pela Regra de Bayes, temos que

P (AB) = P (A|B)P (B)


Mas omo A e B so independentes,

P (A|B) = P (A)
Substituindo este resultado na Equao a ima, hegamos a

P (AB) = P (A)P (B)

Exemplo 1.12. Suponha que uma moeda jogada trs vezes. 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.

Soluo. A probabilidade para as sequn ias de aras e oroas dada por

P [{CCC}] = P [{C}]P [{C}]P [{C}] = p3


P [{CCK}] = P [{C}]P [{C}]P [{K}] = p2 (1 p)
P [{CKC}] = P [{C}]P [{K}]P [{C}] = p2 (1 p)
P [{KCC}] = P [{K}]P [{C}]P [{C}] = p2 (1 p)
P [{KKC}] = P [{K}]P [{K}]P [{C}] = p(1 p)2
P [{KCK}] = P [{K}]P [{C}]P [{K}] = p(1 p)2
P [{CKK}] = P [{C}]P [{K}]P [{K}] = p(1 p)2
P [{KKK}] = P [{K}]P [{K}]P [{K}] = (1 p)3
onde usamos o fato de que as jogadas so independentes. Seja k o nmero de aras em
trs tentativas. Ento

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

P (A1 , A2 ) = P (A1 )P (A2 )


P (A1 , A3 ) = P (A1 )P (A3 )
(1.38)
P (A2 , A3 ) = P (A2 )P (A3 )
P (A1 , A2 , A3 ) = P (A1 )P (A2 )P (A3 )

Para o aso geral, os eventos Ai , i = 1, 2, . . . , n so estatisti amente independentes se as


probabilidades dos eventos onjuntos tomados 2, 3, . . . , n eventos de ada vez possam
ser fatoradas no produto das probabilidades dos eventos individuais.
16 Probabilidade

1.8 Experimentos sequen iais e diagramas em rvore

Muitos experimentos onsistem de uma sequn ia de subexperimentos. O pro edimento


adotado para ada subexperimento pode depender dos resultados dos subexperimentos
anteriores. Podemos usar um diagrama em rvore para representar a natureza sequen ial
dos subexperimentos. Seguir o pro edimento e anotar as observaes do experimento
equivalente a seguir a sequn ia de rami aes da raiz para as folhas da rvore. Cada
folha orresponde a um resultado do experimento.

natural modelar probabilidades ondi ionais em termos de experimentos sequen i-


ais e ilustr-las atravs de diagramas em rvores. Na raiz da rvore, a probabilidade de
um evento parti ular des rito pelo nosso onhe imento a priori. Se os resultados poss-
veis do primeiro resultado so des ritos pelos eventos B1 , , Bm , ento {B1 , , Bm }
um espao de eventos. A partir da raiz, desenhamos ramos para ada evento Bi . Seguir
um ramo a partir da raiz orresponde a observar os resultados do primeiro subexpe-
rimento. Asso iamos a ada ramo as probabilidades a priori P [B1 ], , B[Bm ]. Para
ada evento Bi , temos probabilidades ondi ionais des revendo o resultado do segundo
subexperimento. Ento para ada um dos ramos do primeiro onjunto, desenhamos
um novo ramo e asso iamos a ele esta probabilidade ondi ional. Se seguirmos uma
sequn ia de ramos da raiz a uma determinada folha, espe i amos o resultado de um
dado subexperimento. Desta forma, as folhas representam os resultados do experimento
ompleto. A probabilidade de ada resultado o produto das probabilidades dos ramos
entre a raiz da rvore e a folha que orrespondente ao resultado. Em geral, asso iamos
s folhas os resultados e as probabilidades orrespondentes.

Isto uma des rio ompli ada para um pro edimento extremamente simples, omo
veremos nos exemplos a seguir.

Exemplo 1.13. Uma ompanhia tem trs mquinas B1 , B2 e B3 que fabri am resistores
de 1k. Observou-se que 80% dos resistores produzidos por 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

Para usar a rvore para en ontrar a probabilidade do evento B2 N , um resistor no


a eitvel da mquina B2 , omeamos da esquerda e veri amos que a probabilidade de
al anar B2 P [B2 ] = 0, 4. Andamos ento para a direita em direo ao n B2 N e
multipli amos P [B2 ] por P [N |B2 ] = 0, 1, e obtemos P [B2 N ] = 0, 4 0, 1 = 0, 04.

Podemos observar neste exemplo uma propriedade geral de todos os diagramas em


rvore que representam experimentos sequen iais: a soma das probabilidades dos ramos
que deixam um determinado n sempre 1. Isto uma onsequn ia da lei da proba-
bilidade total e da propriedade da probabilidade ondi ional, vistas anteriormente.

Exemplo 1.14. Suponha que os engenheiros de trfego tenham oordenado a tempori-


zao de dois faris para en orajar uma sequn ia de faris verdes. Em parti ular, a
temporizao foi projetada de modo que, om probabilidade 0,8 um motorista en ontre o
segundo farol om a mesma or do primeiro. Assumindo que o primeiro farol seja verde
ou vermelho om a mesma probabilidade, qual a probabilidade P [G2 ] de que o segundo
farol seja verde? Cal ule P [G1 |R2 ], a probabilidade ondi ional de que o primeiro farol
seja verde, dado que o segundo vermelho.

Soluo. Neste aso, a rvore que des reve o problema :

0, 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

A probabilidade do segundo farol ser verde

P [G2 ] = P [G1 G2 ] + P [R1 G2 ] = 0, 4 + 0, 1 = 0, 5


18 Probabilidade

O evento 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 [W ] = P [R1 G2 ] + P [G1 R2 ] + P [R1 R2 ] = 0, 1 + 0, 1 + 0, 4 = 0, 6


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

P [R2 ] = P [G1 R2 ] + P [R1 R2 ] = 0, 1 + 0, 4 = 0, 5


Desde que P [G1 R2 ] = 0, 1, a probabilidade ondi ional de observar o primeiro farol
verde dado que o segundo vermelho dada por:

P [G1 R2 ] 0, 1
P [G1 |R2 ] = = = 0, 2 (1.39)
P [R2 ] 0, 5

Exemplo 1.15. Considere o jogo do Trs. Vo embaralha um baralho de trs artas:


s, 2 e 3. Se o s vale um ponto, vo retira artas do baralho at que a soma seja 3 ou
mais. Vo ganha se o total for 3. Cal ule P [W ], a probabilidade de ven er o jogo.

Soluo. Seja Ci o evento  C a i-sima arta retirada. Por exemplo, 32 o evento


de tirar um 3 na segunda rodada. A rvore para este experimento ento:
1/2 ................
................
........ 22 A1 22 1/6
................
.
.........................
.
.......
..... A1 . .
..
................
................
....... ................
................
1/3 ....... ................
....... ...........
.......
.........
. 1/2 32 A1 32 1/6
.......
.......
......
.
........... 1/2......................................... A2 21 A2 1/6
.......
....... 1/3 ................
................
..
................................................................................................... 21 .............................
....... ................
....... ................
....... ................
....... ................
...........
.......
.......
.......
1/2 32 2 1 32 1/6
.......
.......
.......
1/3 .......
.......
.......
......
31 31 1/3

Vo ven e se A1 22 , 21 A2 ou 31 o orrerem. Desta forma, a probabilidade de ven er


dada por

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

Soluo. Primeiro, ontrumos a rvore que des reve o problema:

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

Para en ontrar as probabilidades ondi ionais, temos:

P [C1 H] P [C1 H] 3/8 3


P [C1 |H] = = = =
P [H] P [C1 H] + P [C2 H] 3/8 + 1/4 5
Similarmente,

P [C1 T ] P [C1 T ] 1/8 1


P [C1 |T ] = = = =
P [T ] P [C1 T ] + P [C2 T ] 1/8 + 1/4 3
Como espervamos, mais provvel termos sele ionado a moeda 1 quando o primeiro
arremesso resultou em ara, e mais provvel termos sele ionado a moeda 2 quando o
primeiro arremesso resultou em oroa.

1.9 Exer ios


1. Quatro moedas ideais so arremessadas simultaneamente.

(a) Quantos resultados so possveis?

(b) Asso ie probabilidades adequadas para a obteno de quatro oroas, uma


ara, duas aras, trs aras e quatro aras neste experimento.

Resp:

(a) 16

(b) P [4 oroas] = 1/16


P [1 ara] = 1/4

P [2 aras] = 3/8

P [3 aras] = 1/4

P [4 aras] = 1/16

2. Trs dados no vi iados so jogados. Cal ule as probabilidades dos eventos de se


obter uma soma de 8, 9 e 10 pontos.

Resp: P [8] = 21/216 P [9] = 25/216 P [10] = 27/216


20 Probabilidade

3. Uma erta idade tem 8 faris aleatoriamente lo alizados, quatro dos quais  am
verdes por meio minuto na direo leste-oeste e meio minuto na direo 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.

Assuma que todos os faris so independentes, isto , no existe nenhum tipo de


sin ronizao entre eles.

Um automvel est viajando de forma aleatria atravs da idade. En ontre a


probabilidade de o automvel en ontrar um sinal verde na direo leste-oeste.
Faa o mesmo para a direo norte-sul.

Qual a probabilidade de um automvel viajando aleatoriamente pela idade


en ontre um sinal verde?

Resp:

P [verde na direo L-O] = 7/16


P [verde na direo N-S] = 9/16
P [verde] = 1/2

4. Uma urna ontm 3 bolas vermelhas e 2 bran as. Duas bolas so retiradas em
su esso, a primeira bola sendo re olo ada antes da retirada da segunda.

(a) Quantos resultados so possveis?

(b) Asso ie probabilidades a ada um destes resultados.

Resp:

(a) 4

(b) P [1a.V, 2a.V] = 9/25


P [1a.V, 2a.B] = 6/25
P [1a.B, 2a.V] = 6/25
P [1a.B, 2a.B] = 4/25

5. Repita o problema anterior se a primeira bola no for re olo ada antes da segunda
retirada.

(a) 4

(b) P [1a.V, 2a.V] = 3/10


P [1a.V,2a.B] = 3/10
P [1a.B, 2a.V] = 3/10
P [1a.B, 2a.B] = 1/10

6. No problema anterior, se sabemos que a primeira retirada foi de uma bola bran a,
qual a probabilidade de a segunda retirada ser tambm de uma bola bran a ?

Resp: 1/4
Probabilidade 21

7. No problema 5), se sabemos que a segunda bola vermelha, qual a probabilidade


de a primeira tambm ter sido vermelha? Qual a probabilidade da primeira bola
ter sido bran a?

Resp: a) 1/2 b) 1/2

8. Uma urna ontm 3 bolas vermelhas, 5 bolas bran as e 8 bolas pretas. Outra urna
ontm 6 bolas vermelhas, 7 bolas bran as e 4 bolas pretas. Uma bola retirada
de ada urna. En ontre a probabilidade de obter duas bolas da mesma or.

Resp: 85/272

9. A aixa I ontm 3 bolas vermelhas e 5 bolas bran as, e a aixa II, 4 vermelhas
e 2 bran as. Extrai-se ao a aso uma bola da primeira aixa e olo a-se na se-
gunda, sem observar a or. Extrai-se ento uma bola da segunda aixa. Qual a
probabilidade da mesma ser bran a?

Resp: 21/56

10. Em erto olgio, 25 % dos estudantes foram reprovados em matemti a, 15 %


em qumi a e 10 % em matemti a e qumi a ao mesmo tempo. Um estudante
sele ionado aleatoriamente.

a) Se ele foi reprovado em qumi a, qual a probabilidade de ele ter sido repro-
vado em matemti a?

b) Se ele foi reprovado em matemti a, qual a probabilidade de ele ter sido


reprovado em qumi a?

) Qual a probabilidade de ele ter sido reprovado em matemti a ou qumi a?

Resp: a) 2/3 b) 2/5 ) 0,30

11. A rede omutada mostrada na gura abaixo opera se e somente se existe pelo
menos um aminho fe hado de omutadores entre a entrada e a sada. Assumindo
que os omutadores falhem de forma independente e que a probabilidade de falha
de ada omutador so aquelas dadas na gura, al ule a probabilidade de esta
rede fun ionar.

.......................................................................................
....
0,2 .......................................................................................
....
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
..
. ...
.......................................................................... 0,4 .
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
.. 0,4 ............................. ............................. 0,1 ...........................................
... ....
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
... ...
.... ....
...................................................................................... 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

14. Dois dgitos so sele ionaodos aleatoriamente de 1 a 9, sem reposio. Se a soma


par, en ontre a probabilidade p de ambos os nmeros serem mpares.

Resp: p = 5/8

15. Telefones elulares realizam handos medida em que se movem de uma -


lula para outra. Suponha que durante uma hamada, os telefones realizam zero
handos (H0 ), um hando (H1 ), ou dois handos (H2 ). Adi ionalmente, ada
hamada pode ser longa (L) ou breve (B).

Sabendo que 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:

(a) A probabilidade de no o orrer nenhum hando durante uma hamada.

(b) A probabilidade de uma hamada ser breve.

( ) A probabilidade de uma hamada ser longa ou existirem pelo menos dois


handos.

Resp: a) 0.5 b) 0.6 ) 0.5

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.

(a) Se uma pea sele ionada aleatoriamente, a he a probabilidade dela ser


defeituosa.

(b) Suponha que uma pea, sele ionada aleatoriamente, seja onsiderada defei-
tuosa. En ontre a probabilidade dela ter sido produzida pela mquina A.

Resp: a) 0,037 b) 15/37

17. No sistema de omuni ao ternrio mostrado na gura abaixo, um 3 enviado


trs vezes mais frequentemente que um 1, e um 2 enviado duas vezes mais
frequentemte que um 1. Um 1 observado. Qual a probabilidade de um 1 ter
sido enviado?
Probabilidade 23

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

19. Durante a re epo de mensagens odi adas, onsistindo de pulsos de formas A


e B, estabele eu-se que de ada 10 ombinaes equiprovveis, trs so do tipo
AAB, in o so do tipo AB, e duas so do tipo ABB. Qual a probabilidade de
que um pulso es olhido aleatoriamente seja da forma A?

Resp: 31/60

20. Num erto olgio, 4% dos homens e 1% das mulheres tm mais do que 1,60m de
altura. Alm disso, 60% dos estudantes so mulheres Sabendo que a probabilidade
de um homem viver mais de dez anos 1/4, a probabilidade de sua esposa viver
mais de dez anos 1/3, en ontre a probabilidade dos seguintes eventos

(a) ambos estarem vivos depois de dez anos,

(b) ao menos um estar vivo depois de dez anos,

( ) nenhum deles estar vivo depois de dez anos,

(d) somente a esposa estar viva depois de dez anos.


24 Probabilidade

Di a: onsidere os eventos

A: o homem est vivo daqui a 10 anos.

B: sua esposa est viva daqui a 1o anos.

Resp: a) 1/12 b) 1/2 ) 1/2 d) 1/4

21. A urna 1 ontm 5 bolas bran as e 7 bolas pretas. A urna 2 ontm 3 bolas bran as
e 12 bolas pretas. Uma moeda ideal arremessada. Se o resultado ara, ento
sele iona-se uma bola da urna 1, enquanto que se o resultado oroa, sele iona-se
uma bola da urna 2. Suponha que uma bola bran a tenha sido sele ionada. Qual
a probabilidade do resultado do arremesso da moeda ter sido oroa?

Resp: P [co|B] = 12/37

22. Sejam os seguintes eventos:

A: uma famlia tem rianas de ambos os sexos.

B: uma famlia tem no mximo um menino.

(a) Mostre que A e B so independentes, se uma famlia tem 3 rianas.

(b) Mostre que A e B so dependentes, se uma famlia tem 2 rianas.


Captulo 2

Variveis Aleatrias

2.1 Denio.
O resultado de um experimento aleatrio pode ser um nmero real ( omo no aso do
arremesso de dados) ou pode ser no numri o, mas des rito por palavras (por exemplo
 ara e  oroa).

Entretanto estamos geralmente interessados no no resultado, mas em alguma me-


dida ou atributo numri o deste. Por exemplo, se jogamos uma moeda n vezes, podemos
estar interessados no nmero total de aras e no na ordem espe  a na qual o orreram
as aras e as oroas.

Assim, podemos denir uma funo que asso ia um valor numri o ao resultado do
experimento aleatrio. Desde que os resultados so aleatrios, os resultados das medidas
tambm o sero. Desta forma faz sentido falar em probabilidades dos valores numri os
resultantes.

O on eito de varivel aleatria formaliza esta noo:

Denio 2.1. 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.

PSfrag repla ements S


X() = x

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

A espe i ao de uma medida de um experimento aleatrio dene uma funo no


espao amostral, e portanto uma v.a. O espao amostral S o domnio da v.a., e o
onjunto SX de todos os valores tomados por X a faixa da v.a. Ento SX um
sub onjunto do onjunto de todos os nmeros reais.
Podemos ver X() omo uma funo que mapeia os pontos amostrais 1 , 2 , . . . , m
em nmeros reais x1 , x2 , . . . , xn . Assim, X uma varivel aleatria que assume
valores x1 , x2 , . . . , xn . Observe que m no ne essariamente igual a n. Mais de um
ponto amostral pode ser mapeado em um mesmo valor de x.

Exemplo 2.1. Espe ique o espao amostral de um experimento que onsiste em jogar
uma moeda 3 vezes.

Soluo. O espao amostral para este experimento

S = {CCC, CCK, CKC, CKK, KCC, KCK, KKC, KKK},

onde C orresponde a  ara"e K orresponde a  oroa".

Seja X o nmero de aras em trs jogadas da moeda. X asso ia a ada resultado


em S um nmero do onjunto SX = 0, 1, 2, 3. A tabela abaixo lista os oito resultados
de S e os valores de X orrespondentes.

CCC CCK CKC KCC CKK KCK KKC KKK


X() 3 2 2 2 1 1 1 0

X ento uma v.a. que toma valores no onjunto SX = 0, 1, 2, 3.

A funo ou regra que asso ia valores a ada resultado xa ou determinsti a, omo,
por exemplo, na regra nmero de aras em 3 jogadas de uma moeda. A aleatoriedade
nos valores observados deve-se aleatoriedade dos argumentos da funo 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.

Exemplo 2.2. O evento {X = k} = {k aras em 3 jogadas de uma moeda} o orre


quando o resultado do experimento ontm k aras. Cal ule as probabilidades dos eventos
{X = k}, k = 0, 1, 2, 3.

Soluo. A probabilidade do evento {X = k} dada pela soma das probabilidades dos


resultados orrespondentes ou eventos elementares. Seja p a probabilidades de aras e
(1 p) a probabilidade de oroas. Desta forma, temos

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

O exemplo a ima ilustra a seguinte t ni a geral para en ontrar as probabilidades


de eventos envolvendo a v.a. X : seja SX o onjunto de valores que podem ser assumidos
por X , e B algum sub onjunto de SX .
SX pode ser visto omo um novo espao amostral, e B omo um evento neste espao.
Seja A o onjunto de resultados em S que levam a valores X() em B , omo
mostrado na Figura 2.2, isto

A = { : X() em B}

ento o evento B em SX o orre sempre que o evento A em S o orre. Desta forma, a


probabilidade do evento B dada por

P [A] = P [B] = P [ : X() em B]

Referimo-nos aos eventos A e B omo eventos equivalentes.

A
PSfrag repla ements

B reta real

Figura 2.2: Eventos equivalentes.

2.2 Funo distribuio umulativa.

Denio 2.2. A funo distribuio umulativa (fd ) de uma v.a. X denida


omo a probabilidade do evento {X x}:

FX (x) = P [X x], <x< (2.1)

isto , a probabilidade da v.a. X tomar um valor no intervalo (, x].

Em termos do espao amostral, a fd a probabilidade do evento { : X() x}. O


evento {X x} e sua probabilidade variam medida que x varia; em outras palavras,
FX (x) uma funo da varivel x.
A fd simplesmente uma maneira onveniente de espe i ar a probabilidade de
todos os intervalos semi-innitos da reta real, e seus omplementos, unies e intersees.
28 Variveis Aleatrias

Propriedades
Os axiomas de probabilidade e seus orolrios impli am que a fd tem as seguintes
propriedades:

1. 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).

5. A probabilidade de eventos que orrespondem a intervalos da forma (a < X b)


podem ser expressas em termos da fd

P [a < X b] = FX (b) FX (a) (2.2)

Demonstrao.

P [a < X b] = P [X b] P [X a] = FX (b) FX (a)

Isto pode ser fa ilmente visto na Figura abaixo

..
.
v
......................................................................................................................................................................................................................................................................................................................................................................
.
..
P [X b]
.. ..
..
...
..... .
.
.........................................................................................................................................................................................................................................................................................................................................................................
v ..
..
P [X a]
..... ..
..
.. ..
..
..
.................................................................................... f ....................................................................................................................................................................................................................................................................
v P [a < X b]

Figura 2.3: P [a < X b] = FX (b) FX (a)

6. A probabilidade que uma v.a. X toma em um ponto espe  o, digamos b, dada


pela magnitude do salto da fd no ponto b. Segue que se a fd ontnua em um
ponto b, ento o evento tem probabilidade zero.

Demonstrao. Desejamos al ular P [X = b]. Seja a = b , > 0. Usando


(2.2), podemos es rever

P [a < X b] = P [b < X b] = FX (b) FX (b ) (2.3)

medida que 0, o lado esquerdo de (2.3) aproxima P [X = b], e ento

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 )

8. Se a fd ontnua nos limites de um intervalo, ento os limites tm probabili-


dade zero, e portanto podem ser in ludos ou ex ludos do intervalo sem afetar a
probabilidade. Em outras palavras, se a fd ontnua nos pontos x=a e x = b,
ento

P [a < X < b] = P [a X < b] = P [a < X b] = P [a X b] (2.6)

Exemplo 2.3. A fd de uma varivel aleatria X dada por




0 x<0





1 2

4 (x + 1) 0 x < 1


FX (x) =


1 1

x+ 1x<2


4 2




1 x2

En ontre a probabilidade dos eventos:

a) {X < 1} b) {X = 1} ) {X = 0} d) {|x 1| > 1/2} e) {x 0}


Soluo. A primeira oisa a fazer analisar omo esta funo se omporta: das equa-
es a ima, podemos ver que esta uma funo nula para x < 0; para 0 x < 1 assume
a forma de uma parbola, e no intervalo 1x<2 o de uma reta; nalmente, assume
um valor onstante igual a 1 para x > 2. Abaixo temos um gr o desta funo.

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:

a) A probabilidade do evento {X < 1} dado pelo valor da fd no ponto imediata-


mente anterior a X = 1. Portanto, P [X < 1] = 1/2.
30 Variveis Aleatrias

b) A probabilidade do evento {X = 1} dada pelo valor do salto da fd em X = 1.


Portanto, P [X = 1] = 1/4.

) Pelas mesmas razes do item b), P [X = 0 = 1/4].

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

2.3 Tipos de Variveis Aleatrias


2.3.1 Dis retas
Variveis aleatrias dis retas tomam valores de um onjunto nito SX = {x0 , x1 , . . . ,
xn }. Apare em geralmente em apli aes que envolvem ontagem, de modo que geral-
mente temos SX = {0, 1, . . . }.

Denio 2.3. A funo massa de probabilidade (fmp) de X o onjunto de


probabilidades pX (xk ) = P [X = xk ] dos elementos em SX .

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

onde pX (xk ) = P [X = xk ] forne e a magnitude dos saltos na fd .

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.

Soluo. Do Exemplo 2.1 sabemos que X toma apenas os valores 0, 1, 2 e 3. Do


Exemplo 2.2, se zermos p = 0.5 as probabilidades para ada um destes resultados so
1/8, 3/8, 3/8 e 1/8, respe tivamente, de modo que FX (x) simplesmente a soma das
probabilidades dos resultados de 0,1,2,3 que so menores ou iguais a x. A fd resultante
tem portanto des ontinuidades nos pontos 0,1,2 e 3. A fd de X denida desta maneira
pode ser vista na Figura 2.4.
PSfrag repla ements

Variveis Aleatrias 31

FX (x)
1
7/8
1/2
1/8
0 1 2 3 x

Figura 2.4: Exemplo de uma fd de uma v.a. dis reta.

2.3.2 Contnuas
So as v.a.'s ujas fd 's FX (x) so ontnuas em todos os pontos e, as quais, adi ional-
mente, so su ientemente suaves de modo que podem ser es ritas omo uma integral
de alguma funo f (x) no negativa.

Z
FX (x) = f (t)dt (2.8)

Para v.a.'s ontnuas, a fd ontnua em todos os pontos, de modo que a proprie-


dade 6 impli a que P [X = x] = 0, x.

Exemplo 2.5. O tempo de transmisso X de mensagens em um sistema de omuni-


ao obede e a lei de probabilidade exponen ial om parmetro , isto P [X > x] =
ex , x > 0. En ontre a fd de X . Cal ule P [T < X 2T ], T = 1/.

Soluo. Por denio, a fd de X dada por FX (x) = P [X x] = 1 P [X > x].


Desta forma, temos

(
0, x0
FX (x) = x
1e , x>0
Na Figura 2.5 tem-se um desenho da fd de X.

FX (x)

PSfrag repla ements

Figura 2.5: Gr o da fd de v.a. ontnua X.

Da propriedade 5 temos que


32 Variveis Aleatrias

P [T < X 2T ] = FX (2T ) FX (T ) = 1 e2 (1 e1 ) = e1 e2 0.233

Note que FX (x) ontnua para 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)

PSfrag repla ements

Figura 2.6: Gr o de FX (x).

2.3.3 Mistas
So v.a.'s ujas fd 's tm saltos em um nmero nito de pontos x0 , x1 , . . . , xn mas que
tambm aumentam de forma ontnua por pelo menos um intervalo de valores de x. A
fd destas variveis tem a forma

FX (x) = pF1 (x) + (1 p)F2 (x) (2.9)

onde

0<p<1

F1 (x) a fd de uma v.a. dis reta.

F2 (x) a fd de uma v.a. ontnua.

Exemplo 2.6. O tempo de espera X de um usurio em um sistema de las zero se


ele en ontra o sistema livre, e om um tempo de espera exponen ialmente distribudo
se en ontra o sistema o upado. As probabilidades de ele en ontrar o sistema livre ou
o upado so p e (1 p), respe tivamente. En ontre a fd de X.

Soluo.
FX (x) = P [X x] = P [X x|livre]p + P [X x|ocupado](1 p)
Variveis Aleatrias 33

Note que P [X x|livre] = 1 quando x 0 e 0 aso ontrrio. Desta forma

(
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)

PSfrag repla ements

Figura 2.7: Um exemplo de v.a. mista.

2.4 Funo Densidade de Probabilidade


2.4.1 Denio

Denio 2.5. A funo densidade de probabilidade (fdp) de uma v.a. X, se existir,


denida omo a derivada de FX (x):

dFX (x)
fX (x) = (2.10)
dx

A fdp representa a densidade de probabilidade no ponto x no seguinte sentido:


a probabilidade de que X esteja em um intervalo pequeno na vizinhana de x, isto
{x < X x + h} ,

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

P [{x < X x + h}] fX (x)h (2.12)

Ento fX (x) representa a densidade de probabilidade no ponto x no sentido de


que a probabilidade de que X esteja em um pequeno intervalo na vizinhana de x
aproximadamente fX (x)h, onforme mostrado na Figura 2.8.
34 Variveis Aleatrias

fX (x)
fX (x)dx

PSfrag repla ements

x x + dx x

Figura 2.8: A funo densidade de probabilidade espe i a a probabilidade de intervalos


de largura innitesimal.

2.4.2 Propriedades
1. A derivada da fd , quando existir, positiva desde que a fd uma funo no
de res ente de x, ento

fX (x) 0 (2.13)

2. Seja fX (x) uma funo no negativa, a qual hamaremos de funo densidade de


probabilidade, e que espe i a as probabilidades de eventos da forma  X ai em
um pequeno intervalo de largura dx ao redor do ponto x. As probabilidades de
eventos envolvendo X so ento expressas em termos da fdp adi ionando proba-
bilidades de intervalos de largura dx. medida que as larguras dos intervalos
se aproximam de zero, obtemos uma integral em termos da fdp. Por exemplo, a
probabilidade de um intervalo [a, b] dada por

Z b
P [a x b] = fX (x)dx (2.14)
a

A probabilidade de um intervalo portanto a rea sob fX (x) naquele intervalo


(ver Figura 2.9). A probabilidade de qualquer evento que onsiste na unio de
intervalos disjuntos pode ser en ontrada adi ionando-se as integrais da fdp sobre
ada um dos intervalos.

fX (x)
6

.................
...... .............................
..... .......................................
.....
..... ....................................
...
. ..........................................
... ..............................................
....
. .....................................................
.... ..........................................................
.... ................................................................
..
...
. .......................................................................
..
..... ................................................................. .......
...
.... ................................................................. ........
...
. ................................................................. .......
-
...
.. .........
...
...
...
...
...... ................................................................. ..............................
.................................. . ..............

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

3. A fd de X pode ser obtida integrando-se a fdp

Z x
FX (x) = fX (t)dt (2.15)

Variveis Aleatrias 35

4. Fazendo x + na equao (2.15), obtemos a ondio de normalizao para


as fdp's

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.

2.4.3 Caso Dis reto


A derivada da fd no existe em pontos onde ela no ontnua. Ento a noo de
fdp denida na equao (2.10) no se apli a a v.a.'s dis retas nos pontos em que a fd
no ontnua. Podemos generalizar a denio da funo densidade de probabilidade
notando a relao entre as funes degrau unitrio e delta de Dira .

Denio 2.6. A funo degrau unitrio u(x) denida omo


(
0, x<0
u(x) = (2.18)
1, x0

Denio 2.7. A funo delta de Dira (x) denida em termos da funo


degrau unitrio pela seguinte equao

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

onde a funo massa de probabilidade dada por pX (x) = P [X = x].


Para generalizar a denio da fdp de modo que a Equao (2.15) valha tambm para
v.a.'s dis retas, podemos notar o seguinte: a integral de uma funo delta lo alizada
36 Variveis Aleatrias

em x = b, isto (x b), ir gerar uma funo degrau que omea em x = b, isto ,


u(x b).

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

Desta forma, a denio generalizada da funo densidade de probabilidade olo a


uma funo delta de peso P [X = xk ] nos pontos xk onde a fd no ontnua.

2.5 Algumas variveis aleatrias dis retas importantes


As variveis aleatrias dis retas apare em em geral em apli aes que envolvem onta-
gens. As distribuies dis retas mais omuns so:

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}

Funo massa de probabilidade


pX (x) 6
( (p = q = 0.5)
1 p = q, X = 0
pX (x) =
p, X=1 0.5

0p1
-
0 1 x

Funo distribuio umulativa


FX (x)
6
1 ....... ....... ....... ....... .....................................................
..
.
0,
x<0 ..
..
...
FX (x) = 1 p, 0 x < 1 1p .......................................................
..

..
1, x1 ...
.
......................................................
...
. -
1 x
Variveis Aleatrias 37

2.5.2 Binomial
Usos mais frequentes
X o nmero de su essos em n experimentos de Bernoulli e, portanto, a soma 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}

Funo massa de probabilidade


pX (x)
  6 (n = 10, p = 0.5)
n x
pX (x) = p (1 p)nx
x

x = 0, 1, . . . , n
-
0 1 2 3 4 5 6 7 8 9 10 x

Funo distribuio umulativa


FX (x)
6
1 ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...................................................
................... ... ...
.. .. . .
...................
X n ... ...
..
..
..
..
..
..
FX (x) = px (1 p)nx u(x xk ) ...................
..
.
..
.
...
.
...
.
...
.
...
.
x ....................
. ..
..
..
..
..
..
..
..
..
..
k
... ... ... ... ... ... ...
................. . . . . . .
.
..................................
...
...
...
...
....................... ..
.
.
..
.
.
..
.
.
..
.
.
..
.
.
..
.
. - ..
..

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, . . . }

Funo massa de probabilidade


pX (x)
6
x
pX (x) = e 0.2 ( = 4)
x!

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

Funo distribuio umulativa


FX (x)
6
1 ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... .....................................................................................
......................
......................... ... ... ...
. . . . .
..........................
.
....
.
....
.
....
.
....
X k e ...
..........................
...
... ... ... ... ...
FX (x) = u(x k) . . . . . . .
k! ......................
..
.
. ..
.
.
.
..
.
.
.
..
.
.
.
..
.
.
.
..
.
.
.
.
....
k=0 ... ... ... ... ... ... ... ...
. . . . . . . .
.......................... . . . . . . .
.... .. .... .... .... .... .... .... ....

-
.......................
.. .. ... ... ... ... ... ... ... ...
............................................. . . . . . . . . .

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, . . . }

Funo massa de probabilidade


pX (x)
6
0.5
pX (x) = p (1 p)x (p = 0, 5)

x = 0, 1, 2, . . .

-
0 1 2 3 4 5 6 7 8 9 10 x

Funo distribuio umulativa


FX (x)
6
1 ....... ....... ....... ....... ....... .................................................................................................................................................................
....................
....................... ... .... .... .... .... .... ....

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 Algumas variveis aleatrias ontnuas importantes


Estamos sempre limitados a medidas de pre iso nita, de modo que toda varivel ale-
atria en ontrada na prti a uma varivel aleatria dis reta. Entretanto, existem
vrias razes pelas quais interessante utilizar modelos que utilizem variveis aleatrias
ontnuas. Primeiro, em geral, variveis aleatrias ontnuas so em geral mais f eis de
lidar analiti amente. Segundo, as formas limite de muitas variveis aleatrias dis retas
Variveis Aleatrias 39

geram variveis aleatrias ontnuas. Finalmente, existem algumas famlias de vari-


veis aleatrias ontnuas que podem ser utilizadas para modelar uma grade variedade
de situaes pelo ajuste de alguns pou os parmetros.

2.6.1 Uniforme
Usos mais frequentes
A varivel aleatria uniforme apare e em situaes onde todos os valores em um intervalo
da reta real so equiprovveis. Esta distribuio bastante usada em modelamentos de
rudo de quantizao.

Domnio: SX = [a, b]

Funo densidade de probabilidade


fX (x)
6

1
1 axb
....... ....... ....... ....... ...............................................................................................
....
...

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

Funo distribuio umulativa


Neste aso, temos 3 situaes possveis:

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

2.6.2 Exponen ial


Usos mais frequentes

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, )

Funo densidade de probabilidade


fX (x)
6
1.0
...
...
...
( 0.8 ...
...

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

1 2 3 4 x

Funo distribuio umulativa


Z x
x
y ey
FX (x) = e dy = = 1(ex e0 )
0 0

FX (x)
6
1.0 = 1.0 ................................................
........................
............... ......
........... ...................
......... ...............
.......
...... ... .......
..
.
0.8 ...........
( .........
. ................
.
.... .
........
1 ex x 0, > 0 0.6 .....
.....
.....
.......
......
.......
........

FX (x) = .
...
...
.....
......
......
.....

0 aso ontrrio ...


... .....
.....
0.4 ....
......
....... = 0.5
... .....
... ......
... .....
0.2 ... .......
.......
......
....
... -
1 2 3 4 x

2.6.3 Rayleigh
Usos mais frequentes

Modelamento de desvane imento.

Domnio: SX = [0, )
Variveis Aleatrias 41

Funo densidade de probabilidade


fX (x) =1
6 ........
..... .....
... .. .....
... .. ......
x x22 .
...
..
.....
...
...
2 e 2 x > 0, > 0

...
...
...
.
..
.
.. .
..
.
...
...=2
.... ...
fX (x) = .
.
...
.
...
...
.... ..............................................................
... .........
.... ... .
..... .. .....
........
........
... .... ...
. ........
....
.
.. . .. ..... ........
0 aso ontrrio
.
.
.... .........
... .......
.
....
.
.... ....
.
.......
.....
......
.........
..........
...........
....
.......
..........
...
..
..
..
..
...........
-
.........................................................

0 1 2 x

Funo distribuio umulativa


Z x
y y22
FX (x) = e 2 dy Fazendo u = y 2 /2, temos que du = ydy.
0 2
u
x2 /2
x2 /2
1 e 2
Z
1 u2 x2
= 1 e 22

FX (x) = e du =
0 2 2 12
0

FX (x)
6

1 ....... ....... ....... ....... ...........................................................................................................................................


...... ...........
..... .........
.... .......
.... ......
... ......
( x2 =1 .
...
...
.
....
....
.....
.
..

1 e 22 x 0, > 0 ...
..
.....
...
FX (x) = .
...
... ...
..
...
.
.

0 aso ontrrio ...


...
. .
..
....
... =2
... ...
... ...
.. ...
..
... . ...
.
. .....
..
.. ....
.. ......
... .........
..
. ..
............... -
0 2 4 6 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.

Tambm, sob uma grande variedade de ondies, a varivel aleatria gaussiana


pode ser utilizada para aproximar a soma de um grande nmero de variveis aleatrias
independentes. (Veja o Teorema do Limite Central no Captulo 5)

Seguindo a onveno de vrios textos na rea, usaremos a notao X N (, 2 )


para nos referirmos a uma v.a. X om distribuio Gaussiana de mdia e varin ia
2. Nesta notao, o N quer dizer (obviamente) normal.

Domnio: SX = (, )
42 Variveis Aleatrias

Funo densidade de probabilidade


fX (x)
6 ....
..... .....
... .....
.. ...
..
0.5 .
.
...
...
...
.... ...
...
.
..
......
...
..... .... .
.
.
......
.
.
( = 1, = 0.5
...
... )
(x )2 .... . .
. ..... ...
.. .
. ...
.
... .
.. .... ...
( = 0, = 1 ... .. ...
1 ) .
...
. .
...
....
...
...
fX (x) = e 2 2 ...
...
...
...
...
...
...
...
...
...
... .. ...
2 ...
.
..
.
.
..
.
.
.
.
. ...
....
.
...
...
...
... .. ... ...
... .. . ... ...
.. .. . .... ...
.
....
. ..
. .. ...
... .. .....
......
...
.
.
.
..
. . ....... .......
. . .
-
.........
... .
... . ........ .......
.....
. .... ........................
............................................................................................... ....................................

-4 -3 -2 -1 0 1 2 3 4 x

O gr o de fX (x) tem formato de sino, om entro em x = . reete a largura


do sino: se pequeno, o sino estreito, om um pi o agudo e alto. Por outro lado, se
grande, o sino largo, e o pi o baixo e menos pontudo. A altura do pi o dada

por 1/( 2)

Funo distribuio umulativa


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

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.

Observe que omo a varivel aleatria gaussiana N (0, 1) simtri a em relao


origem, estas tabelas tambm forne em os valores da fd no intervalo 0 a 4.

Para valores fora deste intervalo, as probabilidades so muito baixas.

Para aprender omo usar esta tabela, vamos introduzir a seguinte propriedade das
variveis aleatrias Gaussianas:

Teorema 2.1. Se X uma varivel aleatria Gaussiana om parmetros e ,


ento Y = aX + b uma varivel aleatria Gaussiana om parmetros a + b e a .

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 propriedades de uma varivel aleatria Gaussiana arbitrria om as propriedades de


uma varivel aleatria Gaussiana espe  a.

Denio 2.9. Varivel aleatria normal padro. A varivel aleatria normal


padro Z a varivel aleatria Gaussiana om parmetros =0 e = 1.

As tabelas denidas ontm valores de FZ (z). Introduzimos a notao espe ial (z)
para esta funo.

Denio 2.10. Fd normal padro. A fd da varivel normal padro Z


Z z
1 2 /2
(z) = eu du
2

Dada a tabela de valores de (z), usamos o seguinte teorema para en ontrar as


probabilidades de uma varivel aleatria Gaussiana om parmetros e

Teorema 2.2. Se X uma varivel aleatria Gaussiana om parmetros e , a


fd de X
 
x
FX (x) =

E a probabilidade de X (a, b]
estar no intervalo
   
b a
P [a < X b] =

Usando este teorema, transformamos os valores de uma varivel aleatria Gaussiana,


X, para valores equivalentes da varivel aleatria normal padro, Z. Para um valor
parti ular x da varivel aleatria X, o valor orrespondente para a varivel aleatria Z

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.

Soluo. Pela Equao (2.22),


44 Variveis Aleatrias

46 61
z= = 1.5
10
Assim, esta pontuao orresponde a 1.5 desvios padres menos que o valor espera-
do.

Para en ontrar as probabilidades das variveis aleatrias Gaussianas, usamos os


valores de (z) apresentados nas tabelas. Note que estas foram al uladas apenas para
valores negativos de x. Para valores positivos, devemos usar a seguinte propriedade:

Teorema 2.3. Para a varivel aleatria normal padro,

(z) = 1 (z)

Exemplo 2.8. Se X uma varivel aleatria Gaussiana om = 61 e = 10, al ule


P [X 46]

Soluo. Apli ando o Teorema 2.2 e o resultado do Exemplo 2.7, temos

P [X 46] = FX (46) = (1.5) = 0, 067


Isto sugere que, se seu resultado est 1,5 desvios padres abaixo da mdia, vo est
na regio dos 6,7% piores, dentro da populao das pessoas que zeram o teste.

A funo distribuio umulativa omplementar Q(x).


Uma outra maneira de se al ular as probabilidades de eventos de variveis aleatrias
envolvendo distribuies gaussianas atravs do uso da funo distribuio umulativa
omplementar, denida omo

Z
1 2 /2
Q(x) = ey dy (2.23)
2 x

Observe que a funo Q(x) orresponde ao valor da probabilidade do evento P [X >


x], sendo portanto o omplemento da fd FX (x), de modo que vale a identidade

Q(x) + FX (x) = 1 (2.24)

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

Esta funo tem uma expanso em sries da forma

" #
2 X (1)i x(2i+1)
erf c(x) = 1 (2.26)
(2i + 1)i!
i=0

Comparando as Equaes (2.23) e (2.25), podemos estabele er as seguintes relaes

 
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, )

Funo densidade de probabilidade


fX (x) ..
6
.. .
..
..
. ..
..
..
1.0 ..
..
..
= 3 = 0.5 ,
..
..
..
...
...
... .............
0.8 ... ... ...
... ... ...
... .. ..
...... ...
(x)1 ex ..... ...
...
fX (x) = 0.6
....
.
.....
......
=3 =3 ...
...
...
,
.......
() .... ....
. ..
...
...
...
... ... ...
0.4 .. ..
.. ..
...
...
... ..... ...
. ... ...
... ...
... ...
... ...
0.2 ...
...
...
.....
... .....
.... ......
...... ......
......
........
.................................... ..............................................
.................................... . -
0 1 2 3 4 x
46 Variveis Aleatrias

Funo distribuio umulativa


FX (x)
6 = 3, = 0.5
1 .......
......................
............................................................................................................
.........
....
..... .......
.... ......
...
.
......
.
... ....
... ....
...
Z x ... ...
(y)1 ey ....
.. ...
...

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, )

Funo densidade de probabilidade


fX (x) ..
6
.. .
..
..
. ..
..
..
1.0 ..
..
..
m = 3 = 0.5 ,
..
..
..
...
...
... .............
0.8 ... ... ...
... ... ...
... .. ..
... .. ...
ex (x)m1
...... ...
...
fX (x) = ,x > 0 0.6
....
..
...... m=3 =3
...
... ,
...... ...
(m 1)! ... ....
... ...
...
...
...
... ... ...
0.4 .. ..
.. ..
...
.. .. ...
... ..... ...
...
... ...
... ...
... ...
...
0.2 ...
...
...
.....
... .....
......
.... ......
....... ........
......... .
................................................................................................................. -
0 1 2 3 4 x

Funo distribuio umulativa


FX (x)
6 m = 3, = 0.5
1 .........
....................................................................................................................................
.....
..... .......
....
. ......
.
... ..
......
. ...
... ....
... ...
Z ... ...
ey (y)m1 ....
..
.
...
...

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.

Observao: um aso espe ial da distribuio Gama, fazendo-se = k/2, k inteiro


positivo, e = 1/2.

Domnio: SX = [0, )

Funo densidade de probabilidade


fX (x)
6
0.5 ......
......
.......
........
0.4 k=2 .. ...
... ...
... ...
x(k2)/2 ex/2 0.3
.... .....
.. .
.. ...
fX (x) = k/2 .. ..
.. ....
2 (k/2) 0.2
...
..
...
...
...
.. ...
...
.
...
...
...
... k = 10
0.1 .
.....
..... ..............................................................
.... ..... .............
... ............ ..............
....... .......................
-
.. ..............
.............................. ................................................................................................................................................

0 5 10 15 20 x

Funo distribuio umulativa


FX (x)
6
1 .........
.......................
.....................................................................................
.............
....... ..........
..... .......
.. ......
.
.
.
...
. ...
........
..
... ......
... .....
Z .....
....
y (k2)/2 ey/2 .
...
...
.. .
.....
.....
.
FX (x) = dy ...
... k=2 ....
....
....
k = 10
0 2k/2 (k/2) ....
..
.
....
.
.....
....
... ....
... ....
.... ..
.....
.
.. .....
... ....
....
... .....
......
....
..........................
......
-
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

Funo densidade de probabilidade


fX (x)
6
.....
0.6 .. ..
.. ...
.. ..
= 0.5
... ....
.. ..
... ....
/ 0.4
... ....
.... ...
fX (x) = , > 0 ..
..
...
.
x2+ 2 .. ........... ..
........ .........
...... ......
. ...
0.2
.........
.
.... ......
......
........
=1
......... ..........
.............
. ............
............... .................
-
......
... ..................................
....... ......
............................................................................. ...............................................................

-6 -4 -2 0 2 4 6 x

Funo distribuio umulativa

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

Usos mais frequentes

A distribuio de Lapla e tambm onhe ida omo distribuio exponen ial dupla.
a distribuio das diferenas entre duas variveis aleatrias iid om distribuio expo-
nen ial.

Domnio: SX = [, )
Variveis Aleatrias 49

Funo densidade de probabilidade


fX (x)
6
0.5 ...
.........
.......
...........
0.4 .. ...
... .. ...
= 1, = 2
... .. ...
.... .. ....
.. .. ....
fX (x) = e|x| , > 0 0.3
= 0.5, = 0 .
...
... .. ..
...

2 ..
.........
. . ... ... . ...
.. .. ....
.
0.2 .. . .. . ... ....
... .. ......... ...
... ... ...
... ... .... ........ ...
..
......
. . ... ..... . ...
...
.... .....
0.1 ...
.........
.
. .
.
...
.
.
.. .
.
.
.
..........
...
.
........ ........
....
....... .
..
..... ......................
-
............ .. .
.... .. .....................
.............. .
.. .... .
.
....................................................................................................... .. .. ..................................

-8 -6 -4 -2 0 2 4 6 8 x

Funo distribuio umulativa


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

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

2.7 Densidades Condi ionais


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

Denio 2.11. Funo de distribuio ondi ional. A funo de distribuio


ondi ional FX (x|B) de uma varivel aleatria X dado o evento B denida omo

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

Exemplo 2.9. Seja B =


{X 10}. Determine FX (x|B).
Soluo. Para resolver este problema, vamos analis-lo em duas partes:
1. para x 10, o evento {X 10} um sub onjunto do evento {X x}. Desta
forma,P [X 10, X x] = P [X 10], e ento podemos es rever

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.

2.8 Variveis Aleatrias Mltiplas

Quando lidamos om experimentos ombinados ou tentativas repetidas de um mesmo


experimento, en ontramos v.a.'s mltiplas e suas fd 's e fdp's. Variveis aleatrias
mltiplas so basi amente funes multidimensionais denidas em um espao amostral
de um experimento ombinado.

2.8.1 Funo Distribuio de Probabilidade Conjunta

Sejam duas v.a.'s X1 e X2 , ada uma delas podendo ser ontnua, dis reta ou mista.

Denio 2.13. A funo distribuio umulativa onjunta (fd onjunta) para as


duas v.a.'s pode ser denida omo

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

2.8.2 Densidades marginais

Teorema 2.4. Quando a fdp onjunta fX1 X2 (x1 , x2 ) integrada sobre uma das va-
riveis, obtemos a fdp da outra varivel, isto

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.

Corolrio 2.5. Se fX1 X2 (x1 , x2 ) integrada sobre ambas as variveis, obtemos

Z + Z +
fX1 X2 (x1 , x2 )dx1 dx2 = F (, ) = 1 (2.33)

Corolrio 2.6. F (, ) = F (, x2 ) = F (x1, ) = 0

No aso de v.a.'s dis retas, substitumos as integrais por somatrios.

Teorema 2.7. Para as v.a.'s dis retas X e Y, temos:

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=

E a expresso orrespondente Equao 2.33 para o aso dis reto


Variveis Aleatrias 53

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.

Tabela 2.1: Exemplo de probabilidades onjunta e marginal.

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

Soluo. Na Tabela 2.1, ada asa representa

fXY (xi , yj ) = P [X = xi , Y = yj ]
A ltima linha e a ltima oluna forne em os totais marginais, isto , a soma das
6 olunas e 4 linhas da tabela. As probabilidades que apare em nas margens, linha e
oluna, representam a distribuio de probabilidade de 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.

2.8.3 Caso multidimensional


A generalizao das expresses a ima para v.a.'s multidimensionais direta. Suponha
que Xi , i = 1, 2, . . . , n so v.a.'s om uma fd onjunta denida por

FX1 X2 ...Xn (x1 , x2 , . . . , xn ) = P [X1 x1 , X2 x2 , . . . , Xn xn ]


Z x1 Z x2 Z xn
(2.35)
= fX1 X2 ...Xn (u1 , u2 , . . . , un )du1 du2 . . . dun

onde fX1 X2 ...Xn (x1 , x2 , . . . , xn ) a fdp onjunta.


54 Variveis Aleatrias

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.

2.8.4 Funo distribuio de probabilidade ondi ional

Teorema 2.9. Sejam duas v.a.'s X1 e X2 om fdp onjunta fX1 X2 (x1 , x2 ). A fd


FX1 (x1 ) ondi ionada por

x2 x2 < X2 x2
onde x2 algum in remento positivo, dada por

Z x1
fX1 X2 (u1 , x2 )du1

FX1 (x1 |x2 ) =
fX2 (x2 )

Demonstrao. Sejam X1 e X2 duas v.a.'s om fdp onjunta fX1 X2 (x1 , x2 ). Queremos


determinar P [X1 x1 ] ondi ionada por

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).

De a ordo om o Teorema do Valor Mdio enun iado a ima, existem pontos c e


c (x2 x2 , x2 ) tais que

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

Fazendo agora x2 0, temos que c e c aproximam-se de x2 , e desta forma,


podemos rees rever (2.39) omo

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 )

Corolrio 2.11. FX1 X2 (|x2 ) = 0 e FX1 X2 (+|x2 ) = 1.

Teorema 2.12.
fX1 X2 (x1 , x2 )
fX1 X2 (x1 |x2 ) = (2.42)
fX2 (x2 )

Demonstrao. Este orolrio demonstrado diretamente derivando (2.40) em relao


a x1 , obtemos a fdp fX1 X2 (x1 |x2 ) orrespondente na forma

Alternativamente, podemos expressar a fdp onjunta fX1 X2 (x1 , x2 ) em termos das


fdp's ondi ionais

fX1 X2 (x1 , x2 ) = fX1 X2 (x1 |x2 )fX2 (x2 ) = fX2 X1 (x2 |x1 )fX1 (x1 ) (2.43)
56 Variveis Aleatrias

A extenso das relaes dadas a ima para o aso multidimensional direta:

fX1 Xn (x1 , . . . , xn ) = fX1 Xn (x1 , . . . , xk |xk+1 , . . . , xn )fXk+1 Xn (xk+1 , . . . , xn ) (2.44)

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

FX1 Xn (x1 , . . . , xk |xk+1 , . . . , xn )


Z x1 Z xk
fX1 Xn (u1 , . . . , uk |xk+1 , . . . , xn )du1 duk
=
(2.45)
fXk+1 Xn (xk+1 , . . . , xn )
Esta fd ondi ional satisfaz as propriedades previamente estabele idas para estas
funes tais omo

FX1 X2 Xn (, x2 , . . . , xk |xk+1 , . . . , xn ) = FX2 Xn (x2 , . . . , xk |xk+1 , . . . , xn )


FX1 X2 Xn (, x2 , . . . , xk |xk+1 , . . . , xn ) = 0

2.8.5 Independn ia Estatsti a de Variveis Aleatrias


J denimos a independn ia estatsti a para dois ou mais eventos de uma espao amos-
tral S. Este on eito pode ser estendido para variveis aleatrias denidas em um espao
amostral gerado por um experimento ombinado ou por vrias tentativas de um ni o
experimento. Se os experimentos gerarem resultados mutuamente ex lusivos, a pro-
babilidade de um resultado em um experimento independente de um resultado em
qualquer outro experimento. Isto , a probabilidade onjunta dos resultados pode ser
fatorada no produto das probabilidades orrespondentes a ada resultado. Consequen-
temente, as variveis aleatrias orrespondentes aos resultados nestes experimentos so
independentes no sentido de que sua fdp onjunta pode ser fatorada no produto das
fdp's marginais.

Denio 2.14. As v.a.'s multidimensionais so estatisti amente independentes se


e somente se

FX1 X2 Xn (x1 , x2 , . . . , xn ) = FX1 (x1 )FX2 (x2 ) FXn (xn ) (2.46)

ou alternativamente

fX1 X2 Xn (x1 , x2 , . . . , xn ) = fX1 (x1 )fX2 (x2 ) fXn (xn ) (2.47)

2.9 Funes de Variveis Aleatrias


2.9.1 Caso Unidimensional
Um problema que surge frequentemente em apli aes de probabilidade o seguinte:
dada uma v.a. X, ara terizada por sua fdp fX (x), al ular a fdp da v.a. Y = g(X),
Variveis Aleatrias 57

onde g(X) alguma funo de X. Chamemos a fdp desejada de fY (y).

Teorema 2.13. Sejam duas v.a.'s X e Y, om Y = g(X). Nestas ondies, a fdp


de Y dada por

fX (x)
fY (y) =
|g (X)| x=g1 (y)
PSfrag repla ements
Demonstrao. Ini ialmente, vamos analisar os gr os da Figura 2.11.

Y fX (x) X fY (y) Y

Y = g(X)

x y
X X Y
a) b) )

Figura 2.11: a) Dependn ia entre X e Y, b) fX (x), e ) fY (y).

Se X sofre uma variao X 0, e a variao orrespondente em Y dada por


Y , ento bvio que a probabilidade de observar X no intervalo [x, x+x] a mesma
de observar Y no intervalo [y, y +y]. Mas estas probabilidades so dadas por fX (x)x
e fY (y)y , respe tivamente. Portanto

lim fX (x)x = fY (y)y (2.48)


x0
Propriamente falando a equao a ima deveria ser expressa omo

lim fX (x)|x| = fY (y)|y| (2.49)


x0
pois as probabilidades so iguais s magnitudes das reas sob X e Y , respe tiva-
mente. Desta forma

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

Exemplo 2.11. A funo densidade de probabilidade de uma varivel aleatria X


dada por
2
x
, 3 < x < 6
fX (x) = 81
0, aso ontrrio

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

Exemplo 2.12. Considere a v.a. Y denida omo Y = aX + b, a > 0. Se X tem fdp


dada por fX (x), en ontre a fdp de Y em termos da fdp de X.

Soluo. Na Figura 2.12a) tem-se o mapeamento de X ontra Y . Notamos que este


mapeamento linear e monotni o. Sejam FX (x) e FY (y) as fd 's para X e Y , respe -
tivamente. Ento

 Z yb
  
yb a yb
FY (y) = P [Y y] = P [aX +b y] = P X = fX (x)dx = FX
a a

Derivando a equao a ima em relao a y, obtemos a relao entre as respe tivas


fdp's

 
1 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) )

Figura 2.12: Uma transformao da v.a. X e um exemplo das fdp's orrespondentes de


X e Y.

 
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

PSfrag repla ements


Demonstrao. Considere a relao Y = g(X) mostrada na Figura 2.13.

y
g1 (x1 ) g2 (x2 )

x1 x2
x1 x2 x

Figura 2.13: Funo de uma v.a. om duas razes.

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

relaes inversas de x1 = g11 (y) e x2 = g21 (y).


Da Figura 2.13 temos que Y est no intervalo (y, y +y) quando x1 est no intervalo
(x1 , x1 + x1 ) ou quando x2 est no intervalo (x2 , x2 + x2 ). Os dois ltimos eventos
so mutuamente ex lusivos, pois X pode assumir o valor x1 ou o valor x2 mas no
ambos. Desta forma, temos

fY (y)|y| = lim (fX (x1 )|x1 | + fX (x2 )|x2 |) (2.52)


x1 0
x2 0

fX (x1 ) fX (x2 )
fY (y) = + (2.53)
|g1 (x1 )| x1 =g1 (y) |g2 (x2 )| x2 =g1 (y)

Se existirem n valores de X para um dado valor de Y, podemos estender este resul-


tado para o seguinte orolrio:

Corolrio 2.15. Quando a equao Y = g(X) tem n razes, x1 , . . . , xn , a fdp fY (y)


dada por

fX (x1 ) fX (xn )
fY (y) = + +
|g1 (x1 )| x1 =g1 (y) |gn (xn )| xn =gn1 (y)
1

onde x1 , x2 , . . . , xn so os valores de X quando Y = y.

Exemplo 2.13. Considere a v.a. Y denida omo Y = aX 2 + b, a > 0. Se X tem fdp


dada por fX (x), en ontre a fdp de Y em termos da fdp de X .

Soluo. Na Figura 2.14 temos o mapeamento de Y em relao a X.

PSfrag repla ements

Figura 2.14: Uma transformao quadrti a da v.a. X.

Para determinar a fd de Y, observamos que

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

Utilizando agora o Corolrio 2.9.1, temos: a equao


q q g(X) = aX 2 + b = y tem duas
yb
solues reais x1 = a e x2 = yb
a , e portanto, fY (y) onsiste de dois termos
orrespondentes a estas duas solues

 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

2.9.2 Caso Multidimensional

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

Demonstrao. Considere duas v.a.'s X e Y fXY (x, y). Sejam U e


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

fU V (u, v)|dudv| = fXY (x, y)|dxdy| (2.54)

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.

Teorema 2.17. Se X e Y so funes de mltiplos valores, isto , se


(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) so as solues das equaes U = U (X, Y ) e V =
V (X, Y ) ento

fXY (x1 , y1 ) f (x2 , y2 ) f (xn , yn )


fU V (u, v) =   + XY
  + + XY
  (2.59)
J u, v u, v u, v
J J
x1 , y1 x2 , y2 xn , yn

O resultado a ima pode ser estendido a qualquer nmero de variveis. Suponha


que temos n v.a.'s X1 , X2 , . . . , Xn om uma fdp onjunta fX1 X2 Xn (x1 , x2 , . . . , xn ).
Desejamos en ontrar a fdp onjunta fY1 Y2 Yn (y1 , y2 , . . . , yn ) de n v.a.'s rela ionadas
om X1 , X2 , . . . , Xn por

Yi = Yi (X1 , X2 , . . . , Xn ), i = 1, 2, . . . , n

Xj = Xj (Y1 , Y2 , . . . , Yn ), j = 1, 2, . . . , n

Assume-se que todas essas funes sejam de valor ni o e om derivadas par iais
ontnuas em todos os pontos. Assim, temos

fY1 Y2 Yn (y1 , y2 , . . . , yn )|dy1 , dy2 , . . . , dyn | =


fX1 X2 Xn (x1 , x2 , . . . , xn )|dx1 , dx2 , . . . , dxn | (2.60)

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

Assim, a fdp fR (r, ) pode ser es rita omo

fXY (x, y) r x2 +y2 2 r r22


fR (r, ) =   = e 2 = e 2
r,
J x,y 2 2 2 2

A varivel no apare e na equao a ima. Isto quer dizer que as variveis R e


so independentes e f () pre isa ser uma onstante. Desde que
R 2 varia no intervalo
[0, 2], evidente que f () uma onstante de modo a termos
0 f ()d = 1.
Portanto

  
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.

2.10 Exer ios


1. A funo densidade de probabilidade da amplitude de um erto sinal (em volts)
dada por

fX (x) = xex u(x)

(a) Qual a probabilidade da amplitude do sinal ser maior que 1 volt?

(b) Qual a probabilidade de observar a amplitude do sinal na faixa de 1 a 2


volts?

Resp: a) 2e1 b) 2e1 3e2


Variveis Aleatrias 65

2. A funo densidade de probabilidade onjunta fXY (x, y) de duas v.a.'s ontnuas


X e Y dada por

x2 +y 2
fXY (x, y) = xye 2 u(x)u(y)

(a) En ontre as seguintes funes densidade de probabilidade: fX (x), fY (y),


fXY (x|Y = y), fXY (y|X = x).
(b) As v.a.'s X e Y so independentes?

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

3. A funo densidade de probabilidade onjunta fXY (x, y) de duas v.a.'s ontnuas


X e Y dada por

2 +2xy+2y 2 )
fXY (x, y) = ke(x

(a) Determine o valor da onstante k.


(b) Determine as funes densidade de probabilidade fX (x), fY (y), fXY (x|Y =
y), e fXY (y|X = x).
( ) Estas duas v.a.'s so independentes?

(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

4. O sinal de entrada X e o sinal de sada Y de um reti ador de meia onda so


rela ionados por

(
X 2, X > 0
Y =
0, X0

A funo densidade de probabilidade do sinal de entrada dada por


66 Variveis Aleatrias

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

5. Repita o problema anterior para um reti ador de onda ompleta.

Di a: para um reti ador de onda ompleta, os sinais de entrada e sada esto


2
rela ionados por Y = X .

1 y
e 22 , y > 0
Resp: fY (y) = 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: 425/21600 0, 0197

7. Se 20% dos bits transmitidos por um transmissor a usam defeito, determine a


probabilidade de que, em 4 bits transmitidos ao a aso:

(a) Um seja errado

(b) Nenhum esteja errado

( ) Ao menos dois estejam errados

Resp: a) 0,4096 b) 0,4096 ) 0,1808

8. Se os defeitos de um te ido seguem uma lei de Poisson om mdia de defeito a ada


500 m, qual a probabilidade de que o intervalo entre dois defeitos onse utivos
seja:

(a) no mnimo 1250 m

(b) entre 1000 m e 1250 m

( ) menor que 1000 m

Resp: a) e5/2 0, 082 b) e2 e5/2 0, 053 ) 1 e2 0, 865

9. Sabe-se que a mdia de arros om um pneu furado durante a travessia de um


determinado tnel de 0,06 asos/ms. Cal ular a probabilidade de pelo menos
2 arros terem um pneu furado ao passar pelo tnel durante um ms de trfego
normal, sabendo-se que a distribuio de Poisson.

Resp: 0,0017

10. Suponha que a varivel aleatria X tem uma distribuio de hi-quadrado, om


10 graus de liberdade. Se pedirmos para determinar dois nmeros a e b, tais que
P (a < x < b) = 0, 85, por exemplo, deveremos ompreender que existem muitos
Variveis Aleatrias 67

pares dessa esp ie. Determine dois diferentes onjuntos de valores (a, b) que sa-
tisfaam ondio a ima. Suponha que, em aditamento ao a ima, se exija que
P (X < a) = P (X > b).
Resp: a = 4, 45 e b = 16, 97

fX (x). Uma varivel aleatria Y denida


11. A fdp de uma varivel aleatria X
omo Y = aX + b, a < 0. Determine a fdp de Y em termos da fdp de X.
 
1 yb
Resp: fY (y) = fX , a<0
a a
12. Verique quais das funes abaixo podem ser onsideradas fd 's. Justique sua
resposta.


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

Resp: Apenas o item ) no pode ser fd .

13. A fd onjunta de duas variveis aleatrias X e Y dada por


(1 ex) (1 ey) x 0, y 0
FXY (x, y) =
0 aso ontrrio

(a) En ontre as fd 's marginais.

(b) En ontre as probabilidades dos eventos

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

(a) Determine o valor da onstante c.


(b) Cal ule a probabilidade do evento [1/3 X 2 1].
( ) Determine a funo distribuio de probabilidade de X.
68 Variveis Aleatrias

Resp:

(a) c = 1/
(b) P [1/3 X 2 1] = 1/6
1 1
( ) FX (x) = + arctg(x)
2
15. Seja a varivel aleatria X om funo densidade de probabilidade dada por

(
6x(1 x), 0 < x < 1
fX (x) =
0, aso ontrrio

Determine uma funo Y = h(X) que tenha a funo densidade de probabilidade

(
12y 3 (1 y 2 ), 0 < y < 1
fY (y) =
0, aso ontrrio

Di a: Admita que a funo in gnita h seja tal que os intervalos XxeY y


se orrespondam biunvo a e ontinuamente, de forma que P [X x] = P [Y y],
ou seja FX (x) = FY (y).

Resp: Y = X

16. Assuma que duas variveis aleatrias X e Y tm funo densidade de probabili-


dade onjunta dada por

 
1 1 2 2
fXY (x, y) = exp (x + y )
2 2

Sejam duas outras variveis aleatrias U e W denidas da seguinte maneira:


U = 3X + 5Y W = X + 2Y

Detemine a funo densidade de probabilidade onjunta de U e W.


1 1 (5U 2 26U W +34W 2 )
Resp: FU W (u, w) = e 2
2
17. Seja uma v.a. om fdp dada por

fX (x) = ke|x| , > 0, < x <

onde k uma onstante.

(a) Cal ule o valor de k.


(b) En ontre a funo distribuio umulativa de X.
( ) Cal ule P [1 X 2] usando a fdp, para = 1.
(d) Cal ule P [1 X 2] usando a fd , para = 1.

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

Qual a f dp da durao em minutos de uma onversa telefni a? Qual a


probabilidade de uma onversao durar entre 2 e 4 minutos?

Resp:

1 et/3 , t 0
(a) fT (t) = 3
0, aso ontrrio

(b) P [2 t 4] = e2/3 e4/3 0, 25

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).

(a) FXY (, 2) (b) FXY (, )


( ) FXY (, y) (d) FXY (, )

Resp: a) 0 b) 1 ) FY (y) d) 0

20. Considere as variveis aleatrias X e Y om f dp onjunta

(
4xy 0 x 1, 0 y 1
fXY (x, y) =
0 aso ontrrio

X e Y so independentes?

Resp: sim

21. Sejam X e Y duas v.a.'s om fdp onjunta dada por

(
A(x + y), 0 x 1, 0 y 1
fXY (x, y) =
0, aso ontrrio
70 Variveis Aleatrias

(a) Cal ule o valor de A.


(b) Cal ule as fdp's marginais.

( ) X e Y so independentes?

Resp:

(a) A=1
(b) fX (x) = x + 1/2
fY (y) = y + 1/2
( ) no

22. Que distribuio de probabilidade vo pode utilizar para modelar as seguintes


situaes?

(a) Nmero de toques entre erros de digitao, dado que ada toque tem uma
erta probabilidade de estar om erro;

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

( ) Tempo entre hegadas su essivas, dado que as hegadas so sem memria;

(d) Tempo de servio de um dispositivo que onsiste de m servidores sem me-


mria, em srie.

Resp: (a) Geomtri a (b) Binomial ( ) Exponen ial (d) m-Erlang

23. Uma fonte binria gera dgitos 0 e 1 de forma aleatria om probabilidades 0,6 e
0,4, respe tivamente.

(a) Qual a probabilidade de que o orram dois 1s e trs 0s em uma sequn ia


de in o dgitos?

(b) Qual a probabilidade de o orrerem pelo menos trs 1s em uma sequn ia de


in o dgitos?

Resp: (a) 0,3456 (b) 0,31744

24. Seja Y = eX . 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

25. A funo densidade de probabilidade onjunta de duas variveis aleatrias X e Y


dada por

fXY (x, y) = A sen(x + y), 0 x /2, 0 y /2

Determine:

(a) A onstante A.
Variveis Aleatrias 71

(b) A funo distribuio de probabilidade onjunta FXY (x, y)


( ) As funes distribuies de probabilidade marginais FX (x) e FY (y).

(d) A probabilidade do evento X .
6 4
Resp:

(a) A = 0, 5
(b) FXY (x, y) = 0, 5 [sen(x) + sen(y) sen(x + y)]
( ) FX (x) = 0, 5 [1 cos(x) + sen(x)] FY (y) = 0, 5 [1 cos(y) + sen(y)]
(d) 0,18

26. Uma ompanhia area sabe que 5% das pessoas que fazem reservas em um 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)

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


em relao ao entro da rea alvo opde ser modelada omo uma varivel aleatria
ontnua X om distribuio de Rayleigh de parmetro 2 = 100.

(a) En ontre a probabilidade de o paraquedista aterrisar dentro de um raio de


10m do entro da rea alvo.

(b) En ontre o raio r tal que a probabilidade do evento {X > r} seja e1 .

Resp:

(a)

(b)
Captulo 3

Mdias Estatsti as de Variveis


Aleatrias

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.

3.1.1 Mdia de uma Varivel Aleatria


Considere uma v.a. X que pode assumir n valores x1 , x2 , . . . , xn . Suponha que o expe-
rimento (representado por X) foi repetido N vezes (N ) e sejam m1 , m2 , . . . , mn
o nmero de tentativas favorveis aos resultados x1 , x2 , . . . , xn , respe tivamente. Ento
o valor mdio de X dado por

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

O valor mdio tambm hamado de valor esperado da v.a. X e denotado por


E[X].
Mdias Estatsti as de Variveis Aleatrias 73

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

Se X uma v.a. ontnua, o valor mdio dado por

Z +
X = E[X] = xfX (x)dx (3.4)

Exemplo 3.1. Uma fdp gaussiana geral dada por

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

Fazendo X = Y + m, podemos rees rever a equao a ima omo

Z + Z + Z + 
1 y2 1 y2 y2
X= (y + m)e 22 dy = ye 22 dy + m e 22 dy
2 2

O integrando da primeira integral uma funo mpar de y, e por isso, o resultado


zero. O da segunda integral uma funo par de y, de modo que podemos rees rever
a equao a ima omo

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

3.1.2 Mdia de uma Funo de uma Varivel Aleatria


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

De forma geral, desejamos obter a expresso do valor mdio de uma v.a. 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)

Demonstrao. Considere o gr o da Figura 3.2, onde apare e um esboo da urva de


PSfrag repla ements
X ontra Y = g(X)

y + dy
dy
y

x1 x2 x3
X

dx1 dx2 dx3

Figura 3.2: Y = g(X).

Da gura, podemos ver que y = g(x1 ) = g(x2 ) = g(x3 ), ento podemos es rever

fY (y)dy = fX (x1 )dx1 + fX (x2 )dx2 + fX (x3 )dx3 (3.7)

Multipli ando ambos os lados da equao por y, obtemos

yfY (y)dy = g(x1 )fX (x1 )dx1 + g(x2 )fX (x2 )dx2 + g(x3 )fX (x3 )dx3 (3.8)

Ento para ada diferen ial em (3.8) orrespondem um ou mais diferen iais em (3.6).
medida que 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

Exemplo 3.2. En ontrar o valor quadrti o mdio da distribuio gaussiana do Exem-


plo 3.1.

Soluo. Temos que Y = g(X) = X 2 . Ento

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

Resolvendo as trs integrais a ima, hega-se a (resolver)

Y = X 2 = 2 + m2

3.1.3 Mdias para Variveis Mltiplas


Seja Z uma v.a. que funo de duas v.a.'s X e Y

Z = g(X, Y ) (3.10)

Ento

Z +
Z = E[Z] = zfZ (z)dz (3.11)

Podemos al ular E[Z] a partir de (3.11) e do onhe imento da densidade onjunta


fXY (x, y). Entretanto, podemos determinar E[Z] diretamente a partir da densidade
onjunta fXY (x, y) usando o seguinte teorema

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)

Demonstrao. A prova desta relao similar da equao (3.9). Se a varivel Z est


no intervalo [z, z +z], ento as variveis X e Y esto na regio limitada por [x, x+x]
e [y, y + y]. A rea desta regio obviamente xy . Segue tambm que
76 Mdias Estatsti as de Variveis Aleatrias

fZ (z)z = fXY (x, y)xy (3.13)

Integrando ambos os lados de (3.13), hegamos equao (3.12).

Teorema 3.4. Para v.a.'s dis retas, (3.12) pode ser rees rita omo

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:

Corolrio 3.5. Seja Z uma v.a. que funo de n v.a.'s X1 , . . . , Xn :

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.

3.1.4 Mdia da Soma de Funes

Teorema 3.6. Se g1 (X, Y ), ..., gn (X, Y ) so funes de X e Y ento

E[g1 (X, Y ) + + gn (X, Y )] = E[g1 (X, Y )] + + E[gn (X, Y )] (3.16)

A prova trivial e segue diretamente da denio das mdias. Ento a mdia da


soma igual soma das mdias. Alguns exemplos simples disto so

E[X + Y ] = E[X] + E[Y ] (3.17)

E[X 2 + Y 2 ] = E[X 2 ] + E[Y 2 ] (3.18)

Estes resultados podem ser estendidos a funes de qualquer nmero de v.a.'s.


Mdias Estatsti as de Variveis Aleatrias 77

3.1.5 Mdia do Produto de Duas Variveis Aleatrias Independentes

Teorema 3.7. Para v.a.'s independentes a mdia do produto igual ao produto das
mdias individuais.

Demonstrao. Se Z = XY
Z + Z +
E[Z] = xyfXY (x, y) dxdy (3.19)

Se X e Y so independentes fXY (x, y) = fX (x)fY (y), e desta forma podemos es-


rever

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

E[XY ] = E[X]E[Y ] (3.21)

Este resultado pode ser estendido a qualquer nmero de variveis. Na verdade, a


equao (3.21) um aso espe ial de um resultado mais geral:

Teorema 3.8. Se X e Y so independentes, ento para Z = g1 (X) g2 (Y ) temos que

E[Z] = E[g1 (X)]E[g2 (Y )] (3.22)

Em outras palavras

E[g1 (X)g2 (Y )] = E[g1 (X)]E[g2 (Y )] (3.23)

3.1.6 Mdia Quadrti a da Soma de Duas Variveis Aleatrias


O valor quadrti o mdio de Z =X +Y dado por

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

Se as v.a.'s X e Y so independentes, ento

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

E[(X + Y )2 ] = E[X 2 ] + E[Y 2 ] + 2E[X]E[Y ] (3.25)

Se E[X] ou E[Y ] ou ambos forem zero, ento temos

E[(X + Y )2 ] = E[X 2 ] + E[Y 2 ] (3.26)

3.1.7 Mdia ondi ional

Denio 3.2. 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)

Isto segue da denio bsi a da mdia.

3.2 Momentos
3.2.1 N -simo momento

Denio 3.3. O n-simo momento de uma v.a. X denido omo o valor


esperado da n-sima potn ia de X.
Z +
n
E[X ] = xn fX (x) dx (3.28)

Mdias Estatsti as de Variveis Aleatrias 79

3.2.2 Momentos Centrais

Denio 3.4. O n-simo momento entral da v.a. X seu momento ao redor


de seu valor mdio m, e dado por

Z +
n
E[(X m) ] = (x m)n fX (x) dx (3.29)

3.2.3 Varin ia

Denio 3.5. O segundo momento entral sobre a mdia hamado de varin ia


2
e denotado por X .

2
 
X = E (x m)2 (3.30)

Das expresses da seo 3.1.4, segue que

2
       
X = E x2 2mE [x] + E m2 = E x2 2mm + m2 = E x2 m2 = E[X 2 ] m2
(3.31)
Ento a varin ia de uma v.a. igual sua mdia quadrti a menos o quadrado de
sua mdia.

Exemplo 3.3. En ontre a varin ia


2
X de uma varivel aleatria X om distribuio
gaussiana.

Soluo. No Exemplo 3.1 vimos que E[X] = m, e no Exemplo 3.2, foi mostrado que
E[X 2 ] = 2 + m2 .
Desta forma, pela equao (3.31) temos que
2 = 2 + m2 m2 = 2 .
X

A varin ia tem uma grande importn ia prin ipalmente na anlise de sinais, pois
a
est intimamente ligada pot n ia dos mesmos (na verdade, ela orresponde pot n ia
a

de um sinal de mdia nula). Nos teoremas a seguir so derivadas algumas propriedades


importantes da varin ia.

Teorema 3.9. Se X sempre toma o valor a, ento Var[A] = 0.

Demonstrao. Desde que X sempre toma o valor a, P [X = a] = 1. Neste aso,


E[X] = a, e Var[X] = (a a)2 P [X = a] = 0.
80 Mdias Estatsti as de Variveis Aleatrias

Este teorema diz que a varin ia de X zero quando X determin sti a.

Teorema 3.10. Se Y = X + b, ento Var[Y ] = Var[X].

Demonstrao. Dada a varivel aleatria X , E[Y ] = E[X]+b, e desta forma, a varin ia


de Y dada por

 
Var[Y ] = E ((X + b) (E[X] + b))2
 
= E (X E[X])2 = Var[X]

Ou seja, o deslo amento da varivel aleatria X de uma onstante no muda a sua


varin ia.

Teorema 3.11. Se Y = aX , ento Var[Y ] = a2 Var[X].

Demonstrao. Desde que E[Y ] = aE[X], temos

   
Var[Y ] = E (aX aE[X])2 = E a2 (X E[X])2 = a2 Var[X].

3.2.4 Caso Multidimensional

Denio 3.6. Sejam duas v.a.'s 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

Uma propriedade bastante til quando lidamos om distribuies bidimensionais


a desigualdade de Cau hy-S hwarz, que apresentada a seguir

Teorema 3.12. Desigualdade de Cau hy-S hwarz. Sejam X e Y duas variveis


aleatrias. Ento

   
[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[X 2 ] 2E[XY ] + 2 E[Y 2 ] 0


Vamos es olher agora o valor de de modo que o lado esquerdo da equao a ima seja
m nimo:

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 ]

De parti ular importn ia para ns so os momentos onjuntos e momentos entrais


onjuntos orrespondentes a k = n = 1. Estes momentos onjuntos so hamados de
orrelao e ovarin ia das v.a.'s X1 e X2 , respe tivamente, e sero estudados om
mais detalhes adiante.
Para v.a.'s multidimensionais podemos denir momentos onjuntos de qualquer or-
dem. Entretanto, os momentos que so mais teis em apli aes prti as so as orrela-
es e ovarin ias entre pares de v.a.'s. Suponha que Xi , i = 1, 2, . . . , n so v.a.'s om
fdp onjunta fX1 X2 Xn (x1 , x2 , . . . , xn ). Seja fXi Xj (xi , xj ) a fdp onjunta das v.a.'s Xi
e Xj .

Denio 3.8. A orrelao entre Xi e Xj dada pelo momento onjunto


Z + Z +
ij = E[Xi Xj ] = xi xj fXi Xj (xi , xj ) dxi dxj (3.35)

82 Mdias Estatsti as de Variveis Aleatrias

Denio 3.9. A ovarin ia de Xi e Xj dada por


Kij = E[(Xi mi )(Xj mj )]
Z + Z +
= (xi mi )(xj mj )fXi Xj (xi , xj ) dxi dxj

(3.36)
Z + Z +
= xi xj fXi Xj (xi , xj ) dxi dxj mi mj

= E[Xi Xj ] mi mj

As matrizes n x n om elementos ij e ij so hamadas respe tivamente de matriz


de orrelao e matriz de ovarin ia das v.a.'s Xi , i = 1, 2, . . . , n.

3.2.5 Variveis Aleatrias Des orrela ionadas e Ortogonais

Denio 3.10. Duas v.a.'s Xi e Xj so ditas des orrela ionadas se


E[Xi Xj ] = E[Xi ]E[Xj ] = mi mj

Neste aso, a ovarin ia Kij = 0. Note que quando Xi e Xj so estatisti amente


independentes, tambm so des orrela ionadas. Entretanto, se Xi e Xj so des orrela-
ionadas, no so ne essariamente estatisti amente independentes.

Denio 3.11. Duas v.a.'s Xi e Xj so ditas ortogonais se E[Xi Xj ] = 0.

Esta ondio a onte e quando Xi e Xj so des orrela ionadas e uma ou ambas as


v.a.'s tem mdia zero.

3.3 Funes Cara tersti as

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

Uma propriedade til da funo ara tersti a sua relao om os momentos da


v.a. O seguinte teorema rela iona estas duas grandezas:

Teorema 3.13. Sejam uma varivel aleatria X e sua orrespondente funo ara -
ter sti a (j). Ento

n (j)

n nd
E[X ] = (j) (3.39)
d n
=0

Demonstrao. A derivada primeira de (j) em relao a leva a

Z +
d(j)
=j xejx fX (x) dx (3.40)
d

Avaliando a expresso a ima em = 0, obtemos o primeiro momento (mdia)


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

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


v.a.'s estatisti amente independentes:
84 Mdias Estatsti as de Variveis Aleatrias

Teorema 3.14. Seja Xi , i = 1, 2, . . . , xn um onjunto de n v.a.'s estatisti amente


independentes e seja

n
X
Y = Xi
i=1

Ento a funo ara ter sti a de Y dada por

n
Y
Y (j) = Xi (j)
i=1

Demonstrao. O problema onsiste em determinar a fdp de Y. Iremos fazer isto en on-


trando primeiro a sua funo ara tersti a a ento al ulando a transformada inversa
de Fourier.

 
Y (j) = E ejY
" n
!#
X
= E exp j Xi
i=1 (3.45)

" n
#
Y 
=E ejXi
i=1

Desde que as v.a.'s so estatisti amente independentes,

fX1 X2 Xn (x1 , x2 , . . . , xn ) = fX1 (x1 )fX2 (x2 ) fXn (xn )

e desta forma a integral mltipla da equao a ima pode ser fatorada em 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

Corolrio 3.15. Se alm de independentes, as v.a.'s Xi forem identi amente distri-


budas, as Xi (j) so idnti as, e a expresso a ima reduz-se a

Y (j) = [Xi (j)]n (3.47)

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.

3.3.1 Caso multidimensional


Para lidar om v.a.'s n-dimensionais, onveniente denir uma transformada de Fourier
n-dimensional da fdp onjunta.

Denio 3.13. Se Xi , i = 1, 2, . . . , n so v.a.'s om fdp fX1 X2 Xn (x1 , x2 , . . . , xn ),


a funo ara tersti a n-dimensional denida omo
" n
!#
X
(j1 , j2 , . . . , jn ) = E exp j i X i
i=1

Z Z n
!
+ + X
= exp j i X i fX1 X2 Xn (x1 , x2 , . . . , xn ) dx1 dx2 . . . dxn
i=1
(3.48)

De espe ial interesse a funo ara tersti a bi-dimensional

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

3.4 Exer ios


1. Uma fonte gera um sinal de rudo om distribuio gaussiana de mdia zero e
potn ia 2 W. En ontre a probabilidade de a amplitude do sinal ex eder 5 volts.

Resp: Q(5/ 2) 2, 0563 104
2. Repita o problema anterior, se a potn ia for de 1 W.

Resp: Q(5) 2, 89 107


3. Se FX () a transformada de Fourier de uma funo densidade de probabilidade
fX (x) e mn representa o n-simo momento da v.a. X ,
Z +
mn = xn fX (x) dx

86 Mdias Estatsti as de Variveis Aleatrias

Ento mostre que

(a)

dn FX ()
n
mn = (j)
d n =0

(b) se FX () expandida em srie de Taylor, ento

 
m2 2 m3 3 X n
FX () = m0 jm1 +j + = (j)n mn
2! 3! n!
n=0

4. Use os resultados do problema anterior para determinar o valor mdio e o valor


quadrti o mdio de

(a) um sinal gaussiano;

(b) um sinal om fX (x) = xex u(x)

Di a: en ontre FX () e expanda em sries de potn ias omo no problema ante-


rior. O segundo e ter eiro oe ientes representam os valores mdios e quadrti o
mdio, respe tivamente.

Resp:

(a) E[X] = m E[X 2 ] = 2 + m2


(b) E[X] = 2 E[X 2 ] = 6

5. Seja X e desvio padro > 0, e seja X a v.a. padronizada


uma v.a. om mdia

orrespondente de X , isto X = (X )/ . Mostre que E[X ] = 0 e Var[X ] =

1. (Logo X = 1).

6. En ontre o n-simo momento de X, se X uma v.a. uniformemente distribuda


no intervalo [a, b].

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

9. En ontre a funo ara tersti a de uma varivel aleatria X om distribuio de


Cau hy, uja funo densidade de probabilidade dada por

a
fX (x) = , < x <
(x2 + a2 )

Resp: (j) = ea
Mdias Estatsti as de Variveis Aleatrias 87

10. Seja Y = a cos(t + ) onde a, , e t so onstantes, e uma varivel aleatria


om distribuio uniforme no intervalo (0, 2). A varivel aleatria Y resulta na
amostragem da amplitude de uma senide om fase aleatria . En ontre E[Y e
E[Y
2 .

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.

A fdp de uma distribuio 2n dada pela expresso

1 n y
fY (y) = n
n
y ( 2 1) e 2 , y0
2 ( 2 )
2

onde (p) a funo gama, denida por

Z
(p) = tp1 et dt, p>0
0

(p + 1) = p (p)

Di a: faa u = y/2

12. Determine os momentos de uma varivel aleatria X om distribuio N (0, 1).


(
0 n = 1, 3, 5, 7, . . .
Resp: E[X n ] =
1 3 5 (n 1) n = 2, 4, 6, 8, . . .

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 .

15. Se uma varivel aleatria X tem fmp dada por


0, 5 x = 1

pX (xk ) = 0, 5 x = +1


0 aso ontrrio

mostre que a funo ara ter sti a de X dada por cos().


88 Mdias Estatsti as de Variveis Aleatrias

a
16. Demonstre a onsist n ia da denio da funo ara ter sti a. Faa as supo-
sies ne essrias para a demonstrao.

Di a: uni idade das transformadas, funo impulso, e propriedade de deslo a-


mento no dom nio do tempo

17. Seja a mdia de uma varivel aleatria X. Mostre que se

Z Z
fX (x) dx = fX (x) dx

ento FX () = 1/2.

18. Seja (X, Y ) uma v.a. bidimensional om fdp onjunta

x2 + y 2 (x2 +y2 )/2


fXY (x, y) = e , < x < , < y <
4

Mostre que X e Y so des orrela ionadas mas no independentes.

19. Seja X uma varivel aleatria N (0, 2 ).

(a) Cal ule fX (x|X > 0)


(b) Cal ule E[X|X > 0]
( ) Cal ule V ar[X|X > 0]

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

(a) En ontre as fmps marginais.

(b) X e Y so independentes?

( ) X e Y so des orrela ionadas?

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

Mtodos omputa ionais para


gerao de nmeros aleatrios

4.1 Introduo
Em simulaes de sistemas reais s vezes nos deparamos om a ne essidade de gerar
nmeros aleatrios segundo alguma distribuio para testar nossas idias. Por exemplo,
se queremos simular um anal de omuni ao ruidoso, devemos gerar nmeros 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.

4.2 Mtodo do resduo da potn ia


O primeiro problema a ser abordado quando queremos gerar nmeros aleatrios no
intervalo [0, 1] que existem innitos pontos dentro deste intervalo, mas o omputador
s pode representar nmeros om pre iso nita. Pre isamos nos ontentar ento em
gerar nmeros de forma equiprovvel dentro de um onjunto limitado, por exemplo
{0, 1, . . . , M 1} ou {1, 2, . . . , M }. Dividindo estes nmeros por M , obtemos nmeros no
intervalo unitrio. Podemos gerar distribuies bastante densas se zermos M bastante
grande.
O prximo passo onsiste em en ontrar um me anismo para gerar nmeros de forma
aleatria. A forma preferida para gerar nmeros aleatria atravs do omputador
atravs de frmulas re ursivas que possam ser implementadas de forma f il e rpida.
No mtodo do resduo da potn ia utiliza-se a seguinte frmula:

Zk = Zk1 mod M (4.1)

onde um inteiro entre 0 e M, e M um nmero primo (p) ou uma potn ia inteira


m
de um nmero primo (p ).
Mtodos omputa ionais para gerao de nmeros aleatrios 91

Exemplo 4.1. En ontre as sequn ias geradas pela Equao (4.1) para:

1. M = 11, = 7, Z0 = 1

2. M = 11, = 3, Z0 = 1

3. M = 22 , = 7, Z0 = 1

Soluo. Usando (4.1), temos:

1. Para M = 11, = 7 e Z0 = 1, temos:

71
Z1 = resto de =7
11
7 Z1 77 49
Z2 = resto de = resto de = resto de =5
11 11 11

e assim por diante. A sequn ia resultante :

1, 7, 5, 2, 3, 10, 4, 6, 9, 8, 1, 7, 5, 2, 3, 10, 4, 6, 9, 8, 1, 7, 5, 2, 3, 10, 4, 6, 9, 8, . . .

Note que a sequn ia passa por todos os inteiros de 1 a 10, e ento passa a se
repetir indenidamente.

2. Para este aso, a sequn ia gerada :

1, 3, 9, 5, 4, 1, 3, 9, 5, 4, 1, 3, 9, 5, 4, . . .

Esta sequn ia no passa por todos os inteiros de 1 a 0 antes de omear a se


repetir.

3. Para o ltimo aso, a sequn ia gerada :

1, 2, 0, 0, 0, . . .

Do Exemplo a ima, podemos notar que a es olha de inui diretamente na sequn-


ia gerada: se divisor de M, ento a sequn ia gerada pela Equao (4.1) ir
eventualmente ser toda nula; aso ontrrio, a sequn ia ser peridi a om perodo
mximo M 1. Para que a sequn ia tenha o mximo omprimento possvel, deve
ser uma raiz primitiva de M, um on eito ujo estudo est fora do es opo deste texto.
Uma oisa a ser notada sobre este algoritmo que as sequn ias produzidas pela
Equao (4.1) no so realmente aleatrias, mas sim peridi as. Por esta razo, as
sequn ias produzidas por (4.1) so hamadas de pseudo-aleatrias.
Se zermos M grande o su iente, ento os nmeros gerados no iro se repetir
durante uma dada simulao, e a sequn ia gerada tem a aparn ia de uma sequn ia
aleatria.
92 Mtodos omputa ionais para gerao de nmeros aleatrios

Vrios estudos foram feitos para determinar bons valores para M e . Uma ombi-
nao que bastante usada :

Zi = 75 Zi1 mod (231 1) (4.2)

ou seja, = 75 = 16807 e M = 231 1. Esta ombinao gera sequn ias pseudo-


aleatrias de omprimento M 1 = 231 1 1 = 2147483646 elementos, o que mais
que su iente para a maioria das apli aes.

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

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

4.3 Mtodo da transformada


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

FZ (z) = P [Z x] = P [FX1 (U ) x] = P [U FX (x)]

Mas se U uniformemente distribuda em [0, 1] e 0 h 1, ento P [U h] = h.


Ento:

P [Z x] = FX (x)

e Z = FX1 (U ) tem a fd desejada.

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

Mtodo da transformada para gerar X


1. Gere U om distribuio uniforme no intervalo [0, 1].

2. Faa X = FX1 (U )

Exemplo 4.2. Determine X para gerar uma sequn ia de nmeros aleatrios om


distribuio exponen ial de parmetro a partir de uma sequn ia de nmeros aleatrios
uniformemente distribudos no intervalo [0, 1].

Soluo. Pre isamos inverter a expresso u = FX (x) = 1 ex . Com isto, obtemos

1
X = ln(1 U )

Note que podemos usar a expresso mais simples X = ln(U )/, desde que (1 U )
tambm uniformemente distribuda no intervalo [0, 1].

Exemplo 4.3. Para gerar uma varivel aleatria om distribuio de Bernoulli de


probabilidade de su esso p, notamos da Figura 4.2 que
(
0, U p
X=
1, U >p
Em outras palavras, parti ionamos o intervalo [0, 1] em dois segmentos de ompri-
mentos p e 1 p, respe tivamente. A sada X determinada pelo intervalo em que U
air.

1.0 .....................................................................................................................................................................................................................................................................................................................................................................
6
...
.... ...
. ...
...
.... ...
...
...
.... ....
. ...
0.8 .
.... .....
...
... ...
...
.
.
....
X=1 ...
....
...
... ...
0.6 . ...
...
. ...
.... ...
...
U ...
.
...
...
...
.
....
?
...
...
0.4 ..................
6
...
...
. .....
. ...
.... ...
...
... ...
. ....
...
0.2
.
.... X=0 ...
...
... .....
. ...
.. ...
.. ....
...
? ... ...
. .

-0.5 0 0.5 1 1.5

X
Figura 4.2: Gerando uma varivel aleatria om distribuio de Bernoulli.
94 Mtodos omputa ionais para gerao de nmeros aleatrios

Exemplo 4.4. Gere uma varivel aleatria om distribuio binomial de parmetros


n=5 e p = 1/2.

Soluo. Para gerar uma varivel aleatria om distribuio binomial de parmetros


n=5 e p = 1/2, poderamos simplesmente gerar in o variveis aleatrias om distri-
buio de Bernoulli e assumir Y omo sendo o nmero total de su essos.
Alternativamente, podemos usar diretamente o mtodo da transformada, omo mos-
trado na Figura 4.3. O intervalo unitrio agora parti ionado em seis elementos. A
e in ia do algoritmo de partio depende da ordem na qual fazemos a bus a. Por
exemplo, se fazemos a bus a nos segmentos em ordem (de 0 a 5), sero ne essrias em
mdia 3.5 omparaes para ada nmero gerado. Se zermos a bus a nos segmentos
em ordem de res ente de probabilidade, ento o nmero mdio de omparaes ai para
2.38.

1.0 ............................................................................................................................................................................................................................................................................................................................................................................................................................................
...
...
... X=5
...
...
X=4 ...
...
...
...
0.8 ...
...
...
...
...
...
X=3 ...
...
...
...
0.6 ...
...
...
...
U ...
...
...
...
...
0.4 ...
...
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.

4.4 O mtodo da rejeio


Iremos onsiderar uma verso simpli ada deste algoritmo para expli ar porque ele
fun iona. Depois o algoritmo ser reapresentado em sua forma geral.
Suponha que estamos interessados em gerar uma varivel aleatria Z om fdp fX (x),
omo mostrado na Figura 4.4. Em parti ular, assumimos que:

a fdp no nula somente no intervalo [0, a];

a fdp assume valores no intervalo [0, b].


Mtodos omputa ionais para gerao de nmeros aleatrios 95

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).

O mtodo da rejeio neste aso fun iona da seguinte maneira:

1. Gere X1 om distribuio uniforme no intervalo [0, a].

2. Gere Y om distribuio uniforme no intervalo [0, b].

3. Se Y fX (X1 ), ento Z = X1 ; seno, rejeite X1 e retorne ao passo 1.

Note que este algoritmo ir realizar um nmero aleatrio de passos antes de produzir
a sada Z.
Iremos mostrar agora que a sada 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:

P [{x < X1 x + dx}, {X1 ser a eito }]


P [{x < X1 x + dx|X1 ser a eito }] =
P [X1 ser a eito ]
rea sombreada/(ab) fX (x) dx/(ab)
= =
1/(ab) 1/(ab)
= fX (x)dx

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,

KfW (x) fX (x), x


ou seja, a regio sob KfW (x) ontm fX (x), omo mostrado na Figura 4.5.
96 Mtodos omputa ionais para gerao de nmeros aleatrios

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).

Mtodo da rejeio para gerar X


1. Gere X1 om fdp fW (x). Dena B(X1 ) = KfW (X1 ).

2. Gere Y om distribuio uniforme no intervalo [0, B(X1 )].

3. Se Y fX (X1 ), ento X = X1 ; seno, rejeite X1 e retorne ao passo 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.

Soluo. Uma funo KfW (x) que  obre fX (x)

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 .

4.5 Gerao de funes de uma varivel aleatria


Se tivermos um mtodo simples para gerar uma varivel aleatria X , podemos gerar
fa ilmente qualquer varivel aleatria que seja denida por Y = g(x) ou mesmo Z =
h(X1 , X2 , . . . , Xn ), onde X1 , X2 , . . . , Xn so n sadas do gerador de nmeros aleatrios.

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.

Exemplo 4.7. Seja X1 , X2 , . . . , Xm uma sequn ia de variveis aleatrias iid om dis-


tribuio exponen ial de parmetro . Iremos mostrar no Captulo 5 que a varivel
aleatria

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.

4.6 Gerao de misturas de variveis aleatrias


s vezes uma varivel aleatria onsiste de uma mistura de vrias variveis aleatrias.
Para gerar este tipo de varivel aleatria podemos primeiramente sele ionar uma dis-
tribuio de a ordo om alguma fmp, e ento gerar uma amostra da varivel aleatria
sele ionada. Este pro edimento pode ser fa ilmente simulado, omo mostrado da seguir:

Exemplo 4.8. Uma varivel aleatria exponen ial de dois estgios tem fdp

fX (x) = paeax + (1 p)bebx


Fi a laro da expresso a ima que X onsiste da mistura de duas variveis aleatrias
exponen iais om parmetros a e b, respe tivamente.
X pode ser gerada da seguinte maneira:

Realize um teste de Bernoulli om probabilidade de su esso p.

Se o resultado for um su esso, use o mtodo da transformada para gerar uma


varivel aleatria exponen ial de parmetro a.

Se o resultado for um fra asso, use o mtodo da transformada para gerar uma
varivel aleatria exponen ial de parmetro b.

4.7 Exer ios


1. Es reva um programa de omputador para implementar um gerador de nmeros
aleatrios segundo a Equao (4.2).

(a) Para he ar seu programa, en ontre Z1000 ; om semente Z0 = 1, ele deve ser
522329230.

(b) Gere 10000 nmeros aleatrios no intervalo unitrio e plote o histograma. O


resultado o esperado? Justique sua resposta.

2. Suponha que estamos interessados em utilizar arremessos de uma moeda ideal para
simular um experimento aleatrio no qual existem seis resultados equiprovveis,
S = {0, 1, 2, 3, 4, 5}. O seguinte algoritmo proposto:

1) Jogue uma moeda ideal trs vezes e obtenha um nmero binrio, asso iando
ara om o zero e oroa om o 1.

2) Se o resultado dos arremessos do passo 1) for a representao binria de um


nmero em S, gere o nmero; aso ontrrio, retorne ao passo 1).
Mtodos omputa ionais para gerao de nmeros aleatrios 99

Este algoritmo uma verso simpli ada do mtodo da rejeio.

(a) En ontre a probabilidade de um nmero ser gerado no passo 2).

(b) Mostre que os nmeros gerados no passo 2) so equiprovveis.

( ) Generalize o algoritmo a ima para mostrar omo o arremesso de moedas


pode ser usado para simular qualquer experimento aleatrio om urnas.

3. En ontre a transformao ne essria para gerar uma varivel aleatria om dis-


tribuio de Lapla e.

4. Uma varivel aleatria mista Y tem fdp dada por

fY (x) = p(x) + (1 p)fX (x)

onde X uma varivel aleatria om distribuio de Lapla e, e p um nmero


entre 0 e 1. En ontre a transformao ne essria para gerar Y.

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

Somas de Variveis Aleatrias e o


Teorema do Limite Central

5.1 Introduo
Uma grande variedade de questes pode ser respondida estudando-se uma v.a. Wn ,
denida omo a soma de n v.a.'s

Wn = X 1 + X 2 + + X n (5.1)

Pelo fato de Wn ser uma funo de n v.a.'s, poderamos utilizar as distribuies


onjuntas de X1 , X2 , . . . , Xn para derivar o modelo de probabilidade ompleto de Wn
na forma de uma fdp ou de uma fmp. Entretanto, em muitas apli aes prti as, a
natureza da anlise das propriedades das v.a.'s nos permite apli ar t ni as que so
mais simples do que analizar um modelo de probabilidade n-dimensional.

5.2 Mdias de somas

Teorema 5.1. Para qualquer onjunto de v.a.'s X1 , X2 , . . . , Xn , o valor esperado de


Wn = X 1 + X 2 + + X n

E[Wn ] = E[X1 ] + E[X2 ] + + E[Xn ]

Demonstrao. Vamos mostrar ini ialmente que E[W2 ] = E[X1 ] + E[X2 ].


Sejam g1 (X1 , X2 ) = X1 , g2 (X1 , X2 ) = X2 e g(X1 , X2 ) = g1 (X1 , X2 ) + g2 (X1 , X2 ).
Usando a propriedade da mdia de uma funo de duas variveis aleatrias, podemos
es rever (para o aso ontnuo)

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

= E[g1 (X1 , X2 )] + E[g2 (X1 , X2 )]

Portanto mostramos que E[W2 ] = E[X1 + X2 ] = E[X1 ] + E[X2 ].


Assumimos agora

E[Wn1 ] = E[X1 ] + E[X2 ] + + E[Xn1 ]

Note que Wn = Wn1 + Xn . Desde que Wn uma soma de duas v.a.'s Wn1 e Xn ,

E[Wn ] = E[Wn1 ] + E[Xn ] = E[X1 ] + E[X2 ] + + E[Xn ]

Ou seja, a esperana da soma igual soma das esperanas quer as v.a.'s sejam
independentes ou no. Para a varin ia de Wn , temos

Teorema 5.2. A varin ia de Wn = X 1 + X 2 + + X n

n
X n1
X n
X
Var[Wn ] = Var[Xi ] + 2 Cov[Xi , Xj ]
i=1 i=1 j=i+1

Demonstrao. Da denio de varin ia, podemos es rever

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

Separando os termos para os quais i = j, temos


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

Por ltimo, notamos que Cov[Xi , Xj ] = Cov[Xj , Xi ], e desta forma


102 Somas de Variveis Aleatrias e o Teorema do Limite Central

n X
X n X
X n
Cov[Xi , Xj ] = 2 Cov[Xi , Xj ]
i=1 j6=i i=1 j=i+1

Quando X1 , X2 , . . . , Xn so mutuamente independentes, os termos Cov[Xi , Xj ] = 0


se j 6= i (veja Denio 3.9), e temos o seguinte resultado

Teorema 5.3. QuandoX1 , X2 , . . . , Xn so mutuamente independentes, a varin ia


de Wn = X1 + X2 + + Xn a soma das varin ias

Var[Wn ] = Var[X1 ] + Var[X2 ] + + Var[Xn ]

Exemplo 5.1. A entrada de um ltro digital uma sequn ia aleatria X n = X 0 , X1 ,


X2 , . . .
O valor esperado de Xn a funo X (n) = 0, n. A funo de ovarin ia de Xn
CX [Xn , Xk ] = CX [n k] = 0, 8|nk| . A sada do ltro uma sequn ia aleatria Yn ,
rela ionada a Xn por

Yn = Xn + Xn1 + Xn2 , para todo n inteiro

Qual a varin ia de Yn ?

Soluo. Apli ando o teorema 5.2 obtemos para ada i,

Var[Yi ] = Var[Xi ] + Var[Xi1 ] + Var[Xi2 ] + 2 Cov[Xi , Xi1 ]


+ 2 Cov[Xi , Xi2 ] + 2 Cov[Xi1 , Xi2 ]

Desde que Var[Xj ] = CX [0] e Cov[Xi , Xj ] = CX [i j],

Var[Yi ] = 3CX [0] + 4CX [1] + 2CX [2] = 3 0, 80 + 4 0, 81 + 2 0, 82 = 7, 48

A mesma estratgia pode ser utilizada para en ontrar as propriedades de ltros


digitais mais omplexos om relao entre entrada e sada dada pela forma geral

N
X 1
Yn = ai Xni
i=0
Somas de Variveis Aleatrias e o Teorema do Limite Central 103

5.3 Fdp da soma de duas v.a.'s


Antes de analisar o modelo de probabilidade da soma de n v.a.'s, instrutivo analisar
a soma W =X +Y de duas v.a.'s ontnuas.

Teorema 5.4. A fdp de W=X+Y

Z + Z +
fW (w) = fXY (x, w x) dx = fXY (w y, y) dy

Demonstrao. Para a prova deste teorema, vamos en ontrar a fdp de W usando um


pro edimento em dois passos: primeiro en ontramos a fd FW (w) integrando a fdp on-
junta fXY (x, y) sobre a regio X +Y w mostrada na Figura 5.1, e depois en ontramos
a fdp fW (w) derivando a expresso de FW (w).

PSfrag repla ements

X +Y w

w X

Figura 5.1: Regio de integrao para a obteno de FW (w).

Z + Z wx 
FW (w) = P [X + Y w] = fXY (x, y) dy dx

Tomando as derivadas da fd para en ontrar a fdp, temos

Z +  Z wx  Z +
dFW (w) d
fW (w) = = fXY (x, y) dy dx = fXY (x, w x) dx
dw dw

Atravs de um desenvolvimento similar,podemos mostrar tambm que

Z +
fW (w) = fXY (w y, y) dy

104 Somas de Variveis Aleatrias e o Teorema do Limite Central

Exemplo 5.2. En ontre a fdp de W =X +Y se X e Y tm fdp onjunta

(
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

PSfrag repla ements

w 1 x

Figura 5.2: Regio de integrao para a obteno de FW (w).

Portanto 0 X + Y 1. Assim, fW (w) = 0 para w < 0 ou w > 1. Para 0 w 1,


apli ando o teorema 5.4, hega-se a

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

Quando X e Y so independentes, a fdp onjunta de X e Y pode ser es rita omo o


produto das fdp's marginais fXY (x, y) = fX (x)fY (y). Neste aso, podemos rees rever
o teorema 5.4 omo

Teorema 5.5. Quando X e Y so v.a.'s independentes, a fdp de W =X +Y

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

Neste teorema ombinamos duas funes de uma varivel fX () e fY () para produzir


uma ter eira funo fW (). A ombinao no teorema 5.5, hamada de onvoluo,
e denotada por fW () = fX () fY (). De maneira geral, melhor usar mtodos de
transformao para al ular a onvoluo de duas funes. Na linguagem de teoria de
probabilidade, a transformada de uma fdp ou de uma fmp uma funo geratriz de
momentos.

5.4 Funo geratriz de momentos


A fdp da soma das v.a.'s independentes X1 , X2 , . . . , Xn uma sequn ia de onvolues
envolvendo as fdp's fX1 (x), fX2 (x), e assim por diante. Na teoria de sistemas lineares,
uma onvoluo no domnio do tempo orresponde a uma multipli ao no domnio da
frequn ia om as funes no tempo e na frequn ia rela ionadas pela transformada de
Fourier. Na teoria de probabilidade podemos, de forma similar, usar mtodos de trans-
formadas para substituir a onvoluo de fdp's por multipli aes de transformadas.

Denio 5.1. Funo geratriz de momentos (FGM): Para uma v.a. X, a


funo geratriz de momentos (FGM) dada por

 
X (s) = E esX

Esta denio se apli a tanto a v.a.'s ontnuas omo dis retas. O que muda de um
aso para outro a forma de l ulo da esperana. Quando X 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

Na forma integral da Equao (5.2), a FGM lembra a transformada de Lapla e que


geralmente utilizada na teoria de sistemas lineares. A prin ipal diferena que a FGM
denida para valores reais de s.
Para uma dada v.a. X, existe uma faixa de valores possveis de s para os quais
X (s) existe. O onjunto de valores de s para os quais X (s) existe hamada de
regio de onvergn ia. Por exemplo, se X uma v.a. no negativa, a regio de
onvergn ia in lui todo s 0. X , X (s) sempre existe para s = 0.
Para qualquer v.a.
Iremos usar a FGM avaliando suas derivadas em s = 0. medida que a regio de
onvergn ia in lui um intervalo no vazio (, ) em torno da origem s = 0, podemos
avaliar as derivadas da FGM em s = 0.
A exemplo da fmp de uma v.a. dis reta e da fdp de uma v.a. ontnua, a FGM
um modelo de probabilidade ompleto para uma v.a. Usando mtodos de transformada
inversa, possvel al ular a fmp ou a fdp a partir da FGM.
106 Somas de Variveis Aleatrias e o Teorema do Limite Central

Exemplo 5.3. Se X = a, uma onstante, ento fX (x) = (x a), e

Z +
X (s) = esx (x a) dx = esa

Exemplo 5.4. Quando X tem uma fdp uniforme,


(
1 0X1
fX (x) =
0 aso ontrrio

a FGM de X Z 1
es 1
X (s) = esx dx =
0 s

Exemplo 5.5. Seja a v.a. X om fdp exponen ial

(
ex x0
fX (x) =
0 aso ontrrio

a FGM de X Z

X (s) = esx ex dx =
0 s

Exemplo 5.6. Seja X uma v.a. de Bernoulli om


1 p
x=0
fX (x) = p x=1


0 aso ontrrio

a FGM de X

X (s) = E[esx ] = (1 p)e0 + pes = 1 p + pes

Exemplo 5.7. Seja X om fmp geomtri a


(
(1 p)x1 p x = 1, 2, . . .
fX (x) =
0 aso ontrrio

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

Exemplo 5.8. Seja X om fmp de Poisson

(
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

A funo geratriz de momentos tem algumas propriedades:

Teorema 5.6. Para qualquer v.a. X, a FGM satisfaz

X (s)|s=0 = 1

Demonstrao.
   
X (s)|s=0 = E esX s=0 = E e0 = 1

Este teorema bastante til para veri ar se uma funo pode ser uma FGM vlida.

Teorema 5.7. A FGM de Y = aX + b satisfaz

Y (s) = esb X (as)

Demonstrao.

Y (s) = E[es(aX+b) ] = esb E[e(as)X ] = esb X (as)

Como seu nome sugere, a funo X (s) espe ialmente til para en ontrar os mo-
mentos de X.

Teorema 5.8. Uma v.a. om FGM X (s) n-simo


tem momento

n dn X (s)
E[X ] =
dsn s=0
108 Somas de Variveis Aleatrias e o Teorema do Limite Central

Demonstrao. A derivada primeira de X (s)

Z +  Z +
dX (s) d sx
= e fX (x) dx = xesx fX (x) dx
ds ds

Avaliando esta derivada em s = 0, on lumos a prova para n=1


Z +
dX (s)
= xfX (x) dx = E[X]
ds s=0

Similarmente, a n-sima derivada de X (s) dada por

Z +
dn X (s)
= xn esx fX (x) dx
dsn

Avaliando a expresso a ima em s=0 ompletamos a prova do teorema.

Uma vantagem da FGM que geralmente mais f il en ontrar a FGM de X e


tomar as derivadas para en ontrar os momentos de X do que en ontr-los diretamente.

Exemplo 5.9. En ontre o n-simo momento de uma v.a. om fdp exponen ial

(
ex x0
fX (x) =
0 aso ontrrio

Soluo. Podemos es rever o primeiro momento omo


dX (s) 1
E[X] = = 2
=
ds
s=0 ( s) s=0

o segundo momento omo


2d2 X (s) 2 2
E[X ] = 2
= 3
= 2
ds
s=0 ( s) s=0

e o ter eiro momento omo


3d3 X (s) 6 6
E[X ] = = =
ds3 s=0 ( s)4 s=0 3

Por induo, podemos armar que o n-simo momento de X dado por


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

5.5 FGM da soma de v.a.'s independentes


FGM's so parti ularmente teis para analisar a soma de v.a.'s independentes. Se
W = X +Y onde X eY so v.a.'s om transformadas X (s) e Y (s) respe tivamente,
a transformada de W

     
W (s) = E esW = E es(X+Y ) = E esX esY (5.4)

Geralmente a expresso a ima dif il de al ular. Entretanto, quando X e Y


so independentes, podemos es rever a esperana do produto
    esX esY omo o produto
das esperanas E esX E esY . Neste aso, en ontrar W (s)  a f il se onhe ermos
X (s) e Y (s).
     
W (s) = E esX esY = E esX E esY = X (s)Y (s) (5.5)

Quando as n v.a.'s X1 , X2 , . . . , Xn so independentes, a esperana do produto


g1 (X1 ) g2 (X2 ) gn (Xn ) pode ser es rita omo o produto das esperanas

E[g1 (X1 )g2 (X2 ) gn (Xn )] = E[g1 (X1 )]E[g2 (X2 )] E[gn (Xn )] (5.6)

Esta expresso leva ao seguinte teorema

Teorema 5.9. Para uma sequn ia X1 , X2 , . . . , Xn de n v.a.'s independentes, a FGM


de W = X1 + X2 + + Xn

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

Demonstrao. Da denio de FGM

h i  
W (s) = E es(X1 +X2 ++Xn ) = E esX1 esX2 esXn

Usando a Equao (5.5) om gi (Xi ) = esXi , a esperana do produto

     
E[W ] = E esX1 E esX2 E esXn = X1 (s)X2 (s) Xn (s)

Quando X1 , X2 , . . . , Xn so independentes e identi amente distribudas, Xi (s) =


X (s) para todo i, e o teorema 5.9 tem um orolrio simples

Corolrio 5.10. Para as v.a.'s X1 , X2 , . . . , Xn independentes e identi amente dis-


tribudas ada qual om FGM X (s), a FGM de W = X1 + X2 + + Xn

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).

Exemplo 5.10. Seja K1 , K2 , . . . , Kn um onjunto de n v.a.'s independentes om distri-


buio de Poisson, tais que E[Ki ] = i . En ontre a FGM de W = K1 + K2 + + Kn .
Soluo. Do Exemplo 5.8 sabemos que Ki tem FGM Ki (s) = ei (e
s 1)
. Pelo Corolrio
5.10,

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

O modelo de probabilidade da soma de n v.a.'s identi amente distribudas om


distribuio de Poisson tem a mesma forma do modelo de probabilidade de ada v.a.
individual. Esta propriedade vlida tambm para v.a.'s identi amente distribudas
om distribuio gaussiana. Para v.a.'s om outras distribuies esta propriedade no
mais vlida.

Exemplo 5.11. En ontre a FGM de uma v.a. Binomial K om fmp


( 
n
k pk (1 p)(nk) k = 0, 1, . . . , n
pK (k) =
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

K (s) = (X (s))n = (1 p + pes )n

Exemplo 5.12. Uma v.a. Erlang-n Tn tem fdp

(
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

Soluo. A FGM de Tn pode ser al ulada diretamente omo

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.

5.6 Somas de v.a.'s gaussianas independentes


Seja X1 , X2 , . . . , Xn um onjunto de v.a.'s gaussianas independentes. Podemos usar a
FGM de ada v.a. na soma para derivar algumas propriedades interessantes de Wn =
X1 + X2 + + X n . Quando n = 1, W = X1 apenas uma v.a. gaussiana. Para
en ontrar sua FGM, en ontramos ini ialmente a FGM de uma v.a. N (0, 1).

Teorema 5.11. A FGM de uma v.a. gaussiana Z om mdia nula e varin ia


unitria

2 /2
Z (s) = es

Demonstrao. A FGM de Z pode ser es rita omo

Z + Z +
1 2 /2
Z (s) = esz fZ (z) dz = esz ez dz
2

Esta integral pode ser resolvida ompletando-se o quadrado no expoente

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

Teorema 5.12. A FGM de uma v.a. gaussiana om mdia e varin ia 2

2 s2 /2
X (s) = es+

Demonstrao. Uma v.a. gaussiana X om mdia e varin ia 2 pode ser expressa


em termos da v.a. Z N (0, 1) omo

X = Z +
Consequentemente, do Teorema 5.7, a FGM de X

2 s2 /2
X (s) = es Z (s) = es+

Agora podemos apresentar o resultado prin ipal desta seo.

Teorema 5.13. A soma de n v.a.'s gaussianas independentes Wn = X1 + X2 + +


Xn tem uma distribuio gaussiana om mdia e varin ia dadas por

E[Wn ] = E[X1 ] + E[X2 ] + + E[Xn ]

Var[Wn ] = Var[X1 ] + Var[X2 ] + + Var[Xn ]

Demonstrao. Por onvenin ia, seja i = E[Xi ] e i2 = Var[Xi ]. Desde que os Xi so


independentes, sabemos que

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


2 2 /2 2 2 /2 2 2 /2
= es1 +1 s es2 +2 s esn +n s
2 2 2 2 /2
= es(1 +2 ++n )+(1 +2 ++n )s
Da equao a ima, pode-se ver que W (s) a FGM de uma v.a. gaussiana om
mdia 1 + 2 + + n e varin ia 12 + 22 + + n2 .

5.7 Somas aleatrias de v.a.'s independentes


Muitos problemas prti os podem ser analisados pela soma de v.a.'s identi amente dis-
tribudas, mas ujo nmero de termos na soma tambm uma v.a. Referimo-nos
v.a. resultante R omo uma soma aleatria de v.a.'s independentes e identi amente
distribudas. Ento, dada uma v.a. N e uma sequn ia de v.a.'s X1 , X2 , . . . , XN iden-
ti amente distribudas, seja

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.

Exemplo 5.13. Em um terminal de nibus, onte o mmero de pessoas que hegam


nos nibus durante uma hora.

Soluo. Se o nmero de pessoas no i-simo nibus Ki e o nmero de nibus que


hegam N, ento o nmero de pessoas hegando durante uma hora

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.

Exemplo 5.14. Conte o nmero N de pa otes de dados transmitidos atravs de um


link de omuni aes em um minuto.

Soluo. Suponha que ada pa ote orretamente de odi ado om probabilidade p,


independentemente do resultado da de odi ao de qualquer outro pa ote. O nmero
de pa otes de odi ados orretamente em um minuto de transmisso

R = X1 + X2 + + XN

onde Xi 1 se o i-simo pa ote de odi ado orretamente, e 0, aso ontrrio. Pelo


fato de o nmero de pa otes transmitido N ser aleatrio, R no a v.a. binomial usual.

No exemplo a ima, podemos utilizar os mtodos utilizados para v.a.'s mltiplas


para en ontrar a fmp onjunta fN R (n, r). Entretanto no somos apazes de en ontrar
uma expresso simples em forma fe hada para a fmp fR (r). Por outro lado, vamos
demonstrar nesta seo que possvel expressar o modelo de probabilidade de R omo
uma frmula para a FGM R (s).
Embora nos exemplos a ima tenhamos onsiderado apenas asos nos quais os Xi so
v.a.'s dis retas, ser mais instrutivo enfatizar o aso em que os Xi so v.a.'s ontnuas.
Sejam as v.a.'s

Wn = X 1 + X 2 + + X n (5.8)

R = X1 + X2 + + XN (5.9)

importante sabermos distinguir a v.a. Wn da v.a. R. Espe i amente, Wn a


soma de um nmero determinsti o parti ular n dos Xi e no uma soma aleatria de
v.a.'s. Portanto, a fdp de Wn a fdp ondi ional de R dado que N = n. Em geral,
en ontrar a fdp ou a fmp de R bastante dif il. Entretanto, en ontrar a FGM de R
surpreendentemente f il, omo podemos ver no teorema a seguir
114 Somas de Variveis Aleatrias e o Teorema do Limite Central

Teorema 5.14. A soma aleatria de v.a.'s independentes e identi amente distribu-


das R = X1 + X2 + + XN tem FGM dada por

R (s) = N (ln(X (s)))

 
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

Pelo fato de os Xi serem independentes de N,

h i h i  
E es(X1 +X2 ++XN ) |N = n = E es(X1 +X2 ++Xn ) = E esWn = Wn (s)

Do teorema 5.10, sabemos que Wn (s) = [X (s)]n , o que impli a em


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

R (s) = N (ln(X (s)))

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

B (s) = N (ln(K (s)))


Do exemplo 5.7

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

E[R] = E[N ]E[X] Var[R] = E[N ] Var[X] + Var[N ](E[X])2

Demonstrao. Pela regra da adeia das derivadas,

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

Suponha que N determinsti o, de modo que N = n todas as vezes. Neste aso,


N = n e Var[N ] = 0. A soma aleatria R uma soma determinsti a ordinria
R = X1 + X2 + + Xn e Var[R] = n Var[X].

Suponha que N aleatria, mas ada Xi uma onstante determinsti a x. Neste


exemplo, X = x e Var[X] = 0. alm disso, a soma aleatria torna-se R = N x e
Var[R] = x2 Var[N ].

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.

Exemplo 5.16. Seja X 1 , X2 , . . . uma sequn ia de v.a.'s gaussianas independentes e


identi amente distribudas om mdia 100 e varin ia 100. Se K uma v.a. de Poisson
om mdia 1, en ontre a mdia e a varin ia de R = X 1 + X2 + + XK .

Soluo. A distribuio de R ou mesmo a FGM de R so dif eis de se obter. Entre-


tanto, o Teorema 5.15 torna o l ulo dos momentos bastante f il. Sabemos que uma
v.a. de Poisson om mdia 1 tambm tem varin ia 1. Ento

E[R] = E[X]E[K] = 100

Var[R] = E[K] Var[X] + Var[K](E[X])2 = 100 + (100)2 = 10100


Pode-se ver que a maior parte da varin ia devida aleatoriedade de K. Isto
a onte e porque muito provvel que K assuma os valores 0 e 1, e estas duas es olhas
mudam de forma dramti a a soma.

5.8 Teorema do limite entral


Em um grande nmero de situaes prti as, histogramas de medidas seguem apro-
ximadamente uma urva em forma de sino. Um histograma um gr o de barras
que divide o onjunto de medidas possveis em intervalos iguais e mostra o nmero de
medidas em ada intervalo.
Quando o tamanho de ada intervalo pequeno e o nmero de medidas grande,
a forma da histograma assemelha-se bastante forma da fdp da v.a. que des reve as
medidas. Por exemplo, o primeiro gr o da Figura 5.3 um histograma derivado a
partir de 400 repeties de um experimento. Em ada experimento algum joga uma
moeda 50 vezes e observa o nmero de oroas. O histograma segue aproximadamente
uma urva em forma de sino. O segundo gr o na Figura 5.3 mostra as probabilidades
binomiais exatas do nmero de aras em 50 jogadas.
Somas de Variveis Aleatrias e o Teorema do Limite Central 117

Figura 5.3: O nmero de aras em 50 arremessos de uma moeda ideal: 400 repeties
experimentais versus a fmp binomial.

Lembremos que a fdp em forma de sino orresponde de uma v.a. gaussiana. O


teorema do limite entral expli a porque muitos fenmenos produzem dados que podem
ser modelados omo v.a.'s gaussianas na prti a.

Iremos usar o teorema do limite entral para estimar as probabilidades asso iadas
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

Dizemos que a soma Zn est normalizada pois para todo n

E[Zn ] = 0 Var[Zn ] = 1
118 Somas de Variveis Aleatrias e o Teorema do Limite Central

Teorema 5.16. Teorema do limite entral. Dada uma sequn ia X1 , X2 , . . . de


v.a.'s independentes e identi amente distribudas om valor esperado
q X e varin ia
P
2 ,
X a fd de Zn = ( ni=1 Xi nX ) / nX
2 satisfaz

lim FZn (z) = (z)


n

onde (z) a fd de uma v.a. N (0, 1).

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

A fd de Wn pode ser expressa em termos da fd de Zn omo


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.

Corolrio 5.17. Aproximao do teorema do limite entral: Seja Wn = X1 +


X2 + + Xn uma soma de v.a.'s independentes e identi amente distribudas om
E[X] = X e Var[X] = X 2 . A fd de W pode ser aproximada por
n

w nX
FWn (w) q
2
nX

Frequentemente hamamos a Denio 5.17 uma aproximao Gaussiana para Wn .

5.9 Apli aes do Teorema do Limite Central


O Teorema do Limite Central torna possvel fazer l ulos rpidos e pre isos que de
outra maneira seriam bastante omplexos e demorados. Nestes, a v.a. de interesse
Somas de Variveis Aleatrias e o Teorema do Limite Central 119

uma soma de outras v.a.'s, e al ulamos as probabilidades dos eventos referindo-nos


v.a. Gaussiana orrespondente.

Exemplo 5.17. Um dis o digital ompa to (CD) ontm amostras digitalizadas de uma
forma de onda a sti a.
Em um CD player om um onversor D/A de 1 bit, ada amostra digital 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?

Soluo. As medidas X1 , . . . , X8 tm distribuio uniforme na faixa (V 0, 5 mV) <


X < (V + 0, 5 mV), onde V o valor exato da amostra da forma de onda. O CD player
produz a sada U = W8 /8 onde
8
X
W8 = Xi
i=1

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

Exemplo 5.18. Um modem transmite um milho de bits. Cada bit 0 ou 1 om


probabilidades iguais. Estime a probabilidade de pelo menos 502000 uns.

Soluo. Seja W o nmero de uns em um milho de bits. Note que E[W ] = 500000 e
Var[W ] = 106 /4 = 250000, de modo que W = 500. Pela aproximao do Teorema do
Limite Central,

 
502000 500000
P [W 502000] = 1 P [W < 502000] 1 = 1 (4)
500

Veri ando os valores da funo () em tabelas matemti as, temos que

1 (4) = Q(4) = 3, 17 105


120 Somas de Variveis Aleatrias e o Teorema do Limite Central

5.10 Exer ios


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

2. Sejam X e Y duas v.a.'s exponen iais independentes om mdias E[X] = 1/3 e


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

3. A v.a. K tem fmp dada por

(
0.2, k = 0, 1, 2, 3, 4
fK (k) =
0, aso ontrrio

En ontre a FGM K (s) de K . Use-a para en ontrar os quatro primeiros momentos


de K.
Resp: K (s) = 0, 2(1 + es + e2s + e3s + e4s )
E[K] = 2 E[K 2 ] = 6 E[K 3 ] = 20 E[K 4 ] = 70, 8

4. Seja K 1 , K2 , . . . uma sequn ia de v.a.'s independentes e identi amente distribu-


das, ada uma delas om distribuio dada por

(
1/n, k = 1, 2, . . . , n
fK (k) =
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

6. Seja X 1 , X2 , . . . uma sequn ia de v.a.'s independentes e identi amente distribu-


das om fdp exponen ial

(
ex , x 0
fX (x) =
0, aso ontrrio

Seja N uma v.a. geomtri a om mdia 1/p. Qual a FGM de R = X 1 + X2 +


+ XN ? Adi ionalmente, en ontre a fdp de R.
Resp:
Somas de Variveis Aleatrias e o Teorema do Limite Central 121

(
p p epr , r 0
R (s) = fR (r) =
ps 0, aso ontrrio

7. A v.a. X milissegundos o tempo total de a esso (tempo de espera + tempo


de leitura) para obter um blo o de informao de um dis o de omputador. X
uniformemente distribuda no intervalo de 0 a 12 milissegundos. Antes de realizar
uma determinada tarefa, o omputador pre isa a essar 12 blo os de informao
diferentes do dis o. (Os tempos de a esso para blo os diferentes so independentes
um do outro). O tempo total de a esso para todas as informaes uma v.a. A
milissegundos.

(a) Cal ule E[X], o valor esperado para o tempo de a esso.

(b) Cal ule Var[X], a varin ia do tempo de a esso.

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

(d) Cal ule A , o desvio padro do tempo total de a esso.

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

(f ) Use o Teorema do Limite Central para estimar P [A < 48 ms], a probabilidade


do tempo total de a esso ser menor que 48 ms.

Resp: a) E[X] = 6ms b) Var[X] = 12 ) E[A] = 72ms d) Var[A] = 144


e) P [A > 75] 0, 4013 f ) P [A < 48] 0, 0227

8. Seja X 1 , X2 , . . . uma sequn ia de v.a.'s independentes e identi amente distribu-


das om fdp uniforme entre 0 e 1, e seja N uma v.a. geomtri a om mdia
1/p.

a) Qual a FGM de R = X 1 + X2 + + XN ?
b) Cal ule a mdia e a varin ia de R.

Resp:

p(es 1)
(a) R (s) =
s (1 p)(es 1)
1 3 2p
(b) E[R] = Var[R] =
2p 12p2

9. Seja X uma v.a. N (0, 1). En ontre a mdia e a varin ia de Y = 2X + 1 usando


a funo geratriz de momentos.

Resp: E[Y ] = 1 e Var[Y ] = 4

10. Seja a funo geratriz de momentos de uma v.a. dis reta dada por

X (s) = 0.25es + 0.35e3s + 0.40e5s

En ontre P [X = 0], P [X = 1], P [X = 2], P [X = 3], P [X = 4] e P [X = 5].


P sxi
Di a: lembre que, para o aso dis reto, X (s) = ie fX (xi ), e que fX (x0 ) =
P [X = x0 ].
122 Somas de Variveis Aleatrias e o Teorema do Limite Central

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

11. Seja K 1 , K2 , . . . uma sequn ia de v.a.'s iid om distribuio de Bernoulli, om


fmp dada por


1 p k = 0

pK (k) = p k=1


0 aso ontrrio

Seja M = K1 + K2 + . . . + Kn .

(a) En ontre a FGM K (s)


(b) En ontre a FGM M (s)
( ) Use M (s) para al ular E[M ] e V ar[M ].

Resp:

(a) K (s) = 1 p + pes


(b) M (s) = (1 p + pes )n
( ) E[M ] = np e V ar[M ] = np(1 p).

12. Suponha que durante o i-simo dia de dezembro, a energia Xi armazenada por um
oletor solar bem modelada por uma v.a. gaussiana om mdia (32 i)/4 kWh
e desvio padro de 10 kWh. Assumindo que a energia armazenada a ada dia
independente de qualquer outro dia, qual a fdp de Y , a energia total armazenada
nos 31 dias de dezembro?

Resp: Gaussiana de mdia 124 e varin ia 3100

13. O k -simo momento de uma v.a. dis reta dado por

E[X k ] = 0.8, k = 1, 2, . . .

(a) En ontre a funo geratriz de momentos de X.


(b) En ontre P [X = 0] e P [X = 1].

Resp:

(a) X (s) = 0, 2 + 0, 8es


(b) P [X = 0] = 0, 2 e P [X = 1] = 0, 8.

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.

(a) Cal ule E[K100 ], o nmero esperado de hamadas de dados em um onjunto


de 100 hamadas.

(b) Cal ule K100 , o desvio padro do nmero de hamadas de dados em um


onjunto de 100 hamadas.

( ) Use o Teorema do Limite Central para estimar P [K100 18], ou seja, a


probabilidade de pelo menos 18 hamadas de dados em um onjunto de 100
hamadas telefni as.

(d) Use o Teorema do Limite Central para estimar P [16 K100 24], ou seja, a
probabilidade de existirem entre 16 e 24 hamadas de dados em um onjunto
de 100 hamadas telefni as.

Di a: Q(x) = 1 Q(x).
Resp: (a) 20 (b) 4 ( ) 0,6915 (d) 0,6826

16. Sejam X1 , X2 , . . . , Xn n variveis aleatrias iid om distribuio de Cau hy

a
fX (x) = , < x <
(x 21 + a 12 )

Seja a varivel aleatria Yn dada por

n
1 1X
Yn = (X1 + Xn ) = Xi
n n
i=1

(a) En ontre a funo ara ter sti a de Yn .


(b) En ontre a fdp de Yn .
( ) O Teorema do Limite Central se apli a neste aso? Justique sua resposta.

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

18. Seja K a soma de 20 variveis aleatrias iid om distribuio de Bernoulli om


probabilidade p = 0, 4 de produzir um resultado igual a 1. Usando o Teorema
do Limite Central, estime P [K = 8], e ompare om o valor exato para esta
probabilidade.

Di a: Considere P [7, 5 < Zn < 8, 5] omo aproximao para P [K = 8]. (Por


a
qu ?)

Resp: P [K = 8] 0, 1811.

19. O nmero N de servios submetidos a um omputador em uma hora uma varivel


aleatria geomtri a om parmetro p, e os tempos de exe uo destes trabalhos
so variveis aleatrias independentes om distribuio exponen ial de mdia 1/.
En ontre a fdp da soma dos tempos de exe uo dos trabalhos submetidos em uma
hora.
(
p ep r0
Resp: fR (r) =
0 aso ontrrio

a
20. As resist n ias dos resistores r1 , r2 , r3 e r4 so variveis aleatrias independentes,
ada uma delas uniformemente distribu da no intervalo (450,550). Usando o
Teorema do Limite Central, al ule P [1900 r1 + r2 + r3 + r4 2100].
Resp: 0,9164
Captulo 6

Limitantes Superiores para a


Probabilidade de Cauda
Neste aptulo, iremos desenvolver desigualdades para probabilidades que podem ser
muito dif eis de al ular exatamente. Geralmente, o desempenho de um sistema
determinado pela probabilidade de um evento indesejvel. Por exemplo, a medida
prin ipal de um sistema de omuni ao digital a probabilidade de um erro de bit.
Para um alarme de in ndio, a probabilidade de um falso alarme no pode ser muito
grande; aso ontrrio o alarme pode ser ignorado quando houver um in ndio real.
Quando o l ulo exato muito dif il de realizar, um limitante superior ofere e um
meio de garantir que a probabilidade do evento indesejvel no ser muito alta.

6.1 Desigualdade de Markov

Teorema 6.1. Desigualdade de Markov. Para uma varivel aleatria X no


negativa e uma onstante c > 0,

E[X]
P [X c]
c

Demonstrao. Desde que X no negativo, fX (x) = 0 para x<0 e

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

importante lembrar que a desigualdade de Markov vlida somente para variveis


aleatrias no negativas. Como veremos no exemplo a seguir, geralmente o limitante
forne ido pela desigualdade de Markov bastante fra o.
126 Limitantes Superiores para a Probabilidade de Cauda

Exemplo 6.1. Seja 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.

Soluo. A desigualdade de Markov arma que a probabilidade de um adulto ter pelo


menos 11 ps satisfaz

5, 5
P [X 11] = 0, 5
11

Dizemos que a desigualdade de Markov folgada porque a probabilidade de uma


pessoa ter uma altura maior que 11 ps prati amente zero, enquanto que a desigual-
dade arma meramente que ela menor ou igual a 0,5. Embora esta desigualdade seja
extremamente folgada para muitas variveis aleatrias, ela apertada (de fato, uma
equao) om relao a algumas variveis aleatrias.

Exemplo 6.2. 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

Desde que P [Y c] = p, observamos que a desigualdade de Markov de fato uma


igualdade neste aso.

6.2 Desigualdade de Chebyshev

Teorema 6.2. Desigualdade de Chebyshev. Seja X uma v.a. om mdia mx e


2
varin ia X nitas. Para todo nmero positivo
2
X
P [|X mx | ]
2

Demonstrao. P [|X mx | ] a probabilidade da v.a. X ter um valor na regio


A {x : |X mx | }, mostrada na Figura 6.1.
Limitantes Superiores para a Probabilidade de Cauda 127

fX (x)
6

...................
...... .....
..... .....
....... ...
... ...
. ...
...
. ...
...
. ...
...
...
. ...
...
. ...
..
. .
.. ......
........... ................
..................... .........................
. ........................... ....................................
.....................................
-
.. .
.. . ......................................................
..
...
...
...
...
...
...
.
....
.
.......................................... ................. ........................................
.
............
...
...
.

0 x
Figura 6.1: Regio A (sombreada).

Usando a expresso da varin ia, podemos es rever

Z + Z
2 2
X = (x mx ) fX (x) dx (x mx )2 fX (x) dx
A

Mas da denio da regio A, temos |X mx | |X mx |2 2 , x A.


Assim

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

Diferentemente da desigualdade de Markov, a desigualdade de Chebyshev vlida


para todas as v.a's. Enquanto a desigualdade de Markov ne essita apenas do valor
esperado de uma v.a., a desigualdade de Chebyshev ne essita tambm da varin ia. Por
usar mais informaes sobre a v.a., a desigualdade de Chebyshev geralmente forne e um
limitante mais apertado do que a desigualdade de Markov.

Exemplo 6.3. Se a altura X de um adulto es olhido aleatoriamente tem valor esperado


E[X] = 5, 5 ps, e desvio padro X = 1 ps, use a desigualdade de Chebyshev para
en ontrar um limitante superior para P [X 11].
Soluo. Desde que a altura X no negativa, a probabilidade do evento X 11 pode
ser es rita omo

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

6.3 Limitante de Cherno


O limitante de Chebyshev dado a ima envolve a rea das duas audas da fdp. Em
algumas apli aes estamos interessados somente na rea de uma das audas (, )
ou (, ). Neste aso, podemos obter uma estimativa bastante justa, utilizando um
limitante exponen ial.

Teorema 6.3. Limitante de Cherno. Para uma v.a. X e uma onstante c


arbitrrias,

P [X c] min esc X (s)


s0

Demonstrao. Em termos da funo degrau unitrio, observamos que

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)

Este limitante vlido para qualquer s 0. O limitante superior mais apertado


obtido sele ionando-se o valor de s que minimiza 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

valor de s no negativo que minimiza esta expresso s = 0, o que forne e a resposta


trivial: P [X c] 1

Exemplo 6.4. Se a altura X de um adulto es olhido aleatoriamente uma v.a. gaus-


siana om valor esperado E[X] = 5, 5 ps e desvio padro X = 1 ps, use o limitante
de Cherno para en ontrar um limitante superior para P [X 11]
Soluo. Desde que X N (5, 5, 1), a FGM de X

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

6.4 Exer ios


1. Em uma estao de metr, existem usurios su ientes para ompletar exatamente
trs trens. Os trens hegam estao segundo um pro esso de Poisson de taxa
= 0.5 trens/minuto.

Seja X igual ao tempo em minutos requerido para servir os passageiros em espera.


En ontre limitantes superiores para P [X 30 minutos] usando as desigualdades
de Markov, Chebyshev e Cherno.

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

2. A mdia e a varin ia do tempo de resposta de um sistema de omputador mul-


tiusurio so 15 segundos e 4 segundos, respe tivamente. Estime a probabilidade
de o tempo de resposta ser superior a 4 segundos da mdia, usando a desigualdade
de Chebyshev.

Resp: 0,25
130 Limitantes Superiores para a Probabilidade de Cauda

3. Dada uma v.a. X om fdp gaussiana de mdia zero e varin ia 2 , estime a


probabilidade dos eventos (2 X +2), (3 X +3) e (4 X
+4) usando:

(a) a funo Q(x);


(b) a desigualdade de Chebyshev;

( ) a desigualdade de Cherno.

Resp:

(a) Usando a funo Q(x):


P [2 X 2] = 0, 9545
P [3 X 3] = 0, 9973
P [4 X 4] = 0, 9999
(b) Usando a desigualdade de Chebyshev:
P [2 X 2] = 0, 75
P [3 X 3] = 0, 89
P [4 X 4] = 0, 9375
( ) Usando a desigualdade de Cherno:
P [2 X 2] = 0, 7293
P [3 X 3] = 0, 9778
P [4 X 4] = 0, 9993
4. Use o limitante de Cherno para mostrar que uma v.a. Z om distribuio N(0,1)
satisfaz

2 /2
P [Z c] ec

Para c = 1, 2, 3, 4, verique a diferena entre o limitante e o valor real da proba-


bilidade.

Resp: Na tabela abaixo tem-se os valores aproximados pelo limitante de Cherno,


e os valores exatos, dados pela funo Q(x).

Cherno 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

5. Para uma varivel aleatria arbitrria X, use a desigualdade de Chebyshev para


estimar a probabilidade de X assumir um valor maior que k desvios padres da
mdia.

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

7. Para uma varivel aleatria arbitrriaX , use a desigualdade de Chebyshev, al ule


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

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.

7.2 Valor esperado e varin ia


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

Denio 7.1. Mdia Amostral: Para as v.a.'s X1 , X2 , . . . , Xn independentes


e identi amente distribudas om fdp fX (x), a mdia amostral de X a varivel
aleatria

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

A mdia amostral e o valor esperado de X esto intimamente rela ionados. Desta


forma o propsito maior deste aptulo explorar o fato de que medida que n res e
sem limite, Mn (X) aproxima E[X].
Dependendo da denio da v.a. X, podemos usar a mdia amostral para des rever
vrios aspe tos de um experimento. Por exemplo, se queremos explorar P [A], a proba-
bilidade de um evento arbitrrio A, podemos denir uma v.a. indi adora XA tal que
XA = 1 se o evento A o orre, e XA = 0 aso ontrrio. Neste aso, XA uma v.a.
de Bernoulli om probabilidade de su esso P [A] de modo que E[XA ] = P [A]. Desde
que as propriedades gerais do valor esperado de uma v.a. apli am-se a E[XA ], podemos
ver que as t ni as para estimar valores esperados iro tambm nos permitir estimar as
probabilidades de eventos arbitrrios.
O valor esperado e a varin ia de Mn (X) revelam as propriedades mais importantes
da mdia amostral:

Teorema 7.1. A mdia amostral Mn (X) tem valor esperado e varin ia dados por

E[Mn (X)] = E[X]

Var[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

Para a varin ia, temos o seguinte:

Var[Mn (X)] = E[Mn2 (X)] E 2 [Mn (X)] = E[Mn2 (X)] E 2 [X]

n n
1 XX
= 2 E[Xi Xj ] E 2 [X]
n
i=1 j=1

n n n
1 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

amostras. medida que n , a varin ia X 2 tende a zero. Uma estimativa de um


parmetro (neste aso a mdia mx ) que satisfaz a ondio de que seu valor esperado
onverge para o valor real do parmetro e a varin ia onverge para zero medida que
n dita uma estimativa onsistente.

7.3 Mdia amostral de nmeros grandes


Quando apli amos a desigualdade de Chebyshev a Y = Mn (X), obtemos informaes
importantes sobre as amostras independentes de uma v.a.

Teorema 7.2. Para qualquer onstante c, a mdia amostral Mn (X) satisfaz

Var[X]
(a) P [|Mn (X) X | c] =
nc2
Var[X]
(b) P [|Mn (X) X | < c] 1 =1
nc2

Demonstrao. Seja Y = Mn (X). O Teorema 7.1 diz que

E[Y ] = E[Mn (X)] = X Var[Y ] = Var[Mn (X)] = Var[X]/n


Apli ando a desigualdade de Chebyshev a Y = Mn (X), onseguimos provar o item
a). O item b) apenas uma rearmao do item a), desde que

P [|Mn (X) X | c] = 1 P [|Mn (X) X | < c]

Observaes
O Teorema 7.2(b) ontm duas desigualdades. Uma desigualdade,

|Mn (X) X | < c


dene um evento. Este evento diz que a mdia amostral est c unidades do valor
esperado. O omprimento do intervalo que dene este evento, 2c unidades, hamado
de intervalo de onana.
A outra desigualdade arma que a probabilidade da mdia amostral estar no inter-
valo de onana pelo menos 1. Chamaremos a quantidade 1 = 1 Var[X]/(nc2 )
de oe iente de segurana. Se pequeno, podemos ter grande onana de que
Mn (X) est no intervalo (X c, X + c)
No Teorema 7.2(a) observamos que para qualquer nmero c positivo, independente
de quo pequeno seja, podemos fazer to pequeno quanto desejarmos es olhendo n
grande o su iente.
Em uma apli ao prti a, c indi a a pre iso desejada de uma estimativa para X ,
1 indi a a oana que temos de ter al anado esta pre iso, e n nos diz quantas
amostras foram ne essrias para al anar o valor desejado de 1 .
A mdia amostral 135

Alternativamente, dados Var[X], n e , o Teroma 7.2(b) nos diz o tamanho c do


intervalo de onana.

Exemplo 7.1. O Teorema 7.2(b) d origem a de laraes que ouvimos no noti irio,
tais omo:

Baseada em uma amostra de 1103 eleitores, a por entagem de pessoas que apoiam o
andidato Jos da Silva de 58 % om pre iso de mais ou menos 3 pontos per entuais.
Comente estes fatos.

Soluo. O experimento onsiste em observar um eleitor es olhido aleatoriamente e


determinar se o mesmo apia ou no o andidato Jos da Silva.

Vamos asso iar o valor X=1 se o eleitor apoiar o andidato Jos da Silva, e X=0
aso ontrrio.

Portanto, X uma v.a. om distribuio de Bernoulli om valor esperado E[X] = p


e varin ia p (1 p), onde p = pX (1). Para c = 0, 03, o Teorema 7.2(b) diz

p (1 p)
P [|Mn (X) p| < 0, 03] 1 =1
n(0, 03)2

Desta forma o oe iente de onana para a estimativa de p dado por

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.

7.4 Leis de Nmeros Grandes


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

7.4.1 Lei Fra a de Nmeros Grandes

Teorema 7.3. Lei Fra a de Nmeros Grandes. Se Var[X] < , ento para
qualquer onstante c > 0, a mdia amostral Mn (X) satisfaz

(a) lim P [|Mn (X) X | c] = 0


n

(b) lim P [|Mn (X) X | < c] = 1


n

Demonstrao. A prova deste teorema segue diretamente dos resultados do Teorema


7.2 desde que

P [|Mn (X) X | c] = 1 P [|Mn (X) X | < c]

A lei fra a de nmeros grandes arma que, para um valor su ientemente grande e
f ixo de n, a probabilidade da mdia amostral usando 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.

Exemplo 7.2. Suponha que realizemos n tentativas independentes de um experimento.


Vamos denir a v.a. indi adora para o evento A omo

(
1, se A o orre na tentativa i
Xi =
0, aso ontrrio

X1 , X2 , . . . uma sequn ia aleatria de Bernoulli om probabilidade de su esso


P [A]. Ento E[Xi ] = P [A] e Var[Xi ] = P [A](1 P [A]).
A frequn ia relativa de A em n tentativas

X1 + X2 + + X n
Rn = Mn (X) =
n
Desde que E[Rn ] = E[Xi ] = P [A], o Teorema 7.3(a) diz que

lim P [|Rn P [A]| c] = 0


n

Portanto, medida que n , Rn P [A], que a verso matemti a da ar-


mao de que medida que o nmero de observaes res e sem limite, a frequn ia
relativa de qualquer evento aproxima a probabilidade do evento.
A mdia amostral 137

7.4.2 Lei Forte de Nmeros Grandes


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

Teorema 7.4. Seja X1 , X2 , . . . uma sequn ia de v.a.'s independentes e identi a-


mente distribudas om mdia E[X] = e varin ia nitas. Ento
h i
P lim Mn (X) = = 1
n

Este resultado similar quele obtido no Teorema 7.3, mas na verdade faz uma
armao dramati amente diferente: arma que om probabilidade 1, toda sequn ia
de l ulos de mdias amostrais ir eventualmente aproximar-se e permane er perto de
E[X] = . Este o tipo de onvergn ia que esperamos observar em situaes reais
onde haja regularidade estatsti a.

Figura 7.1: Convergn ia de uma sequn ia de mdias amostrais obtidas a partir de


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

7.5 Exer ios


1. Suponha que o nmero de emisses de part ulas de uma massa radioativa em t se-
gundos uma v.a. om distribuio de Poisson om mdia t. Use a desigualdade
de Chebyshev para obter um limitante para P [|N (t)/t | > ].
Resp: P [|N (t)/t | ] /2 t

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.

Resp: P [|Mn (x) 350| 50] = 0, 9994

4. Seja Xi uma sequn ia de v.a.'s Gaussianas independentes de mdia zero e va-


rin ia unitria. Compare o limitante dado pela Teorema 7.2 om o valor exato
para n = 10 e n = 100.
Resp: Para c = 4, temos:

(a) Valor exato: P [|Mn (x) < 4] = 1 2Q(4) 0, 9999367


(b) n = 10: P [|Mn (x) < 4] 0, 99375
( ) n = 100: P [|Mn (x) < 4] 0, 999375

5. (Para ser feito no MATLAB) Gere sequn ias de nmeros aleatrios om diversas
distribuies, variando a mdia (e a varin ia, quando for o aso) e al ule as
sequn ias de mdias amostrais. Com isto podemos omprovar na prti a a lei
forte de nmeros grandes.

6. Deseja-se medir uma tenso onstante mas des onhe ida. Cada medida 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

Assuma que as tenses do rudo so v.a.'s independentes. Quantas medidas sero


ne essrias de modo que a probabilidade de Mn (X) esteja a = 1V da mdia
verdadeira seja pelo menos 0,99?

Resp: n 100

7. Seja X uma varivel aleatria om funo densidade de probabilidade fX (x), e


seja X1 , X2 , . . . , Xn um onjunto de variveis aleatrias independentes, ada qual
om funo densidade de probabilidade fX (x). O onjunto de variveis aleatrias
X1 , X2 , . . . , Xn hamado de uma amostra aleatria de tamanho n de X . A mdia
amostral denida omo
A mdia amostral 139

n
1 1X
Xn = (X1 + + Xn ) = Xi
n n
i=1

Seja X1 , X2 , . . . , Xn uma amostra aleatria de X om mdia e varin ia 2.


Quantas amostras de X devemos tomar para que a probabilidade da mdia amos-
tral desviar da mdia real por mais que /10 seja de pelo menos 0, 95?
Resp: n 2000
Captulo 8

Pro essos Esto sti os

8.1 Denio
A noo de pro esso esto sti o uma extenso do on eito de v.a. 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.

A oleo de todas as formas de onda possveis onhe ida omo o onjunto do


pro esso esto sti o X(t), e uma forma de onda nesta oleo uma funo amostra
(ao invs de um ponto amostral) do pro esso esto sti o. As amplitudes das funes
amostra em algum instante t = t1 so os valores que a v.a. X(t1 ) assume em vrias
tentativas. Na Figura 8.1 tem-se o on eito que a abamos de denir em forma gr a.

Podemos ver um pro esso esto sti o de outra forma. No aso de uma v.a., o 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 )

PSfrag repla ements t


X(t, 3 )

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

Figura 8.2: Um onjunto om um nmero nito de funes amostra.

Um ponto que pre isa ser es lare ido que as formas de onda (funes amostra) no
so aleatrias, mas determinsti as. A aleatoriedade neste aso asso iada no om a
forma de onda mas om a in erteza de qual delas vai o orrer em uma dada tentativa.
142 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.

8.2 Tipos de pro esos esto sti os


Os pro essos esto sti os podem ser lassi ados em termos dos valores que podem
assumir assim omo dos instantes de tempo em que podem sofrer mudanas. Segundo
esta ti a, podem ser lassi ados em pro essos de valor dis reto e valor ontnuo, e
pro essos de tempo dis reto e tempo ontnuo.

Denio 8.2. Pro essos de valor ontnuo e de valor dis reto: X(t) um
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:

amplitude dis reta, tempo dis reto

amplitude dis reta, tempo ontnuo

amplitude ontnua, tempo dis reto

amplitude ontnua, tempo ontnuo

Para um pro esso de tempo dis reto, a funo amostra ompletamente des rita
pela sequn ia ordenada de variveis aleatrias Xn = X(nT ).

Denio 8.4. Sequn ia aleatria. Uma sequn ia aleatria uma sequn ia


ordenada de variveis aleatrias X 0 , X1 , . . .
Pro essos Esto sti os 143

X(t)

X(n)

Y (t)

PSfrag repla ements


Y (n)

Figura 8.3: Funes amostra de quatro tipos de pro essos esto sti os: 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:

Denio 8.5. Pro essos de durao nita, semi-innita e innita.


a) X(t) um pro esso de durao nita t 2 t1 se para todo s, x(t, s) = 0 para
t < t1 e t > t2 > t1 .

b) X(t) um pro esso de durao semi-innita se para todo s, x(t, s) = 0, para


t < t1 .

) aso ontrrio, X(t) um pro esso de durao innita.

8.3 Variveis aleatrias a partir de pro essos esto sti os


Suponha que estamos observando um pro esso esto sti o em um instante de tempo
parti ular t1 . Neste aso, ada vez que realizamos um experimento, observamos uma
funo amostra x(t, s) e esta funo amostra espe i a o valor de x(t1 , s). Cada vez que
realizamos o experimento, temos um novo s e observamos um novo x(t1 , s). Portanto,
144 Pro essos Esto sti os

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

Qual a fdp de fX(t1 ) (x)?

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,

Z x/| cos(2f t)|


P [X(t) x] = P [R x/| cos(2f t)|] = fR (r) dr = 1 ex/10| cos(2f t)|
0

Quando cos(2f t) 6= 0, a df ompleta de X(t)


0,
x<0
FX(t) (x) =


1 ex/10| cos(2f t)| , x 0

Quando cos(2f t) 6= 0, a fdp ompleta de X(t)



0, x<0
dFX(t) (x)
fX(t) (x) =
dx 1

ex/10| cos(2f t)| , x 0
10| cos(2f t)|

Quando | cos(2f t)| = 0, o que orresponde a t = /2 + k , X(t) = 0 independente


de quo grande R possa ser. Neste aso, fX(t) (x) = (x). Neste exemplo, existe uma
varivel aleatria diferente para ada valor de 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

Exemplo 8.2. Suponha que nos instantes de tempo T = 0, 1, 2, . . . , jogamos um dado


e anotamos o resultado NT , onde 1 NT 6. Denimos um pro esso esto sti o
X(t) tal que para T T < T + 1, X(t) = NT . Neste aso, o experimento onsiste em
uma sequn ia innita de jogadas, e uma funo amostra apenas uma forma de onda
orrespondente sequn ia parti ular dos resultados observados.
Seja Xn = X(nT ). Qual a fmp de X3 ?

Soluo. a varivel aleatria X3 o valor da jogada do dado no instante 3. Neste aso,

(
1/6, x = 1, 2, . . . , 6
pX3 (x) =
0, aso ontrrio

Vimos no Captulo 2 que a fdp fX (x) um modelo probabilsti o ompleto para a


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

8.4 Sequn ias aleatrias independentes e identi amente


distribudas

Denio 8.6. Sequn ias iid. Uma sequn ia aleatria independente e


identi amente distribuda (iid) uma sequn ia aleatria Xn para a qual
. . . , X2 , X1 , X0 , X1 , X2 , . . . so variveis aleatrias iid.

Uma sequn ia aleatria o orre quando realizamos tentativas independentes de um


experimento a uma taxa onstante. Uma sequn ia aleatria pode assumir tanto valo-
res dis retos quanto ontnuos. No aso dis reto, ada varivel aleatria Xi tem fmp
pXi (x) = pX (x), enquanto que no aso ontnuo, ada Xi tem fdp fXi (x) = fX (x).

Exemplo 8.3. Em uma linha de produo de resistores de 1000, a resistn ia real de


ada resistor 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 re-
sistn ia exata. Seja Rn igual ao nmero de resistores om tolern ia de 1% en ontrados
durante o minuto n. Assim, a varivel aleatria Rn tem fmp binomial
146 Pro essos Esto sti os

( 
60
r pr (1 p)60r , r = 0, 1, . . . , 60
pRn (r) =
0, aso ontrrio

Desde que ada resistor um resistor de tolern ia 1% independentemente de todos


os outros resistores, o nmero de resistores om tolern ia de 1% en ontrados a ada
minuto independente do nmero en ontrado em outros minutos. Ento, R1 , R2 , . . .
uma sequn ia aleatria iid.

Para uma sequn ia aleatria, a distribuio onjunta de um vetor amostra X 1 , X2 ,


. . . , Xn f il de es rever desde que o produto das fdps ou fmps indivivuais.

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.

Denio 8.7. Um pro esso de Bernoulli Xn om probabilidade de su esso p uma


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

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.

Exemplo 8.5. Para um pro esso de Bernoulli Xn om probabilidade de su esso p,


en ontre a fmp onjunta de X1 , . . . , Xn .

Soluo. Para uma ni a amostra Xi , podemos es rever a fmp de Bernoulli da seguinte


maneira
Pro essos Esto sti os 147

(
pxi (1 p)1xi , xi {0, 1}
pXi (xi ) =
0, aso ontrrio

Quando xi {0, 1} para i = 0, . . . , n, a fmp onjunta pode ser es rita omo

n
Y
pX1 ,...,Xn (x1 , . . . , xn ) = pxi (1 p)1xi = pk (1 p)nk
i=1

onde k = x1 + + xn . A expresso ompleta para a fmp onjunta

(
px1 ++xn (1 p)n(x1 ++xn ) , xi {0, 1}, i = 1, 2, . . . , n
pX1 ,...,Xn (x1 , . . . , xn ) =
0, aso ontrrio

8.5 Pro esso de Contagem


Um pro esso de ontagem N (t) omea no instante t = 0 e onta a o orrn ia de eventos.
Estes eventos so em geral hamados de hegadas desde que os pro essos de ontagem
so mais usados para modelar a hegada de lientes a um determinado servidor.
Desde que ini iamos em t = 0, n(t, s) = 0 para todo t 0. Ainda, o nmero de
hegadas at um instante t > 0 qualquer um nmero inteiro que no de res e om o
tempo.

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.

Podemos imaginar N (t) omo o nmero de lientes que hega a um sistema no


intervalo (0, t]. Uma funo amostra tpi a de um pro esso de ontagem mostrada
na Figura 8.4. Os saltos na funo amostra de um pro esso de ontagem mar am as
hegadas e o nmero de hegadas no intervalo (t0 , t1 ] simplesmente N (t1 ) N (t0 ).
Podemos usar um pro esso de Bernoulli X1 , X2 , . . . para derivar um pro esso de
ontagem simples. Considere um intervalo de tempo de tamanho de modo que exista
uma hegada na intervalo (n, (n + 1)] se e somente se Xn = 1. Para uma onstante
arbitrria > 0, podemos es olher pequeno o su iente para assegurar que < 1.
Neste aso, es olhemos a probabilidade de su esso de Xn omo sendo . Isto impli a
que o nmero de hegadas Nm no instante T = m tem fmp binomial

( 
m n mn , n = 0, 1, . . . , m
PNm (n) = n (T /m) (1 T /m) (8.1)
0, aso ontrrio

Pode-se mostrar que medida que m , ou equivalentemente medida que


0 a fmp de Nm aproxima-se da fmp de uma v.a. om distribuio de Poisson
N (T ) om fmp
148 Pro essos Esto sti os

N (t)
6

5 ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...........................................
...
...
....
..
...
..
....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ...............................................................................................................
4 ... ..
...
... ....
...
.. ....
.... .
....... ....... ....... ....... ....... ....... ....... ....... ....... ............................................................................................................................................
3 .. ... ....
...
.. .... ....
.... . .
...
... .... ....
.
.
2 ....... ....... ....... ....... ....... ..........................................................
.. ... .... ....
.... . . .
...
... .... .... ....
...
... .... .... ....
.
. . . .
1 ....... ....... ....... .....................................
. . . . .
.... .... .... .... ....
...
... ... ... ... ...
... . . . .
-
.. . . . .
.... .... .... .... ....

S1 S2 S3 S4 S5 t
X1-
.
.
.
. X2 ..
.................
.......... -
..........
.
.............
X3 ...-
...............
.
.
................................................
X4 - .
...............................................................................................
. X 5
- .
.............................................
.

Figura 8.4: Funo amostra de um pro esso de ontagem

(
(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.

8.6 Pro esso de Poisson


Considere uma situao na qual os eventos o orrem em instantes de tempo aleatrios a
uma taxa mdia de eventos por segundo. Por exemplo, um evento poderia representar
a hegada de um liente a uma estao de servio ou a falha de um omponente em
algum sistema. Seja N (t) o nmero de o orrn ias destes eventos no intervalo de tempo
[0, t]. N (t) ento um pro esso esto sti o ontnuo no tempo, no des res ente e que
assume apenas valores inteiros, omo mostrado na Figura 8.4.
Suponha agora que o intervalo [0, t] seja dividido em n subintervalos de durao
innitesimal = t/n. Assuma tambm que as seguintes ondies sejam tambm
observadas:

1. A probabilidade da o orrn ia de mais de um evento em um destes subintervalos


desprezvel omparada probabilidade de observar zero ou um eventos.
Pro essos Esto sti os 149

2. A o orrn ia de um evento em um dado subintervalo independe dos resultados


observados nos outros subintervalos.

A primeira suposio impli a que o resultado em ada subintervalo pode ser visto
omo o resultado de um teste de Bernoulli. A segunda suposio impli a que estes testes
de Bernoulli so independentes. 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

Se zermos agora n (isto , 0), e p 0 enquanto


t = np xo,
mantemos
ento a distribuio binomial tende a uma distribuio de Poisson om parmetro t.
Podemos on luir ento que o nmero de o orrn ias N (t) de eventos no intervalo [0, t]
tem uma distribuio de Poisson de mdia t:

(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

O nmero de hegadas em qualquer intervalo (t0 , t1 ], N (t1 ) N (t0 ), uma


varivel aleatria om distribuio de Poisson om valor esperado (t1 t0 ).

Para qualquer par de intervalos no sobrepostos, (t0 , t1 ] e (t0 , t1 ], o nmero de

hegadas em ada intervalo, N (t1 ) N (t0 ) e N (t1 ) N (t0 ) respe tivamente,
so variveis aleatrias independentes.

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

onde i = (ti ti1 ).

Demonstrao. Seja M1 = N (t1 ) e para i = 2, . . . , k, seja Mi = N (ti ) N (ti1 ). Pela


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

pN (t1 ),...,N (tk ) (n1 , . . . , nk ) = pM1 ,M2 , ,Mk (n1 , n2 n1 , . . . , nk nk1 )


= pM1 (n1 )pM2 (n2 n1 ) pMk (nk nk1 )

Substituindo a Equao (8.3) por pMi (ni ni1 ), ompletamos a prova.

Exemplo 8.6. Um sistema de mensagens gravadas re ebe a essos de a ordo om um


pro esso de Poisson de taxa 15 a essos por minuto. En ontre a probabilidade de, em
um intervalo de tempo de 1 minuto, 3 a essos sejam feitos nos primeiros 10 segundos e
2 a essos sejam feitos nos ltimos 15 segundos.

Soluo. A taxa de hegada em segundos = 15/60 = 1/4 a essos por segundo.


Es revendo o tempo em segundos, a probabilidade de interesse

P [N (10) = 3 e N (60) N (45) = 2]


Apli ando as propriedades de in rementos independentes e in rementos esta ion-
rios,

P [N (10) = 3 e N (60) N (45) = 2] = P [N (10) = 3]P [N (60) N (45) = 2]


= P [N (10) = 3]P [N (60 45) = 2]
(10/4)3 e10/4 (15/4)2 e15/4
= = 0, 035
3! 2!

importante lembrar que a propriedade dos intervalos independentes do pro esso


de Poisson pre isa se manter mesmo para intervalos bastante pequenos. Por exemplo,
o nmero de hegadas em (t, t + ] pre isa ser independente do pro esso de hegada
sobre [0, t] independentemente de quo pequeno es olhamos > 0. Essen ialmente, a
probabilidade de uma hegada em qualquer instante independente da histria passada
do pro esso. Neste sentido, o pro esso de Poisson sem memria.
Pro essos Esto sti os 151

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

Demonstrao. Dado X1 = x1 , X2 = x2 , . . . , Xn1 = xn1 , a hegada n1 o orre no


instante

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

P [Xn > x|X1 = x1 , . . . , Xn1 = xn1 ] = P [N (tn1 + x) N (tn1 ) = 0] = ex

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


(
1 ex , x > 0
FXn (x) = 1 P [Xn > x] =
0, aso ontrrio

Tomando a derivada da fd , podemos ver que Xn tem fdp exponen ial fXn (x) =
fX (x), o que demonstra o teorema.

Exemplo 8.7. En ontre a mdia e a varin ia do tempo at o d imo a esso no Exem-


plo 8.6.

Soluo. A taxa de hegada de = 1/4 a essos por segundo, de modo que os tempos
entre hegadas so variveis aleatrias om distribuio exponen ial de parmetro .
Para a distribuio exponen ial, a mdia e a varin ia so, respe tivamente, 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
.

8.7 Pro esso sinal telegr o aleatrio


Considere um pro esso aleatrioX(t) que assume os valores 1. Suponha que X(0) =
1 om probabilidade 1/2, e suponha que X(t) mude de polaridade om ada evento de
um pro esso de Poisson de taxa . A Figura 8.5 mostra uma funo amostra de X(t).

..
X(t) .........6
.
....
...
..
.......... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....
1 ..
....
..
...
...
...
...
...
...
...
-
..............................................................................................................................................................................................................................................................................................................................................................................................................................................
...
...
...
...
t
...
...
...
...
...
.
1 .......... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....... ....
....
...
...
 ..
..
- -- .. .. ..
..
- ..
..
-
- ..
..
..
......................................................................................................................................................................................................................................................................................................................................................................................................................
.. .. ..

X1 X2 X3 X4 X5 X6 X7

Figura 8.5: Funo amostra de um pro esso telegr o aleatrio

A fmp de X(t) dada por

P [X(t) = 1] = P [X(t) = 1|X(0) = 1]P [X(0) = 1]


+ P [X(t) = 1|X(0) = 1]P [X(0) = 1] (8.5)
Pro essos Esto sti os 153

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

P [X(t) = 1|X(0) = 1] = P [N (t) = inteiro par]



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

P [X(t) = 1|X(0) = 1] = P [N (t) = inteiro mpar]



X (t)2j+1 t
= e
(2j + 1)!
j=0
1  t
= et e et
2
1
= 1 e2t (8.7)
2
Substituindo estes resultados na Equao (8.5), temos:

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:

E[X(t)] = 1P [X(t) = 1] + (1)P [X(t) = 1] = 0

Var[X(t)] = E[X 2 (t)] E 2 [X(t)] = (1)2 P [X(t) = 1] + (1)2 P [X(t) = 1] 0 = 1


E a funo de auto ovarin ia de X(t) dada por:

CX (t1 , t2 ) = E[X(t1 ), X(t2 )]


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

8.8 Pro esso movimento Browniano


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

Denio 8.10. Pro esso movimento Browniano. Um pro esso movimento


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

X(t ) para todo tt.

Para o movimento Browniano, podemos ver X(t) omo a posio de uma part ula
em uma linha. Para um pequeno in remento de tempo ,

X(t + ) = X(t) + [X(t + ) X(t)] (8.9)

Embora esta expanso possa pare er trivial, pela denio de movimento Browni-
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

Substituindo (8.11) em (8.12), ompletamos a prova.

8.9 Mdias estatsti as de pro essos aleatrios


Assim omo denimos mdias estatsti as para v.a.'s, podemos de forma similar, denir
mdias estatsti as para um pro esso esto sti o. Tais mdias so tambm hamadas
de mdias de onjunto. Estas sero ento utilizadas para espe i ar um pro esso
aleatrio.
Se adotarmos a idia de que um pro esso aleatrio X(t) uma v.a. X que uma
funo do tempo, hegaremos on luso de que X(t) ompletamente espe i ada se
a fdp de X espe i ada para ada valor de t. Iremos ver rapidamente que as oisas
no so assim to simples. Entretanto, ome emos om a idia de espe i ar uma v.a.
X para ada valor de t.
Para o pro esso esto sti o X(t) representando a temperatura de uma idade, isto
impli ar em onsiderar as amplitudes das funes amostra em algum instante t = t1 . O
valor X(t1 ; 1 ) representa a temperatura no instante t1 no i -simo dia e o resultado
da i -sima tentativa. Ento, todas as amplitudes das funes amostra em t = t1
representam valores tomados pela v.a. X em t = t1 , isto X(t1 ).
Podemos fazer isto para ada valor de t. A fdp de X pode ser diferente para
diferentes valores de t em geral. Para indi ar este fato, a fdp de X no instante t
expressa por fX (x; t).

Exemplo 8.8. Limiar de deteo. Sobre um anal binrio, as mensagens m=0 e


m=1 so transmitidas om probabilidades iguais usando um pulso positivo e negativo,
respe tivamente. O pulso transmitido orrespondente mensagem 1 p(t), mostrado na
Figura 8.6, e o pulso transmitido orrespondente mensagem 0 ser p(t). Determine
as estatsti as de primeira ordem.

p(t)

PSfrag repla ements

Ap

Tp t

Figura 8.6: Forma de onda do pulso p(t).

Soluo. Seja Ap a amplitude de pi o dep(t) em t = Tp . Por ausa do rudo de anal


n(t), os pulsos re ebidos sero p(t) + n(t) (Figura 8.7).
Para dete tar os pulsos no re eptor, ada pulso amostrado em sua amplitude de
pi o. Na ausn ia de rudo, a sada do amostrador Ap (para m = 1) ou Ap (para
m = 0). Por ausa do rudo do anal, a sada do amostrador Ap + n, onde n, a
amplitude do sinal de rudo no instante de amostragem, uma v.a. No re eptor, utiliza-
se um limiar de deteo igual a 0, isto , se o pulso amostrado em seu pi o tem um valor
positivo, a de iso 1, e se menor que 0, a de iso 0.
156 Pro essos Esto sti os

Figura 8.7: Erro de deteo devido ao rudo.

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).

Soluo. Pode-se ver fa ilmente que a distribuio de amplitudes de X(t) idnti a


de Y (t) e, desta forma, a fdp de primeira ordem de X(t) idnti a de Y (t).
Pro essos Esto sti os 157

Figura 8.8: Pro esso esto sti o omprimido no tempo.

fX (x) ou fY (y)

PSfrag repla ements

0 x ou y

Figura 8.9: Fdp dos pro essos x e 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

Denio 8.11. Funo de auto orrelao. Se as variveis aleatrias X(t1 ) e


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

RX (t1 , t2 ) = E[X(t1 )X(t2 )]

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.

No exemplo a ima, pode-se ver que para um valor pequeno de , o produto X 1 X2


ser positivo para a maioria das funes amostra de X(t), mas o produto Y1 Y2 poder
ser tanto positivo omo negativo. Desta forma, X1 X2 ser maior que Y1 Y2 . Alm disso,
X1 e X2 iro mostrar orrelao para valores de onsideravelmente grandes, enquanto
que Y1 e Y2 iro perder a orrelao rapidamente mesmo para valores pequenos de ,
omo mostrado na Figura 8.10.

Figura 8.10: Funes de auto orrelao para os pro essos X(t) e Y (t).

Ento RX (t1 , t2 ), a funo de auto orrelao de X(t), forne e informaes impor-


tantes sobre o ontedo de freqn ias do pro esso, e pode ser derivada da fdp onjunta
de X1 e X2 . Esta a fdp de segunda ordem.

Em resumo, para espe i ar um pro esso aleatrio, pre isamos no s da fdp de


primeira ordem mas tambm da fdp de segunda ordem .

Em geral, pre isamos da medida de interdependn ia de n x1 , x2 , . . . , xn


variveis
nos instantes t1 , t2 , . . . , tn . Esta informao forne ida pela fdp de ordem n,

fX1 X2 Xn (x1 , x2 , . . . , xn ). A determinao desta fdp uma tarefa formidvel, mas


felizmente, na maioria dos asos, iremos pre isar apenas das estatsti as de primeira e
segunda ordens.

Podemos sempre derivar a fdp de ordem inferior a partir de fdp's de ordem superior
por simples integrao. Por exemplo,

Z +
fX1 (x1 ) = fX1 X2 (x1 , x2 ) dx2

Ento, quando temos a fdp de ordem n, no ne essrio espe i ar as fdp's de


ordem menor que n.
Pro essos Esto sti os 159

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

O primeiro momento hamado de mdia de um pro esso esto sti o, e denido


omo

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

Em geral, o valor do n-simo momento ir depender do instante de tempo ti se


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

8.9.2 Funo de auto ovarin ia

Denio 8.14. A funo de auto ovarin ia denida omo

KX (t1 , t2 ) = E {[Xt1 m(t1 )] [Xt2 m(t2 )]} = RX (t1 , t2 ) m(t1 )m(t2 )


onde m(t1 ) e m(t2 ) so as mdias de Xt1 e Xt2 , respe tivamente.

Momentos onjuntos de ordem superior de duas ou mais v.a.'s derivadas de um pro-


esso esto sti o so denidos da mesma maneira. Entretanto, om a possvel ex eo
do pro esso gaussiano, para o qual os momentos de ordem superior podem ser expressos
em termos do primeiro e segundo momentos, estes momentos de ordem superior so
en ontrados om pou a frequn ia na prti a.
160 Pro essos Esto sti os

8.10 Classi ao dos pro essos esto sti os


8.10.1 Pro essos esto sti os esta ionrios e no esta ionrios

Denio 8.15. Um pro esso esto sti o ujas ara tersti as estatsti as no variam
om o tempo lassi ado omo um pro esso esto sti o esta ionrio. Para um
pro esso esta ionrio, podemos dizer que uma mudana da origem de tempo ser
impossvel de dete tar; o pro esso ir pare er o mesmo.

Suponha que determinemos fX1 (x1 ; t1 ), desloquemos a origem para t0 e al ulemos


novamente fX1 (x1 ; t1 ). t0 na nova refern ia dado por t2 = t1 + t0 na
O instante
refern ia antiga. Desta forma, as fdp's de X em t1 e t2 = t1 + t0 pre isam ser as
mesmas. Portanto, para um pro esso esta ionrio, fX1 (x1 ; t1 ) e fX2 (x2 ; t2 ) pre isam
ser idnti as. Isto possvel somente se fX1 (x1 ; t1 ) independente de t. Ento, a
densidade de primeira ordem de um pro esso esto sti o esta ionrio pode ser expressa
omo
fX (x; t) = fX (x)
De forma similar, podemos ver que a funo de auto orrelao RX (t1 , t2 ) pre isa ser
funo apenas de t 2 t1 . Desta forma, para um pro esso esta ionrio real

RX (t1 , t2 ) = RX (t1 t2 ) = RX ( ), = t 1 t2

RX ( ) = X(t)X(t + ) (8.13)

Tambm a funo de auto ovarin ia pode ser simpli ada para

KX (t1 , t2 ) = KX (t1 t2 ) = KX ( ) = RX ( ) m2
onde = t1 t2 .
Para um pro esso esta ionrio, a funo densidade de probabilidade onjunta para
x1 e x2 pre isa tambm depender somente de t2 t1 . Similarmente, funes densidade de
probabilidade de ordem mais alta tais omo fX1 X2 Xn (x1 , x2 , . . . , xn ) onde x1 = X(ti ),
so todas independentes da es olha da origem.

Exemplo 8.10. O pro esso aleatrio X(t) que representa a temperatura de uma idade
um exemplo de pro esso esto sti o no esta ionrio, pois as estatsti as da temperatura
(valor mdio por exemplo) dependem da hora do dia. Por outro lado, um pro esso
esto sti o representado por um rudo bran o um pro esso esta ionrio, porque suas
estatsti as no se alteram om o tempo.

Em geral no f il determinar se um pro esso esta ionrio, pois isto envolve a


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

8.10.2 Pro essos esta ionrios no sentido amplo


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

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.

Soluo. O onjunto da Figura 8.11 onsiste de senides de amplitude A e freqn ia


c onstantes, mas a fase aleatria. Para qualquer funo amostra a fase pode ter
qualquer valor no intervalo (0, 2), om distribuio uniforme.
ser uma v.a. uniformemente distribuda sobre a faixa (0, 2), podemos
Pelo fato de
determinar fX (x; t) e, portanto, X(t).
Para este aso parti ular, entretanto, X(t) pode ser determinada diretamente:

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

Figura 8.11: Pro esso aleatrio X(t) = A cos(c t + ).

E portanto

X(t) = 0
Desta forma, a mdia do onjunto das amplitudes das funes amostra em qualquer
instante t zero.
A funo de auto orrelao para este pro esso pode tambm ser determinada dire-
tamente a partir da Equao 8.13

RX (t1 , t2 ) = A2 cos(c t1 + ) cos(c t2 + )


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

cos[c (t1 t2 )] = cos[c (t1 t2 )]


O segundo termo funo da v.a. , e sua mdia

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.

Propriedades da funo de auto orrelao para pro essos esta ionrios no


sentido amplo:
1. A funo de auto orrelao par: RX ( ) = RX ( )

Demonstrao. RX ( ) = X(t)X(t + ) RX ( ) = X(t)X(t )


Fazendo = t , temos RX ( ) = X( + )X() = RX ( )

2. RX (0) = X 2

Demonstrao. RX (0) = X(t)X(t + 0) = X(t)X(t) = X 2 (t) = E[X 2 ]

3. RX (0) 0

Demonstrao. RX (0) = E[X(t)X(t)] = E[X 2 (t)].


Desde que X 2 (t) 0, E[X 2 (t)] 0, devemos ter E[X 2 (t)] 0.

4. Se Z(t) = X(t) + Y (t) ento RZ ( ) = RX ( ) + RY ( ) + RXY ( ) + RY X ( )

Demonstrao.

RZ ( ) = Z(t)Z(t + )
= [X(t) + Y (t)][X(t + ) + Y (t + )]
= X(t)X(t + ) + X(t)Y (t + ) + Y (t)X(t + ) + Y (t)Y (t + )
= RX ( ) + RXY ( ) + RY X ( ) + RY ( )

5. Se um pro esso esto sti o tem um omponente peridi o, ento a funo de


auto orrelao tambm peridi a:

X(t) = X(t + nT ) RX ( ) = RX ( + nT )

6. Se X(t) no tem omponentes peridi os, ento

lim RX ( ) = E 2 [X]

164 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:

lim RX ( ) = E[X(t)X(t + )] = E[X(t)]E[X(t + )] = E 2 [X]


7. RX (0) |RX ( )|.

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

Expandindo o quadrado, temos

 
E X 2 (t) 2X(t)X(t + ) + X 2 (t + ) 0

que pode ser rees rita em termos da funo de auto orrelao omo

2RX (0) 2RX ( ) 0 RX (0) |RX ( )|

8.10.3 Pro essos ergdi os


At agora estudamos a mdia e a funo de auto orrelao de um pro esso aleatrio.
Estas so mdias de onjunto de algum tipo. Por exemplo, X(t) a mdia de on-
junto das amplitudes das funes amostra em t, e a mdia de onjunto do produto
das amplitudes das funes amostra X(t1 ) e X(t2 ). Podemos tambm denir mdias
temporais para ada funo amostra.

Denio 8.17. A mdia temporal, X(t, i ), de uma funo amostra X(t, i ) dada
por

Z T /2
1
X(t, i ) = lim X(t, i ) dt
T T T /2

Similarmente, temos

Denio 8.18. A funo de auto orrelao temporal RX (, i ) dada por

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

Agora temos ondies para denir um pro esso ergdi o.

Denio 8.19. Pro essos ergdi os so aqueles para os quais as mdias de onjunto
so iguais s mdias temporais de qualquer funo amostra. Ento para um pro esso
ergdi o X(t)

X(t) = X(t, i )

RX ( ) = RX (, i )

Estas so apenas duas das mdias possveis. Para um pro esso ergdi o, todas as
possveis mdias de onjunto so iguais s mdias temporais orrespondentes de uma de
suas funes amostra. Pelo fato de uma mdia temporal no poder ser uma funo do
tempo, evidente que um pro esso ergdi o ne essariamente um pro esso esta ionrio,
mas o inverso no verdadeiro. Na Figura 8.12 tem-se um diagrama om a lassi ao
dos pro essos esto sti os quanto esta ionariedade e ergodi idade.

pro essos esto sti os

esta ionrios no sentido amplo

PSfrag repla ements


esta ionrios no sentido estrito

ergdi os

Figura 8.12: Classi ao dos pro essos esto sti os.

A exemplo da esta ionariedade, dif il testar se um pro esso ergdi o ou no,


pois pre isamos testar as mdias de onjunto e temporais para todas as ordens possveis.
Contudo, na prti a muitos dos pro essos esta ionrios so usualmente ergdi os om
relao pelo menos s estatsti as de segunda ordem, tais omo a mdia e a funo de
auto orrelao.

Exemplo 8.12. Mostre que o pro esso do exemplo anterior ergdi o para estatsti as
de at segunda ordem.
166 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).

A noo de ergodi idade extremamente importante, porque na prti a no temos


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

8.11 Exer ios


1. Seja o pro esso esto sti o denido por

x(t) = ax + b
Pro essos Esto sti os 167

onde b uma onstante e a uma varivel aleatria uniformemente distribuda


na faixa (0,100).

(a) Esbo e o onjunto deste pro esso.

(b) Apenas observando o onjunto, determine se este um pro esso esto sti o
esta ionrio ou no esta ionrio. Justique sua resposta.

2. Desenhe algumas funes amostra do pro esso esto sti o denido por

x(t) = A cos(t + )

(a) Se A a varivel aleatria uniformemente distribuda na faixa (-1,1).

(b) Se a varivel aleatria uniformemente distribuda na faixa (0,10).

( ) Se a varivel aleatria uniformemente distribuda na faixa (, ).

3. Mostre que para o pro esso

x(t) = k cos(0 t + )

onde uma varivel aleatria uniformemente distribuda sobre o intervalo (0, 2),
a funo de auto orrelao temporal dada por

2
RX ( ) = x(t)x(t + ) = k2 cos(0 )

4. Para o pro esso esto sti o

x(t) = sen(t + )

onde e so onstantes e uma varivel aleatria qualquer:

(a) Cal ule a mdia, a funo de auto orrelao e a funo de auto ovarin ia.

(b) Este pro esso esta ionrio no sentido amplo?

Resp:

(a) E[X(t)] = E[] sen(t + )


RX (t1 , t2 ) = E[ 2 ] sen(t1 + ) sen(t2 + )
KX ( ) = 2 sen(t1 + ) sen(t2 + )
(b) no

 
5. En ontre uma expresso para E (Xt2 Xt1 )2 em termos da funo de auto or-
relao.

Resp: E[(Xt2 Xt1 )2 ] = RX (t2 , t2 ) 2RX (t2 , t1 ) + RX (t1 , t1 )

6. No re eptor de um rdio AM, o sinal re ebido ontm uma portadora ossenoidal


om frequn ia fc e fase aleatria que uniformemente distribuda no intervalo
[0, 2]. O sinal de portadora re ebido

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

7. Seja o pro esso esto sti o

x(t) = A cos(t + )

onde e so onstantes e A uma varivel aleatria uniformemente distribuda


no intervalo (-1,1).

(a) Esbo e o onjunto deste pro esso.

(b) Apenas pela observao do onjunto, determine se este pro esso esta 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+
)

8. Seja o pro esso esto sti o denido por

X(t) = A cos t + B sen t

onde A e B so v.a.'s iid de mdia zero.

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

(b) Mostre que X(t) no esta ionrio no sentido estrito. Di a: Considere


E[X 3 (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))

9. Seja um pro esso esto sti o X(t) dado por

X(t) = Y cos t, t 0

onde uma onstante e Y uma v.a. distribuda uniformemente no intervalo


(0, 1). Para este pro esso, al ule:
Pro essos Esto sti os 169

(a) A mdia E[X(t)].


(b) A funo de auto orrelao RX (t1 , t2 ).
( ) A funo de auto ovarin ia KX (t1 , t2 ).
(d) Este pro esso esta ionrio?

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%.

(a) Cal ule p, a probabilidade de um resistor ter tolern ia de 1%.


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

(e) E[T2 |T1 = 10], a esperana ondi ional do tempo ne essrio para en ontrar
o segundo resistor om tolern ia de 1%, dado que o primeiro foi en ontrado
em 10 segundos.

Resp:

(a) 0.2
( 
t
n pn (1 p)tn , n = 0, 1, . . . , t
(b) pN (t) (n) =
0, aso ontrrio

( ) 5

(d) (0, 8)4 (0, 2) 0, 08192


(e) 15
170 Pro essos Esto sti os

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

13. Seja X(t) um pro esso movimento Browniano om varin ia Var[X(t)] = t.



Mostre que Y (t) = X(t)/ um pro esso movimento Browniano om varin ia
Var[Y (t)] = t.

14. Sejam dois pro essos esto sti os X(t) e Y (t) dados por:

X(t) = A cos(t + ) Y (t) = A sen(t + )

onde A e so onstantes e uma v.a. om distribuio uniforme no intervalo


0, 2 . Cal ule RXY ( ), RY X ( ), e mostre que RXY ( ) = RY X ( ).
Resp:

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?

Justique suas respostas.

Resp: (a) sim (b) sim.

16. Considere um pro esso esto sti o X(t) denido por

X(t) = U cos t + V sen t, <t<

onde U e V so variveis aleatrias independentes, e ada uma assume os valores


-2 e 1 om probabilidades 1/3 e 2/3, respe tivamente.

(a) Cal ule E[X(t)].


(b) Cal ule RX (t1 , t2 ).
( ) Este pro esso esta ionrio no sentido amplo?
Pro essos Esto sti os 171

Resp: (a) 0 (b) 2 cos(t2 t1 ) ( ) sim.

17. Pa ientes hegam a um onsultrio de a ordo om um Pro esso de Poisson de


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

(a) En ontre o tempo mdio de espera at que o primeiro pa iente seja admitido
pelo doutor.

(b) Qual a probabilidade de que ningum seja atendido na primeira hora?

Resp: (a) 30 minutos (b) 25 e6

18. Considere o pro esso esto sti o X(t) = Y cos(t), t 0, onde uma onstante,
e Y uma varivel aleatria uniformemente distribuda no intervalo (0, 1).

(a) Cal ule a mdia E[X(t)].


(b) Cal ule a funo de auto orrelao RX (t1 , t2 ).
( ) Cal ule a funo de auto ovarin ia KX (t1 , t2 ).
(d) Este pro esso esta ionrio no sentido amplo? Justique sua resposta.

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 .

22. Considere os seguintes pro essos autorregressivos :

Wn = 2Wn1 + Xn , W0 = 0

1
Zn = Zn1 + Xn , Z0 = 0
2
172 Pro essos Esto sti os

En ontre Wn e Zn em termos de Xn , Xn1 , . . . , X1 , e ento en ontre E[Wn ] e


E[Zn ].
Resp:
Pn ni X
Wn = i=1 2 n E[Wn ] = (2n 1)E[X]
Pn 1 ni
Zn = i=1 2 Xn E[Zn ] = 2(1 (1/2)n1 )E[X]

23. Seja Z1 , Z2 , . . . , Zn um onjunto de variveis aleatrias iid, om P [Zn = 1] = p e


P [Zn = 1] = q = 1 p para todo n. Seja

n
X
Xn = Zi , n = 1, 2, . . .
i=1

e X0 = 0. A oleo de variveis aleatrias {Xn , n 0} um pro esso aleatrio,


onhe ido omo aminhada aleatria simples em uma dimenso X(n).

(a) Construa uma sequn ia amostral tpi a de X(n).


(b) Sabendo que para este pro esso, a fdp de primeira ordem dada por:

 
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.

( ) Comprove o resultado do item b) enumerando todas as sequn ias possveis


que levam ao valor X(n) = 2 depois de 4 passos.

Resp: P [X(4) = 2] = 4pq 3

24. Seja Xn , n 0 uma sequn ia de variveis aleatrias iid om mdia 0 e varin ia


1. Mostre que {Xn , n 0} um pro esso esta ionrio no sentido amplo.
Captulo 9

Pro essamento de Sinais Aleatrios


Neste aptulo vamos utilizar os modelos do Captulo 8 para representar sinais eltri os
omo funes amostra de pro essos esto sti os esta ionrios no sentido amplo. Usamos
esta representao para des rever os efeitos de ltros lineares. Em parti ular vamos
derivar a funo de auto orrelao do pro esso esto sti o na sada de um ltro em
termos da funo de auto orrelao do pro esso de entrada e da resposta a impulso do
ltro. Vamos denir tambm a funo espe tro densidade de potn ia de um pro esso
esto sti o.

9.1 Sistemas lineares e invariantes no tempo


Antes de entrarmos no es opo da matria, vamos denir alguns on eitos essen iais
ompreenso do assunto:

Denio 9.1. Linearidade: Um sistema linear se atende ao Teorema da Super-


posio, isto

T [ax1 (t) + bx2 (t)] = aT [x1 (t)] + bT [x2 (t)] (9.1)

onde x1 (t) e x2 (t) so sinais de entrada arbitrrios, e a e b so onstantes arbitrrias.

Denio 9.2. Invarin ia no Tempo: Se y(t) a resposta entrada x(t), ento


o sistema dito invariante no tempo se para x(t ) temos y(t ).

Denio 9.3. Resposta Impulsiva: A resposta impulsiva h(t) de um sistema


linear e invariante no tempo denida por

h(t) = T [(t)] (9.2)

onde (t) uma funo impulso unitrio apli ada no intstante t = 0.


174 Pro essamento de Sinais Aleatrios

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)

para sinais ontnuos no tempo, e


X
X
y[n] = h[n] x[n] = h[j]x[n j] = h[n j]x[j] (9.4)
j= j=

para sinais dis retos no tempo.

Denio 9.4. Causalidade: Um sistema ausal se a resposta no instante t


depende apenas de valores de entrada passados, isto , se

h(t) = 0, t < 0 (9.5)

9.2 Filtragem linear de um pro esso esto sti o


Em muitas apli aes de pro essamento de sinais interessante representar os sinais
omo funes amostra de um pro esso esto sti o. Nestas apli aes, impossvel saber
ante ipadamente qual sinal ir apare er. Entretanto, podemos obter informaes sobre
os modelos probabilsti os destes sinais. Nas apli aes mais frequentes, os pro essos
esto sti os so esta ionrios no sentido amplo, e desta forma as informaes disponveis
onsistem das estatsti as de primeira e segunda ordem, ou seja, a fdp ou fmp fX (x) e
a funo de auto orrelao RX ( ).
Consideremos um ltro linear invariante no tempo om resposta a impulso h(t). Se
a entrada um sinal determinsti o v(t), a sada w(t) dada pela integral de onvoluo
Z
w(t) = h(u)v(t u) du (9.6)

Esta relao pode tambm ser expressa no domnio da frequn ia em termos da


transformada de Fourier.

Denio 9.5. Transformada de Fourier. As funes g(t) e G(f ) so hamadas


de um par de transformadas de Fourier se
Z Z
G(f ) = g(t) ej2f t dt g(t) = G(f ) ej2f t df (9.7)

Se um ltro linear tem resposta a impulso h(t), a transformada de Fourier H(f )


hamada de resposta em frequn ia do ltro. A onvoluo entre a entrada v(t) do
ltro e a sua resposta a impulso h(t) no domnio do tempo torna-se uma multipli ao
o domnio da frequn ia, isto , se v(t) a entrada de um ltro linear invariante no
Pro essamento de Sinais Aleatrios 175

tempo om resposta a impulso h(t), a transformada de Fourier da sada do ltro W (f ),


est rela ionada transformada da entrada, V (f ) e resposta em frequn ia do ltro
H(f ) por

W (f ) = H(f )V (f ) (9.8)

Se as possveis entradas do ltro so funes amostras de um pro esso esto sti o


X(t), ento para uma entrada parti ular x(t; s), a sada ser dada pela onvoluo

Z
y(t, s) = h(u)x(t u; s) du (9.9)

Pelo fato de y(t; s) estar asso iada a um resultado s de um experimento, y(t; s)


uma funo amostra de um pro esso esto sti o Y (t). Portanto, o modelo de ltragem
linear ompleto onsiste dos seguintes passos

Realizao do experimento e observao de um resultado s.

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).

Observao da sada y(t; s) do ltro.

Denio 9.6. Pro esso de sada de um ltro linear invariante no tempo.


X(t) a entrada de um ltro linear invariante no tempo om resposta a impulso
h(t), e a sada se todas as entradas do ltro so funes amostra de X(t) e
Y (t)
as sadas so funes amostra de Y (t). Y (t) est rela ionado om X(t) pela integral
de onvoluo
Z Z
Y (t) = h(u)X(t u) du = h(t u)X(u) du (9.10)

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

Isto sugere que medida que 0, temos

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).

Teorema 9.1. Se a entrada de um ltro linear invariante no tempo om resposta a


impulso h(t) um pro esso esta ionrio no sentido amplo X(t), a sada um pro esso
esta ionrio no sentido amplo Y (t) om valor mdio e funo de auto orrelao dados
por
Z
Y = X h(t) dt = X H(0) (9.12)

Z Z
RY ( ) = h(u) h(v)RX ( + u v) dvdu (9.13)

Demonstrao. Primeiramente, observemos que a mdia de Y (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

Como X(t) esta ionrio no sentido amplo, E[X(tu)X(t+ v)] = RX ( v +u)


de modo que

Z Z
RY (t, ) = RY ( ) = h(u) h(v)RX ( v + u) dvdu

Pro essamento de Sinais Aleatrios 177

Quando a entrada e a sada de um ltro so determinsti as, a relao no domnio da


frequn ia W (f ) = H(f )V (f ) avaliada em f = 0 leva a W (0) = H(0)V (0). Para sinais
determinsti os, V (0) e W (0) so onhe idas omo as omponentes DC (frequn ia zero)
de v(t) e w(t).

Por analogia, podemos interpretar a Equao (9.12) no Teorema 9.1 hamando X


e Y de omponentes DC dos pro essos X(t) e Y (t).

A interpretao da segunda parte do Teorema 9.1 menos direta. Alm disso,


usando o Teorema 9.1 para al ular RY ( ) a partir de RX ( ) e h(u) extremamente
dif il. Neste aso, mais f il trabalhar no domnio da frequn ia.

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

Qual o valor esperado do pro esso Y (t) de sada do ltro?

Soluo. Apli ando o Teorema 9.1 temos

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

9.3 Espe tro densidade de potn ia


Assim omo para sinais determinsti os, instrutivo onsiderar a ltragem linear de
pro essos esto sti os no domnio da frequn ia.

Denio 9.7. Espe tro densidade de potn ia. Para um pro esso esto sti o
X(t) esta ionrio no sentido amplo, a funo de auto orrelao e o espe tro densidade
de potn ia SX (f ) so o par de transformadas de Fourier
Z Z
j2f
SX (f ) = RX ( )e d RX ( ) = SX (f )ej2f df

Pelo fato de SX (f ) e RX ( ) serem um par de transformadas de Fourier, se tivermos a


expresso de uma, podemos sempre derivar a expresso da outra. O espe tro densidade
de potn ia tem algumas propriedades importantes.
178 Pro essamento de Sinais Aleatrios

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 )

Demonstrao. A primeira propriedade demonstrada onsiderando = 0 para RX ( )


na Denio 9.7.
Para provar a segunda propriedade, observemos que RX ( ) = RX ( ) impli a

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)

SY (f ) = |H(f )|2 SX (f ) (9.14)

Demonstrao. Do Teorema 9.1, podemos es rever

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

PSfrag repla ements H(f )


B
1

f0 f0 f

Figura 9.1: Filtro passa faixa ideal H(f ) om frequn ia entral f0 e largura de banda
B Hz.

X(t) atravs do ltro H(f ) teremos


Neste aso, se passamos um pro esso esto sti o
na sada uma forma de onda Y (t) que est na banda de passagem do ltro H(f ). Como
mostrado a ima, o espe tro densidade de potn ia da sada do ltro

SY (f ) = |H(f )|2 SX (f )
Alm disso, a potn ia mdia de 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

Desde que SX (f ) = SX (f ), quando B pequeno, temos


1

E[Y 2 (t)] 2BSX (f0 ) (9.15)

Podemos ver que a potn ia mdia da sada do ltro aproximadamente o espe tro
densidade de potn ia da entrada na frequn ia entral do ltro vezes a largura de faixa
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

Assumindo que b > 0 e b 6= 1/(RC), en ontre SY (f ) e RY ( ) da sada Y (t) do


ltro. Qual a potn ia mdia do pro esso esto sti o na sada do ltro?

Soluo. Por onvenin ia, faamos a = 1/(RC). Desta forma, a funo de transfe-
rn ia do ltro

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

Usando o Teorema 9.3, es revemos

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

9.4 Correlaes ruzadas


Vimos que qundo passamos um pro esso esto sti o X(t) atravs de um ltro linear
H(f ), a sada Y (t) um novo pro esso esto sti o. Para duas v.a.'s X e Y, a fdp ou
fmp onjunta um modelo de probabilidade ompleto. Para dois pro essos esto sti os
X(t) e Y (t), um modelo de probabilidade ompleto onsiste de uma fdp ou fmp onjunta
das v.a.'s


X(t1 ), X(t2 ), . . . , X(tn ), Y (t1 ), Y (t2 ), . . . , Y (tk )


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

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


1 m

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


1 m

9.4.1 Funo de orrelao ruzada


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

Denio 9.9. Funo de orrelao ruzada. A orrelao ruzada dos pro-


essos X(t) e Y (t) dada por

RXY (t, ) = E[X(t)Y (t + )]

Denida a orrelao ruzada, vamos agora apresentar dois on eitos importantes


no estudo dos pro essos esto sti os:
182 Pro essamento de Sinais Aleatrios

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 .

Denio 9.12. Pro essos onjuntamente esta ionrios no sentido amplo.


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

RXY (t, ) = RXY ( )

Propriedades da funo de orrelao ruzada


Vimos anteriormente que a funo de auto orrelao par, ou seja, RX ( ) = RX ( ).
A orrelao ruzada de pro essos esto sti os onjuntamente esta ionrios tem uma
simetria ligeiramente diferente:

Teorema 9.5. Se X(t) e Y (t) so onjuntamente esta ionrios no sentido amplo


ento

RXY ( ) = RY X ( )

Demonstrao. Da Denio 9.9, RXY ( ) = E[X(t)Y (t+ )]. Fazendo u = t+ , temos


Pro essamento de Sinais Aleatrios 183

RXY ( ) = E[X(u )Y (u)] = E[Y (u)X(u )] = RY X (u, )

Desde que X(t) e Y (t) so onjuntamente esta ionrios no sentido amplo, podemos
on luir que RY X (u, ) = RY X ( )

Teorema 9.6. Se X(t) e Y (t) so onjuntamente esta ionrios no sentido amplo


ento

|RXY ( )| {RX (0)RY (0)}1/2

Demonstrao. Usando a Desigualdade de Cau hy-S hwarz (Equao (3.34)), segue que

{E[X(t)Y (t + )]}2 E[X 2 (t)]E[Y 2 (t + )]

Rees revendo esta equao em termos da funo de auto orrelao, temos:

p
[RXY ( )]2 RX (0)RY (0) |RXY ( )| RX (0)RY (0)

Teorema 9.7. Se X(t) e Y (t) so onjuntamente esta ionrios no sentido amplo


ento

1
|RXY ( )| [RX (0) + RY (0)]
2

Demonstrao.

E [X(t) Y (t + )]2 0

Expandindo o quadrado, temos

 
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

Teorema 9.8. Se X e Y so v.a.'s independentes, ento

RXY ( ) = RY X ( ) = X Y

Demonstrao.

RXY ( ) = E[X(t)Y (t + )]

Como X e Y so independentes, podemos es rever

E[X(t)Y (t + )] = E[X(t)]E[Y (t + )] = X Y

9.4.2 Densidade espe tral ruzada


Quando X(t) e Y (t) so onjuntamente esta inrios no sentido amplo, podemos estudar
a orrelao ruzada no domnio da frequn ia.

Denio 9.13. Densidade espe tral ruzada. Para pro essos X(t) 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

Como a densidade espe tral ruzada a transformada de Fourier da funo de


orrelao ruzada, podemos mostrar o seguinte teorema:

Teorema 9.9. Para os pro essos X(t) e Y (t) onjuntamente esta ionrios no sentido
amplo, a densidade espe tral ruzada apresenta a seguinte simetria

SXY (f ) = SY X (f )

En ontramos orrelaes ruzadas em experimentos que envolvem observaes rui-


dosas de um pro esso esto sti o X(t) esta ionrio no sentido amplo.
Pro essamento de Sinais Aleatrios 185

Exemplo 9.3. Suponha que estejamos interessados em X(t) mas s podemos observar

Y (t) = X(t) + N (t)


onde N (t) um pro esso esta ionrio no sentido amplo om mdia zero, que interfere
om nossa observao de X(t). X(t) e N (t) so onjuntamente esta i-
Assumimos que
onrios no sentido amplo. Para ara terizar Y (t), en ontre a mdia E[Y (t)], a funo
de auto orrelao RY ( ), e o espe tro densidade de potn ia SY (f ).

Soluo. Desde que o valor esperado de uma soma igual soma dos valores esperados,
E[Y (t)] = E[X(t)] + E[N (t)] = E[X(t)]
desde que E[N (t)] = 0 (dado do problema).
Para a funo de auto orrelao, temos

RY (t, ) = E[Y (t)Y (t + )]


= E[(X(t) + N (t))(X(t + ) + N (t + ))]
= RX ( ) + RXN (t, ) + RN X (t, ) + RN ( )

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).

Soluo. Neste aso,

RXN (t, ) = E[X(t)N (t + )] = E[X(t)]E[N (t + )] = 0


Similarmente, RN X (t, ) = 0. Isto impli a

RY ( ) = RX ( ) + RN ( )

SY (f ) = SX (f ) + SN (f )
186 Pro essamento de Sinais Aleatrios

9.4.3 Filtragem de pro essos esto sti os


A funo de auto orrelao e a densidade espe tral de potn ia so parti ularmente teis
na ara terizao da entrada e sada de um ltro linear invariante no tempo. Quando
X(t) e Y (t) so os pro essos de entrada e sada de um ltro linear invariante no tempo
h(t), podemos usar a Denio 9.6 para al ular a orrelao ruzada RXY (t, ).

Teorema 9.10. Quando um pro esso X(t) esta ionrio no sentido amplo a entrada
de um ltro linear invariante no tempo h(t), a orrelao ruzada entre entrada e
sada dada por
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

Quando a entrada X(t) de um ltro linear invariante no tempo um pro esso


esta ionrio no sentido amplo, o Teorema 9.1 diz que a sada Y (t) tambm um pro esso
esta ionrio no sentido amplo, e o Teorema 9.10 diz que a orrelao ruzada RXY (t, )
depende somente de . Estes dois resultados impli am no seguinte teorema.

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

Assumindo que b > 0, en ontre a orrelao ruzada RXY ( ) entre a entrada e a


sada.

Soluo. Seja a = 1/(RC). Do Teorema 9.10, a orrelao ruzada

Z Z
RXY ( ) = h(u)RX ( u) du = eau eb| u| du
0

Para 0, esta integral pode ser es rita omo

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)

A substituio w = u na integral a ima ompleta a prova.


188 Pro essamento de Sinais Aleatrios

O Teorema 9.12 diz que ao passarmos o sinal determinsti o RXY ( ) atravs de um


ltro linear invariante no tempo h(t) obtemos a funo de auto orrelao RY ( ).
Observemos que um ltro om resposta a impulso h(t) pode tambm ser repre-
sentado omo um ltro de resposta em frequn ia H (f ). No domnio da frequn ia, os
Teoremas 9.10 e 9.12 tm as seguintes onsequn ias

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

SXY (f ) = H(f )SX (f ) SY (f ) = H (f )SXY (f )

As relaes entre RX ( ), RXY ( ) e RY ( ), bem omo entre SX (f ), SXY (f ) e SY (f )


so mostradas na Figura 9.2.

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.

9.5 Pro essos gaussianos


Um pro esso gaussiano tem a propriedade de que toda oleo de valores de amos-
tras des rita pela fdp Gaussiana multidimensional. Isto , uma oleo de amostras
X(t1 ), X(t2 ), . . . , X(tk ), tem uma fdp onjunta des rita por um vetor X = [X (t1 ),
X (t2 ), . . . , X (tk )]t e uma matriz C ujo i, j -simo elemento

Ci,j = CX (ti , tj ti ) = RX (ti , tj ti ) X (ti )X (tj )

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


mdios X , a matriz de ovarin ia C e seu determinante |C|, podemos denir a fdp
Gaussiana multidimensional.
Pro essamento de Sinais Aleatrios 189

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

E[X(t1 )] = 1 E[X(t2 )] = 2 Var[X(t1 )] = 12 Var[X(t2 )] = 22

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

Isto , a matriz C uma matriz diagonal. Neste aso, C1 tambm diagonal, om


o i-simo elemento da diagonal dado por Cii1 = 1/ Var[X(ti )]. Usando i e i2 para
denotar a mdia e a varin ia de X(ti ), observamos que o vetor de valores mdios
X = t
[1 , . . . , k ] e que o expoente da distribuio Gaussiana onjunta
 
1 1 (x1 1 )2 (xk k )2
(x X )t C1 (x X ) = + +
2 2 12 k2
Neste aso, a fdp onjunta torna-se

2 2 2 2
e(x1 1 ) /(21 ) e(xk k ) /(2k )
fX(t1 ), ,X(tk ) (x1 , . . . , xk ) = p q
212 2 2 k

= fX(t1 ) (x1 ) fX(tk ) (xk )


190 Pro essamento de Sinais Aleatrios

Um fato importante a ser observado da distribuio Gaussiana multidimensional


geral que a fdp ompletamente espe i ada pelas mdias X(t1 ) , . . . , X(tk ) e as
ovarin ias CX (ti , tj ti ). Ou seja, um pro esso esto sti o Gaussiano ompletamente
espe i ado pelas estatsti as de primeira e segunda ordens (X(t) e CX (t, )).
Nosso interesse prin ipal est nos pro essos Gaussianos esta ionrios no sentido
amplo. Neste aso, E[X(ti )] = X para ada ti e CX (ti , tj ti ) = RX (tj ti ) 2X .
Isto , quando o pro esso Gaussiano esta ionrio no sentido amplo, sua distribuio
ompletamente espe i ada pela mdia X e a funo de auto orrelao RX ( ).

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.

Demonstrao. Sejam e C o vetor mdia e a matriz de ovarin ia do vetor aleatrio


[X(t1 ), . . . , X(tk )]t . Sejam
e C as mesmas quantidades para o vetor aleatrio deslo-
ado no tempo [X(t1 + T ), . . . , X(tk + T )]t . Desde que X(t) esta ionrio no sentido
amplo,

E[X(ti )] = E[X(ti + T )] = X
O elemento (i, j) de C


Cij = CX (ti , tj ) = CX (tj ti ) = CX (tj + T (ti + T )) = CX (ti + T, tj + T ) = Cij

Ento, = e C = C , o que impli a em

fX(t1 ), ,X(tk ) (x1 , . . . , xk ) = fX(t1 +T ), ,X(tk +T ) (x1 , . . . , xk )


Portanto X(t) um pro esso esta ionrio no sentido estrito.

A Denio 9.14 bastante dif il de usar na prti a. Uma denio equivalente de


um pro esso Gaussiano refere-se a uma v.a. que um fun ional linear de um pro esso
esto sti o X(t). Espe i amente, se integramos X(t) ponderada por uma funo g(t)
sobre um intervalo (0, T ), obtemos a v.a.

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.

Demonstrao. A sada Y (t) dada pela integral de onvoluo

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.

9.6 Pro esso rudo bran o gaussiano


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

E[W (t1 )] = W = 0
Alm disso, para enfatizar a natureza imprevisvel do pro esso de rudo, assumimos
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,

RW ( ) = E[W (t)W (t + )] = E[W (t)]E[W (t + )] = 0


Para ompletar nosso modelo de W (t), temos que en ontrar RW (0). Para isto,
vamos onsiderar a funo densidade espe tral de potn ia SW (f ) da Denio 9.7

Z
SW (f ) = RW ( )ej2f d

Com RW ( ) = 0 para 6= 0, SW (f ) uma onstante para todo f . Ainda, a


onstante igual a zero a menos que RW ( ) = ( ). Portanto, N0 a potn ia por
unidade de largura de banda do pro esso esto sti o Gaussiano bran o. Embora o
pro esso rudo bran o Gaussiano seja um modelo matemti o bastante til, ele no se
onforma om nenhum sinal real. Note que a potn ia mdia do rudo
192 Pro essamento de Sinais Aleatrios

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.

Exemplo 9.6. Um pro esso Gaussiano bran o om N0 = 1015 W/Hz inserido em


um ltro linear invariante no tempo om resposta a impulso
( 6
2106 e210 t t0
h(t) =
0 aso ontrrio

En ontre as seguintes propriedades do pro esso de sada Y (t).

(a) A funo densidade espe tral de potn ia SY (f ).

(b) A funo de auto orrelao RY ( ).

( ) A potn ia mdia E[Y 2 (t)].

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

1015 (2106 )2 109 2(2106 )


SY (f ) = |H(f )|2 SX (f ) = =
2 (2f )2 + (2106 )2 2 (2f )2 + (2106 )2

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

9.7 Exer ios


1. Mostre que se o espe tro densidade de potn ia de um pro esso esto sti o
limitado em banda a B Hz, e se as amostras do sinal so des orrela ionadas em
= n/(2B), para todos os valores integrais de n, ento o pro esso pre isa ter um
espe tro densidade de potn ia om distribuio uniforme sobre a banda (0, B).
Em outras palavras, o pro esso pre isa ser um rudo bran o limitado em banda.

2. Suponha que em um sistema de omuni ao existem dois sinais sendo transmi-


tidos: x(t) y(t). Na transmisso, devido ao rudo de anal, n(t), hegam ao
e
re eptor os sinais x(t) + n(t) e y(t) + n(t). Explique omo podemos de idir qual
sinal foi re ebido, se o re eptor onhe e as formas de onda de x(t) e y(t).

3. Um pro esso esto sti o Y (t) rela ionado ao pro esso esto sti o X(t) por

Y (t) = X(t) cos(0 t + )

onde uma varivel aleatria independente uniformemente distribuda sobre o


intervalo (0, 2). Mostre que

1
RY ( ) = RX ( ) cos(0 )
2

1
SY () = [SX ( + c ) + SX ( c )]
4

Esta a extenso do teorema da modulao para pro essos esto sti os.

Di a : se dois pro essos esto sti os x(t) e y(t) so independentes, ento

x(t)g(t)x(t + )g(t + ) = x(t)x(t + ) g(t)g(t + ) = RX ( )Rg ( )

4. Dois pro essos esto sti os so dados por

x(t) = A cos(1 t + ) e y(t) = B cos(2 t + )

onde A, B , 1 e 2 so onstantes. As fases ini iais e esto rela ionadas


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

5. Sejam os pro essos esto sti os

x(t) = A cos(0 t + ) e y(t) = B cos(n0 t + n)

onde A, B e 0 so onstantes e uma varivel aleatria uniformemente distri-


buda no intervalo (0, 2). Mostre que os dois pro essos so in oerentes.
194 Pro essamento de Sinais Aleatrios

6. Seja h(t) um ltro passa baixas om resposta a impulso

(
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

qual ser a densidade espe tral de potn ia da sada Y (t)?


1
Resp: SY (f ) =
4 + 4 2 f 2

8. O pro esso X(t) esta ionrio no sentido amplo a entrada de um ltro tapped
delay line

H(f ) = a1 ej2f t1 + a2 ej2f t2

En ontre a densidade espe tral ruzada SXY (f ) e a orrelao ruzada RXY ( ).


Resp:

SXY (f ) = a1 ej2ft1 SX (f ) + a2 ej2ft2 SX (f )


RXY ( ) = a1 RX ( t1 ) + a2 RX ( t2 )

9. X(t) um pro esso esto sti o Gaussiano de mdia zero om funo de auto or-
relao 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:

(a) Sim. P = 1/8.


(b) No.

6 3
( ) Sim. P = 0, 0282.
18 2
(d) No.

(e) No.

(f ) No.

12. A funo de auto orrelao de um sinal telegr o dada por

RX ( ) = e2| |

Cal ule o espe tro densidade de potn ia deste pro esso.

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

h(t) = ebt u(t)

onde b uma onstante real positiva. En ontre a funo de auto orrelao da


sadaY (t) do sistema.
1 h i
b| | a| |
Resp: RY ( ) = ae b e
(a2 b2 )b
14. Seja um pro esso rudo bran o ujas omponentes de frequn ia so limitadas
faixa W f W . Determine:

(a) O espe tro densidade de potn ia.

(b) A funo de auto orrelao.

( ) A potn ia mdia do pro esso.

Resp:
196 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

X(t) = A cos(t + ) Y (t) = A sen(t + )


onde A e so onstantes e uma v.a. om distribuio uniforme sobre o
intervalo (0, 2).

(a) En ontre a orrelao ruzada entre X(t) e Y (t).


(b) Mostre que RXY ( ) = RY X ( )

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.

(a) Mostre que Y (n) esta ionrio no sentido amplo.

(b) En ontre o espe tro densidade de potn ia de Y (n).

Resp:

(a) E[Y (n)] = 0


2 + 2 (k)
RY (n, n + k) = A
(b)
2 () + 2 ,
SY () = 2A

18. Um pro esso esto sti o Y (t) denido por

Y (t) = AX(t) cos(c t + )

onde A e c so onstantes, uma v.a. om distribuio uniforme no intervalo


(, ), e X(t) um pro esso esto sti o de mdia zero, funo de auto orrelao
RX ( ), e espe tro densidade de potn ia SX (). Ainda, X(t) e so indepen-
dentes. Mostre que Y (t) esta ionrio no sentido amplo e en ontre o espe tro
densidade de potn ia de Y (t).

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 ().

(a) Determine a resposta em frequ n ia (amplitude) de um ltro para que a


a

sa da seja um ru do bran o, ou seja, S () = S0 .


 
(b) Idem para um pro esso de entrada om S () = S0 exp 2( 0 )2 .
S0 2
( ) Idem para um pro esso de entrada om S () = .
2 + 2

S () S () = S0
-
........................................................................ H(j) -
........................................................................

s
S0 2 1p 2
Resp: (a) (b) e(0 ) ( ) + 2
S ()

20. Na entrada do ir uito mostrado na Figura abaixo tem-se um ru do bran o om


S0 = 120V2 /Hz. Dados R1 = R2 = 104 e L = 102 H , al ule o espe tro
a a
densidade de pot n ia, a funo de auto orrelao e a pot n ia do pro esso de
sa da.

L
R1

U1 R2 U2

Di a: a funo de transfer n ia deste ltro dada por


a

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:

RY X ( ) = RX ( d) SY X (f ) = SX (f ) cos(2f d) jSX (f ) sen(2f d)


RY ( ) = RX ( ) SY (f ) = SX (f )

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

X(t) = A cos(t + ) Y (t) = A sen(t + )

onde Ae so onstantes, e uma varivel aleatria om distribuio uniforme


no intervalo (0, 2).

(a) En ontre a funo de orrelao ruzada entre X(t) e Y (t).


(b) Mostre que RXY ( ) = RY X ( ) .

A2
Resp: RXY ( ) = sen( )
2
24. Em relao ao espe tro densidade de pot n ia
a SX ():

(a) Mostre que SX () real.

(b) Mostre que SX () par.

Di a: use a identidade de Euler: ej = cos() + j sen() e os on eitos de funes


pares e mpares.
Captulo 10

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.

10.1 Pro essos de Markov

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

P [X(tn+1 ) = xn+1 |X(tn ) = xn , X(tn1 ) = xn1 , . . . , X(t1 ) = x1 ] =


P [X(tn+1 ) = xn+1 |X(tn ) = xn ] (10.1)

se X(t) assume valores dis retos, e

P [a < X(tn+1 ) b|X(tn ) = xn , X(tn1 ) = xn1 , . . . , X(t1 ) = x1 ]


= P [a < X(tn+1 ) b|X(tn ) = xn ] (10.2)

se X(t) assume valores ontnuos.


Se as amostras de X(t) so onjuntamente ontnuas, ento a equao (10.2) equi-
valente a

fX(tn+1 ) (xn+1 |X(tn ) = xn , . . . , X(t1 ) = x1 ) = fX(tn+1 ) (xn+1 |X(tn ) = xn ) (10.3)

Chamaremos as equaes (10.1), (10.2) e (10.3) omo a propriedade de Markov.


Nas expresses a ima tn o presente, tn+1 o futuro, e t1 , . . . , tn1 , o passado.
200 Cadeias de Markov

Desta maneira, para os pro essos de Markov, as fmp's e fdp's que so ondi ionadas
a vrios instantes de tempo, sempre se reduziro a fmp's e fdp's ondi ionadas apenas
ao mais re ente instante de tempo. Por esta razo nos referimos ao valor de X(t) no
instante t omo o estado do pro esso no instante t.

Exemplo 10.1. Verique se o pro esso de soma

Sn = X1 + X2 + + Xn = Sn1 + Xn

onde os Xi 's so uma sequn ia de variveis aleatrias independentes e identi amente


distribudas e onde S0 = 0, um pro esso de Markov.

Soluo. Sn um pro esso de Markov, pois

P [Sn+1 = sn+1 |Sn = sn , Sn1 = sn1 , . . . , S1 = s1 ] = P [Xn+1 = Sn+1 Sn ]


= P [Sn+1 = sn+1 |Sn = sn ]

Exemplo 10.2. Considere mdia mvel de uma sequn ia de Bernoulli

1
Yn = (Xn + Xn1 )
2
onde os Xi so sequn ias independentes de Bernoulli, om p = 1/2. Verique se Yn
ou no um pro esso de Markov.

Soluo. A fmp de Yn

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 :

P [Yn = 1, Yn1 = 1/2]


P [Yn = 1|Yn1 = 1/2] =
P [Yn1 = 1/2]
P [Xn = 1, Xn1 = 1, Xn2 = 0]
=
1/2
(1/2)3 1
= =
1/2 4

Suponhamos agora que temos um onhe imento adi ional sobre o passado:
Cadeias de Markov 201

 
1 P [Yn = 1, Yn1 = 1/2, Yn2 = 0]
P Yn = 1|Yn1 = , Yn2 = 0 =
2 P [Yn1 = 1/2, Yn2 = 0]
P [Xn = 1, Xn1 = 1, Xn2 = 0, Xn3 = 0]
=
P [Xn1 = 1, Xn2 = 0, Xn3 = 0]
1/16 1
= =
1/8 2

Desta forma,

   
1 1
P Yn = 1|Yn1 = , Yn2 = 0 6= P Yn = 1|Yn1 =
2 2

e este no um pro esso de Markov.

Denio 10.2. Um pro esso de Markov que assume somente valores inteiros
hamado de Cadeia de Markov.

No restante deste aptulo iremos nos ater s Cadeias de Markov.

Se X(t) uma adeia de Markov, ento a fmp onjunta para trs instantes de tempo
arbitrrios

P [X(t3 ) = x3 , X(t2 ) = x2 , X(t1 ) = x1 ] =


= P [X(t3 ) = x3 |X(t2 ) = x2 , X(t1 ) = x1 ]P [X(t2 ) = x2 , X(t1 ) = x1 ]
(10.4)
= P [X(t3 ) = x3 |X(t2 ) = x2 ]P [X(t2 ) = x2 , X(t1 ) = x1 ]
= P [X(t3 ) = x3 |X(t2 ) = x2 ]P [X(t2 ) = x2 |X(t1 ) = x1 ]P [X(t1 ) = x1 ]

onde usamos a denio de probabilidade ondi ional e a propriedade de Markov. Em


geral, a fmp onjunta para n+1 instantes de tempo arbitrrios

P [X(tn+1 ) = xn+1 , X(tn ) = xn , . . . , X(t1 ) = x1 ]


= P [X(tn+1 ) = xn+1 |X(tn ) = xn ]P [X(tn ) = xn |X(tn1 ) = xn1 ] P [X(t1 ) = x1 ]
(10.5)

Desta forma a fmp onjunta de X(t) em instantes de tempo arbitrrios dada pelo
produto da fmp do instante de tempo ini ial e as probabilidades para as transies de
estado subsequentes. Evidentemente, as probabilidades de transio de estado determi-
nam o omportamento estatsti o de uma adeia de Markov.
202 Cadeias de Markov

10.2 Cadeias de Markov de Tempo dis reto


Seja Xn uma adeia de Markov de tempo dis reto, que omea em n = 0 om a seguinte
fmp


pj (0) = P [X0 = j], j = 0, 1, 2, . . . (10.6)

Da equao (10.3) a fmp onjunta para os primeiros n + 1 valores do pro esso dada
por

P [Xn = in , Xn1 = in1 , . . . , X0 = i0 ] =


P [Xn = in |Xn1 = in1 ]P [Xn1 = in1 |Xn2 = in2 ]
P [X1 = i1 |X0 = i0 ]P [X0 = i0 ] (10.7)

Desta forma a fmp onjunta para uma sequn ia parti ular simplesmente o produto
da probabilidade para o estado ini ial om as probabilidades para as transies de um
passo subsequentes.

Denio 10.3. Probabilidades de transio homogneas: Uma adeia de Mar-


kov Xn tem probabilidades de transio homogneas se as probabilidades de transio
para um passo so xas e no variam om o tempo, isto

P [Xn+1 = j|Xn = i] = pij , n (10.8)

A fmp onjunta para Xn , Xn1 , . . . , X0 ento dada por

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

. . .
. . .
. . .

A matriz P hamada de matriz de probabilidade de transio. Note que a


soma de ada linha de P deve ser igual a 1

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.

Soluo. Supondo Xn a funo que indi a a atividade voz em um determinado pa ote


no instante n, ento Xn uma adeia de Markov de 2 estados e matriz de probabilidade
de transio omo mostrado abaixo.

 
1
P =
1

10.2.1 Probabilidade de transio para n passos


Para avaliar a fmp onjunta em instantes de tempo arbitrrios (veja equao 10.5), pre-
isamos onhe er as probabilidades de transio para um nmero arbitrrio de passos.
Seja P (n) = {pij (n)} a matriz de probabilidades de transio para n passos, onde

pij (n) = P [Xn+k = j|Xk = i], n, i, j 0 (10.12)

Note que P [Xn+k = j|Xk = i] = P [Xn = j|X0 = i] n 0, k 0, desde que as


probabilidades de transio no dependem do tempo.
Consideremos primeiramente as probabilidades de transio para dois passos. A pro-
babilidade de ir do estado i em t = 0, passando pelo estado k em t = 1, e terminando
no estado j em t=2

P [X2 = j, X1 = k, X0 = i]
P [X2 = j, X1 = k|X0 = i] =
P [X0 = i]

P [X2 = j|X1 = k]P [X1 = k|X0 = i]P [X0 = i]


=
P [X0 = i]

= P [X2 = j|X1 = k]P [X1 = k|X0 = i]

= pik (1)pkj (1)


204 Cadeias de Markov

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

P (2) = P (1)P (1) = P 2 (10.14a)

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 1)P (10.14b)

As equaes (10.14a) e (10.14b) juntas impli am que

P (n) = P n (10.15)

isto , a n-sima matriz de probabilidades de transio a n-sima potn ia da matriz


de probabilidades de transio de um passo.

10.2.2 Probabilidades dos estados


Consideremos agora as probabilidades dos estados no instante n. Seja p(n) = pj (n)
o vetor (linha) de probabilidades de estados no instante n. A probabilidade pj (n)
rela iona-se a p(n 1) atravs da expresso

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

p(n) = p(n 1)P (10.17)

Similarmente, pj (n) est rela ionada a p(0) por

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

p(n) = p(0)P (n) = p(0)P n n = 1, 2, . . . (10.19)


Cadeias de Markov 205

Ento a fmp de um estado no instante n obtida multipli ando-se a fmp do estado


ini ial por P n.

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

P [X0 = 0] = p0 (0) e P [X0 = 1] = 1 p0 (0)


En ontre as probabilidades dos estados medida que n .
Soluo. O vetor de probabilidades de estados no instante n

p(n) = [p0 (0), 1 p0 (0)]P n


medida que n , temos que

   
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

10.2.3 Probabilidades em regime


O exemplo 10.5 tpi o de adeias de Markov que entram em regime esta ionrio depois
que o pro esso est em vigor durante um longo tempo. medida que n , a matriz
de transio de n passos aproxima-se de uma matriz para a qual todas as linhas so
iguais mesma fmp, isto

pij (n) j , i (10.20)

medida que n , a equao (10.18) torna-se

X
pj (n) j pi (0) = j (10.21)
i

Denio 10.4. Sistema em equilbrio ou regime permanente. Uma adeia


de Markov est em equilbrio ou regime permanente quando, medida que n ,
a probabilidade do estado j aproxima-se de uma onstante independente do tempo e
das probabilidades do estado ini ial:

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

que em notao matri ial  a

= P (10.23b)

Em geral, a equao (10.23b) tem (n 1) equaes linearmente independentes. A


equao adi ional ne essria dada por

X
i = 1 (10.23 )
i

Nos referimos a omo a fmp de regime permanente da adeia de Markov. Se


ini iamos a adeia de Markov om fmp de estado ini ial p(0) = , ento pelas equaes
(10.19) e (10.23b) temos que o vetor de probabilidades de estados dado por

p(n) = P n = , n (10.24)

O pro esso resultante esta ionrio, desde que a probabilidade da sequn ia de


estados i0 , i1 , . . . , in ini iando no instante k , pela equao (10.7)
Cadeias de Markov 207

P [Xn+k = in , . . . , Xk = i0 ] =
= P [Xn+k = in |Xn+k1 = in1 ] P [X1+k = i1 |Xk = i0 ]P [Xk = i0 ] (10.25)
= pin1 ,in pi0 ,i1 i0

a qual independente do instante ini ial k. Ento as probabilidades so independentes


da es olha da origem dos tempos, e o pro esso esta ionrio.

Observao:
Note que, omo o pro esso est em regime, as Equaes (10.23) e (10.24) so 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

Soluo. A equao (10.23a) forne e

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

10.3 Cadeias de Markov em tempo ontnuo


Na seo 10.2 vimos que a matriz de probabilidades de transio determina o ompor-
tamento de uma adeia de Markov de tempo dis reto. Nesta seo iremos ver que o
mesmo a onte e om adeias de Markov de tempo ontnuo.
A fmp onjunta para (k+1) instantes de tempo arbitrrios de uma adeia de Markov
dada pela equao (10.5)

P [X(tn+1 ) = xn+1 , X(tn ) = xn , . . . , X(t1 ) = x1 ]


= P [X(tn+1 ) = xn+1 |X(tn ) = xn ] P [X(t2 ) = x2 |X(t1 ) = x1 ]P [X(t1 ) = x1 ]
(10.26)

Este resultado vale independente do pro esso ser de tempo dis reto ou de tempo
ontnuo. No aso ontnuo, a equao (10.26) requer que saibamos as probabilidades
de transio no intervalo entre um instante de tempo arbitrrio s e outro instante de
tempo arbitrrio s + t:

P [X(s + t) = j|X(s) = i], t0


208 Cadeias de Markov

Assumimos aqui que as probabilidades de transio dependem somente da diferena


entre os dois instantes de tempo:

P [X(s + t) = j|X(s) = i] = P [X(t) = j|X(0) = i] = pij (t), t 0, s (10.27)

Dizemos que X(t) tem probabilidades de transio homogneas.

Teorema 10.1. Seja P (t) = {pij (t)} a matriz de probabilidades de transio em um


intervalo de omprimento t. Desde que pii (0) = 1 e pij (0) = 0 para i 6= j , temos

P (0) = I (10.28)

onde I a matriz identidade.

Exemplo 10.7. Para o pro esso de Poisson, as probabilidades de transio satisfazem

pij (t) = P [j i eventos em t segundos]

= 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 ...

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

medida que t 0, et 1 t. Ento para um intervalo de tempo pequeno ,



1 0 ...

0 1 ...
P 0 0 1 . . .

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

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 }

10.3.1 Tempos de o upao de estados


Desde que o sinal telegr o aleatrio muda de polaridade om ada o orrn ia de um
evento em um pro esso de Poisson, segue que o tempo em que o sistema permane e em
ada estado uma varivel aleatria exponen ial. Desta forma esta uma propriedade
do tempo de o upao de estados para todas as adeias de Markov de tempo
ontnuo, isto : X(t) permane e em um dado valor (estado) para um intervalo de
tempo aleatrio exponen ialmente distribudo.
Para ver omo isto a onte e, seja Ti o tempo gasto no estado i. A probabilidade de
gastar mais de t segundos neste estado ento

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

P [Ti > t + s|Ti > s] = P [Ti > t + s|X(s ) = i, 0 s s],


desde que {Ti > s} impli a que o sistema tem estado no estado i durante o intervalo
de tempo (0, s). A propriedade de Markov impli a que se X(s) = i, ento o passado
irrelevante e podemos ver o sistema omo sendo reini iado no estado i no instante s:

P [Ti > t + s|Ti > s] = P [Ti > t] (10.29)

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 :

P [Ti > t] = evi t (10.30)

O tempo mdio de o upao de estado 1/vi ir geralmente ser diferente para


ada estado.
O resultado a ima nos d uma outra maneira de olhar para adeias de Markov
de tempo ontnuo. A ada vez que um estado i al anado, sele iona-se um tempo
de o upao de estado Ti exponen ialmente distribudo. Quando o tempo se esgota, o
prximo estado j sele ionado de a ordo om uma adeia de Markov de tempo dis reto,
om probabilidades de transio qij . Ento o novo tempo de o upao de estado
sele ionado de a ordo om Tj , e assim por diante. Chamamos qij de uma adeia de
Markov embutida.
210 Cadeias de Markov

Exemplo 10.9. O sinal telegr o aleatrio do exemplo 10.8 gasta um tempo exponen-
ialmente distribudo om mdia 1/ em ada estado. Quando uma transio o orre, a
transio sempre do estado presente para um ni o outro estado, ento a adeia de
Markov embutida

q00 = 0 q01 = 1
q10 = 1 q11 = 0

10.3.2 Taxas de transio e probabilidades de estados dependentes de


tempo
Considere as probabilidades de transio em um intervalo de tempo bastante urto de
durao segundos. A probabilidade de o pro esso permane er no estado i durante o
intervalo

P [Ti > ] = evi


vi vi2 2
=1 +
1! 2!
= 1 vi + o()

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:

pii () P [Ti > ] = 1 vi + o()


ou equivalentemente,

1 pii () = vi o() (10.31)

Chamamos vi a taxa na qual o pro esso X(t) deixa o estado i.


Uma vez que o pro esso deixa o estado i, ele entra no estado j om probabilidade
qij . Ento

pij () = (1 pii ())qij


= vi qij o() (10.32)

= 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

pii () 1 = ii o() (10.33)

Se dividirmos ambos os lados das equaes (10.32) e (10.33) por e tomarmos o


limite 0, obtemos

pij ()
lim = ij , i 6= j (10.34a)
0
e

pii () 1
lim = ii , (10.34b)
0

desde que

o()
lim =0
0

pois o() de ordem superior a .


Podemos ento desenvolver um onjunto de equaes para en ontrar as probabilidades
dos estados no instante t, que sero denotados por


pj (t) = P [X(t) = j].
Para > 0, temos (veja Figura 10.1)

pj (t + ) = P [X(t + ) = j]
X
= P [X(t + ) = j|X(t) = i]P [X(t) = i] (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+

Figura 10.1: Transies para o estado j.

Se subtrairmos pj (t) de ambos os lados, obtemos


212 Cadeias de Markov

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

Se dividirmos ambos os membros por , apli armos (10.34a) e (10.34b), e zermos


0, obtemos


X
pj (t) = ij pi (t) (10.37)
i

A Equao (10.37) uma das formas das Equaes de Chapman-Kolmogorov


para adeias de Markov de tempo ontnuo. Para en ontrar pj (t) pre isamos resolver
este sistema de equaes diferen iais om ondies ini iais espe i adas pela fmp de
estado ini ial {pj (0), j = 0, 1, . . . }.

Importante:
Note que se resolvemos a Equao (10.37) om a suposio de que o sistema estava no
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).

Soluo. O sistema passa do estado 0 para o estado 1 a uma taxa , e do estado 1


para o estado 0 a uma taxa :

00 = 01 =
10 = 11 =

A Equao (10.37) forne e ento


p0 (t) = p0 (t) + p1 (t)

p1 (t) = p0 (t) p1 (t)

Desde que p0 (t) + p1 (t) = 1, a primeira equao torna-se


Cadeias de Markov 213


p0 (t) = p0 (t) + (1 p0 (t))
que uma equao diferen ial de primeira ordem:


p0 (t) + ( + )p0 (t) = p0 (0) = p0
A soluo geral desta equao


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.

10.4 Probabilidades de Estados em Regime e Equaes de


Balano Globais
medida que t , as probabilidades dos estados do sistema de las do Exemplo 10.10
onvergem para uma fmp que no depende das ondies ini iais. Este omportamento
tpi o de sistemas que al anam uma ondio de equilbrio ou regime permanente.

Para tais sistemas, pj (t) pj e pj (t) 0, de modo que a Equao (10.37) torna-se

X
0= ij pi , j, (10.38a)
i

ou equivalentemente, lembrando que jj = vj ,


X
vj pj = ij pi , j (10.38b)
i6=j

A Equao (10.38b) pode ser rees rita omo


X X
pj ji = ij pi (10.38 )
i6=j i6=j

desde que

X
vj = ji
i6=j

O sistema de equaes lineares dado pelas Equaes (10.38b) ou (10.38 ) hamado


de Equaes de Balano Global. Estas equaes armam que, em equilbrio, a pro-
babilidade do uxo para fora do estado j , dada por vj pj , igual probabilidade do uxo
para dentro do estado j, omo mostrado na Figura 10.2. Resolvendo este onjunto de
equaes lineares podemos obter a fmp dos estados do sistema em regime permanente
(quando existir).
Referimo-nos a omo a fmp esta ionria dos estados da adeia de
p = {pi }
Markov. Desde que p satisfaz a Equao (10.37), se ini iamos a adeia de Markov om
uma fmp ini ial dada por p, ento as probabilidades dos estados sero
Cadeias de Markov 215

Figura 10.2: Balano global de uxo de probabilidade.

pi (t) = pi , t
O pro esso resultante esta ionrio, desde que a probabilidade da sequn ia de
estados i0 , i1 , . . . , in nos instantes t < t1 + t < < tn + t , pela Equao (10.26),

P [X(t) = i0 , X(t1 + t) = i1 , , X(tn + t) = in ] =


P [X(tn + t) = in |X(tn1 + t) = in1 ] P [X(t1 + t) = i1 |X(t) = i0 ]P [X(t) = i0 ]

As probabilidades de transio dependem somente da diferena entre os tempos


asso iados. Ento a probabilidade onjunta a ima depende da es olha da origem apenas
atravs de P [X(t) = i0 ]. Mas P [X(t) = i0 ] = pi0 para todo t. Portanto on lumos que
a probabilidade onjunta a ima independente da es olha da origem dos tempos e que
o pro esso esta ionrio.

Exemplo 10.12. En ontre a fmp de estado esta ionrio para o sistema de las de dois
estados do Exemplo 10.10.

Soluo. A Equao (10.38b) para este sistema forne e

p0 = p1 e p1 = p0
Notando que p0 + p1 = 1, obtemos


p0 = e p1 =
+ +

Exemplo 10.13. Sistema de las de servidor ni o M/M/1. Considere um


sistema de las no qual os lientes so servidos um de ada vez pela ordem de hegada.
O tempo entre hegadas de lientes exponen ialmente distribudo om taxa , e o tempo
requerido para atender um liente exponen ialmente distribudo om taxa . En ontre
a fmp para o nmero de lientes no sistema quando este est em regime permanente.
216 Cadeias de Markov

Soluo. As taxas de transio de estados so as seguintes. Os lientes hegam a uma


taxa , ento

i,i+1 = i = 0, 1, 2, . . .
Quando o sistema no est vazio, os lientes saem a uma taxa . Ento

i,i1 = i = 1, 2, 3, . . .
O diagrama de taxa de transio mostrado na Figura 10.3.

Figura 10.3: Diagrama de transio de estados para o sistema M/M/1.

As Equaes de balano global so

p0 = p1 , j = 0 (10.39a)

( + )pj = pj1 + pj+1 , j = 1, 2, . . . (10.39b)

Podemos rees rever a Equao (10.39b) omo segue:

pj pj+1 = pj1 pj , j = 1, 2, . . .
o que impli a que

pj1 pj = onstante, j = 1, 2, . . . (10.40)

A Equao (10.40) om j = 1, juntamente om a Equao (10.39a), impli a que

onstante = p0 p1 = 0
Ento a Equao (10.40) torna-se

pj1 = pj
ou equivalentemente,

pj = pj1 , j = 1, 2, . . .
e por induo

p j = j p 0
onde = /. Obtemos p0 notando que a soma das probabilidades pre isa ser igual a
um:


X 1
1= pj = (1 + + 2 + )p0 = p0
1
j=0
Cadeias de Markov 217

onde a srie onverge se e somente se < 1. Ento

pj = (1 )j , j = 1, 2, . . . (10.41)

A ondio para a existn ia de uma soluo de regime permanente tem uma expli-
ao simples. A ondio <1 equivalente a

<

isto , a taxa na qual os lientes hegam pre isa ser menor que a taxa na qual o sistema
possa atend-los. Caso ontrrio, a la res e sem limite medida que o tempo passa.

Exemplo 10.14. Um pro esso de nas imento e morte uma adeia de Markov
para a qual o orrem transies apenas entre estados adja entes, omo mostrado na 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)

j pj j+1 pj+1 = j1 pj1 j pj , j = 1, 2, . . . (10.42b)

Como no exemplo anterior, segue que

pj = rj pj1 , j = 1, 2, . . .

pj = rj rj1 r1 p0 , j = 1, 2, . . .

onde rj = (j1 )/j . Se denirmos

Rj = rj rj1 r1 e R0 = 1,

ento en ontramos p0 atravs de


218 Cadeias de Markov



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.

10.5 Classes de estados, propriedades de re orrn ia e pro-


babilidades limite
Nesta seo iremos olhar mais de perto a relao entre o omportamento de uma a-
deia de Markov e sua matriz de probabilidade de transies de estados. Primeiramente
iremos ver que os estados de uma adeia de Markov de tempo dis reto podem ser di-
vididos em uma ou mais lasses separadas e que estas podem ser de diferentes tipos.
Iremos ento mostrar que o omportamento de longo prazo de uma adeia de Markov
est rela ionada aos tipos de suas lasses de estados. Finalmente, usaremos estes resul-
tados para rela ionar o omportamento de longo prazo de adeias de Markov de tempo
ontnuo om o de sua adeia de Markov embutida.

10.5.1 Classes de estados

Denio 10.5. A essibilidade. Dizemos que o estado j a essvel a partir do


estado i se para algum n 0, pij (n) > 0, isto , se existe uma sequn ia de transies
de i para j om probabilidade no nula.

Denio 10.6. Comuni abilidade. Os estados iej se omuni am se i a essvel


a partir de j e j a essvel a partir de i. Representamos este fato om a seguinte
notao: i 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

para k. Os aminhos ombinados formam um aminho de probabilidade no nula de i


para k. Existe um aminho de probabilidade no nula na direo reversa pelas mesmas
razes.

Denio 10.7. Classes de estados: dizemos que dois estados perten em a uma
mesma lasse se estes se omuni am entre si.

Note que duas lasses de estados diferentes pre isam ser disjuntas desde que se
tiverem um estado em omum, isto impli aria que os estados de ambas as lasses se
omuni ariam entre si. Ento os estados de uma adeia de Markov onsistem de uma
ou mais lasses de omuni ao disjuntas.

Denio 10.8. Cadeia Irredutvel: Uma adeia de Markov que onsiste de uma
ni a lasse dita irredutvel.

Exemplo 10.15. A gura abaixo mostra o diagrama de transio de estados para uma
adeia de Markov om trs lasses: {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.

Exemplo 10.17. Neste exemplo, temos o diagrama de transio de estados para um


pro esso de ontagem binomial. Pode-se ver que as lasses so: {0}, {1}, {2}, ...
220 Cadeias de Markov

Exemplo 10.18. A gura abaixo mostra o diagrama de transio de estados para o


pro esso de aminhada aleatria. Se p > 0, ento o pro esso tem apenas uma lasse
{0, 1, 2, }, de modo que irredutvel.

10.5.2 Propriedades de re orrn ia

Denio 10.9. Estado re orrente: O estado i hamado re orrente se o pro-


esso retorna a ele om probabilidade um, isto ,

fi = P [alguma vez retornar ao estado i] = 1

Denio 10.10. Estado transiente: O estado i hamado transiente se


fi < 1

Se ini iamos uma adeia de Markov em um estado re orrente i, ento o estado


o orre novamente um nmero innito de vezes. Se ini iamos uma adeia de Markov em
um estado transiente, o estado no o orre novamente depois de algum nmero nito
de retornos. Cada nova o orrn ia do estado pode ser vista omo uma falha em uma
tentativa de Bernoulli. A probabilidade de falha fi . Ento o nmero de retornos ao
estado i terminando om um su esso (no retorno) uma varivel aleatria geomtri a
om mdia (1 fi )1 . Se fi < 1, ento a probabilidade de um nmero innito de
Cadeias de Markov 221

su essos zero. Portanto um estado transiente o orre novamente um nmero nito de


vezes.
Seja Xn uma adeia de Markov om estado ini ial i, X0 = i. Seja Ii (x) uma funo
indi adora para o estado i, isto , Ii (x) = 1 se X = i, e Ii (x) = 0 aso ontrrio. O
nmero esperado de retornos para o estado i ento
"
#
X X X
E Ii (Xn )|X0 = i = E[Ii (Xn )|X0 = i] = pii (n) (10.44)
n=1 n=1 n=1

desde que

E[Ii (Xn )|X0 = i] = P [Xn = i|X0 = i] = pii (n)

Um estado re orrente se e somente se ele o orre novamente um nmero innito de


vezes, ento da Equao (10.44), o estado i re orrente se e somente se


X
pii (n) = (10.45)
n=1

Similarmente, o estado i transiente se e somente se


X
pii (n) < (10.46)
n=1

Exemplo 10.19. Dado o diagrama de transio de estados do Exemplo 10.15 verique


que o estado 0 transiente, e o estado 1 re orrente.

Soluo. O estado 0 transiente desde que 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

Portanto o estado 1 re orrente.

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

Exemplo 10.21. Para o pro esso de aminhada aleatria, verique se o estado 0


transiente ou re orrente.

Soluo. O estado 0 o orre novamente a ada 2n passos se e somente se os estados


n+1 e n1 o orrem durante os 2n passos. Isto o orre om probabilidade

 
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 p = 1/2, ento 4p(1 p) = 1 e a srie diverge. Segue ento que o estado 0


re orrente. Se p 6= 1/2, ento 4p(1 p) < 1, e a srie a ima onverge. Isto impli a
que o estado 0 transiente. Ento quando p = 1/2, o pro esso de aminhada aleatria
mantm um balano pre rio em torno do estado 0. Logo que p 6= 1/2, uma perturbao
positiva ou negativa introduzida e o pro esso res e ao redor de .

Se 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

Denio 10.11. Perodo de um estado. Dizemos que o estado i tem perodo d


se ele puder o orrer nos instantes que so mltiplos de d, isto , pii (n) = 0 quando
n no mltiplo de d, onde d o maior inteiro om esta propriedade.
Pode-se mostrar que todos os estados de uma lasse tm o mesmo perodo.

Denio 10.12. Cadeia de Markov aperidi a. Uma adeia de Markov irre-


dutvel dita aperidi a se os estados em sua lasse ni a tm perodo unitrio.

Exemplo 10.22. Verique qual o perodo da adeia de Markov do Exemplo 10.15.

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.

Exemplo 10.24. Verique o perodo do pro esso de aminhada aleatria do Exemplo


10.18.

Soluo. Para este pro esso, um estado o orre novamente quando o nmero de su essos
(+1s) igual ao nmero de falhas (-1s). Isto a onte e somente depois de um nmero
par de eventos, e portanto este pro esso tem perodo 2.

10.5.3 Probabilidades limite


Se todos os estados em uma adeia de Markov so transientes, ento as probabilidades
de todos os estados tendem a zero medida que n . Se uma adeia de Markov
tem algumas lasses transientes e outras lasses re orrentes, omo a adeia do Exemplo
10.15, ento eventualmente o pro esso ir entrar e permane er em uma das lasses
re orrentes. Assim, podemos nos on entrar nas lasses re orrentes para o estudo das
probabilidades limite de uma adeia. Por esta razo iremos assumir nesta seo que
estamos lidando om uma adeia de Markov irredutvel.
Suponha que ini iemos uma adeia de Markov em um estado re orrente i no instante
n = 0. Sejam Ti (1), Ti (1) + Ti (2), . . . os instantes aonde o pro esso retorna ao estado
i, onde Ti (k) o tempo de orrido entre o (k 1)-simo e o k -simo retornos (veja
224 Cadeias de Markov

Figura 10.5: Instantes de re orrn ia para o estado i.

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

i > 0, se o estado i re orrente positivo

Se E[Ti ] = , ento dizemos que o estado i re orrente nulo. A Equao (10.48)


impli a ento que

i = 0, se o estado i re orrente nulo

Pode-se mostrar que re orrn ia positiva e nula so propriedades de lasse.


Estados re orrentes, aperidi os e re orrentes nulos so hamados de ergdi os.
Uma adeia de Markov ergdi a denida omo uma adeia irredutvel, aperidi a e
re orrente positiva.

Exemplo 10.25. Para o pro esso do Exemplo 10.16, al ule E[T0 ]e 0 .

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.

Soluo. Temos das Equaes (10.49a) e (10.49b) que

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,

lim pij (n) = j , j


n

onde j a ni a soluo no negativa das Equaes (10.49a) e (10.49b).

Uma prova deste teorema pode ser en ontrada em [Ros83. O Teorema 10.5.3 arma
que para adeias de Markov irredutveis, aperidi as e re orrente positivas, as 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,

lim pjj (nd) = dj j


n

onde j a ni a soluo no negativa das Equaes (10.49a) e (10.49b).

Como antes, j a proporo de tempo gasto no estado j. Entretanto, o fato de


o estado j o orrer apenas em mltiplos de d passos impli a que a probabilidade de
o orrn ia do estado j d vezes maior nos instantes permitidos e zero para os demais.

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.

10.5.4 Probabilidades limite para as adeias de Markov de tempo


ontnuo
Vimos na Seo 10.3 que uma adeia de Markov de tempo ontnuo X(t) pode ser vista
omo sendo onstituda de uma sequn ia de estados determinada por alguma adeia de
Markov dis reta Xn om probabilidades de transio qij e uma sequn ia de tempos de
Cadeias de Markov 227

o upao de estados orrespondente exponen ialmente distribuda. Nesta seo, iremos


mostrar que se a adeia dis reta asso iada irredutvel e re orrente positiva om fmp
esta ionria j , ento a proporo de tempo de longo prazo gasta por X(t) no estado i

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

medida que n , pelas Equaes (10.48), (10.49a) e (10.49b), om probabili-


dade um,

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

onde j a fmp soluo ni a para

X
j = i qij , j (10.54)
i

e c uma onstante de normalizao.


Obtemos a equao de balano global (10.38b), substituindo i = vi pi /c da Equao
(10.53) e qij = ij /vi na Equao (10.54):

X
vj pj = pi ij , j
i6=j

Ento os pi 's so a soluo ni as das equaes de balano global.

Exemplo 10.29. En ontre as probabilidades de longo prazo para os estados da adeia


de Markov do Exemplo 10.10.

Soluo. Para este sistema

 
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/) + +

10.6 Exer ios


1. Seja Tn o tempo de hegada do n-simo liente a uma estao de servio. Seja Zn
o intervalo de tempo entre as hegadas do liente n e do liente n 1, isto

Zn = Tn Tn1 , n 1

e T0 = 0. Seja {X(t), t 0} o pro esso de ontagem asso iado om {Tn , n 0}.


Mostre que se X(t) tem in rementos esta ionrios, ento Zn , n = 1, 2, . . . so
v.a.'s identi amente distribudas.

2. Desenhe os diagramas de transio de estados e lassique os estados das Cadeias


de Markov para as seguintes matrizes de transio.

0.3 0.4 0 0 0.3
0 0 0.5 0.5
0 0.5 0.5 1
0 1 0 0 0
0 0 0
P = 0.5 0 0.5 P =
0
P = 0 0 0 0.6 0.4
1 0 0
0.5 0.5 0 0 0 0 0 1
0 1 0 0
0 0 1 0 0
Cadeias de Markov 229

3. Considere uma adeia de Markov om espao de estados {0, 1} e matriz de pro-


babilidades de transio

 
1 0
P =
1/2 1/2
Mostre que o estado o re orrente e que o estado 1 transiente.

4. Considere uma adeia de Markov de dois estados om matriz de probabilidade de


transio

 
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 .

(a) Esbo e uma adeia de Markov para este problema.

(b) Para = 1/10 e = 1/5, determine a matriz de transio de estados de um


passo.

( ) Dadas as probabilidades ini iais dos estados p0 = p1 = 0, 5, determine as


probabilidades dos estados depois de 2 passos.

Resp:

(a)
 
0, 9 0, 1
(b) P =
0, 2 0, 8
( ) p(2) = [ 0, 585 0, 415 ]

6. Considere uma adeia de Markov om dois estados e matriz de probabilidade de


transio de estados dada por

3 1
4 4
P =



1 1
2 2
230 Cadeias de Markov

(a) En ontre a distribuio esta ionria de estados p para esta adeia.

(b) En ontre lim P n .


n

Resp:

 
21
(a) p =
33
 
n 2/3 1/3
(b) P =
2/3 1/3

7. Um exemplo de uma adeia de Markov de dois estados um sistema onsistindo


de sequn ias de estgios em as ata de anais de omuni ao binrios, omo
mostrado na gura abaixo.

Xn1 = 0 1a Xn = 0
- .. ........
- .. ........
-
................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
........ ..
....... ....... .......
........
........
........
........ .
. ........
.
........
........
........
........
........ a
........ .. .
. .......
........
........
........
........
........
........ .
... .......
........
........
.. .
. .
.
j j j
........ .
. ......... .. . .
........ .. .
........ ........ ........ ........ ........ ........
........ ....... ....... .......
........ ............... ........
........ ...............
........
........ ...............
..
.
.. ..
................... ...
..
................... .
. .
..
...................
* * *
.... ........ .
.. ...
........ ....... ........ ....... ........
.......
........ ....... ........ ....... ........
....... ........ ........ ........ ........ ........
........ ........ ........ ........ ........ ........
.......... ........
.. ........... ........
.. ........... ........
........
... . . ..... .
.............
-
..
. .........
.
.......... .......
..
.. ... .
.
..............
b - ..
. .........
.
.......... .......
..
....
. .
..... .....
. ....
-
................................................................................................................................................... .................................................................................................................................................. .........................................................................................................................................................
. .
........
......

Xn1 = 1 1b Xn = 1

Aqui, Xn denota o dgito que deixa o n-simo estgio do anal, e X0 denota o


dgito que entra no primeiro estgio. A matriz de probabilidades de transio
deste sistema de omuni ao geralmente hamado de matriz de anal, e dada
por

 
1a a
P = , 0 < a, b < 1
b 1b

Assuma que a = 0, 1 e b = 0, 2, e que a distribuio ini ial P [X0 = 0] = P [X0 =


1] = 0, 5.

(a) En ontre a distribuio de Xn .

(b) En ontre a distribuio de Xn quando n .

Di a:
   
1 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

(a) En ontre a distribuio de estado esta ionrio .


(b) Mostre que lim P n no existe.
n
2
Di a: Cal ule P , P 3, P 4, . . . e faa a prova por induo.

Resp: (a) [1/2 1/2]

9. Um eltron pode estar em uma de trs possveis rbitas. A transio da rbita i


para a rbita j (i, j = 1, 2, 3) o orre em uma unidade de tempo om probabilidade

Ci e|ij| , > 0

Esbo e uma adeia de Markov para este problema e al ule as onstantes Ci .

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

11. Uma adeia de Markov om probabilidades de transio pij possui um estado


parti ular k para o qual pik = q para todos os estados i. Mostre que pk (n) = q, n.
232 Cadeias de Markov

12. Uma urna ontm ini ialmente 5 bolas bran as e 5 bolas pretas. O seguinte
experimento repetido indenidamente: uma bola retirada da urna; se a mesma
bran a ela re olo ada na urna, aso ontrrio deixada de fora. Seja 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.

(b) As probabilidades de transio dependem de n?


( ) Cal ule P (n), n , e en ontre uma expli ao para o resultado obtido.

Resp:

(a) Sim. Para k = 1, 2, . . . , 5 : P [k 1|k] = k/(5 + k) = 1 P [k|k], P [0|0] = 1.


(b) No.

13. Seja X(n) um pro esso de aminhada aleatria unidimensional.

(a) Mostre que X(n) um pro esso de Markov.

(b) En ontre a matriz de transio de um passo para este pro esso.


p, j = i + 1

Resp: P = q, j = i 1


0, aso ontrrio
Apndi e A

Tabelas Matemti as

A.1 Identidades trigonomtri as


sen2 () + cos2 () = 1
sen( + ) = sen cos + cos sen
sen( ) = sen cos cos sen
cos( + ) = cos cos sen sen
cos( ) = cos cos + sen sen
sen 2 = 2 sen cos
cos 2 = cos2 sen2 = 2 cos2 1 = 1 2 sen2
1
sen sen = [cos( ) cos( + )]
2
1
cos cos = [cos( ) + cos( + )]
2
1
sen cos = [sen( + ) + sen( )]
2
1
cos sen = [sen( + ) sen( )]
2
1
sen2 = (1 cos 2)
2
1
cos2 = (1 + cos 2)
2
ej = cos + j sen
ej + ej
cos =
2
ej ej
sen =
2j
sen = cos( /2)
234 Tabelas Matemti as

A.2 Coe ientes Binomiais


   
n n! n
= =
k k!(n k)! nk
 
n
= 0 para n < k
k
     
n n n
= = =1
n 1 0
   
n n
= k = p ou k + p = n (binomiais omplementares)
k p
     
n n n+1
+ = (relao de Stiel)
k k+1 k+1

A.3 Derivadas
Nas expresses a seguir, u, v 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

A.4 Integrais indenidas


Z Z
udv = uv vdu, onde u e v so funes de x.
Z
xn+1
xn dx = , ex eto para n = 1
n+1
Z
x1 dx = ln x
Z
eax
eax dx =
a
Z
ln xdx = x ln x x
Z
1 1 x
dx = tan1
a2 + x2 a a
Z
(ln x)n 1
dx = (ln x)n+1
x n+1
Z
xn+1 xn+1
xn ln(ax) dx = ln(ax)
n+1 (n + 1)2
Z
eax (ax 1)
xeax dx =
a2
Z
eax (a2 x2 2ax + 2)
x2 eax dx =
a3
Z
1
sen(ax) dx = cos(ax)
a
Z
1
cos(ax) dx = sen(ax)
a
Z
x sen(2ax)
sen2 (ax) dx =
2 4a
236 Tabelas Matemti as

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

A.5 Integrais denidas


Z
(n)
tn1 e(a+1)t dt = n > 0, a > 1
0 (a + 1)n
(n) = (n 1)! se n um inteiro positivo
 
1
=
2
 
1 1 3 5 (2n 1)
n+ = n = 1, 2, 3, . . .
2 2n
Z
2 x2
e dx =
0 2
Z
2 2 1
xe x =
0 22
Z
2 2 x2
x e =
0 43
Z  
n 2 x2 n+1 
x e = / 2n+1
0 2
Z
a
2 + x2
dx = , a > 0
0 a 2
Z
sen2 (ax)
2
dx = |a| , a > 0
0 x 2
Z
cos(mx) ma
2 2
dx = e
0 x +a 2a
Z r
(ax2 +bx+c) b2 4ac
e dx = e 4a
a
Apndi e B

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 )

Es alonamento no tempo: F {g(at)} = G(f /a)/|a|

Dualidade: se F {g(t)} = G(f ) ento F {G(t)} = g(f )

Deslo amento no tempo: F {g(t t0 )} = G(f )ej2f t0

Deslo amento em frequn ia: F {g(t)ej2f0 t } = G(f f0 )

Diferen iao: F {g (t)} = j2f G(f )


Z t 
Integrao: F g(s)ds = G(f )/(j2f ) + (G(0)/2)(f )

Multipli ao no tempo: F {g1 (t)g2 (t)} = G1 (f ) G2 (f )

Convoluo no tempo: F {g1 (t) g2 (t)} = G1 (f )G2 (f )


238 Tabelas de transformadas de Fourier

B.3 Pares de transformadas


g(t) G(f )
(
1, T /2 t T /2 sen(f T )
T
0, aso ontrrio f T
(
sen(2W t) 1, W f W
2W
2W t 0, aso ontrrio
(
|t|
1 T , |t| < T sen2 (f T )
T
0, aso ontrrio (f T )2

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

C.1 Srie de Taylor para funes de uma varivel


f (a)(x a)2 f (n1) (a)(x a)(n1)
f (x) = f (a) + f (a)(x a) + + + + Rn
2! (n 1)!
onde Rn , o resto aps n termos, dado por qualquer das formas seguintes:

f (n) ()(x a)n


Forma de Lagrange Rn =
n!
f (n) ()(x )n1 (x a)
Forma de Cau hy Rn =
(n 1)!

O valor , que pode ser diferente nas duas formas,  a entre a e x. O resultado
determina se f (x) tem derivadas ont nuas 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.

C.2 Expanses mais utilizadas


x2 x3
ex = 1 + x + + + , < x <
2! 3!
(x ln(a))2 (x ln(a))3
ax = ex ln(a) = 1 + x ln(a) + + + , < x <
2! 3!
     
x1 1 x1 2 1 x1 3 1
ln(x) = + + + ,x
x 2 x 3 x 2
x3 x 5 x 7
sen(x) = x + + , < x <
3! 5! 7!
x2 x4 x6
cos(x) = 1 + + , < x <
2! 4! 6!
x3 x5 x7
senh(x) = x + + + + , < x <
3! 5! 7!
240 Sries de Taylor

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

Variveis aleatrias dis retas

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 fun o 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 distribui o 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

Observaes : X o nmero de falhas antes do primeiro su esso em uma sequn ia de


242 Variveis aleatrias dis retas

testes de Bernoulli independentes. A varivel aleatria geomtri a a ni a varivel


aleatria dis reta sem memria.

Segunda verso

SX = {1, 2, . . . }
pk = p(1 p)k1 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.4 Binomial negativa


SX = {r, r + 1, . . . } onde r um inteiro positivo
 
k1 r
pk = p (1 p)kr k = r, r + 1, . . . , n
r1
r r(1 p)
E[X] = Var[X] =
p p2
 r
pz
GX (z) = 1qz

Observaes : X o nmero de tentativas at o r-simo su esso em uma sequn ia de


testes de Bernoulli independentes.

D.5 Poisson
SX = {0, 1, 2, . . . }
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 distribui o exponen ial de mdia 1/.
Apndi e E

Variveis aleatrias ontnuas

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.2 Exponen ial


SX = [0, )
fX (x) = ex >0
1 1
E[X] = Var[X] =
2

X (j) =
j
Observaes : A varivel aleatria exponen ial a ni a varivel aleatria ontnua sem
memria.

E.3 Gaussiana (Normal)


SX = (, )
1 (x)2
fX (x) = e 22 >0
2
E[X] = Var[X] = 2
2 2 /2
X (j) = ej
Observaes : Sob uma grande gama de ondies, X pode ser utilizada para aproximar
244 Variveis aleatrias ontnuas

a soma de um grande nmero de variveis aleatrias independentes.

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.6 Chi-Quadrado (2)


SX = (0, )
x(k2)/2 ex/2
fX (x) = onde k um inteiro positivo.
2k/2 (k/2)
E[X] = k Var[X] = 2k
 k/2
1
X (j) =
1 j2
Observaes : A soma do quadrado de k variveis aleatrias gaussianas de mdia zero
e varin ia unitria orresponde a uma varivel aleatria om distribuio 2 om k
graus de liberdade.

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

A mdia e a varin ia no existem.

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

Valores da distribuio normal


Nas tabelas a seguir so listados os valores da funo distribuio umulativa (x) de
uma varivel aleatria om distribuio normal N (0, 1).
Valores da distribuio normal 247

x (x) x (x) x (x) x (x)

-4.00 0.000031671 -3.50 0.000232629 -3.00 0.001349898 -2.50 0.006209665


-3.99 0.000033036 -3.49 0.000241510 -2.99 0.001394887 -2.49 0.006387154
-3.98 0.000034457 -3.48 0.000250706 -2.98 0.001441241 -2.48 0.006569119
-3.97 0.000035936 -3.47 0.000260229 -2.97 0.001488998 -2.47 0.006755652
-3.96 0.000037474 -3.46 0.000270087 -2.96 0.001538195 -2.46 0.006946850
-3.95 0.000039075 -3.45 0.000280293 -2.95 0.001588869 -2.45 0.007142810
-3.94 0.000040740 -3.44 0.000290857 -2.94 0.001641061 -2.44 0.007343630
-3.93 0.000042472 -3.43 0.000301790 -2.93 0.001694810 -2.43 0.007549411
-3.92 0.000044274 -3.42 0.000313105 -2.92 0.001750156 -2.42 0.007760253
-3.91 0.000046148 -3.41 0.000324814 -2.91 0.001807143 -2.41 0.007976260
-3.90 0.000048096 -3.40 0.000336929 -2.90 0.001865813 -2.40 0.008197535
-3.89 0.000050122 -3.39 0.000349463 -2.89 0.001926209 -2.39 0.008424186
-3.88 0.000052228 -3.38 0.000362429 -2.88 0.001988375 -2.38 0.008656319
-3.87 0.000054417 -3.37 0.000375840 -2.87 0.002052358 -2.37 0.008894042
-3.86 0.000056693 -3.36 0.000389712 -2.86 0.002118205 -2.36 0.009137467
-3.85 0.000059058 -3.35 0.000404057 -2.85 0.002185961 -2.35 0.009386705
-3.84 0.000061517 -3.34 0.000418891 -2.84 0.002255676 -2.34 0.009641869
-3.83 0.000064071 -3.33 0.000434229 -2.83 0.002327400 -2.33 0.009903075
-3.82 0.000066725 -3.32 0.000450087 -2.82 0.002401182 -2.32 0.010170438
-3.81 0.000069483 -3.31 0.000466479 -2.81 0.002477074 -2.31 0.010444077
-3.80 0.000072348 -3.30 0.000483424 -2.80 0.002555130 -2.30 0.010724110
-3.79 0.000075323 -3.29 0.000500936 -2.79 0.002635402 -2.29 0.011010658
-3.78 0.000078414 -3.28 0.000519035 -2.78 0.002717944 -2.28 0.011303844
-3.77 0.000081623 -3.27 0.000537737 -2.77 0.002802814 -2.27 0.011603791
-3.76 0.000084956 -3.26 0.000557061 -2.76 0.002890068 -2.26 0.011910625
-3.75 0.000088417 -3.25 0.000577025 -2.75 0.002979763 -2.25 0.012224472
-3.74 0.000092010 -3.24 0.000597648 -2.74 0.003071959 -2.24 0.012545461
-3.73 0.000095739 -3.23 0.000618951 -2.73 0.003166716 -2.23 0.012873721
-3.72 0.000099611 -3.22 0.000640952 -2.72 0.003264095 -2.22 0.013209383
-3.71 0.000103629 -3.21 0.000663674 -2.71 0.003364160 -2.21 0.013552581
-3.70 0.000107799 -3.20 0.000687137 -2.70 0.003466973 -2.20 0.013903447
-3.69 0.000112127 -3.19 0.000711363 -2.69 0.003572600 -2.19 0.014262118
-3.68 0.000116616 -3.18 0.000736375 -2.68 0.003681108 -2.18 0.014628730
-3.67 0.000121275 -3.17 0.000762194 -2.67 0.003792562 -2.17 0.015003422
-3.66 0.000126107 -3.16 0.000788845 -2.66 0.003907032 -2.16 0.015386334
-3.65 0.000131120 -3.15 0.000816352 -2.65 0.004024588 -2.15 0.015777607
-3.64 0.000136319 -3.14 0.000844739 -2.64 0.004145301 -2.14 0.016177383
-3.63 0.000141710 -3.13 0.000874031 -2.63 0.004269243 -2.13 0.016585806
-3.62 0.000147301 -3.12 0.000904255 -2.62 0.004396488 -2.12 0.017003022
-3.61 0.000153098 -3.11 0.000935436 -2.61 0.004527111 -2.11 0.017429177
-3.60 0.000159108 -3.10 0.000967603 -2.60 0.004661188 -2.10 0.017864420
-3.59 0.000165338 -3.09 0.001000782 -2.59 0.004798796 -2.09 0.018308899
-3.58 0.000171797 -3.08 0.001035002 -2.58 0.004940015 -2.08 0.018762766
-3.57 0.000178490 -3.07 0.001070293 -2.57 0.005084925 -2.07 0.019226172
-3.56 0.000185427 -3.06 0.001106684 -2.56 0.005233608 -2.06 0.019699270
-3.55 0.000192615 -3.05 0.001144206 -2.55 0.005386145 -2.05 0.020182215
-3.54 0.000200063 -3.04 0.001182890 -2.54 0.005542623 -2.04 0.020675162
-3.53 0.000207779 -3.03 0.001222768 -2.53 0.005703126 -2.03 0.021178269
-3.52 0.000215773 -3.02 0.001263873 -2.52 0.005867741 -2.02 0.021691693
-3.51 0.000224053 -3.01 0.001306238 -2.51 0.006036558 -2.01 0.022215594
248 Valores da distribuio normal

x (x) x (x) x (x) x (x)

-2.00 0.022750131 -1.50 0.066807201 -1.00 0.158655253 -0.50 0.308537538


-1.99 0.023295467 -1.49 0.068112117 -0.99 0.161087059 -0.49 0.312066949
-1.98 0.023851764 -1.48 0.069436623 -0.98 0.163543059 -0.48 0.315613696
-1.97 0.024419185 -1.47 0.070780876 -0.97 0.166023246 -0.47 0.319177508
-1.96 0.024997895 -1.46 0.072145036 -0.96 0.168527607 -0.46 0.322758110
-1.95 0.025588059 -1.45 0.073529259 -0.95 0.171056126 -0.45 0.326355220
-1.94 0.026189844 -1.44 0.074933699 -0.94 0.173608780 -0.44 0.329968553
-1.93 0.026803418 -1.43 0.076358509 -0.93 0.176185542 -0.43 0.333597820
-1.92 0.027428949 -1.42 0.077803840 -0.92 0.178786379 -0.42 0.337242726
-1.91 0.028066606 -1.41 0.079269841 -0.91 0.181411254 -0.41 0.340902973
-1.90 0.028716559 -1.40 0.080756659 -0.90 0.184060125 -0.40 0.344578258
-1.89 0.029378980 -1.39 0.082264438 -0.89 0.186732943 -0.39 0.348268273
-1.88 0.030054038 -1.38 0.083793322 -0.88 0.189429654 -0.38 0.351972707
-1.87 0.030741908 -1.37 0.085343450 -0.87 0.192150202 -0.37 0.355691245
-1.86 0.031442762 -1.36 0.086914961 -0.86 0.194894521 -0.36 0.359423566
-1.85 0.032156774 -1.35 0.088507991 -0.85 0.197662543 -0.35 0.363169348
-1.84 0.032884118 -1.34 0.090122672 -0.84 0.200454193 -0.34 0.366928263
-1.83 0.033624969 -1.33 0.091759135 -0.83 0.203269391 -0.33 0.370699981
-1.82 0.034379502 -1.32 0.093417508 -0.82 0.206108053 -0.32 0.374484165
-1.81 0.035147893 -1.31 0.095097917 -0.81 0.208970087 -0.31 0.378280478
-1.80 0.035930319 -1.30 0.096800484 -0.80 0.211855398 -0.30 0.382088577
-1.79 0.036726955 -1.29 0.098525329 -0.79 0.214763884 -0.29 0.385908118
-1.78 0.037537980 -1.28 0.100272567 -0.78 0.217695437 -0.28 0.389738752
-1.77 0.038363570 -1.27 0.102042315 -0.77 0.220649946 -0.27 0.393580126
-1.76 0.039203903 -1.26 0.103834681 -0.76 0.223627292 -0.26 0.397431886
-1.75 0.040059156 -1.25 0.105649773 -0.75 0.226627352 -0.25 0.401293674
-1.74 0.040929508 -1.24 0.107487697 -0.74 0.229649997 -0.24 0.405165128
-1.73 0.041815137 -1.23 0.109348552 -0.73 0.232695092 -0.23 0.409045884
-1.72 0.042716220 -1.22 0.111232437 -0.72 0.235762497 -0.22 0.412935577
-1.71 0.043632936 -1.21 0.113139446 -0.71 0.238852068 -0.21 0.416833836
-1.70 0.044565462 -1.20 0.115069670 -0.70 0.241963652 -0.20 0.420740290
-1.69 0.045513977 -1.19 0.117023196 -0.69 0.245097093 -0.19 0.424654565
-1.68 0.046478657 -1.18 0.119000107 -0.68 0.248252230 -0.18 0.428576284
-1.67 0.047459681 -1.17 0.121000484 -0.67 0.251428895 -0.17 0.432505068
-1.66 0.048457226 -1.16 0.123024403 -0.66 0.254626914 -0.16 0.436440537
-1.65 0.049471468 -1.15 0.125071935 -0.65 0.257846110 -0.15 0.440382307
-1.64 0.050502583 -1.14 0.127143150 -0.64 0.261086299 -0.14 0.444329995
-1.63 0.051550748 -1.13 0.129238112 -0.63 0.264347292 -0.13 0.448283213
-1.62 0.052616138 -1.12 0.131356881 -0.62 0.267628893 -0.12 0.452241573
-1.61 0.053698928 -1.11 0.133499513 -0.61 0.270930903 -0.11 0.456204687
-1.60 0.054799291 -1.10 0.135666060 -0.60 0.274253117 -0.10 0.460172162
-1.59 0.055917402 -1.09 0.137856572 -0.59 0.277595324 -0.09 0.464143607
-1.58 0.057053433 -1.08 0.140071090 -0.58 0.280957308 -0.08 0.468118627
-1.57 0.058207555 -1.07 0.142309654 -0.57 0.284338849 -0.07 0.472096829
-1.56 0.059379940 -1.06 0.144572299 -0.56 0.287739718 -0.06 0.476077817
-1.55 0.060570758 -1.05 0.146859056 -0.55 0.291159686 -0.05 0.480061194
-1.54 0.061780176 -1.04 0.149169950 -0.54 0.294598516 -0.04 0.484046563
-1.53 0.063008364 -1.03 0.151505002 -0.53 0.298055965 -0.03 0.488033526
-1.52 0.064255487 -1.02 0.153864230 -0.52 0.301531787 -0.02 0.492021686
-1.51 0.065521712 -1.01 0.156247645 -0.51 0.305025730 -0.01 0.496010643
ndi e Remissivo
N -simo momento de uma v.a., 78 Denio lssi a, 7
Denio por frequn ia relativa, 5
A essibilidade, 218 Delta de Dira , 35
Amostragem om reposio e ordenao, 8 Densidade espe tral ruzada, 184
Amostragem om reposio e sem ordena- Densidades ondi ionais, 49
o, 11 Densidades marginais, 52
Amostragem sem reposio e om ordena- Densidades marginais: aso multidimensi-
o, 8 onal, 53
Amostragem sem reposio e sem ordena- Desigualdade de Chebyshev, 126
o., 10 Desigualdade de Markov, 125
Dualidade, Prin pio da, 5
Bayes, Teorema de, 13
Bernoulli, Distribuio de, 36 Equaes de Balano Global, 214
Binomial, Distribuio, 37 Espao amostral, 2
Browniano, Pro esso movimento, 154 Espe tro densidade de potn ia, 177
Estado re orrente, 220
Cadeia de Markov aperidi a, 223 Estado re orrente nulo, 224
Cadeia de Markov embutida, 210 Estado re orrente positivo, 224
adeia de Markov, fmp esta ionria dos es- Estado transiente, 220
tados da, 214 Estados ergdi os, 224
Cadeia Irredutvel, 219 Estimativa onsistente, 133
Cadeias de Markov de tempo dis reto, 202 Evento omplementar, 3
Cadeias de Markov em tempo ontnuo, 207 Evento nulo, 3
Cau hy, Distribuio de, 47 Eventos, 1
Cau hy-S warz, Desigualdade de, 81 Eventos mutuamente ex lusivos, 3
Causalidade, 174 Eventos equivalentes, 27
Chapman-Kolmogorov, Equaes de, 212 Eventos independentes, 14
Chi-Quadrado, Distribuio, 47 Experimento aleatrio, 1
Classes de estados, 219 Experimentos sequen iais e diagramas em
Coe iente binomial, 10 rvore, 16
Coe iente de segurana, 134 Exponen ial, Distribuio, 40
Coe ientes multinomiais, 11
Comuni abilidade, 218 Fdp e fmp onjunta de sequn ias de va-

Conjuntos, Teoria de, 2 riveis aleatrias iid, 146

Convoluo, Integral de, 104 Fourier, Transformada de, 174

Correlaes ruzadas, 181 Funo ara ter sti a de v.a.'s multidimen-

Correlao, 81 sionais, 85

Covarin ia, 81 Funo ara ter sti a, Cl ulo da mdia


atravs da, 83
De Morgan, Lei de, 4 Funo ara ter sti a, Soma de variveis
Denio axiomti a, 6 aleatrias usando a, 84
250 NDICE REMISSIVO

Funo distribuio umulativa omplemen- Limitantes superiores para a probabilidade


tar, 44 de auda, 125
Funo distribuio de probabilidade on- Linearidade, 173
di ional, 54
Funo ara tersti a n-dimensional, 85 m-Erlang, Distribuio, 46

Funo de auto orrelao, 157 Mtodo da rejeio, 94

Funo de auto ovarin ia, 159 Mtodo da transformada, 92

Funo de orrelao ruzada, 181 Mtodo do resduo da potn ia, 90

Funo distribuio de probabilidade on- Mtodos omputa ionais para gerao de

junta, 51 nmeros aleatrios, 90

Funo ara tersti a, 82 Mdia amostral de nmeros grandes, 134

Funo densidade de probabilidade, 33 Mdia ondi ional, 78

Funo densidade de probabilidade ondi- Mdia da Soma de Funes, 76

ional, 55 Mdia de uma Funo de uma Varivel Ale-

Funo densidade de probabilidade da soma atria, 74

de duas variveis aleatrias, 103 Mdia de uma Varivel Aleatria, 72

Funo densidade de probabilidade da soma Mdia do Produto de Duas Variveis Ale-


de duas variveis aleatrias inde- atrias Independentes, 77

pendetes, 104 Mdia Quadrti a da Soma de Duas Vari-

Funo distribuio umulativa, 27 veis Aleatrias, 77

Funo geratriz de momentos da soma de Mdias de onjunto, 155

variveis aleatrias iid, 109 Mdias de somas de variveis aleatrias,

Funo geratriz de momentos da soma de 100

variveis aleatrias independentes, Mdias estatsti as de pro essos aleatrios,

109 155

Funo massa de probabilidade, 30 Mdias para Variveis Mltiplas, 75

Funp geratriz de momentos, 105 Markov, Cadeia de, 201

Funes de variveis aleatrias: aso mul- Markov, Estado de um pro esso de, 200

tidimensional, 61 Markov, Pro esso de, 199

Funes de variveis aleatrias: aso uni- Markov, Propriedade de, 199

dimensional, 56 Matriz de orrelao, 82

Fun ional linear, 190 Matriz de ovarin ia, 82


Matriz de probabilidade de transio, 202
Gama, Distribuio, 45 Momento entral onjunto, 80
Geomtri a, Distribuio, 38 Momento onjunto, 80
Gerao de funes de uma varivel alea- Momentos, 78
tria, 97 Momentos Centrais, 79
Gerao de misturas de variveis aleat- Momentos de v.a.'s multidimensionais, 80
rias, 98 Mdia amostral, 132
mdia amostral, Mdia e varin ia da, 133
Interse o de eventos, 3 Mtodos de ontagem, 7
Intervalo de onana, 134
Invarin ia no tempo, 173 nas imento e morte, Pro esso de, 217

Lapla e, Distribuio de, 48 Perodo de um estado, 222


Lei Forte de Nmeros Grandes, 137 Permutao de n objetos distintos, 9
Lei Fra a de Nmeros Grandes, 136 Poisson, Distribuio de, 37
Leis de Nmeros Grandes, 135 Poisson, Pro esso de, 148
Limitante de Cherno, 128 Probabilidade ondi ional, 12
NDICE REMISSIVO 251

Probabilidade onjunta, 11 Rayleigh, Distribuio de, 40


Probabilidade de transio para n passos, regio de onvergn ia, 105
203 Resposta em frequn ia, 174

Probabilidade marginal, 12 Resposta impulsiva, 173

Probabilidades de Estados em Regime e Resultados de um experimento aleatrio, 1

Equaes de Balano Globais, 214


Sequn ia aleatria, 142
Probabilidades de transio homogneas,
Sequn ias iid, 145
208
Sistema de las de servidor ni o M/M/1,
Probabilidades de transio homogneas,
215
202
Sistema em equilbrio ou regime perma-
Probabilidades dos estados de uma adeia
nente, 206
de Markov, 204
Sistemas lineares e invariantes no tempo,
Probabilidades em regime, 206
173
Probabilidades limite, 223
Somas aleatrias de v.a.'s independentes,
Probabilidades limite para as adeias de
112
Markov de tempo ontnuo, 226
Somas de v.a.'s gaussianas independentes,
Pro esso de Bernoulli, 146
111
Pro esso de ontagem, 147
Pro esso de sada de um ltro linear inva- Taxas de transio e probabilidades de es-
riante no tempo, 175 tados dependentes de tempo, 210

pro esso esto sti o, Conjunto de um, 140 Telegr o aleatrio, Pro esso, 152

pro esso esto sti o, Funo amostra de Tempo mdio de o upao de estado, 209

um, 140 Tempo mdio de re orrn ia, 224

pro esso esto sti o, Mdia de um, 159 Tempos de o upao de estados, 209

pro esso esto sti o, Momento de um, 159 Teorema do limite entral, 116

pro esso esto sti o, Filtragem linear de Teorema do Limite Central, Apli aes do,

um, 174 118

Pro esso rudo bran o gaussiano, 191


Uniforme, Distribuio, 39
Pro essos onjuntamente esta ionrios no
Unio de eventos, 3
sentido amplo, 182
Pro essos de durao nita, semi-innita e Variveis aleatrias ontnuas, 38
innita, 143 Variveis aleatrias dis retas, 36
Pro essos des orrela ionados, 181 Variveis aleatrias a partir de pro essos
Pro essos ergdi os, 164 esto sti os, 143
Pro essos esto sti os, 140 Variveis aleatrias des orrela ionadas, 82

Pro essos esto sti os ontnuos e dis re- Variveis aleatrias ortogonais, 82

tos no tempo, 142 Varin ia, 79

Pro essos esto sti os de valor dis reto e Variveis aleatrias ontnuas, 31, 32

valor ontnuo, 142 Variveis aleatrias dis retas, 30

Pro essos esto sti os esta ionrios e no Variveis aleatrias independentes, 56

esta ionrios, 160 Variveis aleatrias mltiplas, 51

Pro essos esto sti os esta ionrios no sen- Varivel aleatria, 25

tido amplo, 161 Varin ia da soma de variveis aleatrias,

pro essos esto sti os, Filtragem de, 186 101


Varin ia da soma de variveis aleatrias
Pro essos gaussianos, 188
independentes, 102
Pro essos in oerentes ou ortogonais, 182
Pro essos independentes, 181
Refern ias Bibliogr as
[AZW89 Daniel Tabak Alexander Zayezdny and Dov Wuli h, Engineering appli ati-
ons of sto hasti pro esses - theory, problems and solutions, Resear h Studies
Press, Taunton, Somerset, England, 1989.

[Fel68 W. Feller, An introdu tion to probability theory and its impli ations, vol. I,
John Wiley and Sons, New York, 1968.

[Hay01 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.

[Lip93 Seymour Lips hutz, Probabilidade, Makron Books, So Paulo, 1993.

[Pap84 Athanasios Papoulis, Probability, random variables and sto hasti pro esses,
M Graw-Hill, 1984.

[Pro95 John G. Proakis, Digital ommuni ations, M Graw-Hill, 1995.

[Ros83 Sheldon. M. Ross, Sto hasti pro esses, John Wiley and Sons, New York,
1983.

[Spi78 Murray R. Spiegel, Probabilidade e estatsti a, M Graw-Hill, 1978.

[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.

[Swo94 Earl W. Swokowsky, Cl ulo om geometria analti a, Makron Books, So


Paulo, 1994.

[YG98 Roy D. Yates and David J. Goodman, Probability and sto hasti pro esses -
a friendly introdu tion for ele tri al and omputer engineers, John Wiley and
Sons, New York, 1998.

Você também pode gostar