![Page 1: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/1.jpg)
Mestrado em Engenharia ElétricaDisciplina: Probabilidade e Processos Estocásticos
Parte 2: Variáveis e Vetores Aleatórios
José Raimundo Gomes [email protected]
1 de Novembro de 2018
![Page 2: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/2.jpg)
Referências:
KAY, S. Intuitive Probability and Random Processes using
MATLAB. Springer, 2006.
ROSS, S. M. Introduction to Probability Models. Ninth
Edition. Academic Press, 2007
LEON-GARCIA, A. Probability, Statistics, and Random
Processes for Electrical Engineering. 3rd. Edition. Pearson,2008
DEKKING, F.M.; KRAAIKAMP, C.; LOPUHAÃ, H.P. eMEESTER, L.E. A Modern Introduction to Probability and
Statistics. Understanding Why and How. Springer, 2005.
KAY, S. M. Fundamental of Statistical Signal Processing.
Volume I: Estimation Theory. Prentice Hall, 1993.
WASSERMAN, A. All of Statistics. A Concise Course in
Statistical Inference. Springer, 2004.
![Page 3: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/3.jpg)
Variáveis Aleatórias
Em problemas reais, empregamos modelos probabilísticos paradescrever o comportamento das observações de fenômenos ouexperimentos, não determinísticos, sendo analisados. Asobservações são tratadas como resultantes de um experimentoaleatório e associamos números reais a cada resultado doexperimento.
De�nição: Uma variável aleatória é uma função X (·) que associaum número real X (s) a cada elemento s ∈ S .
Em alguns casos os elementos s ∈ S são numéricos, podemos terX (s) = s.
O objetivo é obter a probabilidades da ocorrência de valores deinteresse para a variável aleatória.
![Page 4: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/4.jpg)
Exemplo 2.1
1. Lançar três vezes uma moeda e observar o número de �caras�obtido
X : o número de caras
2. Contar o número de �voice packets� contendo somente silêncioproduzido por N �locutores� em um período de 10ms.
Y : o número de �voice packets� somente com silêncio
3. Realizar experimentos para medir o consumo de energia naexecução de um código em um sistema embarcado
T : o consumo de energia
![Page 5: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/5.jpg)
Classi�cação de Variáveis Aleatórias
DISCRETA se o conjunto dos seus valores é �nito ou in�nitoenumerável.
Exemplo:Contar o número de �voice packets� contendo somente silêncioproduzido por N �locutores� em um período de 10ms.
Y : o número de �voice packets� somente com silêncio
CONTÍNUA se assume valores em um intervalo, ou uma coleção deintervalos, de números reais.
Exemplo:Realizar experimentos para medir o consumo de energia naexecução de códigos em sistemas embarcados
T : o consumo de energia
![Page 6: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/6.jpg)
Eventos com Variáveis Aleatórias
A ocorrência de particulares valores de interesse para uma v.a. sãoeventos no espaço amostral associado ao experimento
Para eventos de�nidos para uma v.a. X , temos as equivalências
{X = x1} ≡ {s ∈ S : X (s) = x1}
{X ≤ x2} ≡ {s ∈ S : X (s)≤ x2}
{X > x3} ≡ {s ∈ S : X (s) > x3}
{x4 ≤ X ≤ x5} ≡ {s ∈ S : x4 ≤ X (s)≤ x5}
onde xi ∈ R, i = 1,2,3,4,5
Portanto, para qualquer I ⊂ R,
P(X ∈ I ) = P(s ∈ S : X (s) ∈ I )
![Page 7: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/7.jpg)
Função de Distribuição - de�nição
A função de distribuição (f.d.), ou função de distribuição
acumulada (f.d.a.), para uma v.a. X é de�nida por
F (x) = P(X ≤ x), ∀x ∈ R.
X ∀x ∈ R, 0≤ F (x)≤ 1
X Descreve a distribuição de probabilidade sobre R, pode serempregada para caracterizar completamente a distribuição deprobabilidade da v.a.
X A probabilidade de qualquer evento para uma v.a. pode serdescrita pela sua f.d.Referência:ROSS(2007), Chapter 2KAY(2006), Chapter 5.
![Page 8: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/8.jpg)
Exemplo 2.2
Considere o experimento de lançar três vezes uma moeda(honesta!).
(a) Obter o espaço amostral para o experimento.
(b) Considere a v.a.
X : o número de caras nos lançamentos
e determine:(b.1) P(X = 2)(b.2) P(X ≤ 1)(b.3) a f.d. de X .
![Page 9: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/9.jpg)
Função de Distribuição - propriedades
1. F (x) é não decrescente em x , isto é,
x1 < x2 ⇒ F (x1)≤ F (x2).
2. limx→−∞F (x) = F (−∞) = 0.
3. limx→∞F (x) = F (∞) = 1.
4. Para x1 < x2.
P(x1 < X ≤ x2) = F (x2)−F (x1).
5. P(X > x) = 1−F (x).
Exercício.Veri�car as propriedades da função de distribuição apresentadas.
![Page 10: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/10.jpg)
Variável Aleatória Discreta
Para uma v.a. discreta X , com valores x1,x2,x3, ..., é de�nida afunção de probabilidade (f.p.) por
P(X = xi ), para cada xi ∈ {x1,x2,x3, ...}
Propriedades:
1. 0≤ P(X = xi )≤ 1, i = 1,2,3, ..
2. P(X = x) = 0, ∀x 6= xi , i = 1,2,3, ..
3. ∑i P(X = xi ) = 1
4. FX (x) = ∑xi≤x P(X = xi )
Referência:ROSS(2007), Chapter 2KAY(2006), Chapter 5.
![Page 11: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/11.jpg)
Exemplo 2.3:
Uma fonte gera símbolos, aleatoriamente e independentemente, apartir de quatro letras do alfabeto a,b,c, e d , com probabilidades,respectivamente, de 1/2, 1/4, 1/8 e 1/8. Um procedimentocodi�ca esses símbolos em códigos binários como
a≡ 0, b ≡ 10, c ≡ 110, d ≡ 111
Seja X uma v.a. que descreve o número de símbolos binários nacodi�cação.
(a) Construa a f.p. de X .
(b) Encontre P(X > 1).
(c) Obtenha a f.d. de X .
![Page 12: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/12.jpg)
Modelo de Bernoulli
Considere uma v.a X discreta que assume valores em {0,1}, e parap ∈ (0,1),
P(X = 1) = p e P(X = 0) = 1−p.
Podemos escrever
P(X = x) = px(1−p)1−x , x ∈ {0,1}.
1. Experimentos de Bernoulli: experimentos que admitem apenasdois resultados possíveis, denotados por
�Sucesso� = 1 �Fracasso� = 0.
2. Notação: X ∼ Bernoulli(p)
![Page 13: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/13.jpg)
Exemplo 2.4:
Considere o experimento de selecionar ao acaso uma peça em umlote com 96 peças boas e 4 defeituosas. De�na a v.a.
X =
{1 se a peça é defeituosa0 se a peça é boa
Temos P(X = 1) = 0,04 e P(X = 0) = 0,96
X ∼ Bernoulli(p = 0,04)
P(X = x) = (0,04)x(1−0,04)1−x , x = 0,1
![Page 14: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/14.jpg)
Modelo Binomial
Considere m repetições independentes de um experimento com doisresultados de interesse, denominados de �sucesso� e �fracasso� ,com suas respectivas probabilidades constantes em todas asrepetições, de�na a v.a.
Y : o número de �sucessos� nas m repetições.
Então,
P(Y = y) =
(m
y
)py (1−p)m−y , y = 0,1,2, ...,m.
onde p = P(“sucesso ′′).
1. Experimento Binomial (Sequência de Bernoulli): sãorepetições independentes de um experimento de Bernoulli(p),com p constante em todas as repetições.
2. Notação: Y ∼ Binomial(m,p)
![Page 15: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/15.jpg)
Exemplo 2.5:
Os itens produzidos por uma máquina são defeituosos comprobabilidade 0,2, independentemente de qualquer outro item.Sendo selecionada ao acaso uma amostra de cinco itens, qual aprobabilidade de:
(a) obtermos um defeituoso?
(b) obtermos no máximo três defeituosos?
(c) obtermos pelo menos um defeituoso?
ExercícioVeri�que que a f.p. de Y ∼ Binomial(m,p) satisfaz
m
∑y=0
P(Y = y) = 1
![Page 16: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/16.jpg)
Exemplo 2.6:
Considere as seguintes situações:
(a) Dos alunos de uma grande universidade, sorteamos ao acaso 5alunos e contamos quantos se declararam usuários de drogas.
(b) Selecionamos 20 lâmpadas ao acaso em um supermercado,sendo 10 de uma marca A e 10 de outra marca B. Contamos onúmero de defeituosas.
(c) Um motorista é submetido a um teste de �baliza�. Em 10tetativas contamos o número de vezes que o motoristaestacionou corretamente.
O modelo Binomial é adequado para estas situações?
![Page 17: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/17.jpg)
Modelo Geométrico (1)
Considerando repetições independentes de um experimento deBernoulli(p), p constante em todas as repetições, de�na a v.a.
Y : o número de repetições até a ocorrência do 1o �sucesso�.
Então,
1. Os valores de Y pertencem a {1,2,3, ....}2. A f.p. é
P(Y = k) = (1−p)k−1p, k = 1,2,3....
3. Notação: Y ∼ Geométrica(p)
![Page 18: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/18.jpg)
Modelo Geométrico (2)
Com relação as repetições independentes de um experimento deBernoulli(p), p constante em todas as repetições, podemostambém considerar a v.a.
X : o número de repetições antes da ocorrência do 1o �sucesso�.
Neste caso,
1. Os valores de X pertencem a {0,1,2,3, ....}2. A f.p. é
P(X = k) = (1−p)kp, k = 0,1,2,3....
3. Temos a relação Y = X +1
![Page 19: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/19.jpg)
Exemplo 2.7:
Considere exemplo anterior, sobre os itens produzidos por umamáquina com probabilidade 0,2 de ser defeituoso,independentemente de quaisquer outros. Suponha agora que ositens são inspecionados um após outro. Qual a probabilidade de sernecessário inspecionar cinco itens até ocorrer o primeiro defeituoso?
Exercício.Veri�que que a f.p. de Y ∼ Geométrica(p) satisfaz
∞
∑y=1
P(Y = y) = 1
![Page 20: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/20.jpg)
Modelo de Poisson
Uma v.a. X discreta que assume valores em {0,1,2,3, ....} e comfunção de probabilidade
P(X = x) =e−λ λ x
x!, λ > 0, x = 0,1,2, ...
1. Emprega-se esse modelo para descrever o número deocorrências de eventos em intervalos (tempo, área, volume,...)
2. λ é a taxa média, ou intensidade, de ocorrência do evento nointervalo considerado
3. Notação: X ∼ Poisson(λ )
![Page 21: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/21.jpg)
Modelo de Poisson
Propriedade:
Seja X ∼ Binomial(m,p). Para m→ ∞ e p→ 0, tal que a taxaλ = m p permanece constante, então
P(X = x)≈ e−λ λ x
x!, x = 0,1,2, ...
X O modelo de Poisson aproxima a distribuição Binomial(m,p)quando m é grande e p pequeno.
Exercício.Fazer a veri�cação da propriedade apresentada para a distrbuiçãoX ∼ Poisson(λ ).
![Page 22: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/22.jpg)
Exemplo 2.8:
Em uma central telefônica o número de chamadas pode sermodelado por uma distribuição de Poisson, com taxa λ = 2/min.Admitindo este modelo como verdadeiro, encontre a probabilidadede:
(a) haver quatro chamadas em cinco minutos?
(b) haver doze chamadas em cinco minutos?
(c) haver, no mínimo, três chamadas em dois minutos?
(d) haver cento e trinta chamadas em uma hora?
![Page 23: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/23.jpg)
Exemplo 2.9:
No estudo de desempenho de uma central de computação, onúmero de acessos a unidade CPU é modelada por uma distribuiçãode Poisson com taxa λ = 4/seg . Essas requisições podem ser váriasnatureza, tais como, imprimir um arquivo, efetuar um cálculo,enviar uma mensagem, entre outras.
(a) Qual a probabilidade de dois acessos em um segundo?
(b) Qual a probabilidade do número de acessos não ultrapassardois acessos em um segundo?
(c) Considerando um intervalo de dez segundos, qual aprobabilidade de haver mais de cinquenta acessos?
![Page 24: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/24.jpg)
Implementação Computacional:
Função de probabilidade: P(X = x)
Modelo Matlab RBinomial(m,p) binopdf (x ,m,p) dbinom(x ,m,p)Geométrica(p) geopdf (x ,p) dgeom(x ,p)Poisson(λ ) poisspdf (x ,λ ) dpois(x ,λ )
Função de distribuição: P(X ≤ x)
Modelo Matlab RBinomial(m,p) binocdf (x ,m,p) pbinom(x ,m,p)Geométrica(p) geocdf (x ,p) pgeom(x ,p)Poisson(λ ) poisscdf (x ,λ ) ppois(x ,λ )
Nota:No R X ∼ Geométrica(p) é de�nida como �antes do primeirosucesso� (Y = X +1)
![Page 25: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/25.jpg)
Função de uma V. A. Discreta
Há situações em que o interesse são transformações da v.a.observada.
Seja X discreta, com valores x1,x2,x3, ..., e considere uma funçãoY = g(X ) que gera valores y1,y2,y3, .... Então temos que
P(Y = yi ) = ∑{j :g(xj )=yi}
P(X = xj)
Exemplos:
Y = cX + b
Y = X k
Y =
{c1 se X ≤ cc2 se X > c
![Page 26: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/26.jpg)
Exemplo 2.10:
1. Considere o exemplo da fonte que gera símbolos, aleatoria eindependentemente, a partir das letras a,b,c , e d , comprobabilidades, respectivamente, de 1/2, 1/4, 1/8 e 1/8, e quesão codi�cadas em códigos binários como: a≡ 0; b ≡ 10;c ≡ 110; d ≡ 111. Para X : o número de símbolos binários na
codi�cação obtenha a f.p. de Y = 3x +5.
2. Seja X uma v.a. com f.p.
x -1 0 1P(X = x) 0,3 0,5 0,2
Obtenha a distribuição de Y = X 2.
![Page 27: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/27.jpg)
Valor Esperado de uma V. A. Discreta
De�nição:A esperança (valor esperado, valor médio) para uma v.a. Xdiscreta, com valores x1,x2,x3, ..., é de�nida por
E [X ] = ∑i
xiP(X = xi )
X Caracteriza-se como uma �média ponderada�, cujos pesos são asprobabilidades e indica a região dos valores da v.a. com a maior�concentração de probabilidade�.
Referência:ROSS(2007), Chapter 2KAY(2006), Chapter 6.
![Page 28: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/28.jpg)
Exemplo 2.11:
1. Considere o experimento de lançar três vezes uma moeda(�honesta�). De�na a variável aleatória X como o número decaras obtido. Qual o valor esperado para o número de caras?
2. Considere o exemplo da fonte que gera símbolos, aleatoria eindependentemente, a partir das letras a,b,c , e d , comprobabilidades, respectivamente, de 1/2, 1/4, 1/8 e 1/8, e quesão codi�cadas em códigos binários como: a≡ 0; b ≡ 10;c ≡ 110; d ≡ 111. Sendo X : o número de símbolos binários na
codi�cação obtenha E (X ).
Exercício:Obter a esperança dos modelos de v.a. discretas apresentados.
![Page 29: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/29.jpg)
Valor Esperado de Funções de V.A. Discretas
Seja X discreta, com valores x1,x2,x3, ..., e considere uma funçãoY = g(X ) que gera valores y1,y2,y3, .... Então por de�nição
E [Y ] = ∑i
g(xi )P(X = xi ).
De forma alternativa, podemos obter a distribuição de Y eempregá-la para obter a E (Y ) que por de�nição é dada por
E [Y ] = ∑j
yjP(Y = yj)
![Page 30: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/30.jpg)
Exemplo 2.12:
1. Considere o exemplo da fonte que gera símbolos, aleatoria eindependentemente, a partir das letras a,b,c , e d , comprobabilidades, respectivamente, de 1/2, 1/4, 1/8 e 1/8, e quesão codi�cadas em códigos binários como: a≡ 0; b ≡ 10;c ≡ 110; d ≡ 111. Para X : o número de símbolos binários na
codi�cação seja Y = 3x +5. Obtenha E (Y ).
2. Seja X uma v.a. com f.p.
x -1 0 1P(X = x) 0,3 0,5 0,2
Para Y = X 2 obtenha E (Y ).
![Page 31: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/31.jpg)
Variância de uma V. A. Discreta
De�nições:A variância de uma v.a. X é de�nida por
Var [X ] = E{(X −E [X ])2}.
Então, sendo X discreta com valores x1,x2,x3, ..., temos que
Var [X ] = ∑i
(xi −E [X ])2P(X = xi )
X Mensura a dispersão (ou variabilidade) da distribuição da v.a.com respeito a seu valor esperado.
O desvio padrão da v.a. X é de�nido por
dp[X ] = +√
Var(X )
X A informação da variância expressa na mesma unidade dosvalores associados a v.a.
![Page 32: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/32.jpg)
Propriedades da Esperança e Variância
Seja X uma v.a. e a, b e c constantes.
1. E [c] = c
2. E [aX + b] = aE [X ] + b
3. Var [X ] = E [X 2]− (E [X ])2
4. Var [X ]≥ 0
5. Var [c] = 0
6. Var [cX ] = c2Var [X ]
7. Var [aX + b] = a2Var [X ]
Exercício:
1. Demonstrar cada uma das propriedades acima.
2. Obter a variância dos modelos de v.a. discretas apresentados.
![Page 33: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/33.jpg)
Erro Quadrático Médio (EQM)
Considere o problem em um experimento de predizer o resultadopara uma v.a. X antes de sua ocorrência. O objetvo é escolher umnúmero b que, em média, esteja mais próximos do verdadeiro valorde resultado de X .
Erro Quadrático Médio (EQM) (Mean Square Error (MSE)):
EQM(X ,b) = E [(X −b)2]
Critério;Obter b que minimize EQM(X ,b), isto é, bopt = minb EQM(X ,b).
Exercício:
1. Obtenha o �melhor preditor em EQM para X� (bopt), o queminimiza o EQM.
2. Avalie EQM(X ,bopt), isto é, quão boa será a predição do valorde X .
![Page 34: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/34.jpg)
Função Característica de V.A. DiscretasA função característica (f.c.) de uma v.a. X é de�nida por
φX (t) = E [e jtX ], t ∈ R,
onde j =√−1. Sendo X discreta com valores x1,x2,x3, ..., então
φX (t) = ∑i
e jtxi P(X = xi ).
Propriedade:A f.c. sempre existe pois |φX (t)|< ∞.
O r - ésimo momento de uma v.a. X é de�nido por
µr = E [X r ], r = 1,2,3, ...
Propriedade:A f.c. gera os momentos E [X n] por
E [X r ] =1j r
φ(r)X (0), onde φ
(r)X (t) =
d r
dtrφX (t)
![Page 35: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/35.jpg)
Função Característica de V.A. Discretas
Unicidade da Função Característica:A função característica de uma v.a. X determina univocamente adistribuição de X . (a f.c. é uma representação da distribuição)
X A f.c. pode ser empregada para identi�car se uma dada v.a.segue uma distribuição cuja f.c. seja conhecida.
Exemplo 2.14
1. Considere uma v.a. X ∼ Bernoulli(p). Obter f.c. e empregarpara obter sua esperança e sua variância.
Exercício:
1. Obter a f.c. para os modelos de v.a. discretas apresentados.
2. Em KAY(2006) estudar o exemplo, relativo a �Property 6.6�,sobre a aproximação da Binomial(m,p) pela Poisson(λ ), comλ = mp.
![Page 36: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/36.jpg)
Modelos Discretos:Esperança, Variância, Função Característica
Modelo (X ) E (X ) Var(X ) φX (t)Bernoulli(p) p p(1−p) pe jt +(1−p)
Binomial(m,p) mp mp(1−p)(pe jt +(1−p)
)mGeométrica(p) 1
p1−pp2
pe−jt−(1−p)
Poisson(λ ) λ λ eλ (e jt−1)
Nota:X ∼ Geométrica(p) de�nida como �até ocorrer o primeiro sucesso�
![Page 37: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/37.jpg)
Variáveis Aleatórias Contínuas
Em muitos experimentos aleatórios é possível, ou conveniente,associar seus resultados à um conjunto não enumerável de valores.Nestes casos, as respostas são modeladas por uma v.a. queassumem qualquer valor em um adequado intervalo de númerosreais.
Exemplo:Realizar experimentos para medir o consumo de energia naexecução de códigos em sistemas embarcados.
De�nição:Uma v.a. X é dita contínua se assume valores em um intervalo, ouuma coleção de intervalos, de números reais.
Referência:ROSS(2007), Chapter 2KAY(2006), Chapter 10.
![Page 38: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/38.jpg)
Variáveis Aleatórias Contínuas
A cada v.a. contínua estará associada uma função que descreve oseu comportamento probabilístico; é denominada função densidade
de probabilidade.
De�nição:Para uma v.a. contínua X , a função densidade de probabilidade
(f.d.p.) é uma função f (·) que satisfaz a:
(1) f (x)≥ 0 para todo x ∈ R(2)
∫∞
−∞f (x)dx = 1
(3) Para B ⊂ R, P(X ∈ B) =∫B f (x)dx
![Page 39: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/39.jpg)
Variáveis Aleatórias Contínuas
De�nição:Sendo X uma v.a. com f.d. F (·), dizemos que X é contínua seexiste uma função f (·)≥ 0, tal que
F (x) = P(−∞ < X ≤ x) =∫ x
−∞
f (t)dt, ∀x ∈ R.
1. Se X é contínua, então F (·), sendo uma integral de f (·), écontínua.
2. Pelas propriedades de F (·),
f (x) =
{F ′(x), se diferenciável em x0, se não diferenciável em x
![Page 40: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/40.jpg)
Variáveis Aleatórias Contínuas
· A função densidade de probabilidade descreve a distribuição deprobabilidade da v.a. contínua
· A probabilidade P(a≤ X ≤ b) equivale a área sob a curva def (·) entre a e b
· Pela de�nição, ∀a ∈ R,
P(X = a) =∫ a
af (x)dx = 0.
Portanto, temos que
P(a≤X ≤ b) = P(a≤X < b) = P(a < X ≤ b) = P(a < X < b)
· Podemos avaliar a probabilidade de X ocorrer �próximo� de acom o argumento matémático, com ε → 0,
P(a− ε
2≤ X ≤ a +
ε
2) =
∫ a+ ε
2
a− ε
2
f (x)dx ≈ εf (a),
![Page 41: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/41.jpg)
Exemplo 2.14:
Admita que o tempo de trasmissão de uma mensagem, em u.t., emum sistema de comunicação é descrito por uma v.a. X (contínua)tal que
P(X > x) = e−λx , ∀x ≥ 0,
para uma contante λ > 0.
(a) Qual a probabilidade do tempo de transmissãoser maior que 2 u.t.?
(b) Obtenha a f.d. de X .
(c) Obtenha a f.d.p. de X .
![Page 42: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/42.jpg)
Modelo Uniforme Contínuo
Uma v.a. contínua X tem distribuição uniforme em (a,b)⊂ R sesua f.d.p. é
f (x) =
{1
b−a , se a < x < b
0, caso contrário
1. A função f (x) é constante em (a,b);
2. As probabilidades de intervalos são proporcionais a seuscomprimentos;
3. Notação: X ∼ Uniforme (a,b).
Exemplo 2.15
1. Obter a f.d. para X ∼ Uniforme (a,b).2. Seja X ∼ Uniforme (0,10). Determine:
(a) P(X < 3)(b) P(X > 7)(c) P(1< X < 6)
![Page 43: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/43.jpg)
Modelo Exponencial
Uma v.a. contínua X com valores em [0,∞) é dita ter distribuiçãoExponencial de parâmeto λ se sua f.d.p. é
f (x) =
{λ e−λ x , se x ≥ 0, λ > 0
0, caso contrário
1. É empregado para modelar tempo de vida de componentes,duração de processos,...
2. A f.d. é
F (x) =
{1− e−λ x , se x ≥ 0
0, caso contrário
3. Notação: X ∼ Exponencial (λ ).
![Page 44: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/44.jpg)
Exemplo 2.16:
1. Obter a f.d. para X ∼ Exponencial (λ ).
2. Mostre que para X ∼ Exponencial (λ ) e 0< a < b,
P(a < X < b) = e−λ a− e−λ b
3. Assuma que o tempo de duração de ligações telefônicas (min)em uma empresa que trabalha com vendas pode ser modeladapor uma v.a X ∼ Exponencial (λ = 1/10). Determine aprobabilidade de:(a) a ligação demorar menos de cinco minutos?(b) a ligação demorar de cinco a dez minutos?
![Page 45: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/45.jpg)
Modelo Gama
Uma v.a. contínua X com valores em [0,∞), de parâmetos λ > 0 eα > 0 e sua f.d.p. dada por
f (x) =
{1
Γ(α) λ α xα−1 e−λ x , se x ≥ 00, caso contrário
ondeΓ(α) =
∫∞
0
e−ssα−1ds,
é denominada função matemática gama.
Notação: X ∼ Gama (α,λ ).
![Page 46: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/46.jpg)
Modelo Gama
1. A função matemática Γ(α) tem as propriedades:
1.1 Γ(1/2) =√
π
1.2 Γ(α +1) = αΓ(α)1.3 Se α = m inteiro, Γ(m) = (m−1)!
2. Gama (1,λ ) ≡ Exponencial(λ )
3. Se α = m inteiro, é conhecida como distribuição de Erlang .
f (x) =
{1
(m−1)! λm xm−1 e−λ x , se x ≥ 00, caso contrário
⇒ modela a soma dos tempos de vida de componentes queatuem independentemente em sistemas.
![Page 47: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/47.jpg)
Exemplo 2.17:
Considere no exemplo anterior o tempo de duas ligações telefônicasconsecutivas e admita que suas durações são eventosindependentes. Admita que os tempos de duração das ligaçõestelefônicas (min) podem ser modelados por v.a.
Xi ∼ Exponencial (λ = 1/10), i = 1,2.
Seja T a v.a. que descreve o tempo de duração das duas ligações,então T = X1 + X2. Neste caso, podemos modelar
T ∼ Gama (α = 2,λ = 1/10).
Qual a probabilidade do tempo das duas ligações ser menor quequinze minutos?
![Page 48: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/48.jpg)
Modelo Normal (Gaussiano)
Uma v.a. contínua X tem distribuição normal com parâmetros µ eσ2, se sua f.d.p. é
fX (x) =1√2πσ
exp
{−12
(x−µ
σ
)2},−∞ < x < ∞
1. A distribuição é simétrica em torno do valor de µ .
2. A �extensão� do grá�co da densidade é dado pelo valor de σ .
3. É considerada distribuição mais importante, descreve ocomportamento de muitas características associadas aproblemas reais.
4. X ∼ N(µ;σ2)
![Page 49: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/49.jpg)
Modelo Normal: Alguns Resultados
1. Sendo X ∼ N(µ;σ2) e Y = a X + b, com a 6= 0 e b ∈ R, entãoY ∼ N(aµ + b;a2σ2)
2. Sendo X ∼ N(µ;σ2) e fazendo
Z =X −µ
σ,
então Z ∼ N(0;1), denominada normal padronizada.
3. As probabilidades são calculadas por aproximações numéricas,obtidas com emprego de softwares ou tabelas da normal
padronizada
4. Para o emprego das tabelas, o procedimento é padronizar avariável em questão e obter a probabilidades correspondentepara N(0;1).
![Page 50: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/50.jpg)
Exemplo 2.18:
1. Seja Z ∼ N(0;1). Para esta variável determine:
(a) P(Z < 1,32)(b) P(Z <−1,96)(c) Um valor z tal que P(−z < Z < z) = 0,95
2. Os depósitos efetuados em uma agência bancária durante umdeterminado mês são modelados por uma v.a.X ∼ N(10.000,(1.500)2). Encontrar a probabilidade de que odepósito seja:
(a) um valor entre R$ 12.000,00 e R$ 15.000,00?(b) maior que R$ 19.000,00?
![Page 51: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/51.jpg)
Exemplo 2.19:
O tempo (em minutos) para a realização de um teste de aptidãoaplicado aos candidatos em um concurso é modelado como umav.a. com distribuição normal com parâmetros µ = 90 e σ = 20.Esse tempo é empregado como um dos critérios de seleção.
(a) Para ser aprovado no teste, o candidato deve completá-lo emmenos de 80 minutos. Se 65 candidatos �zeram o teste,quantos são esperados passar?
(b) Se os 5% melhores candidatos são alocados para os cargoscom melhor remuneração, quão rápido deve ser o candidatopara que obtenha esse cargo?
![Page 52: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/52.jpg)
Implementação Computacional:
Função de distribuição:
Modelo MatlabX ∼ Uniforme(a,b) P(X ≤ x)≡ unifcdf (x ,a,b)X ∼ Exponencial(λ ) P(X ≤ x)≡ expcdf (x ,1/λ )X ∼ Gama(α,λ ) P(X ≤ x)≡ gamcdf (x ,α,1/λ )
X ∼ N(µ;σ2) P(X ≤ x)≡ normcdf (x ,µ,σ), σ =√
σ2
Modelo R softwareX ∼ Uniforme(a,b) P(X ≤ x)≡ punif (x ,a,b)X ∼ Exponencial(λ ) P(X ≤ x)≡ pexp(x ,λ )X ∼ Gama(α,λ ) P(X ≤ x)≡ pgamma(x ,α,λ )
X ∼ N(µ;σ2) P(X ≤ x)≡ pnorm(x ,µ,σ), σ =√
σ2
![Page 53: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/53.jpg)
Função de Distribuição Inversa
De�nição:Para uma v.a. X , com f.d. F (·), a f.d. inversa é de�nida por
F−1(p) = min{x : F (x)≥ p}, p ∈ [0,1].
Se F é estritamente crescente e contínua então F−1(p) é um úniconúmero x tal que
F (x) = P(X ≤ x) = p.
X Para p ∈ [0,1], determina um valor x que estabelece aprobabilidade p a sua esquerda na distribuição de X .
De�nição:A mediana da distribuição X é de�nida por
med(X ) = F−1X (0,5).
![Page 54: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/54.jpg)
Implementação Computacional:
Função de distribuição inversa:
X v.a. contínua, p ∈ (0,1), obter x tal que F (x) = P(X ≤ x) = p
Modelo MatlabX ∼ Uniforme(a,b) F−1(p) = x : x = unifinv(p,a,b)X ∼ Exponencial(λ ) F−1(p) = x : x = expinv(p,1/λ )X ∼ Gama(α,λ ) F−1(p) = x : x = gaminv(p,α,1/λ )
X ∼ N(µ;σ2) F−1(p) = x : x = norminv(p,µ,σ), σ =√
σ2
Modelo R softwareX ∼ Uniforme(a,b) F−1(p) = x : x = qunif (p,a,b)X ∼ Exponencial(λ ) F−1(p) = x : x = qexp(p,λ )X ∼ Gama(α,λ ) F−1(p) = x : x = qgamma(p,α,λ )
X ∼ N(µ;σ2) F−1(p) = x : x = qnorm(p,µ,σ), σ =√
σ2
![Page 55: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/55.jpg)
Exemplo 2.20:
1. Para uma v.a. X determine um valor x quando:1.1 X ∼ Exponencial(1/100) e P(X > x) = 0,05.1.2 X ∼ Normal(0;1) e P(X < x) = 0,9751.3 X ∼ Normal(0;1) e P(−x < X < x) = 0,951.4 X ∼ Normal(90;400) e P(X > x) = 0,05
2. Considere uma v.a. X ∼ Gama (2;3). Obtenha a medianadesta distribuição.
3. Sendo X ∼ Normal (µ;σ2), qual a mediana da suadistribuição?
![Page 56: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/56.jpg)
Valor Esperado de uma V. A. Contínua
De�nição:A esperança (valor esperado, valor médio) de uma v.a. contínua X ,com f.d.p f (x), é de�nida por
E [X ] =∫
∞
−∞
x f (x)dx ,
X A interpretação é análoga a das v.a. discretas, um valornumérico que visa caracterizar �região central� da distribuição deprobabilidade da v.a.
X Se a distribuição de probabilidade da v.a. apresentar um pontode simetria, o valor esperado indicará este ponto.
Referência:ROSS(2007), Chapter 2KAY(2006), Chapter 11
![Page 57: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/57.jpg)
Exemplo 2.21:
1. Seja X uma v.a. contínua com f.d.p.
f (x) =
{3x2, se 0≤ x ≤ 10, caso contrário.
Obtenha a esperança de X .
2. Seja X ∼ Uniforme (a,b). Obter E [X ].
Exercício:Obter a esperança dos modelos de v.a. contínuas apresentados.
![Page 58: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/58.jpg)
Valor Esperado de Funções de V. A. Contínuas
Sejam X uma v.a contínua, com f.d.p f (·), e g(·) uma função quegera uma v.a. Y = g(X ) também continua. Então, temos que
E [Y ] = E [g(X )] =∫
∞
−∞
g(x) f (x)dx .
Observação:É possivel determinar a f.d.p de Y , fY (·), e empregá-la para obter
E [Y ] =∫
∞
−∞
y fY (y)dy
Veja KAY(2006), Chapter 10, Appendix 10A.
Exemplo 2.22:Para a v.a. X ∼ Uniforme(−1,1) e Y = X 2, determine E [Y ].
![Page 59: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/59.jpg)
Variância de V. A. Contínuas
De�nições:A variância de uma v.a. X , com f.d.p f (x), é de�nida por
Var(X ) = E{(X −E [X ])2}.
EntãoVar(X ) =
∫∞
−∞
(x−E [X ])2 f (x)dx .
O desvio padrão da v.a. X é de�nido por
dp[X ] = +√
Var(X )
X A Interpretação é análoga a das v.a. discretas, mensura adispersão (ou a variabilidade) da distribuição da v.a. com respeito aseu valor esperado.
![Page 60: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/60.jpg)
Exemplo 2.23:
1. Seja X uma v.a. contínua com f.d.p.
f (x) =
{3x2, se 0≤ x ≤ 10, caso contrário.
Obtenha a variância de X .
2. Seja X ∼ Uniforme (a,b). Obter Var [X ].
Exercício:Obter a variância dos modelos de v.a. contínuas apresentados.
![Page 61: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/61.jpg)
Propriedades da Esperança e Variância
Todas as propriedades da Esperança e Variância apresentadas paraas v.a. discretas são válidas para as v.a. contínuas,
1. E [c] = c
2. E [aX + b] = aE [X ] + b
3. Var [X ] = E [X 2]− (E [X ])2
4. Var [X ]≥ 0
5. Var [c] = 0
6. Var [cX ] = c2Var [X ]
7. Var [aX + b] = a2Var [X ]
Exercício:Demonstrar cada uma das propriedades acima sendo X uma v.a.contínua.
![Page 62: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/62.jpg)
Função Característica de V.A. Contínuas
De�nição:A função característica (f.c.) de uma v.a. X é de�nida por
φX (t) = E [e jtX ], t ∈ R,
onde j =√−1. Para X contínua com f.d.p f (x) temos que
φX (t) =∫
∞
−∞
e jtx f (x)dx .
Propriedades
1. A f.c. sempre existe pois |φX (t)|< ∞.
2. Gera os momentos E [X n] por
E [X n] =1jn
φ(n)X (0), onde φ
(n)X (t) =
dn
dtnφX (t)
![Page 63: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/63.jpg)
Função Característica de V.A. Contínuas
Teorema da UnicidadeA função característica de uma v.a. X determina univocamente adistribuição de X . (a f.c. é uma representação da distribuição)
Exemplo 2.24
1. Considere uma v.a. X ∼ Exponencial(λ ). Obter f.c. eempregar para obter sua esperança e sua variância.
Exercício:
1. Obter a f.c. para os modelos de v.a. contínuas apresentados eempregar para obter a esperança e a variância.
2. Empregar a f.c. para mostrar que, sendo X ∼ N(µ;σ2), temosque:2.1 para Y = a X + b, com a 6= 0 e b ∈ R, então
Y ∼ N(aµ + b;a2σ2).
2.2 para Z = X−µ
σ, então Z ∼ N(0;1).
![Page 64: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/64.jpg)
Modelos Contínuos:Esperança, Variância, Função Característica
Modelo (X ) E (X ) Var(X ) φX (t)
X ∼ Uniforme(a,b) a+b2
(b−a)212
e jtb−e jtbjt(b−a)
X ∼ Exponencial(λ ) 1λ
1λ2
λ
λ−jt
X ∼ Gama(α,λ ) α
λ
α
λ2
(λ
λ−jt
)α
X ∼ N(µ ;σ2) µ σ2 e jtµ− 1
2t2σ2
![Page 65: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/65.jpg)
Distribuição Conjunta de V. A.
Considere duas v.a. X e Y associadas a um experimento aleatório.
∀s ∈ S ⇒ RXY = {(X (s),Y (s)) ∈ R2}
A função de distribuição conjunta de X e Y é de�nida por
F (x ,y) = P(X ≤ x ,Y ≤ y), −∞ < x ,y < ∞.
A de�nição vale para mais v.a.: X1,X2, ...,Xd
F (x1,x2, ...,xd) = P(X1 ≤ x1,X2 ≤ x2, ...,Xd ≤ xd),
com −∞ < xi < ∞, i = 1,2, ...,d .
Referência:ROSS(2007), Chapter 2KAY(2006), Chapter 7 and Chapter 12.
![Page 66: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/66.jpg)
Distribuição Conjunta de V. A.
Serão considerados os casos:
1. Para (X ,Y ) discretas de�nimos a f.p. conjunta
p(xi ,yj) = P(X = xi ,Y = yj),
para todo (xi ,yj) pares de valores de (X ,Y ).
2. Para (X ,Y ) conjuntamente contínuas temos f.d.p. conjuntaf (·, ·) tal que
P(X ∈ A,Y ∈ B) =∫A
∫B
f (x ,y)dx dy ,
para todo A e B em R.
![Page 67: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/67.jpg)
Distribuições Marginais
Podemos obter a distribuição marginal de cada uma das v.a. apartir da distribuição conjunta
1. (X ,Y ) discretas com f.p. conjunta p(xi ,yi )
P(X = x) = ∑yj
p(x ,yj),
P(Y = y) = ∑xi
p(xi ,y)
2. (X ,Y ) contínua com f.d.p. conjunta f (x ,y)
fX (x) =∫
∞
−∞
f (x ,y)dy ,
fY (y) =∫
∞
−∞
f (x ,y)dx ,
![Page 68: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/68.jpg)
Distribuições Marginais
Extensões:
1. (X1,X2, ...,Xd) discretas com f.p. conjunta p(x1,x2, ...,xd)
P(Xi = x) = ∑x1
... ∑xi−1
∑xi+1
...∑xd
p(x1, ...,xi−1,x ,xi+1, ...,xd)
para i = 1,2,3, ...,d
2. (X1,X2, ...,Xd) contínuas com f.d.p. conjunta f (x1,x2, ...,xd)
fXi(x) =
∫∞
−∞
...∫
∞
−∞
f (x1, ..,xi−1,x ,xi+1, ..,xd)dx1..dxi−1dxi+1..dxd
para i = 1,2,3, ...,d
![Page 69: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/69.jpg)
Exemplo 2.24:
1. Seja (X ,Y ) v.a. bidimensional com f.p. conjunta
Y \X 0 1 22 0.25 0.10 0.153 0.25 0.05 0.20
Obtenha as distribuições marginais de X e de Y .
2. Seja (X ,Y ) com f.d.p. conjunta
f (x ,y) =
{x + y , 0≤ x ≤ 1, 0≤ y ≤ 10, c .c
Obtenha as distribuições marginais de X e de Y .
![Page 70: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/70.jpg)
V. A. Independentes
Considere os eventos
A = {s ∈ S : X (s)≤ x}B = {s ∈ S : Y (s)≤ y}
Então,
P(A∩B) = P(X (s)≤ x ,Y (s)≤ y) = F (x ,y)
Se A e B são independentes, temos
P(A∩B) = P(A)P(B)
F (x ,y) = P(X (s)≤ x)P(Y (s)≤ y)
F (x ,y) = FX (x)FY (y)
![Page 71: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/71.jpg)
V. A. Independentes
De�nição: As v.a. X e Y são independentes se e somente se
F (x ,y) = FX (x)FY (y) ∀(x ,y) ∈ R2
A de�nição implica que:
1. Para (X ,Y ) discreta
P(X = xi ,Y = yj) = P(X = xi )P(Y = yj) ∀(xi ,yj)
2. Para (X ,Y ) contínua com f.d.p. conjunta f (x ,y)
f (x ,y) = fX (x)fY (y).
Exemplo 2.25:Veri�que se no exemplo anterior as v.a. são independentes.
![Page 72: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/72.jpg)
Valor Esperado de g(X ,Y )
Seja (X ,Y ) v.a. bidimensional e g(·, ·) uma função real.
De�nição:
1. Para (X ,Y ) v.a. bidimensional discreta
E [g(X ,Y )] = ∑xi
∑yj
g(xi ,yj)P(X = xi ,Y = yj)
2. Para (X ,Y ) v.a. bidimensional conjuntamente contínua
E [g(X ,Y )] =∫
∞
−∞
∫∞
−∞
g(x ,y)f (x ,y)dx dy .
![Page 73: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/73.jpg)
Algumas Propriedades:
1. X e Y v.a., a e b constantes
E [aX + bY ] = aE [X ] + bE [Y ]
2. X1,X2, ...,Xd v.a., a1,a2, ...,ad constantes
E [a1X1 + a2X2 + ...+ adXd ] =d
∑i=1
aiE [Xi ]
3. X e Y v.a. independentes, g(·) e h(·) funções
E [g(X )h(Y )] = E [g(X )]E [h(Y )]
4. X1, ...,Xd v.a. independentes, g1, ...,gd funções
E [g1(X1)g2(X2)...gd(Xd)] =d
∏i=1
E [gi (Xi )]
![Page 74: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/74.jpg)
Covariância e Variância da Soma de V. A.
De�nição: A covariância entre duas v.a. X e Y é de�nida por
Cov(X ,Y ) = E{(X −E [X ])(Y −E [Y ])}
1. É uma medida de �variabilidade conjunta� entre as v.a.
2. Valores � + � indicam que as v.a. tendem a crescer no mesmosentido, e valores � - � indicam sentidos opostos.
3. Resultado:
Cov(X ,Y ) = E [XY ]−E [X ]E [Y ] = Cov(Y ,X )
⇒ é uma medida �simétrica�.
Exercício:Fazer a veri�cação deste resultado
![Page 75: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/75.jpg)
Exemplo 2.26:
1. Seja (X ,Y ) v.a. bidimensional com f.p. conjunta
Y \X 0 1 22 0.25 0.10 0.153 0.25 0.05 0.20
Obtenha a covariância entre X e Y .
2. Seja (X ,Y ) com f.d.p. conjunta
f (x ,y) =
{x + y , 0≤ x ≤ 1, 0≤ y ≤ 10, c .c
Obtenha a covariância entre X e Y .
![Page 76: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/76.jpg)
Propriedades:
1. Cov(X ,X ) = Var(X )
2. Com X e Y independentes, Cov(X ,Y ) = 0.
3. Se a e b são constantes,
Cov(aX ,bY ) = a b Cov(X ,Y )
4. Cov(X ,Y + Z ) = Cov(X ,Y ) + Cov(X ,Z )
5. Com X1, ...,Xm e Y1, ...,Yn v.a. e sendo a1,a2, ...,ad eb1,b2, ...,bd constantes
Cov(m
∑i=1
aiXi ,n
∑j=1
bjYj) =m
∑i=1
n
∑j=1
aibjCov(Xi ,Yj).
![Page 77: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/77.jpg)
Propriedades:
6. Com X1, ...,Xm v.a.
Var(m
∑i=1
Xi ) =m
∑i=1
Var(Xi )
+2m−1
∑i=1
m
∑j=i+1
Cov(Xi ,Yj)
7. Se X1, ...,Xm são v.a. conjuntamente independentes
Var(m
∑i=1
Xi ) =m
∑i=1
Var(Xi )
Exercício:
1. Fazer a veri�cação destas propriedades.
2. Estudar o problema de predição em KAY(2006), Section 7.9
![Page 78: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/78.jpg)
Exemplo 2.27:
Seja Y ∼ Binomial(m,p) e de�na, para cada repetição, as v.a.
Xi =
{1, se ocorre o sucesso0, se ocorre o fracasso
com i = 1,2, ..,m. Modele Y em termos das v.a. Xi ′s e obtenhaE [Y ] e Var [Y ].
![Page 79: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/79.jpg)
Coe�ciente de Correlação
De�nição: O coe�ciente de correlação entre duas v.a. X e Y éde�nido por
ρ(X ,Y ) =Cov(X ,Y )√
Var(X )Var(Y ).
1. É uma medida que quanti�ca a associação linear entre as v.a.
2. −1≤ ρ(X ,Y ) ≤ 1.
3. ρ(X ,Y ) = 1 ⇔ Y = aX + b, a > 0 e b ∈ R4. ρ(X ,Y ) =−1 ⇔ Y = aX + b, a < 0 e b ∈ R.5. ρ(X ,Y ) = 0 ⇒ ausência de associação linear.
![Page 80: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/80.jpg)
Exemplo 2.28
1. Seja (X ,Y ) v.a. bidimensional com f.p. conjunta
Y \X 0 1 22 0.25 0.10 0.153 0.25 0.05 0.20
Obtenha o coe�ciente de correlação entre X e Y .
2. Seja (X ,Y ) com f.d.p. conjunta
f (x ,y) =
{x + y , 0≤ x ≤ 1, 0≤ y ≤ 10, c .c
Obtenha o coe�ciente de correlação entre X e Y .
3. Estudar a Seção 7.9, do Capítulo 7, em KAY(2006). Aborda aquestão de predição de Y , com base no conhecimento do valorde X .
![Page 81: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/81.jpg)
Função Característica Conjunta
De�nição:A função característica (f.c.) de uma v.a. bidimensional (X ,Y ) éde�nida por
φXY (t,s) = E [e j(tX+sY )], (t,s) ∈ R2,
onde j =√−1.
Para (X ,Y ) discreta, com f.p. conjunta p(xi ,yj), temos que
φXY (t,s) = ∑xk
∑yi
e j(txk+syi ) p(xk ,yi )
Para (X ,Y ) conjuntamente contínua, com f.d.p. conjunta f (x ,y),temos que
φXY (t,s) =∫
∞
−∞
∫∞
−∞
e j(tx+sy) f (x ,y)dx dy .
![Page 82: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/82.jpg)
Função Característica Conjunta: Propriedades
1. A f.c. sempre existe pois |φXY (t,s)|< ∞.
2. Gera os momentos conjuntos E [XmY n] por
E [XmY n] =1
jm+nφ
(m+n)XY (0,0); φ
(m+n)XY (t,s) =
dm+n
dtm dsnφXY (t,s)
3. Teorema da Unicidade também se veri�ca.
4. Função característica marginal
φX (t) = φXY (t,0) e φY (s) = φXY (0,s)
4. Para X e Y v.a. independentes, com f.c. φX (t) e φY (s), temos
φX+Y (t) = φX (t)φY (t)
Exercício:
1. Fazer a veri�cação da Propriedade 4.2. Para X ∼ Poisson(λ1), Y ∼ Poisson(λ2), v.a. independentes, e
Z = X + Y , mostrar que Z ∼ Poisson(λ ), com λ = λ1 + λ2.
![Page 83: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/83.jpg)
Distribuição CondicionalDe�nição: Para (X ,Y ) v.a. com distribuição conjunta
1. (X ,Y ) discreta com f.p. conjunta P(X = x ,Y = y)
P(X = x |Y = y) =P(X = x ,Y = y)
P(Y = y), ∀y com P(Y = y) > 0
2. (X ,Y ) contínua com f.d.p. conjunta fXY (x ,y)
fX |Y (x |y) =fXY (x ,y)
fY (y), ∀y com fY (y) > 0.
X São distribuições de probabilidade, portanto
1. ∑x P(X = x |Y = y) = 1
2.∫
∞
−∞fX |Y=y (x |y)dx = 1
Referência:KAY(2006), Chapter 8 and Chapter 13ROSS(2007), Chapter 3
![Page 84: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/84.jpg)
Distribuição Condicional
Para (X ,Y ) com f.p. conjunta
1. A f.p conjunta determina a probablidade condicional
P(X = x |Y = y) =P(X = x ,Y = y)
∑j p(X = xj ,Y = y)
2. As probablidades condicionais estão relacionads
P(X = x |Y = y) =P(Y = y |X = x)P(X = x)
P(Y = y)
3. A condicional expressa como Teorema de Bayes
P(X = x |Y = y) =P(Y = y |X = x)P(X = x)
∑j P(Y = y |X = xj)P(X = xj)
![Page 85: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/85.jpg)
Distribuição CondicionalPara (X ,Y ) com f.d.p. conjunta
1. A f.d.p. conjunta determina a probablidade condicional
fX |Y (x |y) =fXY (x ,y)∫
∞
−∞f (x ,y)dx
2. As probablidades condicionais estão relacionads
fX |Y (x |y) =fY |X (y |x)fX (x)
fY (y)
3. A condicional e sua marginal gera a outra marginal
fY (y) =∫
∞
−∞
fY |X (y |x)fX (x)dx
4. A condicional expressa como Teorema de Bayes
fX |Y (x |y) =fY |X (y |x)fX (x)∫
∞
−∞fY |X (y |x)fX (x)dx
![Page 86: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/86.jpg)
Exemplo 2.29
1. Seja (X ,Y ) v.a. bidimensional com f.p. conjunta
Y \X 0 1 22 0.25 0.10 0.153 0.25 0.05 0.20
Obtenha a distribuição (condicional) de X dado Y = 2.
2. Seja (X ,Y ) com f.d.p. conjunta
f (x ,y) =
{6xy(2−x−y), 0≤ x ≤ 1, 0≤ y ≤ 10, c .c
Obtenha a distribuição (condicional) fX |Y=y (x |y).
3. Sejam X ∼ Poisson(λ1) e Y ∼ Poisson(λ2) independentes.Determine a distribuição de X dado X + Y = k
![Page 87: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/87.jpg)
Esperança Condicional
De�nição:A esperança condicional de X dado Y = y é da forma
1. Para (X ,Y ) com f.p. conjunta P(X = x ,Y = y) eP(Y = y) > 0
E [X |Y = y ] = ∑x
x P(X = x |Y = y)
2. Para (X ,Y ) com f.d.p. conjunta fXY (x ,y) e fY (y) > 0
E [X |Y = y ] =∫
∞
−∞
x fX |Y (x |y)dx
Exemplo 2.30:Com relação ao exemplo anterior, determinar as esperançascondicionais para as distribuições obtidas.
![Page 88: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/88.jpg)
Esperança Condicional
Resultado 1: para a função E [X |Y ], cujo valor em Y = y é dadopor E [X |Y = y ], temos que
E [X ] = E{E [X |Y ]}
Com Y discreta
E [X ] = ∑y
E [X |Y = y ]P(Y = y)
Com Y contínua
E [X ] =∫
∞
−∞
E [X |Y = y ] fY (y)dy
Resultado 2: Se X e Y são independentes, então
E [X |Y = y ] = E [X ] e E [Y |X = x ] = E [Y ]
Exercício:Fazer a veri�cação destes resultados.
![Page 89: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/89.jpg)
Variância CondicionalDe�nição:A variância condicional de X dado Y = y é de�nida como
Var [X |Y = y ] = E{[X −E (X |Y = y)]2|Y = y}
Resultados:
1. Podemos empregar
Var [X |Y = y ] = E [X 2|Y = y ]− [E (X |Y = y)]2,
dependendo se Y discreta ou contínua, E [X 2|Y = y ] é
∑x
x2P(X = x |Y = y) ou∫
∞
−∞
x2fX |Y (x |y)dx
2. A Var(X ) pode ser obtida como
Var [X ] = E [Var(X |Y )] + Var(E [X |Y ])
Exercício:Fazer a veri�cação destes resultados.
![Page 90: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/90.jpg)
Aplicação:
A soma de um número aleatório de v.a:Sejam X1,X2,X3, ... v.a. independentes, todas com a mesmadistribuição (v.a.i.i.d), e seja N uma v.a. discreta com valores em{1,2,3, ....}. Considere que N é independente do Xi ′s e de�na
Y = X1 + X2 + X3 + ...+ XN .
Mostrar que
(a) E [Y ] = E [X1]E [N].
(b) Var [Y ] = Var [X1]E [N] + E 2[X1]Var [N].
(c) φY (t) = E{[φX1(t)]N}, onde φX1
(t) é a f.c. de X1.
![Page 91: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/91.jpg)
Cálculo de Probabilidade por Condicionamento
Para o evento {X ∈ A} de�na uma v.a. como
W =
{1 se X ∈ A0 se X 6∈ A
⇒ E [W ] = P(X ∈ A) e E [W |Y = y ] = P{(X ∈ A)|Y = y}.
Resultado:
P(X ∈ A) = E [W ] = E{E [W |Y ]}= E{P[(X ∈ A)|Y ]}.
Com Y discreta
P(X ∈ A) = ∑y
P{(X ∈ A)|Y = y}P(Y = y)
Com Y contínua
P(X ∈ A) =∫
∞
−∞
P{(X ∈ A)|Y = y} fY (y)dy
![Page 92: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/92.jpg)
Exemplo 2.31:
1. Considere X e Y v.a. contínuas e independentes e de�naT = X + Y , denominada convolução das f.d. FX ()̇ e FY ()̇
(a) Mostrar que
FT (t) =∫
∞
−∞
FX (t−y) fY (y)dy .
(b) Com X ∼ Exp(λ1) e Y ∼ Exp(λ2), obter a f.d.p. de T .
2. Para uma central de serviços há uma probabilidade p de quecada serviço seja executado corretamente e as execuções sãoindependentes. Suponha que as solicitações de serviço, em umdado intervalo de tempo, chegam segundo um modelo dePoisson(λ ). Qual a probabilidade de serem executadoscorretamente k serviços no intervalo de tempo considerado?
![Page 93: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/93.jpg)
Vetores Aleatórios
Um vetor cujas componentes são v.a.: X> = (X1,X2,X3...,Xd)
1. Função de distribuição conjunta
F (x1,x2,x3, ...,xd) = P(X1 ≤ x1,X2 ≤ x2,X3 ≤ x3, ...,Xd ≤ xd),
com −∞ < xi < ∞, i = 1,2, ...,d .
2. Conjuntamente discreto ⇒ f.p. conjunta
P(X = x) = P(X1 = x1,X2 = x2,X3 = x3, ...,Xd = xd)
3. Conjuntamente contínuo ⇒ f.d.p. conjunta
fX(x) = fX1X2X3...Xd(x1,x2,x3, ...,xd)
Notação: x> = (x1,x2,x3, ...,xd) ∈ Rd
Referência: KAY(2006), Chapter 9 and Chapter 14.
![Page 94: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/94.jpg)
Vetores Aleatórios: Caracterização
Vetor de Médias:
E [X] =
E [X1]E [X2]
...E [Xd ]
Matrix de Covariâncias:
CX = E{(X−E [X])(X−E [X])>}
que resulta em
CX =
σ11 σ12 σ13 . . . σ1d
σ21 σ22 σ23 . . . σ2d...
...... . . .
...σd1 σd2 σd3 . . . σdd
onde σij = cov(Xi ,Xj) = E{(Xi −E [Xi ])(Xj −E [Xj ])}.
![Page 95: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/95.jpg)
Vetores Aleatórios: CaracterizaçãoMatriz de Correlações:
ρρρX =
1 ρ12 ρ13 . . . ρ1d
ρ12 1 ρ23 . . . ρd3...
...... . . .
...ρd1 ρd2 ρd3 . . . 1
onde
ρij =σij
(√
σii σjj)
⇒ Resultado:Fazendo V = diag [
√σ11,√
σ22,√
σ33, ...,√
σdd ], então temos que
ρρρX = V−1CXV
−1 e CX = V ρρρXV
.Função Característica:
φX (t) = E (e jt>X) = E (e j(t1X1+t2X2+t3X3+...+tdXd ))
![Page 96: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/96.jpg)
Vetores Aleatórios: Propriedades
1. Matriz de covariâncias é simétrica e a diagonal principalcontém as variâncias das v.a. em X.
2. Se as v.a. em X são conjuntamente independentes, então
CX = diag(σ11,σ22,σ33, ...,σdd)
3. Sendo a(d×1) vetor de constantes ( 6= 0), b ∈ R e Y = a>X+ bentão
E [Y ] = a>E [X] + b e Var [Y ] = a
>CXa.
4. Com A(m×d), m ≤ d , matrix de constantes e Y = AX, então
E [Y] = AE [X] e CY = ACXA>.
5. Pode ser obtida uma transformação de X para Y, tal que CY
seja diagonal.
![Page 97: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/97.jpg)
Exemplo 2.32:
1. Para as v.a. X1 ∼ Exp(λ = 0,5) e X2 ∼ Exp(λ = 0,2),considere o vetor X> = (X1,X2).(a) Sendo X1 e X2 independentes, determine E [X] e COV [X].(b) Sendo ρ(X1,X2) = 0,9, determine E [X] e COV [X].
2. Sejam Xi ∼ Poisson(λ ), i = 1,2,3, ...,d , e independentes.Considere X> = (X1,X2,X3...,Xd).(a) Determine a disitribuição conjunta de X.(b) Determine E [X] e COV [X].(c) Para d = 3, isto é, X> = (X1,X2,X3), sendo
A=
[3 −2 1−2 5 2
],
e Y = AX, determine E [Y] e COV [Y].
![Page 98: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/98.jpg)
Distribuição Multinomial
É uma extensão do modelo Binomial onde, em cada uma das mrepetições independentes, são gerados k > 2 resultados de interessecom suas respectivas probabilidades constantes. De�nimos
Yi : o número de resultados do tipo i nas m repetições, i = 1,2, ...,d .
Sendo pi = P(resultado do tipo i), para as v.a. Y1,Y2,Y3, ...,Yd
temos
P(Y1 = n1,Y2 = n2, ...,Yd = nd) =m!
n1!n2!...nd !pn11
pn22...pnd
d
onde ∑ki=1
pi = 1 e n1 + n2 + ...+ nd = m
1. Temos Y> = (Y1,Y2,Y3, ...,Yd)
2. Notação: Y ∼Multinomial(m,p1,p2, ...,pd)
![Page 99: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/99.jpg)
Distribuição Multinomial: Exercício
1. Seja Y ∼Multinomial(m,p1,p2, ...,pd). Mostre que o vetor demédia e a matriz covariâncias e a função característicasão,respectivamente,
E [Y] =
m p1m p2...
m pd
,
CY =
m p1(1−p1) −m p1 p2 −m p1 p3 . . . −m p1 pd
−m p2 p1 m p2(1−p2) −m p2 p3 . . . −m p2 pd...
...... . . .
...−m pd p1 −m pd p2 −m pd p3 . . . m pd(1−pd)
e
φX (t) = (p1e jt1 + p2e jt2 + p1e jt3 + ...+ pde jtd )m
![Page 100: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/100.jpg)
Exemplo 2.33:
1. (ROSS(2007), Chapter 2): A television store owner �guresthat 50 percent of the customers entering his store willpurchase an ordinary television set, 20 percent will purchase acolor television set, and 30 percent will just be browsing. If�ve customers enter his store on a certain day, what is theprobability that two customers purchase color sets, onecustomer purchases an ordinary set, and two customerspurchase nothing?
2. (LEON-GARCIA(2008), Chapter 2): Suppose we pick 10telephone numbers at random from a telephone book and notethe last digit in each of the numbers.What is the probabilitythat we obtain each of the integers from 0 to 9 only once?.
![Page 101: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/101.jpg)
Distribuição Normal Multivariada (DNM)
Um vetor aleatório X> = (X1,X2,X3...,Xd) tem distribuição normal(gaussian) multivariada com parâmetros µµµ(d×1) e ΣΣΣ(d×d) (nãosingular) se sua f.d.p. conjunta é dada por
fX(x) =1
(2π)d2 (| ΣΣΣ|) 1
2
exp{−12
(x− µµµ)> ΣΣΣ−1(x− µµµ)}
1. Resultados:
(a) Vetor de médias: E [X] = µµµ
(b) Matriz de covariâncias: COV [X] = ΣΣΣ
(c) φX(t) = e jtT µ− 1
2tTΣt
2. O vetor µµµ de�ne a �localização� e os valores na matriz ΣΣΣ a�forma� da distribuição no espaço Rd
3. Notação: X∼ Nd( µµµ, ΣΣΣ).
![Page 102: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/102.jpg)
DNM: Propriedades
1. As v.a. em X são independentes se, e somente se,
ΣΣΣ = diag(σ11,σ22,σ33, ...,σdd)
2. Com a(d×1) vetor de constantes (6= 0), b ∈ R e Y = a>X+ bentão
Y ∼ N(a> µµµ + b,a> ΣΣΣa)
⇒ cada v.a. em X tem distribuição normal.
3. Com A(m×d), m ≤ d , matrix de constantes e Y = AX, então
Y ∼ Nm(A µµµ,A ΣΣΣA>).
⇒ subconjuntos (6= /0) de v.a. em X tem distribuição normal.
4. Sendo Z∼ Nd(0, I(d×d)) e A tal que AA> = ΣΣΣ, então
Y = AZ+ µµµ ∼ Nd( µµµ, ΣΣΣ)
Exercício: Fazer a veri�cação dos resultados e destas propriedades
![Page 103: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/103.jpg)
Teorema Central do Limite
Sejam X1,X2,X3, ... v.a. independentes e indenticamentedistribuidas (iid), com média E [X ] e variância Var [X ] �nita (< ∞).Seja Sn = ∑
ni=1
Xi . Então com n→ ∞, temos que
Sn→ N(n E [X ];n Var [X ]) ouSn−n E [X ]√
n Var [X ]→ N(0;1)
Temos que, com Z ∼ N(0;1),
P
(Sn−n E [X ]√
n Var [X ]≤ s
)→∫ s
−∞
fZ (z)dz
Comentários:
Pelo TCL, a distribuição da soma de uma quantidade grandev.a. iid pode ser aproximada por uma distribuição Normal ,sem ser necessário conhecer a distribuição das v.a.
Referência: KAY(2006), Chapter 15, Section 15.5.
![Page 104: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/104.jpg)
Exemplo 2.34:
1. (KAY(2006), Chapter 15): Seja X ∼ Binomial(100;0,5).Obtenha uma aproximação para:(a) P(490≤ X ≤ 510).(b) P(X = 510)
2. (ROSS(2007), Chapter 3): The lifetime of a special type ofbattery is a random variable with mean 40 hours and standarddeviation 20 hours. A battery is used until it fails, at whichpoint it is replaced by a new one. Assuming a stockpile of 25such batteries, the lifetimes of which are independent,approximate the probability that over 1100 hours of use can beobtained.
![Page 105: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/105.jpg)
Simulação Computacional de V.A.
Simulação computacional de um sistema envolve a simulação deobservações de uma v.a. com especi�cada distribuição deprobabilidade.
Exemplo:Suponha que o objetivo seja simular o número de e-mail quechegam a uma central de processamento um �xado intervalo detempo. De�nimos a v.a.
X : o número de e-mail que chegam no intervalo
⇒ empregar um modelo e simular observações de X
A simulação de v.a., em geral, consiste em gerar um númeroaleatório a partir da Uniforme(0;1), transformá-lo para gerar aobservação do modelo desejado.
MATLAB: rand gera número �pseudo� aleatório Uniforme(0;1)
![Page 106: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/106.jpg)
Simulação Computacional de V.A.: Exemplos
Empregar a função �rand� para as seguintes questões.
1. Simular computacionalmente um sequência de CARAS (C ) eCOROAS (K ) no lançamento de uma moeda �viciada� comP(C ) = 0.4. Propor um algoritmo.
2. Propor um algoritmo para simular observações do número depeças defeituosas em caixas de um determinado produto, ondepodemos considerar que os defeitos ocorrem de formaindependente na linha de produção e sabendo que as peças sãoembaladas em caixas com 10 itens.
3. Propor um algoritmo para simular observações da distribuiçãoconjunta
Y \X 0 1 22 0.25 0.10 0.153 0.25 0.05 0.20
![Page 107: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/107.jpg)
Simulação Computacional
Observação:
1. A simulação de observações de alguns modelos exigem oemprego de resultados de Probabilidade não discutidos nadisciplina. Veja, por exemplo, KAY(2006), Section 10.9.
2. A �credibilidade� de um estudo de simulação dependefundamentalmente do gerador de números (pseudos) aleatóriosempregado e, dependendo da extensão do estudo, devem serser feitas avaliações com a relação a �aleatóriedade� e a�independência� dos valores gerados.
3. Uma referência sobre a assunto:ROSS, S. (2002) Simulation. 3rd Edition. Academic Press.
![Page 108: Mestrado em Engenharia Elétrica Disciplina: Probabilidade ...home.ufam.edu.br/jrpereira/PGENE509 - Probabilidade e Processos... · Disciplina: Probabilidade e Processos Estocásticos](https://reader030.vdocuments.site/reader030/viewer/2022020304/5be1d70209d3f20f518bd296/html5/thumbnails/108.jpg)
Simulação Computacional
1. Funções para simular observações de v.a.Modelo Matlab RBinomial(m,p) binornd(m,p,n,d) rbinom(n,m,p)Geometrica(p) geornd(p,n,d) rgeom(n,p)Poisson(λ ) poissrnd(λ ,n,d) rpois(x ,λ )Uniforme(a,b) unifrnd(a,b,n,d) runif (n,a,b)Exponencial(α) exprnd(1/α,n,d) rexp(n,α)Gama(α,λ ) gamrnd(α,1/λ ,n,d) rgamma(n,α,λ )N(µ;σ2) normrnd(µ,σ ,n,d) rnorm(n,µ,σ)
2. Simulação observações de uma distribuição Nd( µµµ, ΣΣΣ):
(a) Matlab: Statistics Toolbox e função mvnrnd(Mu,Sigma,n)
(b) R: Pacote mvtnorm e função rmvnorm(n,Mu,Sigma).
Observação: A dimensão d é inferida da dimensão do vetorMu declarado na função.