Espao de probabilidades : conjunto de todos os eventos possveis para um dado

problema.
Evento: subconjunto de que delimita um interesse especfico.
Experimento: procedimento de obteno de uma amostra.
Amostra: elemento de .

Conceitos bsicos de probabilidade

Geovany A. Borges
gaborges@ene.unb.br

Probabilidade e Variveis Aleatrias

36341 - Introduo aos Processos Estocsticos

Curso de Ps-Graduao em Engenharia Eltrica
Departamento de Engenharia Eltrica
Universidade de Braslia

=

=

A medio apresentada por um termmetro resulta em uma amostra .

Os eventos so conjuntos, portanto

Temperatura baixa:
={ <
={
Temperatura agradvel:
Temperatura alta:
={ >

Podemos escolher como eventos:

Espao de probabilidades: = .

Exemplo 2 (Eventos associados ao conforto trmico):

Conceitos bsicos de probabilidade

O lanamento do dado (Experimento) resulta em uma amostra .

Os eventos so conjuntos, portanto

={ , , }
Nmero par:
Nmero mpar: = { , , }
=
Nmero negativo:

Pode-se escolher como eventos:

Considera-se o espao de probabilidades = { , , , , , }.

Exemplo 1 (Lanamento de um dado justo):

Conceitos bsicos de probabilidade

(2)

(1)

{ }= ,
{ }= ,
{ }= ,

Probabilidade como medida de incerteza. Qual grau de certeza voc atriburia aos
eventos abaixo ?

Freqncia relativa:
/ { } quando ;
Mtodo clssico: sem experimentao, atribui probabilidades iguais para todos os
eventos supostos igualmente provveis;
Conhecimento prvio.

Formas de determinao de probabilidades a priori:

Conceitos bsicos de probabilidade

Passo 1: determinao da probabilidade (a priori) de certos eventos;

Passo 2: operao sobre as probabilidades a priori usando regras para determinar
probabilidades de outros eventos;
Passo 3: realizao de predies fsicas (e.g., mdia, incerteza) baseadas nas
probabilidades do Passo 2.

{ } .

Passos de obteno de probabilidade:

{ } tal que

Probabilidade de um avento :

Probabilidade: medida da expectativa do nmero de ocorrncias de um evento quando

o nmero de amostras tende a infinito.

Conceitos bsicos de probabilidade

Operaes de conjuntos: Se

Diagrama de Venn

Axiomas:

IV. Se

} =

{ }+


}=
= , 6= , e , = , , ...., ento

I. { }
II. {} =
III. Se = , 6= , e , = , , .... , ento

so dois subconjuntos de , ento

{ }+

{ }

com relao a
so dijuntos e os eventos so ditos mutuamente

Axiomas da probabilidade

I. : Unio
II. : Interseo
III. : Complemento de
IV. Se = , ento e
excludentes.

Axiomas da probabilidade

(4)

(3)

={ , , } e

Soluo com o diagrama de Venn.

Define-se = { , , , , , },


= { , }. Determinar

Axiomas da probabilidade condicional

"

{ | }=

Frmula geral da probabilidade condicional:



IV. Se

| } =

&

{ | }+
#

| }=
= , 6= , e , = , , ...., ento

{ }
{ }
I. { | }
II. {| } =
III. Se = , 6= , e , = , , .... , ento

&

{ | }+

{ | }

{ | }.

Aps lanar um dado justo, obteve-se um nmero mpar. Deseja-se saber a

probabilidade de que este nmero seja maior ou igual a 5.

Considere o problema:

Probabilidade condicional e independncia

Probabilidade condicional e independncia

(7)

(6)

(5)

'

'

=(

'

'

'

'

)} =

'

'

{ }=
'

'

'

}+

}+...+

'

'

'

{ }

'

'

'

{ | }=

{ | } { }
= { | } { }
*

{ }.

), ento

{ | }

'

'

(8)

{ }

10

(9)

(12)

(11)

(10)

'

= , 6= ,

}+...+

{ | }

'

, com

11

o que significa que o termo = { | } { }, que constante (independente de

), serve como termo de normalizao para garantir (12).

Deve ser observado que

{ | }=

'

{ | } { } tem-se

{ }+...+

'

{ | }

)...(

=
*

{ | }

}+

{ }+

'

'

)...(

)(

{ | }

'

)(

'

{ | } { }
{ }

Assim, a Regra de Bayes pode ser re-escrita como

Como

'

{(

Ento,

'

'

Particionamento do espao de probabilidades: = =

, = ,..., .

{ | } { }=

{ | }=

'

{ }=

Regra de Bayes: sendo

Probabilidade condicional e independncia

ento

Sendo

Ou seja:

{ }

{ } =

{ } =

{ }=

{ | }
3

{ | } =

{ | } =

{ | }

{ }.

{ },

{ },

{ }.

{ },

(escolher a moeda justa),

Sugesto: raciocine com os seguintes eventos:
a moeda injusta) e (obter em lanamentos o resultado cara).

13

(escolher

Dispe-se de duas moedas, uma justa e outra injusta, que sempre resulta em cara
quando lanada. Uma delas escolhida ao acaso e jogada vezes. Como resultado,
obtm-se cara todas as vezes. Determine a probabilidade de ter sido usada a moeda
justa em funo de , que a probabilidade de ter sido escolhida a moeda injusta.

Exerccio 1 (Prob. condicional e independncia):

12

(15)

(14)

(13)

Independncia: dois eventos e so ditos independentes se a ocorrncia de um no

influenciar a probabilidade de ocorrncia do outro.

Probabilidade condicional e independncia

Probabilidade condicional e independncia

>

<

>

<

<

( )=

Propriedades de ( ):
Monotnica no-drescente: se
assim

Funo de distribuio:

Variveis aleatrias contnuas

Variveis aleatrias

<

( )
<

<
>

<

<

>

<

( )

, ento { ( )
( )

<

{ ( ) }

<

} { ( )

<

}e

() definida em dita uma v.a. se para todo nmero , a

representa um conjunto (eventos) cuja probabilidade definida.

Uma funo real

inequao

Definio 1 (Varivel Aleatria (v.a.)):

Variveis aleatrias

15

14

{
D

}=

( )=

( )

( )

( ) + } =

com () =
( ) = .
Tem-se ainda que () = () = .
Considerando o intervalo ( ) + , tem-se

( )

{ ( )

< ( )

< ( )

Como ( ) monotnica no-drescente, ento ( ) .

E ainda
Z
( )=
( )

} {

}+

{ ( )

{ ( )

( ) =

( ) =

} = { ( )

}=

< ( )

{ ( )

Funo de Densidade de Probabilidade (FDP):

levando a

Se < ento { ( )
conjuntos dijuntos. Assim

Tem-se ainda que

}.

}, que so

17

(16)

16

 Funo de massa:
J

( )>
K

( ) =

( )

{ ( ) }

18

(18)

(17)

19

Considere o problema do lanamento de um dado justo. Seja e os eventos associados

obteno de resultado par e mpar, respectivamente, tais que { } = e { } = .
Sendo uma v.a. tal que ( ) = e ( ) = , determine suas funes de
distribuio e de massa.

Exerccio 2 (Distribuio discreta):

tal que

Variveis aleatrias discretas (nmero contvel de valores)

Variveis aleatrias

Variveis aleatrias

{ ( )} =

{ ( )} =

Z
X

( )

( )
W

{
\

}=

{ }=

( )=

( )

( )
X

( )
W

}.

= ( )

( ))

(23)

{ } = { ( )} + { ( )}

20

(22)

(21)

(20)

(19)

21

(24)

Sendo = , com sendo uma constante, ou seja, ( ) = ( ), ento

{ }= .
Sendo = ( ) + ( ), com e sendo constantes, ento

Assim

A partir de ento, pode-se demonstrar que

Propriedades:
Se = ( ) com () sendo uma funo escalar monotnica no intervalo
. Tem-se que

Caso discreto:

Caso contnuo:

Expectncia (esperana, mdia ou primeiro momento)

Caracterizao de variveis aleatrias

{
k

}=

Z
m

( )
p

( { })

( )

} { }

{( { }) }

=mod{ }

=mod{ }

<

}=
( ), ou seja mod{ } deve satisfazer a ambas as

.
22

Se
w

( ) for monomodal e simtrica com relao mdia { }, ento

{ } = mod{ } = { }.

23

Se ( ) tiver apenas uma moda, diz-se que ela monomodal. Uma FDP com duas
ou mais modas dita multimodal.

{ } como desvio padro da v.a.

( )

( )

{ }=

Moda: mximos locais da FDP

relaes abaixo:

{ } =

Mediana

o momento central chamado de varincia

{( { }) } =

Define-se tambm { } =

Caso especial: para

n-simo momento central (momento central de ordem n)

n-simo momento (momento de ordem n)

Caracterizao de variveis aleatrias

( )

( )

v.a.s

o parmetro da distribuio.

( )=

Usada no modelamento de sistemas de filas.

em que >

( )

25

24

(26)

de Bernoulli

Uma v.a. com distribuio discreta de Poisson possui espao de probabilidades

= { , , , . . .} e funo de massa

Distribuio de Poisson:

( )=

Usada na contagem de eventos.

com

Sendo assim, = { , , , . . . , } e

Uma v.a. com distribuio Binomial representa a soma de

com parmetro

a probabilidade de ocorrncia do evento ( = ).

Distribuio Binomial

em que

Nesta distribuio = { , } representa a ocorrncia ou no de um evento. A funo

de massa dada por

,
=
( )=
(25)
,
=

Distribuio de Bernoulli

Distribuies unidimensionais discretas

} = ( + )

{ } =

{( { }) } =

segue Poisson com parmetro , ento

( )=

= ,...,
caso contrrio.

Usada quando os elementos de forem equiprovveis.

( , ).

( ) =

{ } =

( )=

<
<

caso contrrio.

de distribuio uniforme com parmetros

Tem-se ainda que

Notao:

Uma v.a.

Distribuio Uniforme

27

(29)

(28)

(27)

possui = [ , ] e FDP

26

Uma v.a. discreta uniforme possui espao amostral = { , + , . . . , , } tal

que so parmetros que definem um intervalo e

Distribuio Uniforme:

Distribuies unidimensionais contnuas

Propriedades: se

( , )

{ } = ,

( )

dada por

{( { }) } = .

( )

() =

() =

() = , ento
=

Interpretao grfica da FDP: monomodal e simtrica com relao mdia.

( )=

() denominada de funo de Gauss sendo dada por

( )=

Deve ser observado que sendo

( )=

A funo de distribuio de

em que

29

28

(30)

de distribuio Gaussiana com parmetros e possui = e FDP

Tem-se ainda que

Notao:

Uma v.a.

Distribuio Normal (ou Gaussiana)

da figura anterior.

+ , sendo

6=

( ), .

( ),

.
,
caso contrrio.

( )=

30

(31)

31

Usada em sistemas computacionais e em redes de computadores para modelar tempos

de transferncia de arquivos.

( )=

Por integrao, obtm-se

Uma v.a. de distribuio Exponencial com parmetro possui = [ , ) e FDP

Distribuio Exponencial

Distribuies unidimensionais contnuas

Se ( , ), qual seria a distribuio da v.a.

constantes reais?

Exemplo 3 (Transformao afim de uma v.a. Gaussiana):

Determine

Exerccio 3 (Transformao afim de uma v.a. Gaussiana):

( ) =

{ > }

( )=

( / )

( ) =

caso contrrio

{ } =

{ } =

Se ( , ), uma v.a. de distribuio normal, ento

distribuio .

uma v.a. de

Exemplo 4 (Transformao quadrtica de uma v.a. Gaussiana):

Tem-se ainda que

um inteiro e ( / ) =
Notao:

( ) = ( )( ) = ( )

33

32

(32)

inteiro possui = [ , ) e FDP

( ) ,

( / ),

graus de liberdade)

de distribuio com parmetro

> , sendo funo Gama. Esta funo possui as seguintes propriedades:

se

com

Uma v.a.

Distribuio (Qui-quadrado com

sendo , > , e representando um lapso de tempo. A probabilidade condicional

acima no depende de .

{ > + | > }=

Esta distribuio tem a propriedade de ser sem memria:

( )=

),

caso contrrio

(33)

de distribuio Rayleigh com parmetro possui = [ , ) e FDP

com

,...,

,...,

,...,

{{

}{
Z

( , ,..., ) =

,...,

,...,

,...,

( , ,..., )

( , ,..., )

,

}...{

( , , . . . , ) sendo a FDP conjunta tal que

( , ,..., ) =

}}

35

(35)

(34)

Se as v.a.s , , . . . , esto definias no mesmo espao , ento elas so ditas de

distribuio conjunta com distribuio dada por

34

Usada em sistemas de telecomunicaes para modelar a distribuio da amplitude de

sinais recebidos aleatoriamente.

Uma v.a.

Distribuio Rayleigh

Variveis aleatrias de distribuio conjunta

Distribuies unidimensionais contnuas

<

<

uma vez que

,...,

,...,

<

,...,

+ }

,...,

,...,

Se

Se

( ,...,

( ,...,

,...,

| {z
|

,...,

{z

,...,

> , ento tem-se uma distribuio Multivarivel

<

,...,

( , ,..., )

, , . . . , )

( ,...,
Z

) chamada de distribuio marginal das v.a.s

) =

= , ento tem-se uma distribuio Bivarivel

,...,

,...,

Funo de distribuio conjunta de um subconjunto de v.a.s: sendo

37

36

( , ,..., )
( , ,..., )

( , ,..., )

( , ,..., )

(, . . . , ) =

}=

(, . . . , ) =

,...,

,...,

( , . . . , = , . . . , ) =

,...,

( , , . . . , ):

,..., ,...,

} = .

+ ,...,

Propriedades de

Variveis aleatrias de distribuio conjunta

{ } =

,...,

( )

, + ,...,

, ,

,...,

(, . . . ,

,..., )

( ,..., ,..., )

( ,..., )

,...,

,..., ,

( ,...,

,...,

: partindo de

{ }=

, + ,...,

( )

,..., ,

( )=

,...,

,...,

. . . , )

,...,

e em conseqncia

( )

( , )
=

( , )=

( , )=

( )

( )

( )

Independncia: duas v.a.s de distribuio conjunta e , 6= , so ditas

independentes se os eventos { } e { } forem indepentes. Isto leva a

Portanto

Com

Expectncia marginal { }, com

,...,

38

39

(37)

(36)

,


( , )=

,


( , )=


sejam estatisticamente

, , , + , ,

, ,


( , , ,

De forma similar,

e em conseqncia

, ,


, ,

, ,

( )

( )

( , , )


40

, ,

41

, )

(39)

(38)

so mutuamente independentes

so independentes se

( , , ) =


( , , ) =

, ) =

, ,

, ,

V.A.s mutuamente independentes: as v.a.s

se

Variveis aleatrias de distribuio conjunta

v.a.s gaussianas distribudas conjuntamente tal que

determinar as condies necessrias para que

independentes.

Considerando

e verificar se estas v.a.s so independentes.

Exerccio 4 (Independncia de v.a.s Gaussianas):

, no espao [ , ] [ ,
,
caso contrrio


v.a.s distribudas conjuntamente tal que

determinar as densidades marginais de

Considerando

Exemplo 5 (Distribuio conjunta bivarivel uniforme):

Variveis aleatrias de distribuio conjunta

'

tal que ( ,

{ ,

( )

) .

( , , )
)

,...,
0

&

&

&

E ainda, ( ,

)=

)=

&

{ , }
{ } { }
7

&

}= {

&

&

&

&

} { } { } =

&

&

}= { } { }

so no-correlacionadas e portanto

{ ,

se { } { } 6= .

{ })}
} { } { }

&

{( { }) (

so independentes, demonstrar que

o que significa que

Se

( , , )

"

(41)

(40)

), ento

43

(44)

(43)

42

(42)

existe alguma relao (linear ou no) entre elas.

( ,

} 6=

} =

{ }.

= ( , ,

, 6= , so duas v.a.s, define-se a covarincia entre elas como

{ ,

Coeficiente de correlao:

{ , }=

Intuitivamente, se

com

{ } =

Covarincia: se

&

Expectncia de uma funo aleatria multivarivel: sendo

Exemplo 6 (Covarincia de v.a.s independentes):

Variveis aleatrias de distribuio conjunta

Assim, V.A.s independentes so no-correlacionadas, mas o contrrio no verdade.

<

<

>

e
<

>

tais que

<

>

<

<

>

( )
( )

=
=

e
<

<

<

>

>

<

{ }+

<

>

<

<

>

}= .

<

<

<

<

>

44

45

I. Se e
so no-correlacionados, ento = { } e = { } so
ortogonais;
II. Se e
so no-correlacionados e { } ou (e) { } (so) nulo (s), ento
e
so ortogonais.

Portanto, pode-se verificar que

} ( { } + { })

{ }

{ } { }

} = { } { }.

{ } =

Ortogonalidade: duas v.a.s so ditas ortogonais se

so descorrelacionadas, ento para

<

uma vez que {

Se

com ( , ). Mostre que estas v.a.s so no-correlacionadas, mas nem por isso so
independentes. Portanto
{ , } = no implica que no exista uma relao (linear
ou no) entre e .

Considere as v.a.s

Exemplo 7 (V.A.s descorrelacionadas mas dependentes [1]):

Variveis aleatrias de distribuio conjunta

,
L

=[
T

{ ,

{ }

}=

{ }

{ ,
{ ,

}
}

47

{ }

46

de distribuio conjunta,

{ }

{ , } e positiva semidefinida pois

( )

{ }

{ , }
{ }

..
...
{ , }

{ }

{ }

{ }) }

( )

( , ,..., ) =

] um vetor e

,...,

{ }
{ , }
..
{ , }
X

{( { }) (

{ }

{ }

..

{ }

{ }=

sendo simtrica uma vez que

para todo 6= .

Portanto,

( ) um escalar. De forma similar

Matriz de covarincias de

Observa-se que

em que

,...,

simpificando a notao, a PDF associada dada por

=
.. =

Um vetor aleatrio formado a partir de v.a.s

e dado por

Vetores de variveis aleatrias

( )
`

/
a

/
a

| sendo o determinande de

( )=
b

( { })

..

( )

{ }e

( )=

| = =

..

...

{ }

{ ,

} = , 6= ,

( { })

( { })

{ }

48

resulta em

{ } =

{ }+

49

(47)

(46)

Neste caso, como formado por elementos independentes e de mesma

{ }), diz-se que
distribuio (embora de diferentes parmetros { } e
formado por elementos i.i.d. (independentes e identicamente distribudos).
Pode-se verificar que, para e sendo contantes tais que
{ }= e
{ } = e sendo uma v.a. de distribuio multivariada, ento a
transformao afin
=
+
(45)

( )=

uma vez que |

Notao: ( { }, )
Se os elementos de forem no-correlacionados, ou seja,
ento pode-se mostrar que

com |

Distribuio Gaussiana Multivariada

Vetores de variveis aleatrias

{ },

= ( { })

( { })
, uma vez que

{ } =

(50)
simtrica e
sua matriz raiz-quadrada (tambm simtrica).

que a definio de uma v.a. de distribuio .

51

(51)

significando que os elementos de so i.i.d. Gaussianos de mdia nula e varincia

unitria. Por outro lado, pode ser decomposta em

positiva semidefinida, e
Pode-se verificar que

tal que

( { })

. Para verificar este resultado, considera-se a v.a.

50

(49)

(48)

Para determinar a matriz tal que eq.(49) seja resolvida, usa-se a fatorao de
Cholesky. Pela fatorao de Cholesky, obtm-se a matriz triangular superior tal
que
=
. Portanto, tem-se = .
A varivel aleatria

No mais, se Gaussiana, ento tambm o ser. Para comprovar esta ltima

afirmao, faz-se necessrio determinar ( ).
Simulao de uma v.a. Gaussiana multivarivel: usando o resultado acima, se
( , ), com sendo a matriz identidade de dimenso , ento
( ,
). Isto significa que, se for desejado que seja ( { }, ),
ento basta escolher

= ( { })

( )

( ) =

( ) =

( ) =
,

,
com

com

com

52

, determinar o vetor de diferena

53

p
para o qual { } = { } { } e = + . Pode-se observar que
a distncia euclidiana entre e . No entanto, esta mtrica de distncia no considera
as incertezas devido s distribuies.

Para todo

Soluo:

Existe uma classe de problemas de reconhecimento de padres que se apresentam da

seguinte forma [3]. Dispe-se de vetores de caractersticas , , , cada qual
.
assumido de distribuio Gaussiana de mdia { } e matriz de covarincias
Deseja-se verificar qual destes vetores corresponde (com maior probabilidade) a um vetor
de referncia suposto ( { }, ). Neste problema, encontrar a boa correspondncia
significa determinar o par { , } tal que a distncia (probabilstica) e seja a
menor.

Exemplo 8 (Casamento probabilstico de padres):

= = ( ) = ,

= = ( ) = ,

= = ( ) = ,

Vetores de variveis aleatrias

com sendo o percentual da distribuio . Geralmente escolhe-se

= , . Consultando a tabela , montada para valores de , obtem-se
[2]

pertencer a uma distribuio

( { })

comumente usada para testar a hiptese do vetor

( { }, ), considerada verdadeira se

A funo

= ( { })

, determinar a medida

( { })

= ( ) (

) ( )

( ).

com

= :

simtrica,

satisfaz a

sendo seus autovetores.

{ }

= . Como

{ }

}=
=

sendo os autovalores de

=
{ } =

em que
{ , }=
{ ,
ela pode ser decomposta em

Considera-se o caso de uma distribuio Gaussiana com

Distribuio Gaussiana Bivariada

Vetores de variveis aleatrias

, } de menor distncia estatstica aquele cujo ndice

e a correspondncia ser aceita se

O par {

e neste caso, esta medida chamada de Distncia de Mahalanobis.

que segue . comum tambm assumir que a correpondncia verdadeira, e assim

{ } = { }, resultando em

Para todo

55

54

{ }

{ }

56

{ }

pode ser re-escrita

{ }
+

= ( { })/ ,

= ( { })/

=[ , ] e

( )=

=[ , ]

com

sendo uma constante cujo significado ficar logo claro.

57

(52)

Representao grfica.
No plano , uma forma de representar grficamente a distribuio bivariada
por meio da curva de nvel correspondentes a uma densidade constante, ou seja,
( ) =const. Isto implica em

em que

Fazendo
como

com

FDP conjunta: para um dado

( )

( )

( ) +

( ) +

( )

( ) +

( )

(maior)

( )

tem-se abaixo um exemplo com > .

(menor) e

( )

( )

58

(55)

(54)

(53)

= .

No caso especial de
= , tem-se a chamada elipse 3-sigma, que incorpora
= ,
da distribuio de .

59

(56)

sigma, cujo interior

Esta elipse comumente chamada de Elipse de incerteza
incorpora uma determinada porcentagem da distribuio de .
Pode-se demonstrar que

Assim, no plano

Eixos principais :

ngulo com relao ao eixo

Dado que | | , a eq. (52) corresponde a uma elipse com os seguintes

parmetros:
Centro:
{ } = [ { }, { }]

= , ento

( ) =const. implica em uma elipside.

60

{ | }=

= { },

( | ) =

( , )

={ <

( )

{ | <

com > . Ento, pode-se mostrar que

( , )
( )

61

(57)

de distribuio contnua,

< + },

< + }

{ }
{ }

eventos, a probabilidade condicional dada por

Se associarmos estes eventos a variveis aleatrias

pode-se considerar

Considerando

Probabilidade condicional de variveis aleatrias

Simulao gaussiana bivariada realizada considerando { } = , { } =

diferentes valores de .

Exemplo 9 (Elipse 3-sigma de uma distribuio gaussiana bivariada):

Verifique voc mesmo: se

( , )=

( | ) ,

( ) =

(| ) =

( | )

Propriedades:

Como { | } e

{ | },

( | )=

( , )

( | )

( , )
, ( , )

( , )
( )

( | )

( )

, elas so portanto v.a.s.

( | )

( | ) ( )
( )

( | ) so funes da v.a.

Expectncia condicional:

( | )

( , )
( )

Regra de Bayes para FDPs de variveis aleatrias:

No caso discreto:

FDP condicional

63

( | )} (64)

(63)

(62)

(61)

62

(60)

(59)

(58)

( )

( )

( | )

( | )

( | )

( )

= ( )

(65)

64

(67)

= ( ) (66)

{ { | }}

( )

( | )

= {( { }) ( { }) | }

Matriz de covarincias condicional

Determine
( , )=(

Considere

v.a.s Gaussianas cuja distribuio conjunta seja

(
+ )

.
, ( , )=

dado

= e (iii) a

( ) e | ( | ). Sugesto: complete os quadrados da funo

+ ) de forma a obter ( , ) = ( , ) + ( ).

v.a.s cuja distribuio conjunta seja

< < <
.
, ( , )=
caso contrrio
Determine: (i) a fdp marginal de , (ii) a fdp condicional de
esperana e varincia de dado = .
Exerccio 6 (Distribuio bivariada gaussiana):

Considere

Exerccio 5 (Condicional de distribuio exponencial):

65

Probabilidade condicional de variveis aleatrias

=
{ ( )| } =

{ } =

com ( ) sendo uma funo escalar, ou seja, ( ) .

a partir de

}=
6

)( )

. Pode-se mostrar que

)( )

66

(70)

(69)

(68)

+ ,,

, ,

, , ,

<

com o k-simo intervalo sendo dado por [ , [. Denomina-se

amostras neste intervalo. Assim, tem-se que

.
o nmero de

67

Caso escalar: dadas amostras , , , obtm-se um histograma, que nada mais

que um grfico do nmero de amostras pertencentes a intervalos. Os intervalos
=
( , , ) e
possuem espaamentos iguais entre os limites
=
( , , )

FDP a partir de histograma

uma estimativa no polarizada (chamada de matriz de covarincias amostral

no-polarizada).

Esta estimativa polarizada pois {

Covarincia amostral:

Esta estimativa no-polarizada pois { } = { } e consistente uma vez que

com .

Mdia amostral:

Estimao da mdia, matriz de covarincias e FDP de uma v.a.

amostras , , .

Estatstica amostral

(


)=
!

&

(


"

) atravs de

{{

'

,
/

=[

[[

"

,
#

os ndices do intervalo nas dimenses

&

<
.

}, {
=[

,
,

(
Caso multi-varivel: extenso para

68

,
!

) atravs de

69

. Assim, tem-se que

}}

variveis a partir do caso bivarivel.

)=

e , respectivamente.

] )

<

o nmero de amostras em cada intervalo

Portanto, pode-se obter uma estimativa para a PDF em

Denomina-se

para os quais e

"

Deve-se observar que esta uma forma no paramtrica da PDF ( ).

Caso bivarivel: dadas amostras , , , obtm-se um histograma
bidimensional, que um grfico do nmero de amostras pertencentes a intervalos
em duas dimenses. Os intervalos possuem espaamento
= [ , ] igual
( , , , , ) e , =
( , , , , ), para
entre os limites , =
= , (no caso = a dimenso da v.a. amostrada). O histograma
portanto um grfico de contagens de amostras inseridas nos intervalos
bidimensionais

Portanto, pode-se obter uma estimativa para a PDF em

<

em que
inversa).
?

<

{ }=
7

( )=
=

(
que o mesmo resultado obtido pela eq. (22).

>

(
E

)
C

( )
( )

| |

= . Se

, >
, <
, =

71

70

( ) (funo

v.a.s unidimensionais. Sendo esta

( )=

>

<

em que ( ) a funo degrau em = , e ( ) a funo impulso em

6= , ( ) pode ser escrito como

( )
, >

( )=
( ) , <

( )
, =

Considere =
+ com , constantes, e
funo monotnica, pode-se verificar que
>

o contra-domnio de ( ), determinado a partir de

Este problema resolve-se a partir de

Conceitos bsicos: seja = ( ) tal que ( ) um mapeamento de

e imagem . O problema consiste em determinar a distribuio de a
domnio
partir da distribuio de .

Exemplo 10 (Transformao linear):

Funes de variveis aleatrias

={

( ) =

( ) =

em que

, ,

Caso escalar:

= {

0(

em

72

73

(72)

(71)

somente

Considere = / com e v.a.s unidimensionais. Sendo ( , ) com

parmetros e tais que { } . Determinar ( ).

( )= .

( )
( )
++ 0
|
| ( )|
)|

( )

= ( )

( ) =
Q

( ) ,
, caso contrrio.

( ) + ( ) ,
, caso contrrio.
S

so as solues para a varivel

} =

( )

( ) pode ter um ou mais mapeamentos.

Determinao direta da FDP

Exerccio 7 (Transformao escalar raiz-quadrada):

Portanto,

Considere =
com e v.a.s unidimensionais. Pode-se verificar que
existe para . Neste caso,

Exemplo 11 (Transformao quadrtica):

em que as funes

com
( )= /
, dada por

( ))
( )|

( )

e
b

(73)

so de

74

(75)

( ) e sendo a Jacobiana da transformao, de dimenso

()
( )

.
..
(74)
= .

( )
( )

( ) so obtidas de ( )

( )
( ) = .. .
( )

Caso vetorial com ( ) monotnica, ( ) . (ateno:

mesma dimenso)

( ) =
( ( )) ( )

Determinao direta da FDP

Considere um ponto P de coordenadas cartesianas ( , ) tal que ( , ) e

( , ) so independentes. Determinar a fdp conjunta das coordenadas polares
de P. Quais as distribuies marginais de tais coordenadas?

75

Exemplo 12 (Converso coordenadas cartesianas em coordenadas polares):

= ( ,)

( ,)

( , ,)

( , ) = ( )

[3] DUDA, R. O.; HART, P. E.; STORK, D. G. Pattern Classification. 2nd. ed. [S.l.]:
Wiley Interscience, 2000.

[2] MEYER, P. Probabilidade - aplicaes estatstica. Segunda edio. [S.l.]: Livros

Tcnicos e Cientficos (LTC), 2003.

[1] JAZWINSKI, A. H. Stochastic Processes and Filtering Theory. [S.l.]: Academic

Press, 1970.

Referncias

com

Mnimos quadrados

Estimao linear:

77

76

em que R , R e R . um vetor contendo os parmetros de interesse.

Para tanto, realiza-se um ou vrios experimentos com pares de dados
{ , }, , { , }. O problema consiste ento em encontrar uma estimativa de
que possa ser considerada satisfatria.

Definio do problema: em inmeros casos em engenharia, tem-se que lidar com o

problema de determinar os parmetros de uma relao do tipo

Estimao de parmetros