Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Probabilidade e Vari
aveis Aleat
orias
c C. C. Cavalcante
Processos Estoc
asticos
Parte II
c C. C. Cavalcante
Processos Estoc
asticos
Variavel aleat
oria pode ser entendida como o resultado numerico
da operacao de um mecanismo n ao-determinstico ou execuc
ao de
um experimento n ao determinstico para gerar um valor aleat orio.
Ao contrario da pratica comum com outras vari aveis matematicas,
uma variavel aleatoria n
ao pode ter um valor associado; uma
vari
avel aleat
oria nao descreve o valor atual de uma realizacao de
um evento particular, mas descreve a possvel, ainda que
indeterminado, resultado em termos de n umeros reais.
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Definic
ao
Vari
avel aleat
oria (v.a.) e qualquer func
ao definida no espaco
amostral S tal que:
Exemplo
Moeda:
S = {cara, coroa}
X(cara) = 0
X(coroa) = 1
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
ao distribuic
ao de probabilidade (func
ao de probabilidade cumulativa)
Definic
ao
Exemplo: Distribuic
ao uniforme
FX (x)
0, se x a 1
FX (x) = x, se 0 < x b
1, se x > b
0 a b x
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
ao distribuic
ao de probabilidade - cont.
Propriedades da fdc
1 FX () = 0
2 FX () = 1
3 Pr{x1 x2 } = FX (x2 ) FX (x1 )
4 Se x1 x2 FX (x1 ) FX (x2 ), ou seja, FX (x) e
monotonico n
ao-decrescente
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
ao densidade de probabilidade
Definic
ao
d
pX (x) , FX (x) (9)
dx
Exemplo: Distribuic
ao uniforme
FX (x) pX (x)
1
1 ba
0 a b x 0 a b x
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
ao densidade de probabilidade - cont.
Propriedades
Rx
1 FX (x) = pX () d
2 FX (x) e monot ao-decrescente pX (x) 0
onico n
3 Pr{X > x} = 1 FX (x) = 1 Pr{X x}
Rx2
4 Pr{x1 < X x2 } = FX (x2 ) FX (x1 ) = pX () d
x1
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Vari
aveis aleat
orias discretas
Dificuldade
Neste caso, as vari
aveis admitem valores somente em determinados
instantes de tempo. O que ocorre com as probabilidades?
pX (x) P2
Funcoes () de Dirac (impulsos)
P1
P3 R
f (t)(t t0 ) dt = f (t0 )
(t) R
(t) dt = 1
x1 x2 x3 x
(t) = func
ao impulsiva de Dirac
d
= u(t), em que u(t)e a func
ao degrau unit
ario
dt
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Vari
aveis aleat
orias discretas - cont.
Logo, teremos
N
X
pX (x) = Pr{X = xi } (x xi )
i=1
Zx N
X Zx
FX (x) = pX () d = Pr{X = xi } ( xi ) d
i=1
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Vari
aveis aleat
orias discretas - cont.
pX (x)
P2
P1
P3
x1 x2 x3 x
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Vari
aveis aleat
orias discretas - cont.
fdc
FX (x)
P1 + P2 + P3
P3
P1 + P2
P2
P1
P1
x1 x2 x3 x
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
ao de densidade de probabilidade gaussiana
Definic
ao
Seja X uma v.a., X e dito ter distribuic
ao de probabilidade
gaussiana, ou normal, se sua densidade de probabilidade pode ser
escrita da seguinte forma
!
1 (x )2
pX (x) = exp (10)
2 2 2
Notac
ao usual:
X N , 2
media
Par
ametros
2 vari
ancia
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
pdf gaussiana - cont.
Normalizac
ao
Z N (0, 1)
2
1 z
pZ (z) = exp
2 2
Func
ao erro
Func
ao de distribuic
ao cumulativa da func
ao gaussiana
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
pdf gaussiana - cont.
0.4
0.35
0.3
0.25
pZ (z)
0.2
0.15
0.1
0.05
0
-3 -2 -1 0 1 2 3
68%
95%
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Vari
aveis aleat
orias bidimensionais
Func
ao distribuic
ao de probabilidade
{X x, Y y} = { w S|[X(w), Y (w)] D }
| {z }
evento
em que D = { (X, Y )|X (, x], Y (, y] }
Y
y
2
D x X pX,Y (x, y) = FX,Y (x, y) (13)
x y
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Vari
aveis aleat
orias bidimensionais - cont.
Propriedades
1 FX,Y (, y) = 0
2 FX,Y (x, ) = 0
3 FX,Y (, ) = 1
FX,Y (x, ) = FX (x)
4 distribuic
oes marginais
FX,Y (, y) = FY (y)
Rx Ry
5 FX,Y (x, y) = pX,Y (, ) d d
R
pX (x) = pX,Y (x, y) dy
6
R
pY (y) = pX,Y (x, y) dx
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Vari
aveis aleat
orias independentes
Definic
ao
Sejam X e Y v.a.s. Elas s
ao independentes se:
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Representac
ao de vari
aveis aleat
orias - cont.
Histograma
uma representac
E ao da distribuic
ao das vari
aveis no espaco
amostral em relac
ao ao n
umero de ocorrencias
100
90
80
70
60
50
40
30
20
10
0
-3 -2 -1 0 1 2 3
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Representac
ao de vari
aveis aleat
orias - cont.
100 Gaussiana
80
60
40
20
0
-4 -3 -2 -1 0 1 2 3 4
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Medidas estatsticas
Momentos
S
ao estatsticas de uma vari avel aleat
oria capazes de representar
seu comportamento probabilstico. Os infinitos momentos
estatsticos definem a func
ao de densidade de probabilidade.
Media
Tambem chamada de esperanca matem atica, valor esperado,
momento de 1a ordem, e definido como
Z
= E {X} , x pX (x) dx (15)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Medidas estatsticas - cont.
Media
Para X discreta
X
= xi Pr{X = xi } (16)
i=
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Medidas estatsticas - cont.
Propriedades da media
1 E {X + Y } = E {X} + E {Y }
2 E {X Y } = E {X} E {Y } se X e Y sao v.a.s independentes
R R
3 E {f (X, Y )} = f (x, y)pX,Y (x, y) dxdy
4 Se X e Y s ao independentes
E {f (X) g(Y )} = E {f (X)} E {g(Y )}
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Medidas estatsticas - cont.
Momentos de ordem k
n o Z
k = E X k
= xk pX (x) dx (17)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Medidas estatsticas - cont.
Momentos centrados
Uma importante medida estatstica e avaliar o comportamento da
v.a. em torno da media. Assim, define-se o momento centrado de
ordem k como sendo
n o Z
ck = E (X ) k
= (x )k pX (x) dx (18)
ancia ( 2 = E (X )2 0)
De particular interesse: vari
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Medidas estatsticas - cont.
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Medidas estatsticas - cont.
Exemplo
Conhecendo-se a media
e a vari
a ncia de uma v.a. X
( = E {X}, 2 = E (X )2 ) deseja-se achar E X 3
ao de e 2 .
aproximado em func
E {X 3} = 3 + 3 E {(X )} + 3 E {(X )2 }
= 3 + 3 2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Medidas estatsticas - cont.
Resultado importante
2k 2k , k = 1, 2, 3, . . . (19)
n 2 o
Prova: Como E X k 0, , temos
n o n o
E X 2k 2 E X k + E 2 0
2k 2 k + 2 0
2
2 k + 2k 0 (equac
ao de 2a ordem)
discriminante 0
42k 42k 0
2k 2k
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Desigualdades
Desigualdade de Markoff
Seja X uma v.a. tal que pX (x) = 0 se x < 0
1
Pr{X } , >0 (20)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Desigualdades - cont.
1
Pr{X }
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Desigualdades - cont.
Desigualdade de Tchebchev
Seja X uma v.a. com distribuic
ao qualquer, ent
ao
2
Pr {|X | } , >0 (21)
2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Desigualdades - cont.
Z
2 = (x )2 pX (x) dx
Z +
Z Z
= (x )2 pX (x) dx + (x )2 pX (x) dx + (x )2 pX (x) dx
+
Z Z
2 (x )2 pX (x) dx + (x )2 pX (x) dx
+
Z Z
2 2 pX (x) dx + 2 pX (x) dx
+
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Desigualdades - cont.
2
Pr{X } + Pr{X }
2
2
Pr{|X | }
2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
oes caracterstica
Primeira func
ao caracterstica
Z
C() , pX (x) exp(jx) dx (22)
Importante
R
C() , pX (x) exp(jx) dx
C() = F{pX (x)} (transformada de Fourier de pX (x))
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
oes caracterstica - cont.
Importante - cont.
Notac
ao
Z
PX () = F{pX (x)} = pX (x) exp(jx) dx
E {exp(jX)}
Assim
Z
1
pX (x) = PX () exp(jx) d
2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
oes caracterstica - cont.
Primeira func
ao caracterstica - Vari
aveis discretas
X
PX (w) = Pr{X = xi } exp (jxi )
i=
= E {exp(jX)}
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
oes caracterstica - cont.
Propriedades PX ()
1 |PX ()| 1
Prova:
Z
|PX ()| =
pX (x) exp(jx) dx
Z Z
|pX (x)| | exp(jx)| dx = pX (x) dx
desigualdade de Schwartz
2 PX (0) = 1
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
oes caracterstica - cont.
Func
ao geradora de momentos
PX () = E {exp(jX)}
X (jX)k
exp(jx) = (S
erie de Taylor em torno de X = 0)
k!
k=
(
)
X (j)k X k
E {exp(jx)} = E k!
k=
X
(j)k n o
E {exp(jx)} = k!
E Xk
k= | {z }
k
X (j)k
PX () = k
k!
k=
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
oes caracterstica - cont.
Func
ao geradora de momentos - cont.
Ainda
X dk PX () 1
PX () = k
d k =0 k!
k=0
Logo
X X
dk PX () k k
k
= (j)
dwk =0 k!
k
k!
k=0 k=0
k dk PX ()
k (j) =
dwk =0
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
oes caracterstica - cont.
Exemplo
Sejam X e Y v.a.s independentes com pX (x) e pY (y) conhecidas.
Se Z = X + Y , pZ (z) =?
Soluc
ao
E E
PZ () = {exp(jZ)} = {exp[j(X + Y )]}
Z Z
exp(jX) exp(jY ) pX,Y (x, y) dx dy
Z Z
exp(jX) pX (x) dx exp(jY ) pY (y) dy
| {z } | {z }
E {exp(jX)} E {exp(jY )}
PZ () = PX () PY ()
pZ (z) = pX (x) pY (y)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Func
oes caracterstica - cont.
Segunda func
ao caracterstica
Importante
A segunda func
ao caracterstica e tambem chamada de
func
ao geradora de cumulantes
Os cumulantes sao de extrema import
ancia na caracterizac
ao
estatstica de uma v.a.
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Cumulantes
Hist
oria
Os cumulantes foram inicialmente introduzidos pelo astronomo,
contador, matematico e estaticista dinamarques Thorvald N. Thiele
(1838-1910) que os denominou semi-invariantes.
O termo cumulante surgiu pela primeira vez em 1931 no artigo The
Derivation of the Pattern Formul of Two-Way Partitions from Those of
Simpler Patterns, Proceedings of the London Mathematical Society,
Series 2, vol. 33, pp. 195-208, publicado pelo geneticista e estaticista Sir
Ronald Fisher e o estaticista John Wishart, eponimo da distribuicao de
Wishart.
O historiador Stephen Stigler comenta que o termo cumulante foi
sugerido a Fisher numa carta de Harold Hotelling. Em um outro artigo
publicado em 1929, Fisher chamou-os de funcoes de momentos
cumulativos.
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Cumulantes - cont.
Definic
ao
O cumulante de ordem k e definido como
k ()
k = (24)
k
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Cumulantes - cont.
1 (Y + ) = 1 (Y ) +
k (Y + ) = k (Y )
k (Y ) = k k (Y )
3 Aditividade
k (X + Y ) = k (X) + k (Y )
se X e Y s
ao v.a.s independentes
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Cumulantes - cont.
Cumulantes e momentos
Os cumulantes s ao relacionados com os momentos atraves da
seguinte recurs
ao:
k1
X
k1
k = k i ki (25)
i1
i=1
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Cumulantes - cont.
1 = 1
2 = 2 + 21
3 = 3 + 32 1 + 31
4 = 4 + 43 1 + 322 + 62 21 + 41
5 = 5 + 54 1 + 103 2 + 103 21 + 1522 1 + 102 31
6 = 6 + 65 1 + 154 2 + 154 21 + 1023 + 603 2 1 +
203 31 + 1532 + 4522 21 + 152 41 + 61 .
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes de probabilidade importantes - contnuas
v.a. uniforme
S = [a, b]
1
pX (x) = , axb
ba
2
E {X} = a +2 b X2 = (b 12a)
exp(jb) exp(ja)
PX () =
j(a b)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes de probabilidade importantes - contnuas
v.a. exponencial
S = [a, )
pX (x) = exp(x), x 0, 0
E {X} = 1 X2 = 12
PX () =
+ j
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes de probabilidade importantes - contnuas
v.a. gaussiana
S = (, )
1 (x )2
pX (x) = exp , < x < , > 0
2 2 2
E {X} = X2 = 2
j 2 2
PX () = exp
2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes de probabilidade importantes - contnuas
v.a. Gamma
S = (0, )
(x)1 exp(x)
pX (x) = , x > 0, > 0, > 0
()
E {X} = X2 = 2
1
PX () = exp
(1 + j/)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes de probabilidade importantes - contnuas
v.a. Rayleigh
S = [0, )
x2
x exp 2 2
pX (x) = 2
, x 0, > 0
p
E {X} = /2 X2 = (2 /2)2
v.a. Cauchy
S = (, )
/
pX (x) = 2 , < x < , > 0
x + 2
Media e vari
ancia n
ao existem
PX () = exp(||)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes de probabilidade importantes - contnuas
v.a. laplaciana
S = (, )
exp(|x|)
pX (x) = , < x < , > 0
2
E {X} = 0 X2 = 22
2
PX () = 2
+ 2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes de probabilidade importantes - discretas
v.a. Bernoulli
S = 0, 1
Pr(0) = q = 1 p, Pr(1) = p, 0p1
E {X} = p 2
X = p(1 p)
v.a. binomial
S = 0, 1, . . . , n
n
Pr(k) = pk (1 p)nk , k = 0, 1, . . . , n
k
E {X} = np 2
X = np(1 p)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes de probabilidade importantes - discretas
E {X} = pr X2 = r(1p2 p)
v.a. de Poisson
S = 0, 1, 2, . . .
k
Pr(k) = exp(), k = 0, 1, 2, . . . , >0
k!
E {X} = 2
X =
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Correlac
ao e Covari
ancia
Correlac
ao
R(X, Y ) , E {X Y } (26)
Covari
ancia
cov(X, Y ) , E {[X (X)] [Y (Y )]} (27)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Correlac
ao e Covari
ancia - cont.
Propriedades
1 cov(X, Y ) = E {X Y } (X)(Y )
2 Se X e Y forem independentes
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Correlac
ao e Covari
ancia - cont.
Propriedades - cont.
3 Dizemos que X e Y s
ao descorrelacionados se e somente se
cov(X, Y ) = 0
4 Quando X = Y
cov(X, X) = E {X X} (X)(X)
= E X 2 E 2 {X} = X
2
5 Se cov(X, Y ) = 0 n
ao implica que X e Y s
ao independentes
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Correlac
ao e Covari
ancia - cont.
Exemplo
v.a. uniforme entre [0, 2]
X = sin()
Y = cos()
cov(X, Y ) = E {XY } E {X}E {Y }
E {X} = 0 e E {Y } = 0
Z2
E {XY } = E {sin() cos()} = 1
2
sin() cos() d = 0
0
cov(X, Y ) = 0 n
ao implica X e Y independentes!
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Correlac
ao e Covari
ancia - cont.
Coeficiente de correlac
ao
cov(X, Y )
XY , (28)
X Y
Propriedade
|XY | 1
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Correlac
ao e Covari
ancia - cont.
Propriedade (prova)
E [(X (X)) (Y (Y ))]2 0,
E 2 (X (X))2 + (Y (Y ))2
2 (X (X))(Y (Y ))} 0,
2 X
2
+ Y2 2cov(X, Y ) 0,
(equac
ao do 2o grau para 0)
2 2
= 4 cov (X, Y ) 4 X Y2 0
cov2 (X, Y ) X
2
Y2
cov2 (X, Y )
2XY = 2 2 1
X Y
|XY | 1(c.q.d)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais
Meta
Caracterizac
ao da distribuic
ao de probabilidade de uma vari avel
aleat
oria condicionada a ocorrencia de outra variavel aleat
oria ou
evento
Definic
ao distribuic
ao cumulativa condicionada
FX (x|A) , Pr {X x|A}
Pr{X x, A} (29)
=
Pr{A}
d
pX (x|A) , FX (x|A)
dx
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Analisando...
Seja A = {x a}
FX (x|A) = FX (x|X a)
= Pr{X x|X a}
(a) x < a
Xa
x a
FX (x|x a) = 0
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
(a) x a
PSfrag xa
x a
Xx
Rx
pX () d
Pr{X x, X a}
FX (x|x a) = = aR
Pr{X a}
pX () d
a
FX (x) FX (a)
=
1 FX (a)
d
d FX (x) pX (x)
pX (x|X a) = FX (x|X a) = dx =
dx 1 FX (a) 1 FX (a)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Resumindo
pX (x)
pX (x|X a) = R U (x a)
pX () d
0
pX (x|X a)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Observac
oes
1
Z Z
pX (x)
pX (x|X a) dx = U (x a) dx
R
pX () d
a
R
pX (x) dx
a
= =1
R
pX () d
a
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Observac
oes - cont.
2 E {X|A} =?
A = {X a}
Z
E {X|X a} = x pX (x|X a) dx
Z
xpX (x)
= U (x a) dx
R
pX () d
a
R
x pX (x) dx
E {X|X a} = a
R
pX () d
a
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Observac
oes - cont.
3 Caso em que A = {X = a}
Pr{X x, X = a}
FX (x|X = a) =
Pr{X = a}
| {z }
v.a. contnuaPr{X=a}=0
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Observac
oes - cont.
Temos 3 situac
oes
X < a FX (x|A) = 0
Pr{aXx}
a X aa FX (x|A) = Pr{aXa+a}
X > a + a FX (x|A) = 1
FX (x|A)
a a + a
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Observac
oes - cont.
Fazendo 0:
FX (x|A)
FX (x|A) = U (x a)
| {z }
funca
o degrau unit
ario
FX (x|X = a) = U (x a)
d
pX (x|X = a) = FX (x|X = a) = (x a)
dx
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Func
ao densidade condicional de duas vari
aveis aleat
orias
pY (y|x) =?
Pr{Y y, x X x + }
FY (y|x X x + x) =
Pr{x X x + a
Ainda
Zy Z
x+x
Pr{Y y, x X x + x} = pX,Y (, ) dd
x
= pX,Y (x, )x metodo de Euler
Zy
= pX,Y (x, ) d x
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Distribuic
oes e densidades condicionais - cont.
Func
ao densidade condicional de duas vari
aveis aleat
orias - cont.
Z
x+x
Pr{x X x + x} = pX () d
= pX (x) x
x
Ry Ry
pX,Y (x, ) d x pX,Y (x, d
FY (y|x)
= =
pX (x) x pX (x)
dFY (y|x) pX,Y (x, y)
pY (y|x) = =
dy pX (x)
Se X e Y forem independentes
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
1o. Caso
Yb = a = constante
(Yb e estimador de Y )
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
= 2E {Y } + 2a = 0 a = E {Y }
dEQM
da
ao-polarizado, pois: E {Yb } = E {Y }
Estimador n
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
2o. Caso
Yb = aX X e v.a. conhecida
min EQM = min E (Y aX)2
a a | {z }
EQM
EQM = E Y 2 2aXY + a2 X 2
EQM = E {Y 2 } 2aE {XY } + a2 E {X 2 }
dEQM
min EQM : =0
a da
2E {XY } + 2aE {X 2 } = 0
E {XY }
a=
E {X 2 }
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
3o. Caso
Yb = aX + b
min E [Y (aX + b)]2
a,b | {z }
EQM
EQM = E Y 2 + a2 X 2 + b2 + 2abX 2aY X 2Y b
EQM = E {Y 2}+a2 E {X 2 }+b2 +2abE {X}2aE {XY }2bE {Y }
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
e b = E {Y } E {X}
cov(X, Y ) cov(X, Y )
a= 2 2
X X
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
cov(X, Y )
EQMmnimo = Y2 2
X
EQMmnimo = (1 2XY ) Y2
Se XY = 1 EQMmnimo = 0
Se XY = 1 EQMmnimo = Y2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
4o. Caso
min
f (x)
E
|
[Y f (X)]2
{z }
EQM
EQM = EX EX|Y [Y f (X)]2
Z
EX|Y [Y f (X)]2 = (y f (x))2 pY |X (y|x) dy
| {z } | {z }
0 0
Z
min
f (x)
EX|Y [Y f (X)]2 = (y f (x))2 pY |X (y|x) dy
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
Ent
ao, temos (z = f (x))
Z Z
d 2
(y z) pY |X (y|x) dy = (2)(y z)pY |X (y|x) dy = 0
dz
Z Z
ypY |X (y|x) dy = f (x)pY |X (y|x) dy
E {Y |X} = f (x)
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
Z
E {Y |X} = y pY |X (y|x) dySe X e Y forem independentes:
pY |X (y|x) = pY (y)
E {Y |X} = E {Y }
EQMmnimo = Y2 |X = Y2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
Caso particular
Yb = a
min
a
E {|Y a|}
Z
E {|Y a|} = |y a| pY (y) dy = EAM
| {z }
Erro absoluto m
edio
Z Za
= (y a) pY (y) dy + (a y) pY (y) dy
a
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Estimac
ao de mnimos quadrados
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
Ent
ao, ap
os simplificac
oes chegamos ao seguinte resultado
Ou seja, as covari
ancias s
ao levadas em conta no c
alculo da
vari
ancia da soma de v.a.
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
Soma de vari
aveis aleat
orias - cont.
Ao fazermos as contas para a soma de n v.a.s
(Sn = X1 + X2 + . . . + Xn ) temos
n
X n X
X n
var(Sn ) = var(Xi ) + cov(Xi , Xj )
i=1 j=1 i=1
j6=
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
E {Sn } = n
var(Sn ) = n 2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
PS2 () = E {exp(jS2 )}
= E {exp[j(X1 + X2 )]}
= E {exp(jX1 ) exp(jX2 )}
= E {exp(jX1 )} E {exp(jX2 )}
= PX1 ()PX2 ()
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
PSn () = E {exp(jSn )}
= E {exp[j(X1 + X2 + . . . + Xn )]}
= E {exp(jX1 ) exp(jX2 ) exp(jXn )}
= E {exp(jX1 )} E {exp(jX2 )} E {exp(jXn )}
= PX1 ()PX2 () PXn ()
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
Ent
ao, pelo resultado anterior
que e a func
ao caracterstica de uma vari
avel aleat
oria gaussiana
com media = 1 + . . . + n e vari ancia 2 = 12 + . . . + n2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
PXk () = PX ()
ent
ao, a func
ao caracterstica da soma ser
a
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
X n
cn = 1
M Xj (32)
n
j=1
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
dn = Sn , ent
Deve-se notar que M ao, como
n
2
var(Sn ) = nvar(Xj ) = n , uma vez que Xi s
ao i.i.d.. Logo
dn ) = 1 n 2 2
var(M var(S n ) = =
n2 n2 n
Assim, a vari
ancia tende a zero quando o n
umero de amostras
aumenta! Isto implica que a probabilidade the a media amostral
seja pr
oxima do valor correto tende a um quando n se assume um
valor grande.
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
n o 2
d
Pr Mn < 1 (33)
n2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
Teorema
Seja Sn uma soma de n v.a. i.i.d. com media finita E {X} e
ancia finita 2 , e seja Zn uma v.a. de media nula e vari
vari ancia
unit
aria, definida por
Sn n
Zn =
n
ent
ao
Zz
1 x2
lim Pr{Zn z} = exp dx (36)
n 2 2
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
c C. C. Cavalcante
Processos Estoc
asticos
Variaveis aleatorias
Teorema Central do Limite
E sabe-se que
2
PZn () exp , quando n
2
c C. C. Cavalcante
Processos Estoc
asticos