Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
(1)
as propriedades estatsticas deste vetor sero representadas por uma distribuio
conjunta de probabilidades, que pode ser formulada em termos de uma funo de
densidade de probabilidade conjunta, , ou uma funo de probabilidade acumulada
conjunta, , onde um ponto qualquer no espao amostral bi-
dimensional. A funo definida como:
(2)
sendo que a relao entre e definida como:
(3)
(4)
As definies apresentadas nas eqs. 1 a 4 podem facilmente ser extendidas para mais
de duas variveis aleatrias no vetor . A partir das definies acima, destacam-se as
seguintes propriedades de :
(5)
plot(x1,x2,'b.');
axis([-4 4 -4 10]);
grid on;
ans =
1.0000 -0.0482
-0.0482 1.0000
(6)
(7)
(8)
(9)
onde e so os desvios padro das respectivas distribuies marginais, e
denominado coeficiente de correlao. Demonstra-se (pela inequao de Schwartz) que
o coeficiente de correlao um nmero adimensional tal que . O uso da
notao j antecipa o fato de que as covarincias entre todos os
pares de variveis no vetor constituem uma matriz simtrica, denominada matriz
de covarincia, .
A covarincia, e sua forma adimensional representada pelo coeficiente de correlao,
so medidas da dependncia linear de duas variveis aleatrias. O estimador do
coeficiente de correlao :
(10)
(11)
onde a diagonal sempre 1 pois a correlao de uma varivel aleatria com ela
mesma mxima. Combinando-se as eqs. 9 e 11, e construindo-se a matriz diagonal:
(12)
com os desvios padro das variveis aleatrias do vetor , pode-se estabelecer uma
relao entre as matrizes de covarincia e de correlao como sendo:
(13)
Esta relao usada a seguir na expresso da distribuio gaussiana multivariada.
(14)
onde:
(15)
o vetor de mdias e a matriz de covarincia, , foi definida na seo anterior.
Tendo-se em conta a eq. 13, a matriz de covarincia pode ser re-escrita a partir de
uma fatorizao de Cholesky da matriz de correlao como:
(16)
(17)
a qual substituda na eq. 14 resulta em:
(18)
for ii = 1:N,
for jj = 1:N,
xy = L\[X(ii,jj); Y(ii,jj)];
pz(ii,jj) = exp(-(xy'*xy)/2)/sqrt(s);
end
end
colormap(bone); contour(X,Y,pz);
grid on; axis equal;
axis([-3 3 -3 3]);
(19)
(20)
Consequentemente, possvel inverter esta relao para produzir simulaes do
vetor a partir de simulaes no correlacionadas do vetor . Esta inverso resulta:
(21)
N = 1024;
R = [1.0 0.9;
0.9 1.0];
L = chol(R)';
Z = L*([randn(1,N); randn(1,N)]);
plot(Z(1,:),Z(2,:),'b.');
grid on;
axis equal;
axis([-3 3 -3 3]);
O uso desta transformao est ilustrado na fig. 3, onde se utiliza o Matlab para
produzir simulaes de duas variveis gaussianas padro com coeficiente de
correlao . As simulaes apresentadas correspondem portanto
distribuio de probabilidade ilustrada na fig. 2.
(22)
(23)
Ou seja, como o operador de expectncia linear ele pode avanar para dentro do
somatrio bem como atravessar constantes multiplicativas. Portanto:
(24)
Da mesma forma, pode-se usar o operador de expectncia para o clculo da varincia
da combinao:
(25)
(26)
(27)
(28)
(29)
Este resultado ser usado a seguir para explicar um processo aleatrio muito
importante na dinmica de sistemas.
6. O processo de Bernoulli
Pela definio original, um processo de Bernoulli, , uma vetor de nmeros
aleatrios no correlacionados, que podem assumir os valores ou sempre com as
mesmas probabilidades e , respectivamente. Sem perda de generalidade,
assume-se aqui que os dois valores possveis para o processo so e , com igual
probabilidade , e passamos a estudar o que ocorre com um processo
que corresponde soma acumulada dos elementos no correspondente vetor de
variveis aleatrias. Portanto, o -simo termo deste processo, , dado por:
(30)
(31)
(32)
for ii = 1:8,
B = 2*round(rand(1,N)) - 1;
Y = cumsum(B);
end
plot(1:N, sqrt(1:N),'r');
plot(1:N,-sqrt(1:N),'r');
hold off;
grid on;
axis([0 N -100 100]);