EEE945 - Introdução aos Processos Estocásticos

Lista de Exercícios IPE #3

Programa de Pós-Graduação em Engenharia Elétrica PPGEE UFMG
Clara Duarte de Sant’Anna

1. DADOS:
. Partícula que se move em movimento circular em um polígono de
m + 1 vértices.

. A probabilidade da partícula se mover de uma vértice para a outra,

seja no sentido horário ou anti-horário, é a mesma.
. Partícula começa em 0 e só termina o percurso quanto tiver visitado
todas as vértices.
Evento, ultima vértice a ser visitada:
A: 1
B: i - 1
C: i
D: i + 1
E: m
(i) Defina a probabilidade dos eventos.
(ii) Faça o gráfico da série temporal de uma das realizações.
(ii) Estime o valor esperado e a variância.

RESOLUÇÃO:
(i)
 - Movimento inicial, sentido horário ou anti-horário, posição A
ou E:
P A = P E = 12
- Probabilidade dos eventos, último ponto a ser visitado:
P último = M1 em que M = 1, 2, ..., M

(ii)
- anexo ao código do MATLAB​, ​gráfico “EXERCÍCIO 1”

(iii)
- Cálculo da variância e do Valor esperado:
v ar(x) = E [X²] − E ²[X]
M
1
E [X] = M
∑ k , sendo M = 5 (vértices do polígono)
k=1
5
1
E [X] = 5
∑k
k=1
1+2+3+4+5
E [X] = 5
= 155
=3
Assim E ²[X] = 3² = 9 e
M 5
1 1
E [X²] = M
∑ k² = 5
∑ k²
k=1 k=1
1² + 2² + 3² + 4² + 5²
E [X²] = 5
= 55
5
= 11
.: v ar(x) = E [X²] − E ²[X] = 11 − 9 = 2
- anexo ao código do MATLAB

2. DADOS:
. Sequência de N dados, para a variável ale, para as seguintes
distribuições: X~Uniforme, Bernoulli, Binomial, Geométrica e
Poisson
. Retângulo: {(x, y) ∈ R² : 0 ≤ x ≤ a, 0 ≤ y ≤ b} com ponto
escolhido ao acaso no retângulo
(i) Sequências de N dados para para a variável ale: X ~ uniforme,
Bernoulli, binomial, geométrica e Poisson.
(ii) Definir a nova variá́vel aleatória Y = 7 X - 0.5 e obtenha o
estimador Yˆ
(iii) O erro de predição, E = Y − Ŷ , para cada caso.
(iv) Comparar e discutir os resultados
OBS.: usar a Tabela 6.1 do livro Intuitive Probability and Random
Processes using MATLAB de Stephen M. Kay, Springer, 2006.

RESOLUÇÃO:
Dado

Tem-se que

.: Para cada distribuição pedida:

- Distribuição Uniforme:
v ar(x) = M (M3 +1) = 1
M² − M − 3 = 0
M = 1±√13
2
M = 2, 302 ou − 1, 302
M não satisfazem a condição inicial, :. não se pode utilizar a
Distribuição Uniforme.

- Distribuição Bernoulli:
v ar(x) = p(1 − p) = 1
p² − p + 1 = 0
p = 1±√2−3
p = 0, 5 + 0, 866i ou 0, 5 − 0, 866i
 p não satisfazem a condição inicial, :. não se pode utilizar a
Distribuição Bernoulli.

- Distribuição Geométrica:
v ar(x) = 1−p
p²
p² − p + 1 = 0
p = −1±2√5
p = 0, 618 ou − 1, 618
uma das respostas de p é viável, :. pode-se utilizar a
Distribuição Geométrica.

- Distribuição Binomial:
v ar(x) = M p (1 − p) = 1
M p² − M p + 1 = 0
M ±√M ²+4M
p= 2M
M −4 M −4

p= 1
2 2
−√ou M
2
1
2
+√ M

para a condição inicial:

M −4

− 1
2
≤√ 2
M
≤ 1
2

√
M −4
−1≤ M
≤1

√
M −4
± M
≤ 1
4
1− M
≤1
− M4 ≤ 0 ⇒ m → ∞
M não satisfazem a condição inicial, :. não se pode utilizar a
Distribuição Binomial.

- Distribuição de Poisson:
v ar(x) = λ = 1
Satisfaz a condição inicial :. pode-se utilizar a Distribuição de
Poisson.

- Estimadores para Distribuição Geométrica e a Distribuição de

Poisson:
Ŷ = E y [y] + cov(x,y)
var(x)
× (x − E x [X])
para v ar(x) = 1 :
 Ŷ = E y [y] + cov(x, y ) × (x − E x [X])
cov(x, y ) = E x,y [x, y ] − E x [x]E y [y]
.: Ŷ = E y [y] + cov(x, y )x − E x [x]cov(x, y )
Ŷ = cov(x, y )x + E y [y] − E x [x]cov(x, y )
para Y = 7x − 0, 5
cov(x, y ) =7
0, 5 = 7E x [X] − E y [y]
. Distribuição Geométrica:
E x (x) = −1+2√5 = 1, 618
0, 5 = 7E x [X] − E y [y]
0, 5 = 7 × 1, 618 − E y [y]
E y [y] = 10, 826
.: cov(x, y ) = E x,y [x, y ] − E x [x]E y [y]
7 = E x,y [x, y ] − 1, 618 × 10, 826
E x,y [x, y ] = 24, 518
. Distribuição de Poisson:
λ = 1 e E x [X] = 1
0, 5 = 7E x [X] − E y [y]
0, 5 = 7 × 1 − E y [y]
E y [y] = 6, 5
.: cov(x, y ) = E x,y [x, y ] − E x [x]E y [y]
7 = E x,y [x, y ] − 1 × 6, 5
E x,y [x, y ] = 13, 5

3. Exercício 6.25 do Capítulo 6 do livro Intuitive Probability and

Random Processes using MATLAB de Stephen M. Kay, Springer,
2006.

DADOS:
. PMF simétrico com px[− k ] = px[k] para k = ...,− 1, 0, 1, ...
. Provar que todos os eventos de ordem ímpar, E [X] , são zero.

RESOLUÇÃO:
px[− k ] = px[k]
 +∞
E [X] = ∑ px[k]k
−∞
+∞
E [X n ] = ∑ px[k]k n
−∞
k=−1 ∞
E [X ] = ∑ px[k]k + ∑ px[k]k n + (0 × px[0])
n n

−∞ k=1
∞ ∞
E [X n ] = ∑ px[− k ](− k n ) + ∑ px[k]k n
k=1 k=1
- px[− k ] = px[k] :
∞
E [X ] = ∑ px[k](− k n + k n )
n
k=1
∞
E [X n ] = ∑ px[k](k n (1 + (− 1)n ))
k=1
- Para n > 0 :
∞
E [X n ] = ∑ 2px[k]k n , se n > 0
k=1
- Para n < 0 :
E [X n ] = 0 , se n < 0

4. Exercício 6.29 do Capítulo 6 do livro Intuitive Probability and

Random Processes using MATLAB de Stephen M. Kay, Springer,
2006.

DADOS:
. Determinar a v​ariância de uma variável aleatória binomial pelas
propriedades da função característica
OBS,: P​ode-se assumir o conhecimento da função característica para
uma variável aleatória binomial.

RESOLUÇÃO:
Função Característica:
θx (t) = E (eitx )
θx (⍵) = E (eitx )
𝑥 ~ 𝑏𝑖𝑛 (𝑛, 𝑝)
m
θx (⍵) = [pej⍵ + (1 − p)]
Variância:
 v ar(x) = E (x2 ) − E ²(x)
n
1 d θx (⍵)
E (x) = j n d⍵n
|⍵ = 0
2
p/ E (x) = 1j dθd⍵ x (⍵)
| e E(x²) = 1 d θx (⍵)
|
j 2 d⍵2
assim:
1 dθx (⍵)
E (x) = j d⍵
|⍵ =0
E (x) = pm
2
1 d θx (⍵)
e E (x²) = |⍵ =0
j 2 d⍵2
E (x²) = pm(p(m − 1) + 1)
.: v ar(x) = E (x2 ) − E ²(x)
v ar(x) = pm(pm − p + 1)m²p²
v ar(x) = pm(pm − p + 1 − pm)
v ar(x) = pm(1 − p)

5. Exercício 7.21 do Capítulo 7 do livro Intuitive Probability and

Random Processes using MATLAB de Stephen M. Kay, Springer,
2006.

DADOS:
. Conjunto PMF

tendo a + b + c + d =1
. Mostrar q​ue uma condição necessária para que as variáveis aleatórias
sejam independentes é ad = bc
OBS.: usar a Tabela 7.5, como referência, do livro Intuitive
Probability and Random Processes using MATLAB de Stephen M.
Kay, Springer, 2006.

RESOLUÇÃO:
 px,y [i, j ] = px [i] × py [j] para x e y serem independentes.
sendo:
px [x = 0] = a + b
py [y = 0] = c + d
px [x = 1] = a + c
py [y = 1] = b + d
com
b
a
= (a+b)(b+d)
(a+b)(a+c)
= b+d
a+c
d (c+d)(b+d) b+d
c
= (c+d)(a+c)
= a+c
b
.: a
= dc
ad = cd

6. Exercício 7.49 do Capítulo 7 do livro Intuitive Probability and

Random Processes using MATLAB de Stephen M. Kay, Springer,
2006.

DADOS:
. Determinar o coeficiente de correlação de um conjunto PMF.
. Simule no computador um programa para gerar ​realizações  do 
vetor aleatório (X, Y) e estime o coeficiente de correlação.

RESOLUÇÃO:
- anexo ao código do MATLAB