Va Univariadas

Variaveis Aleatorias Unidimensionais e Aplica coes
em Engenharia de Teleinformatica
Guilherme de Alencar Barreto
guilherme@deti.ufc.br
Grupo de Aprendizado de M aquinas GRAMA
Programa de P os-Gradua c ao em Engenharia de Teleinformatica
Universidade Federal do Cear a UFC
http://www.deti.ufc.br/guilherme
c G. A. Barreto Vari aveis Aleat orias Unidimensionais e Aplica c oes em Engenharia
Conteudo da Apresenta cao
1
Objetivo Geral
2
Deni cao de Variavel Aleatoria
3
Fun cao Distribui cao de Probabilidade Acumulada (FDA) e
suas Propriedades
4
Fun cao Densidade de Probabilidade (FDP) e suas
Propriedades
5
Fun coes de Variaveis Aleatorias Unidimensionais
6
Algumas FDPs Importantes em Teleinformatica
7
Exemplos no Matlab/Octave
Pre-Requisitos
1
Experimento Aleatorio, Espa co Amostral e Eventos
2
Deni coes de Probabilidade: Classica e Freq uentista
3
Probabilidade Marginal e Condicional
4
Probabilidade Conjunta
5
No coes de Matlab/Octave/Scilab
Objetivo Geral
Objetivo Geral da Aula
Denir conceitos relacionados à quantica cao (modelagem)
probabilstica de eventos numericos associados a problemas e
aplica coes pr oprias da Engenharia de Teleinformatica.
Referencias Importantes
1
A. Papoulis & S. U. Pillai (2001). Probability, Random
Variables and Stochastic Processes, 4a edi cao, McGraw-Hill.
2
R. G. Brown & P. Y. C. Hwang (1992). Introduction to
Random Signals and Applied Kalman Filtering, John Wiley &
Sons.
3
W. W. Hines et al. (2006). Probabilidade e Estatstica na
Engenharia, Editora LTC, 4a. edi cao.
4
A. Hyvarinen, J. Karhunen & E. Oja (2001). Independent
Component Analysis, John Wiley & Sons.
5
G. A. Barreto - Notas de Aula disponveis em
http://www.deti.ufc.br/guilherme.
Parte I
Conceitos e Fundamentos
Variaveis Aleatorias Unidimensionais
ALEA JACTA EST
Tradu cao: Os dados estao lan cados!
General romano J ulio Cesar ao tomar a decisao de cruzar com suas
legioes o rio Rubicao, que delimitava a divisa entre a Galia ao sul
do Alpes e o territorio da Italia.
No cao Geral
Grosso modo, uma variavel aleatoria pode ser entendida como o
resultado numerico de um experimento (e.g. medi cao) que esta
sob a inuencia de um ou mais mecanismos nao-determinsticos,
em geral desconhecidos e sobre os quais tem-se controle limitado.
Ao contrario da pratica comum com outras variaveis
matematicas, uma variavel aleatoria nao pode ter um unico
valor associado.
Uma variavel aleatoria nao descreve o valor atual de uma
realiza cao de um evento (experimento) particular, mas
descreve a possvel, ainda que indeterminado, resultado em
termos de n umeros reais.
Espa cos Amostrais e Eventos
A descri cao do espa co amostral de um experimento aleatorio
nao requer que um resultado individual seja um n umero.
Por exemplo, o espa co amostral S correspondente ao
lan camento de dois dados honestos, um verde (A
i
) e um
vermelho (B
j
), pode ser denido como
S = {(A
i
, B
j
)}, i, j = 1, . . . , 6.
em que A
i
denota a i-esima face do dado verde e B
j
simboliza a j-esima face do dado vermelho.
Espa cos Amostrais e Eventos (cont.-1)
O espa co amostral S correspondente ao lan camento de uma
moeda honesta tres vezes seguidas e denido como
S = {CCC, CCK, CKC, CKK, KCC, KCK, KKC, KKK}
em que C = coroa e K = cara.
A representa cao dos resultados dos exemplos anteriores e
simb olica.
Uma representa cao e dita simb olica quando nao podemos
utiliza-la para realizar opera coes matematicas.
Por exemplo, a soma do resultado CCC com KKK nao faz
sentido algum.
Espa cos Amostrais e Eventos (cont.-2)
Na pratica, entretanto, muitos problemas de interesse para
ETI requerem que os resultados sejam representados em
forma n umerica.
A representa cao de um resultado e dita numerica quando
podemos utiliza-la para realizar opera coes matematicas.
Pergunta Importante?
E possvel sair de uma representa cao simb olica de eventos

probabilsticos para uma representa cao numerica mais condizente
com a realidade da Engenharia?
Deni cao de Variavel Aleatoria
Considere um experimento aleatorio com espa co amostral S.
Seja A um elemento qualquer de S, ou seja, A S.
Uma variavel aleatoria X(A) e uma fun cao escalar que atribui
um n umero real a cada elemento A S.
S
A
R
X
X(A)
Variaveis aleatorias
Denicao Formal
Variavel aleatoria (VA) e qualquer fun cao denida no espa co
amostral S tal que:
{X : S R, tal que x = X(A) R, A S} (1)
Note que:
1
Domnio da fun cao X e S.
2
Imagem da fun cao X e a reta dos n umeros reais.
3
Como toda fun cao, a cada resultado A S corresponde
exatamente um valor x = X(A). Ou seja, X e uma fun cao
sobrejetora.
4
Porem, valores diferentes de A podem levar ao mesmo x.
Exemplo 1: Lan camento de uma Moeda Honesta
Representa cao Simb olica: S = {cara, coroa}.
Representa cao Numerica: X(cara) = 0 e X(coroa) = 1.
Logo, o conjunto-imagem de X e R
X
= {x : x = 0, 1}.
Exemplo 2: Lan camento de Uma Moeda Honesta Tres Vezes
S = {CCC, CCK, CKC, CKK, KCC, KCK, KKC, KKK}.
Seja X o numero de caras, entao:
X(CCC) = 0, X(CCK) = 1, X(CKC) = 1
X(CKK) = 2, X(KCC) = 1, X(KCK) = 2
X(KKC) = 2, X(CKK) = 3
Exemplo 2 (continua cao)
Atencao!
Quando o resultado em S ja e a caracterstica numerica desejada,
entao
x = X(A) = A (fun cao identidade) (2)
Exemplo 3: Tempo ate primeira falha de um equipamento
S = {t : t R, t 0}.
Se X e o tempo ate a (primeira) falha do equipamento, entao
x = X(t) = t (3)
Observa coes Importantes
Pela deni cao dada, uma VA nao e uma variavel de fato, mas
sim uma fun cao.
Na pratica, consideramos como VA qualquer grandeza cujo
valor esta sujeito a varia coes (utua coes) aleatorias.
Essas utua coes aleatorias recebem o nome generico de rudo
aleatorio.
Por exemplo, o valor teorico (nominal) da tensao em uma
tomada da sua casa e 220 Volts.
Contudo, se formos medir com o instrumento adequado, pode
ser que nao observemos exatamente este valor. Por que
mesmo?
Observa coes Importantes (cont.-1)
Por causa das utua coes aleatorias, que podem ter uma serie
de causas, tais como
1
Carga eletrica pendurada na rede de energia.
2
Aferi cao inadequada do equipamento de medi cao.
3
Localiza cao de sua casa ao longo da linha de transmissao.
4
Falha na rede de distribui cao.
5
Erro do operador, dentre outras causas.
O melhor que podemos fazer e tentar diminuir a inuencia
que os fenomenos fsicos que causam as utua coes exercem
sobre o processo de medi cao da variavel.
Observa coes Importantes (cont.-2)
E util entender a deni cao de VA atraves das seguintes

associa coes:
1
A variavel a ser medida e representada por X. Esta variavel e
aleat oria devido a utua c oes que distorcem o seu valor.
2
As utua c oes sao, na verdade, sao resultantes de um
acontecimento aleat orio que ocorrem em S, cujo resultado nao
sabemos de antemao.
3
Podemos armar que S e o espa co do eventos
nao-observaveis.
4
Um evento qualquer em S e simbolizado por A. E o efeito da
ocorrencia de A no mundo observavel e representado pelo
valor medido X(A), que e o valor mostrado pelo equipamento.
Eventos Denidos em Termos de Variaveis Aleatorias
Se X e uma VA e x e um n umero real xo, podemos denir o
evento (X = x) como
(X = x) = {A : X(A) = x}. (4)
De modo semelhante, para n umeros xos x, x
1
e x
2
, tal que
x
1
< x
2
, podemos denir os seguintes eventos:
(X x) = {A : X(A) x} (5)
(X > x) = {A : X(A) > x} (6)
(x
1
< X x
2
) = {A : x
1
< X(A) x
2
} (7)
Probabilidades em Termos de Variaveis Aleatorias
Os eventos anteriores tem probabilidades que sao denotadas
da seguinte forma:
P(X = x) = P{A : X(A) = x} (8)
P(X x) = P{A : X(A) x} (9)
P(X > x) = P{A : X(A) > x} (10)
P(x
1
< X x
2
) = P{A : x
1
< X(A) x
2
} (11)
Variaveis Aleatorias Contnuas e Discretas
Uma VA e dita discreta se ela puder assumir apenas valores
(nveis) especcos.
Uma forma de identicar uma variavel aleatoria discreta e
atraves do conjunto universo de X. Se este conjunto for
enumeravel
a
, nito ou innito, entao X e uma VA discreta.
Uma VA e dita contnua se ela puder assumir qualquer valor
dentro de seu conjunto universo.
Uma forma de identicar uma variavel aleatoria discreta e
atraves do conjunto universo de X. Se este conjunto for
nao-enumeravel, entao X e uma VA contnua.
a
Um conjunto e dito enumeravel se os seus elementos puderem ser
colocados em correspondencia um-para-um com os n umeros naturais.
Exemplo Resolvido 1
Seja X a soma dos n umeros das faces resultantes do
lan camento de dois dados honestos.
Se A
i
e a face resultante de um dos dados e B
j
e a face
resultante para o outro, entao X = i +j.
Assim, as probabilidades para os possveis valores de X sao:
P(X = 2) = P{(1, 1)} = 1/36
P(X = 3) = P{(1, 2), (2, 1)} = 2/36
P(X = 4) = P{(1, 3), (3, 1), (2, 2)} = 3/36
P(X = 5) = P{(1, 4), (2, 3), (3, 2), (4, 1)} = 4/36
P(X = 6) = P{(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)} = 5/36
P(X = 7) = P{(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)} = 6/36
P(X = 8) = P{(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)} = 5/36
P(X = 9) = P{(3, 6), (4, 5), (5, 4), (6, 3)} = 4/36
P(X = 10) = P{(4, 6), (5, 5), (6, 4)} = 3/36
P(X = 11) = P{(5, 6), (6, 5)} = 2/36
P(X = 12) = P{(6, 6)} = 1/36
Exemplo de Variavel Aleatorias
S o porque uma VA tem um comportamento pontualmente
imprevisvel, isto nao quer dizer que seu comportamento
global nao obede ca certos padroes numericos.
Estes padroes reetem como o valor de uma certa grandeza
fsica se distribui na reta dos n umeros reais.
Ha diferentes padroes de distribui cao de valores de uma VA.
Estes padroes sao formalizados matematicamente na forma de
leis probabilsticas, que quanticam as probabilidades de
ocorrencia de valores de uma certa VA:
1
Fun cao Distribui cao de Probabilidade Acumulada (FDA)
2
Fun cao Densidade de Probabilidade (FDP)
Parte II
Fun cao Distribui cao de Probabilidade Acumulada
Funcao Distribuicao de Probabilidade Acumulada (FDA)
Denicao
F
X
(x) P(X x) , < x < (i.e. x R) (12)
em que P() signica probabilidade.
Exemplo: FDA Uniforme
F
X
(x) =
_
_
_
0, se x a
xa
ba
, se a < x b
1, se x > b
F
X
(x)
x
a b
0
1
Propriedades da FDA
1
F
x
(x) 0, x
2
F
X
() = P(X ) = lim
x
P(X x) = 0
3
F
X
(+) = P(X +) = lim
x+
P(X x) = 1
4
P{x
1
X x
2
} = F
X
(x
2
) F
X
(x
1
)
5
P(X > x
1
) = 1 F
X
(x
1
)
6
A FDA e nao-decrescente.
Se x
1
x
2
, entao F
X
(x
1
) F
X
(x
2
)
7
A FDA e contnua à direita. Isto e, para todo x e todo < 0,
lim
0
[F
X
(x +) F
X
(x)] = 0.
Exemplo Resolvido 2
A FDA para o Exemplo Resolvido 1 e mostrada abaixo.
2 0 2 4 6 8 10 12 14 16
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
X
F
X
(
x
)
Parte III
Fun cao Densidade de Probabilidade
Funcao Densidade de Probabilidade (FDP)
Denicao
f
X
(x)
d
dx
F
X
(x) , x R (13)
Exemplo: FDA e FDP Uniforme
F
X
(x)
x
a b
0
1
f
X
(x)
x
a b
0
1
ba
Propriedades da FDP
1
F
X
(x) =
x
_
f
X
() d
2
f
X
(x) 0, para todo x R.
3
Pr(a X b) =
_
b
a
f
X
(x)dx = F
X
(b) F
X
(a), para a < b.
4
_
f
X
(x)dx = 1.
5
f
X
(x) e contnua por partes.
As propriedades de uma FDP sao melhor compreendidas se
lembrarmos que uma FDP e obtida da derivada de uma FDA!
Propriedades da FDP (cont.-1)
Por exemplo, a Propriedade 3 estabelece que a area sob a
curva no intervalo a X b corresponde exatamente à
probabilidade de X assumir valores neste intervalo.
f (x)
X
< < a X b ( ) P
X
x = a x = b
Propriedades da FDP (cont.-2)
A Propriedade 4 pode ser inferida a partir da Propriedade 3 ao
fazermos a = e b = :
Pr( X ) =
_

f
X
(x)dx
= F
X
() F
X
() (14)
= 1 0 = 1
Funcao Massa de Probabilidade (FMP)
Deni cao
Seja X uma VA discreta, em que associamos o n umero
p
X
(x
i
) = P(X = x
i
)
a cada valor x
i
, i = 1, 2, . . . , n, . . ..
Estes n umeros p
X
(x
i
) satisfazem as seguintes condi coes:
1
p
X
(x
i
) 0, para todo i.
2
i=1
p
X
(x
i
) = 1.
Deni cao
De imediato, podemos perceber que
p
X
(x
i
) = F
X
(x
i
) F
X
(x
i1
) (15)
e que
F
X
(x
i
) = P
X
(X x
i
) =
xx
i
p
X
(x). (16)
A Eq. (15) e chamada de Fun cao Massa de Probabilidade, ou
simplesmente, FMP.
A Eq. (15) equivale à FDP, so que para VAs discretas.
Exemplo Resolvido 3
A FMP do Exemplo Resolvido 1 e mostrada abaixo.
x
i
2 3 4 5 6 7 8 9 10 11 12
p
X
(x
i
)
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
2 4 6 8 10 12
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
X
i
p
X
(
x
i
)
Parte IV
Media e Variancia de Variaveis Aleatorias
Motivacao
A dupla FDA-FDP (VAs contnuas), assim como a dupla
FDA-FMP (VAs discretas), sao muito importantes para
caracterizar o comportamento qualitativo de uma variavel
aleatoria.
Em muitas ocasi oes, contudo, precisamos descrever o
comportamento quantitativo da VA de interesse.
Para isso, introduziremos aqui duas medidas descritivas
amplamente utilizadas na pratica: a media e a variancia de
uma variavel aleatoria.
Deni cao de Media de uma VA
A media (ou valor esperado) de uma VA, representada pela
letra grega , e denida como:
=
i
x
i
p
X
(x
i
), para X discreta, (17)
ou
=
_

xf
X
(x)dx, para X contnua. (18)
em que p
X
(x
i
) e a FMP e f
X
(x) e a FDP da VA de interesse.
Note que a media de uma VA e a soma (integral) dos
possveis valores que a variavel pode assumir ponderados pela
respectiva FMP (FDP).
Exemplo Resolvido 4: Calcular o valor medio da VA discreta do
Exemplo Resolvido 3
Para isso, usaremos a Eq. (17). Assim,
=
11
X
i=1
x
i
p
X
(x
i
)
= 2
1
36
+ 3
2
36
+ 4
3
36
+ 5
4
36
+ 6
5
36
+ 7
6
36
+
+8
5
36
+ 9
4
36
+ 10
3
36
+ 11
2
36
+ 12
1
36
= 7
Exemplo Resolvido 5: Qual a rela cao entre media aritmetica e a
deni cao da Eq. (17)?
Considere que os N valores de x
i
para um certo problema sao
equiprovaveis.
Neste caso, a FMP reduz-se à seguinte expressao:
p
X
(x
i
) =
1
N
, i = 1, 2, ..., N
Portanto, o valor esperado de X passa a ser escrito como:
=
11
i=1
x
i
p
X
(x
i
) =
1
N
N
i=1
x
i
= x, i = 1, 2, ..., N (19)
que e a conhecida expressao da media aritmetica!
Deni cao de Variancia de uma VA
A variancia de X, representada por
2
:
2
=
i
(x
i
)
2
p
X
(x
i
), para X discreta, (20)
ou
2
=
_

(x )
2
f
X
(x)dx, para X contnua.(21)
A variancia e uma medida da dispersao de X em torno de .
Variancia alta (baixa) implica grande (pequena) dispers ao de
X em torno de .
Comentarios Importantes sobre a Variancia de uma VA
Quando
2
e alta, a VA tera alta probabilidade de assumir
valores muito diferentes (muito maiores ou muito menores)
que o seu valor medio.
Uma variancia pequena indica que valores muito diferentes
(para cima ou para baixo) sao pouco provaveis de ocorrer.
A unidade de
2
nao e a mesma de X. Se X esta em Volts,
entao
2
esta em (Volts)
2
.
Para se ter uma ideia do grau de dispersao de X na mesma
unidade metrica, dene-se uma outra medida chamada
desvio-padrao de X:
=
2
(22)
Comentarios Importantes sobre a Variancia de uma VA (cont.-1)
Formas alternativas (e bastante uteis na pratica) para se
calcular a variancia de uma VA sao dadas por:
2
=
i
x
2
i
p
X
(x
i
)
2
, para X discreta, (23)
ou
2
=
_

x
2
f
X
(x)dx
2
, para X contnua.(24)
Exemplo Resolvido 6: Determine para uma FDP Uniforme
Considerando X uma VA uniforme contnua no intervalo
[a, b], temos que sua FDP e dada por:
f
X
(x) =
1
b a
, a x b
Logo,
=
1
b a
_
b
a
xdx =
b
2
a
2
2(b a)
=
(b +a)(b a)
2(b a)
=
(a +b)
2
Exerccio Proposto
Mostre que a variancia
2
de uma VA contnua uniforme no
intervalo [a, b] e dada por:
2
=
(b a)
2
12
Dicas: Usar a Eq.(24) e o seguinte produto notavel:
b
3
a
3
= (b a)(a
2
+ab +b
2
)
Exemplo Resolvido 7: Obten cao da formula da variancia amostral
Considere que foram medidos N valores de x
i
para um certo
problema. Sem conhecimento previo sobre a FDP/FMP desta
VA assumimos que as observa coes x
i
sao equiprovaveis:
p
X
(x
i
) =
1
N
, i = 1, 2, ..., N
Portanto, a variancia das observa coes x
i
da VA X passa a ser
escrito como:
2
=
11
i=1
(x
i
)
2
p
X
(x
i
)
1
N
N
i=1
(x
i
x)
2
= s
2
em que s
2
denota a variancia amostral de X.
FDA no Matlab
Exemplo Computacional 2
Gerar observa coes de uma VA contnua uniformemente
distribuda no intervalo (2,10) no Matlab/Octave:
>> a=2; b=10; % intervalo da distribuicao
>> N=5000; % No. de observacoes desejadas
>> X=unifrnd(a,b,N,1); % gera VAs uniformes
Calcular a media e a variancia amostral:
>> mi=mean(X); % media amostral
mi = 6.0358
>> s2=var(X,1); % variancia amostral
s2 = 5.3481
Desigualdade de Chebyshev
TEOREMA: Seja X uma variavel aleatoria qualquer, discreta
ou contnua, com media e variancia
2
. Seja k um n umero
inteiro positivo. Assim, pode-se armar que
Pr (|X | k)
1
k
2
(25)
A desigualdade de Chebyshev fornece uma maneira de
compreender como a variancia serve para determinar a
probabilidade de ocorrencia de desvios em torno da media .
Na pratica, substitumos e
2
na Eq. (25) por x e s
2
.
Desigualdade de Chebyshev (cont.-1)
Formas alternativas de se escrever a desigualdade de
Chebyshev sao dadas a seguir:
Pr (|X | < k) 1
1
k
2
(26)
ou
Pr ( k < X < +k) 1
1
k
2
(27)
A utilidade da desigualdade de Chebyshev advem do fato de
ela nao impor condi cao alguma à distribui cao de X, bastando
apenas conhecer e
2
.
Exemplo Resolvido 8: Desigualdade de Chebyshev
Enunciado: A gerente de uma loja nao conhece a distribui cao de
probabilidade do tempo necessario para completar uma ordem de
compra. No entanto, do desempenho passado ela pode estimar a
media e a variancia como 14 dias e 2 (dias)
2
, respectivamente.
Ache um intervalo tal que a probabilidade de uma ordem ser
completada dentro desse perodo seja, pelo menos, 0,75.
Solucao: Usando a Eq. (27), chegamos a:
1
1
k
2
=
3
4
k = 2
Da, chegamos ao intervalo [14 2
2, 14 + 2
2].
Parte V
Outras Medidas de Tendencia Central e Dispersao
Introdu cao
Sao necessarios dois tipos de medida para descrever
adequadamente um conjunto de dados.
Medidas de tendencia central fornecem informa cao quanto ao
meio de um conjunto de n umeros.
A media e uma medida de tendencia central.
Medidas de dispersao indicam se os valores estao
relativamente pr oximos uns dos outros ou separados.
A variancia ou o desvio-padrao sao medidas de dispersao.
Porem existem varias outras medidas, cujas as mais
importantes iremos detalhar a seguir.
Medidas de Tendencia Central
Medidas de tendencia central sao usadas para indicar um valor
que tende a tipicar, ou a representar melhor, um conjunto
de n umeros.
As tres medidas mais usadas sao a media, mediana e a
moda.
Mas existem ainda varias outras de interesse para o analista
de dados, tais como media podada, media ponderada, media
harmonica e media geometrica.
Media Aritmetica (MA ou x)
A media de um conjunto de n umeros (amostra ou dados
amostrais), {x
1
, x
2
, ..., x
n
}, e representada pelo smbolo x
(leia-se x barra), sendo calculada pela seguinte expressao
x =
n
i=1
x
i
n
(28)
A Eq. (28) e um caso especial da media de uma variavel
aleatoria discreta ja discutida na Eq. (19)s.
A media aritmetica e a ideia que ocorre à maioria das pessoas
quando se fala em media.
A media aritmetica possui certas propriedades matematicas
convenientes, sendo por isso a mais importante das medidas
de tendencia centra que estudaremos.
Propriedades da Media Aritmetica
1
A media de um conjunto de n umeros pode sempre ser
calculada e e unica.
2
A media e afetada por todos os valores do conjunto: se um
valor se modica, a media tambem se modica.
3
Somando-se (ou subtraindo-se, ou multiplicando-se, ou
dividindo-se) uma constante a cada valor do conjunto, a
media cara aumentada do valor dessa constante.
4
A soma dos desvios dos n umeros de um conjunto em rela cao à
media e zero:
n
i=1
(x
i
x) = 0
Media Ponderada
A formula anterior para calcular a media aritmetica sup oe que
cada observa cao tenha a mesma importancia. Embora este
seja o caso mais geral, ha exce coes. Nestes casos, usamos a
formula da media ponderada:
MP = media ponderada =
n
i=1
w
i
x
i
n
i=1
w
i
, (29)
em que w
i
> 0 e o peso do i-esimo valor.
Media Ponderada (exemplos)
Suponha que em uma turma de alunos havera 3 avalia c oes no
semestre. As duas primeiras tem peso 0,3 (i.e. valem 30% do total
de pontos do curso) e a ultima tem peso 0,4.
Um aluno com as seguintes notas: 80 (primeiro exame), 90
(segundo exame) e 96 (exame nal), tera a seguinte nota nal:
MP =
0, 30(80) + 0, 30(90) + 0, 40(96)
0, 30 + 0, 30 + 0, 40
= 89, 4
Em outro curso ha um exame no meio do semestre e um exame
nal, este com o dobro do peso daquele. Um aluno com notas 95
(primeiro exame) e 89 (exame nal) tera a seguinte media nal:
MP =
1(95) + 2(89)
1 + 2
= 91, 0
Mediana
A mediana de um conjunto de n umeros e o valor que e maior
que uma metade dos valores e menor que a outra metade.
O algoritmo para determinar a mediana e o seguinte:
1
Ordenar os valores.
2
Vericar se ha um numero mpar ou par de valores.
3
Para um numero mpar de valores,a mediana e o valor do meio.
Para um numero par de valores, a mediana e a media dos dois
valores do meio.
Por exemplo, a mediana do conjunto {5, 6, 8} e 6, pois e valor
do meio. Para o conjunto {7, 8, 9, 10} e (8 + 9)/2 = 8,5.
Mediana versus Media Aritmetica
A media e inuenciada por cada valor do conjunto, em
especial pelos valores extremos (i.e. valores muito baixos ou
muito altos).
Por outro lado, a mediana e relativamente insensvel aos
valores extremos.
A media possui certas propriedades matematicas que a tornam
atraente.
A etapa de ordena cao dos dados no calculo da mediana requer
custo computacional adicional, podendo torna-se alta para
grande quantidade de dados.
O calculo da mediana nao da para ser feito com um maquina
de calcular simples, ao contrario do que ocorre com a media
aritmetica.
Moda
A moda e o valor que ocorre com mais freq uencia em um
conjunto de n umeros.
Por exemplo, para o conjunto {10, 10, 8, 6, 10}, a moda e
igual a 10, pois o mesmo ocorre 3 vezes.
Comparando com a media e a mediana, a moda e a menos
util das medidas de tendencia central, porque nao se presta à
analise matematica, ao contrario do que ocorre com as outras
duas medidas.
De um ponto de vista puramente descritivo, a moda indica o
valor tpico em termos da maior ocorrencia.
Quando todos ou quase todos os valores ocorrem
aproximadamente com a mesma freq uencia,a moda nada
acrescenta em termos de descri cao dos dados.
Media Truncada
A media truncada (ou podada) e a media aritmetica dos
valores restantes ap os o descarte de uma certa quantidade dos
maiores e menores valores do conjunto.
Esta deni cao de media e util porque sabe-se que a media
aritmetica e muito inuenciada por valores extremos.
Por exemplo, para o conjunto {2, 5, 3, 3, 4, 7, 12}, a media
aritmetica e igual a 5,1429, enquanto a media truncada e igual
4,4, ap os o descarte do menor valor (2) e do maior valor (12).
Media Geometrica
A media geometrica (MG) de um conjunto de n n umeros e
obtida por meio da seguinte formula:
MG =
n
_
n
i=1
x
i
= (x
1
x
2
x
n
)
1
n
. (30)
A media geometrica de um conjunto de n umeros e sempre
menor ou igual à media aritmetica dos membros desse
conjunto.
As duas medias sao iguais se e somente se todos os membros
do conjunto sao iguais.
Media Harmonica
A media harmonica (MH) de um conjunto de n n umeros e
obtida por meio da seguinte formula:
MH =
n
1
x
1
+
1
x
2
+ +
1
x
n
=
1
1
n
n
i=1
1
x
i
, (31)
para x
i
> 0 para todo x
i
A MH nunca e maior do que a MG ou do que a MA (i.e.
MH MG MA).
Utiliza-se a MH quando se este tratando de observa coes de
grandezas inversamente proporcionais, tais como velocidade e
tempo.
Exemplo 1: Media Harmonica ou Aritmetica?
Determinar a velocidade media de um autom ovel que viajou
metade da distancia a 40 Km\h e a outra metade a 60 Km\h.
Solu cao:
Pode-se mostrar que a solu cao desse problema e dada pela media
harmonica das velocidades em cada metade do percurso, ou seja:
v =
2
1
40
+
1
60
=
2 40 60
40 + 60
= 48 Km\ h (32)
Exemplo 2: Media Harmonica ou Aritmetica?
Determinar a velocidade media de um autom ovel que viajou
metade do tempo do percurso a 40 Km\h e a outra metade a 60
Km\h.
Solu cao:
Neste caso, pode-se mostrar que a solu cao desse problema e dada
pela media aritmetica das velocidades em cada metade do tempo,
ou seja:
v =
40 + 60
2
= 50 Km\ h (33)
Intervalo
O intervalo de um grupo de n umeros e a medida de dispersao
mais simples de calcular e entender, pois focaliza o maior
(x
max
) e o menor (x
min
) valor no conjunto .
O intervalo pode ser expresso de duas maneiras:
1
A diferen ca entre o maior e o menor valor: x
max
x
min
.
2
O maior e o menor valor no conjunto: [x
min
, x
max
].
3
Por exemplo, para o conjunto {1, 10, 25}, a diferen ca entre o
maior e o menor valor e 25-1=24. Alternativamente, pode-se
dizer que o intervalo de valores vai de 1 a 25.
4
Note que o mero conhecimento de que um intervalo de um
conjunto de numeros e 44 nao nos diz nada a respeito dos
numeros em si.
5
Porem, dizer que o intervalo vai de 300 a 344 ja nos da uma
informa cao adicional sobre a magnitude dos numeros.
Desvio Medio Absoluto (DMA)
O desvio medio absoluto (DMA) mede o desvio medio dos
valores em rela cao à media do grupo, ignorando o sinal do
desvio, sendo calculado pela seguinte formula:
DMA =
n
i=1
|x
i
x|
n
, (34)
em que |u| e o valor absoluto (m odulo) de u.
Esta medida so tem signicado devido à presen ca da fun c ao
valor absoluto, caso contrario seu valor sera sempre zero.
Existem fun coes prontas no Matlab/Octave que calculam todas as
medidas de tendencia central e dispersao vistas.
Medida Comando
Media aritmetica mean
Media geometrica geomean
Media harmonica harmmean
Media truncada trimmean
Mediana median
Moda mode
Variancia var
Desvio-padrao std
Intervalo min e max
Desvio medio absoluto mad
Exemplo Numerico no Matlab/Octave
>> X = [2 5 3 3 4 7 12];
Comando Valor
mean(X) 5.1429
geomean(X) 4.3660
harmmean(X) 3.7984
trimmean(X,20) 4.4000
median(X) 4
mode(X) 3
var(X,1) 10.1224
std(X,1) 3.1816
min(X), max(X) 2,12
mad(X) 2.4898
Parte VI
FDP Gaussiana e Propriedades
FDP Gaussiana ou Normal
Deni cao
Uma VA contnua e chamada de normal ou gaussiana se
sua FDP e dada por:
f
X
(x) =
1
2
exp
_
(x )
2
2
2
_
(35)
Conforme e de se esperar:
_

f
X
(x)dx = 1 e
_
b
a
f
X
(x)dx = Pr(a X b) (36)
Graco da Fun cao Gaussiana
A m de tra car um esbo co do graco da fun cao gaussiana,
precisamos determinar a primeira e a segunda da fun cao
mostrada na Eq. (35).
A derivada primeira da Eq. (35) e dada por:
f
X
(x) =
df
X
(x)
dx
=
1
2
3
exp
(x )
2
2
2
(x ) (37)
A derivada segunda da Eq. (35) e dada por:
f
X
(x) =
1
2
3
"
exp
(
(x )
2
2
2
)
(1)
(x )
2
2
exp
(
(x )
2
2
2
)#
=
1
2
3
exp
(
(x )
2
2
2
)"
1
(x )
2
2
#
(38)
Ao fazermos f
X
(x) = 0, resulta que f
X
(x) tem um valor
maximo para x = , dado por
f
X
() =
1
2
. (39)
Este valor corresponde a um maximo de f
X
(x) porque:
1
Para x , os valores assint oticos de f
X
(x) sao zero.
2
A fun cao f
X
(x) cresce para x (, ), ou seja
f
X
(x) > 0, para x < . (40)
3
A fun cao f
X
(x) decresce para x (, +), ou seja
f
X
(x) < 0, para x > . (41)
Os pontos de inexao de f
X
(x) sao aqueles em que
f
X
(x) = 0, o que leva à seguinte expressao:
1
(x )
2
2
= 0 (x )
2
=
2
(42)
Ao resolver essa expressao, obtemos dois pontos de inexao:
1
x = x = +.
2
x = x = .
Note que f
X
(x) > 0 se
1
(x )
2
2
< 0 (x )
2
>
2
. (43)
De onde tiramos as seguintes inequa coes e suas respectivas
solu coes:
1
x > x > +.
2
x < x < .
Assim, para x (, ) e x ( +, +), a fun cao
f
X
(x) tem concavidade para cima.
Note que f
X
(x) < 0 se
1
(x )
2
2
> 0 (x )
2
<
2
. (44)
De onde tiramos as seguintes inequa coes e suas respectivas
solu coes:
1
x < x < +.
2
x > x > .
Assim, para x ( , +), a fun cao f
X
(x) tem
concavidade para baixo.
Juntando as informa coes anteriores, pode-se esbo car o graco da
FDP gaussiana para uma V.A. de media e variancia
2
.
Graco da FDP Gaussiana
Deni cao (cont.-1)
A FDP gaussiana e completamente especicada por dois
parametros:
= E[X] =
_

xf
X
(x)dx (45)
2
= E[(X )
2
] =
_

(x )
2
f
X
(x)dx (46)
Nota cao simplicada:
X N(,
2
) (47)
Deni cao (cont.-2)
E equivalente fazer uma das seguintes arma coes:

1
Uma VA X segue uma lei de distribui cao de probabilidade
dada pela fun cao gaussiana, cujos parametros sao a media
= E[X] e a variancia
2
= E[(X )
2
].
2
Uma VA X esta distribuda segundo uma FDP gaussiana de
media = E[X] e variancia
2
= E[(X )
2
].
Media da FDP Gaussiana
Lembre-se que a media de uma variavel aleatoria X e dada por
E[X] =
_

xf
X
(x)dx =
_

2
exp
_
(x )
2
2
2
_
dx
Se zermos z = (x )/, entao dx = dz. Logo,
E[X] =
_

2
( +z) exp
_
z
2
2
_
dz
=
_

2
exp
_
z
2
2
_
dz +
_

2
z exp
_
z
2
2
_
dz
Media da FDP Gaussiana (cont.)
O integrando da primeira integral e o de uma FDP gaussiana
com = 0 e
2
= 1. Logo
_

2
exp
_
z
2
2
_
dz = 1
A segunda integral tem valor zero, isto e,
_

2
z exp
_
z
2
2
_
dz =
1
2
exp
_
z
2
2
_
|
= 0
Portanto, chegamos ao seguinte resultado
E[X] = [1] +[0] =
Exerccios Complementares
Exerccio 1 - Mostrar que a variancia da FDP gaussiana e
V (X) = E[(X )
2
] =
2
.
Exerccio 2 - Mostrar que a FDP gaussiana satisfaz a seguinte
condi cao:
_

f
X
(x)dx = 1 (48)
Importancia da FDP Gaussiana
A FDP gaussiana e uma das mais importantes em ETI e em
Ciencias de um modo geral, pois e usada como modelo das
utua coes aleatorias (rudo) que distorcem valores medidos de
um determinada variavel.
Outras aplica coes da FDP gaussiana:
1
Rudos em canais de comunica c oes.
2
Robos manipuladores (repetibilidade).
3
Modelos de rudo em imagens digitais.
4
Rudos de medida em instrumenta cao eletr onica.
5
Detec cao de anomalias em Monitoramento de Processos.
FDA Gaussiana
Deni cao
A FDA de uma VA contnua e dada pela seguinte expressao:
F
X
(x) =
_
x
f
X
(u)du
=
_
x
2
exp
_
(u )
2
2
2
_
du (49)
Nao existe solu cao analtica exata para a FDA gaussiana.
Solu coes numericas aproximadas sao comumente dadas em
tabelas.
FDP e FDA Gaussianas
Gracos Genericos da FDA e FDP Gaussianas
f (x) F(x)
FDA Gaussiana
Solu coes Aproximadas da FDA Gaussiana - Parte 1
Softwares como Matlab/Octave/Scilab/Excel possuem
comandos que determinam facilmente o valor de F
X
(x) para
qualquer valor de x.
Por exemplo, suponha que X N(100, 4) e que queremos
estimar a probabilidade de que X seja menor que ou igual a
104; isto e, P(X 104) = F
X
(104).
Matlab/Octave: >> P=normcdf(104,100,sqrt(4));
Scilab: --> P=cdfnor("PQ",104,100,sqrt(4));
Excel: Usar a fun cao DIST.NORM.
FDA Gaussiana
Vamos agora abordar o problema de determinar valores de
F
X
(x) sob uma perspectiva diferente.
Suponha que temos um conjunto de N medidas de uma certa
variavel X, ou seja,
X = {X(1), X(2), X(3), . . . , X(N)}.
Vamos gerar articialmente N = 5000 medidas de uma
variavel aleatoria X N(100, 4).
Matlab/Octave: >> X=normrnd(100,sqrt(4),5000,1);
Scilab: --> X=grand(5000,1,nor,100,sqrt(4));
FDA Gaussiana
De posse do conjuntos de medidas X, vamos determinar
F
X
(104) = P(X 104) de tres maneiras diferentes.
Metodo 1: Consiste simplemente em contar quantos
elementos do conjunto X sao menores que ou iguais a 104.
No Matlab/Octave/Scilab, usamos os seguintes comandos:
>> P=length(find(X<=104))/5000;
Metodo 2: Consiste em determinar o valor buscado
diretamente no graco da FDA emprrica do conjunto X.
No Matlab usamos o comando: >> cdfplot(X);
FDP e FDA Gaussianas
FDA Gaussiana
Metodo 3: Trata-se, na verdade, do Metodo 1 implementado
como uma fun cao do Octave.
Neste caso usamos o comando:
>> P=empirical cdf(104,X);
FDP Gaussiana Padronizada
E comum trabalhar com VAs de media 0 e variancia 1.

Esta propriedade pode ser imposta a qualquer VA, se a
seguinte transforma cao de variaveis for realizada:
Z =
X
(50)
Para o caso de VAs gaussianas, i.e. Z N(0, 1), a FDP
padronizada passa a ser escrita como
f
Z
(z) =
1
2
exp
_
z
2
2
_
-3 -2 -1 0 1 2 3
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
f
Z
(
z
)
= 1
68%
95%
Entendendo a FDP Normal Padronizada
Com base no graco da FDP normal padronizada temos que:
1
68% dos valores observados de Z estarao no intervalo [-1,+1].
2
95% dos valores observados de Z estarao no intervalo [-2,+2].
Estas propriedades da FDP normal padronizada podem, por
exemplo, ser usadas para detec c cao de observa coes atpicas
(anomalias em equipamentos ou processos industriais).
Aplica cao em Detec cao de Anormalidades em Processos
Suponha que estejamos monitorando (medindo e
armazenando) uma grandeza fsica X que representa o estado
de um processo industrial.
Se ha razoes para assumir que X N(,
2
), entao podemos
usar a seguinte regra de decisao:
SE Z =
X
/ [2, +2],
ENT
AO X e um estado anormal.
No caso de detectar alguma anormalidade, o operador deve
ser avisado (e.g. por meio de um alarme sonoro ou visual).
FDP/FDA Gaussianas no Matlab
Gerando e Visualizando VAs Gaussianas no Matlab
Gera um conjunto de observa coes de uma VA contnua
gaussiana de media e variancia
2
no Matlab:
>> mi=10; vari=2; % parametros da distribuicao
>> X=normrnd(mi,sqrt(vari),N,1); % gera VAs
gaussianas
Calcula a media e a variancia amostral:
mi = 6.0358
s2 = 5.3481
Gerando e Visualizando VAs Gaussianas no Matlab
Os comandos abaixo geram e visualizam um conjunto de
observa coes de uma VA contnua gaussiana de media = 10
e variancia
2
= 2.
>> mi=10; vari=2; % parametros da distribuicao
>> X=normrnd(mi,sqrt(vari),N,1); % VAs gaussianas
mi = 9.9907
s2 = 1.9932
>> cdfplot(X); % FDA empirica
>> histfit(X,20); % histograma de X
Graco da FDA Emprica
4 6 8 10 12 14 16
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
X
F
X
(
x
)
FDA Gaussiana Emprica
Graco da FDP Emprica (Histograma)
4 6 8 10 12 14 16
0
100
200
300
400
500
600
700
800
X
Q
u
a
n
t
i
d
a
d
e
Histograma de X
Entendendo o Histograma
Passo 1 - Calcula a media ( x) e a variancia (s
2
) amostrais de
X.
Passo 2 - Dene o domnio de X: [ x k s
2
, x +k s
2
] (e.g.
k = 5).
Passo 3 - Discretiza o domnio de X em M + 1 pontos x
i
,
i = 0, 1, ..., M.
Passo 4 - Para cada intervalo x
i
= x
i
x
i1
, i = 1, ..., M,
determinar:
C(x
i
) = No. de observa coes de X x
i
Passo 5 - Desenha o graco de barras C(x
i
) x
i
.
Parte VII
Estimacao FDA e FDP
FDA no Matlab
Exemplo Computacional 1
Gerar um conjunto de observa coes de uma VA continua
uniformemente distribuda no intervalo (0,1) no Matlab:
>> X=rand(N,1); % gera VAs uniformes
Visualiza a FDA resultante:
>> cdfplot(X) % gera grafico da FDA
FDA no Matlab
Exemplo Computacional 1 (cont.-1)
O graco resultante da FDA estimada a partir do conjunto de
N = 1000 observa coes de X e mostrado abaixo.
0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
X
F
X
(
x
)
Empirical CDF
FDA no Matlab
Olhando Dentro da Fun cao cdfplot() do Matlab
Passo 1 - Ordena em ordem crescente os valores de X.
Passo 2 - Dene o domnio de X, a partir dos valores mnimo
e maximo do conjunto de N observa coes.
Passo 3 - Discretiza o domnio de X em M + 1 pontos x
i
,
i = 0, 1, ..., M.
Passo 4 - Calcula para cada valor x
i
no domnio de X a
seguinte expressao:
F
X
(x
i
) =
No. de observa coes de X x
i
N
Passo 5 - Desenha o graco de F
X
(x
i
) x
i
, i = 0, 1, ..., M.
FDA no Matlab
Desao Matlab/Octave
A fun cao cdfplot() sempre considera que a VA e contnua.
Desenvolva uma rotina no Matlab/Octave que possa ser
usada para gerar FDAs de VA discretas!
Parte VIII
Teorema Central do Limite
O Teorema Central do Limite (TCL) e um dos resultados mais
marcantes da teoria de variaveis aleatorias. Em uma de suas
formas mais simples ele se apresenta da seguinte forma:
Seja X
1
, X
2
, . . . , X
n
um conjunto de variaveis aleatorias
independentes e identicamente distribudas (iid), cada uma com
media e variancia
2
, ou seja:
E[X
i
] = e Var[X
i
] =
2
(51)
Seja tambem uma nova variavel aleatoria denida por:
Z
n
=
X
n
n
(52)
=
X
1
+X
2
+ +X
n
n
n
(53)
Pode-se demostrar que a FDP de Z
n
tende a uma FDP gaussiana
de media zero e variancia unitaria, à medida que n , ou seja:
Z
n
N(0, 1), à medida que n (54)
Em poucas palavras, o TCL nos diz que para uma grande
quantidade n de variaveis aleatorias independentes, a variavel
aleatoria resultante da soma dessas variaveis, ou seja,
S
n
= X
1
+X
2
+ +X
n
,
sera sempre uma variavel aleatoria gaussiana, qualquer que seja a
FDP das variaveis aleatorias X
1
, X
2
, . . . , X
n
.
A implica cao pratica do TCL para a Engenharia de
Teleinformatica, se da principalmente no que diz respeito ao
tratamento dispensado a variaveis aleatorias esp urias ou
indesejadas.
Todo sistema sobre o qual fazemos medi coes, tais como
medidas de tensao e/ou corrente em um equipamento
eletro-eletr onico, esta sujeito a interferencias indesejadas,
oriundas das mais diversas fontes (e.g. indu cao
eletromagnetica).
Nao temos controle total sobre as fontes das interferencias.
Podemos ate diminuir bastante seus efeitos, por meio de
processos de ltragem, mas e difcil elimina-los
completamente.
O TCL nos fornece uma justicativa para assumir que o efeito
combinado (somatorio) destas interferencias pode ser
modelado por uma unica variavel aleatoria gaussiana, que
passaremos a chamar genericamente de rudo aditivo
gaussiano.
E importante sempre ter em mente que o rudo e, na verdade,

a manifesta cao combinada de diversas fontes internas ou
externas de interferencia esp uria que atuam no seu sistema
distorcendo as observa coes (medi coes) das variaveis de
interesse.
Na pratica, contudo, nem todo rudo presente nas medi coes e
do tipo aditivo gaussiano. Existem rudos que tem natureza
multiplicativa.
Por exemplo, em Processamento de Imagens, e comum a
presen ca de um tipo de rudo chamado Speckle. Este e o caso
em imagens geradas por radares de abertura sintetica (SAR).
Mesmo que na pratica nem todo rudo venha a ser classicado
como aditivo gaussiano, assumir inicialmente (ou seja, por
hip otese) que o rudo e gaussiano aditivo consiste numa
estrategia de modelagem muito utilizada para facilitar analises
iniciais de um certo problema.
Teorema Central do Limite (cont.)
Aten cao!
Caso o modelo probabilstico adotado para modelar o
fenomeno fsico observado nao se mostre adequado, a
hip otese de rudo gaussiano pode ser falsa e, portanto, deve
ser revista e modicada.
Entendendo o Teorema Central do Limite
A pergunta que nao sai da cabe ca!
Como e que a soma de variaveis aleatorias independentes gera
uma variavel aleatoria gaussiana?
Considere X e Y duas variaveis aleatorias independentes, cujas
FDPs sao simbolizadas por f
X
(x) e f
Y
(y), respectivamente.
Como X e Y sao independentes, tem-se que
f
XY
(x, y) = f
X
(x)f
Y
(y).
Vamos denir outra variavel aleatoria Z como a soma de X e Y :
Z = X +Y (55)
Assim, dadas as FDPs f
X
(x) e f
Y
(y), deseja-se encontrar f
Z
(z).
Seja z um certo valor xo que a variavel aleatoria Z assume.
Considere todas as combina coes possveis (i.e. lugar geometrico)
de valores de X e Y que resultam no valor z:
x +y = z y = z x (56)
que nada mais e do que a equa cao de uma reta no plano X Y
(Figura 1).
x
+z z
+z
y = z
x+y=z
y
x 0
z
x+y=
z
Figure: Faixa diferencial usada para obter f
Z
(z).
Considere uma pequena perturba cao z que altera o valor de z
para z + z. O lugar geometrico dos valores de X e Y que
resultam em z + z e tambem uma reta, conforme mostrado na
Figura 1.
E facil perceber que todos os valores de x e y dentro da faixa

diferencial V entre as duas retas geram valores de Z entre z e
z + z.
Conseq uentemente, podemos escrever a seguinte expressao para a
probabilidade de obtermos um valor de Z entre z e z + z:
P(z Z z + z) = P(x, y V)
=
_
xV
_
yV
f
XY
(x, y)dxdy
=
_
xV
_
yV
f
X
(x)f
Y
(y)dxdy (57)
Note que dentro da faixa diferencial V, os valores de y estao
restringidos pelos de x, conforme mostrado na ultima expressao da
Equa cao (56).
Notando tambem que como a largura da faixa diferencial e bem
pequena podemos reduzir a integral dupla da Equa cao (57) para
uma integral simples.
Assim, escolhendo x como a variavel de integra cao e percebendo
que dy = dz (lembre-se que y = z x), podemos escrever:
P(z Z z + z) =
_
_

f
X
(x)f
Y
(z x)dx
_
dz (58)
Note que a expressao entre colchetes na Equa cao (58) nada mais e
do que a tao desejada FDP de Z, ou seja
f
Z
(z) =
_

f
X
(x)f
Y
(z x)dx. (59)
E importante perceber que a expressao mostrada no lado direito da

Equa cao (59) e tao somente uma integral de convolu cao.
Convolu cao e uma tecnica muito utilizada em analise de circuitos
eletricos para encontrar a resposta (forma de onda de sada) deste
circuito quando um impulso (fun cao Delta de Dirac) e aplicado na
sua entrada.
Visto que a convolu cao e uma opera cao comutativa, a Eq. (59)
tambem pode ser escrita da seguinte forma:
f
Z
(z) =
_

f
Y
(y)f
X
(z y)dy (60)
Exerccio Ilustrativo: Este exemplo ilustra que a FDP resultante
da soma de variaveis aleatorias independentes sempre tende ` u
normalidade, qualquer que seja a FDP das variaveis que participam
da soma.
Para isso, vamos assumir que X e Y sao variaveis aleatorias
uniformes no intervalo de 0 a 1 (Figura 2).
X
f
Y
f ou
0
1
1
x
Figure: FDP uniforme da variavel aleatoria X (ou Y ).
Primeiramente, note que a FDP mostrada na Figura 2 e uma
fun cao par, ou seja, f(x) = f(x). Assim, f
Y
(z x) = f
Y
(xz).
Neste caso, a integral de convolu cao da Equa cao (59) e entao a
integral de um pulso retangular multiplicado por um pulso
semelhante, porem deslocado para a direita de uma quantidade z.
Dependendo do valor de z, as seguintes situa coes sao possveis:
Situa cao 1 (z < 0 ou z > 2) - Neste caso, nao existe sobreposi cao
dos pulsos e, conseq uentemente, o produto de um
pelo outro e zero.
Situa cao 2 (0 < z < 1) - Um dos pulsos (neste caso, f
Y
(z x))
se move para a direita em fun cao de z, avan cando
sobre o pulso que esta xo f
X
(x), tal que a area da
regiao de sobreposi cao dos pulsos vai aumentando
ate atingir seu pico em torno de z = 1, quando um
pulso estara exatamente sobre o outro. A solu cao da
integral de convolu cao e a seguinte:
f
Z
(z) =
_

f
X
(x)f
Y
(z x)dx =
_
z
0
(1)(1)dx = z. (61)
Situa cao 3 (1 < z < 2) - Para este intervalo, a area da regiao de
sobreposi cao dos pulsos come ca a diminuir ate atingir
seu mnimo em torno de z = 2, quando o pulso
m ovel tera passado totalmente atraves do outro.
Para este intervalo de z, a solu cao da integral de
convolu cao e a seguinte:
f
Z
(z) =
_

f
X
(x)f
Y
(z x)dx =
_
1
z1
(1)(1)dx = 2 z. (62)
Portanto, a FDP de Z e dada pela seguinte expressao:
f
Z
(z) =
_
_
_
z, 0 < z < 1
2 z, 1 < z < 2
0, z < 1 e z > 2
(63)
da qual se nota que f
Z
(z) tem a forma triangular (Figura 3).
0
1
1
f
Z
z 2
Figure: FDP de Z, em que Z = X +Y .
A FDP de Z e mais pr oxima (visualmente falando) da gaussiana
que f
X
(x) e f
Y
(y)!
Pode-se ir mais um passo adiante e encontrar a FDP
correspondente à soma de tres variaveis uniformemente
distribudas. Seja a variavel aleatoria W denida como:
W = X +Y +V = Z +V (64)
em que V e uma terceira variavel aleatoria uniforme includa na
soma.
Para encontrar a FDP de W, ou seja, f
W
(w) basta calcular a
seguinte integral de convolu cao:
f
W
(w) =
_

f
V
(v)f
Z
(w v)dv (65)
cujos detalhes da solu cao sao deixados como exerccio.
O resultado nal da convolu cao das FDPs f
V
(v) (uniforme) e
f
Z
(w v) (triangular) esta mostrado na Figura 4.
f
W
w
Segmento 2
Segmento 3
Segmento 1
Figure: FDP de W = X +Y +Z, X, Y e Z send variaveis uniformes
entre 0 e 1.
A olho nu e quase impossvel distinguir o graco da Figura 4
de uma fun cao gaussiana.
Embora o graco ja seja bastante semelhante a uma fun cao
gaussiana, cada um dos segmentos rotulados corresponde a
um arco de parabola.
Para os curiosos, metodos alternativos para encontrar a FDP
resultante da soma de duas ou mais variaveis aleatorias
uniformes sao apresentados nos exerccios resolvidos 4.17 (p.
137) e 4.19 (pg. 138) da seguinte referencia:
H. Hsu (1997). Probability, Random Variables, & Random
Processes, Schaums Outline Series, McGraw-Hill.
Parte IX
Introdu cao à Teoria dos Erros
Exatidao e Precisao
Deni cao do Problema
Suponha que estamos interessados em medir o valor de uma
grandeza fsica.
Sensores sao usados para converter a grandeza fsica em um
sinal eletrico que pode ser facilmente tratado por meio de
tecnicas de processamento de sinais.
Sensores sao parte integrantes de equipamentos de medi cao
especicamente projetados para medir uma certa grandeza
fsica.
Exemplos de equipamentos de medi cao: voltmetro,
ampermetro, fot ometro, microfone, termovisor, contador
geiger, aceler ometro, etc.
Exatidao e Precisao
Tipos de Erros
Erro Sistematico - Componente do erro da medi cao que se
mantem constante ou varia de forma previsvel quando se
efetuam varias medi coes de uma mesma grandeza. Os erros
sistematicos e suas causas podem ser conhecidos ou
desconhecidos.
Erro Aleatorio - Componente do erro de medi cao que varia
de forma imprevisvel quando se efetuam varias medi coes da
mesma grandeza.
Exatidao e Precisao
Exatidao
A exatidao ou acuracia signica que o valor real da variavel
pode ser determinado por um sensor sem nenhum erro
sistematico, positivo ou negativo, na medi cao. Sobre um
grande n umero de medi coes da variavel, o erro medio entre o
valor real e o valor determinado pelo sensor ira tender a zero.
Aten cao!
A exatidao de uma medida deve sempre ser a mais alta possvel.
Exatidao e Precisao
Precisao
A precisao, tambem chamada de repetibilidade, signica
que existe pouca ou nenhuma variabilidade aleatoria na
variavel medida. A dispersao nos valores de uma serie de
medi coes sera mnima.
Aten cao!
A precisao da medi cao tambem deve ser a mais alta possvel.
Lembre-se que alta precisao implica em baixa dispersao dos valores
medidos em torno do valor medio das medidas.
Exatidao e Precisao
Exatidao e Precisao em um Graco
Exatidao e Precisao
Possveis Resultados de Calculos ou Medi coes
Caso 1- Alta exatidao e alta precisao.
Caso 2- Baixa exatidao, mas com alta precisao.
Caso 3- Alta exatidao, mas com baixa precisao.
Caso 4- Baixa exatidao e baixa precisao.
Exatidao e Precisao - Analogia com Tiro-ao-Alvo
Caso 1: Alta exatidao e alta precisao.
Caso 2: Baixa exatidao, mas com alta precisao.
Caso 3: Alta exatidao, mas com baixa precisao.
Caso 4: Baixa exatidao e baixa precisao.
Exatidao e Precisao - Aplica cao em Robotica
Rob os Manipuladores
Exatidao e Precisao - Aplica cao em Robotica
Rob os Manipuladores

Va Univariadas

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Va Univariadas

Caricato da

Copyright:

Formati disponibili

Variaveis Aleatorias Unidimensionais e Aplica coes

E possvel sair de uma representa cao simb olica de eventos

E util entender a deni cao de VA atraves das seguintes

E equivalente fazer uma das seguintes arma coes:

E comum trabalhar com VAs de media 0 e variancia 1.

E importante sempre ter em mente que o rudo e, na verdade,

E facil perceber que todos os valores de x e y dentro da faixa

E importante perceber que a expressao mostrada no lado direito da

Potrebbero piacerti anche