Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
|
|
- Vasco Gorjão Bentes
- 5 Há anos
- Visualizações:
Transcrição
1 Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da Bahia ENGA83 - Semestre Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
2 Conteúdo 1 A Disciplina Conteúdo Programático Bibliografia Avaliações 2 Introdução Sinais Aleatórios Aplicações comuns Perspectiva Histórica Revisão - Probabilidade Revisão - Variáveis Aleatórias 3 Exercícios de Fixação Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
3 A Disciplina Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
4 A Disciplina Objetivos: Habilitar os alunos a utilizar técnicas estatísticas de processamento de sinais para solucionar problemas de detecção e estimação de sinais sob ruído, extração de características e reconhecimento de padrões. Carga Horária: 68 horas Créditos: 4 Horário: Ter/Qui 18:3 2:2 horas Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
5 Conteúdo Programático 1 Introdução aos Sinais Aleatórios (Processos aleatórios; Resposta de um sistema linear a entradas aleatórias; sinais multivariados; independência estatística; decomposição em valores singulares). 2 Detecção e Estimação de Sinais (O problema da decisão binária; Regra de Bayes; Regra de Neyman-Pearson; O Problema da decisão com múltiplas hipóteses; Curva ROC; Detecção e estimação de sinais contaminados por ruído; Filtros casados - ruído branco; Filtros casados generalizados - ruído colorido; Estimadores de máxima verossimilhança; Limite de Cramer-Rao). 3 Filtros Lineares Ótimos (Filtro linear de mínimos quadrados; Filtros de Wiener; Filtros de Kalman). 4 Processamento Estatístico de Sinais Multivariados (Análise de componentes principais; Análise de componentes independentes; Discriminantes lineares; Classificadores baseados em Redes Neurais Artificiais; Componentes principais de discriminação; Agrupamento). 5 Aplicações (Áudio; Sistemas de comunicação; Caracterização de distúrbios em sistemas elétricos de potência; Instrumentação, etc). Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
6 Bibliografia Recomendada Principais referências: 1 - K. Sam Shanmugan & Arthur M. Breipohl; Random Signals: Detection, Estimation and Data Analysis, Wiley, Monson Hayes; Statistical Digital Signal Processing and Modeling, Wiley, Mourad Barkat; Signal Detection and Estimation, Artech House, A. Hyvärinen, J. Karhunen, E. Oja; Independent Component Analysis, Wiley, Pierre Comon e Christianl Jutten (Editors); Handbook of Blind Source Separation, Elsevier, Steven M. Kay; Fundamentals of Statistical Signal Processing, Volumes I and II: Estimation Theory - Prentice Hall PTR, 1993/ Harry L. Van Trees; Detection, Estimation, and Modulation Theory, Part I, Wiley, Simon Haykin; Adaptive Filter Theory, 4 edition, Prentice Hall, Artigos científicos. 1 - Notas de aulas disponíveis no endereço: Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
7 Avaliações Resolução de exercícios (15 %): - Listas de exercícios; - Exercícios em sala. Apresentação de resumos de artigos científicos selecionados pelo professor (25 %). Trabalho de pesquisa (6 %): - Elaboração de artigo (3 %); - Apresentação oral (3 %). Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
8 Introdução Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
9 Introdução - Sinais Aleatórios Sinais e sistemas sujeitos a incertezas (ou aleatoriedade) são muito importantes em diversas aplicações de engenharia. Exemplo 1 - sinais típicos em sistemas de comunicação digital: Sinal original Sinal corrompido por ruido Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
10 Sinais Aleatórios Exemplo 2 - Sinal de uma inspeção por ultrassom:.4 Amplitude Ruido Tempo Sinal + Ruido Exemplo 3 - Sinal de tensão num sistema elétrico: Amplitude (V) 1 x Tempo Ruido Afundamento Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
11 Algumas tarefas do processamento estatísticos de sinais Estimar parâmetros de um sinal aleatório: Propriedades espectrais, distribuição de probabilidade, parâmetros estatísticos, etc. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
12 Algumas tarefas do processamento estatísticos de sinais Estimar parâmetros de um sinal aleatório: Propriedades espectrais, distribuição de probabilidade, parâmetros estatísticos, etc. Processar sinais com ruído: Estimar as características do ruído, recuperar o sinal original. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
13 Algumas tarefas do processamento estatísticos de sinais Estimar parâmetros de um sinal aleatório: Propriedades espectrais, distribuição de probabilidade, parâmetros estatísticos, etc. Processar sinais com ruído: Estimar as características do ruído, recuperar o sinal original. Obter um modelo para o sinal aleatório: Identificar o modelo mais adequado, estimar os parâmetros do modelo. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
14 Algumas tarefas do processamento estatísticos de sinais Estimar parâmetros de um sinal aleatório: Propriedades espectrais, distribuição de probabilidade, parâmetros estatísticos, etc. Processar sinais com ruído: Estimar as características do ruído, recuperar o sinal original. Obter um modelo para o sinal aleatório: Identificar o modelo mais adequado, estimar os parâmetros do modelo. Processar sinais multivariados (Ex.: imagem, conjunto de sensores): Tratar informações de diversos sensores, eliminar redundância, minimizar a informação armazenada, revelar as informações relevantes para o problema. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
15 Algumas tarefas do processamento estatísticos de sinais Estimar parâmetros de um sinal aleatório: Propriedades espectrais, distribuição de probabilidade, parâmetros estatísticos, etc. Processar sinais com ruído: Estimar as características do ruído, recuperar o sinal original. Obter um modelo para o sinal aleatório: Identificar o modelo mais adequado, estimar os parâmetros do modelo. Processar sinais multivariados (Ex.: imagem, conjunto de sensores): Tratar informações de diversos sensores, eliminar redundância, minimizar a informação armazenada, revelar as informações relevantes para o problema. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
16 Introdução - Aplicações comuns Estimação de parâmetros / modelos: Sensor Sinal de interesse + ruído Algoritmo de Estimação Parâmetros: - valor médio; - autocorrelação; - densidade espectral. Modelos: - AR / MA / ARMA Filtragem de ruído: Sensor Filtragem Sinal de interesse + ruído Sinal de Interesse Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
17 Introdução - Aplicações comuns Detecção / classificação: Sensor Sinal medido Extração/seleção de Características Padrão de características Classificador Decisão Separação de sinais: Sensor 1 Sinal de interesse 1 + Sinal de Interesse 2 + ruído Algoritmo de Estimação Sinal de interesse 1 Sensor 2 Sinal de interesse 1 + Sinal de Interesse 2 + ruído Algoritmo de Estimação Sinal de interesse 2 Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
18 Perspectiva Histórica Sec. XVII- aplicações de modelos probabiĺısticos para descrição de fenômenos da física: - Observou-se que experimentos conduzidos sob as mesmas condições nem sempre produziam resultados idênticos. - É desenvolvido por Gauss e Legendre o método de estimação de mínimos quadrados para o estudo do movimento de planetas e cometas. Final do Sec. XIX - é desenvolvido o modelo de um processo aleatório (ou estocástico). Início do Sec. XX - invenção do rádio utilização do modelo de processo aleatório para analizar os efeitos do ruído em canais de comunicação. 194 a 45 - Wiener e Rice formulam a teoria dos sinais aleatórios e desenvolvem algoritmos para extrair (filtrar) sinais de rádio de baixa intensidade que estão mascarados por ruído. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
19 Perspectiva Histórica Shannon formula a teoria que serviria de base para o projeto de sistemas de telecomunicações. Segunda Guerra Mundial - São desenvolvidos diversos algoritmos para a detecção de sinais de alvos (sistemas de sonar e radar) e também para a navegação Kalman desenvolve um algoritmo de filtragem que permite navegação precisa através de longas distâncias Inteligência computacional (RNA, AG, etc) é utilizada em diversas tarefas de processamento de sinais através da exploração impĺıcita (sem modelo específico) da estatística do problema. 199 até os dias atuais - Sinais multivariados (imagem, vídeo, etc) são cada vez mais produzidos e transmitidos, requerendo desenvolvimento de técnicas de processamento adequadas. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
20 Probabilibade Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
21 Revisão - Probabilidade Definições Espaço amostral (S) - conjunto de todos os possíveis resultados de um experimento. Probabilidade (P(A)) - a probabilidade de ocorrência de um evento A S pode ser definida como: n A P(A) = lim n n (1) sendo n o número de repetições do experimento e n A o número de ocorrências de A. Se S é finito (o número de possíveis resultados é igual a N) então: P(A) = N A N (2) Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
22 Revisão - Probabilidade Propriedades : 1 P(S) = 1 2 P(A) 1 3 Se A A = S e A A = então A é o complemento de A e P(A) = 1 P(A) 4 Se A B P(A) P(B). 5 P(A B) = P(A) + P(B) P(A B), ou seja: P(A B) P(A) + P(B) Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
23 Probabilidades Conjunta e Marginal Em muitos problemas práticos um experimento E pode ser composto de k subexperimentos E 1, E 2,...E k. Neste caso, o espaço amostral S tem dimensão k (S R k ), sendo composto pelo produto cartesiano dos espaços amostrais de cada subexperimento: S = S 1 S 2... S k. Considerando que k = 2, e que os eventos A 1,..., A n e B 1,..., B m definem respectivamente os espaços amostrais S 1 e S 2 dos subexperimentos E 1 e E 2, pode-se definir: Probabilidade Conjunta: P(A i B i ) = P(A i B i ) = P(A i B i )P(B i ) = P(B i A i )P(A i ); Probabilidade Condicional: P(B i A i ) = P(A ib i ), dado que P(A i ) P(A i ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
24 Probabilidades Conjunta e Marginal - Exemplo Considerando a tabela abaixo, estime as probabilidades de (a) uma peça do fabricante F 2 não apresentar defeito e (b)uma peça apresentar defeito crítico dado que ela pertence à classe F 2. Tipo de defeito Fabricante Nenhum Crítico Grave Pequeno Acidental Total F F F F Total Resposta: a - Neste caso, trata-se de uma probabilidade conjunta: P(F 2 D ) = Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
25 Probabilidades Conjunta e Marginal - Exemplo Considerando a tabela abaixo, estime as probabilidades de (a) uma peça do fabricante F 2 não apresentar defeito e (b)uma peça apresentar defeito crítico dado que ela pertence à classe F 2. Tipo de defeito Fabricante Nenhum Crítico Grave Pequeno Acidental Total F F F F Total Resposta: a - Neste caso, trata-se de uma probabilidade conjunta: P(F 2 D ) = b - Probabilidade condicional: P(D 1 F 2 ) = P(D 1F 2 ) P(F 2 ) = = Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
26 Probabilidades Conjunta e Marginal - Exemplo Considerando a tabela abaixo, estime as probabilidades de (a) uma peça do fabricante F 2 não apresentar defeito e (b)uma peça apresentar defeito crítico dado que ela pertence à classe F 2. Tipo de defeito Fabricante Nenhum Crítico Grave Pequeno Acidental Total F F F F Total Resposta: a - Neste caso, trata-se de uma probabilidade conjunta: P(F 2 D ) = b - Probabilidade condicional: P(D 1 F 2 ) = P(D 1F 2 ) P(F 2 ) = = Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
27 Regra de Bayes Thomas Bayes chegou à expressão a seguir, que ficou conhecida como Regra de Bayes: P(B j A) = P(A B j)p(b j ) P(A) = P(A B j)p(b j ) m P(A B j )P(B j ) j=1 (3) Exemplo - Num canal de comunicação binária sujeito a ruído aditivo, a probabilidade de um digito zero transmitido ser recebido como zero é de,95 e a probabilidade de um digito um transmitido ser recebido como um é de,9. Considerando que a probabilidade de um zero ser transmitido é,4, encontre: a- A probabilidade de um digito um ser recebido. b- A probabilidade de um digito um ter sido transmitido dado que um digito um foi recebido. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
28 Regra de Bayes Thomas Bayes chegou à expressão a seguir, que ficou conhecida como Regra de Bayes: P(B j A) = P(A B j)p(b j ) P(A) = P(A B j)p(b j ) m P(A B j )P(B j ) j=1 (3) Exemplo - Num canal de comunicação binária sujeito a ruído aditivo, a probabilidade de um digito zero transmitido ser recebido como zero é de,95 e a probabilidade de um digito um transmitido ser recebido como um é de,9. Considerando que a probabilidade de um zero ser transmitido é,4, encontre: a- A probabilidade de um digito um ser recebido. b- A probabilidade de um digito um ter sido transmitido dado que um digito um foi recebido. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
29 Regra de Bayes - Exemplo Resposta: considerando T = um transmitido, T = zero transmitido, R= um recebido e R= zero recebido, então: P(R T ) =.9 P( R T ) =.1 P( R T ) =.95 P(R T ) =.5 2 a- P(R) = P(R T j )P(T j ) j=1 Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
30 Regra de Bayes - Exemplo Resposta: considerando T = um transmitido, T = zero transmitido, R= um recebido e R= zero recebido, então: P(R T ) =.9 P( R T ) =.1 P( R T ) =.95 P(R T ) =.5 2 a- P(R) = P(R T j )P(T j )= P(R T )P(T ) + P(R T )P( T ) j=1 Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
31 Regra de Bayes - Exemplo Resposta: considerando T = um transmitido, T = zero transmitido, R= um recebido e R= zero recebido, então: P(R T ) =.9 P( R T ) =.1 P( R T ) =.95 P(R T ) =.5 2 a- P(R) = P(R T j )P(T j )= P(R T )P(T ) + P(R T )P( T )= j=1, 9, 6 +, 5, 4 =, 56. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
32 Regra de Bayes - Exemplo Resposta: considerando T = um transmitido, T = zero transmitido, R= um recebido e R= zero recebido, então: P(R T ) =.9 P( R T ) =.1 P( R T ) =.95 P(R T ) =.5 2 a- P(R) = P(R T j )P(T j )= P(R T )P(T ) + P(R T )P( T )= j=1, 9, 6 +, 5, 4 =, 56. b- P(T R) = P(R T )P(T ) P(R) Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
33 Regra de Bayes - Exemplo Resposta: considerando T = um transmitido, T = zero transmitido, R= um recebido e R= zero recebido, então: P(R T ) =.9 P( R T ) =.1 P( R T ) =.95 P(R T ) =.5 2 a- P(R) = P(R T j )P(T j )= P(R T )P(T ) + P(R T )P( T )= j=1, 9, 6 +, 5, 4 =, 56. b- P(T R) = P(R T )P(T ), 9, 6 =.96 P(R), 56 Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
34 Regra de Bayes - Exemplo Resposta: considerando T = um transmitido, T = zero transmitido, R= um recebido e R= zero recebido, então: P(R T ) =.9 P( R T ) =.1 P( R T ) =.95 P(R T ) =.5 2 a- P(R) = P(R T j )P(T j )= P(R T )P(T ) + P(R T )P( T )= j=1, 9, 6 +, 5, 4 =, 56. b- P(T R) = P(R T )P(T ), 9, 6 =.96 P(R), 56 Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
35 Independência Estatística Supondo A i e B i eventos associados a resultados de dois experimentos distintos, quando a ocorrência de A i não influencia na probabilidade de ocorrência de B i e vice-versa, diz-se que os eventos são estatisticamente independentes. Matematicamente A i e B i são independentes se: P(A i B i ) = P(A i )P(B i ) (4) ou quando: P(A i B i ) = P(A i ) (5) A prova da independência estatística de dois eventos quando não se conhece as distribuições de probabilidade envolve os conceitos de variáveis aleatórias e momentos estatísticos. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
36 Variáveis Aleatórias Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
37 Variáveis Aleatórias Em alguns casos, pode ser interessante expressar a saída de um experimento aleatório usando um número, por exemplo: o número de acessos diários à uma página da internet. O valor numérico associado à saída de um experimento aleatório pode ser chamado de variável aleatória. Uma variável aleatória X (λ) é uma função cujo domínio é o conjunto de resultados λ S e X (λ) R. Para todo A S existe um conjunto imagem T R definido por X. A variável aleatória induz a uma medida da probabilidade no eixo real 1 : - P(X = x) = P{λ : X (λ) = x}; - P(X x) = P{λ : X (λ) x}; - P(x 1 < X x 2 ) = P{λ : x 1 < X (λ) x 2 }; - Então pode-se concluir que: P(X = ) = P(X = ) =. 1 Sendo as letras maiúsculas reservadas para representar as variáveis aleatórias e as minúsculas para os valores individuais (i.e. números) da variável. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
38 Variáveis Aleatórias As variáveis aleatórias (VAs) podem ser discretas ou contínuas. A probabilidade P(X x) é também conhecida como função distribuição (F X (x)) da variável aleatória X. Uma função de distribuição tem as propriedades a seguir: - F X ( ) = ; F X ( ) = 1; F X (x) é estritamente crescente; - P{x 1 X x 2 } = F X (x 2 ) F X (x 1 ) 1 1 F x (x).5 F x (x) x x Função Distribuição Discreta Função Distribuição Contínua Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
39 Variáveis Aleatórias Discretas Uma variável aleatória discreta é caracterizada por um conjunto de domínio limitado x 1, x 2,..., x n. A função massa (ou densidade) de probabilidade é definida como P(X = x i ), para i = 1, 2,..., n e tem as propriedades a seguir: n - P(X = x i ) = 1; i=1 - P(X x k ) = F X (x k ) = k P(X = x i ); i=1 Para as distribuições conjunta e condicional pode-se definir: - P(X x, Y y) = P(X = x i, Y = y i ) xi x y i y - P(X = x i Y = y i ) = P(X = x i, Y = y i ) P(Y = y i ) (regra de Bayes); Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
40 Variáveis Aleatórias Discretas As variáveis aleatórias X e Y são estatisticamente independentes se: P(X = x i, Y = y i ) = P(X = x i )P(Y = y i ) (6) Uma variável aleatória discreta pode ser completamente descrita pelas funções de distribuição ou de densidade de probabilidade. Em alguns casos pode ser interessante descrever uma VA por um número limitado de características representativas chamadas valores esperados. O valor esperado da função g(x ) da variável aleatória discreta X é definido por: n E{g(X )} = g(x i )P(X = x i ) (7) i=1 Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
41 Variáveis Aleatórias Discretas - Valores Esperados Dois valores esperados (também chamados de momentos) muito utilizados são: Média - E{X } = µ X = n x i P(X = x i ) i=1 Variância - E{(X µ X ) 2 } = σ 2 X = n (x i µ X ) 2 P(X = x i ) i=1 O desvio padrão é definido como: σ X = σ 2 X Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
42 Variáveis Aleatórias Discretas - Valores Esperados Vale mencionar as definições de: Covariância: cov(x, Y ) = E{X µ X }E{Y µ Y } Correlação: R(X, Y ) = E{(XY )} Quando µ X = µ Y =, então cov(x, Y ) = R(X, Y ) Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
43 Variáveis Aleatórias Discretas - Valores Esperados O valor esperado de uma função de duas VAs é definido por: E{g(X, Y )} = n i=1 j=1 m g(x i, y i )P(X = x i, Y = y i ) (8) O coeficiente de correlação é um valor esperado muito útil, pois fornece uma medida do grau de dependência entre duas VAs: ρ x,y = E{(X µ X )(Y µ Y )} σ X σ Y = σ XY σ X σ Y (9) O fator σ XY é a covariância de X e Y e quando as variáveis são estatísticamente independentes ρ x,y =. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
44 Variac a o do Coeficiente de Correlac a o - Exemplos 2 1 ρxy=, Y Y ρxy=, X 1 4 ρ =, Y Y XY Prof. Eduardo Simas X 2 4 X 2 4 ρxy=,1 2 2 (PPGEE/UFBA) X Aula 1 - Introduc a o 2 ENGA83 - Semestre / 5
45 Variáveis Aleatórias Contínuas Uma VA contínua pode assumir um número infinito de valores dentro do seu intervalo de domínio. A teoria envolvida é semelhante ao caso discreto, porém os somatórios são substituídos por integrais. Deste modo, as funções distribuição F X (x) e densidade f X (x) são relacionadas por: f X (x) = df X (x) (1) dx E valem as propriedades a seguir: - f X (x)dx = 1 - P(a X b) = F X (b) F X (a) = b a f X (x)dx Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
46 Momentos O momento central de ordem n é definido como: µ (n) X = (x µ X ) n f X (x)dx (11) O momento de ordem n é definido como: µ (n) X = x n f X (x)dx (12) Temos então que: µ (1) X = µ X é a média e µ (2) X = σ2 X é a variância. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
47 Exemplos de Funções de Densidade de Probabilidade (pdf) Uniforme: f X (x) = { sendo: µ X = b + a 2 1/(b a) a x b caso contrário e σ 2 X = (b a)2 12 Gaussiana: f X (x) = [ 1 exp 2πσX 2 ] (x µ X ) 2 2σX 2 Exponencial: f X (x) = λ exp( λx), x, λ, sendo µ X = 1 λ e σ2 X = 1 λ 2 Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
48 Histogramas Histogramas são uma representação gráfica das variáveis aleatórias em relação ao número de ocorrências da VA numa dada faixa do espaço amostral. Os histogramas podem ser utilizados como aproximações da distribuição de probabilidade. Para a geração de um histograma as amostras da VA são agrupadas em intervalos. O Eixo Vertical do Histograma representa a quantidade (contagem) de amostras que foram observadas dentro de cada intervalo indicado no Eixo Horizontal. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
49 Histogramas Exemplos de histogramas: 5 Contagem Amplitude de X Prof. Eduardo Simas 4 6 Amostras de X (PPGEE/UFBA) x 1 Aula 1 - Introduc a o 2 X 2 ENGA83 - Semestre / 5
50 Histogramas - VA Gaussiana (Dist. Normal) Contagem Diminuindo o numero de intevalos (bins) do histograma bins 2 bins Contagem Contagem bins Contagem bins 1 4 bins 2 bins Contagem Contagem x Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
51 Vetores Aleatórios Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
52 Vetores Aleatórios Até agora o estudo foi concentrado em uma ou duas variáveis aleatórias. Em um caso mais geral pode-se trabalhar com diversas VAs X i, i = 1,..., k, que podem ser organizadas para comporem um Vetor Aleatório: X = [X 1, X 2,..., X k ] T. (13) Os vetores aleatórios tem como domínio um subconjunto de R k e são especificadas em função da distribuição conjunta: F X1,...,X k (x 1,..., x k ) = F X (x) = P[(X 1 x 1 ),..., (X k x k )]. (14) Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
53 Vetores Aleatórios Para vetores aleatórios define-se o vetor média: µ X = E(X) = E(X 1 ) E(X 2 ). E(X k ) E a matriz de covariância: E(X 1 ) E(X 2 ). E(X k ) = σ x1 x 1 σ x1 x 2... σ x1 x k σ x2 x 1 σ x2 x 2... σ x2 x k σ xk x 1 σ xk x 2... σ xk x k E(X 1 ) E(X 2 ). E(X k ) Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
54 Vetores Aleatórios - Exemplos O vetor aleatório X é composto pelos valores medidos nos 49 sensores de energia: Energia (MeV) φ η Energia (MeV) φ.5 η.1.15 Amostra 1 Amostra 2 Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
55 Vetores Aleatórios - Exemplos Matrix de covariância do vetor aleatório X composto pelas variáveis aleatórias utilizadas no exemplo do slide 28: 1, 1, 994, 981, 744, 1 1, 1, 1, 2 Σ X =, 994, 1 1, 984, 74, 981, 1, 984 1, 736, 744, 2, 74, Matriz de correlação de um vetor aleatório de dimensão 1: Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
56 Outros Tópicos Interessantes Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
57 Limites e Aproximações Em muitas aplicações práticas que requerem cálculo de probabilidades as distribuições envolvidas podem não ser completamente conhecidas. Neste caso pode-se utilizar técnicas que fornecem limites superiores e inferiores para as probabilidades, como por exemplo: Desigualdade de Tchebycheff: P( Y µ Y kσ y ) 1 k 2 Exemplo: Sendo µ X = e σ 2 X = 1, estime P( X 3). Da expressão acima temos que k = 3 e P( X 3) 1 9. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
58 Técnica de Geração de Monte Carlo As técnicas de Monte Carlo consistem em: - algoritmos computacionais para selecionar amostras x 1, x 2,..., x n ; - um método de calcular y = g(x 1, x 2,..., x n ); - organizar e exibir graficamente y. Simulações através de técnicas de Monte Carlo são utilizadas para gerar conjuntos de dados a partir de modelos estatísticos conhecidos. Os dados simulados são muito úteis para o projeto de sistemas que irão operar com entradas aleatórias quando estas são de difícil obtenção. Exemplos de aplicações: física nuclear, finanças, geometalurgia, etc. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
59 Teorema do Limite Central Definição: Sendo X 1, X 2,..., X n variáveis aleatórias (com média µ e variância σ 2 ) independentes e identicamente distribuidas (i.i.d.) 2, pode-se provar que, quando n, a variável: Z = n X i (15) i=1 tende para uma distribuição de probabilidade Gaussiana com média µ e desvio σ2 n. 2 Variáveis i.i.d. apresentam a mesma função distribuição de probabilidade e são mutuamente independentes. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
60 Teorema do Limite Central - Exemplo 1 dist unif 2 dist unif 3 dist unif Contagem Contagem 2 1 Contagem dist unif 5 dist unif 6 dist unif Contagem Contagem Contagem Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
61 Exercícios de Fixação Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
62 Exercícios de Fixação 1 Problemas do livro Random Signals: Detection Estimation and Data Analysis de Shanmugan e Breipohl (a partir da página 97): 2.1, 2.2, 2.5, 2.6, 2.8, 2.18, 2.23, 2.32 e Utilizar um software adequado (Matlab, Scilab, Root, etc) para: a Gerar variáveis aleatórias com distribuições uniforme, normal e exponencial com 1. pontos e traçar os respectivos histogramas; b Calcular a partir das amostras o valor médio, a variância e comparar com os valores esperados a partir dos modelos matemáticos; c Repetir os itens a e b para 1. e 1. pontos e comparar os resultados obtidos; d Gerar e plotar o histograma de uma variável aleatória com 1. pontos que seja a soma de 5 variáveis aleatórias com distribuição uniforme. Os exercícios devem ser resolvidos e entregues em data a ser especificada pelo professor. Neste dia, alunos serão sorteados para apresentar a solução de alguns destes exercícios para a turma. Prof. Eduardo Simas (PPGEE/UFBA) Aula 1 - Introdução ENGA83 - Semestre / 5
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Vetores Aleatórios 10 de setembro de 2017 Modelos Probabiĺısticos para N Variáveis Aleatórias F X1,...,X n (x 1,...,x n) = P[X 1 x 1,..., X n x n] (x 1,...,x
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisCAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisUniversidade Federal da Bahia Programa de Pós Graduação em Engenharia Elétrica
Universidade Federal da Bahia Programa de Pós Graduação em Engenharia Elétrica Disciplina: Processamento Estatístico de Sinais (ENG A83) Prof.: Eduardo Simas eduardo.simas@ufba.br Tema: Verificação da
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas o semestre 07/08 0/07/08 :0 o Teste C 0 valores. Um relatório anual estabelece que
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisIND 1115 Inferência Estatística Aula 7
Conteúdo IND 1115 Inferência Estatística Aula 7 Setembro 2004 Por que a revisão de probabilidades até agora? A importância da distribuição Normal O Mônica Barros mbarros.com 1 mbarros.com 2 Por que uma
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisAST203-CVR 4-1 AST203-CVR. Observação eletromagnética. Processamento de sinais importante em várias áreas, além da astronomia telecomunicações
Bloco 4 Estatística Atualizado: 2012 4-1 Bibliografia Lena Cap. 4 (parte) - só a inspiração... Wall & Jenkins, Practical statistics for astronomers Brandt Statistical and computacional methods in data
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina. TE802 Conceitos Básicos de Teoria de Probabilidade. Evelio M. G.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 23 de agosto de 2017 Informação sobre a disciplina Segundas e Quartas feiras das 09:30 às 11:20 horas Professor:
Leia maisM. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57. + w y. f X,Y (x,y)dxdy (4.24) w y
M. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57 Assim, e usando a Eq. (4.17), F W (w) = F W (w) = + w y + x= f X,Y (x,y)dxdy (4.24) w y f Y (y)dy f X (x)dx (4.25) x= Diferenciando
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisDepartamento de Matemática Escola Superior de Tecnologia de Viseu. Engenharia e Gestão Industrial
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Engenharia e Gestão Industrial 1 Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC,
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisVariáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse
Leia maisAula 1 - Revisão de Probabilidade e Estatística
Aula 1 - Revisão de Probabilidade e Estatística Matheus Rosso e Camila Steffens 1 de Março de 2018 Conteúdos 1. Introdução à probabilidade 2. Probabilidade condicional e independência 3. Variáveis aleatórias
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 7 de março de 2016 Informação sobre a disciplina Terças e Quintas feiras das 09:30 às 11:20 horas Professor: Evelio
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisTE060 Princípios de Comunicação. Probabilidade. Probabilidade Condicional. Notes. Notes. Notes
TE060 Princípios de Comunicação Efeito do Ruído em Sistemas com Modulação de Onda Contínua 5 de novembro de 2013 Probabilidade Uma medida de probabilidade P é uma função que associa um número não negativo
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisVariáveis Aleatórias Discretas 1/1
Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisProbabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec
Duração: 9 minutos Grupo I Probabilidades e Estatística LEGM, LEIC-A, LEIC-T, MA, MEMec Justifique convenientemente todas as respostas o semestre 7/8 5/5/8 9: o Teste A valores. Uma loja comercializa telemóveis
Leia maisModelos para Séries Temporais Aula 1. Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2
Modelos para Séries Temporais Aula 1 Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2 Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia mais2.3 Operações sobre uma variável aleatória - Esperança matemática
matemática 58 atingir a mosca dado que ele atingiu o alvo. Exercício 2.33. [3] Duas caixas tem bolas vermelhas, verdes e azuis dentro; a quantidade de cada uma é dada a seguir. Caixa 01-5 vermelhas; 35
Leia maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PELOTAS PRÓ-REITORIA DE GRADUAÇÃO
ANEXO 1 - Plano de Ensino MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PELOTAS PRÓ-REITORIA DE GRADUAÇÃO PLANO DE ENSINO Ano Semestre letivo 2017 01 1. Identificação Código 1.1 Disciplina: Métodos Estatísticos
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisProcessos Aleatórios e Ruído
Processos Aleatórios e Ruído Luis Henrique Assumpção Lolis 11 de abril de 2014 Luis Henrique Assumpção Lolis Processos Aleatórios e Ruído 1 Conteúdo 1 O Experimento Aleatório / Espaço de Amostras 2 Algebra
Leia maisEstatística. Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas Professor Fernando Porto Lançam-se 3 moedas. Seja X o número de ocorrências da face cara. O espaço amostral do experimento é: W = {(c,c,c),(c,c,r),(c,r,c),(c,r,r),(r,c,c),(r,c,r),(r,r,c),(r,r,r)}
Leia maisProbabilidades e Estatística TODOS OS CURSOS
Duração: 90 minutos Grupo I Probabilidades e Estatística TODOS OS CURSOS Justifique convenientemente todas as respostas 2 o semestre 206/207 05/07/207 :30 o Teste C 0 valores. Uma peça de certo tipo é
Leia maisComunicações Digitais Prof. André Noll Barreto Prova /1 (26/04/2012)
Prova 1 01/1 (6/04/01) Aluno: Matrícula: Instruções A prova consiste de três questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não é permitida consulta a notas de
Leia maisProbabilidade. Objetivos de Aprendizagem. UFMG-ICEx-EST. Cap. 2 - Probabilidade Espaços Amostrais e Eventos. 2.1.
2 ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES E AXIOMAS DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisAula 6. Aula de hoje. Aula passada
Aula 6 Aula passada Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança Aula de hoje Método de Monte Carlo Estimando somatórios Calculando erro Estimando
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia mais3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisProbabilidade ESQUEMA DO CAPÍTULO. UFMG-ICEx-EST Cap. 2- Probabilidade 1
Probabilidade ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisComunicações Digitais Prof. André Noll Barreto. Prova /1 (04/04/2017)
Prova 1 17/1 (4/4/17) Aluno: Matrícula: Instruções A prova consiste de quatro questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não é permitida consulta a notas
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia mais24/04/2017. Operações que podem ser aplicadas aos eventos
Inferência estatística: processo de extrair conclusões de uma população inteira com base na informação de uma amostra A base para a inferência estatística é a teoria da probabilidade Evento: é o resultado
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisNotas de Aula. Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.
Notas de Aula Estatística Elementar 10ª Edição by Mario F. Triola Tradução: Denis Santos Slide 1 Capítulo 5 Distribuições de Probabilidades 5-1 Visão Geral 5-2 Variáveis Aleatórias 5-3 Distribuição de
Leia maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 20 AGA 0505- Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2018 2 / 20 tópicos 1 probabilidades - cont. 2 distribuições de probabilidades 1 binomial 2 Poisson 3
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisCapítulo 5 Distribuições de Probabilidades. Seção 5-1 Visão Geral. Visão Geral. distribuições de probabilidades discretas
Capítulo 5 Distribuições de Probabilidades 5-1 Visão Geral 5-2 Variáveis Aleatórias 5-3 Distribuição de Probabilidade Binomial 5-4 Média, Variância e Desvio Padrão da Distribuição Binomial 5-5 A Distribuição
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aulas passadas Espaço Amostral Álgebra de Eventos Axiomas de Probabilidade Análise Combinatória Aula de hoje Probabilidade Condicional Independência de Eventos
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Duas Variáveis Aleatórias 29 de agosto de 2017 Duas Variáveis Aleatórias Função Distribuição Acumulada Conjunta: F X,Y (x,y) = P[X x, Y y] Propriedades: (a) 0
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia mais