Processos Estocásticos
|
|
- Eliana Beretta
- 5 Há anos
- Visualizações:
Transcrição
1 Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1
2 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4 Processos no domínio do tempo discreto 5 Processos de Poisson 6 Processo Gaussiano e Wiener 7 Processos Aleatórios Estacionários Luis Henrique Assumpção Lolis Processos Estocásticos 2
3 Sumário 1 Introdução 2 Definição 3 Especificando um processo aleatório 4 Processos no domínio do tempo discreto 5 Processos de Poisson 6 Processo Gaussiano e Wiener 7 Processos Aleatórios Estacionários Luis Henrique Assumpção Lolis Processos Estocásticos 3
4 Introdução O resultado de um experimento para a ser uma função no tempo ou no espaço. Em sistemas de comunicação a informação que é um sinal em função do tempo é um processo estocástico. Processos estocásticos e processos aleatórios são sinônimos. Ex: Intensidade luminosa de um filme. Música. Sequência de dados. Alguns processos caminham juntos no tempo: A temperatura em uma determinada cidade. A demanda de energia elétrica nessa cidade. Luis Henrique Assumpção Lolis Processos Estocásticos 4
5 Conceitos a serem abordados Processos Aleatórios - Família Indexada de V.A. s Probabilidade conjunta dentro de uma família (Ex: a temperatura em dois instantes de tempo). Distribuições conjuntas Média e covariância Processo estacionário - regime permanente. Médias no tempo e estimação de parâmetros. Representação por séries de Fourier. Luis Henrique Assumpção Lolis Processos Estocásticos 5
6 Sumário 1 Introdução 2 Definição 3 Especificando um processo aleatório 4 Processos no domínio do tempo discreto 5 Processos de Poisson 6 Processo Gaussiano e Wiener 7 Processos Aleatórios Estacionários Luis Henrique Assumpção Lolis Processos Estocásticos 6
7 Definição Os resultados possíveis de um experimento são denotados por ζ dentro de um espaço de amostras S. O processo aleatório é um resultado que é uma função no tempo: X(t, ζ), t I A função no tempo é chamada de realização, amostra do caminho, amostra da função. Fixando um instante t k no tempo (como tirar uma foto da função), para todas as amostras, representa uma variável aleatória X(t k, ζ). A família de V.A. s indexadas por t, {X(t, ζ, t I}) é o que chamamos de processo aleatório ou processo estocástico Luis Henrique Assumpção Lolis Processos Estocásticos 7
8 ! "# $% & Luis Henrique Assumpção Lolis Processos Estocásticos 8
9 Exemplos Sequência Binária Aleatória. Senos Aleatórios !"#$% &'( )!%$* *+,'"%-./!"#$% &'( )!%$* +(#-0 Luis Henrique Assumpção Lolis Processos Estocásticos 9
10 Sumário 1 Introdução 2 Definição 3 Especificando um processo aleatório 4 Processos no domínio do tempo discreto 5 Processos de Poisson 6 Processo Gaussiano e Wiener 7 Processos Aleatórios Estacionários Luis Henrique Assumpção Lolis Processos Estocásticos 10
11 Introdução Necessidade de especificar intervalos e tempos distintos. P [x 1 < X(t 1 ) x 2, x 1 < X(t 2 ) x 2 ] Probabilidade condicional do processo (EX: predição para compressão de fala) P [a < X(t k+1 ) b X(t 1 ) = x 1, X(t 2 ) = x 2,..., X(t k ) = x k ] Luis Henrique Assumpção Lolis Processos Estocásticos 11
12 Distribuições conjuntas de amostras no tempo X 1, X 2,..., X k, V.A. s do processo X(t, ζ) amostradas em t 1, t 2,..., t k X 1 = X(t 1, ζ), X 2 = X(t 2, ζ),..., X k = X(t k, ζ) A f.d.a. conjunta do processo nos instantes t k é a f.d.a conjunta do vetor aleatório X 1, X 2,..., X k de ordem k F x1,x 2,...,x k (X 1, X 2,..., X k ) = P [X(t 1 ) x 1, X(t 2 ) x 2,..., X(t k ) x k ] A f.d.p conjunta do processo contínuo como sendo a derivada da f.d.a conjunta p x1,x 2,...,x k (X 1, X 2,..., X k )dx 1... dx n = P {x 1 < X(t 1 ) x 1 + dx 1,..., x k < X(t k ) x k + dx k ] Luis Henrique Assumpção Lolis Processos Estocásticos 12
13 Exemplos Processo Gaussiano i.i.d. Considere X n sendo uma sequência de de variáveis aleatórias i.i.d. com distribuição gaussiana. de média zero e variância σ 2 X. p x1,x 2,...,x k (X 1, X 2,..., X k ) = 1 (2πσ 2 ) k/2 e (x2 1 +x x2 k )/(2σ2 ) Sinal ruidoso filtrado: X j = µ + N j, para j = 0, 1,... Média das amostras: S n = (X 1 + X X n )/n, para n = 0, 1,... Var[S n ] = σ 2 /n e E[S n ] = µ Luis Henrique Assumpção Lolis Processos Estocásticos 13
14 Exemplos Processo Gaussiano filtrado. Temos X j como uma sequência de V.A. i.i.d. de um sinal de tensão µ corrompida por um sinal de ruído com média zero e variância σ 2 : X j = µ + n j para j = 0, 1,.... Agora considere que esse sinal passa por um filtro que tira a média do ruído: S n = (X 1 + X X n )/n para n = 0, 1,... S n é a média das amostras da sequência i.i.d. e Luis Henrique Assumpção Lolis Processos Estocásticos 14
15 Média, Autocorrelação e Autocovariância Média do processo para o instante t: m x (t) = E[X(t)] = Variância do processo para o instante t: Var[X(t)] = xp x(t) (X)dX (x m x (t)) 2 p x(t) (X)dX Autocorrelação do processo para os instantes t 1, t 2 : R x (t 1, t 2 ) = E[X(t 1 )X(t 2 )] = x 1 x 2 p x(t1 ),x(t 2 )(X 1, X 2 )dx 1 dx 2 Autocovariância do processo para os instantes t 1, t 2 : C x (t 1, t 2 ) = E[{X(t 1 ) m x (t 1 )}{X(t 2 ) m x (t 2 )}] C x (t 1, t 2 ) = R x (t 1, t 2 ) m x (t 1 )m x (t 2 ) Var[X(t)] = E[(X(t) m x (t)) 2 ] = C x (t, t) Luis Henrique Assumpção Lolis Processos Estocásticos 15
16 Coeficiente de Autocorrelação Coeficiente de Autocorrelação do processo para os instantes t 1, t 2 : C x (t 1, t 2 ) ρ x (t 1, t 2 ) = Cx (t 1, t 1 ) C x (t 2, t 2 ) Se o processo passa para o domínio do tempo discreto, o sinal deixa de ser uma função contínua do tempo t e passa a ser uma amostra de número n. Exemplos: Calcular a média a autocorrelação e autocovariância dos processos: x(t) = A cos(2πt) e y(t) = cos(2πt + θ) Luis Henrique Assumpção Lolis Processos Estocásticos 16
17 Variáveis aleatórias múltiplas As vezes precisamos comparar dois processos em dois instantes diferentes. Ex: Uma sequencia aleatória enviada e sequência recebida. Exemplo de representação da f.d.p conjunta de duas V.A. s em dois instantes de tempo: p x(t1 ),y(t 2 )(X, Y ) = P x < X(t 1 ) x + dx, y < Y (t 2 ) y + dy X e Y (são vetores em t) podem ser independentes se: F x,y (X, Y ) = F x (X)F y (Y ) Correlação cruzada de X em t 1 e Y em t 2 : R x,y (t 1, t 2 ) = E[X(t 1 )Y (t 2 )] Sinais ortogonais: R x,y (t 1, t 2 ) = 0, t 1, t 2 Luis Henrique Assumpção Lolis Processos Estocásticos 17
18 Ex: Sinal com ruído Y (t) = X(t) + N(t) Vamos assumir X(t) e N(t) independentes. Calculando a correlação cruzada entre X e Y. R x,y (t 1, t 2 ) = E[X(t 1 )Y (t 2 )] = E[X(t 1 ){X(t 2 ) + N(t 2 )}] R x (t 1, t 2 ) + E[X(t 1 )N(t 2 )] com X e N independentes: = R x (t 1, t 2 ) + m X (t 1 )m N (t 2 ) Luis Henrique Assumpção Lolis Processos Estocásticos 18
19 Sumário 1 Introdução 2 Definição 3 Especificando um processo aleatório 4 Processos no domínio do tempo discreto 5 Processos de Poisson 6 Processo Gaussiano e Wiener 7 Processos Aleatórios Estacionários Luis Henrique Assumpção Lolis Processos Estocásticos 19
20 Passos Aleatórios { +1 se In = 1 D n = 1 se I n = 0 E[D n ] = 2p 1 VAR[D n ] = 4p(1 p) Luis Henrique Assumpção Lolis Processos Estocásticos 20
21 V.A. s i.i.d. Média m x(n) = E[X n] = m Uma sequência de variáveis aleatórios independentes identicamente distribuídas. Cada V.A. com f.d.a F x (X), média m e variância σ 2. X n é um processo aleatório i.i.d. Autocovariância P/ n 1 n 2 C x(n 1, n 2) = E[(X n1 m)]e[(x n2) m] = 0 P/ n 1 = n 2 C x(n 1, n 2) = E[(X n1 m) 2 ] = σ 2 Autocorrelação R x(n 1, n 2) = C x(n 1, n 2) + m 2 Luis Henrique Assumpção Lolis Processos Estocásticos 21
22 Processos de soma Contagem binomial: P [S n = k] = todo 0 j n ( n j ) p j (1 p) n j, para Andar aleatório (o andar do bêbado), sendo a probabilidade da soma a posição final e p a probabilidade de um deslocamento (Ex:+1) e (1 p) a probabilidade de outro deslocamento (Ex:-1) p = 1/2 e quatro realizações temporais p = 3/4 para o deslocamento +1 e quatro realizações temporais Luis Henrique Assumpção Lolis Processos Estocásticos 22
23 Ex: Andar aleatório de uma dimensão E[S n ] = ne[x] = nm VAR[S n ] = n VAR[X] = nσ 2 Luis Henrique Assumpção Lolis Processos Estocásticos 23
24 Sumário 1 Introdução 2 Definição 3 Especificando um processo aleatório 4 Processos no domínio do tempo discreto 5 Processos de Poisson 6 Processo Gaussiano e Wiener 7 Processos Aleatórios Estacionários Luis Henrique Assumpção Lolis Processos Estocásticos 24
25 Processos de Poisson O número de ocorrências em um intervalo t, N(t). Sendo que a taxa média de ocorrências é λ ocorrências por segundo. No intervalo [0, t] fica λt. O tempo entre eventos segue uma dist. exponencial. P [N(t) = k] = (λt)k e λt, para k = 0, 1,... k! E[N(t) = k] = λt e VAR[N(t)] = λt f.m.p. conjunta do processo de poisson: P [n(t 1 ) = i, N(t 2 ) = j] = P [N(t 1 ) = i]p [N(t 2 ) N(t 1 ) = j i] Autocovariância: C N (t 1, t 2 ) = E[(N(t 1 ) λt 1 )(N(t 2 ) λt 2 )] = = E[(N(t 1 ) λt 1 ) {N(t 2 ) N(t 1 ) λt 2 + λt 1 + (N(t 1 λt 1 ))}] = VAR[N(t 1 )] = λt 1 Luis Henrique Assumpção Lolis Processos Estocásticos 25
26 Ex:Processos de Poisson Pedidos chegam em uma secretária eletrônica de acordo com um processo de poisson de 15 pedidos por minuto. Encontre a probabilidade de que em 1 minuto, cheguem 3 pedidos e nos primeiros 10 segundos e que se cheguem 2 pedidos nos últimos 15 segundos. Luis Henrique Assumpção Lolis Processos Estocásticos 26
27 Sumário 1 Introdução 2 Definição 3 Especificando um processo aleatório 4 Processos no domínio do tempo discreto 5 Processos de Poisson 6 Processo Gaussiano e Wiener 7 Processos Aleatórios Estacionários Luis Henrique Assumpção Lolis Processos Estocásticos 27
28 Processo Gaussiano m = X 1 = X(t 1 ), X 2 = X(t 2 ), X 3 = X(t 3 ),..., X k = X(t k ) f X1,X 2,...,X k (x 1, x 2,..., x k ) = e 1/2(x m)t K 1 (x m) (2π) k2/ K 1/2 m X (t 1 ). m X (t k ) K = C X (t 1, t 1 ) C X (t 1, t 2 ) C X (t 1, t k ) C X (t 2, t 1 ) C X (t 2, t 2 ) C X (t 2, t k )... C X (t k, t 1 ) C X (t k, t k ) Luis Henrique Assumpção Lolis Processos Estocásticos 28
29 Ex: Processo Gaussiano Contínuo Suponha X(t) um processo gaussiano com média e covariância definidos por: m X (t) = 3t e C X (t 1, t 2 ) = 9e 2 t 1 t 2 Calcular P [X(3) < 3] e P [X(1) + X(2) > 2] Luis Henrique Assumpção Lolis Processos Estocásticos 29
30 Wiener Wiener é um processo gaussiano cuja variância aumenta com o tempo. Se considerar um passo ±h de probabilidade p = 1/2 a cada δ segundos. E[hS n ] = 0, Var[hS n ] = h 2 n Agora reduzindo o intervalo tendendo a zero e o passo tendendo a zero δ 0 e h 0 e com h = aδ Var[X(t)] = ( αδ) 2 (t/δ) = αt Como o teorema do limite central direciona a soma de V.A.s i.i.d. para uma gaussiana gaussiano, então: 1 f X(t) (x) = e x2 2αt 2παt Luis Henrique Assumpção Lolis Processos Estocásticos 30
31 Wiener Luis Henrique Assumpção Lolis Processos Estocásticos 31
32 Sumário 1 Introdução 2 Definição 3 Especificando um processo aleatório 4 Processos no domínio do tempo discreto 5 Processos de Poisson 6 Processo Gaussiano e Wiener 7 Processos Aleatórios Estacionários Luis Henrique Assumpção Lolis Processos Estocásticos 32
33 Estacionariedade A aleatoriedade do processo não muda no tempo. Ex: média e variância constantes. Regime permanente. As propriedades conjuntas em (t 0, t 1 ) e (t 0 + τ, t 1 + τ) ficam as mesmas. Processo estacionário A probabilidade conjunta independe do instante inicial de observação: F X(t1 ),...,X(t k )(x 1,..., x k ) = F X(t1 +τ),...,x(t k +τ)(x 1,..., x k ) para qualquer τ, todo k e todos t 1,..., t k Luis Henrique Assumpção Lolis Processos Estocásticos 33
34 Estacionariedade de primeira ordem F X(t) (x) = F X(t+τ) (x) = F X (x), para todo t. Média e variância constantes para todo t m X(t) = E[X(t)] = m, para todo t Var[X(t)] = E[(X(t) m) 2 ] = σ 2, para todo t Luis Henrique Assumpção Lolis Processos Estocásticos 34
35 Estacionariedade de segunda ordem F X(t1 ),X(t 2 )(x 1, x 2 ) = F X(0),X(t2 t 1 )(x 1, x 2 ) = F X (x 1, x 2 ), para todo t 1, t 2. Autocorrelação e Autocovariância constantes pata todo t 2 t 1 R X(t) (t 1, t 2 ) = R X (t 2 t 1 ), para todo t 1, t 2. C X(t) (t 1, t 2 ) = C X (t 2 t 1 ), para todo t 1, t 2. Luis Henrique Assumpção Lolis Processos Estocásticos 35
TE802 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 maisMódulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia
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 maisPROCESSOS ESTOCÁSTICOS. O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial.
37 PROCESSOS ESTOCÁSTICOS O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial. Ex: i) O valor da temperatura média diária ou semanal numa cidade. O acontecimento
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 maisResumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf
Parte 7 Processos Estocásticos Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Processos Estocásticos 2 Classicação
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 maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
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 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 maisPRINCÍPIOS DE COMUNICAÇÃO
PRINCÍPIOS DE COMUNICAÇÃO RUÍDO EM MODULAÇÕES ANALÓGICAS Evelio M. G. Fernández - 2011 Processo Aleatório (ou Estocástico): Função aleatória do tempo para modelar formas de onda desconhecidas. Processos
Leia maisProcessos aleatórios - características
Capítulo 6 Processos aleatórios - características temporais 6.1 O conceito de processo aleatório Um processo aleatório ou estocástico é um espaço de amostras em que cada elemento é associado a uma função
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 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 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 IST-Secção de Sistemas e Controlo
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 maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 14 de abril de 2014 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
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 maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
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 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 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 maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
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 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 maisComunicações Digitais Prof. André Noll Barreto. Prova /1 (04/04/2017)
Prova 7/ (4/4/7) Aluno: Matrícula: Instruções A prova consiste de 4 (quatro) questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não é permitida consulta a qualquer
Leia maisSistemas Reparáveis - Processo de Contagem
Sistemas Reparáveis - Processo de Contagem Enrico A. Colosimo Colaboração: Rodrigo C. P. dos Reis e Maria Luiza Toledo Programa de Pós-Graduação em Estatística - UFMG Teoria básica de Processos de Contagem
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 maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Processos Estocásticos - Sinais que variam aleatoriamente no tempo. são regidos por processos estocásticos. 2 1 1
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 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 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 maisPROCESSO DE POISSON. Processo Estocástico Prof, Ms. Eliana Carvalho
Processo Estocástico Prof, Ms. Eliana Carvalho Este processo estocástico deve o seu nome ao matemático francês Simion-Denis Poisson (1781-1840). Espaço de estados discreto (cadeia) Variável tempo é contínua
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisEstimação no Domínio do tempo: Covariâncias e modelos ARIMA
Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de 2019 1 / 26 Índice 1 Estacionariedade
Leia mais195
195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245
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 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 maisCURTA REVISÃO SOBRE PROBABILIDADE E PROCESSOS ESTOCÁSTICOS
CURTA REVISÃO SOBRE PROBABILIDADE E PROCESSOS ESTOCÁSTICOS PARTE i Histórico Probabilidade Axiomática de Kolmogorov Variáveis Aleatórias Densidade de Probabilidade Desigualdade de Chebyshev Versão Fraca
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisteoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para
Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias. TE802 Somas de Variáveis Aleatórias
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 27 de setembro de 2017 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] +
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias.
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 25 de abril de 2016 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] + + E[X
Leia maisModelagem de um sistema por cadeias de Markov
Modelagem de um sistema por cadeias de Markov Sistemas sem memória : somente o estado imediatamente anterior influencia o estado futuro. rocesso estacionário: probabilidades de transição de um estado para
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 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 maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas e Sinais CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos
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 maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Leia maisProcessos de Poisson
Processos de Poisson Mauro C. M. Campos 1 SUMÁRIO I Alguns fatos sobre a distribuição exponencial 1 II Alguns fatos sobre a distribuição de Poisson 2 III Processos estocásticos em tempo contínuo 2 IV Processos
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 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 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 maisIntrodução aos Processos Estocásticos em Engenharia Elétrica 1
Introdução aos Processos Estocásticos em Engenharia Elétrica 10 de março de 2014 Introdução aos Processos Estocásticos em Engenharia Elétrica 1 Conteúdo 1 Modelos Matemáticos - Determinísticos e Probabiĺısticos
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Lei dos Grandes Números e Teorema Central do Limite 02/14 1 / 9 Lei dos Grandes Números Lei
Leia maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
Leia maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisProcessos Estocásticos
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2002/03 Colectânea de Exercícios Capítulo 1 Introdução aos Processos Estocásticos Exercício 1.1 O número de sinais emitidos por uma
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisEstatística Planejamento das Aulas
29 de outubro de 2018 Distribuição Discreta Uniforme No experimento estatístico, os eventos são equiprováveis. A v.a. discreta X assume n valores discretos tem função de probabilidade: { 1 se x f x = i
Leia maisModelagem Estocástica e Quantificação de Incertezas
Modelagem Estocástica e Quantificação de Incertezas Rubens Sampaio rsampaio@puc-rio.br Roberta de Queiroz Lima robertalima@puc-rio.br Departamento de Engenharia Mecânica DINCON 2015 Organização do curso
Leia maisDisciplina: 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 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 maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
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 maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 6: Desigualdades, Limites e 1 Normalização Desigualdade de Chebyshev Lei dos Grandes Números 2 3 Normalização Sumário Normalização Desigualdade de Chebyshev
Leia maisProcessos de Poisson
Processos de Poisson Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulo 5 Taylor & Karlin 1 / 37 Distribuição de Poisson Seja a variável
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 maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
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 maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
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 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 mais6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de
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 maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
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. 1 Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson. Renata Souza
Probabilidade Distribuição de Bernoulli 2 Distribuição Binomial 3 Multinomial 4 Distribuição de Poisson Renata Souza Distribuição de Bernoulli Uma lâmpada é escolhida ao acaso Ensaio de Bernoulli A lâmpada
Leia maisProbabilidade de Ruína e Processos de Lévy α-estáveis
Apresentação Probabilidade de Ruína e Processos de Lévy α-estáveis Universidade de São Paulo IME - USP 08 de abril, 2010 Apresentação Distribuições Estáveis e Processos de Lévy α-estáveis Convergência
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisPrincipais distribuições discretas Distribuição de Bernoulli sucesso fracasso X = 1, se sucesso X = 0, se fracasso P(X) TOTAL 1 Exemplo 5:
Principais distribuições discretas Na prática, sempre se procura associar um fenômeno aleatório a ser estudado, a uma forma já conhecida de distribuição de probabilidade (distribuição teórica) e, a partir
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Função Distribuição Condicional Calculando Probabilidades condicionando Esperança Condicional Aula de hoje Análise de Comandos de Programação
Leia maisProf. Walter Fetter Lages 4 de outubro de 2004
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica Programa de Pós-Graduação em Engenharia Elétrica ELE7-Tópicos Especiais em Automação e Controle II Introdução
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 maisSimulação com Modelos Teóricos de Probabilidade
Simulação com Modelos Teóricos de Probabilidade p. 1/21 Algumas distribuições teóricas apresentam certas características que permitem uma descrição correta de variáveis muito comuns em processos de simulação.
Leia maisProcessos de Lévy: Preliminares
Processos de Lévy: Preliminares Pedro A. Morettin Instituto de Matemática e Estatística Universidade de São Paulo pam@ime.usp.br http://www.ime.usp.br/ pam Sumário 1. Introdução 2. Alguns processos em
Leia mais