M. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57. + w y. f X,Y (x,y)dxdy (4.24) w y

Tamanho: px

Começar a partir da página:

Download "M. Eisencraft 4.6 Distribuição e densidade de uma soma de variáveis aleatórias57. + w y. f X,Y (x,y)dxdy (4.24) w y"

Izabel de Sá Vidal
7 Há anos
Visualizações:

1 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 a Eq e usando a regra de Leibniz chega-se à função densidade desejada f W (w) = + f Y (y)f X (w y)dy. (4.26) Esta expressão é uma integral de convolução. Consequentemente, mostrou-se que a função densidade da soma de duas variáveis aleatórias estatísticamente independentes é a convolução das suas densidades individuais. Exercício 4.8. Calcule a densidade de W = X + Y em que as densidades de X e Y são, respectivamente, f X (x) = 1 [u(x) u(x a)] a (4.27) f Y (y) = 1 [u(y) u(y b)] b (4.28) com 0 < a < b Soma de diversas variáveis aleatórias Quando deseja-se considerar a soma Y de N variáveis aleatórias X 1, X 2,..., X N, pode-se extender os resultados acima. Continuando o processo encontra-se que a função densidade de Y = X 1 +X X N é a convolução das funções densidade individuais: f Y (y) = f XN (x N ) f XN 1 (x N 1 ) f X1 (x 1 ). (4.29)

2 M. Eisencraft 4.7 Teorema do Limite Central Teorema do Limite Central De forma geral, o teorema do limite central diz que a função distribuição de probabilidades da soma de um grande número de VAs aproxima-se de uma distribuição gaussiana. Seja X i e σ 2 X i as médias e variâncias, respectivamente, de N variáveis aleatórias X i, i = 1,2,...,N que podem ter densidades de probabilidade arbitrárias. O teorema do limite central estabelece que a soma Y N = X 1 +X 2 + +X N, que tem média Y N = X 1 + X X N e variância σ 2 Y = σ2 X 1 +σ 2 X 2 + +σ 2 X N tem uma distribuição de probabilidade que se aproxima de uma gaussiana para N. A importância prática do teorema do limite central não reside tanto na exatidão da distribuição gaussiana quando N porque a variância de Y N torna-se infinita, mas sim no fato de que Y N para N finito ter distribuição muito próxima de uma gaussiana. Exercício 4.9. Use o Matlab R para traçar histogramas da variável aleatória Y = X 1 +X 2 + +X N, sendo que cada uma das VAs X i tem distribuição uniforme no intervalo [0,1]. Veja o que ocorre para diversos valores de N.

3 Capítulo 5 Operações sobre múltiplas variáveis aleatórias Nessa seção, estende-se o conceito de valor esperado para o caso de duas ou mais variáveis aleatórias. 5.1 Valor esperado de uma função de variáveis aleatórias O valor esperado de uma função de uma variável aleatória foi definido na Seção 3.1 por E[g(X)] = g(x)f X (x)dx. (5.1) Quando mais de uma variável aleatória é envolvida, o valor esperado deve ser tomado em relação atodasasvariáveis envolvidas. Por exemplo, seg(x,y) éuma função deduas variáveis aleatórias X e Y, o valor esperado de g(.,.) é dado por g = E[g(X,Y)] = g(x,y)f X,Y (x,y)dxdy. (5.2) Para N variáveis aleatórias X 1, X 2,..., X N e uma função dessas variáveis denotada por 59

4 M. Eisencraft 5.1 Valor esperado de uma função de variáveis aleatórias 60 g(x1,...,x N ), o valor esperado dessa função se torna: g = E[g(X 1,...,X N )] = g(x 1,...,x N )f X1,...,X N (x 1,...,x N )dx 1...dx N. (5.3) Um resultado que segue diretamente da definição acima é que o valor esperado de uma soma ponderada de variáveis aleatórias g(x 1,...,X N ) = N α i X i (5.4) é a soma ponderada de seus valores médios: [ N ] g = E α i X i = N α i E[X i ] (5.5) Momentos conjuntos em torno da origem Uma importante aplicação do valor esperado é na definição de momentos conjuntos em torno da origem. Eles são denotados por m nk e são definidos por m nk = E [ X n Y k] = x n y k f X,Y (x,y)dxdy (5.6) para o caso de duas variáveis aleatórias X e Y. Claramente, m n0 = E[X n ] são os momentos m n de X e m 0k = E [ Y k] são os momentos de Y. A soma n + k é chamada de ordem dos momentos. Assim, m 02, m 20 e m 11 são todos momentos de segunda ordem de X e Y. Os momentos de primeira ordem m 01 = E[Y] = Y e m 10 = E[X] = X são os valores esperados de X e Y respectivamente e são as coordenadas do centro de gravidade da função f X,Y (x,y). O momento de segunda ordem m 11 = E[XY] é chamado de correlação de X e Y. Ele é tão

5 M. Eisencraft 5.1 Valor esperado de uma função de variáveis aleatórias 61 importante que recebe um símbolo especial R XY. Assim, R XY = m 11 = E[XY] = xyf X,Y (x,y)dxdy. (5.7) Se a correlação puder ser escrita na forma R XY = E[X] E[Y], (5.8) então X e Y são ditas não-correlacionadas. A independência estatística de X e Y é suficiente para garantir que elas são não-correlacionadas. Porém, o contrário não é verdade em geral. Ou seja, independência implica não-correlação, mas não-correlação não implica independência. Se R XY = 0 as variáveis X e Y são ditas ortogonais. Resumindo: f X,Y (x,y) = f X (x) f Y (y) X e Y são independentes R XY = E[X] E[Y] X e Y são não-correlacionadas R XY = 0 X e Y são ortogonais X e Y são independentes X e Y são não-correlacionadas Exercício 5.1. Seja X uma variável aleatória com valor médio X = E[X] = 3 e variância σ 2 X = 2 e uma outra variável Y dada por Y = 6X +22. Pede-se: a E[X 2 ] b Y c R XY d as variáveis são correlacionadas? e as variáveis são ortogonais?

6 M. Eisencraft 5.1 Valor esperado de uma função de variáveis aleatórias Momentos conjuntos centrais Uma outra aplicação importante da definição de valores esperado é a definição de momentos centrais conjuntos. Para duas variáveis aleatórias X e Y, estes momentos denotados por µ n,k são dados por: [ (X ) n ( ) k ] µ nk = E X Y Y = ( x X ) n ( y Y ) kfx,y (x,y)dxdy (5.9) Os momentos centrais de segunda ordem [ (X ) 2 ] µ 20 = E X = σx 2 (5.10) [ (Y ) 2 ] µ 02 = E Y = σy 2 (5.11) (5.12) são as variâncias de X e Y. Omomento conjuntodesegundaordemµ 11 émuitoimportante. Échamadodeco-variância de X e Y é simbolizado por C XY. Assim, C XY = µ 11 = E [( X X )( Y Y )] = ( x X )( y Y ) fx,y (x,y)dxdy. (5.13) Expandindo-se o produto ( X X )( Y Y ) esta integral se reduz a C XY = R XY X Y = R XY E[X] E[Y] (5.14) SeX ey foremindependentes ounão-correlacionadas, entãor XY = E[X] E[Y]eC XY = 0. Se X e Y forem ortogonais, então C XY = E[X] E[Y]. Claramente, C XY = 0 se X ou Y também tiverem média nula além de serem ortogonais.

7 M. Eisencraft 5.2 Funções características conjuntas 63 O momento de segunda ordem normalizado ρ = µ 11 µ20 µ 02 = C XY σ X σ Y (5.15) é conhecido como coeficiente de correlação de X e Y. Pode-se mostrar [1] que 1 ρ 1. Uma aplicação direta das definições acima é que se X é uma soma ponderada de variáveis aleatórias X i, X = N α ix i, então E[X] = N α i X i (5.16) N σx 2 = αi 2 σ2 X i. (5.17) Exercício 5.2. [1] Num sistema de controle, sabe-se que uma tensão aleatória X tem média X = m 1 = 2V e momento de segunda ordem X 2 = m 2 = 9V 2. Se a tensão X é amplificada por um amplificador que fornece como saída Y = 1,5X +2, encontre σ 2 X, Y, Y 2, σ 2 Y e R XY. 5.2 Funções características conjuntas A função característica conjunta de duas VAs X e Y é definida por Φ X,Y (ω 1,ω 2 ) = E [ e jω 1X+jω 2 Y ] (5.18) em que ω 1 e ω 2 são números reais. Uma forma equivalente é Φ X,Y (ω 1,ω 2 ) = f X,Y (x,y)e jω 1x+jω 2 y dxdy. (5.19) Esta expressão é a transformada de Fourier bidimensional (com os sinais de ω 1 e ω 2 trocados) [3]. Fazendo ω 2 = 0 ou ω 1 = 0 na Eq. (5.19), a função característica de X ou Y é obtida,

8 M. Eisencraft 5.2 Funções características conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω 1 ) = Φ X,Y (ω 1,0) (5.20) Φ Y (ω 2 ) = Φ X,Y (0,ω 2 ) (5.21) Os momentos conjuntos m nk podem ser encontrados a partir da função característica conjunta por: m nk = ( j) n+k n+k Φ X,Y (ω 1,ω 2 ) ω n 1 ω k 2 ω1 =0,ω 2 =0 (5.22) Esta expressão é a generalização bidimensional da Eq. (3.16). Exercício 5.3. Duas variáveis aleatórias X e Y tem função característica conjunta Φ X,Y (ω 1,ω 2 ) = exp ( 2ω 2 1 8ω3 2 ) (5.23) Mostre que X e Y têm média nula é que elas são não correlacionadas.

9 Referências Bibliográficas [1] P. Z. P. Jr., Probability, Random Variables And Random Signal Principles, 4th ed. New York: Mcgraw-Hill, [2] B. P. Lathi, Modern Digital and Analog Communication Systems, 3rd ed. New York, NY, USA: Oxford University Press, Inc., [3] A. V. Oppenheim, A. S. Willsky, and S. H. Nawab, Sinais e sistemas, 2nd ed. São Paulo: Pearson Prentice Hall,

Documentos relacionados

5.3 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