FUNDAMENTOS DE PROBABILIDADE E
|
|
- Lucas Gabriel Coelho Faria
- 7 Há anos
- Visualizações:
Transcrição
1 Variáveis aleatórias Estimação e Filtragem Estocástica Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de Automação Departamento de Engenharia Elétrica Universidade de Brasília FUNDAMENTOS DE PROBABILIDADE E Definição 1 (Variável Aleatória (v.a.)): Uma função real X( ) definida no espaço de probabilidades Ω é dita uma variável aleatória (v.a.) se para todo número x R, a inequação X(ω) x representa um conjunto (eventos) cuja probabilidade de ocorrência é definida. ESTATÍSTICA Geovany A. Borges gaborges@ene.unb.br Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 1 Variáveis aleatórias Tem-se ainda que Variáveis aleatórias contínuas Função de distribuição: F X (x) Pr{X(ω) x} lim F X(x) 0 x lim F X(x) 1 x Se x 1 < x então {X(ω) x } {X(ω) x 1 } {x 1 < X(ω) x }, que são conjuntos dijuntos. Assim levando a Pr{X(ω) x } Pr{X(ω) x 1 } + Pr{x 1 < X(ω) x } Propriedades de F X (x): Monotônica não-drescente: se x 1 < x, então {X(ω) x 1 } {X(ω) x } e assim F X (x 1 ) F X (x ) Pr{x 1 < X(ω) x } Pr{X(ω) x } Pr{X(ω) x 1 }. Função de Densidade de Probabilidade (FDP): p X (x) df X(x) dx Estimação e Filtragem Estocástica - Prof. Geovany A. Borges Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 3
2 Como F X (x) é monotônica não-drescente, então p X (x) 0. E ainda F X (x) com F X ( ) x p X (ξ)dξ p X (ξ)dξ 1. Tem-se ainda que p X () p X ( ) 0. Variáveis aleatórias Variáveis aleatórias discretas (número contável de valores) Função de massa: m X (x) > 0 tal que F X (x) Pr{X(ω) x} () m X (ξ) (3) ξ x Considerando o intervalo x X(ω) x + x, tem-se Pr{x X(ω) x + x} x+ x x p X (ξ)dξ p X (x) x (1) se x suficientemente pequeno. Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 4 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 5 Caracterização de variáveis aleatórias Expectância (esperança, média ou primeiro momento) Caso contínuo: Caso discreto: E{X(w)} xp X (x)dx (4) E{X(w)} ξ Ω ξm X (ξ) (5) Propriedades: Se y f(x) com f( ) sendo uma função escalar monotônica no intervalo x 1 x x. Tem-se que A partir de então, pode-se demonstrar que Assim E{Y } p Y (y) p X (f 1 (y)) dy dx yp Y (y)dy 1 xf 1 (y) (7) f(x)p X (x)dx (8) Sendo X c, com c sendo uma constante, ou seja, p X (x) δ(x c), então E{X} c. Sendo Y a g 1 (X) + b g (X), com a e b sendo constantes, então E{Y } a E{g 1 (X)} + b E{g (X)} (9) Pr{y 1 y y } Pr{x 1 x x }. (6) Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 6 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 7
3 Caracterização de variáveis aleatórias Define-se também σ{x} var{x} como desvio padrão da v.a. X. n-ésimo momento (momento de ordem n) Mediana med{x} arg xmed F X {x med } 1 E{X n } x n p X (x)dx n-ésimo momento central (momento central de ordem n) E {(X E{X}) n } (x E{X}) n p X (x)dx Caso especial: para n o momento central é chamado de variância var{x} E{(X E{X}) } E{X } E{X} Moda: máximos locais da FDP p X (x), ou seja mod{x} deve satisfazer a ambas as relações abaixo: p X (x) x p X (x) x 0 xmod{x} < 0 xmod{x} Se p X (x) tiver apenas uma moda, diz-se que ela é monomodal. Uma FDP com duas ou mais modas é dita multimodal. Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 8 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 9 Se p X (x) for monomodal e simétrica com relação à média E{X}, então med{x} mod{x} E{X}. Distribuições unidimensionais discretas Distribuição de Bernoulli Nesta distribuição Ω {0,1} representa a ocorrência ou não de um evento. A função de massa é dada por m X (x) { 1 p, x 0 p, x 1 (10) em que p é a probabilidade de ocorrência do evento (x 1). Distribuição Binomial Uma v.a. Y com distribuição Binomial representa a soma de n v.a.s X k de Bernoulli com parâmetro p n Y X k. (11) k1 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 10 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 11
4 Sendo assim, Ω {0,1,,..., n} e com Usada na contagem de eventos. ( n m Y (k) k ( n k ) ) p k (1 p) n k n! k!(n k)! Distribuições unidimensionais contínuas Distribuição Uniforme Uma v.a. X de distribuição uniforme com parâmetros b a possui Ω [a,b] e FDP { 1 p X (x) b a, a x b (1) 0, caso contrário. Distribuição Uniforme: Uma v.a. discreta uniforme X possui espaço amostral Ω {a, a + 1,..., b 1, b} tal que b a são parâmetros que definem um intervalo e m X (k) { 1 b a+1, k a,...,b 0, caso contrário. Usada quando os elementos de Ω forem equiprováveis. Notação: X U(a,b). Tem-se ainda que F X (x) E{X} b a 0, x < a x a b a, a x < b 1, x b (13) (14) Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 1 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 13 Distribuição Normal (ou Gaussiana) Uma v.a. X de distribuição Gaussiana com parâmetros µ e σ possui Ω R e FDP Notação: X N(µ, σ ) Tem-se ainda que p X (x) [ 1 exp 1 πσ (x µ) σ E{X} µ, E{(X E{X}) } σ. ]. (15) em que G ( ) é denominada de função de Gauss sendo dada por G(u) 1 π u exp ] [ v dv Deve ser observado que sendo G( ) F X ( ) 1, então exp ] [ v dv π G( ) π Interpretação gráfica da FDP: monomodal e simétrica com relação à média. A função de distribuição de X é dada por 1 x [ F X (x) exp 1 (u µ) ] ( ) x µ πσ σ du G σ Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 14 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 15
5 Exemplo 1 (Transformação afim de uma v.a. Gaussiana): Se X N(µ X, σ X ), qual seria a distribuição da v.a. Y ax + b, sendo a 0 e b constantes reais? Solução: aplicar a eq. (7). Distribuições unidimensionais contínuas Distribuição χ n (Qui-quadrado com n graus de liberdade) Uma v.a. X de distribuição χ n com parâmetro n 1 inteiro possui Ω [0, ) e FDP { x n/ 1 p X (x) exp( x/), x 0 n/ Γ(n/) (16) 0 caso contrário com Γ(u) 0 x u 1 exp( x)dx, u > 0, sendo função Gama. Esta função possui as seguintes propriedades: se u é um inteiro e Γ(1/) π. Notação: X χ n Γ(u) (u 1)Γ(u 1) (u 1)! Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 16 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 17 Tem-se ainda que Variáveis aleatórias de distribuição conjunta E{X} var{x} n n Se as v.a.s X 1, X,..., X n estão definidas no mesmo espaço Ω, então elas são ditas de distribuição conjunta com distribuição dada por Exemplo (Transformação quadrática de uma v.a. Gaussiana): Se V N(0,1), é uma v.a. de distribuição normal, então W V é uma v.a. de distribuição χ 1. F X1,X,...,X n (x 1, x,..., x n ) Pr{X 1 x 1, X x,..., X n x n } x1 x xn p X1,X,...,X n (u 1, u,..., u n )du 1 du du n com p X1,X,...,X n (x 1, x,..., x n ) sendo a FDP conjunta tal que p X1,X,...,X n (x 1, x,..., x n ) n F X1,X,...,X n (x 1, x,..., x n ) x 1 x x n (17) Propriedades de F X1,X,...,X n (x 1, x,..., x n ): F X1,...,X i,...,x n (x 1,..., x i,..., x n ) 0 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 18 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 19
6 uma vez que Pr{X i } 0. F X1,...,X n (,...,) 0 F X1,...,X n (,..., ) 1 p X1,X,...,X n (x 1, x,..., x n ) 0 Pr{x a < X 1 x b, X x,..., X n x n } F X1,X,...,X n (x b, x,..., x n ) F X1,X,...,X n (x a, x,..., x n ) Variáveis aleatórias de distribuição conjunta Função de distribuição conjunta de um subconjunto de v.a.s: sendo m < n F X1,...,X m (x 1,..., x m ) F X1,...,X m,...,x n (x 1,..., x m,,..., ) x1 xm p X1,X,...,X n (u 1, u,..., u n )du 1 du du n } {{ } } m {{ } n Pr{x 1 < X 1 x 1 + x 1,..., x n < X n x n + x n } p X1,X,...,X n (x 1, x,..., x n ) x 1 x n F X1,...,X m (x 1,..., x m ) é chamada de distribuição marginal das v.a.s X 1,..., X m. Se n, então tem-se uma distribuição Bivariável Se n >, então tem-se uma distribuição Multivariável Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 0 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 1 Expectância marginal E{X k }, com 1 k n: partindo de Com p Xk (x k ) df X k (x k ) dx k E{X k } x k p Xk (x k )dx k x k F X1,...,X k 1,X k,x k+1,...,x n (,..., x k..., ) p X1,...,X k 1,X k,x k+1,...,x n (u 1,..., u k 1, x k, u k+1,..., u n ) du 1,..., du k 1, du k+1,..., du n Portanto E{X k } x k p X1,...,X k,...,x n (u 1,..., x k,..., u n )du 1,..., dx k,..., du n u k p X1,...,X n (u 1,..., u n )du 1,..., du n Independência: duas v.a.s de distribuição conjunta X i e X j, i j, são ditas independentes se os eventos {X i x i } e {X j x j } forem indepentes. Isto leva a e em conseqüência F Xi,X j (x i, x j ) F Xi (x i )F Xj (x j ) (18) p Xi,X j (x i, x j ) F Xi,X j (x i, x j ) x i x j p Xi (x i )p Xj (x j ) (19) Estimação e Filtragem Estocástica - Prof. Geovany A. Borges Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 3
7 Variáveis aleatórias de distribuição conjunta Exemplo 3 (Distribuição conjunta bivariável uniforme): Considerando X e Y v.a.s distribuídas conjuntamente tal que p X,Y (x, y) { 1 T X T Y, no espaço [0, T X ] [0, T Y ] 0, caso contrário determinar as densidades marginais de X e Y e verificar se estas v.a.s são independentes. Exercício 1 (Independência de v.a.s Gaussianas): Considerando X e Y v.a.s gaussianas distribuídas conjuntamente tal que { 1 [ p X,Y (x, y) cexp 36x y 9x 36 ]} 18 determinar as condições necessárias para que X e Y sejam estatisticamente independentes. Variáveis aleatórias de distribuição conjunta V.A.s mutuamente independentes: as v.a.s X 1,, X n são mutuamente independentes se n F X1,,X n (x 1,, x n ) F Xi (x i ) (0) e em conseqüência n p X1,,X n (x 1,, x n ) p Xi (x i ) (1) De forma similar, X 1,, X i e X i+1,, X n são independentes se p X1,,X i,x i+1,,x n (x 1,, x i, x i+1, x n ) p X1,,X i (x 1,, x i ) p Xi+1,,X n (x i+1, x n ) Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 4 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 5 Variáveis aleatórias de distribuição conjunta Expectância de uma função aleatória multivariável: sendo Y f(x 1,, X n ), então com cov{x i, X i } var{x i }. Intuitivamente, se cov{x i, X j } 0 existe alguma relação (linear ou não) entre elas. Coeficiente de correlação: E{Y } y p Y (y)d y () f(x 1,, x n )p X1,...,X n (x 1,, x n )dx 1 dx n (3) tal que 1 ρ(x i, X j ) 1. ρ(x i, X j ) cov{x i, X j } σ{x i }σ{x j } (5) Covariância: se X i e X j, i j, são duas v.a.s, define-se a covariância entre elas como cov{x i, X j } E{(X i E{X i }) (X j E{X j })} (4) E{X i X j } E{X i }E{X j } Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 6 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 7
8 Exemplo 4 (Covariância de v.a.s independentes): Se X i e X j são independentes, demonstrar que cov{x i, X j } E{X i X j } E{X i }E{X j } 0 (6) o que significa que X i e X j são não-correlacionadas e portanto E{X i X j } E{X i }E{X j } E ainda, ρ(x i, X j ) 0 se ρ{x i }ρ{x j } 0. Vetores de variáveis aleatórias Um vetor aleatório é formado a partir de v.a.s X 1, X,..., X n de distribuição conjunta, e dado por X X 1 X. X n [ X 1 X X n ] T simpificando a notação, a PDF associada é dada por p X1,X,...,X n (x 1, x,..., x n ) p X (x) em que x [ x 1 x x n ] T é um vetor e p X (x)dx 1 Observa-se que p X (x) é um escalar. De forma similar E{X} [ E{X 1 } E{X } E{X n } ] T Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 8 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 9 Matriz de covariâncias de X: Portanto, P X P X E{(X E{X}) (X E{X}) T } X 1 E{X 1 } E X E{X }. [ ]T X n E{X n } var{x 1 } cov{x 1, X } cov{x 1, X n } cov{x, X 1 } var{x } cov{x, X n }..... cov{x n, X 1 } cov{x n, X } var{x n } sendo simétrica uma vez que cov{x i, X j } cov{x j, X i } e positiva semidefinida pois u T P X u 0 para todo u 0. Vetores de variáveis aleatórias Distribuição Gaussiana Multivariada p X (x) { 1 exp 1 } (π) n/ P X 1/ (x E{X})T P 1 X (x E{X}) com P X sendo o determinande de P X. Notação: X N(E{X},P X ) Se os elementos de X forem não-correlacionados, ou seja, cov{x i, X j } 0, i j, então pode-se mostrar que n n { 1 p X (x) p Xi (x i ) exp 1 (x i E{X i }) } (π) 1/ var{x i } 1/ var{x i } Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 30 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 31
9 uma vez que P X n ι1 var{x i} e 1 var{x 1 } 0 0 P 1 1 X 0 var{x } var{x n} Neste caso, como X é formado por elementos independentes e de mesma distribuição (embora de diferentes parâmetros E{X i } e var{x i }), diz-se que X é formado por elementos i.i.d. (independentes e identicamente distribuídos). Pode-se verificar que, para A e b sendo contantes tais que dim{a} m n e dim{b} m 1 e X sendo uma v.a. de distribuição multivariada, então a transformação afin Y AX + b (7) resulta em E{Y } AE{X} + b (8) P Y AP X A T (9) No mais, se X é Gaussiana, então Y também o será. Para comprovar esta última afirmação, faz-se necessário determinar p Y (y). Simulação de uma v.a. Gaussiana multivariável: usando o resultado acima, se X N(0,I n ), com I n sendo a matriz identidade de dimensão n, então Y N(b,AA T ). Isto significa que, se for desejado obter Y N(E{Y },P Y ), então basta escolher b E{Y }, (30) AA T P Y, (31) Para determinar a matriz A tal que eq.(31) seja resolvida, usa-se a fatoração de Cholesky. Pela fatoração de Cholesky, obtém-se a matriz triangular superior R tal que P Y R T R. Portanto, tem-se A R T. A variável aleatória Q (X E{X}) T P 1 X (X E{X}) Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 3 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 33 é χ n. Para verificar este resultado, considera-se a v.a. tal que P 1/ X ( P 1 X X simétrica e positiva semidefinida, e P 1/ U P 1/ X (X E{X}) (3) ) 1, uma vez que PX P 1/ X P1/ X é ) 1/ (P 1/ simétrica). Pode-se verificar que X E{U} 0 P U é sua matriz raiz-quadrada (também I n significando que os elementos de U são i.i.d. Gaussianos de média nula e variância unitária. Por outro lado, Q pode ser decomposta em Q U T U n Ui (33) A função q (x E{X}) T P 1 X (x E{X}) é comumente usada para testar a hipótese do vetor x pertencer a uma distribuição N(E{X},P X ), considerada verdadeira se q χ n(1 r) com 1 r sendo o percentual da distribuição χ n. Geralmente escolhe-se 1 r 0,95. Consultando a tabela χ n, montada para valores de 1 r, obtem-se [1] (1 r) 0,95 com n 1 χ 1(1 r) 3,841 (1 r) 0,95 com n χ (1 r) 5,991 (1 r) 0,95 com n 3 χ 3(1 r) 7,815 que é a definição de uma v.a. de distribuição χ n. Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 34 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 35
10 Vetores de variáveis aleatórias Exemplo 5 (Casamento probabilístico de padrões): Existe uma classe de problemas de reconhecimento de padrões que se apresentam da seguinte forma []. Dispõe-se de K vetores de características x 1,,x K, cada qual assumido de distribuição Gaussiana de média E{X k } e matriz de covariâncias P Xk. Deseja-se verificar qual destes vetores corresponde (com maior probabilidade) a um vetor de referência y suposto N(E{Y },P Y ). Neste problema, encontrar a boa correspondência significa determinar o par {x k,y} tal que a distância (probabilística) x k e y seja a menor. Solução: Para todo 1 k K, determinar o vetor de diferença ε k y x k para o qual E{ε k } E{Y } E{X k } e P εk P Y + P Xk. Pode-se observar que ε T k ε k é a distância euclidiana entre y e x k. No entanto, esta métrica de distância não considera as incertezas devido às distribuições. Para todo 1 k K, determinar a medida q k (ε k E{ε k }) T P 1 ε k (ε k E{ε k }) que segue χ n. É comum também assumir que a correpondência é verdadeira, e assim E{Y } E{X k }, resultando em q k (y x k ) T (P Y +P Xk ) 1 (y x k ) e neste caso, esta medida é chamada de Distância de Mahalanobis. O par {x k,y} de menor distância estatística é aquele cujo índice k satisfaz a k arg k min q k e a correspondência será aceita se q k χ n(1 r). Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 36 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 37 Vetores de variáveis aleatórias Distribuição Gaussiana Bivariada Considera-se o caso de uma distribuição Gaussiana com n : X [ X 1 X ] T E{X} [ E{X 1 } E{X } ] T [ ] σ P X X1 σ X1 X σ X1 X σ X em que cov{x 1, X } cov{x, X 1 } σ X1 X ρ σ X1 σ X. Como P X é simétrica, ela pode ser decomposta em P X e 1 v 1 v T 1 + e v v T com e 1 e e sendo os autovalores de P X e v 1 e v sendo seus autovetores. FDP conjunta: para um dado x [x 1, x ] T com q p X (x) σ X1 1 { πσ X1 σ exp 1 } q X 1 ρ { (x1 ) 1 E{X 1 } 1 ρ σ X1 ( ) ( ) ( ) } x1 E{X 1 } x E{X } x E{X } ρ + σ X σ X Fazendo u 1 (x 1 E{X 1 })/σ X1 e u (x E{X })/σ X, q pode ser re-escrita como q u T P 1 u u 1 em que u [u 1, u ] T e P u { u 1 ρ 1 u 1 u ρ + u } ]. [ 1 ρ ρ 1 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 38 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 39
11 Representação gráfica. No plano x 1 x, uma forma de representar gráficamente a distribuição bivariada é por meio da curva de nível correspondentes a uma densidade constante, ou seja, p X (x) const. Isto implica em q 1 { u 1 ρ 1 u 1 u ρ + u } c (34) com c sendo uma constante cujo significado ficará logo claro. Dado que ρ 1, a eq. (34) corresponde a uma elipse com os seguintes parâmetros: Centro: E{X} [E{X 1 }, E{X }] T (35) Ângulo com relação ao eixo x 1 : θ 1 arctan (ρσ X1 σ X σ X 1 σ X Eixos principais : r 1 (menor) e r (maior) ) r 1 r cσ X 1 σ X (1 ρ ) σ X cos (θ) ρσ X1 σ X sin(θ)cos(θ) + σ X 1 sin (θ) cσ X 1 σ X (1 ρ ) σ X sin (θ) + ρσ X1 σ X sin(θ) cos(θ) + σ X 1 cos (θ) (36) (37) Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 40 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 41 Assim, no plano x 1 x tem-se abaixo um exemplo com ρ > 0. Verifique você mesmo: se n 3, então p X (x) const. implica em uma elipsóide. Exemplo 6 (Elipse 3-sigma de uma distribuição gaussiana bivariada): Simulação gaussiana bivariada realizada considerando E{X 1 } 5, E{X } e diferentes valores de P X. Esta elipse é comumente chamada de Elipse de incerteza c sigma, cujo interior incorpora uma determinada porcentagem p da distribuição de X. Pode-se demonstrar que p 1 1 e c. (38) No caso especial de c 3, tem-se a chamada elipse 3-sigma, que incorpora p 98, 9981% da distribuição de X. Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 4 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 43
12 Probabilidade condicional de variáveis aleatórias FDP condicional Considerando A e B eventos, a probabilidade condicional é dada por Pr{A B} Pr{A B} Pr{B} Se associarmos estes eventos a variáveis aleatórias X e Y de distribuição contínua, pode-se considerar p X Y (x y) df X Y (x y) dx p X,Y (x, y) p Y (y) p X,Y (x, y) p X,Y (x, y)dx (40) A {X x}, com y > 0. Então, pode-se mostrar que B {y < Y < y + y}, No caso discreto: m X Y (x, y) m X,Y (x, y) m Y (y) (41) F X Y (x y) lim Pr{X x y < Y < y + y} y 0 (39) F / x X,Y (x, y) dfy (y) X,Y (u, y)du. y dy p Y (y) Regra de Bayes para FDPs de variáveis aleatórias: p X Y (x y) p Y X(y x)p X (x) p Y (y) (4) Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 44 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 45 Expectância condicional: E{X Y } xp X Y (x y)dx (43) Como E{X Y } e p X Y (x y) são funções da v.a. Y, elas são portanto v.a.s. Propriedades: p X Y (x y) 0 (44) F X Y ( y) p X (x) p X Y (x y)dx 1 (45) p X,Y (x, y)dy p X Y (x y)p Y (y)dy (46) E Y {p X Y (x y)} (47) E{X} E{g(Y ) Y } g(y ) xp X (x)dx x p X Y (x y)p Y (y)dydx (48) [ ] xp X Y (x y)dx p Y (y)dy E Y {E{X Y }} g(y )p X Y (x y)dx (49) p X Y (x y)dx g(y ) (50) com g(y ) sendo uma função escalar, ou seja, g(y ) : R m R. Matriz de covariâncias condicional P X Y E{(X E{X}) (X E{X}) T Y } (51) Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 46 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 47
13 Probabilidade condicional de variáveis aleatórias Exercício (Condicional de distribuição exponencial): Considere X, Y v.a.s cuja distribuição conjunta seja p X,Y (x, y) { e y 0 < x < y < 0 caso contrário Determine: (i) a fdp marginal de X, (ii) a fdp condicional de Y dado X x e (iii) a esperança e variância de Y dado X x. Exercício 3 (Distribuição bivariada gaussiana):. Exercício 4 (Distribuição bivariada gaussiana): Considere X, Y vetores de v.a.s Gaussianas dos quais se obtém Z X + g(y ). em que g(.) é uma transformação não-linear. Determine p Z Y (z y), E{Z Y } e E{(Z E{Z Y })(Z E{Z Y }) T Y }. Considere X, Y v.a.s Gaussianas cuja distribuição conjunta seja p X,Y (x, y) 1 { π exp (x 6xy + 5y } ). Determine p Y (y) e p X Y (x y). Sugestão: complete os quadrados da função f(x, y) (x 6xy + 5y ) de forma a obter f(x, y) g(x, y) + h(y). Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 48 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 49 Estatística amostral Estimação da média, matriz de covariâncias e FDP de uma v.a. X a partir de M amostras x 1,,x M. Média amostral: x 1 M M x i (5) Esta estimativa é não-polarizada pois E{ x} E{X} e consistente uma vez que P x 0 com M. Covariância amostral: P X 1 M M (x i x)(x i x) T (53) Esta estimativa é polarizada pois E{ P X } P X. Pode-se mostrar que P X 1 M 1 M (x i x)(x i x) T (54) é uma estimativa não polarizada (chamada de matriz de covariâncias amostral não-polarizada). FDP a partir de histograma Caso escalar: dadas amostras x 1,, x M, obtém-se um histograma, que nada mais é que um gráfico do número de amostras pertencentes a intervalos. Os intervalos possuem espaçamentos x iguais entre os limites x min min(x 1,, x M ) e x max max(x 1,, x M ) : x min, x min + x,, x min,, x k 1, x k,, x max x, x max. com o k-ésimo intervalo sendo dado por [x k 1, x k [. Denomina-se n k o número Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 50 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 51
14 de amostras neste intervalo. Assim, tem-se que Pr{x k 1 X < x k } n k M p X (x k 1 ) x Portanto, pode-se obter uma estimativa para a PDF em p X (x k 1 ) através de p X (x k 1 ) n k M x Deve-se observar que esta é uma forma não paramétrica da PDF p X (x). Caso bivariável: dadas amostras x 1,,x M, obtém-se um histograma bidimensional, que é um gráfico do número de amostras pertencentes a intervalos em duas dimensões. Os intervalos possuem espaçamento x [ x 1, x ] T igual entre os limites x d,min min(x d,1,, x d,m ) e x d,max max(x d,1,, x d,m ), para d 1, (no caso N é a dimensão da v.a. amostrada). O histograma é portanto um gráfico de contagens de amostras inseridas nos intervalos bidimensionais I i,j [x 1,i 1, x 1,i [ [x,j 1, x,j [ para os quais i e j os índices do intervalo nas dimensões 1 e, respectivamente. Denomina-se n Ii,j o número de amostras em cada intervalo I i,j. Assim, tem-se que Pr{{x 1,k 1 X 1 < x 1,k }, {x,k 1 X < x,k }} n I i,j M p X (x ij [ x 1,i 1 x,j 1 ] T ) x 1 x Portanto, pode-se obter uma estimativa para a PDF em p X (x ij ) através de n Ii,j p X (x ij ) M x 1 x Caso multi-variável: extensão para N variáveis a partir do caso bivariável. Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 5 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 53 Funções de variáveis aleatórias Conceitos básicos: seja Y g(x) tal que g(x) : R n R m é um mapeamento de domínio D X e imagem I Y. O problema consiste em determinar a distribuição de Y a partir da distribuição de X. Este problema resolve-se a partir de Pr{I Y } Pr{C X } Exemplo 7 (Transformação linear): Considere Y ax + b com a, b constantes, e X e Y v.a.s unidimensionais. Sendo esta função monotônica, pode-se verificar que F X ( y b a ), a > 0 F Y (y) 1 F X ( y b a ), a < 0 1(y b), a 0 p X ( y b a )1 a, a > 0 p Y (y) p X ( y b a )1 a, a < 0 δ(y b), a 0 em que 1(u) é a função degrau em u 0, e δ(u) é a função impulso em u 0. Se a 0, p Y (y) pode ser escrito como p Y (y) p X ( y b a ) 1 a que é o mesmo resultado obtido pela eq. (7). em que C X é o contra-domínio de g(x), determinado a partir de I Y e g 1 (X) (função inversa). Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 54 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 55
15 Exemplo 8 (Transformação quadrática): Considere Y X com X e Y v.a.s unidimensionais. Pode-se verificar que C X somente existe para Y 0. Neste caso, Portanto, I Y {0 Y y} C X { y X y} Determinação direta da FDP Caso escalar: g 1 (Y ) pode ter um ou mais mapeamentos. p Y (y) p X(x 1 ) g (x 1 ) + + p X(x n ) g (x n ) (55) n 1 p X (x i ) dg(y) dx xx i (56) F Y (y) p Y (y) { FX ( y) F X ( y), y 0 0, caso contrário. { 1 [ y px ( y) + p X ( y) ], y 0 0, caso contrário. em que x 1,, x n são as soluções para a variável x em g 1 (y) x. Exercício 5 (Transformação escalar raiz-quadrada): Considere Y X 1/ com X e Y v.a.s unidimensionais. Sendo X N(µ, σ X ) com parâmetros µ e σ tais que Pr{X 0} 0. Determinar p Y (y). Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 56 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 57 Determinação direta da FDP Caso vetorial com g(x) monotônica, g(x) : R n R n. (atenção: X e Y são de mesma dimensão) p Y (y) p X (g 1 (y)) det(j 1 ) p X(g 1 (y)) det(j) (57) em que as funções g i (x) são obtidas de g(x) g(x) g 1(x). g n (x). (59) Exemplo 9 (Conversão coordenadas cartesianas em coordenadas polares): Considere um ponto P de coordenadas cartesianas (X, Y ) tal que X N(x 0, σ ) e Y N(y 0, σ ) são independentes. Determinar a fdp conjunta das coordenadas polares de P. Quais as distribuições marginais de tais coordenadas? com det(j 1 ) 1/det(J) e J sendo a Jacobiana da transformação, de dimensão n n, dada por J g 1 (x) g 1 (x) x n x 1.. g n(x) x 1 g n(x) x n xg 1 (y) (58) Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 58 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 59
16 Propagação de incertezas Propagação de incertezas Definição do problema: determinar a média e a matriz de covariâncias da v.a. Y g(x) em que X é uma v.a. de média E{X} e matriz de covariâncias P X. Nesse caso, g(x) : R n R l em que não necessariamente l n. Solução fechada para g(x) AX + b: E{Y } AE{X} + b P Y AP X A T. Aproximações para g(x) sendo uma função não-linear Simulação de Monte Carlo: Gera-se S amostras {x i } S, das quais obtém-se y i g(x i ). Assim, estimativas para a média e matriz de covariâncias de Y são dadas por E{Y } ȳ 1 S P Y P Y 1 S 1 S y i (60) S (y i ȳ)(y i ȳ) T (61) Observa-se que nada é necessário ser afirmado sobre a distribuição de Y ou de X. Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 60 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 61 Aproximação de primeira ordem (linearização): Se g(x) for sufientemente suave em torno do suporte da distribuição de X, pode-se mostrar que sendo X gaussiano, Y será aproximadamente gaussiano. Para demonstrar isto, conseidera-se a seguinte parametrização de X N(E{X},P X }: X E{X} + X com X N(0,P X }. Por expansão em série de Taylor, truncada em primeira ordem, gaussiana X. Pode-se então obter E{Y } g(e{x}) P Y ( g(u) u ue{x} )P X ( g(u) u ue{x} Propagação implícita: Técnica proposta em [3] para estimação de matriz de covariâncias de parâmetros estimados por minimização de função de custo. A ser detalhado mais à frente no curso. ) T Y E{Y } + Y g(e{x} + X ) g(e{x}) + g(u) u X ue{x} Então, Y é aproximadamente obtido por uma transofmação afim sobre a v.a. Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 6 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 63
17 Unscented Transform (UT): Forma simplificada da simulação de Monte Carlo em que são geradas amostras consideradas relevantes de X. Em suma, de acordo com [4], gera-se S n + 1 amostras {x i } S 1 i0 (ou também denominados de pontos-sigma) segundo as regras abaixo: x i E{X}, ( ) para i 0 E{X} + n 1 w 0 P X para i 1,..., n ( ) i E{X} n 1 w 0 P X para i n + 1,...,n em que ( ) i é um operador que corresponde à i-ésima coluna da matriz argumento. Deve ser observado que é a raiz quadrada matricial, sendo que em alguns casos usa-se também a decomposição de Cholesky. Associado a cada ponto-sigma tem-se um peso w i 1 w 0 n para i 0, e w 0 é um parâmetro de entrada. Supondo-se que a distribuição de X seja Gaussiana, de acordo com [4] recomenda-se w i n A partir dos ponto-sigma obtém-se y i g(x i ). As estimativas para a média e matriz de covariâncias de Y são dadas por S 1 E{Y } ȳ w i y i (6) i0 S 1 P Y P Y w i (y i ȳ)(y i ȳ) T (63) i0 Exemplo 10 (Propagação em um caso de distribuição gaussiana bivariada): Simulação propagacao incertezas para avaliar a escolha entre raiz quadrada matricial e decomposição de Cholesky na propagação pela UT com diferentes valores de P X. Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 64 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 65 Geração de números aleatórios Gerador de números aleatórios: algoritmo que gera amostras de uma v.a. X a partir de p X ou de F X. Geradores de distribuições uniformes x 1, x, x 3,... Fórmula genérica de geradores lineares congluentes: x i (a x i 1 + b)mod(k + 1) que gera números com as seguintes propriedades: I. Valores gerados entre 0 e K. II. K é um número primo muito grande III. x i é uma seqüência periódica, com periodicidade K 0 K IV. x 0 é chamado de semente do gerador V. a, b e K devem ser bem escolhidos Alguns geradores: Park & Miller: a 7 5 b 0 K 31 Gerador com K 0 30 Gerador U(0,1): a b 1345 K 3 1 ( ) a xi 1 + b x i mod(1) K + 1 de onde verifica-se que os geradores funcionam se a seqüência discreta for instável. x i a K + 1 x i 1 + b K + 1 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 66 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 67
18 Geradores de distribuições não-uniformes Método da inversa generalizada Sendo F X (x) uma função de distribuição, define-se a inversa generalizada como sendo F 1 X (u) inf {x;f X(x) u} Portanto, para se obter uma amostra x i da distribuição F X, utiliza-se o seguinte algoritmo: I. Gera-se u U(0,1) II. Obtem-se uma amostra x i F 1 X (u) Gerador normal usando o teorema do limite central Pelo teorema do limite central, a soma Y com os X i sendo i.i.d., tende a uma distribuição Gaussiana quando m. A m X i média e variância de Y são dados por m E{Y } Ȳ E{X i } E{(Y E{Y }) } σ Y Sendo X i U(0,1), obtém-se Ȳ m/ e σ Y m/1. Com m, pelo teorema do limite central obtém-se Y N( m, m 1 ) m Assim, se for de interesse gerar Z N(0,1) basta fazer Z que se torna fácil de resolver se m 1. (Y m/) m/1 σ X i Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 68 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 69 Método da mistura Se a FDP de X puder ser escrita sob a forma p X (x) m ω i p i (x) com p i (x) sendo FDP da qual pode-se gerar amostras e com s i III. Como resultado, obtém-se uma amostra de p i (x) Não seria a mesma coisa se fossem gerados x i p i (x) e a amostra final dada por m ω ix i? i j1 ω j m ω i 1 de foma a satisfazer F X ( ) 1. De posse deste modelo, uma amostra de p X (x) é obtida da distribuição p i (x) com probabilidade ω i. Ou seja, segue-se o seguinte algoritmo I. Gera-se u U(0,1) II. Determina-se o índice j que satisfaz a s i 1 u s i Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 70 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 71
19 Método da amostragem por rejeição (rejection sampling) Considera-se o caso de p X ( ) ser uma fdp da qual se deseja obter amostras. Seja p A ( ) uma fdp auxiliar da qual obtém-se amostras mais facilmente, e uma constante M tal que p X (x) Mp A (x) Por exemplo, sendo p 1 gaussiana e p uniforme: Observa-se que as áreas sobre as curvas se relacionam por Algoritmo de amostragem: I. Gera-se x p A e u U(0,1) II. Se Área{M 1 p 1 (x)} Área{p X (x)} M 1 p X (x) Mp A (x) u então x deve ser aceito como amostra de p X ( ). Caso contrário, retornar ao passo 1. Exemplo 11 (Simulação de números aleatórios): Ver simulação geradores aleatorios. Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 7 Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 73 Referências [1] MEYER, P. Probabilidade - aplicações à estatística. Segunda edição. [S.l.]: Livros Técnicos e Científicos (LTC), 003. [] DUDA, R. O.; HART, P. E.; STORK, D. G. Pattern Classification. nd. ed. [S.l.]: Wiley Interscience, 000. [3] HARALICK, R. Propagating covariances in computer vision. In: International Conference on Pattern Recognition. [S.l.: s.n.], p [4] JULIER, S. J.; UHLMANN, J. Unscented filtering and nonlinear estimation. Proceedings of the IEEE, v. 9, n. 3, p , 004. Estimação e Filtragem Estocástica - Prof. Geovany A. Borges 74
Probabilidade e Variáveis Aleatórias
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Probabilidade e Variáveis Aleatórias Geovany A.
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 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 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 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 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 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 maisTeoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
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
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 maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
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 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 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 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 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 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 maisIntrodução ao Processamento Estatístico de Sinais
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Departamento de Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
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 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 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 mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
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 maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
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 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 maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
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 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 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 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 maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
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 mais2 Conceitos de Teoria da Probabilidade
2 Conceitos de Teoria da Probabilidade Neste capítulo, enunciaremos algumas denições e resultados de teoria de probabilidade. justicativa deste capítulo reside no fato que u objetivo nal é estimar momentos
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 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 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
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 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 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 maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
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 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 maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB
Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/
Leia maisProbabilidade e Variáveis Aleatórias. Prof. 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 ELE0007-Tópicos Especiais em Automação e Controle II
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 maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/ Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e
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 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 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 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 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 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 maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB. Em muitas situações precisamos
Motivação Em muitas situações precisamos Prof. Lorí Viali, Dr. viali@pucrs.br lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma determinada peça.
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 maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
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 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 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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Simulação O que é simulação? Reprodução de um
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 maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
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 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 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 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 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 maisEstatística Matemática I
Estatística Matemática I Roseli Aparecida Leandro e Clarice G.B. Demétrio Março de 2011 Depto. de Ciências Exatas, ESALQ/USP e-mail: raleandr@esalq.usp.br 1 Variáveis aleatórias Sejam E um experimento
Leia maisAnálise de Dados em Astronomia. 3. Distribuições de Probabilidades
1 / 24 3. Distribuições de Probabilidades Análise de Dados em Astronomia 3. Distribuições de Probabilidades Laerte Sodré Jr. AGA0505, 1o. semestre 2019 introdução aula de hoje 1 2 a distribuição uniforme
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Função que descreve a chance que uma variável pode assumir ao longo de um espaço de valores. Uma distribuição de probabilidade
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 maisProbabilidade Lista 6 - Variáveis Aleatórias Contínuas e Vetores Aleatórios
Probabilidade Lista - Variáveis Aleatórias Contínuas e Vetores Aleatórios Exercício. Uma v.a. X tem distribuição triangular no intervalo [0, ] se sua densidade for dada por 0, x < 0 cx, 0 x /2 c( x), /2
Leia maisLista de Exercícios #5 Assunto: Variáveis Aleatórias Multidimensionais Contínuas
1. ANPEC 018 Questão 9 Uma pessoa investe R$ 10.000,00 (I) em duas aplicações cujas taxas de retorno são variáveis aleatórias independentes, R 1 e R, com médias 5% e 14% e desvios-padrão 1% e 8%, respectivamente.
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 maisControle Ótimo - Aula 6 Exemplos e Exercícios
Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Probabilidades Probabilidade: número entre
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 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 maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
Leia maisEELT-7035 Processos Estocásticos em Engenharia. Variáveis Aleatórias. EELT-7035 Variáveis Aleatórias Discretas. Evelio M. G.
EELT-7035 Processos Estocásticos em Engenharia Variáveis Aleatórias Discretas 21 de março de 2019 Variáveis Aleatórias Variável aleatória, X( ): função que mapeia o espaço amostral (S) em números pertencentes
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 mais1) Considere Y N(1, 1) e X Y = y N(y, 4). A quantidade de interesse é θ = P (X > 1).
1 Considere Y N1, 1 e X Y y Ny, 4. A quantidade de interesse é θ P X > 1. a Explique como obter uma estimativa de θ via simulação. Solução: Uma maneira simples de obter uma estimativa de θ é simulando
Leia maisCM005 Álgebra Linear Lista 3
CM005 Álgebra Linear Lista 3 Alberto Ramos Seja T : V V uma transformação linear. Se temos que T v = λv, v 0, para λ K. Dizemos que λ é um autovalor de T e v autovetor de T associado a λ. Observe que λ
Leia mais3. Considere uma amostra aleatória de tamanho 7 de uma normal com média 18. Sejam X e S 2, a média e a variância amostral, respectivamente.
1 Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Professores: Clarice Demétrio, Roseli Leandro e Mauricio Mota Lista 3- Distribuições Amostrais-
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 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 maisEstimativas e Erros. Propagação de erros e Ajuste de funções
Estimativas e Erros Propagação de erros e Ajuste de funções 1 Algumas referências Estimativas e Erros em Experimentos de Física - Vitor Oguri et al (EdUERJ) Fundamentos da Teoria de Erros - José Henrique
Leia maisEstatística 1. Resumo Teórico
Estatística 1 Resumo Teórico Conceitos do Curso 1. Tipos de Variáveis e Representações Gráficas a. Tipos de Variáveis b. Distribuição de Frequências c. Histograma 2. Estatística Descritiva Medidas Estatísticas
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 maisDepartamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. A plataforma R
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio A plataforma R R é uma linguagem de programação
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
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 maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
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 maisAmostra Aleatória. Tiago Viana Flor de Santana
ESTATÍSTICA BÁSICA Amostra Aleatória Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual de Londrina UEL Departamento de
Leia mais1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
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 maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
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 mais