Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios"

Transcrição

1 Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da Bahia ENGA83 - Semestre Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

2 Conteúdo 1 Introdução Definição de um Processo Aleatório Classificação dos Processos Aleatórios 2 Métodos de Descrição Valores Médios 3 Estacionaridade Estacionaridade do Sentido Amplo Ciclo-estacionaridade 4 Densidade Espectral de Potência 5 Médias Temporais e Ergodicidade 6 Exercícios de Fixação Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

3 Introdução Definição: Assim como as variáveis aleatórias mapeiam os resultados de um experimento no eixo real, os processos aleatórios (ou estocásticos) mapeiam os resultados de um experimento num conjunto amostral de sinais temporais x(t). A notação utilizada para definir um processo aleatório é X (t, Λ), sendo que: - a variável t representa o tempo; - a variável Λ representa o resultado do evento aleatório E; - para um resultado específico λ i de E existe uma função temporal x i (t) associada (chamada de função amostral ou realização do PA); - para um valor específico de tempo t t 0, X (t 0, Λ) representa uma coleção de valores numéricos obtidos das diversas funções temporais avaliadas em t = t 0, ou seja, X (t 0, Λ) é uma variável aleatória. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

4 Introdução Definição: Assim como as variáveis aleatórias mapeiam os resultados de um experimento no eixo real, os processos aleatórios (ou estocásticos) mapeiam os resultados de um experimento num conjunto amostral de sinais temporais x(t). A notação utilizada para definir um processo aleatório é X (t, Λ), sendo que: - a variável t representa o tempo; - a variável Λ representa o resultado do evento aleatório E; - para um resultado específico λ i de E existe uma função temporal x i (t) associada (chamada de função amostral ou realização do PA); - para um valor específico de tempo t t 0, X (t 0, Λ) representa uma coleção de valores numéricos obtidos das diversas funções temporais avaliadas em t = t 0, ou seja, X (t 0, Λ) é uma variável aleatória. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

5 Exemplos de processos aleatórios Exemplo 01: Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

6 Exemplos de processos aleatórios Exemplo 02: X (t) = A(λ)cos(120πt + Φ(λ)), onde A(λ) e Φ(λ) são variáveis aleatórias. Exemplo 03: Jogar um dado em t=0 e, a partir disso, associar às saídas λ i [1, 2, 3, 4, 5, 6], respectivamente, as formas de onda: x 1 (t) = 4, x 2 (t) = 2, x 3 (t) = 2, x 4 (t) = 4, x 5 (t) = t/2, x 6 (t) = t/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

7 Introdução Um processo aleatório pode ser classificado quando à natureza contínua ou discreta de t e x(t) em: X (t) Tempo Contínuo Tempo Discreto Contínuo Processo Aleatório Contínuo Sequência Aleatória Contínua Discreto Processo Aleatório Discreto Sequência Aleatória Discreta Dependendo das características estatísticas (distribuições, momentos, etc.) das funções amostrais x i (t) o processo aleatório pode ser classificado em: - estacionário (caso a estatística não dependa de t); - não-estacionário (caso contrário). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

8 Métodos de Descrição Um processo aleatório pode ser definido como um conjunto de n variáveis aleatórias indexado pela variável determinística t = t 0, t 1, t 2,..., t n. Deste modo um PA pode ser completamente descrito pelas distribuições conjuntas das n VAs que o compõem. Em geral este modo de descrição não é utilizado por ser extremamente complexo. A alternativa mais comum é utilizar: a função de distribuição de primeira ordem F X (t1)(x 1 ) e a função de distribuição de segunda ordem (conjunta) F X (t1),x (t 2)(x 1, x 2 ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

9 Métodos de Descrição - Valores Médios Assim como as variáveis aleatórias os processos aleatórios também podem ser descritos em termos dos seus valores médios. Em muitas aplicações os valores médios derivados das distribuições de primeira e segunda ordem são suficientes: - Média: µ X (t) = E{X (t)}. - Autocorrelação: R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}. - Autocovariância: C XX (t 1, t 2 ) = R XX (t 1, t 2 ) µ X (t 1)µ X (t 2 ). - Coeficiente de Correlação: r XX (t 1, t 2 ) = C XX (t 1, t 2 ) CXX (t 1, t 1 )C XX (t 2, t 2 ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

10 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

11 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )} = x i (t 1 )x i (t 2 ) = i=1 Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

12 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )} = x i (t 1 )x i (t 2 ) = i=1 = 1 6 { t 1t t 1t 2 } = 1 6 { t 1t 2 }}. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

13 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )} = x i (t 1 )x i (t 2 ) = i=1 = 1 6 { t 1t t 1t 2 } = 1 6 { t 1t 2 }}. - Como µ X (t) = 0, então C XX (t 1, t 2 ) = R XX (t 1, t 2 ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

14 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )} = x i (t 1 )x i (t 2 ) = i=1 = 1 6 { t 1t t 1t 2 } = 1 6 { t 1t 2 }}. - Como µ X (t) = 0, então C XX (t 1, t 2 ) = R XX (t 1, t 2 ). - r XX (t 1, t 2 ) = 40 + (t 1 t 2 )/2 (40 + (t 21 )/2)(40 + (t22 )/2). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

15 Valores Médios - Exemplo 01 Encontre µ X (t), R XX (t 1, t 2 ), C XX (t 1, t 2 ) e r XX (t 1, t 2 ) para o processo aleatório descrito no slide 05 - Exemplo µ X (t) = E{X (t)} = x i (t) = i= t/2 t/2 6 = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )} = x i (t 1 )x i (t 2 ) = i=1 = 1 6 { t 1t t 1t 2 } = 1 6 { t 1t 2 }}. - Como µ X (t) = 0, então C XX (t 1, t 2 ) = R XX (t 1, t 2 ). - r XX (t 1, t 2 ) = 40 + (t 1 t 2 )/2 (40 + (t 21 )/2)(40 + (t22 )/2). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

16 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

17 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

18 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}, fazendo t 1 = t e t 2 = t + τ: 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

19 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}, fazendo t 1 = t e t 2 = t + τ: R XX (t, t + τ) = E{A cos(t + Θ)A cos(t + τ + Θ)} 1 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

20 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}, fazendo t 1 = t e t 2 = t + τ: R XX (t, t + τ) = E{A cos(t + Θ)A cos(t + τ + Θ)} 1 R XX (t, t + τ) = E{ A2 [cos(τ) + cos(2t + τ + 2Θ)]} 2 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

21 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}, fazendo t 1 = t e t 2 = t + τ: R XX (t, t + τ) = E{A cos(t + Θ)A cos(t + τ + Θ)} 1 R XX (t, t + τ) = E{ A2 [cos(τ) + cos(2t + τ + 2Θ)]} = cos(τ)/2 2 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

22 Valores Médios - Exemplo 02 Encontre µ X (t) e R XX (t 1, t 2 ) para o processo aleatório X (t) = A cos(t + Θ), sendo A uma variável aleatória normal com média nula e variância unitária e Θ uma variável uniformemente distribuída no intervalo [ π, π]. - µ X (t) = E{A cos(t + Θ)} = E{A}E{cos(t + Θ)} como E{A} = 0 µ X (t) = 0. - R XX (t 1, t 2 ) = E{X (t 1 )X (t 2 )}, fazendo t 1 = t e t 2 = t + τ: R XX (t, t + τ) = E{A cos(t + Θ)A cos(t + τ + Θ)} 1 R XX (t, t + τ) = E{ A2 [cos(τ) + cos(2t + τ + 2Θ)]} = cos(τ)/2 2 1 Utilizando a identidade trigonométrica: cos(x 1) cos(x2) = [cos(x 1 x 2) + cos(x 1 + x 2)]/2. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

23 Valores Médios - Dois ou + Processos Aleatórios - Correlação Cruzada: R XY (t 1, t 2 ) = E{X (t 1 )Y (t 2 )}. - Covariância Cruzada: C XY (t 1, t 2 ) = R XY (t 1, t 2 ) µ X (t 1)µ Y (t 2 ). - Coeficiente de Correlação: r XY (t 1, t 2 ) = C XY (t 1, t 2 ) CXX (t 1, t 1 )C YY (t 2, t 2 ). - Não-Correlação: dois processos aleatórios X (t) e Y (t) são ditos não-correlacionados se C XY (t 1, t 2 ) = 0 para todo t 1 e t 2. - Ortogonalidade: X (t) e Y (t) são ditos ortogonais se R XY (t 1, t 2 ) = 0 para todo t 1 e t 2. - Independência: X (t) e Y (t) são independentes se P[X (t 1 ) x 1,..., X (t n ) x n, Y (t 1) y 1,..., Y (t m) y m ] = P[X (t 1 ) x 1,..., X (t n ) x n ]P[Y (t 1) y 1,..., Y (t m) y m ] para todo t 1, t 2,..., tn, t 1, t m. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

24 Estacionaridade Na análise de sinais e sistemas determinísticos é comum utilizar-se os conceitos de sistema invariante no tempo e regime permanente para caracterizar a invariância com o tempo. Em se tratando de processos aleatórios o conceito de estacionaridade assume esse papel. Pode-se dizer que um processo aleatório é estacionário se suas funções de distribuição não variam com o tempo. De modo mais formal pode-se definir um processo estacionário no sentido restrito (SSS - strict sense stationary) como aquele que satifaz: P[X (t 1 ) x 1,..., X (t n ) x n, ] = P[X (t 1 + τ) x 1,..., X (t n + τ) x n ] Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

25 Estacionaridade Relaxando um pouco as condições de estacionaridade pode-se chegar à definição de estacionário no sentido amplo (WSS - wide sense stationary). Um processo WSS atende às condições a seguir: - E{X (t)} = µ X. - E{X (t)x (t + τ)} = R XX (τ). Ou seja, a média é constante e a autocorrelação depende apenas da diferença de tempo τ. O processo do exemplo 02 (slide 10) é WSS. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

26 Ciclo-estacionaridade Um processo aleatório é chamado ciclo-estacionário (ou periodicamente estacionário) quando a função densidade de probabilidade é independente de deslocamentos múltiplos inteiros de um valor constante T : f X (x 1,..., x N ; t 1,..., t N ) = f X (x 1,..., x N ; t 1 + mt,..., t N + mt ) Diversos processos na natureza podem ser considerados aproximadamente ciclo-estacionários, como por exemplo: - O ruído esperado em um sistema de comunicação com fios (que pode variar com a temperatura ambiente). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

27 Estacionaridade - Verificação Experimental Em muitos casos práticos não se tem acesso a informações precisas a respeito das expressões matemáticas dos processos aleatórios. Neste caso verifica-se a estacionaridade a partir dos valores medidos. Um procedimento muito adotado consiste em: - Dividir os processo aleatório em janelas temporais; - Estimar a média e a autocorrelação dentro destas janelas temporais. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

28 Estacionaridade - Verificação Experimental Exemplo: Sinal de Sonar Passivo - Dividindo-se o sinal em janelas temporais de 100 ms e calculando-se o valor médio em cada janela obteve-se: Valor médio= (0, 0039 ± 0, 0001), ou seja, aproximadamente constante. Valor Medio x Janela Temporal Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

29 Função de Autocorrelação de Processos WSS Reais Para processos estacionários (ou pelo menos WSS) a função de auto-correlação mostra a velocidade de variação de um processo aleatório com o tempo. A função de autocorrelação tem as propriedades a seguir: - R XX (τ) = R XX ( τ) (função par); - O valor máximo ocorre em τ = 0 (defasagem zero) e vale R XX (0) = E{X 2 (t)}. - Para processos aleatórios discretos é facil perceber que o processo de cálculo de R XX (τ) é semelhante ao de uma convolução. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

30 Função de Autocorrelação - Exemplos Possível Função de autocorrelação Função de auto correlação de um sinal de SONAR pasivo: 0.2 R XX τ Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

31 Função de Autocorrelação - Aplicação Detecção de ecos (medição de distâncias): A posição do pico da função de correlação cruzada (considerando os sinais enviado e recebido) indica o tempo de propagação T : Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

32 Densidade Espectral de Potência Para um sinal determinístico x(t) os componentes espectrais são obtidos a partir da Transformada de Fourier: X (f ) = F {x(t)}. Para sinais aleatórios WSS essa informação é obtida a partir da Densidade Espectral de Potência (PSD - Power Spectral Density), que é definida por: S XX (f ) = F {R XX (τ)} = A relação inversa pode ser expressa por: R XX (τ) = F {S XX (f )} 1 = R XX (τ) exp( j2πf τ)dτ (1) S XX (f ) exp( j2πf τ)df (2) Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

33 Densidade Espectral de Potência - Propriedades - S XX (f ) é real e não negativo. - A potência média de X (t) é dada por: E{X 2 (t)} = R XX (0) = S XX (f )df. - A potência concentrada entre f 1 e f 2 é calculada por f2 f1 S XX (f )df + S XX (f )df. f 1 f 2 - Para X (t) real R XX (τ) = R XX ( τ) S XX (f ) = S XX ( f ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

34 Densidade Espectral de Potência - Exemplos Exemplo de PSD. Exemplos de PSD limitadas em banda: Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

35 Densidade Espectral de Potência - Exemplos Considerando o processo aleatório do Exemplo 02 (slide ) X (t) = A cos(ω 0 t + Θ), chegou-se a R XX (τ) = cos(ω 0 τ)/2, deste modo, utilizando uma tabela de transformadas de Fourier: S XX (ω) = π 2 [cos(ω ω 0) + cos(ω + ω 0 )] Graficamente: Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

36 Médias Temporais A média temporal de uma função g(.) da variável aleatória X (t) é definida como: g[x (t)] T = 1 T T /2 T /2 g[x (t)]dt (caso contínuo) (3) g[x (t)] T = 1 m g[x (i)] (caso discreto) (4) m i=1 Lembrando que as correspondentes médias amostrais são dadas, respectivamente, por: E{g[X (t)]} = m E{g[X (t)]} = g(x i )P(X = x i ). i=1 g(α)f X (α)dα e Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

37 Médias Temporais Considerando um processo aleatório que associa o resultado de um dado (não tendencioso) a um dos sinais temporais a seguir: x 1 (t) = 5, x 2 (t) = 3, x 3 (t) = 1, x 4 (t) = 1, x 5 (t) = 3 e x 6 (t) = 5, encontre a média amostral e as médias temporais. - A média amostral para um tempo t = t 1 é: µ X = 0 Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

38 Médias Temporais Considerando um processo aleatório que associa o resultado de um dado (não tendencioso) a um dos sinais temporais a seguir: x 1 (t) = 5, x 2 (t) = 3, x 3 (t) = 1, x 4 (t) = 1, x 5 (t) = 3 e x 6 (t) = 5, encontre a média amostral e as médias temporais. - A média amostral para um tempo t = t 1 é: µ X = 0 - Existe uma média temporal para cada função x i, ou seja: µ X T = 5 para X (t) = x 1 (t) µ X T = 3 para X (t) = x 2 (t) µ X T = 1 para X (t) = x 3 (t) µ X T = 1 para X (t) = x 4 (t) µ X T = 3 para X (t) = x 5 (t) µ X T = 5 para X (t) = x 6 (t) Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

39 Médias Temporais Considerando um processo aleatório que associa o resultado de um dado (não tendencioso) a um dos sinais temporais a seguir: x 1 (t) = 5, x 2 (t) = 3, x 3 (t) = 1, x 4 (t) = 1, x 5 (t) = 3 e x 6 (t) = 5, encontre a média amostral e as médias temporais. - A média amostral para um tempo t = t 1 é: µ X = 0 - Existe uma média temporal para cada função x i, ou seja: µ X T = 5 para X (t) = x 1 (t) µ X T = 3 para X (t) = x 2 (t) µ X T = 1 para X (t) = x 3 (t) µ X T = 1 para X (t) = x 4 (t) µ X T = 3 para X (t) = x 5 (t) µ X T = 5 para X (t) = x 6 (t) Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

40 Ergodicidade Na análise de sinais aleatórios em geral assume-se que há o conhecimento prévio de valores como médias, funções de auto-correlação e densidades espectrais de potência. Em muitas aplicações estas informações não estão disponíveis e um problema central da teoria dos processos aleatórios é como fazer essa estimação a partir dos dados medidos. Seria bastante prático e simples se a estimação pudesse ser realizada a partir de uma observação do processo aleatório (ou seja, considerando apenas uma função amostral e calculando as médias temporais). Em geral, as médias amostrais e temporais são distintas, exceto quando o processo estocástico é ergódico. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

41 Ergodicidade Definição: Um processo aleatório estacionário é dito ergódico quando suas médias amostrais são iguais às médias temporais. A ergodicidade pode ser definida em função de algumas médias amostrais específicas: Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

42 Ergodicidade Definição: Um processo aleatório estacionário é dito ergódico quando suas médias amostrais são iguais às médias temporais. A ergodicidade pode ser definida em função de algumas médias amostrais específicas: - Ergodicidade da Média: lim T µ X T = µ X. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

43 Ergodicidade Definição: Um processo aleatório estacionário é dito ergódico quando suas médias amostrais são iguais às médias temporais. A ergodicidade pode ser definida em função de algumas médias amostrais específicas: - Ergodicidade da Média: lim T µ X T = µ X. - Ergodicidade da Autocorrelação: lim R XX (τ) T = R XX (τ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

44 Ergodicidade Definição: Um processo aleatório estacionário é dito ergódico quando suas médias amostrais são iguais às médias temporais. A ergodicidade pode ser definida em função de algumas médias amostrais específicas: - Ergodicidade da Média: lim T µ X T = µ X. - Ergodicidade da Autocorrelação: lim R XX (τ) T = R XX (τ). Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

45 Ergodicidade Deste modo, se um processo aleatório é considerado ergódico é possível estimar os parâmetros amostrais a partir de uma única realização. Exemplo: Para o sinal de sonar passivo mostrado nos exemplos anteriores, os valores de µ X e R XX (τ) foram obtidos das amostras considerando que o processo estocástico é ergódico: µ X 0, 0039; 0.2 R XX τ Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

46 Exercícios de Fixação Os exercícios devem ser resolvidos e entregues no dia 03/04/2012. Neste dia, alunos serão sorteados para apresentar a solução de alguns destes exercícios para a turma. Os exercícios de fixação consistem em: 1 Problemas do livro Random Signals: Detection Estimation and Data Analysis de Shanmugan e Breipohl (a partir da página 204): 3.1, 3.2, 3.11, 3.12, 3.13, 3.17, 3.20, 3.22, 3.35, Utilizar o Matlab ou outro software adequado (Scilab, Statistica, Root, etc) para: a Considerando o processo aleatório X (t) = A cos(120t + Θ),sendo A uma variável aleatória normal com µ A = 0 e σ 2 A = 1 e Θ uma variável uniformemente distribuída no intervalo [ π, π], gere uma realização com pontos deste sinal para 0 < t 4s. b Estime computacionalmente os valores médios de primeira e segunda ordem e Trace a função de autocorrelação e a densidade espectral de potência. c Adcione a X (t) um ruído uniformente distribuido no intervalo [0; 0,2] e repita os itens a e b. Prof. Eduardo Simas (PPGEE/UFBA) Aula 02 - Processos Aleatórios ENGA83 - Semestre / 29

Introdução aos Proc. Estocásticos - ENG 430

Introdução 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 mais

Módulo 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 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 mais

Resumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf

Resumo. 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 mais

Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos

Anexo 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 mais

Processos estocásticos

Processos 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 mais

M. Eisencraft 6.3 Funções de correlação 81. R YX (τ) R YY (τ). (6.19) R XY (τ) = R YX ( τ) (6.20)

M. Eisencraft 6.3 Funções de correlação 81. R YX (τ) R YY (τ). (6.19) R XY (τ) = R YX ( τ) (6.20) M. Eisencraft 6.3 Funções de correlação 81 R XY (τ) = E[X(t)Y(t+τ)] e (6.17) R YX (τ) = E[Y(t)X(t+τ)]. (6.18) As propriedades de correlação de dois processos X(t) e Y(t) podem ser mostradas convenientemente

Leia mais

PROCESSOS ESTOCÁSTICOS

PROCESSOS 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 mais

PRE29006 LISTA DE EXERCÍCIOS #

PRE29006 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 mais

PRINCÍPIOS DE COMUNICAÇÃO

PRINCÍPIOS 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 mais

p.1/48 Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, Belo Horizonte, MG, Brasil

p.1/48 Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, Belo Horizonte, MG, Brasil p1/48 Capítulo 4 - Métodos ão Paramétricos Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av Antônio Carlos 27, elo Horizonte, MG, rasil p2/48 Introdução Os métodos

Leia mais

PARTE TEÓRICA Perguntas de escolha múltipla

PARTE 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 mais

Noções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23

Noções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23 Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração

Leia mais

Probabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Função Característica 10/13 1 / 26

Probabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Função Característica 10/13 1 / 26 Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Característica 10/13 1 / 26 Vimos que a função geradora de momentos é uma ferramenta

Leia mais

Aula de Processamento de Sinais I.B De Paula. Tipos de sinal:

Aula de Processamento de Sinais I.B De Paula. Tipos de sinal: Tipos de sinal: Tipos de sinal: Determinístico:Sinais determinísticos são aqueles que podem ser perfeitamente reproduzidos caso sejam aplicadas as mesmas condições utilizadas sua geração. Periódico Transiente

Leia mais

Prof. Walter Fetter Lages 4 de outubro de 2004

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 ELE7-Tópicos Especiais em Automação e Controle II Introdução

Leia mais

Cálculo das Probabilidades I

Cálculo 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 mais

UNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros

UNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade

Leia mais

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

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 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 mais

Séries de Tempo. José Fajardo. Agosto Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49

Séries de Tempo. José Fajardo. Agosto Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49 Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Agosto 2011 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto 2011 1 / 49 Definição de esperança não condicional ou incondicional Considere

Leia mais

Análise e Processamento de Sinal e Imagem. III - Sinais Aleatórios e Filtragem Óptima

Análise e Processamento de Sinal e Imagem. III - Sinais Aleatórios e Filtragem Óptima III - Sinais Aleatórios e Filtragem Óptima António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Sinais Aleatórios e Filtragem Óptima 1. Noção de Sinal Aleatório 2. Sinais

Leia mais

Princípios de Modelagem Matemática Aula 10

Princípios 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 mais

Princípios de Modelagem Matemática Aula 09

Princípios de Modelagem Matemática Aula 09 Princípios de Modelagem Matemática Aula 09 Prof. José Geraldo DFM CEFET/MG 12 de maio de 2014 1 Modelos estatísticos e estimação de parâmetros A verificação de um modelo matemático demanda a realização

Leia mais

TÉCNICAS DE AMOSTRAGEM

TÉCNICAS DE AMOSTRAGEM TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Definições e Notação Estimação Amostra Aleatória

Leia mais

Distribuições de Probabilidade Contínuas 1/19

Distribuições de Probabilidade Contínuas 1/19 all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte

Leia mais

ANÁLISE DE SINAIS DINÂMICOS

ANÁLISE DE SINAIS DINÂMICOS ANÁLISE DE SINAIS DINÂMICOS Paulo S. Varoto 7 . - Classificação de Sinais Sinais dinâmicos são geralmente classificados como deterministicos e aleatórios, como mostra a figura abaixo: Periódicos Determinísticos

Leia mais

CAPÍTULO 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 mais

Redes Complexas Aula 7

Redes Complexas Aula 7 Redes Complexas Aula 7 Aula retrasada Lei de potência Distribuição Zeta Propriedades Distribuição Zipf Exemplo Wikipedia Aula de hoje Distribuição de Pareto Medindo lei de potência Estimando expoente Exemplos

Leia mais

Probabilidade 2 - ME310 - Lista 2

Probabilidade 2 - ME310 - Lista 2 Probabilidade - ME3 - Lista September 4, Lembrando:. Estatística de ordem, pg 38 Ross: f xj (x) = n! (n j)!(j )! F (x)j ( F (x)) n j f(x). Distribuição de probabilidade conjunta de funções de variáveis

Leia mais

Vetor de Variáveis Aleatórias

Vetor 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 mais

Variáveis Aleatórias Contínuas e Distribuição de Probabilidad

Variáveis 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 mais

Variáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu

Variáveis 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 mais

Um modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15

Um 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 mais

14. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas

14. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas 4. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas Os valores assumidos por uma variável aleatória contínua podem ser associados com medidas em uma escala contínua como, por exemplo,

Leia mais

Introdução à probabilidade e estatística I

Introdução à probabilidade e estatística I Introdução à probabilidade e estatística I Variáveis Aleatórias Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Probabilidade Daqui por diante utilizaremos

Leia mais

TE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias.

TE802 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 mais

Análise de Sinais e Sistemas

Análise de Sinais e Sistemas Universidade Federal da Paraíba Departamento de Engenharia Elétrica Análise de Sinais e Sistemas Luciana Ribeiro Veloso luciana.veloso@dee.ufcg.edu.br ANÁLISE DE SINAIS E SISTEMAS Ementa: Sinais contínuos

Leia mais

MOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel

MOQ-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 mais

4. Distribuições de probabilidade e

4. Distribuições de probabilidade e 4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio

Leia mais

Aula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos

Aula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido

Leia mais

Distribuições de Probabilidade

Distribuições de Probabilidade Distribuições de Probabilidade 1 Aspectos Gerais 2 Variáveis Aleatórias 3 Distribuições de Probabilidade Binomiais 4 Média e Variância da Distribuição Binomial 5 Distribuição de Poisson 1 1 Aspectos Gerais

Leia mais

Resposta dos Exercícios da Apostila

Resposta dos Exercícios da Apostila Resposta dos Exercícios da Apostila Carlos Eduardo de Brito Novaes carlos.novaes@aedu.com 5 de setembro de 0 Circuitos Elétricos. Passivos a) b) V o (s) V i (s) 64s + 400 s + 96s + 400, v o ( ) v i ( )

Leia mais

Distribuições derivadas da distribuição Normal. Distribuição Normal., x real.

Distribuições 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 mais

VARIÁVEIS ALEATÓRIAS

VARIÁVEIS 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 mais

Análise de Desempenho de Sistemas de Comunicações Digitais

Análise de Desempenho de Sistemas de Comunicações Digitais Análise de Desempenho de Sistemas de Comunicações Digitais Edmar José do Nascimento (Princípios de Comunicações) Universidade Federal do Vale do São Francisco Roteiro 1 Detecção Binária 2 Modulações Digitais

Leia mais

IND 1115 Inferência Estatística Aula 6

IND 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 mais

Variáveis Aleatórias

Variáveis Aleatórias Variáveis Aleatórias Conceitos, Discretas, Contínuas, Propriedades Itens 5. e 6. BARBETTA, REIS e BORNIA Estatística para Cursos de Engenharia e Informática. Atlas, 004 Variável aleatória Uma variável

Leia mais

MB-210 Probabilidade e Estatística

MB-210 Probabilidade e Estatística Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica MB-210 Probabilidade e Estatística Profa. Denise Beatriz Ferrari www.mec.ita.br/ denise denise@ita.br 2o. semestre/2013 Variáveis

Leia mais

Análise de Dados e Simulação

Análise 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 mais

MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade

MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 26 de Agosto, 2013 Probabilidade: uma Introdução / Aula 5 1 Variáveis aleatórias Definição

Leia mais

A Metodologia de Box & Jenkins

A Metodologia de Box & Jenkins A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de

Leia mais

Disciplina: Processamento Digital de Sinais Aula 01 - Introdução aos Sinais e Sistemas Digitais

Disciplina: Processamento Digital de Sinais Aula 01 - Introdução aos Sinais e Sistemas Digitais no de Disciplina: de Aula 01 - aos e Sistemas Digitais Prof. (eduardo.simas@ufba.br) Departamento de Engenharia Elétrica Universidade Federal da Bahia Conteúdo no de 1 2 no 3 4 de 5 no de Definição: O

Leia mais

Funções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE

Funções 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 mais

Probabilidade 2 - ME310 - Lista 2

Probabilidade 2 - ME310 - Lista 2 Probabilidade - ME3 - Lista November, 5 Lembrando:. Estatística de ordem, pg 38 Ross: f xj (x) = n! (n j)!(j )! F (x)j ( F (x)) n j f(x). Distribuição de probabilidade conjunta de funções de variáveis

Leia mais

ECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.

ECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc. ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 10 Multicolinearidade: o que acontece se os regressores são correlacionados? Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro.

Leia mais

TRANSMISSÃO DE DADOS

TRANSMISSÃO DE DADOS TRANSMISSÃO DE DADOS Aula 2: Dados e sinais Notas de aula do livro: FOROUZAN, B. A., Comunicação de Dados e Redes de Computadores, MCGraw Hill, 4ª edição Prof. Ulisses Cotta Cavalca

Leia mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 5

MAE Introdução à Probabilidade e Estatística II Resolução Lista 5 MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão

Leia mais

1 O esquema de Alamouti: Diversidade na transmissão

1 O esquema de Alamouti: Diversidade na transmissão 1 O esquema de Alamouti: Diversidade na transmissão 1.1 O Caso de uma antena receptora A Figura?? mostra a representação em banda básica do esquema de Alamouti com diversidade na transmissão. O esquema

Leia mais

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:

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: 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 mais

7 Medição da Velocidade do Vento em um Túnel de Vento utilizando Fusão de Dados: Resultados Experimentais

7 Medição da Velocidade do Vento em um Túnel de Vento utilizando Fusão de Dados: Resultados Experimentais 7 Medição da Velocidade do Vento em um Túnel de Vento utilizando Fusão de Dados: Resultados Experimentais 7. Introdução este capítulo apresentam-se experimentos de laboratório realizados em um túnel de

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos 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 mais

PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA

PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor

Leia mais

CC-226 Aula 05 - Teoria da Decisão Bayesiana

CC-226 Aula 05 - Teoria da Decisão Bayesiana CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos

Leia mais

Parâmetros importantes de um Analisador de Espectros: Faixa de frequência. Exatidão (frequência e amplitude) Sensibilidade. Resolução.

Parâmetros importantes de um Analisador de Espectros: Faixa de frequência. Exatidão (frequência e amplitude) Sensibilidade. Resolução. Parâmetros importantes de um Analisador de Espectros: Faixa de frequência Exatidão (frequência e amplitude) Sensibilidade Resolução Distorção Faixa dinâmica Faixa de frequência: Determina as frequências

Leia mais

Variáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB

Variáveis 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 mais

1 O canal de comunicação radiomóvel

1 O canal de comunicação radiomóvel 1 O canal de comunicação radiomóvel O projeto de sistemas de comunicações sem fio confiáveis e de alta taxa de transmissão continua sendo um grande desafio em função das próprias características do canal

Leia mais

Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)

Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:

Leia mais

Estatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.

Estatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc. Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável

Leia mais

Medidas de Dispersão ou variabilidade

Medidas de Dispersão ou variabilidade Medidas de Dispersão ou variabilidade A média - ainda que considerada como um número que tem a faculdade de representar uma série de valores - não pode, por si mesma, destacar o grau de homogeneidade ou

Leia mais

Modelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal

Modelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:

Leia mais

Representação de Fourier para Sinais 1

Representação de Fourier para Sinais 1 Representação de Fourier para Sinais A representação de Fourier para sinais é realizada através da soma ponderada de funções senoidais complexas. Se este sinal for aplicado a um sistema LTI, a saída do

Leia mais

Cálculo das Probabilidades e Estatística I

Cálculo das Probabilidades e Estatística I Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço

Leia mais

Universidade Federal do Pará Instituto de Tecnologia ESTATÍSTICA APLICADA. Campus de Belém Curso de Engenharia Mecânica

Universidade Federal do Pará Instituto de Tecnologia ESTATÍSTICA APLICADA. Campus de Belém Curso de Engenharia Mecânica Universidade Federal do Pará Instituto de Tecnologia ESTATÍSTICA APLICADA Plano da Disciplina Campus de Belém Curso de Engenharia Mecânica 1 IDENTIFICAÇÃO Nome da disciplina: Estatística Aplicada I Código

Leia mais

Modelos básicos de distribuição de probabilidade

Modelos básicos de distribuição de probabilidade Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não

Leia mais

Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II

Exercícios 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 mais

Problemas de Processamento de Sinais Estruturas de Sistemas Discretos

Problemas de Processamento de Sinais Estruturas de Sistemas Discretos Problemas de Processamento de Sinais Estruturas de Sistemas Discretos. Determine a função de transferência dos sistemas que se seguem. Mostre que têm os mesmos pólos. r cosθ r r cosθ r senθ r senθ r cosθ.

Leia mais

FOLHAS DE PROBLEMAS DE MATEMÁTICA II CURSO DE ERGONOMIA PEDRO FREITAS

FOLHAS DE PROBLEMAS DE MATEMÁTICA II CURSO DE ERGONOMIA PEDRO FREITAS FOLHAS DE PROBLEMAS DE MATEMÁTICA II CURSO DE ERGONOMIA PEDRO FREITAS Maio 12, 2008 2 Contents 1. Complementos de Álgebra Linear 3 1.1. Determinantes 3 1.2. Valores e vectores próprios 5 2. Análise em

Leia mais

Modelos de Regressão Linear Simples - Análise de Resíduos

Modelos de Regressão Linear Simples - Análise de Resíduos Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro

Leia mais

EE-940 Engenharia de Som II Análise e Síntese de Sinais Musicais Lista de Exercícios

EE-940 Engenharia de Som II Análise e Síntese de Sinais Musicais Lista de Exercícios EE-940 Engenharia de Som II Análise e Síntese de Sinais Musicais Lista de Exercícios ) Considere o gráfico a seguir que representa os pontos de máxima amplitude na membrana basilar (para diversas frequências)

Leia mais

TE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes.

TE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes. TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 7 de março de 2016 Informação sobre a disciplina Terças e Quintas feiras das 09:30 às 11:20 horas Professor: Evelio

Leia mais

PRE29006 LISTA DE EXERCÍCIOS #

PRE29006 LISTA DE EXERCÍCIOS # INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS # 06. Eercícios. Considere uma variável aleatória

Leia mais

MOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições

MOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa

Leia mais

6. Amostragem e estimação pontual

6. Amostragem e estimação pontual 6. Amostragem e estimação pontual Definição 6.1: População é um conjunto cujos elementos possuem qualquer característica em comum. Definição 6.2: Amostra é um subconjunto da população. Exemplo 6.1: Um

Leia mais

Nessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:

Nessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja: Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a

Leia mais

Uma onda se caracteriza como sendo qualquer perturbação que se propaga no espaço.

Uma onda se caracteriza como sendo qualquer perturbação que se propaga no espaço. 16 ONDAS 1 16.3 Uma onda se caracteriza como sendo qualquer perturbação que se propaga no espaço. Onda transversal: a deformação é transversal à direção de propagação. Deformação Propagação 2 Onda longitudinal:

Leia mais

Sumário. 1 Sinais e sistemas no tempo discreto 1. 2 As transformadas z e de Fourier 79

Sumário. 1 Sinais e sistemas no tempo discreto 1. 2 As transformadas z e de Fourier 79 Sumário 1 Sinais e sistemas no tempo discreto 1 1.1 Introdução 1 1.2 Sinais no tempo discreto 2 1.3 Sistemas no tempo discreto 7 1.3.1 Linearidade 8 1.3.2 Invariância no tempo 8 1.3.3 Causalidade 9 1.3.4

Leia mais

Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS

Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS INTRODUÇÃO O que é uma variável aleatória? Um tipo de variável que depende do resultado aleatório de um experimento aleatório. Diz-se que um experimento é

Leia mais

DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS DISTRIBUIÇÕES CONJUNTAS ROTEIRO DISTRIBUIÇÃO CONJUNTA. Estatística Aplicada à Engenharia

DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS DISTRIBUIÇÕES CONJUNTAS ROTEIRO DISTRIBUIÇÃO CONJUNTA. Estatística Aplicada à Engenharia ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências Estatística Aplicada à Engenharia

Leia mais

Nome do candidato (a):

Nome do candidato (a): Questão de Estatística Geral Questão 1. Com base na série de dados apresentada na Tabela 1, 1. Calcule os três quartis e a amplitude (ou distância) interquartílica; 2. Construa um diagrama de caixa ("box

Leia mais

TP501 Processos Aleatórios. Notas de aula

TP501 Processos Aleatórios. Notas de aula TP5 Processos Aleatórios Notas de aula Prof. Dr. Dayan Adionel Guimarães 7- TP5 Processos Aleatórios Aula Conteúdo Processos estocásticos: Processo Aleatório definição. Processo aleatório estacionário.

Leia mais

Uma estatística é uma característica da amostra. Ou seja, se

Uma estatística é uma característica da amostra. Ou seja, se Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral

Leia mais

Variáveis Aleatórias. Prof. Tarciana Liberal Departamento de Estatística - UFPB

Variáveis Aleatórias. Prof. Tarciana Liberal Departamento de Estatística - UFPB Variáveis Aleatórias Prof. Tarciana Liberal Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja

Leia mais

DE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA)

DE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA) 1. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância

Leia mais

Demonstração. Ver demonstração em [1]. . Para que i j se tem µ i µ j? Determine a derivada no sentido de Radon-Nikodym em cada caso.

Demonstração. Ver demonstração em [1]. . Para que i j se tem µ i µ j? Determine a derivada no sentido de Radon-Nikodym em cada caso. Proposição 2.39 (Propriedades de e.). Sejam µ, λ, λ 1, λ 2 medidas no espaço mensurável (X, F). Então 1. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 2. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 3. se λ 1 µ e λ

Leia mais

INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA

INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos

Leia mais

A Transformada de Fourier

A Transformada de Fourier A Transformada de Fourier Disciplina: Tópicos em Computação (Processamento Digital de Imagens) 1 / 30 A Função Impulso Fundamental no estudo dos sistemas lineares e da transformada de Fourier; Um impulso

Leia mais

Métodos Estatísticos

Métodos Estatísticos Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos

Leia mais

Estatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.

Estatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc. Estatística II Aula Prof.: Patricia Maria Bortolon, D. Sc. Distribuições Amostrais ... vocês lembram que: Antes de tudo... Estatística Parâmetro Amostra População E usamos estatíticas das amostras para

Leia mais

Teoria da Informação

Teoria 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 mais

AULA 02 Distribuição de Probabilidade Normal

AULA 02 Distribuição de Probabilidade Normal 1 AULA 02 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 20 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario

Leia mais

Apresentação do programa da disciplina. Definições básicas. Aplicações de sinais e sistemas na engenharia. Revisão sobre números complexos.

Apresentação do programa da disciplina. Definições básicas. Aplicações de sinais e sistemas na engenharia. Revisão sobre números complexos. FUNDAÇÃO UNVERSDADE FEDERAL DO VALE DO SÃO FRANCSCO PLANO DE UNDADE DDÁTCA- PUD Professor: Edmar José do Nascimento Disciplina: ANÁLSE DE SNAS E SSTEMAS Carga Horária: 60 hs Semestre: 2010.1 Pág. 1 de

Leia mais