Resumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Resumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf"

Transcrição

1 Parte 7 Processos Estocásticos Ramiro Brito Willmersdorf Departamento de Engenharia Mecânica Universidade Federal de Pernambuco Resumo 1 Processos Estocásticos 2 Classicação 3 Exemplos 4 Especicação de Processos Estocásticos 5 Momentos de Processos Estocásticos 6 Processos Estocásticos Usuais 7 Estacionarieadade 8 Propriedades de Processos Estacionários no Sentido Amplo 9 Caracterização Conjunta de Processos Estocásticos 10 Independência, correlação e Ortogonalidade

2 Processos Estocásticos Denição Denição Um processo estocástico é um mapa que associa a cada ponto amostral ω Ω uma função real que depende de um parâmetro t. Mais formalmente x : Ω F ω x(t, ω), t T onde T R. Processos Estocásticos Denição Ilustração

3 Processos Estocásticos Interpretações Observações Um processo estocástico é uma função de duas variáveis, ω Ω e t T, com T R. Muitas vezes (elétrica, economia, etc) t representa o tempo e T = (0, T ], mas pode representar uma variável espacial. Cada função de F é chamada função amostra. O conjunto de todas as funções amostra é chamado de ensemble. Processos Estocásticos Interpretações Interpretações Importantes 1 Fixando ω = ω i, o processo estocástico representa uma única função x(t, ω i ) de t. 2 Fixando t = t 1, obtem-se uma variável aleatória que associa a cada ponto amostra um número real x(t 1, ω). 3 Fixando n valores t 1, t 2,..., t n, obtem-se um vetor aleatório (x(t 1, ω), x(t 2, ω),..., x(t n, ω)) T. 4 Se ambos t e ω são xos, então o processo estocástico reduz-se a um número real. Observação: Por conveniência, omitimos o parâmetro ω, e representamos o processo estocástico x(ω, t) como x(t) apenas.

4 Processos Estocásticos Interpretações Interpretações Um processo estocástico x(t) pode representar então 5 situações diferentes 1 Uma família de funções do tempo (t e ω variáveis); 2 Uma única função do tempo (t variável e ω xo); 3 Uma variável aleatória (t xo e ω variável); 4 Um vetor aleatório (t 1, t 2,..., t n xos e ω variável); 5 Um único número real (t e ω xos). Processos Estocásticos Exemplos Função Analítica Algumas vezes as funções amostra podem tem formas analíticas, por exemplo x(t, ω) = Asin(2πf c (ω)t) que é representada gracamente por observe que é possível se o valor da função é conhecido para t < t 1 então é possível calcular o valor da função para qualquer t > t 1.

5 Processos Estocásticos Exemplos Função Não Analítica Muitas vezes, as funções amostra não tem expressão simples, particularmente quando provenientes de processos físicos aleatórios. Por exemplo neste caso, o conhecimento do valor da função em um instante de tempo de forma alguma auxilia na previsão de seu valor em algum instante futuro. Classicação Classicação Quanto aos valores que o processo pode assumir Processo estocástico discreto; Processo estocástico contínuo. Quanto aos valores que os parâmetros podem assumir Processo estocástico de parâmetro discreto; Processo estocástico de parâmetro contínuo.

6 Classicação Tipos de Processos Estocásticos Exemplos Chamadas Telefônicas Número de chamadas telefônicas que chega em uma central telefônica em função do tempo. Processo estocástico discreto de parâmetro contínuo. O número de chamadas que chegaram até um determinado tempo, n(t 0, ω), é uma variável aleatória discreta. Uma função amostra típica é

7 Exemplos Ruído Térmico A tensão nos terminais de um resistor, devida ao movimento térmico dos elétrons, não é passível de descrição determinística. Processo estocástico contínuo de parâmetro contínuo. Uma função amostra típica é A tensão em um determinado instante de tempo é uma variável aleatória continua x(t 0, ω). Exemplos Sinal de Voz Amostrado Em um sistema de comunicações digital, o sistema tem que amostrar o sinal antes da transmissão. Processo estocástico contínuo de parâmetro discreto. Uma função amostra típica é

8 Exemplos Sinal de Rádio A intensidade de um signal de rádio recebido varia de forma aleatória devido a fenômenos naturais, interferência, etc. Uma função amostra típica é Claramente é um Processo estocástico contínuo de parâmetro contínuo. Exemplos Importante! Nos exemplos anteriores, observamos funções amostra especícas. É importante ressaltar que, conforme a nossa denição de espaço amostral, é necessário que estas experiências podem ser repetidas inúmeras vezes em condições idênticas!

9 Especicação de Processos Estocásticos Especicação de 1 a ordem Especicando-se um valor para t, t T, obtem-se uma v.a. x i e: x i tem uma função distribuiçao de probabilidade F xt (X ); x i tem uma função densidade de probabilidade p xt (X ); para cada valor de t T, obtem-se uma v.a. distinta! Especição de 1 a Ordem Um processo estocástico está especicado até a primeira ordem quando a função densidade de probabilidade p xt (X ) é conhecida para qualquer valor t T. As funções {p xt (X ), t T } são chamadas funções densidade de probabilidade de primeira ordem do processo estocástico x(t). Especicação de Processos Estocásticos Exemplo 7.5

10 Especicação de Processos Estocásticos Especicação de 2 a ordem Existem situações que requerem mais informação sobre o processo estocástico, como por exemplo a especicação da função densidade de probabilidade conjunta de duas variáveis aleatórias, denidas sobre o mesmo processo x(t) Especicação de 2 a ordem Um processo estocástico está especicado até a segunda ordem quando a função densidade de probabilidade conjunta p x1 x 2 (X 1, X 2 ) é conhecida para qualquer par de valores (t 1, t 2 ), com t 1 T e t 2 T. A função p x1 x 2 (X 1, X 2 ) é denominada função densidade de probabilidade de segunda ordem do processo estocástico x(t). Especicação de Processos Estocásticos Especicação de Ordem m Claramente a idéia pode ser extendida para m tempos. Especicação de Ordem m Um processo estocástico está especicado até a ordem m quando a função densisdade de probabilidade conjunta p x1 x 2 x m (X 1, X 2,..., X M ) é conhecida para qualquer conjunto de valores (t 1, t 2,, t m ) para qualquer t i T, i = 1,..., m. A função densidade de probabilidade p x1 x 2 x m (X 1, X 2,..., X M ) é denominada função densidade de probabilidade de ordem m do processo estocástico. Observação: Se um processo estocástico está especicado até a ordem m, então está especicado até qualquer ordem menor do que m.

11 Especicação de Processos Estocásticos Especicação Completa Levando a especicação ao limite temos, Especicação de Ordem m Um processo estocástico está especicado completamente se ele está especicado até a ordem m, para qualquer valor inteiro m. Na prática, normalmente conseguimos especicar processos até a primeira ou segunda ordem apenas. Momentos de Processos Estocásticos Média Os momentos de um processo estocástico são os momentos das variáveis aleatórias denidas em quaisquer instantes do processo. Por exemplo: Média A Média de um processo estocástico x(t), é representada por m x (t) e é denida por m x (t) = E[x(t)] ; t T.

12 Momentos de Processos Estocásticos Autocorrelação Função Autocorrelação A Função Autocorrelação de um processo estocástico x(t), representada por R x (t 1, t 2 ), é denida como a correlação entre as variáveis aleatórias x(t 1 ) e x(t 2 ), isto é R x (t 1, t 2 ) = E[x(t 1 )x(t 2 )] ; t 1, t 2 T. Se t 1 = t 2 = t a função autocorrelação fornece o Valor Médio Quadrático do processo, dado por R x (t, t) = E[x 2 (t)] ; t T. Momentos de Processos Estocásticos Autocovariância Função Autocovariância A Função Autocovariância de um processo estocástico x(t), representada por K x (t 1, t 2 ), é denida como a covariância entre as variáveis aleatórias x(t 1 ) e x(t 2 ), isto é K x (t 1, t 2 ) = E[(x(t 1 ) m x (t 1 ))(x(t 2 ) m x (t 2 ))] ; t 1, t 2 T. Observação: É possível mostrar que K x (t 1, t 2 ) = R x (t 1, t 2 ) m x (t 1 )m x (t 2 ).

13 Processos Estocásticos Usuais Transmissão Binária Semi-Aleatória Supondo que T = (, ) seja dividido em intervalos de tamanho T, e que durante cada um dos intervalos I n = ((n 1)T, nt ] ; n inteiro o processo pode assumir um dos valores A ou A. Processos Estocásticos Usuais Função Densidade de Probabilidade e Média Supondo ainda que: O valor em cada intervalo é estatiscamente independente do valor em qualquer outro intervalo; P(A) = p e P( A) = 1 p. A função densidade de probabilidade de 1 a ordem deste processo é p xt (X ) = pδ(x A) + (1 p)δ(x + A) A média é então m x (t) = E[x t ] = Xp xt (X ) dx = A(2p 1).

14 Processos Estocásticos Usuais Autocorrelação (1) Considerando y = x(t 1 )x(t 2 ), com t 1 I n1 e t 2 I n2, se t 1 e t 2 pertencem ao mesmo intervalo, isto é n 1 = n 2, então y = A 2 e p y n1 =n 2 (Y ) = δ(y A 2 ). Se n 1 n 2, então y = A 2 ou y = A 2, e observando que P(y = A 2 n 1 n 2 ) = P(x t1 = A, x t2 = A n 1 n 2 )+ P(x t1 = A, x t2 = A n 1 n 2 ) e P(y = A 2 n 1 n 2 ) = P(x t1 = A, x t2 = A n 1 n 2 )+ P(x t1 = A, x t2 = A n 1 n 2 ) Processos Estocásticos Usuais Autocorrelação (2) Além disto, se n 1 n 2, x(t 1 ) é independente de x(t 2 ), então P(y = A 2 n 1 n 2 ) = p 2 + (1 p) 2 = 2p 2 2p + 1 e P(y = A 2 n 1 n 2 ) = 2p(1 p) = 2p 2p 2. Assim, p y n1 n 2 (Y ) = (2p 2 2p + 1)δ(Y A 2 ) + (2p 2p 2 )δ(y + A 2 ). Como obtemos então R x (t 1, t 2 ) = E[x(t 1 )x(t 2 )] = E[y] R x (t 1, t 2 ) = { A 2 ; n 1 = n 2 A 2 (2p 1) 2 ; n 1 n 2.

15 Processos Estocásticos Usuais Autocorrelação (3) Processos Estocásticos Usuais Experiência de Poisson A experiência consiste em observar o número de ocorrências N de um evento em um intervalo t. A experiência é dita de Poisson se a probabilidade de k ocorrências for dada por P(N = k) = e λ t (λ t) k k! k = 0, 1,... e se os números de ocorrências em intervalos disjuntos forem estatisticamente independentes.

16 Processos Estocásticos Usuais Processo de Poisson O processo x(t) é denido por x(0) = 0; x(t) é o número de ocorrências no intervalo (0, t). Uma função amostra típica é Para (t 1, 2 ), t 2 > t 1, a v.a. x(t 2 ) x(t 1 ) tem função dens. de prob. de Poisson com parâmetro λ(t 2 t 1 ). Processos Estocásticos Usuais Média Para t a > t b e k = 0, 1, 2,..., temos Daí P(x(t a ) x(t b ) = k) = e λ(t a t b ) (λ(t a t b )) k E[x(t a ) x(t b )] = λ(t a t b ) E de forma análoga, é possível obter E[(x(t a ) x(t b )) 2 ] = λ 2 (t a t b ) 2 + λ(t a t b ) Se t a > t b > t c > t d, as variáveis aleatórias (x(t a ) x(t b )) e (x(t c ) x(t d )) são estatisticamente independentes, então E[(x(t a ) x(t b ))(x(t c ) x(t d ))] =E[x(t a ) x(t b )]E[x(t c ) x(t d )] k! λ 2 (t a t b )(t c t d )

17 Processos Estocásticos Usuais Média e Autocorrelação Se os intervalos (t b, t a ) e (td, tc) se superpõe empregamos x(t a ) x(t b ) = (x(t a ) x(t c )) + (x(t c x(t b )) x(t c ) x(t d ) = (x(t c ) x(t b )) + (x(t b x(t a )) o que leva a E[(x(t a ) x(t b ))(x(t c ) x(t d ))] = λ 2 (t a t b )(t c t d ) + λ(t c t b ) Processos Estocásticos Usuais Média e Correlação Tomando t a = t e t b = 0, temos m x = E[x(t)] == λt Tomando t a = t 1, t c = t 2 e t b = t d = 0, obtemos { λt 2 + λ 2 t 1 t 2 ; t 1 > t 2 R x (t 1, t 2 ) = E[x(t 1 )]x(t 2 ) = λt 1 + λ 2 t 1 t 2 ; t 1 t 2

18 Processos Estocásticos Usuais Onda Senoidal com Fase Aleatória Onda Senoidal com Fase Aleatória Seja x(t) = A sin(2πf 0 t + θ) onde θ é uma v.a.uniforme p θ (Θ) = { 1 2π ; Θ (0, 2π] 0 ; Θ / (0, 2π] Funções amostra típicas são Processos Estocásticos Usuais Onda Senoidal com Fase Aleatória Média A média deste processo estocástico é m x (t) = E[A sin(2πf 0 t + θ)] = = = 0 2π 0 A sin(2πf 0 t + Θ)p θ (Θ) dθ A sin(2πf 0 t + Θ) 1 2π dθ

19 Processos Estocásticos Usuais Onda Senoidal com Fase Aleatória Autocorrelação A função autocorrelação é R x (t 1, t 2 ) = E[x(t 1 )x(t 2 )] No entanto, = E[A 2 sin(2πf 0 t 1 + θ) sin(2πf 0 t 2 + θ)] = A2 2 E[cos(2πf 0(t 2 t 1 ))] A 2 2 E[cos(2πf 0(t 2 + t 1 ) + 2θ) E[cos(2πf 0 (t 2 +t 1 )+2θ)] = 2π 0 A cos(2πf 0 (t 2 +t 1 )+2Θ) 1 2π dθ = 0 Assim, R x (t 1, t 2 ) = A2 2 cos(2πf 0(t 2 t 1 )). Estacionarieadade Estacionariedade Estacionariedade de Ordem m Um processo estocástico x(t) é estacionário de ordem m quando a sua função densidade de probabilidade de ordem m não varia com o deslocamento no tempo, isto é p xt1 p xt2 p xtm (X 1, X 2,..., x M ) = p xt1 +τ p x t2 +τ p xtm +τ (X 1, X 2,..., x M ) ; τ.

20 Estacionarieadade Casos Particulares 1 Um processo é estacionário de 1 a ordem quando p xt (X ) = p xt+τ (X ) ; τ. Isto implica que p xt (X ) não depende de t. 2 Um processo é estacionário de 2 a ordem quando p xt1 p xt2 (X 1, X 2 ) = p xt1 +τ p x t2 +τ (X 1, X 2 ) ; τ. Isto implica que a função dens. prob. de 2 a ordem depende apenas de diferença entre t 1 e t 2. 3 Se x(t) é estacionário de ordem m, então ele é estácionário para qualquer ordem k, k < m. Estacionarieadade Estacionariedade Estrita Estacionariedade Estrita Um processo estocástico é dito estacionário no sentido estrito, ou estritamente estacionário, quando é estacionário de ordem m, para qualquer m. A estacionariedade estrita é muito restritiva, na prática temos que nos contentar em aproximar fenômenos físicos por modelos mais relaxados.

21 Estacionarieadade Estacionariedade Ampla Estacionariedade Ampla Um processo estocástico x(t) é estacionário no sentido amplo se m x (t) = η x ; t e R x (t 1, t 2 ) = R x (τ) ; τ = t 2 t 1. isto é, sua média é constante e sua função autocorrelação depende apenas da diferença t 2 t 1. Observação: Um processo estocástico de 2 a ordem é estacionário no sentido amplo, mas a recíproca não é verdadeira. Estacionarieadade Representação Gráca

22 Estacionarieadade Ergodicidade Se um processo estocástico é tal que as estatísticas calculadas para uma função amostra (média, autocorrelação) são iguais às estatísticas calculadas para o processo, então este processo é ergódico. Para processos ergódicos, a média pode ser calculada como a média temporal 1 T lim (X (t)) n dt T 2T T onde X (t) é uma das funções amostra (todas fornecem a mesma média para processos ergódicos.) Propriedades de Processos Estacionários no Sentido Amplo Processos Estacionários no Sentido Amplo Como R x (t 1, t 2 ) é função apenas de t 2 t 1, a função autocorrelação pode ser escrita como função de τ = t 2 t 1. Assim, R x (τ) = E[x(t)x(t + τ)] do que decorrem A função autocorrelação é par: R x (τ) = R x ( τ). R x (0) = E[x 2 (t)]. Se o processo tem uma componente periódica, isto é x(t) = x(t + nt ) ; n inteiro, então a autocorrelação tem um componente de mesmo período, R x (τ) = R x (τ + nt ) ; n inteiro.

23 Propriedades de Processos Estacionários no Sentido Amplo Processos Estacionários no Sentido Amplo Se o processo não contém componentes periódicas. lim τ R x(τ) = m 2 x(t) = η 2 x A função autocorrelação é máxima para τ = 0 R x (τ) R x (0) ; τ 0. Caracterização Conjunta de Processos Estocásticos Caracterização de Dois Processos Estocásticos Especicação de Dois Processos Especicação Conjunta de Ordem m + n de Dois Processos Dois processos x(t) e y(t) são conjuntamente especicados até a ordem m + n quando, para todo conjunto de m + n valores {t 1, t 2,..., t m, t 1, t 2,..., t n}, a função dens. de prob. conjunta das variáveis aleatórias {x(t 1 ), x(t 2 ),..., x(t m ), y(t 1 ), y(t 2 ),..., y(t n)} é conhecida. Especicação Conjunta Completa de Dois Processos Dois processos x(t) e y(t) estão conjunta e completamente especicados quando eles estão conjuntamente especicados até a ordem m + n para quaisquer valores de m e n.

24 Caracterização Conjunta de Processos Estocásticos Momentos Conjuntos de Dois Processos Estocásticos Correlação Correlação Cruzada A função correlação cruzada R xy (t 1, t 2 ) de dois processos x(t) e y(t) é denida como a correlação entre as variáveis aleatórias x(t 1 ) e y(t 2 ), denidas sobre cada processo, respectivamente, isto é R xy (t 1, t 2 ) = E[x(t 1 )y(t 2 )]. Caracterização Conjunta de Processos Estocásticos Momentos Conjuntos de Dois Processos Estocásticos Covariância Covariância Cruzada A função covariância cruzada K xy (t 1, t 2 ) de dois processos x(t) e y(t) é denida como a covariância entre as variáveis aleatórias x(t 1 ) e y(t 2 ), denidas sobre cada processo, respectivamente, isto é K xy (t 1, t 2 ) = E[(x(t 1 ) m x (t 1 ))(y(t 2 ) m y (t 2 ))]. É possível mostrar que K xy (t 1, t 2 ) = R xy (t 1, t 2 ) m x (t 1 )m y (t 2 ).

25 Caracterização Conjunta de Processos Estocásticos Estacionariedade Estacionariedade Conjunta Dois processos x(t) e y(t) são conjuntamente estacionários de ordem m + n quando a função dens. de prob. conjunta de quaisquer m + n variáveis {x(t 1 ), x(t 2 ),..., x(t m ), y(t 1 ), y(t 2 ),..., y(t n)} não varia com um deslocamento no tempo, isto é p xt1,...,x t m,y t 1,...,y t n (X 1,..., X m, Y 1,..., Y n ) = p xt1 +τ,...,x t m+τ,y t 1 +τ,...,y t n +τ (X 1,..., X m, Y 1,..., Y n ) para qualquer τ. Caracterização Conjunta de Processos Estocásticos Estacionariedade Estacionariedade Conjunta no Sentido Estrito Estacionarieadade Conjunta no Sentido Estrito Dois processos são conjuntamente estacionários no sentido estrito quando, para quaisquer valores m e n, eles são conjuntamente estacionários de oderm m + n. Estacionariedade no Sentido Amplo Dois processos são conjuntamente estacionários no sentido amplo quando cada um deles é estacionário no sentido amplo e função correlação cruzada R xy (t 1, t 2 ) dos dois processos depende apenas da diferença t 2 t 1.

26 Caracterização Conjunta de Processos Estocásticos Estacionariedade Estacionariedade no Sentido Amplo As condições a serem satisfeitas para estacionariedade no sentido amplo são m x (t) = η x ; m y (t) = η y ; t t R x (t 1, t 2 ) = R x (τ) ; τ = t 2 t 1 R y (t 1, t 2 ) = R y (τ) ; τ = t 2 t 1 R xy (t 1, t 2 ) = R xy (τ) ; τ = t 2 t 1 Independência, correlação e Ortogonalidade Independência Processos Independentes Dois processos x(t) e y(t) são estocasticamente independentes quando para quaisquer m e n inteiros positivos, e para quaisquer valores {t 1, t 2,..., t m, t 1, t 2,..., t n}, a função dens. de prob. conjunta das variáveis {x(t 1 ), x(t 2 ),..., x(t m ), y(t 1 ), y(t 2 ),..., y(t n)} pode ser escrita como o produto da função dens. de prob. conjunta de {x(t 1 ), x(t 2 ),..., x(t m )} com a função dens. de prob. conjunta de {y(t 1 ), y(t 2 ),..., y(t n)}, isto é p xt1,...,x t m,y t 1,...,y t n (X 1,..., X m, Y 1,..., Y n ) = p xt1,...,x t m (X 1,..., X m )p yt 1,...,y t n (Y 1,..., Y n ) ; n, m.

27 Independência, correlação e Ortogonalidade Ortogonalidade Processos Não Correlatos Os processos x(t) e y(t) são não correlatos quando sua função covariância cruzada é nula para quaisquer valores de t 1 e t 2, isto é K xy (t 1, t 2 ) = 0 ; t 1, t 2 Ortogonalidade Os processos x(t) e y(t) são ortogonais quando sua função correlação cruzada é nula para quaisquer valores de t 1 e t 2, isto é R xy (t 1, t 2 ) = 0 ; t 1, t 2 Independência, correlação e Ortogonalidade Propriedades da Correlação Cruzada Se x(t) e y(t) são conjuntamente estacionários no sentido amplo, então R xy (t 1, t 2 ) é função apenas de t 2 t 1, a função autocorrelação pode ser escrita como função de τ = t 2 t 1. Assim o que leva às propriedades: R xy (τ) = R yx ( τ). R 2 xy(τ) R x (0)R y (0). 2 R xy (τ) R x (0) + R y (0). R xy (τ) = E[x(t)y(t + τ)]

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

Processos aleatórios - características

Processos aleatórios - características Capítulo 6 Processos aleatórios - características temporais 6.1 O conceito de processo aleatório Um processo aleatório ou estocástico é um espaço de amostras em que cada elemento é associado a uma função

Leia mais

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

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

Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade

Leia 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

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

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

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 IST-Secção de Sistemas e Controlo

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 Aleatórios e Ruído

Processos Aleatórios e Ruído Processos Aleatórios e Ruído Luis Henrique Assumpção Lolis 11 de abril de 2014 Luis Henrique Assumpção Lolis Processos Aleatórios e Ruído 1 Conteúdo 1 O Experimento Aleatório / Espaço de Amostras 2 Algebra

Leia mais

Módulo III: Processos de Poisson, Gaussiano e Wiener

Módulo III: Processos de Poisson, Gaussiano e Wiener Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo

Leia 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

Resumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução.

Resumo. Parte 2 Introdução à Teoria da Probabilidade. Ramiro Brito Willmersdorf Introdução. Parte 2 Introdução à Teoria da Probabilidade Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Introdução 2 Espaço

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

Sinais e Sistemas. Sinais e Sistemas Fundamentos. Renato Dourado Maia. Universidade Estadual de Montes Claros. Engenharia de Sistemas

Sinais e Sistemas. Sinais e Sistemas Fundamentos. Renato Dourado Maia. Universidade Estadual de Montes Claros. Engenharia de Sistemas Sinais e Sistemas Sinais e Sistemas Fundamentos Renato Dourado Maia Universidade Estadual de Montes Claros Engenharia de Sistemas Classificação de Sinais Sinal de Tempo Contínuo: É definido para todo tempo

Leia mais

canal para sinais contínuos

canal 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 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

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

Modelagem Estocástica e Quantificação de Incertezas

Modelagem Estocástica e Quantificação de Incertezas Modelagem Estocástica e Quantificação de Incertezas Rubens Sampaio rsampaio@puc-rio.br Roberta de Queiroz Lima robertalima@puc-rio.br Departamento de Engenharia Mecânica DINCON 2015 Organização do curso

Leia mais

Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 2

Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 2 em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 2 O Modelo Estrutural Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse. Considere

Leia mais

TE802 Processos Estocásticos em Engenharia

TE802 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 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

Sinais e Sistemas. Conceitos Básicos. Prof.: Fábio de Araújo Leite

Sinais e Sistemas. Conceitos Básicos. Prof.: Fábio de Araújo Leite Sinais e Sistemas Conceitos Básicos Prof.: Fábio de Araújo Leite Discussão do Plano do Curso As 12 normas de convivência 1. - Recomenda-se chegar à aula no horário estabelecido. 2. Evitar o uso do celular

Leia mais

PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES

PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável Aleatória

Leia mais

SISTEMAS DE MANUTENÇÃO E CONFIABILIDADE TP077

SISTEMAS DE MANUTENÇÃO E CONFIABILIDADE TP077 SISTEMAS DE MANUTENÇÃO E CONFIABILIDADE TP077 6 DISPONIBILIDADE DE EQUIPAMENTOS 6.1 INTRODUÇÃO Diversas teorias em confiabilidade pressupõem o descarte dos componentes de interesse após a primeira falha.

Leia mais

Processos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?

Processos 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

2 - f: R R: y = x 2 Classicação: Nem injetora, nem sobrejetora.

2 - f: R R: y = x 2 Classicação: Nem injetora, nem sobrejetora. Apostila de Métodos Quantitativos - UERJ Professor: Pedro Hemsley Funções: f: X Y : Associa a cada elemento do conjunto X um único elemento do conjunto Y. Existem tres tipos especícos de funções: Sobrejetora,

Leia mais

Processos Estocásticos. Luiz Affonso Guedes

Processos Estocásticos. Luiz Affonso Guedes Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema

Leia mais

Módulo I: Introdução a Processos Estocásticos

Módulo I: Introdução a Processos Estocásticos Módulo I: Introdução a Processos Estocásticos Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo I:

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 Processo de Poisson. Processo de Poisson Homogêneo Considere N(t) o número de ocorrências de um determinado

Leia mais

Cap. 8 - Variáveis Aleatórias

Cap. 8 - Variáveis Aleatórias Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON

Leia mais

teoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para

teoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade

Leia mais

3. Variáveis aleatórias

3. Variáveis aleatórias 3. Variáveis aleatórias Numa eperiência aleatória, independentemente de o seu espaço de resultados ser epresso numericamente, há interesse em considerar-se funções reais em Ω, denominadas por variáveis

Leia mais

FEP Física para Engenharia II

FEP Física para Engenharia II FEP96 - Física para Engenharia II Prova P - Gabarito. Uma plataforma de massa m está presa a duas molas iguais de constante elástica k. A plataforma pode oscilar sobre uma superfície horizontal sem atrito.

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual

Leia 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

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

1 Variáveis Aleatórias

1 Variáveis Aleatórias Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 2013 Aula 5 Professor: Carlos Sérgio UNIDADE 3 - VARIÁVEIS ALEATÓRIAS DISCRETAS (Notas de aula) 1 Variáveis

Leia mais

Introdução aos Sinais e Sistemas

Introdução aos Sinais e Sistemas Introdução aos Sinais e Sistemas Edmar José do Nascimento (Análise de Sinais e Sistemas) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Colegiado de Engenharia

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

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

Variáveis Aleatórias Discretas e Distribuição de Probabilidade

Variáveis Aleatórias Discretas e Distribuição de Probabilidade Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das

Leia 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

Variável Aleatória. Gilson Barbosa Dourado 6 de agosto de 2008

Variável Aleatória. Gilson Barbosa Dourado 6 de agosto de 2008 Variável Aleatória Gilson Barbosa Dourado gdourado@uneb.br 6 de agosto de 2008 Denição de Variável Aleatória Considere um experimento E e seu espaço amostral Ω = {a 1, a 2,..., a n }. Variável aleatória

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

Sistemas Reparáveis - Processo de Contagem

Sistemas Reparáveis - Processo de Contagem Sistemas Reparáveis - Processo de Contagem Enrico A. Colosimo Colaboração: Rodrigo C. P. dos Reis e Maria Luiza Toledo Programa de Pós-Graduação em Estatística - UFMG Teoria básica de Processos de Contagem

Leia mais

Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4

Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4 em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente

Leia mais

Variáveis Aleatórias Discretas 1/1

Variáveis Aleatórias Discretas 1/1 Variáveis Aleatórias Discretas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte do Espírito Santo

Leia mais

Teoria de Filas Aula 10

Teoria de Filas Aula 10 Aula Passada Comentários sobre a prova Teoria de Filas Aula 10 Introdução a processos estocásticos Introdução a Cadeias de Markov Aula de Hoje Cadeias de Markov de tempo discreto (DTMC) 1 Recordando...

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

Modelização do Sistema Produtivo Teoria das Filas de Espera

Modelização do Sistema Produtivo Teoria das Filas de Espera Modelização do Sistema Produtivo Teoria das Filas de Espera http://www.fe.up.pt/maspwww Licenciatura em Engenharia Electrotécnica e de Computadores Gil M. Gonçalves Gil.Goncalves@fe.up.pt 2004/2005 Outline

Leia mais

Transmissão de impulsos em banda-base

Transmissão de impulsos em banda-base ransmissão de impulsos em banda-base ransmissão de impulsos através de um canal com ruído aditivo.3 O filtro adaptado e o correlacionador ransmissão de sinais em canais banda-base Introdução Consideremos

Leia mais

Variável Aleatória Poisson. Número de erros de impressão em uma

Variável Aleatória Poisson. Número de erros de impressão em uma EST029 Cálculo de Probabilidade I Cap. 7. Principais Variáveis Aleatórias Discretas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF Variável Aleatória Poisson Caraterização: Usa-se quando o experimento

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

Processos Estocásticos e Cadeias de Markov Discretas

Processos Estocásticos e Cadeias de Markov Discretas Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,

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

Modelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014

Modelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos

Leia mais

)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD

)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD )XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,

Leia mais

Distribuições de Probabilidade

Distribuições de Probabilidade Distribuições de Probabilidade 7 6 5 4 3 2 1 0 Normal 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Temperatura do ar 20 18 16 14 12 10 8 6 4 2 0 Assimetrica Positiva 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Precipitação

Leia mais

Processos Estocásticos

Processos Estocásticos Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade

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

Modelagem de um sistema por cadeias de Markov

Modelagem de um sistema por cadeias de Markov Modelagem de um sistema por cadeias de Markov Sistemas sem memória : somente o estado imediatamente anterior influencia o estado futuro. rocesso estacionário: probabilidades de transição de um estado para

Leia 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

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

Prova de Seleção

Prova de Seleção Área de Concentração: Prova de Seleção 2016.2 Código de Inscrição do candidato: Cada questão assinalada corretamente vale 1,0 ponto. π Questão 1. Dada a integral definida y 0 (sin t ) 2 π dt + (cos(t))

Leia mais

Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I

Exercícios 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 mais

FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES

FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a

Leia mais

14 AULA. Vetor Gradiente e as Derivadas Direcionais LIVRO

14 AULA. Vetor Gradiente e as Derivadas Direcionais LIVRO 1 LIVRO Vetor Gradiente e as Derivadas Direcionais 14 AULA META Definir o vetor gradiente de uma função de duas variáveis reais e interpretá-lo geometricamente. Além disso, estudaremos a derivada direcional

Leia mais

PROCESSOS ESTOCÁSTICOS

PROCESSOS ESTOCÁSTICOS PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos e Científicos

Leia mais

Lista de Exercícios 4

Lista de Exercícios 4 Introdução à Teoria de Probabilidade. Informática Biomédica. Departamento de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 30 de maio de 2007. Lista de Exercícios 4 são difíceis, são bem mais difíceis.

Leia mais

Ondas em Plasmas (Capítulo 4) Referência: F. F. Chen Introduction to Plasma Physics

Ondas em Plasmas (Capítulo 4) Referência: F. F. Chen Introduction to Plasma Physics Ondas em Plasmas (Capítulo 4) Referência: F. F. Chen Introduction to Plasma Physics 4-1 Representação de ondas Ondas / Oscilações Espaciais e Temporais Variação da densidade de partículas r k: vetor de

Leia mais

Conceitos Básicos, Básicos,Básicos de Probabilidade

Conceitos Básicos, Básicos,Básicos de Probabilidade Conceitos Básicos, Básicos,Básicos de Probabilidade Espaço Amostral Base da Teoria de Probabilidades Experimentos são realizados resultados NÃO conhecidos previamente Experimento aleatório Exemplos: Determinar

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

Momentos: Esperança e Variância. Introdução

Momentos: Esperança e Variância. Introdução Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros

Leia 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

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

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

PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS. Aula 7 11 e 12 abril MOQ-12 Probabilidades e Int. a Processos Estocásticos

PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS. Aula 7 11 e 12 abril MOQ-12 Probabilidades e Int. a Processos Estocásticos PROBABILIDADES E INTRODUÇÃO A PROCESSOS ESTOCÁSTICOS Aula 7 11 e 12 abril 2007 1 Distribuições Discretas 1. Distribuição Bernoulli 2. Distribuição Binomial 3. Distribuição Geométrica 4. Distribuição Pascal

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

VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE

VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos

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

Cap. 6 Variáveis aleatórias contínuas

Cap. 6 Variáveis aleatórias contínuas Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio

Leia mais

Distribuições de Probabilidade Conjuntas

Distribuições de Probabilidade Conjuntas Distribuições de Probabilidade Conjuntas 1. Duas variáveis aleatórias discretas Exemplo 1. No desenvolvimento de um novo receptor para transmissão digital de informação, cada bit é classificado como aceitável,

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

Análise de Sistemas em Tempo Discreto usando a Transformada Z

Análise de Sistemas em Tempo Discreto usando a Transformada Z Análise de Sistemas em Tempo Discreto usando a Transformada Z Edmar José do Nascimento (Análise de Sinais e Sistemas) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco

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

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO Área Científica Matemática Probabilidades e Estatística Curso Engenharia do Ambiente º Semestre º Ficha n.º: Probabilidades e Variáveis Aleatórias. Lançam-se ao acaso moedas. a) Escreva o espaço de resultados

Leia mais

UNIVASF de Sinais e Sistemas

UNIVASF de Sinais e Sistemas UNIVASF Análise de Sinais e Sistemas Sistemas Prof. Rodrigo Ramos godoga@gmail.com Sistemas Definição: Entidade que manipula um ou mais sinais para realizar uma função, produzindo, assim, novos sinais.

Leia mais

Metodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins

Metodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos

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

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

Econometria Semestre

Econometria Semestre Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.

Leia mais

As Oscilações estão presentes no nosso dia a dia como o vento que balança uma linha de transmissão elétrica, as vibrações da membrana de um

As Oscilações estão presentes no nosso dia a dia como o vento que balança uma linha de transmissão elétrica, as vibrações da membrana de um As Oscilações estão presentes no nosso dia a dia como o vento que balança uma linha de transmissão elétrica, as vibrações da membrana de um alto-falante, ou de um instrumento de percussão. Um terremoto

Leia mais

Noções de Processos Estocásticos e Cadeias de Markov

Noções de Processos Estocásticos e Cadeias de Markov Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={

Leia mais

Motivação. VA n-dimensional. Distribuições Multivariadas VADB. Em muitas situações precisamos

Motivação. 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 mais

Geometria Analítica II - Aula 4 82

Geometria Analítica II - Aula 4 82 Geometria Analítica II - Aula 4 8 IM-UFF K. Frensel - J. Delgado Aula 5 Esferas Iniciaremos o nosso estudo sobre superfícies com a esfera, que já nos é familiar. A esfera S de centro no ponto A e raio

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