2 Sinais Aleatórios em Tempo Contínuo. Parte I: Espaço de Probabilidade e Variáveis Aleatórias.
|
|
- Thais Santiago Galindo
- 7 Há anos
- Visualizações:
Transcrição
1 Sinais Aleatórios em Tempo Contínuo. arte I: Espaço de robabilidade e Variáveis Aleatórias. Na Figura. está representado um modelo simpliicado de um sistema de comunicação. No Capítulo justiicou-se a opção por um modelo aleatório para representar uma onte de inormação. Embora a discussão se tenha ocado no caso de ontes digitais, as razões apresentadas mantêm-se válidas quando a onte de inormação gera sinais analógicos em tempo contínuo. Assim sendo, utilizaremos um modelo estocástico (ou aleatório para representar a classe de sinais passíveis de serem gerados por uma onte de inormação analógica. Em geral, o sinal transmitido resulta de uma ou mais transormações realizadas sobre o sinal onte, aqui representadas de orma integrada num único bloco genericamente designado por emissor. Embora o sinal transmitido seja em geral dierente do sinal onte, as transormações envolvidas preservam a inormação original, e têm por objectivo adaptar a transmissão ao canal de comunicação e combater o eeito do ruído. sinal recebido estimativa do sinal onte Fonte Emissor Canal Receptor Destino + sinal onte sinal transmitido Ruído Figura.: Modelo simpliicado de um sistema de comunicação or natureza própria dos enómenos ísicos envolvidos o mecanismo de geração do ruído é aleatório, pelo que o modelo mais adequado para o representar é também do tipo estocástico. De acordo com o modelo da Figura., o sinal recebido à entrada do receptor é uma versão do sinal transmitido, eventualmente distorcida pelo canal de comunicação, e corrompida por uma amostra de ruído aditivo: rec tra ( t C t [ tra ( τ TC ] + n( t ( t E [ ( τ T ] t E (. onde C t e E t representam as transormações, em geral não instantâneas, realizadas pelo canal e pelo emissor sobre os respectivos sinais de entrada., tra e rec são o sinal onte, o sinal transmitido e o sinal recebido, respectivamente, e n é uma amostra do ruído. Note-se que o sinal disponível à entrada do receptor é desconhecido pois nem o sinal onte nem o ruído são conhecidos. Embora o canal, isto é, a transormação C t, possa também ser desconhecido, iremos admitir que dispomos de um modelo adequado para o representar. Tendo em conta a alta de conhecimento prévio sobre um conjunto de componentes importantes do sistema, torna-se óbvio que é impossível o receptor ornecer ao destinatário uma réplica eacta do sinal onte. O problema consiste então em desenhar o emissor e o receptor de modo a que este último possa, a partir do sinal recebido, gerar a melhor réplica possível do sinal onte. ara tal, e também para avaliar a qualidade do sistema, isto é, o grau de semelhança entre o sinal onte e a respectiva estimativa, torna-se necessário estudar o modelo de representação da onte e do ruído. -
2 . Introdução aos rocessos Estocásticos O conceito de processo estocástico constitui uma etensão da noção de variável aleatória e permite modelar uma classe de sinais cujo comportamento ao longo do tempo é não determinístico. A interpretação deste modelo pode azer-se com base na Figura. A idea básica é a de que cada sinal ou unção amostra daquela classe ocorre de acordo com os resultados de um modelo eperimental probabilístico. Com eeito, um processo estocástico t t; ξ, designados por unções amostra, onde ( não é mais do que um conjunto de sinais ( ξ i é um dos resultados elementares de um enómeno ísico completamente caracterizado pelo conjunto p de todos os resultados eperimentais directos. Antes de avançar mais na descrição deste modelo, convém recordar as noções de espaço de probabilidade e de variável aleatória. i ( t; ξ p ξ 3 ξ ξ ξ 7 ξ j ( t; ξ 3 ( t ; ξ i ( t ; ξ ξ i ( p,ω,( ( t; ξ ( t; ξ i ( t ; ξ ( t ; ξ 3 t t Figura.: Modelação de um rocesso Estocástico.. Espaço de robabilidade Consideremos o conjunto p ormado pelos elementos ξ i p, os quais simbolizam os resultados elementares de uma eperiência. or eemplo, ξ i pode representar a ocorrência de uma das aces resultante do lançamento de um dado ou o intervalo de tempo que decorre entre duas chamadas teleónicas consecutivas. p é portanto um modelo eperimental. Qualquer subconjunto de p é um acontecimento: a ocorrência de uma ace par corresponde à ocorrência das alternativas ace, ace 4 ou ace 6. Neste conteto, o conjunto vazio corresponde ao acontecimento impossível e p é o acontecimento certo. O conjunto de todos os subconjuntos de p constitui o espaço de amostras Ω. Note-se que os elementos de Ω são a união de acontecimentos elementares de p os quais, por deinição, são mutuamente eclusivos. Recorde-se que dois acontecimentos A e B são mutuamente eclusivos sse A B. ara completar este modelo probabilístico é necessário atribuir uma medida de probabilidade a todos os acontecimentos de Ω. A probabilidade é uma unção dos elementos de Ω que veriica os aiomas: (i (A (ii (p (. (iii (A B (A + (B se A B -
3 O triplete (p,ω,( é designado por espaço de probabilidade. Note-se que o espaço de amostras Ω, sendo o conjunto ormado por todos os subconjuntos de p, satisaz as seguintes propriedades: (i p Ω (ii se A Ω então A C Ω (.3 (iii i, A i Ω então i A i Ω A partir de (. e (.3 é possível derivar algumas propriedades adicionais da medida de probabilidade (, tais como :. (A C -(A (.4. ( (.5 3. (A B (A + (B (A B (.6 4. A B (A (B (.7... robabilidade Condicional e Independência Estatística De..: Dado um acontecimento M tal que (M, a probabilidade de ocorrência do acontecimento A condicionada na certeza da ocorrência de M é deinida por ( A M ( A M ( M. (.8 Suponhamos que A e M são acontecimentos pertencentes ao espaço de amostras Ω associado ao espaço de probabilidade (p,ω,(. Admitamos ainda que em N repetições da eperiência representada pelo modelado eperimental p os acontecimentos M e A M ocorrem N M e N A M vezes, respectivamente. É sabido que para um valor de N suicientemente elevado para que N M e N A M tomem também valores muito elevados se veriica isto é, N NA M, N N M ( M e ( A M ( A M NA ( M NM M. Note-se que o acontecimento A M ocorre sse A e M ocorrerem em simultâneo; N A M conta assim o número de vezes que, na série de ocorrências de M, o acontecimento A também ocorre. Este raciocínio eplica, ainda que de orma empírica, a deinição de probabilidade condicional epressa em (.8. A probabilidade condicional goza das seguintes propriedades:. (A M (.9. (p M (. 3. A B (A B M (A M + (B M (. or ser relativamente simples, deia-se como eercício a demonstração destas propriedades. -3
4 A propriedade (.9 resulta directamente do acto de A M ser um acontecimento em Ω. De acto, tendo em conta que a medida de probabilidade é não negativa, (A M, e a quantidade deinida em (.8 é não negativa. Como p M M, a igualdade (. é imediata. Usando (.8, temos ( A B M (( A B M ( M (( A M ( B M ( M. Sendo A e B mutuamente eclusivos, o mesmo acontece com A M e B M. Assim, (( A M ( B M ( M e, tendo em conta (.8, obtém-se (.. ( A M ( M + ( B M ( M De..: Dois acontecimentos A e B são estatisticamente independentes sse ( A B ( A ( B. (. Desta relação e de (.8 conclui-se ainda que se dois acontecimentos A e B são estatisticamente independentes, então ( A B ( A ( B A ( B. (.3... robabilidade Total Consideremos o conjunto p de todos os acontecimentos elementares associados a um determinado modelo eperimental. Suponhamos que, tal como se mostra na Figura.3, se A,A,, de p. deine a partição [ ] AM p A B A M A Figura.3: artição do conjunto p Seja B um acontecimento qualquer deinido em p, isto é, B Ω. Como p A A A M, então -4
5 B B ( A A AM ( B A ( B A ( B A M Como se vê na Figura.3, os acontecimentos A,...,A M são mutuamente eclusivos e portanto também com os acontecimentos (B A,..., (B A M são mutuamente eclusivos. Logo ou, atendendo a (.8, ( B ( B A + ( B A + + ( B, ( B ( B A m ( A m M m AM. (.4 Este resultado é conhecido por Teorema da robabilidade Total e permite calcular a probabilidade de um acontecimento B se as probabilidades condicionais (B A m e a priori (A m orem conhecidas....3 Teorema de Bayes Suponhamos que os acontecimentos B e A m, m,,...,m, veriicam o teorema da probabilidade total. Então, o Teorema de Bayes diz que as probabilidades a posteriori (A m B, m,,...,m, se eprimem em termos das probabilidades a priori (A m, m,,...,m, do seguinte modo ( A B m ( B Am ( Am ( B Am ( Am M. (.5 m Este resultado deriva directamente da deinição de probabilidade condicional (.8 e do teorema da probabilidade total (.4 e, como veremos mais tarde, desempenha um papel muito importante em muitos problemas de engenharia, em particular, no desenho de receptores em sistemas de comunicações digitais... Variáveis Aleatórias Uma variável aleatória é uma unção ( ξ cujo domínio é o conjunto p de resultados eperimentais elementares ξ, sendo o conjunto dos números reais o respectivo contradomínio. Formalmente, a especiicação de uma variável aleatória assenta no espaço de probabilidade (p,ω,(, isto é, no conjunto p de acontecimentos elementares, no espaço de amostras Ω, e na medida de probabilidade ( deinida para cada elemento de Ω. ara ilustrar a construção do modelo de uma variável aleatória consideremos a Figura.4. Como se pode veriicar, a cada elemento de p az-se corresponder um e um só número real. No entanto, pode acontecer que a mais de um elemento de p corresponda um único valor de. Uma variável aleatória complea deine-se por ( ξ r ( ξ + j ( ξ variáveis aleatórias reais e j é a unidade imaginária., onde ( ξ i e ( ξ r são i -5
6 p A ξ i B (ξ i Figura.4: Modelação de um Variável Aleatória Real Note-se que qualquer acontecimento em Ω é representado por um intervalo em. or eemplo, os acontecimentos A e B são representados pelos intervalos { } e B { < } A, onde, e são números reais. No eemplo da Figura.4 o contradomínio da variável aleatória é constituído por um conjunto contável de números reais. Quando assim é diz-se que a variável aleatória é discreta. Uma variável aleatória é contínua se o seu contradomínio or uma união de intervalos em. Finalmente, se o contradomínio or a união de intervalos de com um conjunto contável de números reais, a variável aleatória é do tipo misto. A especiicação de uma variável aleatória completa-se recorrendo à medida de probabilidade ( associada ao espaço de probabilidade.... Função de Distribuição Cumulativa De..3: A unção de distribuição cumulativa de uma variável aleatória é dada por 3 : F ( (. (.6 A unção de distribuição goza das seguintes propriedades 4 :. F F ( ( ( + ( (.7. F ( é monotónica crescente, isto é, se ( F ( <. (.8 então F 3 A unção de distribuição será sempre representada por F; o subíndice em letra maiúscula designa a variável aleatória a que se reere F. 4 or ser relativamente simples, deia-se como eercício a demonstração destas propriedades. -6
7 3. 4. ( F ( >. (.9 ( F ( F ( <. (. A unção de distribuição pode ser contínua ou descontínua conorme o tipo de variável aleatória a que se reere. Consideremos uma variável aleatória do tipo misto cujo contradomínio é o conjunto CD ], [ [, [, e admitamos que ( p. A Figura.5 ilustra esta situação. A dierença p ( + F ( F é o salto de descontinuidade de F no ponto. A partir da igura podemos concluir que + ( F ( + F, ou seja, ( F (. F ( p F ( + F ( - Figura.5: Distribuição de probabilidade de uma variável aleatória mista Como os acontecimentos { < } e { } são mutuamente eclusivos, temos isto é, ( ( < + (, ( F ( F ( p ( < F (. artindo desta discussão podemos inerir que, nos casos das variáveis aleatórias discretas e contínuas, as respectivas unções de distribuição são unções em escada no primeiro caso e contínuas no segundo, como se mostra na Figura.6. F F p i (a i (b Figura.6: Funções de distribuição: (a variável discreta, (b variável contínua -7
8 ... Função Densidade de robabilidade ara além da unção de distribuição, a unção densidade de probabilidade pode ser usada para caracterizar uma variável aleatória de orma equivalente. De..4: Seja uma variável aleatória contínua com unção de distribuição F (. A unção densidade de probabilidade de é deinida por 5 : (. df ( (. d A unção densidade de probabilidade goza das seguintes propriedades 6 :. Uma vez que F é não decrescente, ver (.8, então. (.. De (. resulta ( < ( µ dµ. (.3 ( ( µ - F dµ. (.4 - ( + ( µ F dµ. (.5 Graicamente, a unção densidade de probabilidade de uma variável aleatória contínua tem o aspecto genérico que se mostra na Figura.7.Como se vê, a unção densidade de probabilidade tende para zero quando vai para ±, e pode ser multimodal, isto é, apresentar diversos máimos. Figura.7: Densidade de probabilidade de uma variável aleatória contínua 5 A unção densidade de probabilidade será sempre representada por ; o subíndice em letra maiúscula designa a variável aleatória a que se reere. 6 or ser relativamente simples, deia-se como eercício a demonstração destas propriedades. -8
9 ... Densidade de robabilidade de uma Variável Aleatória Discreta No caso de variáveis aleatórias discretas, a unção de distribuição não é contínua e portanto (. em De.. não tem sentido. Uma variável aleatória discreta toma valores k com probabilidade ( k p k F ( k + -F ( k -, pelo que podemos usar a notação ( p, k,, (.6 k k que especiica a densidade de probabilidade pontual. Neste conteto, não é a derivada de F, sendo deinida pelas amplitudes dos saltos de descontinuidade da unção de distribuição. Graicamente, representa-se como se ilustra na Figura.8. p k- p k- p k+ p k a k- k- k k+ p k+ b k+ Figura.8: Densidade de probabilidade de uma variável aleatória discreta Neste conteto, as propriedades da unção densidade de probabilidade pontual equivalentes a (.3, (.4 e (.5 são 7 :. Sejam i e j os valores de imediatamente superior a a e inerior ou igual a b, respectivamente. Ver eemplo da Figura.8. Então j ( a < b p k ( k k i j. (.7 k i. Seja j o valor de imediatamente inerior ou igual a a. Então j ( a ( k F. (.8 k 3. ( + ( k F. (.9 k Alternativamente, podemos estender o espaço onde se deinem as unções densidade de probabilidade deinidas por (. de modo a incluir a distribuição δ ( de Dirac b a δ ( c d se a c b caso contrário. (.3 7 A propriedade (. mantém-se. -9
10 Deste modo, a densidade de probabilidade pontual de uma variável aleatória discreta é generalizável de modo a suportar a dedinição (., e escreve-se na orma ( p δ( k k. (.3 k Usando esta deinição em (.3, (.4 e (.5 e tendo em conta (.3, recuperam-se acilmente as epressões (.7, (.8 e (.9, respectivamente....3 Operador Valor Epectável Considere-se a variável aleatória caracterizada pela densidade de probabilidade e a transormação ( g (.3 a partir da qual se deine uma nova variável aleatória. De..5: O valor epectável da variável aleatória é deinido por E { } g( µ ( µ dµ -. (.33 Note-se que se, em particular, a transormação g ( or a identidade, isto é,, então de (.33 resulta { } µ ( µ E dµ, (.34 ou seja, o valor epectável da variável aleatória. ode também mostrar-se, como veremos mais adiante, que o operador valor epectável é linear, isto é, { } α E{ } + E{ }. α + α E α ( Momentos De..6: Fazendo em (.3 ordem n da variável aleatória : n ( n n n E{ } µ ( µ -, e usando (.33, obtém-se o momento de m dµ. (.36 O momento de primeira ordem, abreviadamente representado por m, é o valor epectável de já introduzido em (.34. O momento de segunda ordem, m E, é normalmente designado por correlação. ( { } -
11 ...3. Momentos Centrados De..7: Fazendo em (.3 ( n m e usando (.33, obtém-se o momento centrado de ordem n da variável aleatória : µ n n { } ( ν m ( ν ( n ( m - E dν. (.37 O momento centrado de primeira ordem é nulo. O momento centrado de segunda ordem é designado por variância: ( σ. µ É ácil veriicar que a variância veriica a igualdade ( σ m m, (.38 ou seja, é a dierença entre a correlação e quadrado do valor epectável. ortanto, no caso em que tem valor epectável (média nulo, a variância coincide com a correlação Desigualdade de Chebyshev Na caracterização estatística de uma variável aleatória é requente azer-se uso de um outro parâmetro, relacionado com a variância, e designado por desvio padrão: ( ( σ ( m m σ. (.39 ara se entender que tipo de estatística é medida pelo desvio padrão consideremos uma variável aleatória qualquer Z e um número real arbitrário ε > ininitésimal. Qualquer que seja a >, a { Z } µ ( µ dµ µ ( µ dµ + µ ( µ E dµ ; Z em qualquer das parcelas do termo mais à direita da relação anterior, o actor µ toma, em qualquer das duas integrandas, valores não ineriores a a. ortanto, podemos ainda escrever Z a ε a { } a ( µ dµ + ( µ dµ a ( Z a E Z Z Z, ε a ε Z ou ainda E ( { Z } Z a. (.4 a Fazendo em (.4 Z m e a kσ, k +, obtém-se a desigualdade de Chebyshev, a qual se pode escrever em qualquer das ormas alternativas seguintes: -
12 ; (.4 k ( m kσ. (.4 k ( m < kσ > A desigualdade de Chebyshev permite airmar que, independentemente da unção, a probabilidade de tomar valores ora de um intervalo centrado em torno do respectivo valor epectável e com comprimento igual a k desvios padrão é sempre não superior a K. Um valor pequeno do desvio padrão signiica um pequeno espalhamento dos valores mais prováveis de em torno do valor médio. or eemplo, para k, qualquer variável aleatória toma valores entre m -σ e m +σ com probabilidade superior a Eemplos de Variáveis Aleatórias Neste parágrao iremos dar eemplo de algumas variáveis aleatórias de grande interesse para o desenho e análise de sistemas de telecomunicações.. Bernoulli Variável aleatória discreta cujo contradomínio é o conjunto {,} de probabilidade ( ( p p com C D com distribuição p. (.43 Esta variável aleatória é usada para modelar ontes binárias e a ocorrência de erros de transmissão num sistema de comunicações digitais.. Binomial Variável aleatória discreta cujo contradomínio é o conjunto C D + dos inteiros não negativos e que representa, por eemplo, o número de 's que ocorrem numa sequência de n ocorrências de Bernoulli. A respectiva densidade de probabilidade pontual é da orma ( k n k p k ( p n k k n k > n (.44 A distribuição binomial serve, por eemplo, para modelar o número total de símbolos recebidos com erro numa sequência de n símbolos estatisticamente independentes, sendo p a probabilidade de erro por símbolo. 3. Uniorme Variável aleatória contínua cuja unção densidade de probabilidade é deinida como a b ( b a (.45 caso contrário A distribuição uniorme pode ser usada para representar a ase de uma sinusoide num intervalo de comprimento π. -
13 4. Laplace Variável aleatória contínua cuja densidade de probabilidade é deinida por α ( ep( α < < (.46 Neste caso pode ser usada para modelar a amplitude de um sinal de voz. 5. Gaussiana ou Normal A variável aleatória gaussiana é de grande importância na análise do desempenho de sistemas de comunicações pois o ruído térmico, uma das ontes de ruído mais típicas neste tipo de sistemas, tem uma distribuição de amplitude gaussiana. A respectiva densidade de probabilidade é dada por ( ( ep m < < (.47 πσ σ onde m e σ são a média e o desvio padrão de, respectivamente....5 Transormação de Uma Variável Aleatória Consideremos uma variável aleatória com densidade de probabilidade e a transormação g, (.3 ( onde g é uma unção conhecida para a qual eiste a transormação inversa ( y g. (.48 Em geral, g pode ser não monotónica pelo que a solução da equação y g( dada por (.48 não é única. O problema que iremos abordar é o de calcular a densidade de probabilidade dadas a tranormação (.3 e a densidade. ara simpliicar, começaremos por assumir que g é uma unção monotónica, isto é, a solução dada por (.48 é única. Consideremos a ilustração deste problema apresentada na Figura.9. Note-se que ao acontecimento ], + d ] deinido sobre o espaço de amostras da variável corresponde o mesmo acontecimento ]y, y + dy ], este deinido sobre o espaço de amostras de, e determinado pela transormação g. orque se trata do mesmo acontecimento, podemos concluir que ( + d ( y < y < + ; dy Admitindo que d e dy são ininitesimais, as probabilidades da igualdade anterior, dadas pelas áreas sombreadas na Figura.9, podem ser aproimadas por ou seja, ( d ( y dy, -3
14 ( y (. (.49 dy d y y g( g y y +dy y +d +d Figura.9: Transormação de uma variável aleatória Uma vez que g - (y, no limite, quando d, a aproimação (.49 converge para a solução eacta ( ( g ( y (, y : y g( ( y, (.5 g' g ( y onde ( dg g '. d Eemplo.: Consideremos a transormação m + α onde é uma variável gaussiana de média nula e variância unitária. retendemos conhecer a densidade de probabilidade de. Usando (.47 podemos escrever. (.5 ( ep π or outro lado, g'( α e g (y α - (y m. Substituindo em (.5 obtemos ( y m ( y ep π α, α -4
15 isto é, uma gaussiana de média m e variância α. Eemplo.: Suponhamos a transormação, onde é também gaussiana de média nula e variância unitária como no eemplo anterior (ver (.5. Neste eemplo, a transormação é não monotónica pelo que (.5 não pode ser aplicada directamente. No entanto, se nos socorrermos da Figura. veriicamos que um acontecimento A y deinido sobre o espaço de amostras de é o mesmo que a união de dois acontecimentos mutuamente eclusivos B -y e B y deinidos no espaço de amostras de. ortanto, a probabilidade associada a A y é a soma das probabilidades associadas a B -y e B y. Isto quer dizer que a solução (.5 tem no caso presente duas parcelas correspondentes às duas soluções da equação y. y g y y -y y Figura.: Valor absoluto de uma gaussiana Como em valor absoluto a derivada da tranormação é unitária, teremos ( y ( y ( + y ep + ep y, π + π ou seja, y ep ( y y π (.5 y < A partir deste eemplo podemos generalizar (.5 para o caso em que a transormação g é não monotónica. Facto.: Sejam,, N as soluções da equação y g(, onde g é uma transormação arbitrária. Sendo g(, onde tem densidade de probabilidade, então a densidade de probabilidade de vem dada por ( n ( N ( y. (.53 n g' n g ( y n -5
16 ..3 Distribuições Conjuntas e Condicionais Os conceitos introduzidos na secção anterior podem ser generalizados para o caso de vectores aleatórios, isto é, cujos componentes são variáveis aleatórias. or questões de simplicidade, iremos conduzir a apresentação para o caso de vectores bidimensionais...3. Função de Distribuição Conjunta Consideremos duas variáveis aleatórias e deinidas sobre o conjunto p associado a um determinado modelo eperimental. Naturalmente, as propriedades estatísticas de cada uma das variáveis aleatórias quando consideradas isoladamente são completamente determinadas pelas respectivas unções de distribuição F e F. No entanto, o mesmo não acontece quando se consideram as propriedades conjuntas de e. Em particular, o conhecimento de F e de F não é em geral suiciente para calcular a probabilidade { (, D} de que o par (, tome valores numa região D. De..8- A unção de distribuição conjunta das variáveis aleatórias e é deinida como F (, y (, y onde {, y} { } { y}, (.54. y y D y D y D 3 y y Figura.: Acontecimentos em Uma vez que F (, y representa a probabilidade de o par (, tomar valores na região D representada na Figura., é ácil veriicar a partir de (.54 que as probabilidades de, nas regiões D, D, e D 3 são, respectivamente, ocorrência ( (, y < y F (, y F (, ; (.55 y (, y F (, y F (, y < ; (.56 ( <, y < y F(, y F(, y F (, y + F (, y D. (.57-6
17 ..3. Densidade de robabilidade Conjunta De..9- A unção densidade de probabilidade conjunta das variáveis aleatórias e é deinida como (, y Desta deinição resulta que (, y F. (.58 y e, em particular, {(, D} ( µ, ν dµ dν (.59 y D (, y ( µ, ν F dµ dν. (.6 - Eemplo.3: Consideremos a região D 3 deinida na Figura.; azendo uso de (.59 e de (.58 obtém-se sucessivamente: Note-se inalmente que y {(, D } ( µ, ν 3 y F d dµ [ F ( µ, y F ( µ, y ] (, y F (, y F (, y + F (, y dµ dν dν e que (, y (.6 F (, ( µ, ν dµ dν +. ( Distribuições e Densidades Marginais Relativamente ao par de variáveis aleatórias (,, diz-se que F (ou F e (ou são, respectivamente, a distribuição e a densidade de probabilidade marginal da variável (ou. Consideremos a Figura.(a. Naturalmente, { } {, } é o conjunto de todos os pares (, à esquerda de L e, portanto, ( F (, F. (.63 or outro lado, e relativamenta à Figura.(b, podemos observar que ou seja, ( d { < + d} { D}, -7
18 e, em conclusão, ( d (, ν ddν d (, ν D dν - ( (, ν dν. (.64 y L y L y D d (a (b Figura.: Distribuições marginais De modo equivalente, podemos também escrever e F ( y F ( +, y - ( y ( µ, y dµ Variáveis Aleatórias Estatisticamente Independentes De..- As variáveis aleatórias e são estatisticamente independentes (ou simplesmente independentes se os acontecimentos { } e { y} orem independentes, isto é, se {, y} { } { y}. (.65 Deste modo, se e orem estatisticamente independentes, então a distribuição conjunta é o produto das distribuições marginais, ou seja, (, y : F (, y F ( F ( y. (.66 Atendendo a (.58 e a (., de (.66 resulta (, y : (, y ( ( y, (.67 o que signiica que se e orem independentes então a densidade de probabilidade conjunta é o produto das densidades marginais. -8
19 ..3.5 Média, Correlação e Covariância Consideremos a variável aleatória Z g(,, onde g é uma unção conhecida. Seja D z a região de onde z g(, z + dz; para cada dz corresponde uma região D z onde g(, z e { z Z z + dz} { (, }. À medida que dz cobre a recta real, as correspondentes regiões D z, disjuntas, cobrem o plano e, portanto, isto é, D z {} Z z ( z dz g(, y (, y ddy, E Z - { g( ; } g(, y (, y ddy. (.68 E Estamos agora em condições de demonstrar a linearidade do operador valor epectável. Com eeito, sendo α + α, podemos então sucessivamente escrever E { } ( αy + α y ( y, y dydy α y ( y, y dydy + α y ( y, y α y ( y, y dy dy + α y ( y, y α y y ( y dy + α y y ( y dy α E{ } + α E{ } dy dy dy dy A correlação entre as variáveis aleatórias e deine-se por R E{ }. (.69 Sendo σ e σ as variâncias de e, respectivamente, então o coeiciente de correlação entre e é C ρ, (.7 σ σ onde C {( m ( m } E (.7 é a covariância entre e, e m e m os respectivos valores epectáveis. Usando (.7 e (.69, obtém-se a seguinte relação: C R m m. (.7 De..- As variáveis aleatórias e são incorrelacionadas sse C ρ R m m. (.73-9
20 De..- As variáveis aleatórias e são ortogonais sse R. (.74 Facto.: Sejam e variáveis aleatórias estatisticamente independentes. Então e são variáveis aleatórias incorrelacionadas. Se e são estatisticamente independentes então (, y ( ( y. (.69 e (.68 vem R m y m (, y ddy ( d y ( y ortanto, de o que, de acordo com a De.., signiica que e são incorrelacionadas. Sublinha-se que, em geral, duas variáveis aleatórias incorrelacionadas não são necessariamente estatisticamente independentes. Eemplo.4: Variáveis aleatórias conjuntamente gaussianas. Sejam e duas variáveis aleatórias conjuntamente gaussianas com médias m e m e variâncias σ eσ, respectivamente. Então, sendo ρ o coeiciente de correlação entre e, dy (, y πσ σ ρ ep σ ( m ( ρ ( y m σ ( ρ ρ + ( m ( y m σ σ ( ρ (.75 Facto.3: A correlação entre duas variáveis aleatórias e veriica a desigualdade de Schwarz E { } E{ } E{ }. (.76 A igualdade é veriicada quando e são proporcionais, isto é, quando c. Consideremos a seguinte igualdade onde c é uma constante arbitrária: { } E{ } ce{ } + c E{ }. ( c E ( c I Note-se que I( c representa uma parábola. ortanto, a equação I ( c não pode ter mais do que uma solução real. or outras palavras, o binómio descriminante da órmula resolvente da equação algébrica do º grau deve veriicar 4E { } 4E{ } E{ }, de onde (.76 resulta imediatamente. or outro lado, a solução real única obtém-se quando o binómio descriminante é nulo e vale precisamente c. Facto.4: O coeiciente de correlação entre duas variáveis aleatórias e veriica a desigualdade ρ, (.77 -
21 atingindo o valor máimo quando c. Este acto resulta directamente do Facto.3 e das deinições (.7 e ( Funções de duas Variáveis Aleatórias O problema que aqui consideramos é o de, dadas as variáveis aleatórias Z g W h (, (, (.78 e as transormações g (, e h (, ZW (, em termos de (,, eprimir a unção densidade de probabilidade conjunta. Assume-se que as transormações (.78 têm inversa. O resultado constitui uma generalização natural de (.53 pelo que não será aqui demonstrado., y, n,,, as N soluções do sistema de equações (.78 e Sejam ( N, n n (, y g(, y g y J (, y det (.79 h(, y h(, y y o respectivo Jacobeano. Então, onde os pares (, y, n,,, N, n n n ( n, y n (, y N ZW ( z, w, (.8 J n n aparecem epressos em termos de z e w. Eemplo.5: retende-se determinar Z ( z, sabendo que Z + e conhecendo (, y. Começamos por deinir a variável aleatória W, ormando o par de transormações Z +. W Qualquer que seja o par ( z, w, o sistema anterior tem apenas uma solução (, y ( z w, w or outro lado, J (, y e, portanto, Note-se que ( z e (.8, ZW ( z, w ( z w, w. (.8 Z é uma das densidades marginais de ( z, w ( z ( z w, w. ZW, ou seja, atendendo a (.64 Z dw. (.8 No caso particular em que as variáveis aleatórias e são estatisticamente independentes,,, e (.8 toma a orma de um integral de convolução ( ( ( -
22 ( z ( z w ( w Z dw. (.83 Facto.5: A unção densidade de probabilidade da soma de duas variáveis aleatórias estatisticamente independentes é dada pelo integral de convolução das densidades de probabildade das parcelas Teorema do Limite Central Seja Z N a soma de N variáveis aleatórias { } N n n estatisticamente independentes e com distribuições de probabilidade arbitrárias. O teorema do limite central diz que a variável aleatória Z tem uma distribuição de probabilidade que tende para a de uma gaussiana quando N Distribuições Condicionais De..3- A unção de distribuição da variável aleatória dada a ocorrência do acontecimento A é dada por F A ( A { A} {, A} { A}. (.84 Note-se que esta deinição é coerente com as Des..3 e. de unção de distribuição de uma variável aleatória e de probabilidade condicional, respectivamente. De..4- A unção densidade de probabilidade da variável aleatória dada a ocorrência do acontecimento A é dada por ( A. df A A ( A (.85 d Do teorema da probabilidade total, ver (.4, e azendo B { } F ( F A ( A m ( A m m M m, podemos escrever, (.86 onde { A } M m m é uma partição arbitrária do conjunto p e ( A, m,,, m M, são as respectivas probabilidades de ocorrência. De (.86, (. e (.85 decorre ainda que ( A ( A m ( A m m M m. (.87 A órmula de Bayes pode também ser generalizada para o conteto das variáveis aleatórias. Se em ( ( B A A B ( A B ( -
23 izermos B { }, então e, de modo análogo, ( A ( A ( F A ( A (.88 F ( A ( A F A ( A F ( F ( F A <. (.89 ( A Usando o acto de ( A lim ( A < + em (.89, obtemos ( A ( A (, e azendo e + A ( A. (.9. Multiplicando ambos os membros de (.9 por ( e integrando em, vem pois a área limitada por ( A ( A ( A ( d, (.9 A é obviamente unitária. Note-se que (.9 constitui uma outra orma de apresentar o teorema da probabilidade total. Finalmente, de (.9 e (.9 obtém-se a correspondente órmula de Bayes A ( A ( A (. (.9 ( A ( d Facto.6: A unção de densidade de probabilidade conjunta de duas variáveis aleatórias e é, em geral, dada por (, y ( y ( y. (.93 e são estatisticamente independentes sse ( y ( (.93 obtém-se a relação (.67. Retomando (.84 e azendo A { y < y + y}, podemos escrever. Neste caso, de ou seja, F (, y < y + y F ( y < y + y ( y < y + y, A [ ]. (, y + y F (, y F ( y < y + y F ( y + y F ( y A Dividindo ambos os membros da igualdade anterior por y e tomando o limite, quando y, obtém-se F (, y df ( ( y F y, y dy resultando (.93 após derivação de ambos os membros em ordem a. -3
Capítulo III. Limite de Funções. 3.1 Noção de Limite. Dada uma função f, o que é que significa lim f ( x) = 5
Capítulo III Limite de Funções. Noção de Limite Dada uma unção, o que é que signiica ( 5? A ideia intuitiva do que queremos dizer com isto é: quando toma valores cada vez mais próimos de, a respectiva
Leia maisCapítulo III. Limite de Funções. 3.1 Noção de Limite. Dada uma função f, o que é que significa lim f ( x) = 5
Capítulo III Limite de Funções. Noção de Limite Dada uma unção, o que é que signiica ( 5? A ideia intuitiva do que queremos dizer com isto é: quando toma valores cada vez mais próimos de, a respectiva
Leia mais5.1 Noção de derivada. Interpretação geométrica de derivada.
Capítulo V Derivação 5 Noção de derivada Interpretação geométrica de derivada Seja uma unção real de variável real Deinição: Chama-se taa de variação média de uma unção entre os pontos a e b ao quociente:
Leia maisFUNÇÕES DE VÁRIAS VARIÁVEIS
FUNÇÕES DE VÁRIAS VARIÁVEIS Introdução Considere os seguintes enunciados: O volume V de um cilindro é dado por V r h onde r é o raio e h é a altura. Um circuito tem cinco resistores. A corrente deste circuito
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia mais5.7 Aplicações da derivada ao estudo das funções.
Capítulo V: Derivação 0.. 4. 7. tg( ) 0 tg( π ( + + ) sen( ) + ) sen( ) Resolução: cos( ) Repare que não eiste sen( ). + 5. ( e + ) 6. 0 π ( + cos( )) cos( ) sen( ) sen( ) Mas, e como 0, então 0 + + +
Leia mais1 Capítulo 4 Comp m l p e l me m ntos de d Funçõ ç es
Capítulo 4 Complementos de Funções SUMÁRIO Estrutura e cardinalidade em R Topologia Limites e continuidade de unções num ponto pela deinição (vizinhanças Teorema de Bolzano e Teorema de Weierstrass Teorema
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia mais3.2 Função de Distribuição Conjunta Acumulada e Função de Densidade de Probabilidade Marginal
. Função de Distribuição Conjunta Acumulada e Função de Densidade de Probabilidade Marginal ( ) 9 F ( ) P( y ) / 4 Por vezes o interesse do pesquisador recai sobre as chances de ocorrência de um subconjunto
Leia maisTeoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisCapítulo II. Funções reais de variável real. 2.1 Conceitos Básicos sobre Funções. ( x)
Capítulo II Funções reais de variável real. Conceitos Básicos sobre Funções Sejam D e B dois conjuntos. Uma unção deinida em D e tomando valores em B é uma regra que a cada elemento de D az corresponder
Leia maisTÓPICOS DE CORRECÇÃO
Faculdade de Economia Universidade Nova de Lisboa EXAME E CÁLCULO I Ano Lectivo 007-08 - º Semestre Eame Final de ª Época em de Junho de 008 Duração: horas e 30 minutos É proibido usar máquinas de calcular
Leia maisSe tanto o numerador como o denominador tendem para valores finitos quando x a, digamos α e β, e β 0, então pela álgebra dos limites sabemos que.
FORMAS INDETERMINADAS E A REGRA DE L HÔPITAL RICARDO MAMEDE Consideremos o ite. Se tanto o numerador como o denominador tendem para valores initos quando a, digamos α e β, e β, então pela álgebra dos ites
Leia maisCapítulo 4 - Variáveis aleatórias e distribuições contínuas
Capítulo 4 - Variáveis aleatórias e distribuições contínuas Conceição Amado e Ana M. Pires 4.1 - Variáveis aleatórias contínuas. Função densidade de probabilidade 3 4.2 - Valor esperado, variância e algumas
Leia mais1.3 Conjuntos de medida nula
1.3 Conjuntos de medida nula Seja (X, F, µ) um espaço de medida. Um subconjunto A X é um conjunto de medida nula se existir B F tal que A B e µ(b) = 0. Do ponto de vista da teoria da medida, os conjuntos
Leia maisAULA 13 Aproximações Lineares e Diferenciais (página 226)
Belém, de maio de 05 Caro aluno, Nesta nota de aula você aprenderá que pode calcular imagem de qualquer unção dierenciável num ponto próimo de a usando epressão mais simples que a epressão original da.
Leia maiscotg ( α ) corresponde ao valor da abcissa do
Capítulo II: Funções Reais de Variável Real 59 Função co-tangente Seja α um ângulo representado no círculo trigonométrico. ( α ) corresponde ao valor da abcissa do ponto que resulta de projectar o lado
Leia maisUniversidade Federal do Rio Grande do Norte. Métodos Computacionais Marcelo Nogueira
Universidade Federal do Rio Grande do Norte Métodos Computacionais Marcelo Nogueira Raízes de Equações Algébricas Achar a raiz de uma unção signiica achar um número tal que 0 Algumas unções podem ter suas
Leia maisPrevisão 1 1ª fase. Na sua folha de respostas, indique de forma legível a versão do teste.
revisão Eame Nacional de Matemática A 01 revisão 1 1ª ase Matemática A revisão 1 Duração do teste: 90 minutos 4.06.01 1.º Ano de Escolaridade Na sua olha de respostas, indique de orma legível a versão
Leia maisNa aula anterior vimos a noção de derivada de uma função. Suponha que uma variável y seja dada como uma função f de uma outra variável x,
Elementos de Cálculo Dierencial Na aula anterior vimos a noção de derivada de uma unção. Supona que uma variável y seja dada como uma unção de uma outra variável, y ( ). Por eemplo, a variável y pode ser
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisDemonstração. 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 maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo Lei de Bayes Variáveis Aleatórias
Leia maisRedes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
Leia maisMódulo 3 FUNÇÕES (1ª Parte)
. Módulo 3 FUNÇÕES (ª Parte) Eercícios ) O esquema seguinte representa uma página da agenda teleónica da Maalda Objectivos Recordar: A (nomes) Médico (João) B (teleones) 397345 (casa) 3973456 (consultório)
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano de escolaridade Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 6º Teste 0º Ano de escolaridade Versão Nome: Nº Turma: Proessor: José Tinoco 05/06/07 É permitido o uso de calculadora gráica Apresente o seu raciocínio de orma clara,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano de escolaridade Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 6º Teste 0º Ano de escolaridade Versão Nome: Nº Turma: Proessor: José Tinoco 05/06/07 É permitido o uso de calculadora gráica Apresente o seu raciocínio de orma clara,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano de escolaridade Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 6º Teste 0º Ano de escolaridade Versão Nome: Nº Turma: Proessor: José Tinoco 05/06/07 É permitido o uso de calculadora gráica Apresente o seu raciocínio de orma clara,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano de escolaridade Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 6º Teste 0º Ano de escolaridade Versão Nome: Nº Turma: Proessor: José Tinoco 05/06/07 É permitido o uso de calculadora gráica Apresente o seu raciocínio de orma clara,
Leia maisIntegração Numérica. Cálculo Numérico
Cálculo Numérico Integração Numérica Pro. Jorge Cavalcanti jorge.cavalcanti@univas.edu.br MATERIAL ADAPTADO DOS SLIDES DA DISCIPLINA CÁLCULO NUMÉRICO DA UFCG - www.dsc.ucg.edu.br/~cnum/ Integração Numérica
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia maisUnidade 3. Funções de uma variável
Unidade 3 Funções de uma variável Funções Um dos conceitos mais importantes da matemática é o conceito de unção. Em muitas situações práticas, o valor de uma quantidade pode depender do valor de uma segunda.
Leia maisInterpretação Geométrica
.. Método da Iteração Linear MIL Seja uma unção contínua em [a, com α [ a, tal que α. O Método de Iterações Lineares consiste em: a transormar a equação numa unção de iteração ϕ ; b adotar um valor inicial
Leia maisCapítulo II. Funções reais de variável real. 2.1 Conceitos Básicos sobre Funções. ( x)
Capítulo II Funções reais de variável real.1 Conceitos Básicos sobre Funções Sejam D e B dois conjuntos. Uma unção deinida em D e tomando valores em B é uma regra que a cada elemento de D az corresponder
Leia maisInterpolação Polinomial
Cálculo Numérico Interpolação Polinomial Parte I Pro. Jorge Cavalcanti jorge.cavalcanti@univas.edu.br MATERIAL ADAPTADO DOS SLIDES DA DISCIPLINA CÁLCULO NUMÉRICO DA UFCG www.dsc.ucg.edu.br/~cnum/ Interpolação
Leia maisFAMÍLIA 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 maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisCDI-II. Resumo das Aulas Teóricas (Semana 5) 1 Extremos de Funções Escalares. Exemplos
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Prof. Gabriel Pires CDI-II Resumo das Aulas Teóricas (Semana 5) 1 Etremos de Funções Escalares. Eemplos Nos eemplos seguintes
Leia maisCÁLCULO DIFERENCIAL EM CAMPOS ESCALARES E VECTORIAIS
Capítulo II CÁLCULO DIFERENCIAL EM CAMPOS ESCALARES E VECTORIAIS Capítulo II Até agora trabalhamos sempre com unções de uma única variável real mas eistem muitas situações nas quais a unção depende de
Leia maisFunções de variável aleatória
Desigualdade de hebshev ágina de Funções de variável aleatória Funções de variável aleatória aso discreto uponhamos que é uma variável aleatória que toma valores {... n } e tem unção de probabilidade p
Leia maisExercícios orientados para a Prova Escrita de Fundamentos de Matemática Aplicada C Prof. Germán Suazo
Ministério da Educação Universidade Federal de Pelotas Centro de Educação a Distância Curso de Licenciatura em Matemática a Distância Eercícios orientados para a Prova Escrita de Fundamentos de Matemática
Leia maisTransmissão 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 maisMatemática A. Previsão 3. Duração do teste: 180 minutos º Ano de Escolaridade. Previsão Exame Nacional de Matemática A 2013
revisão Eame Nacional de Matemática A 01 revisão 1ª ase Matemática A revisão Duração do teste: 180 minutos 7.0.01 1.º Ano de Escolaridade Resoluções em vídeo em www.eplicamat.pt revisão de Eame página1/9
Leia maisÁlgebra Linear. Determinantes, Valores e Vectores Próprios. Jorge Orestes Cerdeira Instituto Superior de Agronomia
Álgebra Linear Determinantes, Valores e Vectores Próprios Jorge Orestes Cerdeira Instituto Superior de Agronomia - 200 - ISA/UTL Álgebra Linear 200/ 2 Conteúdo Determinantes 5 2 Valores e vectores próprios
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano Época especial
Prova Escrita de MATEMÁTIA A - o Ano 006 - Época especial Proposta de resolução GRUPO I. Estudando a variação de sinal de f e relacionando com o sentido das concavidades do gráfico de f, vem: 6 ) + + +
Leia mais6 Sucessões e Funções
33 6 Sucessões e Funções 6 O número e como limite de uma sucessão No âmbito do programa actual de Matemática A do Ensino Secundário ([5]), surgem diversos limites que sugerem uma abordagem numérica Um
Leia maisFunções polinomiais, racionais e trigonométricas
Aula 04 FUNÇÕES (continuação) UFPA, 5 de março de 05 Funções polinomiais, racionais e trigonométricas No inal desta aula, você seja capaz de: Dizer o domínio das unções polinomiais, racionais e trigonométricas;
Leia maisTratamento estatístico de dados experimentais - conceitos básicos
Tratamento estatístico de dados eperimentais - conceitos básicos 1 Incerteza associada a uma medição Propagação de erros 3 Representação gráfica 4 Pequeno guia para criar gráficos 5 Regressão linear 1
Leia maisConvergência em espaços normados
Chapter 1 Convergência em espaços normados Neste capítulo vamos abordar diferentes tipos de convergência em espaços normados. Já sabemos da análise matemática e não só, de diferentes tipos de convergência
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. RINCIAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por f, β α 0, Notação: ~ Uα, β.
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Exemplos Análise Combinatória Probabilidade Condicional Independência de Eventos Teorema da Probabilidade Total Lei de Bayes Aula de hoje Exemplo
Leia maisTransmissão de impulsos em banda-base
Transmissão de impulsos em banda-base Transmissão de impulsos através de um canal com ruído aditivo. Probabilidades de erro com detecção no ponto central Detecção de sinais binários em ruído gaussiano
Leia maisFUNÇÕES REAIS DE UMA VARIÁVEL REAL
FUNÇÕES REAIS DE UMA VARIÁVEL REAL Deinição inormal de unção Uma unção é uma regra que a cada elemento de um dado conjunto A associa um e um só elemento de um outro conjunto B. : A B ( ) Simbolicamente,
Leia maisExercício 1. Exercício 2. Exercício 3. Considere a função f que para valores de x é de nida pela relação f(x) = x(sin /x).
E Eercício 1 Considere a função f que para valores de é denida pela relação f() = (sin /). 1.1 Mostre que a função f é contínua em R\{}. 1.2 Sabendo que f é contínua no ponto = determine o valor de f().
Leia maisNotas de Aula Disciplina Matemática Tópico 04 Licenciatura em Matemática Osasco -2010
1. Funções Sobrejetoras Dizemos que uma unção : é sobrejetora se, e somente se, o seu conjunto imagem or igual ao contradomínio, isto é, se Im() =. Em outras palavras, dado um elemento z qualquer no contradomínio,
Leia maisA Estatística é uma ciência que se ocupa em grande parte do estudo das. Vamos imaginar uma população como um conjunto Π = {I 1, I 2,...
Capítulo 1 Distribuições de freqüências A Estatística é uma ciência que se ocupa em grande parte do estudo das distribuições de freqüência de variáveis definidas em populações. Vamos imaginar uma população
Leia maisFicha de Problemas n o 6: Cálculo Diferencial (soluções) 2.Teoremas de Rolle, Lagrange e Cauchy
Ficha de Problemas n o 6: Cálculo Diferencial soluções).teoremas de Rolle, Lagrange e Cauchy. Seja f) = 3 e. Então f é contínua e diferenciável em R. Uma vez que f) = +, f0) = conclui-se do Teorema do
Leia maisTexto complementar n 1 - Gráficos
Teto complementar n 1 - Gráicos 1. Introdução. No estudo de um enômeno ísico são realizadas eperiências onde são medidas diversas grandezas ao mesmo tempo. A relação entre essas grandezas pode ser epressa
Leia maisO teorema central do limite de distribuições probabilísticas
O teorema central do limite de distribuições probabilísticas Há um teorema de central importância sobre o limite de distribuições probabilísticas: é o chamado teorema central do limite. Esse teorema é
Leia maisCÁLCULO DIFERENCIAL E INTEGRAL. Prof. Rodrigo Carvalho
CÁLCULO DIFERENCIAL E INTEGRAL LIMITES Uma noção intuitiva de Limite Considere a unção () = 2 + 3. Quando assume uma ininidade de valores, aproimando cada vez mais de zero, 2 + 3 assume uma ininidade de
Leia maisMatemática A. Previsão º Ano de Escolaridade. Na sua folha de respostas, indique de forma legível a versão do teste.
Previsão Eame Nacional de Matemática A 0 Previsão ª ase Matemática A Previsão Duração do teste: 90 minutos 4.06.0.º Ano de Escolaridade Na sua olha de respostas, indique de orma legível a versão do teste.
Leia maisAULA 16 Esboço de curvas (gráfico da função
Belém, 1º de junho de 015 Caro aluno, Seguindo os passos dados você ará o esboço detalhado do gráico de uma unção. Para achar o zero da unção, precisamos de teorias que você estudará na disciplina Cálculo
Leia maisMATEMÁTICA A - 12o Ano Funções - Exponenciais e logaritmos. Propostas de resolução
MTEMÁTIC - 1o no Funções - Eponenciais e loaritmos Resolução ráica de equações e problemas Propostas de resolução Eercícios de eames e testes intermédios 1. Como o ponto é o ponto de abcissa neativa (
Leia maisResumo. 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 mais2.2 A variável aleatória
Eisencraft e Loiola 2.2 A variável aleatória 45 de 24 por minuto e que a probabilidade de acertar um alvo seja,4. Encontre a probabilidade de que eatamente 5 balas atinjam o alvo. (Dica: use a aproimação
Leia maisIntegrais de linha, funções primitivas e Cauchy Goursat
Integrais de linha, unções primitivas e Cauchy Goursat Roberto Imbuzeiro Oliveira 2 de Abril de 2015 1 Preliminares Nestas notas, U C sempre será um aberto, γ : [a, b] U uma curva retiicável e : U C, uma
Leia maisProbabilidade. É o conjunto de todos os possíveis resultados de um experimento aleatório.
Probabilidade Introdução O trabalho estatístico se desenvolve a partir da observação de determinados fenômenos e emprega dados numéricos relacionados aos mesmos, para tirar conclusões que permitam conhecê-los
Leia maisExercícios de Revisão de Conceitos Fundamentais
Eercícios de Revisão de Conceitos Fundamentais. Números.. Números inteiros e números raccionários. Operações com números raccionários. Percentagens. ) Escreva as seguintes racções impróprias na orma de
Leia mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia maisParte II. Análise funcional II
Parte II Análise funcional II 12 Capítulo 5 Produto de Operadores. Operadores inversos Neste capítulo vamos introduzir a noção de produto de operadores assim como a de operador invertível. Para tal precisamos
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisPlano tangente a uma superficie: G(f).
Plano tangente a uma supericie: G. O plano tangente ao gráico de uma unção num ponto é o plano que contem todas as retas tangentes ao gráico de que passam pelo ponto. Se todas as retas tangente a esse
Leia maisVARIÁVEIS 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 maisMATEMÁTICA A - 11o Ano
MATEMÁTICA A - 11o Ano Funções racionais Eercícios de eames e testes intermédios 1. Na igura ao lado, está representada, num reerencial o.n., parte da hipérbole que é o gráico de uma unção intersecta o
Leia maisApostila de Cálculo I
Limites Diz-se que uma variável tende a um número real a se a dierença em módulo de -a tende a zero. ( a ). Escreve-se: a ( tende a a). Eemplo : Se, N,,,4,... quando N aumenta, diminui, tendendo a zero.
Leia maisVariáveis Linguísticas CONTEÚDO. Variáveis Linguísticas. Variáveis Linguísticas. Formalismo: caracterizada por uma
CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características e Formas de Imprecisão Conjuntos Fuzzy Propriedades, Formas de Representação e Operações Lógica Fuzzy Relações,
Leia mais1. FUNÇÕES REAIS DE VARIÁVEL REAL
1 1 FUNÇÕES REAIS DE VARIÁVEL REAL 11 Funções trigonométricas inversas 111 As funções arco-seno e arco-cosseno Como as funções seno e cosseno não são injectivas em IR, só poderemos definir as suas funções
Leia maisPROPOSTA DE RESOLUÇÃO DA PROVA DE MATEMÁTICA A DO ENSINO SECUNDÁRIO (CÓDIGO DA PROVA 635) 1ª FASE 25 DE JUNHO 2019 CADERNO 1. e AV.
Associação de Professores de Matemática Contactos: Rua Dr. João Couto, n.º 7-A 1500-6 Lisboa Tel.: +51 1 716 6 90 / 1 711 0 77 Fa: +51 1 716 64 4 http://www.apm.pt email: geral@apm.pt PROPOSTA DE RESOLUÇÃO
Leia maisMatemática A. Previsão 2. Duração do teste: 180 minutos º Ano de Escolaridade. Previsão Exame Nacional de Matemática A 2013
Previsão Exame Nacional de Matemática A 0 Previsão ª ase Matemática A Previsão Duração do teste: 80 minutos 7060 º Ano de Escolaridade Resoluções em vídeo em wwwexplicamatpt Previsão de Exame página/9
Leia maisMatemática I. 1 Propriedades dos números reais
Matemática I 1 Propriedades dos números reais O conjunto R dos números reais satisfaz algumas propriedades fundamentais: dados quaisquer x, y R, estão definidos a soma x + y e produto xy e tem-se 1 x +
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - o Ano 0 - a Fase Proposta de resolução GRUPO I. Para calcular o número de códigos diferentes, de acordo com as restrições impostas, podemos começar por escolher a posição
Leia maisProposta de teste de avaliação
Proposta de teste de avaliação Matemática A. O ANO DE ESCOLARIDADE Duração: 90 minutos Data: Grupo I Na resposta aos itens deste grupo, selecione a opção correta. Escreva, na olha de respostas, o número
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisPolinômios de Legendre
Seção 5: continuação do método de resolução por séries de potências Na Seção foi exposto informalmente, através de exemplos, o método de resolução de equações diferenciais ordinárias por séries de potências.
Leia maisprobabilidade PE-MEEC 1S 09/10 16 Capítulo 2 - de probabilidade 2.1 Experiências aleatórias. resultados. Acontecimentos probabilidade.
Capítulo 2 - Noções básicas de probabilidade 2.1 Experiências aleatórias. Espaço de resultados. Acontecimentos 2.2 Noção de probabilidade. Interpretações de Laplace, frequencista e subjectivista. Axiomas
Leia mais) a sucessão definida por y n
aula 05 Sucessões 5.1 Sucessões Uma sucessão de números reais é simplesmente uma função x N R. É conveniente visualizar uma sucessão como uma sequência infinita: (x(), x(), x(), ). Neste contexto é usual
Leia maisESCOLA SECUNDÁRIA COM 3º CICLO D. DINIS 12º ANO DE ESCOLARIDADE DE MATEMÁTICA A Tema II Introdução ao Cálculo Diferencial II
ESCOLA SECUNDÁRIA COM º CICLO D. DINIS º ANO DE ESCOLARIDADE DE MATEMÁTICA A Tema II Introdução ao Cálculo Dierencial II TPC nº 8 Entregar em 0 009. Na igura está representado um prisma hexagonal com as
Leia maisPROBLEMAS DE OPTIMIZAÇÃO
PROBLEMAS DE OPTIMIZAÇÃO EXTREMOS: MÁXIMOS E MÍ IMOS As questões de optimização estão relacionados com a escolha da melhor alternativa para a resolução de um problema com base em critérios particulares.
Leia maisBIOESTATÍSTICA. Parte 3 Variáveis Aleatórias
BIOESTATÍSTICA Parte 3 Variáveis Aleatórias Aulas Teóricas de 29/03/2011 a 26/04/2011 3.1. Conceito de Variável Aleatória. Função de Distribuição Variáveis aleatórias Uma variável aleatória pode ser entendida
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisNo que segue, X sempre denota um espaço topológico localmente compacto
O TEOREMA DE REPRESENTAÇÃO DE RIESZ PARA MEDIDAS DANIEL V. TAUSK No que segue, sempre denota um espaço topológico localmente compacto Hausdorff. Se f : R é uma função, então supp f denota o{ suporte (relativamente
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano Época especial
Prova Escrita de MATEMÁTICA A - o Ano 08 - Época especial Proposta de resolução Caderno... Como A e B são acontecimentos equiprováveis, temos que P A P B E como A e B são acontecimentos independentes,
Leia mais